CN106022532A - 谷氨酸产物浓度在线估计方法、装置及监控系统 - Google Patents

Abstract

本发明公开了一种谷氨酸生产过程产物浓度在线估计方法、装置及监控系统，首先选取影响产物浓度变化的输入变量，以离线分析所得到的产物浓度值作为输出变量，建立具有输出非线性特征的谷氨酸产物浓度估计模型，并利用最小二乘迭代辨识的方法确定模型参数，实现谷氨酸产物浓度的在线估计。本发明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

谷氨酸产物浓度在线估计方法、装置及监控系统

技术领域：

本发明属于生化生产过程建模和应用领域，特别涉及一种具有输出非线性特征的谷氨酸生产过程产物浓度模型的参数估计和产物浓度在线估计方法、装置及监控系统。

背景技术：

谷氨酸是生物机体内氮代谢的基本氨基酸之一，世界上氨基酸产量最大的品种，是工业发酵领域的重要产品。谷氨酸发酵生产过程具有高度非线性、重复性较差、慢时变等特征。在实际的生产过程中，谷氨酸浓度是一个重要的生产质量指标，对其精确的预测，能够极大的提高控制效果，提高谷氨酸的产量，但是由于现有技术的限制，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。谷氨酸的浓度的离线测量往往需要花费更多的时间，无法实时的给出谷氨酸浓度，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，通常需要对谷氨酸产物浓度模型进行参数估计，进而实现进行谷氨酸产物浓度的在线预测。

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模型的辨识。输出非线性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。由于块结构非线性模型在生化、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。最小二乘迭代辨识应用于输出非线性模型有以下几个优点：(1)输出非线性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)在输出非线性模型这个结构中，非线性部分则描述了谷氨酸浓度的非线性曲线，动态线性部分描述了反应罐中流加物料数量的动态性。(3)最小二乘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。目前，针对输出非线性模型，利用最小二乘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。

谷氨酸发酵过程涉及到微生物细胞的生长和代谢，是一个具有时变性、随机性和多变量输入输出的动态过程。由于有些变量(菌体浓度、基质浓度、产物得率等)在线检测困难，不能直接作为被控变量，因此在发酵过程中主要采用与质量有关的变量，如温度、搅拌转速、pH值、溶解氧、泡沫等作为被控变量。针对发酵过程中影响微生物代谢的各环境参数的重要性，对温度、压力、溶解氧和泡沫高度进行重点控制。

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在线预测的原因。通过过程中可测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。

发明内容：

1、本发明的目的：

本发明针对谷氨酸生产过程中产物浓度在线估计时间过长，难以通过过程中的可测变量对谷氨酸进行准确估计，而提供一种谷氨酸产物浓度的在线估计方法、装置及监控系统。

2、本发明所采用的技术方案：

本发明提出的具有输出非线性特征的谷氨酸产物浓度模型的参数估计方法，其主要步骤分别如下：

(1)通过谷氨酸生产过程的集散控制系统获取各个输入变量的数据。分别将这些数据存入历史数据库。

(2)通过实验室化学分析获取与输入数据对应的谷氨酸产物浓度值，作为输出非线性模型的输出变量。

(3)分别对步骤1获取的输入变量和步骤2获取的输出变量进行归一化，使得各个过程变量值落在区间[-1，1]之内，得到新的数据集。

(4)基于归一化之后的输入和输出变量数据，建立基于输出非线性模型的谷氨酸产物浓度的估计模型，利用最小二乘迭代辨识的方法确定模型参数并保存。

(5)在线采集谷氨酸生产过程的各个输入变量的新数据，并对其进行归一化。将归一化之后的新数据直接输入到谷氨酸产物浓度模型中，获得该实时数据对应的谷氨酸浓度估计值。

本发明提供的一种谷氨酸产物浓度的在线检测装置，包括：

用于通过集散控制系统收集谷氨酸生产过程的发酵时间、溶氧浓度和氧更新率的值作为输入变量，分别将这些数据存入历史数据库的数据库装置；

用于通过实验室分析得到所对应的谷氨酸产物浓度值，作为谷氨酸产物浓度模型的输出变量的浓度值装置；

用于分别对数据库装置获取的输入变量和浓度值装置获取的输出变量进行归一化，使得各个输入变量和输出变量落在区间[-1，1]之内，得到新的数据集的归一数值存储装置；

用于依据归一化之后的输入变量和输出变量，建立基于输出非线性模型的谷氨酸产物浓度的估计模型，利用最小二乘迭代辨识的方法确定模型参数并保存的建模装置；

用于在线采集谷氨酸生产过程的各个输入变量的新数据，并对其进行归一化；将归一化之后的新数据输入到谷氨酸产物浓度模型中，获得该实时数据对应的谷氨酸浓度估计值的估计装置；

其中，所述建模装置中，建立具有输出非线性特征的谷氨酸产物浓度估计模型为：

${\mathrm{\β}}^{*}\left(k\right)={\mathrm{\λ}}_{11}{\mathrm{\α}}_1^{*}\left(k\right)+{\mathrm{\λ}}_{21}{\mathrm{\α}}_2^{*}(k-1){\mathrm{\λ}}_{22}{\mathrm{\α}}_2^{*}\left(k\right)+{\mathrm{\λ}}_{31}{\mathrm{\α}}_3^{*}(k-1)+{\mathrm{\λ}}_{32}{\mathrm{\α}}_3^{*}\left(k\right){\mathrm{\γ}}_2{\left({\mathrm{\β}}^{*}\right)}^2\left(k\right)-{\mathrm{\γ}}_3{\left({\mathrm{\β}}^{*}\right)}^3\left(k\right),$ 式中分别表示归一化后的发酵时间、溶氧浓度和氧更新率，β^*(k)表示谷氨酸产物浓度，λ₁₁,λ₂₁,λ₂₂,λ₃₁,λ₃₂,γ₂,γ₃为模型待辨识的参数；

构造辨识谷氨酸产物浓度估计模型参数的最小二乘迭代算法，具体为：

式中Ξ(N)为堆积的输出向量，B(N)为堆积的信息矩阵，N为总的样本数量，l为迭代变量，为第l步的参数迭代估计值。

本发明提供的谷氨酸产物浓度的在线监控系统，包括：PLC、上部温度传感器、中部温度传感器、下部温度传感器、压力传感器、液位传感器、溶氧仪、上部电磁阀、中部电磁阀、下部电磁阀、压力调节阀、200W电阻丝和400W电阻丝，两块EM235模拟量扩展模块；PLC通过PC/PPI总线与上位机PC通信；上部电磁阀、中部电磁阀、下部电磁阀、压力调节阀、200W电阻丝和400W电阻丝分别与CPU通信进行控制；上部温度传感器、中部温度传感器、下部温度传感器、压力传感器、液位传感器、溶氧仪分别与两块EM235模拟量扩展模块相连传递测量数据；上部电磁阀、中部电磁阀、下部电磁阀分别与上部温度传感器、中部温度传感器、下部温度传感器相连进行检测开关控制，所述的压力调节阀与压力传感器相连。

优选的，所述的PLC为西门子PLC S7-224CN。

3、本发明的有益效果：

本发明通过最小二乘迭代算法估计输出非线性模型的参数，从而建立谷氨酸产物浓度模型，利用该生产过程中的可测输入变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为本发明的流程图。

图2发酵罐监控系统结构示意图。

图3为谷氨酸质量浓度在线估计。

具体实施方式：

一、实施例

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输入可测变量，利用输入非线性模型建立其与产物浓度之间的关系模型，并利用最小二乘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估计。

本发明针对具有输入非线性特征的谷氨酸产物浓度模型的在线估计方法，如图1所示， 本发明的技术包括6个流程步骤，其中步骤4为该专利技术与常规技术不同之处；具体步骤如下：

第一步通过集散控制系统收集谷氨酸生产过程各个输入变量的数据：I＝{α_i(k)},i＝1,2,3。其中，k为样本数，α_i(k)为谷氨酸生产过程的输入变量。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，作为谷氨酸产物浓度模型的输出变量：Δ＝{β(k)}，式中β(k)为产物浓度值，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在线预测的原因。通过过程中可测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，得到新的数据集。

第四步基于归一化之后的输入和输出数据，建立具有输入非线性特征的谷氨酸产物浓度模型，并利用最小二乘迭代算法估计模型参数，将该测量模型参数存入数据库中。

(1)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，β^*(k)为归一化后的谷氨酸产物浓度。m(k)为谷氨酸产物浓度模型的中间变量，表示为：

$m\left(k\right)={\mathrm{\λ}}_{11}{\mathrm{\α}}_1^{*}\left(k\right)+{\mathrm{\λ}}_{21}{\mathrm{\α}}_2^{*}(k-1)+{\mathrm{\λ}}_{22}{\mathrm{\α}}_2^{*}\left(k\right)+{\mathrm{\λ}}_{31}{\mathrm{\α}}_3^{*}(k-1)+{\mathrm{\λ}}_{32}{\mathrm{\α}}_3^{*}\left(k\right).---\left(1\right)$

同时

m(k)＝f^-1[β^*(k)]， (2)

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[β^*(k)]＝γ₁β^*(k)+γ₂(β^*)²(k)+γ₃(β^*)³(k)。 (3)

把(1)和(3)代入(2)可得到谷氨酸产物浓度模型为：

${\mathrm{\β}}^{*}\left(k\right)={\mathrm{\λ}}_{11}{\mathrm{\α}}_1^{*}\left(k\right)+{\mathrm{\λ}}_{21}{\mathrm{\α}}_2^{*}(k-1){\mathrm{\λ}}_{22}{\mathrm{\α}}_2^{*}\left(k\right)+{\mathrm{\λ}}_{31}{\mathrm{\α}}_3^{*}(k-1)+{\mathrm{\λ}}_{32}{\mathrm{\α}}_3^{*}\left(k\right){\mathrm{\γ}}_2{\left({\mathrm{\β}}^{*}\right)}^2\left(k\right)-{\mathrm{\γ}}_3{\left({\mathrm{\β}}^{*}\right)}^3\left(k\right).---\left(4\right)$

设

ψ_c(k):＝[-γ₂(β^*)²(k),-γ₃(β^*)³(k)]^T∈R²，

则信息向量

设

则参数向量

公式(4)可表示为：

(2)针对建立的谷氨酸产物浓度模型提出最小二乘迭代算法。

定义堆积输出向量B(N)和堆积信息矩阵Ξ(N)：

B(L):＝[β^*(N),β^*(N-1),L,β^*(1)]^T∈R^N，

Ξ(N):＝[ψ(N),ψ(N-1),L,ψ(1)]^T∈R^N′7，其中N为总的样本数量。

定义二次损失函数为

定义l＝1,2,3,L为迭代变量，为在第l步的迭代估计值。

利用最小二乘迭代方法优化准则函数，得到迭代算法的估计值：

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输入变量的数据，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谷氨酸产物浓度模型中，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。

二、采用的硬件结构

具体如图2所示：

1、监控系统的组成

谷氨酸发酵过程涉及到微生物细胞的生长和代谢，是一个具有时变性、随机性和多变量输入输出的动态过程。由于有些变量(菌体浓度、基质浓度、产物得率等)在线检测困难，不能直接作为被控变量，因此在发酵过程中主要采用与质量有关的变量，如温度、搅拌转速、pH值、溶解氧、泡沫等作为被控变量。针对发酵过程中影响微生物代谢的各环境参数的重要性，对温度、压力、溶解氧和泡沫高度进行重点控制。

本发明选用西门子公司的PLC S7-224CN为控制核心，实现信号的采集并通过PC/PPI总线与上位机PC通信。发酵罐监控系统有6路模拟量输入，包括上部温度传感器信号、中部温度传感器信号、下部温度传感器信号、压力传感器信号、液位传感器信号、溶氧仪信号；6路数字量输出，包括上部电磁阀控制信号、中部电磁阀控制信号、下部电磁阀控制信号、压力调节阀控制信号、200W电阻丝控制信号和400W电阻丝控制信号，选用两块EM235作为模拟量扩展模块。

2、控制方案

(1)、温度控制回路

温度对谷氨酸发酵的影响是多方面的，温度不仅会影响菌体内各种酶的活性，还会影响生物合成途径，此外，对发酵液的物理性质也会产生影响。因此发酵过程需维持适宜的温度。一般来讲，谷氨酸产生菌的最适生长温度为30-34℃，其生产谷氨酸的最适温度为35-37℃。在谷氨酸发酵前期长菌的阶段应采用与种子扩大培养时相应的温度，以满足菌体生长最适温度。若发酵前期温度过高，菌体容易衰老，生产上常出现前劲大后劲小，后期产酸缓慢，菌体衰老自溶，周期长、产酸低，并影响提取；若前期温度过低，则菌体繁殖缓慢，周期长，必要时可补加玉米浆，以促进生长。一般控制在发酵开始的温度上，每隔5-6小时升1℃即可。在发酵中、后期菌体生长已停止，由于谷氨酸脱氢酶的最适温度比菌体生长繁殖的温度要高，为大量积累谷氨酸，需要适当提高温度。发酵工艺上要求温度控制系统能快速、小超调、无余差地跟踪给定值的变化。在实际工程应用中，为了降低工程实施的难度，使用PID控制算法对谷氨酸发酵罐的上、中、下温度进行控制。S7-200PLC的指令集中直接提供了PID计算功能，所以利用此指令将控制参数存入相应的寄存器中，通过不断调试整定参数，最后去一组最佳值进行温度控制，选用增量PID，设采样周期为T，增量式PID控制算法的离散化形式为：

Δu＝K_p[e(k)-e(k-1)]+K_ie(k)+K_d[e(k)-2e(k-1)+e(k-2)]，

其中：Δu是控制器输出，K_p是比例系数，K_i是积分系数，K_d微分系数，e(k)系统偏差。

(2)、压力控制回路

谷氨酸发酵工艺过程对控制的要求除了控制罐温在特定阶段与设定的工艺曲线相吻合以外，还要控制罐内气体的有效排放，以使罐内压力符合工艺要求。在发酵期间，如压力升得过高，应缓慢放气，使压力达到要求。放气太快，发酵液内溶解的CO2骤然汽化逸出。PLC根据发酵罐内的压力来调节电磁阀的动作。

(3)、溶氧控制回路

通常对搅拌式发酵罐中溶解氧的控制是通过调节搅拌电机的转速和通气量来实现的，转速调节器控制搅拌电机的转速，从而控制搅拌叶的转动；并且对电磁阀进行脉宽调制可以实现对通气量精确连续的调节，达到改变发酵液中溶氧浓度的目的。

(4)监控系统组态

通过PC/PPI总线把PLC和上位机连接，发酵罐自动监控系统可以根据工艺要求实现对各发酵罐内的温度、压力等影响谷氨酸质量的重要因素进行实时监控。通过组态王软件设定和修改各种工艺参数。基于PC的网络监控实现对整个发酵罐的监控，主要由基本信息显示、工艺参数配置、设备监视、工艺实时/历史曲线显示等四个主要界面组成。

三、验证结果

以下结合一个具体的谷氨酸生产过程例子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20批次正常发酵数据，每批次包括18个采样点，一共采集了360个数据来进行建模。在该过程中，我们一共选取了发酵时间、溶氧浓度和氧更新率作为输入变量对产物浓度进行在线估计。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360个建模样本中的输入变量和输出变量进行预处理和归一化，使得各个输入变量和产物浓度值落在区间[-1，1]之内，得到新的建模数据集。

2、将选取输入变量组成的数据集作为谷氨酸产物浓度模型的输入，产物浓度数据作为该模型的输出，并利用最小二乘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输入变量的新数据，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谷氨酸产物浓度模型中，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。

采用本发明的方法对谷氨酸产物浓度进行在线估计，估计均方误差为0.05798，能对谷氨酸产物浓度进行精确估计，具体如图3所示。

Claims (4)

1.一种谷氨酸产物浓度在线估计方法，其特征在于主要步骤如下：

(1)通过集散控制系统收集谷氨酸生产过程的发酵时间、溶氧浓度和氧更新率的值作为输入变量，分别将这些数据存入历史数据库；

(2)通过实验室分析得到所对应的谷氨酸产物浓度值，作为谷氨酸产物浓度模型的输出变量；

(3)分别对步骤(1)获取的输入变量和步骤(2)获取的输出变量进行归一化，使得各个输入变量和输出变量落在区间[-1，1]之内，得到新的数据集；

(4)依据归一化之后的输入变量和输出变量，建立基于输出非线性模型的谷氨酸产物浓度的估计模型，利用最小二乘迭代辨识的方法确定模型参数并保存；

(5)在线采集谷氨酸生产过程的各个输入变量的新数据，并对其进行归一化；将归一化之后的新数据输入到谷氨酸产物浓度模型中，获得该实时数据对应的谷氨酸浓度估计值；

其中，所述步骤(4)中，建立具有输出非线性特征的谷氨酸产物浓度估计模型为：

${\mathrm{\β}}^{*}\left(k\right)={\mathrm{\λ}}_{11}{\mathrm{\α}}_1^{*}\left(k\right)+{\mathrm{\λ}}_{21}{\mathrm{\α}}_2^{*}(k-1)+{\mathrm{\λ}}_{22}{\mathrm{\α}}_2^{*}\left(k\right)+{\mathrm{\λ}}_{31}{\mathrm{\α}}_3^{*}(k-1)+{\mathrm{\λ}}_{32}{\mathrm{\α}}_3^{*}\left(k\right)-{\mathrm{\γ}}_2{\left({\mathrm{\β}}^{*}\right)}^2\left(k\right)-{\mathrm{\γ}}_3{\left({\mathrm{\β}}^{*}\right)}^3\left(k\right),$

式中分别表示归一化后的发酵时间、溶氧浓度和氧更新率，β^*(k)表示谷氨酸产物浓度，λ₁₁,λ₂₁,λ₂₂,λ₃₁,λ₃₂,γ₂,γ₃为模型待辨识的参数；

构造辨识谷氨酸产物浓度估计模型参数的最小二乘迭代算法，具体为：

式中Ξ(N)为堆积的输出向量，B(N)为堆积的信息矩阵，N为总的样本数量，l为迭代变量，为第l步的参数迭代估计值。

2.一种谷氨酸产物浓度在线检测装置，其特征在于包括：

用于通过集散控制系统收集谷氨酸生产过程的发酵时间、溶氧浓度和氧更新率的值作为输入变量，分别将这些数据存入历史数据库的数据库装置；

用于通过实验室分析得到所对应的谷氨酸产物浓度值，作为谷氨酸产物浓度模型的输出变量的浓度值装置；

用于分别对数据库装置获取的输入变量和浓度值装置获取的输出变量进行归一化，使得各个输入变量和输出变量落在区间[-1，1]之内，得到新的数据集的归一数值存储装置；

用于依据归一化之后的输入变量和输出变量，建立基于输出非线性模型的谷氨酸产物浓度的估计模型，利用最小二乘迭代辨识的方法确定模型参数并保存的建模装置；

用于在线采集谷氨酸生产过程的各个输入变量的新数据，并对其进行归一化；将归一化之后的新数据输入到谷氨酸产物浓度模型中，获得该实时数据对应的谷氨酸浓度估计值的估计装置；

其中，所述建模装置中，建立具有输出非线性特征的谷氨酸产物浓度估计模型为：

${\mathrm{\β}}^{*}\left(k\right)={\mathrm{\λ}}_{11}{\mathrm{\α}}_1^{*}\left(k\right)+{\mathrm{\λ}}_{21}{\mathrm{\α}}_2^{*}(k-1)+{\mathrm{\λ}}_{22}{\mathrm{\α}}_2^{*}\left(k\right)+{\mathrm{\λ}}_{31}{\mathrm{\α}}_3^{*}(k-1)+{\mathrm{\λ}}_{32}{\mathrm{\α}}_3^{*}\left(k\right)-{\mathrm{\γ}}_2{\left({\mathrm{\β}}^{*}\right)}^2\left(k\right)-{\mathrm{\γ}}_3{\left({\mathrm{\β}}^{*}\right)}^3\left(k\right),$

式中分别表示归一化后的发酵时间、溶氧浓度和氧更新率，β^*(k)表示谷氨酸产物浓度，λ₁₁,λ₂₁,λ₂₂,λ₃₁,λ₃₂,γ₂,γ₃为模型待辨识的参数；

构造辨识谷氨酸产物浓度估计模型参数的最小二乘迭代算法，具体为：

式中Ξ(N)为堆积的输出向量，B(N)为堆积的信息矩阵，N为总的样本数量，l为迭代变量，为第l步的参数迭代估计值。

3.一种谷氨酸产物浓度在线监控系统，其特征在于包括：PLC、上部温度传感器、中部温度传感器、下部温度传感器、压力传感器、液位传感器、溶氧仪；上部电磁阀、中部电磁阀、下部电磁阀、压力调节阀、200W电阻丝和400W电阻丝，两块EM235模拟量扩展模块；PLC通过PC/PPI总线与上位机PC通信；上部电磁阀、中部电磁阀、下部电磁阀、压力调节阀、200W电阻丝和400W电阻丝分别与CPU通信控制；上部温度传感器、中部温度传感器、下部温度传感器、压力传感器、液位传感器、溶氧仪分别与两块EM235模拟量扩展模块相连传递测量数据；上部电磁阀、中部电磁阀、下部电磁阀分别与上部温度传感器、中部温度传感器、下部温度传感器相连进行检测开关控制，所述的压力调节阀与压力传感器相连。

4.根据权利要求3所述的在线监控系统，其特征在于包括：所述的PLC为西门子PLC S7-224CN。