CN103344740B - 基于多输入维纳模型的谷氨酸产物浓度在线软测量方法 - Google Patents

Abstract

本发明公开了一种基于多输入维纳模型的谷氨酸生产过程产物浓度在线检测方法，该方法首先选取影响产物浓度变化的可在线测量的关键变量作为输入变量，以离线分析所得到的产物浓度值作为输出变量，建立基于多输入维纳模型的软测量模型。合理选取多输入维纳模型的参数，在输入变量与输出变量之间建立有效的非线性关系，并利用梯度迭代辨识的方法确定模型参数，实现通过谷氨酸生产过程中容易测量的变量对较难测量的产物浓度进行在线估计。该方法能有效提高谷氨酸生产过程产物浓度的预测精度，用于指导生产，改善产品质量。

Description

基于多输入维纳模型的谷氨酸产物浓度在线软测量方法

技术领域：

本发明属于生化生产过程软测量建模和应用领域，特别涉及一种基于多输入维纳模型的谷氨酸生产过程产物浓度软测量建模和在线检测方法。

背景技术：

谷氨酸作为工业发酵领域的重要产品，有着非常广泛的应用。谷氨酸发酵过程是一类高度非线性、重复性较差、慢时变的复杂生化过程。在实际的生产过程中，谷氨酸浓度是发酵过程中一个重要的指标，但是由于传感器技术等的限制，该指标的测量很困难，目前常用的方法是通过实验室离线测量得到。相比在线的实时测量方法，谷氨酸的浓度的离线测量往往需要花费更多的时间，这对于谷氨酸发酵过程的质量控制来说是非常不利的。为了提高谷氨酸发酵过程的自动化程度和产品质量，通常需要对谷氨酸的浓度进行在线测量。

软测量方法通过对过程中容易测量的变量和谷氨酸的浓度之间的关系进行建模，并利用梯度迭代辨识的方法确定模型参数。利用该模型在线对谷氨酸的浓度进行估计，实时获得谷氨酸的浓度的在线值，能有效避免传统分析方法大时滞的缺点。但是，由于发酵过程中谷氨酸产量和其影响因素之间的复杂关系，过程变量之间有的时候会表现出很强的非线性关系。在这种情况下，传统神经网络模型、模糊逻辑推理模型等对谷氨酸的浓度的软测量难以达到满意的效果。

目前，非线性系统已成为研究热点，大多数研究工作集中在块结构非线性系统的辨识。输出非线性系统维纳模型是由一个线性动态系统串联一个静态非线性环节构成的。由于块结构非线性系统在生化、化工过程中广泛存在，可以任意精度的近似任何记忆衰退的非线性时不变系统，所以受到了更多的关注。梯度迭代辨识应用于多输入维纳模型有以下几个优点：

1)维纳模型具有更好的稳定性、适用范围广，对系统非线性具有良好的控制效构；

2)在多输入维纳模型这个结构中，线性部分描述了反应罐中流加物料数量的动态性，而非线性部分则描述了谷氨酸浓度的非线性曲线；

3)梯度迭代辨识算法则具有能够批量利用数据，提高辨识精度的优点。

4)目前，针对多输入维纳模型，利用梯度迭代辨识算法进行建模的应用还不是很多，特别是在生物反应过程建模领域应用就更少了。

发明内容：

本发明的目的在于针对谷氨酸生产过程中产物浓度预测的难点，提供一种建立多输入维纳模型，并利用梯度迭代辨识算法进行模型参数辨识的软测量建模和在线测量方法。

本发明的目的是通过以下技术方案来实现的：

1)通过集散控制系统和实时数据库系统收集谷氨酸生产过程各个关键变量的数据。分别将这些数据存入历史数据库，作为建模的样本。

2)通过实验室化学分析获取建模样本所对应的谷氨酸产物浓度值，作为软测量模型的输出变量。

3)分别对步骤1)获取的关键变量和步骤2)获取的输出变量进行预处理和归一化，使得各个过程关键变量和产物浓度值落在区间[-1，1]之内，得到新的数据矩阵集。

4)基于归一化之后的输入和输出数据，建立基于多输入维纳模型的谷氨酸产物浓度的软测量模型，并利用梯度迭代辨识的方法确定模型参数，将该测量模型参数存入数据库中。

5)在线采集谷氨酸生产过程各个关键变量的新数据，并对其进行预处理和归一化。

6)将归一化之后的新数据直接输入到在线软测量模型中，获得该实时数据对应的产物浓度值。

本发明的有益效果：本发明通过对谷氨酸工业生产过程的关键变量和产物浓度之间的非线性关系进行梯度迭代辨识算法建模，利用该生产过程中容易测量的变量对较难测量的产物浓度进行在线测量，实现谷氨酸生产过程产物浓度的在线估计。

附图说明：

图1为本专利技术框图。如图所示，本专利技术包括6个模块，其中模块4为该专利技术与常规技术不同之处。

图2是针对谷氨酸生产过程实例，多输入维纳模型参数随迭代步数l变化的均方误差。

具体实施方式：

本发明针对谷氨酸生产过程产物浓度预测问题，通过对谷氨酸工业生产过程的关键变量，利用多输入维纳模型建立其与产物浓度之间的关系模型，并利用梯度迭代辨识的方法确定模型参数，用于该过程产物浓度的在线软测量。

本发明基于多输入维纳模型的谷氨酸生产过程产物浓度在线检测方法，其主要步骤分别如下：

第一步通过集散控制系统和实时数据库系统收集谷氨酸生产过程各个关键变量的数据：U＝{u_i(k)}，i＝1，2，3。其中，k为样本数，u_i(k)为谷氨酸生产过程关键变量。分别将这些数据存入历史数据库，作为建模的样本。

第二步通过实验室化学分析获取建模样本所对应的谷氨酸产物浓度值，作为软测量模型的输出变量：y(k)，k为样本数。

该步骤是为了获取软测量建模中的输出变量(即谷氨酸浓度)但是由于传感器技术等的限制，该指标的测量很困难。一般情况下，通过离线分析获取产物浓度值往往花费更多的时间，这也是为什么在谷氨酸生产过程中需要进行软测量的原因。通过过程中容易测量的变量对难以测量的产物浓度值进行预测，极大的提高了产物浓度的预测实时性，对过程的产品质量控制具有很大的帮助。

第三步分别对第一步获取的关键变量和第二步获取的输出变量进行预处理和归一化，使得各个过程关键变量和产物浓度值落在区间[-1，1]之内，得到新的数据矩阵集。

在历史数据库对采集的过程数据进行预处理，剔除野值点和明显的粗糙误差数据，为了使得过程数据的尺度不会影响到监测的结果，对不同变量的数据分别进行归一化处理。这样，不同过程变量的数据就处在相同的尺度之下，既而不会影响到后续的建模效果。

第四步基于归一化之后的输入和输出数据，建立基于多输入维纳模型的谷氨酸产物浓度的软测量模型，并利用梯度迭代辨识的方法确定模型参数，将该测量模型参数存入数据库中。

为归一化后的发酵时间，为归一化后的溶氧浓度，为归一化后的氧更新率，为归一化后的谷氨酸产物浓度。x(k)为维纳模型线性部分的输出，表示为：

$x\left(k\right)={\tilde{u}}_{11}\left(k\right)+{\tilde{u}}_{21}\left(k\right)+{\tilde{u}}_{22}(k-1)+{\tilde{u}}_{31}\left(k\right)+{\tilde{u}}_{32}(k-1)---\left(1\right)$

同时

$x\left(k\right)=f^{-1}\left(\tilde{y}\left(k\right)\right)---\left(2\right)$

非线性部分f^-1(·)由3阶的多项式基函数的线性组合来描述

$f^{-1}\left(\tilde{y}\left(k\right)\right)=c_1\tilde{y}\left(k\right)+c_2{\tilde{y}}^2\left(k\right)+c_3{\tilde{y}}^3\left(k\right)---\left(3\right)$

令c₁＝1，由式(1)，(2)和(3)可得到氨酸产物浓度模型为：

$\tilde{y}\left(k\right)=a_{11}{\tilde{u}}_1\left(k\right)+a_{21}{\tilde{u}}_2\left(k\right)+a_{22}{\tilde{u}}_2(k-1)+a_{31}{\tilde{u}}_3\left(k\right)+a_{32}{\tilde{u}}_3(k-1)-c_2{\tilde{y}}^2\left(k\right)-c_3{\tilde{y}}^3\left(k\right)---\left(4\right)$

设 则信息向量

设 则参数向量

公式(4)可以表示为：

定义堆积输出向量Y(L)和堆积信息向量Φ(L)： L为总的样本数量。

公式(4)可以写为：Y(L)＝Φ(L)θ。

定义二次型准则函数

J₁(θ)：＝||Y(L)-Φ(L)θ||²

其中l＝1，2，3，…为迭代变量，为θ在第l步的迭代估计。

利用负梯度算法优化准则函数，得到迭代算法的估计值：

${\widehat{\mathrm{\θ}}}_l={\widehat{\mathrm{\θ}}}_{l-1}-\frac{{\mathrm{\μ}}_l}{2}\mathrm{grad}\left[J_1\left({\widehat{\mathrm{\θ}}}_{l-1}\right)\right]={\widehat{\mathrm{\θ}}}_{l-1}+{\mathrm{\μ}}_l{\mathrm{\Φ}}^T\left(L\right)[Y\left(L\right)-\mathrm{\Φ}\left(L\right){\widehat{\mathrm{\θ}}}_{l-1}],$

其中μ_l为步长或者迭代因子。为了保证的收敛性，所有的特征值都应该在单位圆内，因此μ_l可以按下式保守选择：

为了衡量模型的精度，采用以下的均方误差指标：其中

第五步在线采集谷氨酸生产过程各个关键变量的数据，得到一组新的数据向量，并对其进行预处理和归一化。

第六步将归一化之后的新数据直接输入到基于多输入维纳模型的谷氨酸产物浓度软测量模型中，对模型输出值进行反归一化，获得该实时数据对应的产物浓度值。

以下结合一个具体的谷氨酸生产过程实例来说明发明的有效性。该过程的数据来自谷氨酸发酵生产所获得的12批次正常发酵数据，每批次包括18个采样点，一共采集了216个数据来进行建模。在该过程中，一共选取了3个过程关键变量对产物浓度进行软测量。接下来结合该具体过程对本发明的实施步骤进行详细的阐述：

1)分别对216个建模样本中的关键变量和输出变量进行预处理和归一化，使得各个过程关键变量和产物浓度值落在区间[-1，1]之内，得到新的建模数据矩阵；

2)基于多输入维纳非线性模型的软测量建模：将选取的三个过程关键变量(发酵时间、溶氧浓度、氧更新率)组成的数据矩阵作为软测量模型的输入，产物浓度数据矩阵作为软测量模型的输出，建立相应的多输入维纳非线性模型，并利用梯度迭代辨识的方法确定模型参数；

3)在线采集谷氨酸生产过程各个关键变量的新数据，并对其进行预处理和归一化；

4)将归一化之后的新数据直接输入到多输入维纳模型的谷氨酸产物浓度软测量模型中，对模型输出值进行反归一化，获得该实时数据对应的产物浓度值。

以上是本发明的较佳实施例而已，说明书中的描述也只是说明本发明的原理，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化与修饰，均属于发明技术方案的范围内。

Claims (1)

1.一种基于多输入维纳模型的谷氨酸产物浓度在线软测量方法，其特征在于，其主要实现步骤如下：

(1)通过集散控制系统和实时数据库系统收集谷氨酸生产过程各个关键变量的数据，将这些数据存入历史数据库，作为建模的样本；

(2)通过实验室化学分析获取建模样本所对应的谷氨酸产物浓度值，作为软测量模型的输出变量；

(3)分别对步骤(1)获取的关键变量和步骤(2)获取的输出变量进行预处理和归一化，使得各个过程关键变量和产物浓度值落在区间[-1，1]之内，得到新的数据矩阵集；

(4)基于归一化之后的输入和输出数据，建立基于多输入维纳模型的谷氨酸产物浓度的软测量模型，并利用梯度迭代辨识的方法确定模型参数，将该测量模型参数存入数据库中；

(5)在线采集谷氨酸生产过程各个关键变量的新数据，并对其进行预处理和归一化；

(6)将归一化之后的新数据直接输入到在线软测量模型中，输出数据反归一化后获得该时刻对应的谷氨酸产物浓度值；

其中，所述步骤(4)中，基于归一化之后的输入和输出数据，建立基于多输入维纳模型的谷氨酸产物浓度的软测量模型具体为：根据归一化后的输入变量—发酵时间溶氧浓度氧更新率和归一化后的输出变量—谷氨酸产物浓度建立谷氨酸产物浓度模型为：

其中，a₁₁，a₂₁，a₂₂，a₃₁，a₃₂，c₂，c₃为模型待辨识参数；

构造针对建立的谷氨酸产物浓度模型的迭代辨识算法，具体为：

其中μ_l为迭代因子；Y(L)为堆积的输出向量，Φ(L)为堆积的信息向量，L为总的样本数量，l为迭代变量；为参数向量θ在第l步的迭代估计，参数向量θ_s：＝[a₁₁，a₂₁，a₂₂，a₃₁，a₃₂]^T，θ_c：＝[c₂，c₃]^T；上标T为对矩阵的转置运算。