ART2神经网络辨识发酵过程的不同阶段

传统划分菌体生长时期是建立在菌体浓度的基础上，并未考虑菌体生长过程中的影响因素。本文在分析菌体生长过程的基础上，建立了ART2神经网络来实时判断菌体所处的生长阶段。模型的特征向量采用菌体浓度以及反映菌体生长状况的呼吸参数和其所处的环境因素参数。实验表明，该方法能准确地判断菌体所处的生长阶段。     

基于CPSO与LSSVM融合的发酵过程软测量建模

发酵过程是一个复杂的时变、非线性、强耦合过程.发酵过程中的关键参量菌体浓度通常难以用传统物理传感器实时在线检测.为了测量该参数,将CPSO算法与LSSVM相结合构建发酵过程软测量模型.模型采用CPSO算法优化LSSVM软测量模型参数,克服了常规交叉验证法选取参数的耗时和盲目性.仿真结果表明,CPSO-LSSVM软测量模型较LSSVM软测量模型更能在较短的时间内获得较高的收敛精度,其平均误差为2.05％,说明该软测量模型可用于发酵过程不可在线测量的菌体浓度的实时在线软测量,并且预测精度高,预测速度快,预测能力强.该软测量建模方法也为发酵过程其他关键参量的实时在线测量提供了新的途径.     

酶发酵过程优化控制研究

本文应用模糊集理论，提出了酶发酵过程的模糊优化控制方案。针对该发酵过程经验性强且无定量描述数学模型的特点；采用模糊聚类方法对发酵过程进行微生物菌体生长阶段的在线划分；利用优化试验找出主要控制因素的最佳时间序列结构，建立了重要控制因素ＰＨ值的模糊模型，对通氨最佳时机和通氨量实现模糊智能控制。     

基于多"内在传感器"逆的诺西肽发酵过程生化参数软测量模型

针对诺西肽发酵过程中关键生化参数难以在线测量的问题,提出了一种基于多“内在传感器”逆的软测量模型。在诺西肽发酵过程非结构模型的基础上,建立了多个包含在原系统中的“内在传感器”子系统。经过数学推导证明了各子系统的可逆性,并利用神经网络分别拟合各子系统的逆,实现了诺西肽发酵过程中菌体浓度和基质浓度的软测量。实际应用表明,该软测量模型能够较好地预估菌体浓度和基质浓度,其平均相对误差都在5%以内,且所提软测量建模方法是有效的。     

发酵过程的控制

发酵过程包括大量复杂的生化反应和迁移现象.发酵过程中底物浓度、菌体浓度、产物浓度随时间变化,发酵液物料的性质,如密度、黏度、流变学特性、表面张力、氧及其他性质如扩散系数、氧饱和浓度也随时间变化.由于一系列分解代谢和合成代谢的结果,引起了温度、pH、溶解氧、氧化还原电位、排气二氧化碳和排气氧的变化.为了能够有效地控制发酵,就需要获得发酵过程变量的变化信息,对发酵过程参数的变化进行检测.     

在线溶解氧分析仪的测量原理及维护

在污水处理过程中．通过增加污水中的氧含量使污染物通过活化泥浆被分解出来．达到污水净化的目的．在线测量氧含量有助于确定最佳的净化方法和最经济的曝气池配置。在生物发酵过程中氧含量的测量数据可对工艺过程进行指导．如判断发酵过程的临界氧浓度、发酵罐的供氧能力以及菌体的活性和菌体的生长量等并根据发酵时的供氧和需氧变化来指导补料操作。     

基于tPSO-BPNN的赖氨酸发酵软测量

赖氨酸发酵过程是一个复杂的非线性强耦合动态过程。某些发酵过程关键生物参数(如菌体浓度、基质浓度、产物浓度)难以实时在线检测。采用软测量技术可解决这一难题。建立了用于生物参数状态预估的tPSO-BPNN软测量模型。针对BPNN软测量模型易陷入局部极小值,进化后期收敛速度慢以及全局搜索能力弱等缺陷,tPSO-BPNN软测量模型采用带极值扰动粒子群(tPSO)算法优化BP神经网络权值和阈值。仿真结果表明,tPSO-BPNN软测量模型的性能优于BPNN软测量模型,能够准确预估赖氨酸发酵过程中的关键参数,具有较高的精度和良好的应用前景。     

诺西肽发酵过程中的混合建模

本文提出了一种发酵过程混合建模方法。该模型由基于质量平衡的发酵过程机理方程与基于数据的支持向量机模型2部分组成。机理方程作为描述过程的动态行为的整体框架，支持向量机模型用来进行模型参数的估计。并且提出了一种在线修正策略，增强了模型的实用性。将所建立的混合模型应用于诺西肽发酵过程中，结果表明，混合建模方法具有很好的估计性能。     

加权方法在基于灵敏度分析的模型修正中的应用

基于灵敏度分析的模型修正在解决工程实际问题时,修正效果并不理想。研究了加权方法在模型修正中的应用。引入加权矩阵Wf,用来设定不同残差所占的权重;在优化目标中加入修正参数变化值,即在优化目标残差最小化的同时,要求修正参数的变化也最小,引入加权矩阵Wp,通过改变Wp的大小来限制修正参数的变化。对铝基复合材料安装架结构进行模型修正,可以看出引入Wf、Wp后模型修正效果更好。     

基于CPSO的混合核LSSVM生物发酵软测量建模

针对赖氨酸发酵过程非线性、强耦合及关键参数难以在线实时测量等问题,将混合核函数概念引入最小二乘支持向量机中,提出了一种基于混合核LSSVM的软测量建模方法。该方法采用混合核函数代替传统的RBF核作为支持向量机的核函数建立模型,并利用全局搜索能力较强的混沌粒子群优化（CPSO）算法对模型参数进行了寻优处理。仿真结果表明,该方法建立的软测量模型可以实现对发酵过程中的菌体浓度C、基质浓度S及产物浓度P等参量的在线实时预测,在改善了模型全局性的同时也提高了预测精度。     

基于建模误差PDF形状的间歇过程数据驱动模型

间歇过程的优化控制依赖于过程精确的数学模型,数据驱动的建模方法是目前间歇过程模型研究中的热点问题.突破传统数据驱动建模方法中采用均方差(mean squared error,MSE)作为准则函数的思想,提出一种新颖的间歇过程数据驱动建模方法,引入了概率密度函数(probability density function,PDF)控制的概念,构造间歇过程模型误差控制系统,将模型的可调参数作为控制系统的输入,模型误差PDF的形状作为控制系统的输出,从而把开环模型参数辨识问题转化为模型误差PDF形状的闭环控制问题.通过可调参数控制模型误差PDF的空间分布状态,不仅能够保障模型精度,还可控制模型误差的空间分布状态,从而消除模型中的有色噪声.仿真实验表明,基于模型误差PDF形状的间歇过程数据驱动模型具有较好的建模精度、鲁棒性和泛化能力,为间歇过程的数据驱动建模提供了一条新途径.     

基于SVDD的多时段间歇过程故障检测

支持向量数据描述(SVDD)不要求过程数据满足正态分布,已应用于间歇过程故障检测。现有的SVDD间歇过程故障检测方法采用聚类分析和模型识别划分间歇过程时段,多时段划分的准确性较低,制约了多时段间歇过程故障检测精度的提高。针对上述问题提出了一种基于SVDD的多时段间歇过程故障检测方法,利用SVDD的超球体半径值与支持向量个数的变化划分间歇过程的多时段,并建立了不同时段的SVDD故障检测模型,使用待检测样本点的球心距与对应时段的超球体半径之差检测过程故障,实现了多时段间歇过程的时段划分与过程故障检测。发酵过程仿真实验和实际生产实验结果表明,该方法能够准确地划分间歇过程的多时段,并且能够针对不同时段进行故障检测,具有较高的检测率。     

Digital image processing as a tool to monitor biomass growth in Aspergillus niger 3T5B8 solid-state fermentation: preliminary results

The estimation of biomass is an essential parameter for controlling fermentation processes. However, monitoring biomass growth in filamentous fungi solid‐state fermentation is laborious. The aim of this study was to provide a better insight into the monitoring of biomass growth in Aspergillus niger 3T5B8 solid‐state fermentation using a digital image‐processing technique. The images were acquired with a stereomicroscope and a digital camera, and processed using KS400 software. Growth was evaluated every 24 h for 5 days, and quantified as the total area occupied by the hyphae. The correlation between the results of the proposed methodology and the polygalacturonase data was greater than 0.9, showing that a direct and linear relationship can be expected among these parameters. This work indicates that the digital processing technique can be used for indirect biomass estimation in a solid‐state fermentation process.     

专家系统在发酵过程生物量智能检测中的应用

发酵过程是一个机理复杂的生化反应过程,对于其中无法在线检测而又起着关键作用的生物量参数,软测量技术是很好的解决途径.在生物量软测量建模的过程中,由于发酵过程分类繁杂,机理模型众多,因此适合用人工智能.专家系统来解决这类问题.本文给出了应用于发酵过程软测量混合模型划分的专家系统的结构,阐述了该专家系统知识库和推理机的构建,该系统为发酵过程软测量混合模型的划分提供了一种新的途径.     

改进MKPCA方法及其在发酵过程监控中的应用

针对间歇发酵过程缓慢时变和非线性等特点,提出一种基于滑动窗技术的多向核主元分析(MWMKPCA)方法.该方法结合了核主元分析(KPCA)和滑动窗口技术的优点,其中KPCA能有效解决过程数据的非线性问题,保证数据信息抽取的完整性;而滑动窗口技术能有效避免MKPCA在线应用时预报未来测量值所引入的误差,提高监控性能.对于已判断正常的新批次过程数据,将其加入模型参考数据库进行更新,从而提高间歇过程性能检测的准确性.将该方法应用到工业青霉素发酵过程的监控中,并与MPCA、MKPCA方法的监测性能进行了比较.结果表明:该方法能有效提取过程变量间的非线性关系,降低运行过程的误报率,对缓慢时变的间歇过程具有更可靠的检测性能.     

基于PSO-SVM的关键生物参数软测量方法研究

微生物发酵过程中一些关键生物参数难以实时在线测量,严重影响发酵的优化控制。为解决关键生物参数的测量难题,采用了一种基于PSO-SVM的软测量方法。该方法利用粒子群优化(PSO)算法优化选择支持向量机(SVM)的最佳参数,并建立了基于PSO-SVM的软测量模型。利用赖氨酸发酵的数据对模型进行仿真验证,结果表明该模型具有很好的学习精度和泛化能力。另外在建模耗时上,PSO-SVM算法所用时间远少于标准SVM算法所用时间。     

基于神经网络逆系统的发酵过程多变量解耦控制

发酵过程是时变、非线性、不确定的多变量耦合系统，高性能的解耦控制一直是追求的目标。将逆系统方法与神经网络相结合，提出了一种基于神经网络逆系统的发酵过程解耦控制方法。根据发酵过程的特点，给出了相应的数学模型，并证明了系统的可逆性，进一步构造神经网络逆系统并与发酵系统串联复合成伪线性系统，再设计线性闭环调节器实现高性能解耦控制。仿真结果表明，提出的解耦控制方法能够适应过程模型的不确定性和参数的时变性，具有较强的鲁棒性，克服了解析逆系统解耦控制方案依赖于过程模型和对模型参数的变化很敏感的缺点。     

两级神经网络的故障诊断方法及其在生化过程中的应用

针对具有不能在线检测变量的生化过程 ,提出了一种两级神经网络的故障诊断方法。一级神经网络利用可检测的过程数据建立不可检测量的软测量模型 ;二级神经网络利用软测量模型的估计量进行分析、故障的诊断和分类。最后 ,将这一方法应用到了谷氨酸发酵过程的故障诊断之中 ,并给出了实验研究结果     

光电稳定平台伺服系统动力学建模与参数辨识

针对光电稳定平台伺服系统模型参数辨识问题,提出了线性和非线性模型参数分离辨识方法。在线性模型参数辨识过程中,利用差动逆M序列信号作为输入,相应的响应信号作为输出,并应用最小二乘方法辨识线性离散模型参数,从而降低非线性因素的影响。在非线性模型参数辨识过程中,以LuGre摩擦模型为基础,针对摩擦和不平衡质量相互耦合的问题,提出了考虑不平衡质量的LuGre模型静态参数辨识方法;然后,利用电流信号作为摩擦力测量值,对LuGre模型动态参数进行辨识,得到包含不平衡质量和动态摩擦的系统非线性部分模型参数。构建了单轴光电稳定平台实验系统,利用本文提出的方法对实验系统动力学模型参数进行了辨识。结果表明:质量不平衡力矩的辨识值为0.183N·m,略高于理论值0.18N·m,满足辨识精度要求。实验证实提出的辨识方法可以实现对模型线性与非线性参数的有效辨识。