CN103792845A - 一种金霉素发酵过程补糖速率优化控制的方法和系统 - Google Patents

Abstract

本发明提供了一种金霉素发酵过程补糖速率优化控制的方法和系统。所述方法包括：建立补糖速率设定模型；建立可在线预测的、发酵罐中总糖浓度的软测量模型；对总糖浓度的软测量模型的参数进行校正，并按照校正后的软测量模型得出预测的总糖浓度目标值；对补糖速率设定模型进行校正，并按照校正后的补糖速率设定模型得出发酵过程中补糖速率的计算值；按照预置的金霉素发酵过程中的补糖控制算法、预测的总糖浓度目标值以及发酵过程中补糖速率的目标值，计算发酵罐在相应发酵阶段的补糖速率；按照补糖速率进行补糖操作，以实现对发酵过程中补糖速率的智能控制。

Description

一种金霉素发酵过程补糖速率优化控制的方法和系统

技术领域

本发明涉及控制科学与工程、化学工程与技术领域，特别是涉及一种金霉素发酵过程补糖速率优化控制的方法，以及一种金霉素发酵过程补糖速率优化控制的系统。

背景技术

金霉素是属于四环素类的一种广谱抗生素，对革兰氏阳性菌、革兰氏阴性菌、螺旋体、立克次氏体、支原体、衣原体等均可产生抑制作用，在医药、畜牧业等领域具有广泛的用途。尤其在畜牧业上，金霉素具有抑菌、促生长、饲料利用率高、在肌体内残余量低等特点，生产技术成熟，生产成本低，是目前和未来较长一段时间内在饲料工业中用量最大的抑菌促生长剂。

金霉素发酵是一个复杂的非线性、时变过程。发酵过程中的菌体细胞浓度、基质中的糖浓度、生成物浓度等始终是最重要的参数。发酵过程的主要特征表现为：①其动力学模型呈高度的非线性；②随着生物反应的进行，过程的动力学模型参数将发生变化，即具有强烈的时变特性；③除了某些物理（或化学）状态变量，如温度、压力、pH、溶解氧浓度（DO）等可在线测量外，有一些生物状态变量（如生物量、基质浓度、总糖浓度、产物浓度、生物活性等）很难实现在线测量。

目前，在金霉素发酵过程中，pH、温度、溶氧、压力均可实现自动控制，只有补糖过程仍属手动控制模式。其主要原因为：由于缺乏可靠的在线传感器，发酵罐总糖浓度不能在线检测，只能通过手工取样，离线分析获得总糖浓度值。取样分析时间长，补糖速率调控滞后大。此外，补糖控制仍停留在手动控制阶段，控制效果很大程度上取决于操作人员的历史经验，自动化程度低，控制方式较为粗糙，补糖速率调整波动较大，对发酵罐效价和反应体积影响很大。

发明内容

本发明所要解决的技术问题是提供一种金霉素发酵过程补糖速率优化控制的机制，以实现对金霉素发酵过程补糖速率优化控制。

为了解决上述问题，本发明公开了一种金霉素发酵过程补糖速率优化控制的方法，包括：

根据预置的金霉素发酵过程的历史操作经验数据和操作规则数据，建立补糖速率设定模型，所述补糖速率设定模型包括针对金霉素发酵过程进行补糖操作设定的补糖速率的变化范围；

基于所述发酵过程的历史数据，以及可在线检测的、发酵罐的相关参数值，采用数据挖掘算法、人工神经网络算法和最优化算法，建立可在线预测的、发酵罐中总糖浓度的软测量模型；

根据所述历史数据和可在线检测以及离线分析的、发酵罐的相关参数值，对所述总糖浓度的软测量模型的参数进行校正，并按照校正后的软测量模型得出预测的总糖浓度目标值，进行校正时，使预测的总糖浓度值与离线分析的总糖浓度的偏差达到最小；

根据可在线检测的、发酵罐的相关参数值，对所述补糖速率设定模型进行校正，并按照校正后的补糖速率设定模型得出发酵过程中补糖速率的计算值，使所述计算值与校正前所述补糖速率设定模型输出的补糖速率的目标值的偏差达到最小；

按照预置的金霉素发酵过程中的补糖控制算法、预测的总糖浓度目标值以及发酵过程中补糖速率的目标值，计算发酵罐在相应发酵阶段的补糖速率；

按照所述补糖速率进行补糖操作，以实现对发酵过程中补糖速率的智能控制。

优选地，所述补糖控制算法如式（1）：

$U\left(t\right)=\stackrel{\‾}{U}\left(t\right)+\mathrm{\ΔU}\left(t\right)---\left(1\right)$

式（1）中，U(t)为t时刻的补糖速率；

为t时刻的补糖速率目标值；△U(t)为t时刻的补糖速率增量值；

所述补糖速率增量值如式（2）：

△U(t)=δ(t)·σ_F(t)    （2）

式（2）中有：

$\mathrm{\δ}\left(t\right)=\frac{C_r\left(t\right)-C\left(t\right)}{{\mathrm{\σ}}_S\left(t\right)}---\left(3\right)$

式（3）中，t为发酵时间；δ(t)为补糖速率调整系数；σ_F(t)为补糖速率标准差，C_r(t)为总糖浓度目标值；C(t)为总糖浓度；σ_S为总糖浓度可调幅度。

优选地，对所述总糖浓度的软测量模型的参数进行校正包括：

将P_1～n中的历史罐批数据对{X_1-n(t_f),Y_1-n(t_f)}和P_n+1中待预测罐批发酵时间截至到t_f时刻的已知输入输出数据对{X_n+1(t_f),Y_n+1(t_f)}组合成修正递归模糊神经网络权值的数据库{P_1～n，P_n+1}，其中，每进行一次修正时，就将新产生的输入输出数据对更新到历史罐批数据中，实现滚动修正算法的效果；

其中，P_1～n表示历史数据集，包括1～n个历史数据；P_n+1表示预测数据集，X_1-n(t_f)表示1～n个历史罐批依序在发酵时刻t_f-iτ对应的数据组成的在软测量模型输入的数据向量，Y_1-n(t_f)表示与X_1-n(t_f)对应的发酵t_f-iτ时刻实际输出值，Xn₊₁（t_f）表示发酵t_f时刻的软测量模型实时输入的数据向量，Y_n+1（t_f）表示发酵t_f时刻的软测量模型输出的数据向量，其中，i=n,L,1，τ为预设的发酵时间间隔。

优选地，所述历史数据包括本次预设采样周期以及上次预设采样周期中检测的、发酵罐的相关参数值以及软测量模型的输出值，所述预设采样周期为4～8小时，在所述预设采样周期中可包括多个间隔均匀的采样点。

优选地，所述方法还包括：

通过统计分析所述金霉素发酵罐中的二氧化碳的含量的变化趋势确定金霉素发酵阶段，所述金霉素发酵阶段分为菌体生长的停滞期、生长期、稳定期和衰亡期四个阶段。

优选地，所述方法还包括：

采用数据场聚类法对所述历史数据进行模糊化预处理，所述数据场聚类法用于分析数据的形状、个数、大小和密度的聚类属性。

优选地，所述可在线检测的、发酵罐的相关参数值包括在线检测的所述发酵罐的温度、压力、pH和溶解氧值。

优选地，所述总糖浓度值为通过在2～10小时之间，从现场发酵罐取样，采用离线分析方式获得取样时刻的总糖浓度值。

本发明还公开了一种金霉素发酵过程补糖速率优化控制的系统，包括：

金霉素发酵单元，用于采用金霉素发酵罐进行金霉素发酵；

参数在线检测单元，用于在线检测金霉素发酵罐的相关参数值；

参数离线获取单元，用于在2～10小时之间，从现场发酵罐取样，通过离线分析方式获得取样时刻的相关参数值；

补糖速率设定模型建立单元，用于根据预置的金霉素发酵过程的历史操作经验数据和操作规则数据，建立补糖速率设定模型，所述补糖速率设定模型包括针对金霉素发酵过程进行补糖操作设定的补糖速率的变化范围；

软测量模型建立单元，用于基于所述发酵过程的历史数据，以及可在线检测的、发酵罐的相关参数值，采用数据挖掘算法、人工神经网络算法和最优化算法，建立可在线预测的、发酵罐中总糖浓度的软测量模型；

软测量模型校正单元，用于根据所述历史数据和可在线检测以及离线分析的、发酵罐的相关参数值，对所述总糖浓度的软测量模型的参数进行校正，并按照校正后的软测量模型得出预测的总糖浓度值，进行校正时，使预测的总糖浓度值与离线分析的总糖浓度的偏差达到最小；

补糖速率设定模型校正单元，用于根据可在线检测的、发酵罐的相关参数值，对所述补糖速率设定模型进行校正，并按照校正后的补糖速率设定模型得出发酵过程中补糖速率的计算值，使所述计算值与校正前所述补糖速率设定模型输出的补糖速率的目标值的偏差达到最小；

补糖控制算法运算单元，用于按照预置的金霉素发酵过程中的补糖控制算法、预测的总糖浓度目标值以及发酵过程中补糖速率的目标值，计算发酵罐在相应发酵阶段的补糖速率；

补糖执行单元，用于按照所述补糖速率进行补糖操作，以实现对发酵过程中补糖速率的智能控制。

与现有技术相比，本发明包括以下优点：

背景技术中，由于金霉素发酵罐总糖浓度无法进行在线检测，目前只能靠人工定时取样分析，劳动强度大，分析时间间隔长，发酵罐总糖浓度波动大，对生产影响很大。本发明采用数据挖掘技术、人工神经元网络技术、最优化控制技术等，运用机理模型和实验模型相结合方法，建立可在线校正的总糖浓度软测量模型。基于模糊神经网络技术和全局最优化方法，提出总糖浓度预测模型参数在线校正方法，实现了金霉素发酵过程补糖优化控制。研究并验证了补糖速率优化控制算法的优点，在没有总糖浓度在线检测装置的条件下，实现了金霉素发酵过程补糖优化控制。本发明的现场应用，明显减轻了工人的劳动强度，确保了发酵过程平稳生产，提高了金霉素发酵过程的生产效率，优化了产品的质量和产量，节约了生产成本。

本发明可应用于抗生素（如金霉素、红霉素、青霉素等）发酵过程，具有很好的应用前景和重大的经济效益。

附图说明

图1是本发明的一种从金霉素发酵过程补糖速率优化控制的方法实施例的流程图；

图2是从数据来源的角度对本发明实施例的一种从金霉素发酵过程补糖速率优化控制的方法进行描述的示意图；

图3是从数据关联的角度对本发明实施例的一种从金霉素发酵过程补糖速率优化控制的方法进行描述的示意图；

图4是从数据处理的角度对本发明实施例的一种从金霉素发酵过程补糖速率优化控制的方法进行描述的示意图；

图5是本发明实施例中提供的发酵罐总糖浓度在线滚动预测方法的原理图；

图6是本发明实施例中基于二氧化碳含量变化划分发酵罐的发酵阶段的示意图；

图7是从数据处理的角度对本发明实施例中基于递归模糊神经网络的滚动修正算法流程图；

图8是本发明的一种从金霉素发酵过程补糖速率优化控制的系统实施例的结构框图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

由于金霉素发酵罐总糖浓度无法进行在线检测，目前只能靠人工定时取样分析，劳动强度大，分析时间间隔长，发酵罐总糖浓度波动大，对生产影响很大。有鉴于此，本发明的核心构思之一在于，建立了可在线校正的总糖浓度软测量模型，实现了总糖浓度在线预测和发酵过程补糖速率的优化控制，确保了发酵过程平稳生产，提高了金霉素发酵过程的生产效率，节约了生产成本。

参见图1给出了本发明的一种从金霉素发酵过程补糖速率优化控制的方法实施例的流程图，包括：

步骤101、根据预置的金霉素发酵过程的历史操作经验数据和操作规则数据，建立补糖速率设定模型，所述补糖速率设定模型包括针对金霉素发酵过程进行补糖操作设定的补糖速率的变化范围。

在微生物发酵过程中补充以糖为主要营养物质的养料来维持菌体的生理代谢和合成的需要。在现代化大规模金霉素发酵工业生产中，中间的补糖数量为基础料量的1～3倍。补糖过多、过早将会造成菌丝代谢的紊乱而导致失去控制；而补糖过晚、过低则会造成终端产品产量低、品质差。金色链霉菌菌株在发酵过程中可吸收利用的主要是具有还原性的葡萄糖，但是发酵液中还有其他的糖分，如果糖、蔗糖、戊糖、乳糖、麦芽糖、淀粉等，我们将这些糖分和葡萄糖一起称为总糖，而我们离线检测也是以总糖作为目标检测变量。

本发明实施例中，可以基于金霉素发酵过程的历史操作经验数据和操作规则数据建立补糖速率设定模型，具体而言，可以根据生产工艺指标、熟练操作工人和科技人员的实际经验以及逻辑推理规律构建专家规则集，为建立预测模型和控制算法提供重要的参考，基于历史操作经验和专家规则集可以设定补糖速率的目标模型，即要求控制系统按照规定的变化范围调节发酵过程的补糖速率，该补糖速率预设定模型也要按照生产负荷的变化进行适当的调整。

由于金霉素的发酵过程呈现高度的非线性、耦合性和复杂性，在对发酵过程的补糖控制过程中，不同的操作者、不同的操作方式和不同的季节所给出的补糖调控曲线都是各不相同的。对近期（例如近三年来）所有高产罐批的补糖曲线进行统计分析，可以得到一条平均补糖速率曲线，进一步结合工厂拟定的补糖速率调整策略，提出了一套以发酵液中总糖浓度为参考，以最优补糖速率曲线为目标的补糖速率调整策略模型，补糖速率调整策略模型的输入为由金霉素发酵罐总糖浓度软测量模型的预测值，输出为给出的优化补糖速率曲线值。

步骤102、基于所述发酵过程的历史数据，以及可在线检测的、发酵罐的相关参数值，采用数据挖掘算法、人工神经网络算法和最优化算法，建立可在线预测的、发酵罐中总糖浓度的软测量模型。

发酵过程的历史数据是收集近年来发酵罐的生产数据，建立了历史数据库，该数据库是建立软测量模型的基础，该数据库在实际应用过程中是不断更新的，金霉素发酵过程的历史数据包括每罐批发酵过程的输入空气流量、输入空气累积量、发酵罐体积、补糖累积量、氨水累积量、发酵尾气中的二氧化碳和氧气浓度。

所述历史数据包括本次预设采样周期以及上次预设采样周期中检测的、发酵罐的相关参数值以及软测量模型的输出值，所述预设采样周期为4～8小时，在所述预设采样周期中包括多个间隔均匀的采样点。

具体而言，在金霉素发酵过程中，由于总糖浓度无法在线检测，需要人工定时采样分析，又因多个发酵罐取样分析，劳动强度大。目前有些工厂采样分析时间间隔定为4～8个小时，例如设置离线分析采样间隔时间为8小时。由于时间间隔较长，发酵罐总糖浓度波动较大，对发酵的效价和发酵体积（即产品的质量和产量）影响也很大。在8小时离线采样分析点的间隔中均匀插入3个软测量点。模型的输入值既有本次离线间隔周期中的数据，也有上一个离线分析采样周期中的离线分析和软测量数据。与通常意义的软测量值不同，本发明将多个历史过程值和当前状态值作为模型的输入，通过赋予它们不同的影响力权值，使软测量结果既能消除输入数据的随机性扰动，又能及时反映发酵历时2小时后的糖浓度的变化，明显提高了软测量的精度。

可以进一步运用数据挖掘算法、人工神经网络算法和最优化算法，建立可在线预测总糖浓度的软测量模型。

数据挖掘是指从海量的数据库中抽取隐含的、具有潜在使用价值信息的过程。它是一种面向应用的技术，不仅针对特定数据库进行简单搜索查询，且对数据进行微观、中观乃至宏观的统计、分析、综合和推理，进而发现潜在的知识。

本发明采用数据挖掘方法的目的是在数据库中，对数据进行一定的处理，从大量的、不完全的、有噪声的、模糊的、随机的数据中提取隐含的、事先未知、但又潜在的有用信息和知识的过程，这里包括分类、聚类、估计、预测、关联和序列发现。具体的方法有统计分析法、模糊处理和遗传算法等。

人工神经网络可以分为多种类型，按照结点有无反馈划分的两种典型的网络结构：如前馈网络和反馈网络；学习算法的设计是人工神经网络应用的一项重要内容，学习算法设计得好，网络的学习能力就越强，容错能力也越强。

最优化方法是一门新兴的应用数学分支，其内容包括最优化问题概述、线性规划、无约束最优化方法、约束最优化方法、多目标最优化方法、动态规划、遗传算法、蚁群算法、粒子群算法，等等。每一种最优化方法都具有相应的计算公式或迭代步骤，通常称之为最优化算法。针对不同的优化问题可采用相应的最优化算法。

本方案运用到的数据挖掘方法可以包括分类和聚类分析、模糊数据处理。对于海量的金霉素发酵罐批数据，我们首先要对发酵过程按照最终产品的产量和发酵时间为标准以优秀、良好、中等、正常、合格、差、较差、极差和倒罐来进行分类。然后在每类中计算出各参数的均值、极值、方差和相关性系数等统计量。利用数据场聚类和模糊数据处理，将非线性的输入参数转化成线性的模型输入，利用自回归人工神经网络算法，构造一个总糖软测量模型。同时利用历史的罐批数据，基于遗传算法，对金霉素发酵过程的总糖浓度软测量模型按照最优化算法进行最优化模型参数进行寻优。那么该模型的输入就是发酵过程可测在线变量，如输入空气流量、输入空气累积量、发酵罐体积、补糖累积量、氨水累积量、发酵尾气中的二氧化碳和氧气浓度，模型的输出则为总糖浓度的预测值。

步骤103、根据所述历史数据和可在线检测以及离线分析的、发酵罐的相关参数值，对所述总糖浓度的软测量模型的参数进行校正，并按照校正后的软测量模型得出总糖浓度的预测值，进行校正时，使预测的总糖浓度值与离线分析的总糖浓度的偏差达到最小。

可以通过金霉素发酵罐在线测量总糖浓度的仪器，或是通过人工定时采样和离线分析总糖浓度值，总糖浓度值对校正软测量模型具有重要意义。所述可在线检测的、发酵罐的相关参数值包括在线检测的所述发酵罐的温度、压力、pH或溶解氧值，也可称之为发酵罐参数可在线检测值。

难测的参数值通过离线分析的方式获取，包括发酵罐总糖浓度、效价、粘度等，依此分析数据可对发酵过程进行分析和判断，并采取相应的调节措施。

基于发酵过程的历史数据、发酵罐参数可在线检测值和总糖浓度分析值，对总糖浓度的软测量模型进行在线自适应校正，以提高发酵过程总糖浓度的预测精度。

本发明实施例中，所述对总糖浓度的软测量模型的校正算法包括：

将P_1～n中的历史罐批数据对{X_1-n(t_f),Y_1-n(t_f)}和P_n+1中待预测罐批发酵时间截至到t_f时刻的已知输入输出数据对{X_n+1(t_f),Y_n+1(t_f)}组合成修正递归模糊神经网络权值的数据库{P_1～n，P_n+1}，其中，每进行一次修正时，就将新产生的输入输出数据对更新到历史罐批数据中，实现滚动修正算法的效果。

其中，P_1～n表示历史数据集，包括1～n个历史数据；P_n+1表示预测数据集，X_1-n(t_f)表示1～n个历史罐批依序在发酵时刻t_f-iτ对应的数据组成的在软测量模型输入的数据向量，Y_1-n(t_f)表示与X_1-n(t_f)对应的发酵t_f-iτ时刻实际输出值，X_n+1（t_f）表示发酵t_f时刻的软测量模型实时输入的数据向量，Y_n+1（t_f）表示发酵t_f时刻的软测量模型输出的数据向量，其中，i=n,L,1，τ为预设的发酵时间间隔。

需要说明的是，X_1-n(t_f)表示1～n个历史罐批依序在发酵时刻t_f-iτ对应的数据组成的在软测量模型输入的数据向量，i=n,L,1，其中，第1个历史罐批在发酵时刻对应的数据是指在发酵时刻t_f-nτ时刻对应的数据，第n个历史罐批在发酵时刻对应的数据是指在发酵时刻t_f-1τ时刻对应的数据，其它以此类推。

通过分析金霉素发酵过程的海量历史罐批数据，利用数据挖掘的方法得到了一个金霉素发酵过程总糖浓度软测量模型。将可测在线检测变量作为软测量模型的输入值，可实时得到发酵罐中不可测发酵关键变量总糖浓度值。尽管总糖浓度值可采用软测量方法获取，但也其与真实值的偏差值有时会出现不稳定的情况，这是微生物发酵的非线性特征决定的。输入罐批发酵过程的离线总糖检测值和对应的发酵时间，软测量模型会自动根据输入值，索引相应的参数表值，重新修正软测量模型参数，使得软测量值最大限度接近真实值，减小软测量系统误差。

在对所述软测量模型进行校正时，校正的方向是使该模型校正后预测的总糖浓度值与离线分析的总糖浓度的偏差达到最小。

步骤104、根据可在线检测的、发酵罐的相关参数值，对所述补糖速率设定模型进行校正，并按照校正后的补糖速率设定模型得出发酵过程中补糖速率的计算值，使所述计算值与校正前所述补糖速率设定模型输出的补糖速率的目标值的偏差达到最小。

基于历史操作经验和专家规则集，确定了补糖速率模型，基于发酵罐参数可在线检测值，可判断发酵过程处于哪一个阶段，并依此校正补糖速率模型，可以按照生产工艺要求，基于发酵阶段的确定和发酵过程历史数据，按照校正后的补糖速率设定模型，可以确定发酵过程补糖速率的计算值，在进行校正时，校正的方向是使所述计算值与校正前所述补糖速率设定模型输出的补糖速率的目标值（即自动控制系统中常用的设定值）的偏差达到最小。

因为金霉素发酵过程每个阶段对应的最优补糖速率是不同，同时每个罐批中的菌株生长也不尽相同，因此必须根据实际菌株的发酵生长状况来调整补糖速率，使得发酵罐中的补糖量满足微生物生长和产物合成的需要。基于发酵过程中的发酵时间、尾气中二氧化碳含量和总糖浓度软测量值，作为反馈变量，修正补糖速率曲线中的可调变量部分，校正补糖速率设定模型。

步骤105、按照预置的金霉素发酵过程中的补糖控制算法、预测的总糖浓度目标值以及发酵过程中补糖速率的目标值，计算发酵罐在相应发酵阶段的补糖速率。

基于校正后的补糖速率预设定模型确定的补糖速率的目标值，以及总糖浓度在线软测量模型确定的总糖浓度目标值，可以进一步按照预置的金霉素发酵过程中的补糖控制算法，确定发酵罐在相应发酵阶段的补糖速率。

其中，所述补糖控制算法如式（1）：

$U\left(t\right)=\stackrel{\‾}{U}\left(t\right)+\mathrm{\ΔU}\left(t\right)---\left(1\right)$

式（1）中，U(t)为t时刻的补糖速率；

为t时刻的补糖速率目标值；△U(t)为t时刻的补糖速率增量值；

所述补糖速率增量值说明如下：

△U(t)=δ(t)·σ_F(t)    （2）

式（2）中有：

$\mathrm{\δ}\left(t\right)=\frac{C_r\left(t\right)-C\left(t\right)}{{\mathrm{\σ}}_S\left(t\right)}---\left(3\right)$

式（3）中，t为发酵时间；δ(t)为补糖速率调整系数；σ_F(t)为补糖速率标准差，C_r(t)为总糖浓度目标值；C(t)为总糖浓度；σ_S为总糖浓度可调幅度。

步骤106、按照所述补糖速率进行补糖操作，以实现对发酵过程中补糖速率的智能控制。

综合补糖控制算法确定发酵罐在相应发酵阶段的补糖速率，并按照所述补糖速率进行补糖操作，可以实现发酵过程补糖速率的智能控制。

在进行补糖操作时，基于上述的公式(1)，(2)，(3)，实际的金霉素发酵过程的补糖速率以实时发酵时间为索引值，得到优化补糖速率的曲线值以及该时刻的目标总糖浓度值，可调节幅度值和补糖速率调节系数值。并求实时软测量得到的发酵液总糖浓度值与目标总糖浓度值的差值，利用该差值得到补糖速率的实时动量值。实时优化补糖速率曲线值与补糖速率实时动量值的和就是系统给出的金霉素发酵过程实时补糖速率值。

背景技术中，由于金霉素发酵罐总糖浓度无法进行在线检测，目前只能靠人工定时取样分析，劳动强度大，分析时间间隔长，发酵罐总糖浓度波动大，对生产影响很大。本发明采用数据挖掘技术、人工神经元网络技术、最优化控制技术等，运用机理模型和实验模型相结合方法，建立可在线校正的总糖浓度软测量模型。基于模糊神经网络技术和全局最优化方法，提出总糖浓度预测模型参数在线校正方法，实现了金霉素发酵过程补糖优化控制。研究并验证了补糖速率优化控制算法的优点，在没有总糖浓度在线检测装置的条件下，实现了金霉素发酵过程补糖优化控制。本发明的现场应用，明显减轻了工人的劳动强度，确保了发酵过程平稳生产，提高了金霉素发酵过程的生产效率，优化了产品的质量和产量，节约了生产成本。

本发明可应用于抗生素（如金霉素、红霉素、青霉素等）发酵过程，具有很好的应用前景和重大的经济效益。

为使本领域技术人员更好地理解本发明，以下通过不同的角度对本发明实施例所提出的从金霉素发酵过程补糖速率优化控制的方法进行说明。

简而言之，本发明实施例的方法可以包括：

①确定金霉素发酵过程影响产量和质量的主导参数，基于历史操作经验和专家规则集，建立补糖速率预设定模型。

②基于发酵过程历史数据，采用数据场聚类、模糊神经网络和滚动学习预报的优化方法，建立总糖浓度在线软测量模型。

③基于不断更新的历史数据、可在线检测参数值和总糖浓度离线分析值，确定总糖浓度模型和补糖速率模型的校正方法；④综合①、②、③确定金霉素发酵过程智能补糖控制算法，实现补糖速率的在线优化控制。

参考图2，示出了从数据来源的角度对本发明实施例的一种从金霉素发酵过程补糖速率优化控制的方法进行描述的示意图，具体包括：

金霉素发酵过程（A1）、历史操作经验和专家规则集（A2）、发酵过程的历史数据（A3）、总糖浓度离线分析值（A4）、发酵罐参数可在线检测值（A5）、补糖速率预设定模型（A6）、总糖浓度在线软测量模型（A7）、总糖浓度软测量模型校正（A8）、补糖速率模型校正（A9）、综合智能补糖控制算法（A10）以及补糖速率调节（A11）。

其中：

金霉素发酵过程（A1），即为120m³的发酵罐，该过程也适用于体积为50～200m³的发酵罐，该过程即为本系统的被控对象。

历史操作经验和专家规则集（A2）是基于现场熟练操作工人和科技人员的历史经验以及现场发酵过程的相关数据，建立的专家规则集，为建立预测模型和控制算法提供重要的参考。

发酵过程的历史数据（A3）是收集近年来发酵罐的生产数据，采用有关方法进行预处理，建立了历史数据库，该数据库在实际应用过程中是不断更新的，该数据库是建立软测量模型的基础。

总糖浓度离线参数分析值（A4），由于目前还没有可应用于金霉素发酵罐在线测量总糖浓度的仪器，总糖浓度只能通过人工定时采样和离线分析，总糖浓度分析值对校正软测量模型具有重要意义。

发酵罐参数可在线检测值（A5），通过在线检测发酵罐的温度、压力、pH、DO等，校正总糖浓度软测量模型和补糖速率模型。

补糖速率预设定模型（A6），根据生产工艺要求，基于历史操作经验和专家规则集（A2），设定补糖速率的目标模型，即要求控制系统按照规定的变化范围调节发酵过程的补糖速率，该补糖速率预设定模型（A6）也要按照生产负荷的变化进行适当的调整。

总糖浓度在线软测量模型（A7），基于发酵过程的历史数据（A3）和发酵罐参数可在线检测值（A5），运用数据挖掘技术、人工神经网络技术和最优化技术，建立可在线预测总糖浓度的软测量模型。

总糖浓度软测量模型校正（A8），基于发酵过程的历史数据（A3）、总糖浓度离线参数分析值（A4）和发酵罐参数可在线检测值（A5），对（A8）进行在线自适应校正，以提高发酵过程总糖浓度的预测精度。

补糖速率模型校正（A9），基于发酵罐参数可在线检测值，可判断发酵过程处于哪一个阶段，依此校正补糖速率模型。

综合智能补糖控制算法（A10），基于补糖速率预设定模型（A6）、总糖浓度在线软测量模型（A7）、总糖浓度软测量模型校正（A8）、补糖速率模型校正（A9），提出金霉素发酵过程综合智能补糖优化控制算法。

补糖速率调节（A11），由综合智能补糖控制算法（A10）确定发酵罐在相应发酵阶段的补糖速率，以实现发酵过程补糖速率的智能控制。

参考图3，示出了从数据关联的角度对本发明实施例的一种从金霉素发酵过程补糖速率优化控制的方法进行描述的示意图，具体包括：

金霉素发酵罐（B1）、发酵罐可在线检测参数（B2）、总糖浓度离线分析值（B3）、总糖浓度在线软测量模型（B4）、专家经验调节规则推理和控制算法参数修正模型（B5）、金霉素发酵罐补糖优化控制算法（B6）、补糖执行机构（B7）。

其中：

金霉素发酵罐（B1）是控制系统的被控对象，其适用的体积为50～200m³。

发酵罐可在线检测参数（B2）包括温度、压力、pH、DO、二氧化碳含量以及氧气含量等。

总糖浓度离线分析值（B3）是指在2～10小时之间，分析人员从现场发酵罐取样，回到化析室进行离线分析，以获得取样时刻的总糖浓度值。

总糖浓度在线软测量模型（B4），基于总糖浓度离线分析值（B3）和发酵罐参数可在线检测值（B2），可在线预测发酵罐总糖浓度值

。

专家经验调节规则推理和控制算法参数修正模型（B5），基于发酵罐可在线检测参数（B2）、总糖浓度离线分析值（B3）、（B4）输出值和（B6）输出值U(t)，确定对（B6）的修正策略，如表1所示。

表1速率调整系数δ(t)的确定规则

规则	前提	结论
			Rule1	0.7<k(t)≤1	δ(t)=0.5
Rule2	1<k(t)≤1.3	δ(t)=0.8
			Rule3	1.3<k(t)≤1.5	δ(t)=0.9
Rule4	k(t)>1.5	δ(t)=1
			Rule5	-1≤k(t)<-0.7	δ(t)=-0.5
Rule6	-1.3≤k(t)<-1	δ(t)=-0.7
			Rule7	-1.5≤k(t)<-1.3	δ(t)=-0.8
Rule8	k(t)<-1.5	δ(t)=-0.9
			Rule9	-0.7≤k(t)≤0.7	δ(t)=0

由表1可知，总糖偏差系数k(t)取决于总糖浓度的分析值偏离设定值的幅度。由表1规则可实现对（B6）中的控制算法进行修正。

金霉素发酵罐补糖优化控制算法（B6）为控制系统中的控制环节，总糖浓度设定值C_R与总糖浓度预测值

的差值C_e为（B6）的输入量，通过优化控制算法（B6）的计算，确定控制环节的输出值U(t)。

补糖执行机构（B7）包括计量罐、控制阀等，（B6）输出量U(t)为（B7）的输入量，通过U(t)确定当时的补糖量或补糖速率，以实现对发酵罐补糖速率的优化控制。

参考图4，示出了从数据处理的角度对本发明实施例的一种从金霉素发酵过程补糖速率优化控制的方法进行描述的示意图，具体包括：

发酵阶段的确定（C1）、发酵过程专家规则集（C2）、发酵过程历史数据（C3）、可在线检测的参数值（C4）、难测参数离线分析值（C5）、发酵过程补糖速率设定值（C6）、数据预处理（C7）、修正算法（C8）、发酵罐总糖浓度软测量模型（C9）、发酵罐补糖速率优化控制算法（C10）、发酵罐补糖速率调节（C11）。

其中：

发酵阶段的确定（C1），本发明通过统计分析发酵罐尾气中二氧化碳含量的变化趋势，提出一种新的发酵阶段划分方法，可区分菌体生长的停滞期、生长期、稳定期和衰亡期四个阶段，如图4所示。

发酵过程专家规则集（C2），基于生产工艺指标、熟练操作工人和科技人员的实际经验以及逻辑推理规律，构建专家规则集。

发酵过程历史数据（C3），基于发酵罐的实际生产数据，经过预处理后，建立历史数据库，而该数据库在实际应用过程中是不断更新的。

可在线检测的参数值（C4），包括温度、压力、pH、DO、空气流量、尾气中的二氧化碳和氧含量等，依此数据可对总糖浓度软测量模型和补糖速率模型进行校正。

难测参数离线分析值（C5），包括发酵罐总糖浓度、效价、粘度等，依此分析数据可对发酵过程进行分析和判断，并采取相应的调节措施。

发酵过程补糖速率设定值（C6），按照生产工艺要求，基于发酵阶段的确定（C1）、发酵过程专家规则集（C2）和发酵过程历史数据（C3），确定发酵过程补糖速率的设定值（目标值）。

数据预处理（C7），利用数据场聚类，对模型输入变量进行模糊化预处理。数据场聚类分析可以揭示样本数据的形状、个数、大小和密度等聚类属性。数据场聚类的结果不依赖于人为的选择，而是样本数据自身属性的呈现，具有一定的稳定性。

修正算法（C8），本发明采用滚动修正算法，具体的修正算法流程如图7所示。

发酵罐总糖浓度软测量模型（C9），基于预处理的历史数据（C7）、和修正算法（C8），运用数据预处理方法、递归模糊神经网络和全局最优化算法，建立可在线预测发酵罐总糖浓度的软测量模型。

发酵罐补糖速率优化控制算法（C10），本发明提出的补糖速率控制算法如下：

$U\left(t\right)=\stackrel{\‾}{U}\left(t\right)+\mathrm{\ΔU}\left(t\right)---\left(1\right)$

式中，U(t)为t时刻的补糖速率；

为t时刻的补糖速率预设定值；△U(t)为t时刻的补糖速率增量值。

式（1）中的增量项说明如下

△U(t)=δ(t)·σ_F(t)    （2）

式（2）中有

$\mathrm{\δ}\left(t\right)=\frac{C_r\left(t\right)-C\left(t\right)}{{\mathrm{\σ}}_S\left(t\right)}---\left(3\right)$

上式中，t为发酵时间；δ(t)为补糖速率调整系数；σ_F(t)为补糖速率标准差；C_r(t)为总糖浓度目标值；C(t)为总糖浓度；σ_S为总糖浓度可调幅度。发酵罐补糖速率调节（C11），基于（C10）计算优化的控制量，通过补糖执行机构（B7）实现对发酵罐补糖速率的优化控制。

参考图5示出了本发明实施例中提供的发酵罐总糖浓度在线滚动预测方法的原理图，其说明如下：

在金霉素发酵过程中，由于总糖浓度无法在线检测，需要人工定时采样分析，又因多个发酵罐取样分析，劳动强度大。目前有些工厂采样分析时间间隔定为4～8个小时，本发明在现场实验过程中，分别设置了离线分析采样间隔时间为6小时和8小时。对于时间间隔较长，发酵罐总糖浓度波动也较大，对发酵的效价和发酵体积（即产品的质量和产量）影响也大。

如图5所示，在8小时离线采样分析点的间隔中均匀插入3个软测量点。模型的输入值既有本次离线间隔周期中的数据，也有上一个离线分析采样周期中的离线分析和软测量数据。与通常意义的软测量值不同，本发明将多个历史过程值和当前状态值作为模型的输入，通过赋予它们不同的影响力权值，使软测量结果既能消除输入数据的随机性扰动，又能及时反映发酵历时2小时后的糖浓度的变化，明显提高了软测量的精度。

参考图6，示出了本发明实施例中基于二氧化碳含量变化划分发酵罐的发酵阶段的示意图。

具体而言，在实际的发酵生产过程中，很难准确地判断金色链霉菌各生长阶段彼此的分界限。通常的阶段划分方法是人工预先设定好四个固定的发酵时间节点，然后将其作为阶段与阶段之间的界限。本发明通过统计分析发酵罐尾气中二氧化碳含量的变化趋势，提出了一种新的阶段划分方法，将发酵过程分为：菌体生长的停滞期、生长期、稳定期和衰亡期四个阶段。

参考图7，示出了从数据处理的角度对本发明实施例中基于递归模糊神经网络的滚动修正算法流程图。

具体而言，将P_1～n中的历史罐批数据对{X_1-n(t_f),Y_1-n(t_f)}和P_n+1中待预测罐批发酵时间截至到t_f时刻的已知输入输出数据对{X_n+1(t_f),Y_n+1(t_f)}组合成修正递归模糊神经网络权值的数据库{P_1～n，P_n+1}。每进行一次修正时，就将新产生的输入输出数据对更新到历史罐批数据中，实现滚动修正算法的效果，具体的修正算法流程如图7所示。

其中，P_1～n表示历史数据集，包括1～n个历史数据；P_n+1表示预测数据集，X_1-n(t_f)表示1～n个历史罐批依序在发酵时刻t_f-iτ对应的数据组成的在软测量模型输入的数据向量，Y_1-n(t_f)表示与X_1-n(t_f)对应的发酵t_f-iτ时刻实际输出值，X_n+1（t_f）表示发酵t_f时刻的软测量模型实时输入的数据向量，Y_n+1（t_f）表示发酵t_f时刻的软测量模型输出的数据向量，其中，i=n,L,1，τ为预设的发酵时间间隔。

图7的算法具体可以包括如下步骤：

第一步：整理过往正常发酵罐批的数据，并将得到的数据分为历史罐批数据和预测罐批数据。

第二步：从历史罐批数据集中随机抽取n组数据作为一列n元的输入数据向量列。并从预测罐批数据集中随机抽取一个罐批数据作为待预测的罐批。

第三步：将历史罐批数据的输入和输出数据依发酵时间从t_f-mτ时刻到t_f-τ时刻逐次排列为一列输入值列和预测罐批数据t_f时刻的输入合并构成RFNN软测量模型的输入值向量。

第四步：输入值向量通过RFNN软测量模型得到t_f时刻的软测量值，并计算该值与预测罐批t_f时刻的真值的误差。根据偏差的大小，调整RFNN网络模型的系数。并判断待预测的罐批的数据是否发酵完成，如果没有完成，则进行t_f+τ预测点的软测量计算。如果本罐批的所有软测量点已经完成了预测，则将该预测罐批作为历史罐批添加到历史罐批数列中。

第五步：更新预测罐批，重复步骤1到步骤5，训练RFNN网络模型。

参见图8给出了本发明的一种从金霉素发酵过程补糖速率优化控制的系统实施例的结构框图，包括：

金霉素发酵单元201，用于采用金霉素发酵罐进行金霉素发酵；

参数在线检测单元202，用于在线检测金霉素发酵罐的相关参数值；

参数离线获取单元203，用于在2～10小时之间，从现场发酵罐取样，通过离线分析方式获得取样时刻的相关参数值；

补糖速率设定模型建立单元204，用于根据预置的金霉素发酵过程的历史操作经验数据和操作规则数据，建立补糖速率设定模型，所述补糖速率设定模型包括针对金霉素发酵过程进行补糖操作设定的补糖速率的变化范围；

软测量模型建立单元205，用于基于所述发酵过程的历史数据，以及可在线检测的、发酵罐的相关参数值，采用数据挖掘算法、人工神经网络算法和最优化算法，建立可在线预测的、发酵罐中总糖浓度的软测量模型；

软测量模型校正单元206，用于根据所述历史数据和可在线检测以及离线分析的、发酵罐的相关参数值，对所述总糖浓度的软测量模型的参数进行校正，并按照校正后的软测量模型得出预测的总糖浓度值，进行校正时，使预测的总糖浓度值与离线分析的总糖浓度的偏差达到最小；

补糖速率设定模型校正单元207，用于根据可在线检测的、发酵罐的相关参数值，对所述补糖速率设定模型进行校正，并按照校正后的补糖速率设定模型得出发酵过程中补糖速率的计算值，使所述计算值与校正前所述补糖速率设定模型输出的补糖速率的目标值的偏差达到最小；

补糖控制算法运算单元208，用于按照预置的金霉素发酵过程中的补糖控制算法、预测的总糖浓度目标值以及发酵过程中补糖速率的目标值，计算发酵罐在相应发酵阶段的补糖速率；

补糖执行单元209，用于按照所述补糖速率进行补糖操作，以实现对发酵过程中补糖速率的智能控制。

本发明实施例中，优选地，所述补糖控制算法如式（1）：

$U\left(t\right)=\stackrel{\‾}{U}\left(t\right)+\mathrm{\ΔU}\left(t\right)---\left(1\right)$

式（1）中，U(t)为t时刻的补糖速率；为t时刻的补糖速率目标值；△U(t)为t时刻的补糖速率增量值；

所述补糖速率增量值如式（2）：

△U(t)=δ(t)·σ_F(t)    （2）

式（2）中有：

$\mathrm{\δ}\left(t\right)=\frac{C_r\left(t\right)-C\left(t\right)}{{\mathrm{\σ}}_S\left(t\right)}---\left(3\right)$

式（3）中，t为发酵时间；δ(t)为补糖速率调整系数；σ_F(t)为补糖速率标准差，C_r(t)为总糖浓度目标值；C(t)为总糖浓度；σ_S为总糖浓度可调幅度。

本发明实施例中，优选地，所述软测量模型校正单元206，具体用于将P_1～n中的历史罐批数据对{X_1-n(t_f),Y_1-n(t_f)}和P_n+1中待预测罐批发酵时间截至到t_f时刻的已知输入输出数据对{X_n+1(t_f),Y_n+1(t_f)}组合成修正递归模糊神经网络权值的数据库{P_1～n，P_n+1}，其中，每进行一次修正时，就将新产生的输入输出数据对更新到历史罐批数据中，实现滚动修正算法的效果。

本发明实施例中，优选地，所述历史数据包括本次预设采样周期以及上次预设采样周期中检测的、发酵罐的相关参数值以及软测量模型的输出值，所述预设采样周期为4～8小时，在所述预设采样周期中包括多个间隔均匀的采样点。

本发明实施例中，优选地，所述系统还包括：

发酵阶段确定模块，用于通过统计分析所述金霉素发酵罐中的二氧化碳的含量的变化趋势确定金霉素发酵阶段，所述金霉素发酵阶段分为菌体生长的停滞期、生长期、稳定期和衰亡期。

本发明实施例中，优选地，所述系统还包括：

预处理模块，用于采用数据场聚类法对所述历史数据进行模糊化预处理，所述数据场聚类法用于分析数据的形状、个数、大小和密度的聚类属性。

本发明实施例中，优选地，所述可在线检测的、发酵罐的相关参数值包括在线检测的所述发酵罐的温度、压力、pH和溶解氧值。

本发明实施例中，优选地，所述总糖浓度值为通过在2～10小时之间，从现场发酵罐取样，采用离线分析方式获得取样时刻的总糖浓度值。

背景技术中，由于金霉素发酵罐总糖浓度无法进行在线检测，目前只能靠人工定时取样分析，劳动强度大，分析时间间隔长，发酵罐总糖浓度波动大，对生产影响很大。本发明采用数据挖掘技术、人工神经元网络技术、最优化控制技术等，运用机理模型和实验模型相结合方法，建立可在线校正的总糖浓度软测量模型。基于模糊神经网络技术和全局最优化方法，提出总糖浓度预测模型参数在线校正方法，实现了金霉素发酵过程补糖优化控制。研究并验证了补糖速率优化控制算法的优点，在没有总糖浓度在线检测装置的条件下，实现了金霉素发酵过程补糖优化控制。本发明的现场应用，明显减轻了工人的劳动强度，确保了发酵过程平稳生产，提高了金霉素发酵过程的生产效率，优化了产品的质量和产量，节约了生产成本。

本发明可应用于抗生素（如金霉素、红霉素、青霉素等）发酵过程，具有很好的应用前景和重大的经济效益。

对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和部件并不一定是本发明所必须的。

以上对本发明所提供的一种从金霉素发酵过程补糖速率优化控制的方法和系统进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (9)

1.一种金霉素发酵过程补糖速率优化控制的方法，其特征在于，包括：

根据预置的金霉素发酵过程的历史操作经验数据和操作规则数据，建立补糖速率设定模型，所述补糖速率设定模型包括针对金霉素发酵过程进行补糖操作设定的补糖速率的变化范围；

基于所述发酵过程的历史数据，以及可在线检测的、发酵罐的相关参数值，采用数据挖掘算法、人工神经网络算法和最优化算法，建立可在线预测的、发酵罐中总糖浓度的软测量模型；

根据所述历史数据和可在线检测以及离线分析的、发酵罐的相关参数值，对所述总糖浓度的软测量模型的参数进行校正，并按照校正后的软测量模型得出预测的总糖浓度目标值，进行校正时，使预测的总糖浓度值与离线分析的总糖浓度的偏差达到最小；

根据可在线检测的、发酵罐的相关参数值，对所述补糖速率设定模型进行校正，并按照校正后的补糖速率设定模型得出发酵过程中补糖速率的计算值，使所述计算值与校正前所述补糖速率设定模型输出的补糖速率的目标值的偏差达到最小；

按照预置的金霉素发酵过程中的补糖控制算法、预测的总糖浓度目标值以及发酵过程中补糖速率的目标值，计算发酵罐在相应发酵阶段的补糖速率；

按照所述补糖速率进行补糖操作，以实现对发酵过程中补糖速率的智能控制。

2.如权利要求1所述的方法，其特征在于，所述补糖控制算法如式（1）：

$U\left(t\right)=\stackrel{\‾}{U}\left(t\right)+\mathrm{\ΔU}\left(t\right)---\left(1\right)$

式（1）中，U(t)为t时刻的补糖速率；为t时刻的补糖速率目标值；△U(t)为t时刻的补糖速率增量值；

所述补糖速率增量值如式（2）：

△U(t)=δ(t)·σ_F(t)    （2）

式（2）中有：

$\mathrm{\δ}\left(t\right)=\frac{C_r\left(t\right)-C\left(t\right)}{{\mathrm{\σ}}_S\left(t\right)}---\left(3\right)$

式（3）中，t为发酵时间；δ(t)为补糖速率调整系数；σ_F(t)为补糖速率标准差，C_r(t)为总糖浓度目标值；C(t)为总糖浓度；σ_S为总糖浓度可调幅度。

3.如权利要求1所述的方法，其特征在于，对所述总糖浓度的软测量模型的参数进行校正包括：

将P_1～n中的历史罐批数据对{X_1-n(t_f),Y_1-n(t_f)}和P_n+1中待预测罐批发酵时间截至到t_f时刻的已知输入输出数据对{X_n+1(t_f),Y_n+1(t_f)}组合成修正递归模糊神经网络权值的数据库{P_1～n，P_n+1}，其中，每进行一次修正时，就将新产生的输入输出数据对更新到历史罐批数据中，实现滚动修正算法的效果；

其中，P_1～n表示历史数据集，包括1～n个历史数据；P_n+1表示预测数据集，X_1-n(t_f)表示1～n个历史罐批依序在发酵时刻t_f-iτ对应的数据组成的在软测量模型输入的数据向量，Y_1-n(t_f)表示与X_1-n(t_f)对应的发酵t_f-iτ时刻实际输出值，X_n+1（t_f）表示发酵t_f时刻的软测量模型实时输入的数据向量，Y_n+1（t_f）表示发酵t_f时刻的软测量模型输出的数据向量，其中，i=n,L,1，τ为预设的发酵时间间隔。

4.如权利要求1所述的方法，其特征在于，所述历史数据包括本次预设采样周期以及上次预设采样周期中检测的、发酵罐的相关参数值以及软测量模型的输出值，所述预设采样周期为4～8小时，在所述预设采样周期中可包括多个间隔均匀的采样点。

5.如权利要求1所述的方法，其特征在于，还包括：

通过统计分析所述金霉素发酵罐中的二氧化碳的含量的变化趋势确定金霉素发酵阶段，所述金霉素发酵阶段分为菌体生长的停滞期、生长期、稳定期和衰亡期四个阶段。

6.如权利要求1所述的方法，其特征在于，还包括：

采用数据场聚类法对所述历史数据进行模糊化预处理，所述数据场聚类法用于分析数据的形状、个数、大小和密度的聚类属性。

7.如权利要求1所述的方法，其特征在于，所述可在线检测的、发酵罐的相关参数值包括在线检测的所述发酵罐的温度、压力、pH和溶解氧值。

8.如权利要求1所述的方法，其特征在于，所述总糖浓度值为通过在2～10小时之间，从现场发酵罐取样，采用离线分析方式获得取样时刻的总糖浓度值。

9.一种金霉素发酵过程补糖速率优化控制的系统，其特征在于，包括：

金霉素发酵单元，用于采用金霉素发酵罐进行金霉素发酵；

参数在线检测单元，用于在线检测金霉素发酵罐的相关参数值；

参数离线获取单元，用于在2～10小时之间，从现场发酵罐取样，通过离线分析方式获得取样时刻的相关参数值；

补糖速率设定模型建立单元，用于根据预置的金霉素发酵过程的历史操作经验数据和操作规则数据，建立补糖速率设定模型，所述补糖速率设定模型包括针对金霉素发酵过程进行补糖操作设定的补糖速率的变化范围；

软测量模型建立单元，用于基于所述发酵过程的历史数据，以及可在线检测的、发酵罐的相关参数值，采用数据挖掘算法、人工神经网络算法和最优化算法，建立可在线预测的、发酵罐中总糖浓度的软测量模型；

软测量模型校正单元，用于根据所述历史数据和可在线检测以及离线分析的、发酵罐的相关参数值，对所述总糖浓度的软测量模型的参数进行校正，并按照校正后的软测量模型得出预测的总糖浓度值，进行校正时，使预测的总糖浓度值与离线分析的总糖浓度的偏差达到最小；

补糖速率设定模型校正单元，用于根据可在线检测的、发酵罐的相关参数值，对所述补糖速率设定模型进行校正，并按照校正后的补糖速率设定模型得出发酵过程中补糖速率的计算值，使所述计算值与校正前所述补糖速率设定模型输出的补糖速率的目标值的偏差达到最小；

补糖控制算法运算单元，用于按照预置的金霉素发酵过程中的补糖控制算法、预测的总糖浓度目标值以及发酵过程中补糖速率的目标值，计算发酵罐在相应发酵阶段的补糖速率；

补糖执行单元，用于按照所述补糖速率进行补糖操作，以实现对发酵过程中补糖速率的智能控制。

Images