（控制理论与控制工程专业论文）适用于神经网络逆软测量方法的对象建模问题的研究.pdf

r e s e a r c ho no b j e c tm o d e l gf o r a n ni n v e r s i o ns o f t s e n s 烈gm e t h o d at h e s i ss u b m i t t e dt o s o u t h e a s tu n i v e r s i t y f o rt h ea c a d e m i cd e g r e eo fm a s t e ro f e n g i n e e r i n g b y c h e n w e i l i a n g s u p e r v i s e db y p r o f d a ix i a n z h o n g s c h o o lo f a u t o m a t i o n s o u t h e a s tu n i v e r s i t y m a r c h2 0 1 0 东南大学学位论文独创性声明 本人声明所呈交的学位论文是我个人在导师指导下进行的研究工作及取得的研究 成果 尽我所知 除了文中特别加以标注和致谢的地方外 论文中不包含其他人已经发 表或撰写过的研究成果 也不包含为获得东南大学或其它教育机构的学位或证书而使用 过的材料 与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明 并表示了谢意 研究生签名 已惫里盘日期 趁坦 生 乡 东南大学学位论文使用授权声明 东南大学 中国科学技术信息研究所 国家图书馆有权保留本人所送交学位论文的 复印件和电子文档 可以采用影印 缩印或其他复制手段保存论文 本人电子文档的内 容和纸质论文的内容相一致 除在保密期内的保密论文外 允许论文被查阅和借阅 可 以公布 包括刊登 论文的全部或部分内容 论文的公布 包括刊登 授权东南大学研 究生院办理 研究生签名 迸 坠 纽导师签名 研究生签名 e 笈 丝 型导师签名 蒙黪 参 j 日期 d f o q 舌 摘要 论文题目 硕士研究生姓名 导师姓名 学校名称 摘要 适用于神经网络逆软测量方法的对象建模问题的研究 陈卫亮 戴先中教授 东南大学 为解决工业生产过程中一些重要的过程变量在现有的技术条件下难于直接测量或 不易快速测量的问题 本课题组在前期工作中提出了神经网络逆软测量方法 该方法不 依赖于被测对象精确的数学模型 但需要知道模型的大致结构和参数的大致范围 才可 建立被测对象的软仪表 软测量模型 不过本课题组以前并没有对被测对象的建模问 题进行深入的分析和研究 本文的主要工作是针对神经网络逆软测量方法对被测对象模 型的要求 以青霉素发酵过程为例 提出了一套具体的建模方案 得到最适用于神经网 络逆软测量方法的青霉素发酵过程的模型结构 本文的主要研究内容和成果有 1 通过对青霉素发酵过程原理的分析 根据现有的研究成果以及神经网络逆软测 量方法对模型的要求 得到了多种备选的青霉素发酵过程的模型结构 并根据神经网络 逆软测量方法的建模步骤 推导了不同模型结构所对应的软仪表 2 以青霉素发酵过程仿真平台p e n s i m 产生的数据作为青霉素发酵的实际数据 采 用非线性最小二乘法对青霉素发酵过程模型中的参数进行了辨识 针对青霉素发酵这样 一个复杂的非线性模型 2 0 多个需要辨识的参数 在参数辨识过程中 采用了对辨识 数据进行归一化 合理设置参数初值 合理地调整目标函数加权系数以及分批辨识模型 参数的方法 成功地辨识出了各种备选的青霉素发酵模型中的参数 3 根据模型输出数据与实际数据 由p e n s i m 产生 的拟合程度 以及各种备选模 型结构对应的软仪表实现的难易程度 从多种备选的模型结构中优选出了最合适的青霉 素发酵过程的模型结构 同时 根据优选出的模型结构 设计了神经网络逆软仪表并进 行了相应的仿真研究 结果表明 采用神经网络逆软测量方法能够很好地实现菌体浓度 和基质浓度的在线软测量 但无法有效地实现产物浓度的在线软测量 关键词 青霉素发酵过程 动力学模型 神经网络逆 软测量 最小二乘法 参数辨识 a b s t r a c t a bs t r a c t t i t l e r e s e a r c ho no b j e c tm o d e l i n gf o ra n ni n v e r s i o ns o f t s e n s i n gm e t h o d m a s t e rc a n d i d a t e c h e nw e i l i a n g s u p e r v i s o r p r o f e s s o r d a ix i a n z h o n g o r i g a n i z a t i o n s o u t h e a s tu n i v e r s i t y t os o l v et h ep r o b l e mo fm e a s u r i n gt h ec r u c i a lp r o c e s sv a r i a b l e sw h i c hc a l ln o tb e d i r e c t l ym e a s u r e db yp r e s e n tt e c h n o l o g yi nt h ei n d u s t r i a lp r o c e s s e s o u rr e s e a r c hg r o u ph a s p r o p o s e dt h ea r t i f i c i a ln e u r a ln e t w o r k a n n i n v e r s i o ns o f t s e n s i n gm e t h o d t h i sm e t h o d d o e sn o te n t i r e l y d e p e n do nt h e m a t h e m a t i c a lm o d e l w h i l ei tr e l i e so nt h e r o u g h m a t h e m a t i c a lm o d e li no r d e rt oe s t a b l i s ht h es o f t s e n s o r t h em a j o rt a s ko ft h ep a p e ri st o r e s e a r c ho nt h ep e n i c i l l i nf e r m e n t a t i o nm o d e l i n gf o rt h ea n ni n v e r s i o ns o f t s e n s i n gm e t h o d f i n a l l yt h em o s tr e a s o n a b l em a t h e m a t i c a lm o d e lo ft h ep e n i c i l l i nf e r m e n t a t i o nf o rt h ea n n i n v e r s i o ns o f t s e n s i n gm e t h o di so b t a i n e d t h em a i nw o r ka n dr e s e a r c hc o n t e n t sa r ea s f o l l o w s 1 t h r o u g hm e c h a n i s ma n a l y s i s c u r r e n tr e s e a r c ha c h i e v e m e n t sa n dt h er e q u i r e m e n t so f a n ni n v e r s i o ns o f t s e n s i n gm e t h o d s e v e r a lp e n i c i l l i nf e r m e n t a t i o nm o d e ls t r u c t u r e sa r e a c q u i r e d a n dt h ee q u i v a l e n ts o f t s e n s o r sa r eo b t a i n e db a s e do nt h em o d e l i n gs t a g e so ft h e a n ni n v e r s i o ns o f t s e n s i n gm e t h o d 2 i nt h ep a p e r t h ed a t ap r o d u c e db yt h ep e n i c i l l i nf e r m e n t a t i o ns i m u l a t i o np l a t f o r m p e n s i ma r eu s e da st h er e a ld a t a l e a s ts q u a r e sm e t h o di su s e dt or e c o g n i z et h ep a r a m e t e r so f t h em a t h e m a t i c a lm o d e l f o rs u c hac o m p l e xp e n i c i l l i nf e r m e n t a t i o nm a t h e m a t i c a lm o d e l d a t an o r m a l i z a t i o n m o d i f y i n gt h ew e i g h t i n gc o e f f i c i e n ta n di d e n t i f i c a t i n gt h ep a r a m e t e r si n b a t c h e sm e t h o d sa r eu t i l i z e dd u r i n gt h ep r o c e s so fp a r a m e t e ri d e n t i f i c a t i o n a n dg o o dr e s u l t s a r cg e t 3 b a s e do nt h ef i t t i n gp r e c i s i o nb e t w e e nt h em a t h e m a t i c a lm o d e lo u t p u td a t aa n dt h e r e a ld a t a p r o d u c e db yp e n s i m t h em o s ta p p r o p r i a t em a t h e m a t i c a lm o d e ls t r u c t u r ec a nb e s e l e c t e df r o mt h es e v e r a lm o d e ls t r u c t u r e sf o rt h ea n ni n v e r s i o ns o f t s e n s i n gm e t h o d i nt h e m e a n t i m e t h ee q u i v a l e n ts o f t s e n s o ri se s t a b l i s h e df o rt h es e l e c t e dm o d e ls t r u c t u r e t h e e x p e r i m e n tr e s u l tr e v e a l st h a tf o rt h es e l e c t e dm a t h e m a t i c a lm o d e ls t r u c t u r e t h eb i o m a s s c o n c e n t r a t i o na n ds u b s t r a t ec o n c e n t r a t i o nc a l lb es o f t s e n s e dw e l l w h i l et h ep e n i c i l l i n c o n c e n t r a t i o nc a nn o tb es o f t s e n s e de f f i c i e n t l y k e yw o r d s p e n i c i l l i nf e r m e n t a t i o n k i n e t i cm o d e l a n ni n v e r s i o n s o f t s e n s i n g l e a s ts q u a r e p a r a m e t e ri d e n t i f i c a t i o n i i 目录 摘要 目录 a b s t r a c t 目录 第一章绪论 i i l i i i 1 1 1 课题背景及研究意义 1 1 1 1 微生物发酵关键生化量的不直接可测问题 1 1 1 2 神经网络逆软测量方法简单介绍 2 1 1 3 神经网络逆软测量方法对模型的要求 3 1 2 本文的主要工作和内容安排 4 第二章文献综述及神经网络逆软测量方法简介 2 1 微生物发酵软测量建模研究综述 5 2 2 神经网络逆软测量方法 7 2 2 1 生化过程中 内含传感器 的构造方法 8 2 2 2 神经网络逆软测量方法的实现 9 第三章多种青霉素发酵模型结构及其软仪表 l i 3 1 本文研究的整体思路 1 3 3 2 青霉素发酵原理分析 1 5 3 2 1 微生物发酵分类 1 5 3 2 2 青霉素发酵过程 1 7 3 2 3 青霉素发酵过程的主要影响因素 1 8 3 3 青霉素菌体比生长速率和产物比生成速率模型分析 1 9 3 3 1 微生物菌体比生长速率模型 2 0 3 3 2 青霉素菌体比生长速率模型 2 2 3 3 3 青霉素产物比生长速率模型 2 3 3 4 建立多种青霉素发酵动力学模型 2 4 3 4 1 菌体浓度模型 2 4 3 4 2 基质浓度模型 2 4 3 4 3 产物浓度模型 2 5 3 4 4 溶氧浓度模型 2 5 3 4 5 二氧化碳浓度模型 2 6 3 4 6 发酵热模型 2 7 3 4 7p h 值模型 2 7 i i i 目录 3 4 8 体积模型 2 8 3 5 多种模型结构及其神经网络逆软仪表 2 8 3 5 1 模型m l 及其神经网络逆软仪表 2 8 3 5 2 其它模型结构及其神经网络逆软仪表 3 3 3 5 3 小结 3 6 第四章青霉素发酵过程模型的参数辨识 4 1 青霉素发酵过程仿真平台p e n s i m 3 7 4 2 最小二乘参数辨识方法 3 9 4 2 1 最小二乘参数辨识原理 3 9 4 2 2 最小二乘法参数辨识l s q n o n l i n 函数 4 0 4 3 采用最小二乘法辨识青霉素发酵过程模型的参数 4 l 第一章绪论 第一章绪论 1 1 课题背景及研究意义 生物技术是2 1 世纪的重要技术之一 它在化工 医药卫生 农林牧渔 轻工食品 能源和环境等领域都将发挥重要作用 它促进了传统产业的改造和新兴产业的形成 将 对人类社会产生深远的影响 近几十年来 发酵工业已成为生化工程和近代生物技术的 基础 尤其是新的生化工程领域 例如二次代谢产物 抗生素 的生产 因此 对于发 酵生产过程的参数测量 操作监视 自动控制 优化操作与控制 现今已成为生化反应 过程中的重要问题川 1 1 1 微生物发酵关键生化量的不直接可测问题 微生物发酵是一个复杂的 不确定的 非线性的动态生化反应过程 其影响因素很 多 机理十分复杂 因而获得更多的过程状态变量 掌握更多的反应过程信息 是进一 步研究微生物发酵过程和提高生产效率的首要前提1 2 j 生物量是发酵过程中重要的过程 参数 直接影响着发酵过程的控制和优化 但是在实际的工业生物发酵过程中 由于工 艺和技术的限制 能在线测量的参数仅局限于某些物理 化学参数 而对于一些比较复 杂但又很重要的生物参数 如生化过程中一些重要的过程变量 菌体浓度 基质浓度 产物浓度等 在现有的技术条件下难于直接测量或不易快速测量 目前一般采用手工离 线取样测量的方法 比如干重法 离心叠集细胞体积法 直接染色法 光密度法和细胞 计数法等 这样做使得测量结果具有较大的滞后性 不能及时反映发酵状态 难以满足 发酵过程实时控制的要求 而且要从发酵罐中抽取样品 极易将污染菌带进发酵罐 影 响发酵的正常进行p j 软测量技术的出现 为解决上述问题提供了一个很好的解决方法睁5 1 软测量就是 根据某种准则 选择既与不直接可测变量 又称为主导变量 有密切关系 又容易测量 的变量 又称为辅助变量 通过构造一定的数学关系 用计算机软件实现对不直接可 测变量的估计 软测量模型 软仪表 的基本结构如图1 1 所示 图1 1 软仪表的基本结构 上图中 工 为软仪表可能需要的离线分析计算值或大采样间隔的采样值 如分析仪 输出 一般用于离线辨识模型的参数 也用于软仪表的在线校正 定 法 持 型 物 在 线 过 实 经网络 有时并不能达到理想的效果 在实际应用过程中 最初提出神经网络方案 最 后又恢复到传统方案的例子并不少见 1 1 2 神经网络逆软测量方法简单介绍 在国家自然科学基金项目 神经网络逆系统测量理论及其应用研究 项目号 6 0 5 7 4 0 9 7 和高等学校博士点基金项目 基于 内含传感器 逆的神经网络软测量方法 及其在生化过程中的应用 项目号 2 0 0 5 0 2 8 6 0 2 9 的共同资助下 本课题组在前期工 作中 提出了基于 内含传感器 的神经网络逆软测量方法对工业过程中的不直接可测 变量进行软测量 并以红霉素发酵过程为例 实现了对红霉素发酵过程中的关键生化量 如菌体浓度 基质浓度和化学效价的软测量 取得了较好的效果1 8 以 神经网络逆软测量方法是根据被测对象模型结构 建立被测对象中以不直接可测过 程变量为输入量 以直接可测过程变量为输出量的 内含传感器 子系统模型 通过分 析 内含传感器 子系统模型的可逆性条件 在理论上得到 内含传感器 逆的数学模 型 从而保证基于 内含传感器 逆思想的动态软测量方法在实际应用中的可行性 然 后采用静态神经网络加微分器的方法通过离线训练的方式构造出 内含传感器 逆系统 得到被测对象中不直接可测变量的神经网络逆软仪表 从而实现对不直接可测变量的软 测量 基于 内含传感器 的神经网络逆软测量方法原理如图1 2 所示 专一 1r z l p r r 而 内 乞 静态神经 l 含 r 网络和微 o 乏 传 分器构成 感 的逆系统 葺 器 z n i m i m o 系统 复合伪线性单位系统一 一 图1 2 基于 内含传感器 的神经网络逆软测量方法原理图 2 第一章绪论 上图中 1 4 2 材 为被测对象的输入量 有p 个 而 x 2 葺为不直接可测量 有 t e 毛 z 乙一 为被测对象中的直接可测量 有n 1 个 毫 岛 蜀为不直接可测量 的软测量值 1 1 3 神经网络逆软测量方法对模型的要求 神经网络逆软测量方法不同于一般的软测量方法 它对被测对象的模型有特定的要 求 对被测对象的模型具有一定程度的依赖性 1 对于模型参数的要求 神经网络逆软测量方法并不需要确定被测对象精确的模型参数 但需要知道模型参 数的大致范围 根据文献 8 中提出的建模算法 在判断 内含传感器 子系统模型的可 逆性时 需要知道模型参数的大致范围 从而证明之前构造的 内含传感器 在此工作 区域内是可逆的 因为对于实际的被测对象 它总是运行在某个具体的工作区域内 因 此只需证明之前构造的 内含传感器 在此工作区域内是可逆的即可 然后在理论上得 到 内含传感器 逆的数学模型 从而保证基于 内含传感器 逆思想的动态软测量方 法在实际应用中的可行性 2 对于模型结构的要求 神经网络逆软测量方法需要确定出被测对象模型的大致结构 从而通过对被测对象 的模型结构的分析 根据文献 8 中给出的建模算法 确定 内含传感器 子系统模型的 输入量及其导数阶次和输出量 建立出 内含传感器 子系统的模型 经过验证 如果 被测对象的模型结构中有不同程度的差异时 建立的 内含传感器 子系统模型的输入 输出量可能相同 也可能不同 因此 神经网络逆软测量方法虽然不需要知道被测对象 精确的模型结构 但需要知道模型的大致结构 即能够根据被测对象的大致结构 确定 出 内含传感器 子系统模型的输入量 输出量以及输入量的阶次 建立被测对象的软 仪表 另外通过对神经网络逆软测量方法原理的分析 神经网络逆软测量方法需要尽可能 多的建立出被测对象中直接可测量的模型方程 除去不直接可测变量的模型方程 如果 能够建立出更多的直接可测量的模型方程 会大大提高神经网络逆软测量方法的效果和 精度 文献 9 中指出 对于红霉素发酵过程 如果能够建立出二氧化碳释放速率的模型 结构方程 会大大提高神经网络逆软测量方法的效果 对于神经网络逆软测量方法 本课题组给出了详细的建立软仪表 软测量模型 的 步骤和方法 但是本课题组并没有对神经网络逆软测量方法中对象建模的问题进行深入 的研究 例如文献 8 中并没有对使用的红霉素发酵过程的动力学模型进行详细的分析和 考究 而是直接借鉴现有的文献成果以及青霉素发酵过程的模型 另外对于红霉素发酵 过程中直接可测量的模型结构 只是给出了溶氧浓度和p h 值的模型结构 并没有深入 的分析其它直接可测量 例如发酵液二氧化碳浓度 发酵热等 的模型结构 3 东南大学硕士学位论文 1 2 本文的主要工作和内容安排 本课题组在前期工作中 将神经网络逆软测量方法应用于红霉素的发酵过程 取得 了较好的效果 但是基于以下两点考虑 1 由于目前对红霉素发酵的动力学模型的研 究较少 基于红霉素发酵和青霉素发酵的相似性 很多红霉素发酵的动力学模型都是借 鉴于青霉素发酵的研究成果 而青霉素发酵过程动力学模型的研究较为成熟 能够提供 不同的模型结构可供参考和分析 2 青霉素发酵过程仿真系统 例如p e n s i m 等 的 研究也较为成熟 可以提供充分的发酵数据作为统计分析及其它分析方法的数据库 本 文的研究对象选择为青霉素发酵过程 进行相关的分析研究 本文以青霉素发酵过程为例 首先通过对青霉素发酵过程原理的分析 根据现有的 研究成果以及神经网络逆软测量方法对被测对象模型结构和参数的要求 得到多种备选 的青霉素发酵过程的动力学模型结构 并根据神经网络逆软测量方法的建模步骤 推导 出了多种模型结构对应的软仪表 然后采用参数辨识的方法从多种备选的模型结构中优 选出最合适的青霉素发酵过程的模型结构 最后应用神经网络逆软测量方法实现了青霉 素发酵过程中不直接可测量的软测量 并对仿真结果进行了分析 全文共六章 各章内容安排如下 第一章 绪论 本章主要介绍了课题的研究背景和意义 以及论文的主要工作和内 容安排 第二章 文献综述及神经网络逆软测量方法简介 本章介绍了微生物发酵软测量建 模的研究现状 神经网络逆软测量方法的原理和建模步骤 第三章 多种青霉素发酵模型结构及其软仪表 本章首先介绍了本文研究的整体思 路 然后详细的分析了青霉素发酵过程的原理 得到了四种青霉素发酵过程备选的模型 结构 最后根据神经网络逆软测量方法的建模步骤 推导出了四种模型结构所对应的软 仪表 第四章 青霉素发酵过程模型的参数辨识 本章采用最小二乘参数辨识方法对第三 章得到的四种模型结构进行参数辨识 根据模型输出数据和实际数据 由青霉素发酵过 程仿真平台p e n s i m 产生 的拟合程度 对得到的多种青霉素发酵过程的模型结构进行 了优选 得到最合适的模型结构 第五章 软测量仿真结果及其分析 本章应用神经网络逆软测量方法 对青霉素发 酵过程中的关键生化量进行了软测量 指出对于第四章优选出的模型所描述的青霉素发 酵过程 能够很好的实现菌体浓度和基质浓度的在线软测量 但无法有效地实现产物浓 度的在线软测量 给出了仿真结果并对结果进行了分析 第六章 总结与展望 本章对全文的工作进行了总结 并对下一阶段的工作进行了 展望 4 第二章文献综述及神经网络逆软测量方法简介 第二章文献综述及神经网络逆软测量方法简介 2 1 微生物发酵软测量建模研究综述 微生物发酵过程软测量建模是对微生物发酵过程进行综合分析的一种有效的手段 也是进一步进行发酵过程监测 优化和控制的基础 总结微生物发酵过程软测量的建模 研究方法 主要包括基于机理分析 回归分析 状态估计 人工智能以及混合方法所建 立的微生物发酵的软测量模型 1 基于机理分析的软测量建模 基于机理分析的软测量建模是依据物质守恒 能量守恒定理 从m o n o d 模型方程 c o n t o i s 模型方程出发 建立以过程动力学为基础的 反映生物量与可测过程变量之间 关系的机理模型 也叫白箱模型 通过模型仿真对微生物发酵过程进行深入的分析 从而为实际的工业生产提供合理的控制依据 如文献 1 2 通过对赖氨酸发酵过程机理的 分析 建立了一组描述赖氨酸分批发酵过程的动力学模型结构 然后通过单纯形法优化 模型参数 得到了一组能够很好的拟合发酵过程实际数据的模型 文献 1 3 1 通过对发酵 过程的机理分析 从质能平衡出发建立了发酵过程的机理模型 实现了对发酵过程的生 物量的在线估计和自适应控制 基于机理分析的软测量建模需要对发酵过程的机理有深刻的认识 模型中各参变量 具有明确的物理意义 能给出生物量和易测辅助变量的数学关系 可通过直接可测量和 不直接可测量之间的数学关系实现不直接可测量的在线软测量 但在实际工程中 由于 微生物发酵比较复杂 采用机理建模方法的难度较大 某些情况下甚至是不可行的 但 对过程机理进行必要的分析和了解 在其它软测量建模方法中有时是十分必要的 实际 中常常是采用机理分析与其它建模方法相结合的软测量建模方法 2 基于回归分析的软测量建模 回归分析是一种经典的建模方法 根据采用数学方法的不同还可以分为线性回归和 非线性回归 它不需要建立复杂的数学模型 只要收集大量过程参数和质量分析数据 运用统计方法将这些数据中隐含的对象信息进行浓缩和提取 从而建立直接可测量和不 直接可测量之间的数学模型 文献 1 4 利用主元回归的建模方法对埃希式杆菌发酵过程中的生物量和重组蛋白进 行了在线估计 具有较高的预测精度和稳定性 文献 1 5 利用核最小二乘法并结合独立 分量算法较好的实现了青霉素发酵过程中的产物浓度的在线预测 尽管用机理分析确定模型结构 用历史测量数据估计模型参数的混合方法得到了广 泛的应用 回归分析建模方法仍然存在一些问题 如模型准确性受样本真实性的影响 使用范围受样本容量的制约 因此只有在长期的生产过程可以提供大量正确的样本的情 况下 该方法才能得到正确 可靠的实施 5 基于小波神经网络的软仪表 并将其应用于发酵过程中的在线估计和控制中 提高了发 酵的产率 取得了较好的效果 文献 2 3 指出 发酵过程建模实质上是一个多尺度建模问题 应从先验知识和过程 机理分析 统计学习等尺度上出发 充分考虑发酵过程微生物生长反应特性 利用发酵 工程技术研究的最新成果 应用人工智能理论和技术来建立由发酵过程机理模型和辨识 6 第二章文献综述及神经网络逆软测量方法简介 模型构造的软测量混合模型 全面反映生物量和各变量之间的关系 才是解决生物量在 线估计的有效方法 本文以青霉素发酵过程为例 首先通过对青霉素发酵过程的原理分析 根据已有的 研究成果和神经网络逆软测量方法对模型的要求 得到了多种备选的青霉素发酵过程的 模型结构 并根据神经网络逆软测量方法的建模步骤 推导了其对厘的软仪表 然后采 用参数辨识的方法对得到的多种备选模型结构进行优选 得到了最合适的青霉素发酵过 程的模型结构 最后应用神经网络逆软测量方法实现了对青霉素发酵过程中不直接可测 量的软测量 2 2 神经网络逆软测量方法 对于一般的多变量非线性系统 如生化系统 可用如下的状态方程进行描述 毫 石 五 而 叱 岛 石 而 而 毛 z l l z 矗 正 五 x 2 而 材 2 1 上式司简记为 爻 而以 2 2 式2 1 表示了生化过程的一般非线性模型 有忍个状态变量 记为x 五 x 2 矗 1 有 个不直接可测的状态量 被测变量 记为 圣 五 而 而 1 有n 1 个直接可测 的状态量 记为 z z l 乞 乙一 1 而小五彩 而 1 并且叠和z 中各分量的次序是 可以互换的 有p 个输入变量 记为 口 甜p 设想在原系统中存在这样一个子系统 不直接可测的状态变量而 而 而为其输入 直接可测的状态变量而小札 毛为其输出 甜p 为该子系统的参变量 输入变 量 这样的子系统可视作非线性系统中内含的传感器 对该 内含传感器 来说 要 测的量是而 x 2 而 而测到的量却是札l 而 2 矗 如图2 1 所示 五 r 内 屹 o 恐 含 r 传 7 感 器 西 生化过程 图2 1 生化过程中的 内含传感器 示意图 如果能够构造出 内含传感器 的模型 并证明此 内含传感器 是可逆的 从而 7 东南大学硕上论文 得到了 内含传感器 逆的模型 那么将 内含传感器 逆串接在原生化过程之 即 内含传感器 之后 就可以构成一个复合的伪线性单位系统 使其输出复现 传感器 的输入 即原来不直接可测的变量五 x 2 而 实现对 x 2 西的软 基于该思想的软测量原理如图2 2 所示 一一一 1 毛i 札1 r r 内 一 而 内 札2 含 含 传 一 o u 7 p 1 传 r l 感 感 器 吒 器 的 生化过程 7 逆 一 复合伪线性单位系统 图2 2 基于 内含传感器 逆的软测量原理图 上图中 盒 毫表示不直接可测量五 而的软测量值 如果能从 内含传感器 求出该 内含传感器 的逆模型的解析表达式 那么 内 含传感器 的逆模型可以直接用解析逆的形式来实现 但对于生化过程这样复杂的非线 性模型 往往很难得到其 内含传感器 逆模型的解析表达式 对此 利用神经网络对 非线性函数的逼近能力来解决这一问题 即用神经网络逆来替代 内含传感器 模型的 解析逆 实现 内含传感器 的逆模型 基于 内含传感器 的神经网络逆软测量原理 如图2 3 所示 丫 五 而 i 恐 内 r 吨 材乒 l a p 含 札2 神 传 r 经 感 网 络 而 器 矗 逆 生化过程 7 i复合伪线性单位系统 图2 3 基于 内含传感器 的神经网络逆软测量原理图 2 2 1 生化过程中 内含传感器 的构造方法 要建立基于 内含传感器 的逆软仪表 首先必须构造出 内含传感器 子系统的 数学模型 而构造 内含传感器 子系统的数学模型 依据是式2 1 所示的生化系统 文献 8 中给出了获取 内含传感器 模型的建模算法 该建模算法的基本思想为 首先对直接可测量z 的第1 个分量毛 即而 不断求导数 使获得的毛的各阶导数中 增加更多的构造 内含传感器 所需的信息 然后判断毛的各阶导数能否建立出 内含 传感器 子系统的数学模型 如果可以则算法结束 否则再对z 的第2 个分量z 2 即x l 8 第二章文献综述及神经网络逆软测量方法简介 不断求导数 使获得的乞的各阶导数中含有尽可能多的信息 进而判断毛的各阶导数和 z 的各阶导数能否建立 内含传感器 子系统的数学模型 算法依次进行 直到直接可 测量z 的最后一个分量z 一 即矗 为止 需要说明的是 在实际应用过程中 由于变 量数据中均不同程度的含有噪声 应该尽量避免直接可测变量的高阶导数 般不允许 出现变量的三阶导数 最高为二阶导数 其中能否建立 内含传感器 子系统的数学模型的判断依据为 利用计算得到的 乙 扛l 2 的各阶导数之 乏 z f l 2 然后从z l z i 的各阶导数中选出函数 独立的导数信息构成向量互 计算秩m 七 卢必 菇 是否等于不直接可测量的维数 如果相等 则建模成功 否则建模失败 对式2 1 所示的生化系统构造 内含传感器 假如在直接可测量z 的第肌个分量乙 处建模成功 m 刀一z 即从而 z 的各阶导数中依次选出函数独立的导数信息构成 向量乙 其雅可比矩阵j a z 菇的秩等于 则可得到的 内含传感器 子系统的模 型为 z m 毛 i z l 1 1 1 肘 嘶k i 二埘 毛 d x 一 口 广d 毛 一 圳 1 1 乙 l x 一 小l 乙 刊 x 盼一 口 一厂 2 3 其中 1 f 聊 1 m a x r l 2 一 舸 r 一1 表示变量z 的导数阶数 在 维 系统乙中 从z j 的各阶导数中分别选取了 一 一 个独立的信息量o 1 2 聊 同时 它们也都是相互独立的 需要说明的是 式2 3 右边的z l f x 口 口 勺 1 1 中 是不会出现工的导数的 因为 在算法的求导过程中 如果出现x 的导数 则可以用式2 1 中的相关方程代入消去x 的 导数 然后再继续算法过程 2 2 2 神经网络逆软测量方法的实现 为实现基于 内含传感器 逆模型的软测量 在构造出 内含传感器 模型之后 还必须证明该 内含传感器 是可逆的 然后再依据求反函数的方法从 内含传感器 模型中求解出该 内含传感器 逆模型的表达式 最后将该 内含传感器 的逆串接在 9 k 7 l p 五 乙 乙 东南大学硕士论文 生化过程之后 也即串接在 内含传感器 之后 从 内含传感器 逆的输出端 内含传感器 的输入 即生化过程内部的不直接可测量 最终实现对生化过程 直接可测量的软测量 为了给出式2 3 所述 内含传感器 子系统的全局可逆性条件 首先引入如下 号 令互 毛分别是u 在式2 3 中的最低阶导数和最高阶导数 持l 2 p p 为参 口的个数 定义如下的行列式 d 烈 兹乙 a 曼 d 而 以 f 1 2 p 巧 4 1 t 2 4 为了叙述方便 令d 毛一磊 1 并记面 f l 2 p j 4 谚 1 乞 i l 则式2 4 可简写为d e t a z a 3 c d k 面 基于上述符号 我们可以给出式2 3 描述的 内含传感器 的全局可逆性条件为 8 函数d 而面 在整个实向量空间胄舯d 上恒不为零 如果此 内含传感器 子系统是全局可逆的 则其逆系统 即 内含传感器 的逆 模型 的一般表达式可用下式表示 量 z 互嘞 i 1 2 m j l 2 一 一 珥d f l 2 p 歹 4 巧 1 乞 2 5 然而 对于式2 3 描述的 内含传感器 的模型 由于无法获知精确的数学模型 第二章文献综述及神经网络逆软测量方法简介 蚝 l 一f 丘 l i 二广 广 l 甜 q 一i 掣 l 咂下 哆 静 m j 冈 厂翮生 一l u i 1 竺广t 一一u 广一 态 i 五 z 1 i 神 内 幽 经 j 2l 含 lr a 传 z 一 ui r 感 幽 网 而 器 l l 州k j 1 络 2 m 1 生化过程 2 m i 图2 4 基于 内含传感器 的神经网络逆软测量原理图 上图中 d 表示微分 以下类同 图2 5 神经网络训练结构图 本课题组对 内含传感器 子系统的模型的建模算法进行了改进 详细的改进的建 模算法参见附录a 由上述可知 与通常的基于神经网络建立软仪表 软测量模型 的方法相比 基于 内含传感器 的神经网络逆软测量方法在构造 内含传感器 以及 内含传感器 逆 模型的过程中 已经明确地知道了所建立的软仪表应该选取的各个辅助变量及其导数的 阶次 虽然 内含传感器 逆模型的具体表达式并不容易得到 但是由于已经知道了应 该选取的各个辅助变量及其导数的阶次 需要实现的就是一个非线性的函数关系 而这 一点正好可以通过神经网络具有逼近复杂静态非线性函数的能力来实现 辅助变量的导 东南大学硕十论文 数则可以通过外加的微分器来实现 因此 在使用本方法构建被测对象 部分的分工更加明确 理论依据更加充分 不像通常的神经网络软测量 测量的精度也比通常的神经网络软测量方法要高 1 2 第三章多种青霉素发酵模型结构及其软仪表 第三章多种青霉素发酵模型结构及其软仪表 本章首先介绍了本文研究的整体思路 然后详细的分析了青霉素发酵过程的原理 由于青霉素发酵过程的复杂性和不确定性 不能唯一的确定青霉素发酵过程的模型结 构 最终得到了四种青霉素发酵过程备选的模型结构 最后根据神经网络逆软测量方法 的建模步骤 推导出了四种模型结构所对应的软仪表 软测量模型 3 1 本文研究的整体思路 本文工作的任务是找到最适用于神经网络逆软测量方法的青霉素发酵过程的模型 结构 在建立青霉素发酵过程模型结构的过程中 首先通过分析青霉素发酵过程的原理 根据现有的文献成果以及神经网络逆软测量方法对模型的要求 得到了多种备选的青霉 素发酵过程的模型结构 并根据神经网络逆软测量方法的建模步骤 探讨了多种模型结 构对应的软仪表 然后采用参数辨识的方法从多种备选的模型结构中优选出最合适的模 型结构 最后应用神经网络逆软测量方法实现了青霉素发酵过程中不直接可测量的软测 量 本文研究的整体思路如图3 1 所示 图3 1 整体思路流程图 在建立微生物 系统辨识建模通常 l a z a d e h 基础上 由规定的 定义明确了辨识的 基础 准则是辨识 辨识所作的定义则 照一个准则在一组 在明确建模的 生物发酵过程的一 手段 得到微生物 然后根据模型输出 好的反应微 的动力学模 则 模型类 明确建模 的关键生化 霉素发酵过 测量的模型 通过先验 霉素发酵过 力学模型结 的动力学模 程以及二氧 将在本文第 获取发酵 本文中 青霉素发酵过程的实际输出数据由青霉素发酵过程仿真平台p e n s i m 2 7 1 青霉素发酵过程仿真平台p e n s i m 是美国伊利诺理工学院 i l l i n o i si n s t i t u t eo f 1 4 第三章多种青霉素发酵模型结构及其软仪表 t e c h n o l o g y l i t 以c i n a r 教授为学科带头人的过程建模 监测及控制研究小组于 1 9 9 8 2 0 0 2 年研究开发的 是专门为青霉素发酵过程而设计的 相关研究已表明该仿真 平台的有效性与实用性 是国际上比较有影响的青霉素仿真平台 同时 p e n s i m 可以提 供不同发酵初始条件和不同的环境因素影响下的青霉素发酵数据 可以为下一步的参数 辨识以及神经网络逆软测量方法的应用提供充分的数据 p e n s i m 的介绍以及使用说明将 会在4 1 节中进行详细的讨论 4 模型参数辨识 本文以p e n s i m 提供的数据作为青霉素发酵过程的实际数据 采用最小二乘参数法辨识青霉素发酵过程的模型参数 针对青霉素发酵这样一个复杂的 非线性系统 本文采用对辨识数据归一化 分批辨识参数 设置合理的模型参数初值 以及合理的调整目标函数加权系数等方法 成功辨识出了青霉素发酵过程模型中的参 数 这一部分在第四章中进行了详细的介绍 5 对多种备选模型结构的优选 在得到青霉素发酵过程完整的动力学模型之后 根据模型输出和实际数据 由p e n s i m 产生 的拟合程度对多种备选的模型结构进行优 选 最终选出最合适的青霉素发酵过程的模型结构 原理如图3 3 所示 假设备选的模 型结构有 1 种 图3 3 模型结构优选示意图 6 应用神经网络逆软测量方法 在得到最合适的青霉素发酵过程的模型结构之后 通过对模型结构的分析 根据神经网络逆软测量方法的建模步骤 建立出该模型所对应 的软仪表 最终实现青霉素发酵过程中不直接可测量的软测量 3 2 青霉素发酵原理分析 3 2 1 微生物发酵分类 狭义的发酵是指在厌氧条件下葡萄糖通过酵解途径生成乳酸或乙醇等的分解代谢 过程 广义的发酵则将发酵看作是微生物把一些原料养分在合适的发酵条件下 经过特 定的代谢途径转变成所需产物的过程 微生物发酵的目的各有不同 有些是以大量增殖 微生物菌体为目标 例如酵母菌发酵 有些则是希望在微生物生长的同时 产生大量 目标代谢产物 例如青霉素发酵 微生物发酵是一个复杂的 不确定的 非线性的动 态生化反应过程 其影响因素很多 机理十分复杂 2 8 o j 按照不同的分类标准 微生物发酵过程可以分为不同的类型 东南大学硕士学位论文 1 按照发酵动力学分类 从发酵产物动力学角度分析 根据产物的形成是否与菌体生长同步关联 p i r t 将产 物形成动力学分为生长关联型和非生长关联型 1 生长关联型 生长关联型是指产物的形成与基质消耗或菌体生长有直接的关系 在菌体生长的同 时 产物亦成比例地开始形成 产物直接来源于产能的初级代谢 代谢产物的生成与细 胞的生长是同步的 属于此类型的反应有单细胞蛋白 乙醇 葡萄糖酸 乳酸等的生产 2 非生长关联型 非生长关联型是某些发酵过程 产物的生成与基质消耗和菌体生长无直接联系 只 与细胞的积累量有关 产物是在基质消耗和菌体生长之后 菌体细胞利用中间代谢反应 来形成的 即产物的形成和初级代谢是分开的 属于此类型的有抗生素 微生物毒素等 代谢产物的生成 2 按照发酵方式分类 从发酵过程的操作方式上分析 一般的发酵过程可分为分批发酵 连续发酵和补料 分批发酵三种 1 分批发酵 分批发酵又可称为间歇发酵或批式发酵 是最常见 最简单的操作方式 指将发酵 培养基一次性投入发酵罐 经灭菌 接种和发酵后再一次性的将发酵液放出的一种操作 方式 在发酵过程中 除了不断通气和发酵尾气的排出及因调节p h 需加酸或碱外 整 个系统与外界没有其他物资的交换 目前 发酵工业的产品往往适合用此方式生产 因 此 间歇操作在生化反应中占有重要地位 分批发酵的优点是操作简单 周期短 劳动强度大 每批发酵结果都不完全一样 长不利 投资低 不容易染菌 缺点是生产能力低 反应过程中 有害代谢产物积累 对细胞生 2 连续发酵 连续发酵是指把新鲜的培养基连续地供给均匀混合的发酵系统 同时又以相同的速 度把含有细胞和产物的发酵液从发酵系统中抽出便可使发酵过程连续化 并且使发酵罐 内的液量维持恒定不变 使培养物在近似恒定状态下生长的培养方法 连续发酵易于控制 可以长期连续进行 生产能力可达分批发酵的数倍 因此是工 业中大规模生产的理想方式 但连续发酵的缺点是操作控制要求高 设备投资高 原料 利用率低 产物浓度低 易发生杂菌污染和菌种变异等问题 目前连续发酵已在酵母生 产 啤酒发酵和溶剂发酵等生产中应用 在抗生素发酵中应用还不多 3 补料分批发酵 补料分批发酵又称为流加发酵 f e d b a t c hf e r m e n t a t i o n 是在经过灭菌的发酵罐中 加入一定体积并含有生长限制性基质的无菌培养基 接种后进行培养 培养到一定时间 一般是菌体浓度达到最大值时或基质浓度消耗怠尽时 开始以恒定的或变化的速率 1 6 第三章多种青霉素发酵模型结构及其软仪表 补入含有生长限制性基质的培养基进行培养 补料直至培养液的体积达到额定值为止 有的操作在发酵过程中定时释放一定体积的发酵液 补料分批发酵兼有分批发酵和连续发酵二