CN108549351A - 一种赖氨酸发酵过程关键变量的模糊神经网络逆软测量系统及方法 - Google Patents
一种赖氨酸发酵过程关键变量的模糊神经网络逆软测量系统及方法 Download PDFInfo
- Publication number
- CN108549351A CN108549351A CN201810499809.1A CN201810499809A CN108549351A CN 108549351 A CN108549351 A CN 108549351A CN 201810499809 A CN201810499809 A CN 201810499809A CN 108549351 A CN108549351 A CN 108549351A
- Authority
- CN
- China
- Prior art keywords
- neural network
- fuzzy neural
- fermentation process
- sensor
- rate
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 73
- 238000000855 fermentation Methods 0.000 title claims abstract description 57
- 230000004151 fermentation Effects 0.000 title claims abstract description 57
- KDXKERNSBIXSRK-UHFFFAOYSA-N Lysine Natural products NCCCCC(N)C(O)=O KDXKERNSBIXSRK-UHFFFAOYSA-N 0.000 title claims abstract description 52
- 239000004472 Lysine Substances 0.000 title claims abstract description 52
- 238000005259 measurement Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000003068 static effect Effects 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000000691 measurement method Methods 0.000 claims abstract description 17
- VTYYLEPIZMXCLO-UHFFFAOYSA-L calcium carbonate Substances [Ca+2].[O-]C([O-])=O VTYYLEPIZMXCLO-UHFFFAOYSA-L 0.000 claims description 35
- 239000000047 product Substances 0.000 claims description 33
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 32
- 239000001301 oxygen Substances 0.000 claims description 28
- 229910052760 oxygen Inorganic materials 0.000 claims description 28
- 239000011159 matrix material Substances 0.000 claims description 22
- BIGPRXCJEDHCLP-UHFFFAOYSA-N ammonium bisulfate Chemical compound [NH4+].OS([O-])(=O)=O BIGPRXCJEDHCLP-UHFFFAOYSA-N 0.000 claims description 19
- 239000008103 glucose Substances 0.000 claims description 19
- 244000068988 Glycine max Species 0.000 claims description 17
- 235000010469 Glycine max Nutrition 0.000 claims description 17
- 230000001133 acceleration Effects 0.000 claims description 17
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 claims description 16
- 229910000019 calcium carbonate Inorganic materials 0.000 claims description 16
- 239000000413 hydrolysate Substances 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 9
- 240000008042 Zea mays Species 0.000 claims description 8
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 claims description 8
- 235000002017 Zea mays subsp mays Nutrition 0.000 claims description 8
- 238000003556 assay Methods 0.000 claims description 8
- 235000005822 corn Nutrition 0.000 claims description 8
- 230000007062 hydrolysis Effects 0.000 claims description 6
- 238000006460 hydrolysis reaction Methods 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 5
- 239000007788 liquid Substances 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 241000894006 Bacteria Species 0.000 claims description 4
- 238000009795 derivation Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- GZCGUPFRVQAUEE-SLPGGIOYSA-N aldehydo-D-glucose Chemical compound OC[C@@H](O)[C@@H](O)[C@H](O)[C@@H](O)C=O GZCGUPFRVQAUEE-SLPGGIOYSA-N 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 2
- 239000007789 gas Substances 0.000 claims description 2
- 230000012010 growth Effects 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 claims description 2
- 150000002926 oxygen Chemical class 0.000 claims description 2
- 239000000758 substrate Substances 0.000 abstract description 6
- 238000004519 manufacturing process Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 6
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 244000046052 Phaseolus vulgaris Species 0.000 description 2
- 235000010627 Phaseolus vulgaris Nutrition 0.000 description 2
- 230000003851 biochemical process Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 125000002791 glucosyl group Chemical group C1([C@H](O)[C@@H](O)[C@H](O)[C@H](O1)CO)* 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- ZVKAMDSUUSMZES-NZQWGLPYSA-N OS II Natural products CC(=O)N[C@H]1[C@H](OC[C@@H](O)[C@@H](O)[C@@H](O)CO)O[C@H](CO)[C@H](O[C@H]2O[C@H](CO)[C@@H](O)[C@H](O)[C@H]2O)[C@@H]1O[C@@H]3O[C@H](CO)[C@@H](O)[C@H](O)[C@H]3O ZVKAMDSUUSMZES-NZQWGLPYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000030833 cell death Effects 0.000 description 1
- 238000001311 chemical methods and process Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000000326 densiometry Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000000813 microbial effect Effects 0.000 description 1
- 239000008267 milk Substances 0.000 description 1
- 210000004080 milk Anatomy 0.000 description 1
- 235000013336 milk Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007447 staining method Methods 0.000 description 1
- 238000002054 transplantation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种赖氨酸发酵过程关键变量模糊神经网络逆软测量系统及方法,通过确定赖氨酸发酵过程的在线直接可测量量和需离线化验的不可直接测量量,模糊神经网络逆软测量方法依据赖氨酸发酵过程的模型建立软传感器的模型,在此基础上依据求反函数的方法建立软传感器逆的模型,然后采有静态模糊神经网络加微分器并通过对静态模糊神经网络的训练确定自由参数构造模糊神经网络逆,实现该软传感器逆,最后将模糊神经网络逆串接在赖氨酸发酵过程之后,实现对菌体浓度x1、基质浓度x2、产物浓度x3的在线实时软测量。可以有效解决赖氨酸发酵过程中难以用物理传感器在线实量测量的关键变量的在线估计问题。
Description
技术领域
本发明属于微生物发酵过程的先进控制领域,尤其涉及一种赖氨酸发酵过程关键变量 的模糊神经网络逆软测量方法。
背景技术
在许多工业控制场合,存在一大类这样的变量与产品质量密切相关,需要严格控制, 但由于技术或者经济的原因,目前尚难以或者无法通过物理传感器直接进行检测,为了解 决这类变量的测量问题,软测量技术应运而生。所谓软测量就是根据某种准则,选择一组 既与被估计变量(即被测量或主导变量)有密切联系又容易测量的直接可测变量(即辅助变 量),通过构造一定的函数关系,用计算机软件实现对被测量的估计。目前采用的软测量方 法,多数基于线性系统理论,对于化工、生化过程这样的非线性特性严重的复杂过程,这 种方法只能在很小的工作区域内有效,不能解决整个工作区域的被测变量的软测量问题。
由于模糊神经网络兼备模糊逻辑和神经网络的优势,善于利用已有经验知识且对复杂 非线性函数具有任意逼近能力的特性,其在软测量领域的应用所形成的基于模糊神经网络 的软测量方法,为生化、化工过程的关键生化变量的软测量问题的解决,提供了强有力的 手段。但目前在对基于模糊神经网络的软测量方法的研究与应用中存在一些问题,主要是 对辅助变量的选择(包括辅助变量的导数阶次的选择),辅助变量的选择确定了软测量的输 入信息矩阵,关系着软测量模型的结构和输出,在很大程度上决定着软测量模型的准确性。 而传统辅助变量的选择主要依据工业对象的工艺机理以及专家经验来选择辅助变量,这样 确定的辅助变量数量可观,且相关程度差异大,将它们全部作为软测量的辅助变量,模型 势必十分复杂,不但不能提高软测量的精度,而且工业对象的重要信息也可能被遗漏。因 此,必须寻求新的方法,该方法不仅能确切地知道哪些辅助变量影响主导变量,还明确地 知道这些辅助变量导数的具体阶次。
在赖氨酸的发酵过程,实际发酵中关键参量(基质浓度、菌体浓度、产物浓度)的测量大多采用人工取样、离线测量的手段,如干重法、直接染色法、光密度法和细胞计数法等。这些方法操作复杂,滞后时间长,测量误差大、易引入人为污染,且测量精度受细胞 死亡、测量误差等因素影响,不能及时反映发酵过程当前状态,难以满足赖氨酸发酵实时 动态调控的要求。
发明内容
本发明根据现有技术的不足与缺陷,提出了一种赖氨酸发酵过程关键变量的模糊神经 网络逆软测量方法,目的在于实现对难以用物理传感器在线实时测量的菌体浓度、基质浓 度、产物浓度的软测量。
采用的技术方案如下:
一种赖氨酸发酵过程关键变量的模糊神经网络逆软测量系统,包括软传感器、传感器、 ARM处理器、键盘电路、LCD显示器和上位机;所述软传感器与传感器之间通过线路连接;传感器与ARM处理器之间通过滤波电路连接;ARM处理器通过线路分别与键盘电路、 LCD显示器和上位机;
所述传感器包括流量传感器、溶氧传感器、PH值传感器以及体积传感器;所述流量传 感器接收流加输入量(葡萄糖流加速率u1、玉米浆流加速率u2、豆饼水解液流加速率u3、硫酸氨流加速率u4、碳酸钙流加速率u5),并将流加输入量传输到滤波电路,经滤波电路后输入到ARM处理器,进行处理;
所述软传感器接收主导输入量(菌体浓度x1、基质浓度x2、产物浓度x3)与流加输入量后分别得到输出量(溶解氧x4、PH值x5、体积x6),并分别经溶氧传感器、PH值传感器、 体积传感器后,通过滤波电路输入到ARM处理器,进行处理;
所述ARM处理器将接收的检测信号进行处理输出菌体浓度一阶导数基质浓度一 阶导数以及产物浓度一阶导数并传输到上位机;
所述上位机根据输出信号对处理器的算法功能进行调试;
所述LCD显示器对ARM处理器输出信号进行显示;
所述键盘电路控制ARM处理器的工作启停。
一种赖氨酸发酵过程关键变量的模糊神经网络逆软测量方法,包括以下步骤:
步骤1,选择确定赖氨酸发酵过程的在线直接可测量量和需离线化验的不可直接测量 量;其中,在线直接可测量量为流加输入量和输出量;
步骤2,确定赖氨酸发酵过程的软传感器的主导输入量、辅助输入量和输出量,建立 软传感器的模型;
步骤3,确定软传感器逆的主导输入量、辅助输入量和输出量,依据求反函数的方法 建立软传感器逆的模型;
步骤4,采用静态模糊神经网络加一串微分器并通过对静态模糊神经网络的训练确定 各权参数,构造模糊神经网络逆;
步骤5,将模糊神经网络逆串接在赖氨酸发酵过程之后,实现对赖氨酸发酵过程关键 变量的在线软测量;
进一步,所述步骤1中,在线直接可测流加输入量为葡萄糖流加速率c、玉米浆流加速率u2、豆饼水解液流加速率u3、硫酸氨流加速率u4、碳酸钙流加速率u5;在线直接可测 输出量为溶解氧x4、PH值x5、体积x6;需离线化验的不可直接测量量为菌体浓度x1、基质 浓度x2、产物浓度x3;
进一步,所述步骤2中,软传感器的主导输入量为菌体浓度x1、基质浓度x2、产物浓度x3;辅助输入量为各流加输入量为葡萄糖流加速率u1、玉米浆流加速率u2、豆饼水解液 流加速率u3、硫酸氨流加速率u4、碳酸钙流加速率u5;输出量为溶解氧x4、PH值x5、体积 x6。
进一步,所述步骤3中,软传感器逆的主导输入量为溶解氧x4、PH值x5、体积x6;辅助输入量为葡萄糖流加速率u1、玉米浆流加速率u2、豆饼水解液流加速率u3、硫酸氨流加 速率u4、碳酸钙流加速率u5;输出量为菌体浓度x1、基质浓度x2、产物浓度x3。
进一步,所述步骤4中静态模糊神经网络各权参数的确定过程为:
步骤4.1,采集赖氨酸发酵过程的现场数据:
现场直接可测数据:葡萄糖流加速率u1、玉米浆流加速率u2、豆饼水解液流加速率u3、 硫酸氨流加速率u4、碳酸钙流加速率u5、溶解氧x4、PH值x5、体积x6;离线数据:相隔规 定时间在实验室里取样化验一次获得离线化验数据:菌体浓度x1、基质浓度x2、产物浓度x3;
步骤4.2,数据处理:然后对直接可测数据分别进行五点平均滤波,并用五点求导法求 出葡萄糖流加速率一阶导数玉米浆流加速率一阶导数豆饼水解液流加速率一阶导 数硫酸氨流加速率一阶导数碳酸钙流加速率一阶导数溶解氧一阶导数溶 解氧二阶导数PH值一阶导数对离线化验数据分别进行最小二乘拟合生成与实时数 据相对应的每1分钟一次的数据;
步骤4.3,构成训练样本集和验证样本集:
步骤4.4,对静态模糊神经网络进行训练和验证,确定静态模糊神经网络的各权参数。
进一步,所述步骤5中,构造赖氨酸发酵过程的机理模型:
其中,x1为菌体浓度、x2为基质浓度、x3为产物浓度、x4为溶解氧、x5为PH值、x6为体积;是菌体浓度一阶导数,是基质浓度一阶导数,是产物浓度一阶导数,是 溶解氧一阶导数,是PH值一阶导数,是体积一阶导数;μ菌丝比生长速率;π是产 物比生成速率;ki(1≤i≤5)为模型常数;是气相饱和氧浓度;m,mo,mpH是模型维持系数; YX是基质形成菌体的真实转化率,YP是基质形成产物的真实转化率;YX/O,YX/pH是菌丝产率 系数;YP/O,YP/pH是产物产率系数,ui为u1~u5。
进一步,所述步骤2软传感器的模型为:
其中,是溶解氧一阶导数,溶解氧二阶导数,是PH值一阶导数;f1、f2、f3都表示非线性函数关系,u1为葡萄糖流加速率、u2为玉米浆流加速率、u3为豆饼水解液流 加速率、u4为硫酸氨流加速率、u5为碳酸钙流加速率。
进一步,所述步骤3软传感器逆的模型为:
其中,都表示非线性函数关系。
进一步,所述步骤4中模糊神经网络逆的构造方法为用具有16个输入节点、3个输出 节点的静态模糊神经网络加8个微分器构成具有8个输入节点、3个输出节点的模糊神经网络逆
本发明的有益效果:
1、本发明是通过构造赖氨酸发酵过程的转传感器的模糊神经网络逆,并将其串联在赖 氨酸发酵过程之后,实现对难以用物理传感器在线实时测量的菌体浓度、基质浓度、产物 浓度的软测量。它基于赖氨酸发酵过程的非线性机理模型,经过严格的数学推导,得到软 传感器及软传感器逆的模型,并用静态模糊神经网络构造软传感器逆,据此设计出模糊神 经逆软仪表具有较高的精度和很好的实用价值
2、基于赖氨酸发酵过程的机理模型建立了软传感器子系统的模型,并在此基础上求反 函数推导出软测量模型,即软传感器逆模型,由此得到的软传感器逆模型完全确定了软测 量模型的各输入及输入导数的阶次,减少了常用的实验试探确定各输入及其导数阶次的方 法带来的误差,使软测量的精度得到保证并有提高。
3、采用赖氨酸发酵过程的完整非线性机理模型,保留了赖氨酸发酵过程的非线性特性, 由此得到的软测量模型能在整个工作区域内实现有效测量,克服了基于线性系统理论的 软测量方法只能在小工作区域内有效的缺点。
4、本发明所提供的软测量方法与软仪表的设计方案不仅对赖氨酸发酵过程有效,而且 可推广到其它的化工、生化过程,具有广阔的应用前景。
附图说明
图1赖氨酸发酵过程1各流加输入量、在线直接可测输出量、需要离线化验的不直接 可测量的关系示意图;
图2包含在赖氨酸发酵过程1中的软传感器11示意图;
图3由赖氨酸发酵过程1与软传感器逆3组成的软测量原理图;
图4由赖氨酸发酵过程1与模糊神经网络逆4组成的软测量结构图;
图5模糊神经网络逆4内部具体结构的软测量结构图;
图6训练静态模糊神经网络41的结构框图;
图7模糊神经网络逆软仪表的硬件结构图;
图8模糊神经网络逆软仪表的ARM处理器软件设计流程图;
图9离线化验值与模糊神经网络输出值的相对误差曲线图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本 发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用于解释本发明,并不 用于限定本发明。
一种赖氨酸发酵过程关键变量的模糊神经网络逆软测量方法,具体过程如下:
步骤1,选择确定赖氨酸发酵过程的在线直接可测量量和需离线化验的不可直接测量 量;如图1所示,在线直接可测量量为流加输入量和输出量,流加输入量为葡萄糖流加速 率c、玉米浆流加速率u2、豆饼水解液流加速率u3、硫酸氨流加速率u4、碳酸钙流加速率u5; 在线直接可测输出量为溶解氧x4、PH值x5、体积x6;需离线化验的不可直接测量量为菌体 浓度x1、基质浓度x2、产物浓度x3;
步骤2,确定赖氨酸发酵过程的软传感器的主导输入量、辅助输入量和输出量,建立 软传感器的模型;如图2所示,软传感器的主导输入量为菌体浓度x1、基质浓度x2、产物浓度x3;辅助输入量为各流加输入量为葡萄糖流加速率u1、玉米浆流加速率u2、豆饼水解 液流加速率u3、硫酸氨流加速率u4、碳酸钙流加速率u5;输出量为溶解氧x4、PH值x5、体 积x6。
步骤3,确定软传感器逆的主导输入量、辅助输入量和输出量,依据求反函数的方法 建立软传感器逆的模型;软传感器逆的主导输入量为溶解氧x4、PH值x5、体积x6;辅助输入量为葡萄糖流加速率u1、玉米浆流加速率u2、豆饼水解液流加速率u3、硫酸氨流加速率u4、碳酸钙流加速率u5;输出量为菌体浓度x1、基质浓度x2、产物浓度x3。
根据逆存在定理,可以证明软传感器是可逆的,并推出软传感器逆的模型:
其中其中都表示非线性函数关系,是葡萄糖流加速率一阶导数,是玉 米浆流加速率一阶导数,是豆饼水解液流加速率一阶导数,是硫酸氨流加速率一阶导 数,碳酸钙流加速率一阶导数,是溶解氧一阶导数,溶解氧二阶导数,是PH值 一阶导数。
步骤4,采用静态模糊神经网络加8个微分器并通过对静态模糊神经网络的训练确定 各权参数,构造模糊神经网络逆;
如图4、5所示,“A1~A8”是模糊神经网络逆4的8个输入,模糊神经网络逆4的输 出是菌体浓度软测量x1 *、基质浓度软测量x2 *、产物浓度软测量x3 *。
其中静态模糊神经网络采用4层前馈模糊神经网络,第一层为输入层,输入节点个数 为16;第二层为合成层,主要是完成输入量模糊化的工作,输出各输入量的隶属度;各模糊集合的的隶属度函数均为高斯型隶属函数:
其中a为函数中心,b为函数的宽度参数;第三层为规则层,节点数即为规则数;第四 层为解模糊层,输出节点个数为3,静态模糊神经网络的各权参数通过下一步的样本集训 练和验证确定。
如图6所示,确定静态模糊神经网络的各权参数。此步分为以下三步:
(1)采集赖氨酸发酵过程的现场数据
每1分钟测量一次,获得的实时现场直接可测数据:葡萄糖流加速率u1、玉米浆流加 速率u2、豆饼水解液流加速率u3、硫酸氨流加速率u4、碳酸钙流加速率u5、溶解氧x4、PH 值x5、体积x6;
每4小时取样化验一次,获得离线化验数据:菌体浓度x1、基质浓度x2、产物浓度x3;
总共采集9个发酵批次的数据,每个发酵批次时间跨度为72小时,其中前8个批次用 于静态模糊神经网络模型误差最小的训练,第9批次的数据用来对静态模糊神经网络模型 进行验证。
(2)数据处理:
对实时可测数据分别进行五点平均滤波,并用五点求导法求出葡萄糖流加速率一阶导 数玉米浆流加速率一阶导数豆饼水解液流加速率一阶导数硫酸氨流加速率一 阶导数碳酸钙流加速率一阶导数溶解氧一阶导数溶解氧二阶导数PH值一 阶导数对离线化验数据菌体浓度x1、基质浓度x2、产物浓度x3分别进行最小二乘拟合生成与实时数据相对应的每1分钟的数据。
(3)得到了用来确定静态模糊神经网络各权参数的训练样本集和验证样本集,其结构 如表1:
表1训练样本集和验证样本集的结构
(4)确定静态模糊神经网络各权参数
建立静态模糊神经网络模型:
其中wi是训练要确定的各权参数,模糊规则数w是固定不变的,初始各权参数wi(0)的选定是随机确定的。
用构成的前8批训练样本集对静态模糊神经网络进行训练,训练采用一阶梯度算法并 通过误差反馈对各权参数进行辨识,训练1000次后,训练样本集中的数据{菌体浓度x1、 基质浓度x2、产物浓度x3}与静态模糊神经网络的输出数据{菌体浓度软测量值x1 *、基质浓度软测量x2 *、产物浓度软测量x3 *}的均方误差分别为:2.132674e-004、4.27108e-004、5.74426e-004,满足系统误差要求,训练停止。然后用第9批验证样本集对静态模糊神经网络进行验证,如图9为对应的离线化验值与模糊神经网络输出值的相对误差曲线图。精度验证满意,从而确定静态模糊神经网络的各权参数。
如图7-8所示,一种赖氨酸发酵过程关键变量的模糊神经网络逆软测量系统,
一种赖氨酸发酵过程关键变量的模糊神经网络逆软测量系统,包括软传感器、传感器、 ARM处理器、键盘电路、LCD显示器和上位机;所述软传感器与传感器之间通过线路连接;传感器与ARM处理器之间通过滤波电路连接;ARM处理器通过线路分别与键盘电路、 LCD显示器和上位机;
传感器包括流量传感器、溶氧传感器、PH值传感器以及体积传感器;流量传感器接收 流加输入量(葡萄糖流加速率u1、玉米浆流加速率u2、豆饼水解液流加速率u3、硫酸氨流加速率u4、碳酸钙流加速率u5),并将流加输入量传输到滤波电路,经滤波电路后输入到 ARM处理器,进行处理;
软传感器接收主导输入量(菌体浓度x1、基质浓度x2、产物浓度x3)与流加输入量后分别得到输出量(溶解氧x4、PH值x5、体积x6),并分别经溶氧传感器、PH值传感器、体 积传感器后,通过滤波电路输入到ARM处理器,进行处理;
ARM处理器将接收的检测信号进行处理输出菌体浓度一阶导数基质浓度一阶导数 以及产物浓度一阶导数并传输到上位机;
ARM处理器将接收的检测信号进行处理得到输出信号,并传输到上位机;上位机根据 输出信号对处理器的算法功能进行调试;LCD显示器对ARM处理器输出信号进行显示;键盘电路控制ARM处理器的工作启停。所述ARM处理器安装有实时操作系统uC/OS-II, 主要负责辅助变量测点数据的处理、软测量算法的嵌入式移植、显示屏实时显示等功能。 处理器通过A/D转换模块与滤波电路连接,获取来自流量传感器、溶氧传感器、pH传感 器、体积传感器的检测信号;ARM处理器通过接受键盘电路通过对输入引脚XP/XM, YP/YM的控制,获取到键盘电路输入的数据信息,键盘电路接口包括ADC接口逻辑、引 脚控制逻辑和中断产生逻辑三个主要功能块,在键盘电路使用过程中,XM或YM总有一 个和地相连;处理器内部集成了LCD控制器,由传送逻辑构成,把位于系统缓冲区中的视 频数据传送到LCD驱动器进行显示;人工操作的上位机通过仿真器与JTAG调试端口相连 接,对处理器的算法功能进行调试,处理器的讯号则是通过RS232总线传输到上位机实现 人机交互与数据的存储。
以上实施例仅用于说明本发明的设计思想和特点,其目的在于使本领域内的技术人员 能够了解本发明的内容并据以实施,本发明的保护范围不限于上述实施例。所以,凡依据 本发明所揭示的原理、设计思路所作的等同变化或修饰,均在本发明的保护范围之内。
Claims (10)
1.一种赖氨酸发酵过程关键变量的模糊神经网络逆软测量系统,其特征在于,包括软传感器、传感器、ARM处理器、键盘电路、LCD显示器和上位机;所述软传感器与传感器之间通过线路连接;传感器与ARM处理器之间通过滤波电路连接;ARM处理器通过线路分别与键盘电路、LCD显示器和上位机连接;
所述传感器包括流量传感器、溶氧传感器、PH值传感器以及体积传感器;所述流量传感器接收流加输入量,并将流加输入量传输到滤波电路,经滤波电路后输入到ARM处理器,进行处理;
所述软传感器接收主导输入量与流加输入量后分别得到输出量,并分别经溶氧传感器、PH值传感器、体积传感器后,通过滤波电路输入到ARM处理器,进行处理;
所述ARM处理器将接收的检测信号进行处理得到输出信号,并传输到上位机;
所述上位机根据输出信号对处理器的算法功能进行调试;
所述LCD显示器对ARM处理器输出信号进行显示;
所述键盘电路控制ARM处理器的工作启停;
所述流量传感器数量为5个。
2.一种赖氨酸发酵过程关键变量的模糊神经网络逆软测量方法,包括以下步骤:
步骤1,选择确定赖氨酸发酵过程的在线直接可测量量和需离线化验的不可直接测量量;其中,在线直接可测量量为流加输入量和输出量;
步骤2,确定赖氨酸发酵过程的软传感器的主导输入量、辅助输入量和输出量,建立软传感器的模型;
步骤3,确定软传感器逆的主导输入量、辅助输入量和输出量,依据求反函数的方法建立软传感器逆的模型;
步骤4,采用静态模糊神经网络加一串微分器并通过对静态模糊神经网络的训练确定各权参数,构造模糊神经网络逆;
步骤5,将模糊神经网络逆串接在赖氨酸发酵过程之后,实现对赖氨酸发酵过程关键变量的在线软测量。
3.根据权利要求2所述的一种赖氨酸发酵过程关键变量的模糊神经网络逆软测量方法,其特征在于,所述步骤1中,在线直接可测流加输入量为葡萄糖流加速率c、玉米浆流加速率u2、豆饼水解液流加速率u3、硫酸氨流加速率u4、碳酸钙流加速率u5;
所述在线直接可测输出量为溶解氧x4、PH值x5、体积x6;
所述不可直接测量量为菌体浓度x1、基质浓度x2、产物浓度x3。
4.根据权利要求2所述的一种赖氨酸发酵过程关键变量的模糊神经网络逆软测量方法,其特征在于,所述步骤2中,软传感器的主导输入量为菌体浓度x1、基质浓度x2、产物浓度x3;
辅助输入量为各流加输入量为葡萄糖流加速率u1、玉米浆流加速率u2、豆饼水解液流加速率u3、硫酸氨流加速率u4、碳酸钙流加速率u5;
输出量为溶解氧x4、PH值x5、体积x6。
5.根据权利要求2所述的一种赖氨酸发酵过程关键变量的模糊神经网络逆软测量方法,其特征在于,所述步骤3中,软传感器逆的主导输入量为溶解氧x4、PH值x5、体积x6;
辅助输入量为葡萄糖流加速率u1、玉米浆流加速率u2、豆饼水解液流加速率u3、硫酸氨流加速率u4、碳酸钙流加速率u5;
输出量为菌体浓度x1、基质浓度x2、产物浓度x3。
6.根据权利要求2所述的一种赖氨酸发酵过程关键变量的模糊神经网络逆软测量方法,其特征在于,所述步骤4中静态模糊神经网络各权参数的确定过程为:
步骤4.1,采集赖氨酸发酵过程的现场数据:
现场提取直接可测数据:葡萄糖流加速率u1、玉米浆流加速率u2、豆饼水解液流加速率u3、硫酸氨流加速率u4、碳酸钙流加速率u5、溶解氧x4、PH值x5、体积x6;
离线数据:相隔规定时间在实验室里取样化验一次获得离线化验数据,即菌体浓度x1、基质浓度x2、产物浓度x3;
步骤4.2,数据处理:然后对直接可测数据分别进行五点平均滤波,并用五点求导法求出葡萄糖流加速率一阶导数玉米浆流加速率一阶导数豆饼水解液流加速率一阶导数硫酸氨流加速率一阶导数碳酸钙流加速率一阶导数溶解氧一阶导数溶解氧二阶导数PH值一阶导数对离线化验数据分别进行最小二乘拟合生成与实时数据相对应的每1分钟一次的数据;
步骤4.3,构成训练样本集和验证样本集:
步骤4.4,对静态模糊神经网络进行训练和验证,确定静态模糊神经网络的各权参数。
7.根据权利要求2所述的一种赖氨酸发酵过程关键变量的模糊神经网络逆软测量方法,其特征在于,所述步骤5中,构建赖氨酸发酵过程的机理模型:
其中,是菌体浓度一阶导数,是基质浓度一阶导数,是产物浓度一阶导数,是体积一阶导数;μ菌丝比生长速率;π是产物比生成速率;ki为模型常数,且1≤i≤5;是气相饱和氧浓度;m,mo,mpH是模型维持系数;YX是基质形成菌体的真实转化率,YP是基质形成产物的真实转化率;YX/O,YX/pH是菌丝产率系数;YP/O,YP/pH是产物产率系数,ui为u1~u5。
8.根据权利要求2所述的一种赖氨酸发酵过程关键变量的模糊神经网络逆软测量方法,其特征在于,所述步骤2软传感器的模型为:
其中,f1、f2、f3都表示非线性函数关系。
9.根据权利要求2所述的一种赖氨酸发酵过程关键变量的模糊神经网络逆软测量方法,其特征在于,所述步骤3软传感器逆的模型为:
其中,都表示非线性函数关系。
10.根据权利要求2所述的一种赖氨酸发酵过程关键变量的模糊神经网络逆软测量方法,其特征在于,所述步骤4中模糊神经网络逆的构造方法为用具有16个输入节点、3个输出节点的静态模糊神经网络加8个微分器构成具有8个输入节点、3个输出节点的模糊神经网络逆。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810499809.1A CN108549351A (zh) | 2018-05-23 | 2018-05-23 | 一种赖氨酸发酵过程关键变量的模糊神经网络逆软测量系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810499809.1A CN108549351A (zh) | 2018-05-23 | 2018-05-23 | 一种赖氨酸发酵过程关键变量的模糊神经网络逆软测量系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108549351A true CN108549351A (zh) | 2018-09-18 |
Family
ID=63495675
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810499809.1A Pending CN108549351A (zh) | 2018-05-23 | 2018-05-23 | 一种赖氨酸发酵过程关键变量的模糊神经网络逆软测量系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108549351A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115274004A (zh) * | 2022-07-26 | 2022-11-01 | 江南大学 | 一种基于知识复用的发酵过程菌体浓度预测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101587350A (zh) * | 2009-06-05 | 2009-11-25 | 江苏大学 | 基于模糊神经逆的青霉素发酵过程关键生化量的软测量方法及系统构造 |
US20100109893A1 (en) * | 2008-10-30 | 2010-05-06 | Sanjuan Marco E | Method and apparatus for on-line estimation and forecasting of species concentration during a reaction |
CN101763036A (zh) * | 2009-12-29 | 2010-06-30 | 江苏大学 | 基于模糊神经网络的赖氨酸发酵过程补料预测控制系统及方法 |
CN101929993A (zh) * | 2010-08-20 | 2010-12-29 | 江苏大学 | 基于动态模糊神经网络的青霉素发酵过程软测量建模方法 |
CN102732423A (zh) * | 2012-06-29 | 2012-10-17 | 江南大学 | 一种生物发酵控制器 |
-
2018
- 2018-05-23 CN CN201810499809.1A patent/CN108549351A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100109893A1 (en) * | 2008-10-30 | 2010-05-06 | Sanjuan Marco E | Method and apparatus for on-line estimation and forecasting of species concentration during a reaction |
CN101587350A (zh) * | 2009-06-05 | 2009-11-25 | 江苏大学 | 基于模糊神经逆的青霉素发酵过程关键生化量的软测量方法及系统构造 |
CN101763036A (zh) * | 2009-12-29 | 2010-06-30 | 江苏大学 | 基于模糊神经网络的赖氨酸发酵过程补料预测控制系统及方法 |
CN101929993A (zh) * | 2010-08-20 | 2010-12-29 | 江苏大学 | 基于动态模糊神经网络的青霉素发酵过程软测量建模方法 |
CN102732423A (zh) * | 2012-06-29 | 2012-10-17 | 江南大学 | 一种生物发酵控制器 |
Non-Patent Citations (1)
Title |
---|
黄永红 等: ""赖氨酸发酵过程关键参数的模糊神经网络逆软测量研究"", 《仪器仪表学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115274004A (zh) * | 2022-07-26 | 2022-11-01 | 江南大学 | 一种基于知识复用的发酵过程菌体浓度预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102231057B (zh) | 基于混沌粒子群优化的赖氨酸发酵过程软测量方法 | |
CN100507460C (zh) | 基于脉冲响应模板和参数优化的动态软测量建模方法 | |
CN106052753A (zh) | 基于模糊支持向量机的秸秆发酵燃料乙醇过程关键状态变量软测量方法 | |
Zhou et al. | Semi-supervised PLVR models for process monitoring with unequal sample sizes of process variables and quality variables | |
CN106444377A (zh) | 基于pso‑fsvm的赖氨酸发酵过程关键变量软测量方法及系统 | |
CN107341359A (zh) | 秸秆发酵生产乙醇过程关键参量的软测量方法 | |
Murugan et al. | Estimation of fungal biomass using multiphase artificial neural network based dynamic soft sensor | |
CN108090500A (zh) | 食用菌发酵生产过程关键参量的软测量方法 | |
CN109932496A (zh) | 一种基于多参数耦合交叉的水质在线监测方法和系统 | |
CN108536128A (zh) | 一种参数优化的机器学习故障诊断系统 | |
CN101748186A (zh) | 基于模糊支持向量机的赖氨酸发酵过程关键状态变量软测量方法及系统 | |
WO2021114320A1 (zh) | 一种oica和rnn融合模型的污水处理过程故障监测方法 | |
CN101587350A (zh) | 基于模糊神经逆的青霉素发酵过程关键生化量的软测量方法及系统构造 | |
CN110222825B (zh) | 一种水泥成品比表面积预测方法及系统 | |
CN103743867B (zh) | 基于神经网络的卡尔曼滤波甲醛检测方法 | |
CN103279030B (zh) | 基于贝叶斯框架的动态软测量建模方法及装置 | |
CN108549351A (zh) | 一种赖氨酸发酵过程关键变量的模糊神经网络逆软测量系统及方法 | |
CN103399134A (zh) | 一种基于输出观测器的污水cod软测量方法 | |
CN107766880B (zh) | 基于ba-lssvm的光合细菌发酵过程关键参量的软测量方法 | |
CN108204997A (zh) | 常一线油闪点在线软测量方法 | |
CN103810396B (zh) | 一种基于特征空间的双核多向偏最小二乘的发酵过程质量预测方法 | |
CN103344740A (zh) | 基于多输入维纳模型的谷氨酸产物浓度在线软测量方法 | |
Zhou et al. | Anode effect prediction of aluminum electrolysis using GRNN | |
CN115730500A (zh) | 一种基于多组分浓度在线检测的反馈补料控制方法及系统 | |
CN116052786A (zh) | 海洋碱性蛋白酶发酵过程关键参量的软测量方法及控制器 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180918 |
|
RJ01 | Rejection of invention patent application after publication |