微生物发酵过程GD-FNN软测量建模与实现

摘要

微生物发酵是一个非常复杂的生化反应过程，具有高度的非线性、时变性和不确定性。其发酵过程的关键生物参数，如基质浓度、菌体浓度及产物浓度等，难以实时在线测量，因而对整个发酵过程进行优化控制非常困难。采用软测量技术是解决上述问题的有效途径。
　　 本文以海洋蛋白酶发酵过程为研究对象，在分析径向基神经网络、模糊神经网络、动态模糊神经网络软测量建模方法的理论基础上，提出了一种基于广义动态模糊神经网络的软测量建模方法。广义动态模糊神经网络算法基于椭圆基函数，与径向基函数接收域相比，椭圆基函数接收域提供了更灵活、更广泛的非线性变换来逼近任意一个非线性系统;同时，该算法以模糊ε-完备性作为在线参数的分配机制，避免了初始化选择的随机性;另外，该算法还对模糊规则及输入变量的重要性作出了评价。
　　 为了验证基于广义动态模糊神经网络的软测量建模方法具有良好的预测性能，文中根据广义动态模糊神经网络算法，对海洋蛋白酶发酵过程关键生物参量进行了软测量建模，并与基于径向基神经网络、动态模糊神经网络的软测量方法进行了比较。结果表明，基于广义动态模糊神经网络的软测量建模方法在学习速率与预测性能方面具有突出的优势。
　　 另外，为了满足微生物发酵过程实时监测和优化控制的要求，文中建立了基于WinCC的微生物发酵过程智能监视系统。由于MATLAB不能与现场工控设备进行直接数据通信，无法对软测量模型预测出的关键生物参数估计值进行实时监视。文中结合MATLAB和组态软件WinCC各自的优势，用动态数据交换技术实现了MATLAB与WinCC之间利用Excel的实时数据通讯，并在WinCC中组态了海洋蛋白酶发酵过程中主要参数的实时显示画面。应用结果表明，通过动态数据交换技术连接MATLAB与WinCC编程效率高，通用性强;利用组态软件WinCC建立微生物发酵过程智能监视系统，组态方便、灵活，为微生物发酵过程的优化控制奠定了基础。

目录

声明

摘要

1 绪论

1．1 研究背景与意义

1．2 软测量技术概述

1．3 软测量建模方法研究现状

1．4 本文研究的主要内容

2 动态模糊神经网络方法

2．1 引言

2．2 人工神经网络

2．2．1 人工神经网络简介

2．2．2 人工神经网络模型

2．3 径向基神经网络

2．3．1 径向基神经网络简介

2．3．2 径向基神经网络的结构

2．3．3 径向基神经网络的基本算法

2．4 模糊系统

2．5 模糊神经网络

2．5．1 模糊系统与神经网络的结合

2．5．2 模糊神经网络的结构

2．5．3 模糊神经网络的特点

2．6 动态模糊神经网络

2．6．1 动态模糊神经网络的结构

2．6．2 动态模糊神经网络的学习算法

2．6．3 动态模糊神经网络的特点

2．7 本章小结

3 广义动态模糊神经网络方法

3．1 引言

3．2 广义动态模糊神经网络的结构

3．3 广义动态模糊神经网络的特点

3．4 广义动态模糊神经网络的基本算法

3．5 本章小结

4 微生物发酵过程软测量建模

4．1 引言

4．2 海洋蛋白酶工艺简介

4．3 数据预处理

4．3．1 过失误差数据剔除

4．3．2 数据归一化

4．4 辅助变量的选择

4．5 基于径向基神经网络软测量建模

4．5．1 基于RBF神经网络软测量模型的训练

4．5．2 基于RBF神经网络软测量模型的验证

4．6 基于动态模糊神经网络软测量建模

4．6．1 基于D-FNN软测量模型的训练

4．6．2 基于D-FNN软测量模型的验证

4．7 基于广义动态模糊神经网络软测量建模

4．7．1 基于GD-FNN软测量模型的训练

4．7．2 基于GD-FNN软测量模型的验证

4．8 本章小结

5 基于WinCC的微生物发酵过程智能监视系统实现

5．1 引言

5．2 DDE技术

5．3 MATLAB与WinCC通讯的实现

5．3．1 WinCC简介

5．3．2 WinCC中的DDE设置

5．3．3 MATLAB仿真及DDE连接

5．4 发酵过程软测量参数在线监视

5．5 本章小结

6 总结与展望

6．1 工作总结

6．2 展望

参考文献

致谢

攻读硕士期间主要参加的科研项目及研究成果