基于数据的生化过程混合建模方法研究

摘要

生化工业在我国的经济地位中占据了重要地位，随着经济和计算机技术的发展，人们对其过程的自动化要求也越来越高。通过智能算法和计算机技术融合优化生化工业过程自动化程度的研究日益受到重视。而生化过程的建模是其过程得到控制与优化的前提，由于生化过程是一个非线性、过程极为复杂的工业过程，对其进行建模要求较高，是单一数学模型所不能满足的，所以，研究基于数据的生化过程混合建模具有极为重要的理论价值和现实意义。
　　 本论文的研究内容是国家自然科学基金项目“基于数据的生化过程自适应建模和多目标协同优化控制研究”的一部分，主要以青霉素补料分批发酵过程为例，研究基于最优加权融合估计算法的混合建模方法，所做的主要工作如下:
　　 (1)机理模型仿真研究。学习研究基于Birol的青霉素发酵过程非结构动力学模型，分析各种参量间的机理关系，为建立软测量模型奠定基础。尽管机理模型能很好反应生化过程各种平衡关系，但存在环境条件要求苛刻、参数难以确定而导致的建模精度不高问题。
　　 (2)基于数据的软测量建模。通过对生化过程数据的分析，研究基于最小二乘支持向量回归(Least Squares Support Vector Regression，LSSVR)软测量模型建模方法。实现对青霉素发酵产物浓度、菌体浓度和基质浓度三个状态变量的预估，预测精度较高。但基于LSSVR建立的软测量模型属于“黑箱”模型，是通过采集数据直接建立发酵过程模型，不需任何先验知识，在一定程度上得到了较好的预测结果，但是，这种完全抛弃先验知识的建模方法有一定的局限性。
　　 (3)基于最优加权策略的混合建模。首先，根据最小二乘支持向量回归模型和Birol的非结构动力学模型特点，初步确定单个模型权重;然后，在误差平方最小的情况下，求出它们在混合模型中的最优权重，得到最优加权融合预测模型。最后，通过实验证明该建模方法能够融合二者的优势，预测精度得到改善。
　　 (4)生化过程预测模型的可视化实现。基于上述原理，运用基于C++语言的Qt开发环境、MATLAB和SQLServer2005数据库等工具，设计开发了生化过程预测模型的可视化平台。该平台主要包括数据库和模型库两大模块，能够通过平台对模型进行选择，在线实现模型的基本参数设置、数据处理、数据存储和查询、生物变量图形显示、统计和报表等功能，为生化过程的优化控制提供决策依据。

目录

摘要

第一章 绪论

1．1 研究背景

1．2 生化过程建模概述

1．2．1 机理建模

1．2．2 黑箱建模

1．2．3 混合建模

1．3 研究目的和意义

1．4 本论文的主要研究内容和章节安排

1．5 小结

第二章 生化过程机理模型研究

2．1 生化过程机理

2．2 青霉素补料分批发酵过程机理建模

2．3 小结

第三章 基于数据的生化过程LSSVR软测量建模

3．1 引言

3．2 软测量方法在工业中的应用

3．3 支持向量机

3．3．1 支持向量机基本原理

3．3．2 支持向量机的改进算法

3．4 基于LSSVR建立青霉素发酵过程软测量模型

3．5 预测实验及结果分析

3．6 小结

第四章 基于最优加权融合估计算法的生化过程混合建模

4．1 引言

4．2 混合建模方法

4．2．1 最优加权融合估计模型

4．2．2 青霉素发酵过程混合建模

4．2．3 模型的在线校正

4．3 实验结果分析

4．4 小结

第五章 生化过程预测模型的可视化实现

5．1 软件需求分析

5．2 软件设计

5．2．1 数据管理模块

5．2．2 模型库管理模块

5．3 数据库的设计

5．3．1 数据库的选择及设计原则

5．3．2 数据表结构设计

5．4 系统实现

5．4．1 开发环境Qt介绍

5．4．2 系统可视化界面

5．5 小结

第六章 总结与展望

6．1 总结

6．2 展望

参考文献

致谢

攻读学位期间的科研成果

声明