基于人工智能的生物发酵控制系统方法

研究发酵控制优化问题,发酵控制系统是一个复杂的大时延系统,发酵过程具有动态性、时变性,传统难以获得较高的控制精度.为了提高生物发酵控制精度,提出一种人工智能的生物发酵控制算法.采用神经网络的智能性捕捉发酵过程的时变性、动态性变化特点,并采用智能算法中的粒子群算法对控制模型参数进行快速优化,最后采用仿真对控制系统进行测试.仿真结果表明,提出算法提高了生物发酵控制系统的控制精度高,系统鲁棒性强,为生物发酵控制优化设计提供了参考.     

基于模糊PID控制的生物发酵温度过程控制系统

根据生物发酵过程中温度的特性，采用模糊PID控制算法对发酵过程中温度进行自动控制，并利用MATLAB的Simulink和Fuzzy工具对模糊PID温度过程控制进行了仿真。实际运行结果表明：与常规PID控制相比，该方法提高了控制精度并减少了静态误差，缩短了调节过程时间，使发酵温度更有效地保持在生物发酵的最适范围，从而提高了产物产量，表明了模糊PID的优越性。     

发酵过程建模与优化控制的研究

针对发酵过程的时变性和强非线性,本研究采用神经网络对发酵过程建模,在线预测某些重要生物参数,并以这些生物参数的预测值为指导,使用遗传算法(GA)在线优化主要的环境参数,确定各参数的最优轨线来控制发酵过程,并构建了由PC机和单片机组成的发酵优化控制的监控系统.实验表明,该控制系统应用于实际发酵生产过程能有效提高发酵生产效率.     

基于ARM7的智能生物发酵模糊控制系统

基于ARM7和模糊控制算法开发的生物发酵智能控制系统。软件设计中移植了μC/OS-II操作系统,采用多任务程序设计方法设计,大大降低了编写程序的复杂度。针对生物发酵控制过程中的时变性、非线性、延时性、随机性等特点,提出采用模糊逻辑控制技术来实现系统的控制。在一定程度上解决了传统控制方法不易得到系统数学模型、难于对控制系统进行有效控制的不足。     

基于蓝牙技术的生物发酵控制系统研究

生物发酵是一个多控制参数、非线性、强耦合的复杂控制系统;深入分析生物发酵过程,构建了基于蓝牙无线通讯技术的数据采集通讯网络系统,并采用C++编程技术开发上位机监控界面,实现了控制系统各设备间的无线通信,解决了传统生物发酵控制系统中设备间搭建诸多电缆的复杂现场连线的问题,为生物发酵工业现场的数据采集与控制提供了一套可行的蓝牙多机通讯方案;实验表明,系统稳定可靠,各项参数满足控制要求,实现了对发酵过程的远程实时监控。     

基于ARM9的生物发酵智能控制系统

介绍了基于ARM9内核和模糊神经网络的生物发酵智能控制系统.ARM9使用方便、实时性好,有利于复杂系统的控制.针对生物发酵控制过程中的时变性、非线性、延时性、随机性等特点,提出了采用基于遗传算法的模糊神经网络控制方法,该控制方法结合了遗传算法、模糊理论及神经网络的优点,在一定程度上解决了传统控制方法不易得到精确数学模型,难于对系统进行有效控制的不足.实验仿真表明:该系统具有较强的鲁棒性,能够达到预期的控制效果,可以实现对发酵系统进行有效控制.     

发酵过程实时监测与控制系统的研究

介绍了一种生物发酵过程实时监测与控制系统设计的新思路，通过对以传统仪表为主、容量为14L的发酵罐控制系统的技术改造，设计完成了发酵过程的计算机实时监测与控制系统，提出了一种发酵过程生物参数的软测量方法，为发酵过程建模及其优化控制的进一步研究提供了技术平台。     

基于连续隐Markov 模型的发酵过程软测量方法

针对生物发酵过程中一些生物参量难以用仪表进行在线检测的问题,提出一种基于连续隐Markov模型（CHMM）的发酵过程软测量建模方法.为减少建模过程的计算量,提出了改进最小分类误差准则,用于CHMM软测量模型参数估计.为避免软测量结果在发酵过程监测与控制实际应用中存在的盲目性,提出了在线评价软测量结果可靠性的可信度评价指标.实验结果表明了所提出方法的有效性以及可信度评价指标的实际意义.     

基于ARM内核的生物发酵温度PID-NN控制系统

采用基于ARM内核的嵌入式系统开发了生物发酵温度控制系统.软件设计中移植了pC/0S-Ⅱ实时操作系统,采用多任务程序设计方法设计,大大降低了编写程序的复杂度.针对生物发酵过程中温度的时变性、非线性、随机性等特点,提出了一种基于神经网络与PID相结合的PID-NN控制算法,在一定程度上解决了传统PID不易在线实时整定参数,难于对控制系统进行有效控制的不足.实验结果表明,系统设计可靠,满足发酵过程对控温精度的要求.     

引力搜索算法在青霉素发酵模型参数估计中的应用

针对生物发酵过程难以精确估计模型参数的问题,提出一种利用引力搜索算法(GSA)对青霉素发酵非构造式动力学模型参数进行估计的方法。在分析发酵过程反应机理的基础上,选取合适的青霉素发酵非构造式动力学模型的状态方程式;然后利用GSA良好的全局搜索能力,对状态方程式的参数进行估计,从而得到精确的发酵模型。仿真结果表明：GSA实现了对青霉素发酵过程模型参数的准确估计,所得到的模型精度能够满足青霉素发酵过程的状态估计和控制需求。因此,GSA可有效地应用于模型参数估计。     

Phase-based supervisory control for fermentation process development

Supervisory control of fed-batch fermentation processes is a difficult problem because the process is inherently non-linear, operated at unsteady state, and often poorly modeled. This problem is exacerbated in laboratory and pilot-plant applications due to lack of historical data from similarly operated batches. In this paper, we propose an approach for the supervisory control of fed-batch fermentation during process development. Transitions in the process are explicitly modeled and characterized using simple multivariate rules. Online data is then used to identify the occurrence of transitions and thus track the process across different phases. Supervisory control actions such as sequence control, phase-specific regulatory controllers and alarm settings are then subsequently executed based on this knowledge of the current phase. One key advantage of this approach is that it does not require detailed process knowledge or extensive process data and is thus well suited for application in process development. This approach has been implemented as an online expert system, called iProphet, and successfully tested on two laboratory-scale process development case studies—a bacterial (Escherichia coli) fermentation and laboratory-scale yeast (Pichia pastoris) fermentation. The approach and results from the two case studies are presented.     

青霉素发酵过程建模研究

青霉素发酵过程是一种具有非线性、时变性的复杂生化反应系统,由于一些生物参数在线检测困难,许多生化过程的代谢途径尚不明确,难以建立精确数学模型.而神经网络具有非线性、多变量、自学习、并行处理等特点,用于非线性系统的建模具有无可比拟的优势.因此,以青霉素发酵过程生化机理模型产生的数据为样本,训练RBF神经网络,建立了基于RBF神经网络的发酵过程模型.该模型可用于发酵过程中状态变量的估算与预测,并且可估计底物、产物、菌体浓度的变化趋势,对实际工作具有指导意义.     

基于栈式降噪自编码器的发酵过程回归建模

精确有效的发酵过程模型不仅能够定量揭示过程信息间的关联,实现对难以实时监测变量的预测,而且是进一步控制和优化的前提;基于数据驱动的发酵过程建模方法得到了广泛研究与应用,然而其仅考虑发酵过程的非线性特征和数据具有多采样率的特点,忽略了过程数据中测量噪声对模型的影响;为此,提出基于栈式降噪自编码器的发酵过程回归建模方法,该方法不仅具有较强的非线性拟合能力,半监督的学习策略也能够充分挖掘发酵过程中的所有数据信息,同时可以从含噪声的过程数据中提取出鲁棒性的特征,使模型具有噪声适应性;通过青霉素仿真对比实验结果表明,该模型的预测性能更好.     

基于PSO算法的微生物间歇发酵动力学参数辨识

主要根据微生物间歇培养过程的特征、动态行为及实验数据,建立了能够更好反映间歇发酵过程的简化的多阶段参数辨识模型,然后证明了该模型中最优参数的存在性;最后结合模型特点构造了一种改进的粒子群优化（PSO）算法求得最优参数,并利用所得的参数进行过程仿真。结果表明该模型和算法大大减少了实验数据和计算数值之间的误差,能够更好地模拟微生物间歇发酵过程。     

基于Marquardt和Runge-Kutta算法的发酵过程建模

利用简单的线性模型很难描述发酵这类复杂的非线性动态过程,因此需要利用非线性方法对该类过程进行建模。为此,提出了利用基于Marquardt算法的非线性回归方法和基于四阶Runge-Kutta算法的非线性微分方程求解方法对发酵过程进行建模分析;并进一步利用统计方法分析了该非线性回归方法的有效性。该方法应用于黄酒发酵过程中,实现了黄酒发酵过程模型的求解和模型参数的动态优化。     

High-resolution low-cost optoelectronic instrument for supervising grape must fermentation

In a globalized world, the quality–cost ratio for wine is a key factor for winemakers in order to be competitive. Therefore, the fermentation process of grape must should ideally be continuously supervised to achieve a wine that meets the expected quality standards, avoiding undesirable states which may contribute to raise the cost. However, the traditional procedure followed by winemakers to monitor the fermentation process is not automated as winemaking is monitored manually by enologists, who must extract and analyze fermenting must samples at least twice a day from each fermentation tank during the whole fermentation process. An optoelectronic device has been developed in order to contribute to the automation of the wine fermentation process. It is capable of measuring both the fermentation kinetics and the maceration of wine during the whole fermentation by means of refractometric techniques and absorbance measurements in the visible spectrum, respectively. Moreover, as the refractive index is not measured by enologists during the fermentation (they rely on density measurements instead), it has been validated as an indicator for monitoring the fermentation kinetics according to both predictions derived from analytical calculations and from experimental data obtained in several fermentations with the optoelectronic device and other analytical techniques. The system consists of a laser diode and a PSD (position sensitive detector) for refractive index measurements, LEDs and photodiodes for color measurements, and a temperature sensor useful to reference the data to 20 °C. It also comprises a frame holder, some conditioning circuits and a data acquisition board.     

多粘菌素补料分批发酵过程pH值的优化控制

针对补料分批发酵过程pH值优化轨迹难以确定和控制的问题,为了获取pH值的优化轨迹并加以有效控制,利用神经网络非线性预测控制方法结合遗传算法寻优设计基于动态数据交换的VB,Excel和Matlab的发酵过程优化软件平台;通过该优化软件平台找到多粘菌素发酵过程pH值的优化轨迹;对它采用参数自调整模糊控制方法,使之按优化轨线变化.统计多粘菌素10批次优化控制发酵生产结果,发酵时间平均缩短5 %,提高产量3 %.     

Batch process monitoring with tensor factorization

A batch process monitoring method using tensor factorization, tensor locality preserving projections (TLPP), is proposed. In many existing vector-based methods on batch process monitoring such as MPCA and MLPP, a batch data is represented as a vector in high-dimensional space. But vectorizing batch data will lead to information loss. Essentially, a batch data is presented as a second order tensor, or a matrix. In this case, tensor factorization may be used to deal with the two-way batch data matrix directly instead of performing vectorizing procedure. Furthermore, tensor representation has some advantages such as low memory and storage requirements and less estimated parameters for normal operating condition (NOC) model. On the other hand, different from principal component analysis (PCA) which aims at preserving the global Euclidean structure of the data, the TLPP aims to preserve the local neighborhood information and to detect the intrinsic manifold structure of the data. Consequently, TLPP may be used to find more meaningful intrinsic information hidden in the observations. The effectiveness and advantages of the TLPP monitoring approach are tested with the data from a benchmark fed-batch penicillin fermentation and two industrial fermentation processes, penicillin and cephalosporin, respectively.     

基于注意力LSTM的多阶段发酵过程集成质量预测

考虑到发酵过程的动态特征对阶段划分的影响,为提高模型预测精度,提出一种基于注意力LSTM的多阶段发酵过程质量预测方法.首先,将原始三维数据沿批次展开,对每个时间片矩阵进行偏最小二乘(PLS)分析得到表征过程变量的得分矩阵和表征质量变量的得分矩阵,采用仿射传播(AP)聚类算法将联合得分矩阵进行聚类,实现第1步划分;然后,...     

沼气工程工艺参数的优化模型研究

在采用单层产、储气一体化发酵罐体的沼气工程中,发酵温度大多控制在固定设置值左右,容易受到外界环境温度影响,缺乏适应发酵工程及环境变化的工艺参数,直接影响高温厌氧发酵工程控制和优化水平的提高.为了解决上述问题,本文利用发酵罐内温度、环境温度和日均产气量建立线性回归模型,以模型预测为依据适时调整工艺参数,满足工厂化生产的实际控制需求.在实际应用中,结果表明该模型在一定程度能够优化工艺参数,指导沼气工程的智能控制.