CN101763036A - 基于模糊神经网络的赖氨酸发酵过程补料预测控制***及方法 - Google Patents

Abstract

种基于模糊神经网络的赖氨酸发酵过程补料预测控制方法及***。该控制方法首先史罐批数据对模糊神经网络进行训练建立赖氨酸发酵过程的非线性预测模型，然后测模型利用历史和未来罐批数据的输入输出信息预测赖氨酸发酵过程未来的输出并用模型输出误差进行反馈校正得到闭环输出，最后将闭环输出与参考输入轨迹进，应用二次型性能指标进行滚动优化，计算得到当前时刻应加于***的补料控制量。***包括与发酵罐直接连接的现场智能检测仪表和蠕动泵及智能控制器，其中智能嵌入了补料预测控制算法。本发明能够适应赖氨酸发酵过程的动态特性、强烈的非回路之间的耦合性，能够得到良好的控制效果。

Description

基于模糊神经网络的赖氨酸发酵过程补料预测控制***及方法

技术领域

本发明涉及微生物发酵过程的先进控制领域，特别地，涉及一种基于模糊神经网络的赖氨酸发酵过程补料预测控制***及方法。

技术背景

生物工程对人类生活的作用越来越显示出它的重要性和迫切性，而其对人类的贡献很大一部分是通过生化工程技术的开发来实现的。例如人们所用的抗生素、药物、酶制剂、味精、酵母、啤酒等等都离不开发酵工业。所以，微生物发酵过程是生化工程的核心。在发酵工业中，所用原料大多是粮食，因此，对这一传统的发酵工业利用现代化控制技术，进行自动化技术的研究，对于促进我国生化技术的发展，降低原材料和动力消耗，提高经济效益有着极其重要的意义。

微生物发酵过程是时变、非线性、不确定等多变量耦合***，涉及到生命体的生长繁殖过程，机理十分复杂。现有的发酵过程控制大多局限于对外部环境参数的简单控制，以稳定发酵现场工况，而对于生产过程起关键作用的补料量的控制，目前多数是靠人工根据经验决定的，如国内大多数生产厂家采用的集中补料控制方法，即每2～24小时对发酵罐手动补料一次，由于一次补料量大，对发酵环境条件冲击太大，严重地破坏了发酵过程中发酵温度、酸碱度、溶解氧等环境参数的平衡，直接影响了菌株的正常代谢，加速了泡沫的产生，逃液问题严重，从而影响到发酵生产过程的质量和产量。

随着发酵生产过程中发酵规模越来越大，并行控制的发酵罐越来越多，传统的仅凭经验实现对补料的控制，已经显得力不从心。若操作不当，将会造成极大的经济损失，因此，若能采用先进控制理论对发酵过程进行实时补料控制、管理和优化操作，不但能解决上述存在的问题，而且可以降低工人的劳动强度，提高自动化生产水平。由于发酵过程参数的时变性、大滞后性、耦合性和不确定性，采用传统的线性控制方法显然不合适，目前研究的一些基于非线性控制方法设计的非线性控制器大都依赖于发酵过程的精确数学模型，而发酵过程模型的不确定性和参数的时变性使发酵过程的精确数学模型很难获得的。所以现在的非现性控制方法大都只能研究发酵过程的简单模型，这样就进一步降低了其适用性。正是由于以上原因，使得到目前为止发酵过程的各种补料控制设计方法还很难应用于实际的发酵过程中。

为了解决传统补料控制方法的不足，降低发酵过程中工人的劳动强度，提高自动化生产水平，真正实现发酵过程的高性能补料控制，需采用一些新的控制方法设计方案。

发明内容

为了克服已有的补料控制方案的不能适应发酵过程的动态特性、强烈的非线性、回路之间的耦合性和不能得到良好的控制效果的不足，本发明提供一种能够解决发酵过程的动态特性、强烈的非线性、回路之间的耦合性问题，并得到良好的控制效果的基于模糊神经网络的赖氨酸发酵过程补料预测控制方法及***。

本发明解决其技术问题所采用的技术方案是：

一种基于模糊神经网络的赖氨酸发酵过程补料预测控制方法，该预测控制方法包括以下步骤：

步骤一：建立非线性预测模型，利用历史罐批次数据对模糊神经网络进行训练得到赖氨酸发酵过程的输入输出非参数内部非线性预测模型；

步骤二；预测未来输出状态，在当前时刻k，利用历史和未来罐批数据的输入输出信息，通过基于模糊神经网络的非线性预测模型对赖氨酸发酵过程未来的输出状态菌丝浓度y_1m(k+j)、基质浓度y_2m(k+j)、产物深度y_3m(k+j)进行预测；

步骤三：误差反馈校正，将从步骤二得到的赖氨酸发酵过程未来的输出状态y_im(k+j)与k时刻的输出误差e_i(k)相加，得到k时刻发酵过程的闭环预测输出菌丝浓度y_1p(k+j)、基质浓度y_2p(k+j)、产物深度y_3p(k+j)；

步骤四：设定参考轨迹，为使发酵过程未来输出能沿着设定轨迹平稳的到达设定值，引入参考输入轨迹菌丝浓度y_1r(k+j)、基质浓度y_2r(k+j)、产物深度y_3r(k+j)；

步骤五：非线性控制器输出，将得到预测闭环输出y_ip(k+j)与设定的参考轨迹y_ir(k+j)进行比较，应用二次型性能指标的控制器进行滚动优化，计算出当前时刻应加于发酵罐的补糖量u₁(k)、补氨水量u₂(k)、补硫酸氨量u₃(k)。

上述步骤一中所述基于模糊神经网络的非线性预测模型是通过模糊神经网络根据历史罐批次数据由黑箱辨识获得的，是非参数形式的，只和赖氨酸发酵过程的输入与输出有关系。所说的赖氨酸发酵过程的输入是补糖量u₁、补氨水量u₂、补硫酸氨量u₃，输出是菌丝浓度y₁、基质浓度y₂、产物深度y₃；所说的历史罐批次数据是按给定原则选取的L个输入输出向量对，这些原则是：(a)时效性，即所选历史罐批次数据属于1～3个月内的生产罐批；(b)代表性，即所选历史罐批数据不属于极端异常罐批数据，且尽可能均匀地分布于已知波动范围。经过数据预处理，获得历史罐批次的输入输出向量对{X_k ⁱ，y_k+1 ⁱ}，其中：Xⁱ＝{Y_∑，U_∑}(i＝1，2，3；k＝1，2，...，L)； $y_{k+1}^i=y^i(k+1);$ Y_∑＝[Y₁，Y₂，…，Y_i，…，Y_r]；Y_i＝[y_i(k)，y_i(k-1)，…，y_i(k-n+1)]；U_∑＝[U₁，U₂，…，U_i，…，U_r]；U_i＝[u_i(k)，u_i(k-1)，…，u_i(k-m+1)]；n和m分别是输出和输入量的阶次。

上述步骤一中所述的模糊神经网络是一个引入模糊运算的五层自适应神经网络，兼备模糊逻辑和神经网络的优势。

上述步骤五中所述的控制器采用滚动时域下的二次型目标函数，并且控制律是在此目标函数下通过遗传算法寻优获取的，是全局最优的。

本发明还公开了基于模糊神经网络的赖氨酸发酵过程补料预测控制***，该***包括现场智能仪表、蠕动泵及智能控制器，智能仪表和蠕动泵直接与发酵罐相连，智能检测仪表与智能控制器相连。其中，

智能检测仪表用于采集赖氨酸发酵过程的输出量，即菌丝浓度、基质浓度、产物浓度并传送至智能控制器；

智能控制器用于运行补料预测控制算法，根据赖氨酸发酵过程的输出量计算出当前时刻应加于发酵罐的补料控制量，并通过控制蠕动泵的开关时间实现现场补料过程的自动控制；所说的补料预测控制算法，是指上述方法中所说的步骤一至五。

本发明具有的有益效果：

1.无需使用经验知识，也无需深入了解控制对象赖氨酸发酵过程的机理特性，只需使用输入和输出数据就可实现非线性对象的黑箱辨识，辨识过程简单，可调参数少，学习速度快。

2.模糊神经网络作为模糊逻辑和神经网络的有机结合体，兼备模糊逻辑和神经网络的优势，不仅能处理模糊信息，实施模糊推理，又引入神经网络的学习机制，增强了网络的自适应能力，使得模糊神经网络同时具有推理能力强和自适应能力强的优点，非线性拟合精度高，推广泛化能力强

3.充分利用传统模型预测控制技术的优点，引入参考轨迹，反馈校正和滚动优化技术，获取更多的***运行信息，实现了发酵现场补料过程的自动控制。

4.利用遗传算法进行滚动优化，将最优控制律的求取转化为一个非线性约束优化问题，易得到全局最优解。

附图说明

图1中描绘了基于模糊神经网络的非线性模型预测控制的基本框架；

图2给出了模糊神经网络学习的框图；

图3给出了基于模糊神经网络的非线性模型预测控制***的硬件连接图。

具体实施方式

下面按照图1所示的基本框架作详细说明。

1.建立基于模糊神经网络的非线性预测模型

模型神经网络(FNN)是一个引入模糊运算的五层自适应神经网络，兼备模糊逻辑和神经网络的优势。模糊神经网络输入输出关系如图2所示。

其中第I层为输入层，该层的各个结点直接与输入向量的各分量连接，起着将输入值＝[x₁，x₂，…，x_n]传送到下一层的作用，该层的结点数N₁＝n；第II层为隶属度函数层，在该层每一个节点完成一个高斯隶属函数的功能，对于该层第i个变量的第j个节点：

${\mathrm{\μ}}_{\mathrm{ij}}\left(x_i\right)={\exp }^{-{\left(\frac{x_i-c_{\mathrm{ij}}}{{\mathrm{\σ}}_j}\right)}^2},i=\mathrm{1,2},\·\·\·,n,j=\mathrm{1,2},\·\·\·,w$

式中，c_ij和σ_ij分别表示第i个变量x_i的第j个节点高斯隶属函数的中心和宽度，w是隶属函数的数量，也代表***总的规则数。

第III层为规则层(模糊推理层)，每个节点分别代表一个可能的模糊规则中的IF部分。因此，该层节点数反映了模糊规则数。第j个规则R_j的输出为：

$a_j=\exp (-\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(x_i-c_{\mathrm{ij}})}^2}{{\mathrm{\σ}}_j^2})=\exp (-\frac{{\left|\right|X-C_j\left|\right|}^2}{{\mathrm{\σ}}_j^2}),j=\mathrm{1,2},...,w$

式中，

第IV层为归一化层，称这些节点为N节点。N节点数与模糊规则节点数相等。第j个节点N_j的输出为：

${\stackrel{\‾}{a}}_j=a_j/\underset{k=1}{\overset{w}{\mathrm{\Σ}}}{a}_k,j=\mathrm{1,2},\·\·\·,w$

第V层为输出层，该层中的每个节点表示一个输出变量，它所实现的是反模糊化计算，即：

$y_i=\underset{j=1}{\overset{w}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}{a}_j/\underset{k=1}{\overset{w}{\mathrm{\Σ}}}{a}_k=\underset{j=1}{\overset{w}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}{\stackrel{\‾}{a}}_j,i=\mathrm{1,2},\·\·\·,r;k=\mathrm{1,2},\·\·\·,w$

式中，r是输出量的维数。

将式(2)、式(3)代入式(4)中，则得到模糊神经网络模型：

$y_i\left(X\right)=\frac{\underset{j=1}{\overset{w}{\mathrm{\Σ}}}[w_{\mathrm{ij}}\exp (-\frac{{\left|\right|X-C_j\left|\right|}^2}{{\mathrm{\σ}}_j^2})}{\underset{j=1}{\overset{w}{\mathrm{\Σ}}}\exp (-\frac{{\left|\right|X-C_j\left|\right|}^2}{{\mathrm{\σ}}_j^2})},i=\mathrm{1,2},..,r$

赖氨酸发酵过程可以用下面的离散形式表示：

y(k+1)＝f[y(k)，y(k-1)，...，y(k-n+1)，u(k)，u(k-1)，...，u(k-m+1)]

式中：f为非线性函数，输出量

对应于发酵过程中的生化过程变量，y₁是菌丝浓度，y₂是基质浓度，y₃是产物深度，控制量

对应于发酵过程中的补料流加量，u₁是补糖量，u₂是补氨水量，u₃补硫酸氨量。

取历史罐批数据的输入u_i(k-m+1)，u_i(k-m+2)，...，u_i(k)(当k-m+1+r＜0时，u_i(k-m+1+r)＝u_i(0)，r＝0，1，...，m)和输出y_i(k-n+1)，y_i(k-n+2)，…，y_i(k)(k-m+1+r＜0时，y_i(k-n+1+r)＝y_i(0)，r＝0，1，…，n，其中i＝1，2，3。设Xⁱ＝{Y_∑，U_∑}，其中：Y_∑＝[Y₁，Y₂，…，Y_i，…，Y_r]；Y_i＝[y_i(k)，y_i(k-1)，…，y_i(k-n+1)]；U_∑＝[U₁，U₂，…，U_i，…，Ux]；U_i＝[u_i(k)，u_i(k-1)，…，u_i(k-m+1)]；i＝1，2，3。

构造学习数据集{X_k ⁱ，y_k+1 ⁱ}(i＝1，2，3；k＝1，2，...，L)，其中拟合因子Xⁱ＝{Y_∑，U_∑}， $y_{k+1}^i=y^i(k+1)$ ，根据学习数据集{X_k ⁱ，y_k+1 ⁱ}，通过对模糊神经网络进行训练，得到权重参数w_ij、隶属度中心c_ij和宽度σ_ij。

2.预测未来输出状态

在时刻k，利用预测模型对k+1进行预测：

$y_m(k+1)==\hat{f}[y\left(k\right),y(k-1),\·\·\·,y(k-n^{\′}+1),u\left(k\right),u(k-1),...,u(k-m^{\′}+1)]$

式中：

是模糊神经网络形式的非线性函数，n′和m′由拟合精度决定。

为获取***的多步预测输出，我们考虑P＝M的情况，其中P是预测时域，M是控制时域，并且n′≥P，m′≥P，根据公式(6)，顺移时间序列有：

$y_m(k+j)=\hat{f}[y(k+j-1),y(k+j-2),...,y(k+j-n^{\′}),$

$u(k+j-1),u(k+j-2),...,u(k+j-m^{\′})]$

$j=1,...,P$

3.误差反馈校正

模型和真实发酵过程之间总是存在误差的，为克服模型误差以及各种干扰，引入反馈校是必要的。计算k时刻的误差e(k)＝y(k)-y_m(k)，把它加到模型预测输出y_m(k+j)上，就得到了k时刻的闭环预测输出：

y_p(k+j)＝y_m(k+j)+H(j)e(k)

其中H(j)为误差校正矩阵，取为单位阵。

4.设定参考轨迹

引入参考输入轨迹的作用就是使***输出能沿着设定轨迹平稳的到达设定值。参考轨迹一般采用如下形式：

y_r(k+j)＝C^jy(k)+(I-C^j)y_sp

式中：y_r(k+j)是k+j时刻的参考输入，C＝diag[c₁，c₂，c₃]是柔化常数阵，它对闭环***的动态特性和鲁棒性起重要作用。

当然，参考轨迹可以采取多种形式，包括人为设定的任意曲线，目的就是为了使***输出的动态特性更好。

5.非线性控制器输出

选取滚动时域下的二次型目标函数：

$\min J=\underset{i=1}{\overset{P}{\mathrm{\Σ}}}{\left|\right|y_r(k+j)-y_p(k+j)\left|\right|}_{Q\left(j\right)}^2+\underset{j=1}{\overset{P}{\mathrm{\Σ}}}{\left|\right|u(k+j-1)-u(k+j-2)\left|\right|}_{R\left(j\right)}^2$

其中Q(i)和R(j)是权重矩阵。

为获取多步预测的控制律，提出采用遗传算法求取全局最优解。

式(9)是一个求最小值的问题，而遗传算法的目标函数是求最大值，因而不能直接采用式(9)作为遗传算法优化的目标函数。这里将遗传算法的目标函数修改为：

$\max F(t,U)=-(\underset{i=1}{\overset{P}{\mathrm{\Σ}}}{\left|\right|y_r(k+j)-y_p(k+j)\left|\right|}_{Q\left(j\right)}^2+\underset{j=1}{\overset{P}{\mathrm{\Σ}}}{\left|\right|u(k+j-1)-u(k+j-2)\left|\right|}_{R\left(j\right)}^2)$

约束条件为：

$y_p(k+1)=\hat{f}[y\left(k\right),y(k-1),...,y(k-n^{\′}+1),u\left(k\right),u(k-1),...,u(k-m^{\′}+1)]+H\left(1\right)e\left(k\right)$

$y_p(k+2)=\hat{f}[y(k+1),y\left(k\right),...,y(k-n^{\′}2),u(k+1),u\left(k\right),...,u(k-m^{\′}+2)]+H\left(2\right)e\left(k\right)$

.    .

.    .

.    .

$y_p(k+j)=\hat{f}[y(k+j-1),y(k+j-2),...,y(k-n^{\′}+j),u(k+j-1),u(k+j-2),...,$

$u(k-m^{\′}+j)]+H\left(j\right)e\left(k\right)$

式中：对控制作用约束为u_min≤u≤u_max，U＝[u_k，u_k+1，...，u_k+P-1]。

在遗传算法优化过程中，将控制量的约束和加快遗传算法的约束速度包含在编码中，遗传编码采用二进制编码，个体的基因数代表控制时域P，假设Δu表示控制量的变化量，基因长度L代表控制变化量的精度，则个体的长度为PL。个体的基因即为控制量u(k+j-1)，个体的基因排列为u(k)，u(k+1)，…，u(k+P-1)。u_max和u_min分别表示控制量的最大值约束和最小值约束，Δu₊和Δu_-分别表示变化量的最大值和最小值。假设在第k+j-1(1≤j≤P)步，考虑控制量的最大值和最小值的约束值，设实际控制量的最大和最小变化值分别为ΔU₊，ΔU_-则：

ΔU₊＝min(Δu₊，u_max-u(k+i-2))

ΔU-＝min(Δu_-，u(k+i-2)-u_min)

根据式(11)和(12)，遗传算法的正负编码分别为：

C₊＝{ΔU₊·(n_d-j)/n_d|j＝0，1，…，n_d}

C_-＝{-ΔU_-·(n_d-j)/n_d|j＝0，1，…，n_d-1}

控制量的变化量ΔU(i)∈(C_-，C₊)，控制量的变化量取第1个基因的值，控制量U(k)＝U(k-1)+ΔU(k)。

遗传算法采取采用第1个基因收敛速率确定优化的停止条件，第1个基因是当前控制输入ΔU(k)，如果ΔU(k)收敛速率不变，则停止优化。

实践表明，利用上述遗传算法对目标函数进行优化后，控制量比较平稳，***的动态性能和鲁棒性得到时一步改善。

整个控制方法如下：

1.根据历史罐批数据建立模糊神经网络学习数据集，共有L组；

2.选择模糊神经网络的初始参数w_ij(0)、c_ij(0)和σ_ij(0)，然后根据学习数据集，进行离线训练，得到w_ij、c_ij和σ_ij，并将其投入在线运行；

3.选择模型参数n′和m′以及采样周期T、预测控制参数P，M，C，Q，R；

4.在当前时刻k，根据式(9)计算赖氨酸发酵过程中的参考输入菌丝浓度y_1r(k+j)、基质浓度y_2r(k+j)和产物浓度y_3r(k+j)；

5.计算误差e_i(k)＝y_i(k)-y_im(k)；

6.由模糊神经网络预测模型输出菌丝浓度y_1m(k+j)、基质浓度y_2m(k+j)和产物浓度y_3m(k+j)，经反馈校正后生成闭环预测输出菌丝浓度y_1p(k+j)、基质浓度y_2p(k+j)、产物深度y_3p(k+j)

7.利用遗传算法求解二次型性能函数min J，获得最优控制解Δu(k+j-1)，采用u(k)作为第一个控制信号，作为发酵过程中补料量的输入，然后转至第1步，直到完成整个控制。

基于模糊神经网络的预测控制方法的具体实现就是所要构造的预测控制***，图3给出了预测控制***的一个具体实施例的示意图。***由现场智能检测仪表3、蠕动泵4、智能控制器2，智能仪表3和蠕动泵4直接与发酵罐1相连，智能检测仪表3与智能控制器2相连。其中，赖氨酸发酵过程的生化过程变量，即菌丝浓度、基质浓度、产物浓度通过智能检测仪表3与智能控制器2相连，补料预测控制算法运行在智能控制器2上，计算出当前时刻应加于发酵罐的补料控制量，并通过控制蠕动泵4的开关时间实现现场补料过程的自动控制。

上述实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。

Claims (5)

1.一种基于模糊神经网络的赖氨酸发酵过程补料预测控制方法，其特征在于该预测控制方法包括以下步骤：

步骤一：建立非线性预测模型，利用历史罐批数据对模糊神经网络进行训练得到赖氨酸发酵过程的输入输出非参数内部非线性预测模型；

步骤二；预测未来输出状态，在当前时刻k，利用历史和未来罐批数据的输入输出信息，通过基于模糊神经网络的非线性预测模型对赖氨酸发酵过程未来的输出状态菌丝浓度y_1m(k+j)、基质浓度y_2m(k+j)、产物深度y_3m(k+j)进行预测；

步骤三：误差反馈校正，将从步骤二得到的赖氨酸发酵过程未来的输出状态y_im(k+j)与k时刻的输出误差e_i(k)相加，得到k时刻发酵过程的闭环预测输出菌丝浓度y_1p(k+j)、基质浓度y_2p(k+j)、产物深度y_3p(k+j)；

步骤四：设定参考轨迹，为使发酵过程未来输出能沿着设定轨迹平稳的到达设定值，引入参考输入轨迹菌丝浓度y_1r(k+j)、基质浓度y_2r(k+j)、产物深度y_3r(k+j)；

步骤五：非线性控制器输出，将得到预测闭环输出y_ip(k+j)与设定的参考轨迹y_ir(k+j)进行比较，应用二次型性能指标的控制器进行滚动优化，计算出当前时刻应加于发酵罐的补糖量u₁(k)、补氨水量u₂(k)、补硫酸氨量u₃(k)；

步骤六：根据计算出补料量控制蠕动泵的开关时间实现现场补料过程的自动控制。

2.根据权利要求1所述的一种基于模糊神经网络的赖氨酸发酵过程补料预测控制方法，其特征在于步骤一所述基于模糊神经网络的非线性预测模型是通过模糊神经网络根据历史罐批数据由黑箱辨识获得的，是非参数形式的，只和赖氨酸发酵过程的输入与输出有关系。

3.根据权利要求1所述的一种基于模糊神经网络的赖氨酸发酵过程补料预测控制方法，其特征在于步骤一所述的模糊神经网络是一个引入模糊运算的五层自适应神经网络。

4.根据权利要求1所述的一种基于模糊神经网络的赖氨酸发酵过程补料预测控制方法，其特征在于步骤五所述的控制器采用滚动时域下的二次型目标函数，并且控制律是在此目标函数下通过遗传算法寻优获取的，是全局最优的。

5.一种实现权利要求1所述的基于模糊神经网络的赖氨酸发酵过程补料预测控制方法的控制***，其特征在于：所述的控制***包括现场智能仪表、蠕动泵及智能控制器，智能检测仪表和蠕动泵直接与发酵罐相连，智能检测仪表与智能控制器相连；其中，智能检测仪表用于采集赖氨酸发酵过程的输出量，即菌丝浓度、基质浓度、产物浓度并传送至智能控制器；智能控制器用于运行补料预测控制算法，根据赖氨酸发酵过程的输出量计算出当前时刻应加于发酵罐的补料控制量，并通过控制蠕动泵的开关时间实现现场补料过程的自动控制。

Images