青霉素发酵过程的左逆软测量方法研究与优化

摘要

生物发酵技术是增强国力和发展经济的关键技术之一，在丰富食品种类、确保食品安全，提高人们生活质量中扮演着重要的角色。随着发酵工业生产规模的不断扩大，发酵工业对在线检测技术的要求不断提高，实现发酵过程中关键生化参量的实时检测具有重要的意义。目前由于技术的限制或经济原因，一些关键生化参量如菌体浓度、基质浓度、产物浓度等难以实现在线检测，这给关键生物参量的直接优化控制带来了不便。
　　针对上述问题，本文采用神经网络左逆软测量方法解决发酵过程中关键生化参量的在线检测问题。然而在实际应用中，左逆软测量方法的模型建立存在许多问题，如当系统模型复杂或未知时，左逆模型难以获得;对于可测变量信息丰富的系统，“内含传感器”逆模型不唯一;以及传统数学关系下左逆模型不存在，这些问题直接影响了左逆软测量方法的检测精度和适用范围。为此本文以青霉素发酵过程为研究对象，利用PLS-VIP以及NN-MIV方法对左逆软测量方法进行改进和优化，具体研究工作如下:
　　(1)针对复杂非线性系统中一些关键参量难以实现在线检测的问题，提出了一种基于“内含传感器”逆的软测量方法。将其应用于青霉素发酵过程基质浓度和菌体浓度的在线检测中，取得了良好的效果。
　　(2)针对数学模型未知或过程复杂的非线性系统，提出了一种基于PLS-VIP的左逆软测量方法。将其应用于青霉素发酵中，得到基于数据驱动的左逆软测量模型，避免了“内含传感器”构造算法要求模型已知以及算法本身复杂导致逆模型难以推导的问题。
　　(3)针对一类具有多个左逆软测量模型的非线性系统，提出了一种基于PLS-VIP的左逆软测量优化方法。将其应用于青霉素发酵过程关键生物参量的在线检测中，结果表明:该方法能较好的筛选出最优左逆软测量模型，实现菌体浓度和基质浓度的在线检测。
　　(4)针对复杂系统内部内含传感器不存在的问题，提出了一种基于统计逆的软测量方法。该方法严格考虑过程参量之间的微观关系，避免了模型建立仅仅取决于过程参量之间宏观关系的问题，为复杂系统中重要参量的实时估计提供了新的思路，并在青霉素发酵过程中得到验证。
　　(5)针对一类复杂多变的非线性系统，提出了一种新的软测量方法。该方法重新定义了辅助变量对主导变量的贡献率，首次提出利用内部贡献率和外部贡献率确定软测量模型的最优辅助变量，并在青霉素发酵过程中得到验证。
　　上述方法都通过Pensim青霉素发酵仿真平台进行了验证。结果表明，所提方法都能较好的解决左逆软测量方法中存在的问题，提高了模型的预测精度，研究成果可为左逆软测量方法的实际应用提供基础。

目录

声明

摘要

第一章 绪论

1．1 研究背景及意义

1．2 软测量技术概述

1．3 软测量建模方法

1．3．1 基于工艺机理分析的软测量建模

1．3．2 基于状态观测方法的软测量建模

1．3．3 基于回归分析的软测量建模

1．3．4 基于模糊理论的软测量建模

1．3．5 基于模式识别方法的软测量建模

1．3．6 基于神经网络的软测量建模

1．4 主要工作及内容安排

第二章 基于“内含传感器”的神经网络左逆软测量方法

2．1 引言

2．2 “内含传感器”逆软测量原理

2．3 神经网络左逆软测量方法的实现

2．4 本章小结

第三章 基于神经网络左逆的青霉素发酵过程软测量

3．1 引言

3．2 青霉素发酵模型以及可逆性分析

3．2．1 青霉素发酵模型

3．2．2 可逆性分析

3．3 软测量结果分析

3．3．1 Pensim仿真软件介绍

3．3．2 仿真结果分析

3．4 本章小结

第四章 基于PLS-VIP的左逆软测量方法研究与优化

4．1 基于PLS-VIP的青霉素发酵过程左逆软测量建模

4．1．1 引言

4．1．2 PLS-VIP理论原理

4．1．3 青霉素发酵过程的PLS-VIP左逆软测量模型

4．1．4 本节小结

4．2 基于PLS-VIP的青霉素发酵过程左逆软测量优化

4．2．1 引言

4．2．2 青霉素发酵过程的左逆软测量模型优化

4．2．3 本节小结

4．3 基于统计逆的青霉素发酵过程产物浓度软测量

4．3．1 引言

4．3．2 统计逆概念以及证明

4．3．3 基于统计逆的产物浓度软测量模型

4．4 本章小结

第五章 基于NN-MIV变量筛选的青霉素发酵逆软测量方法

5．1 引言

5．2 基于MIV的神经网络变量选择方法

5．2．1 平均影响值(MIV)

5．2．2 神经网络变量选择方法

5．2．3 基于MIV的神经网络变量选择方法

5．3 软测量结果分析

5．3．1 变量筛选

5．3．2 建立软测量模型

5．4 本章小结

第六章 总结与展望

6．1 总结

6．2 研究展望

参考文献

致谢

攻读硕士期间取得的成果

附录