CN1661004A - 红霉素发酵过程变量的神经网络逆软测量方法及软仪表构造 - Google Patents

Abstract

红霉素发酵过程变量的神经网络逆软测量方法及软仪表构造方法是一种用于解决红霉素发酵过程中难以用传感器在线实时测量的关键变量的在线估计问题的方法。神经网络逆软测量方法依据红霉素发酵过程(1)的模型建立内含传感器(11)的模型，并依据求反函数方法建立内含传感器逆(3)的模型，然后采用静态人工神经网络(41)加微分器并通过对静态人工神经网络的调练确定各权系数构造神经网络逆(4)，实现该内含传感器逆，最后将神经网络逆串接在红霉素发酵过程之后，实现对菌丝浓度x₁、总糖浓度x₂、化学效价x₃的在线软测量。神经网络逆的具体实现就是所要构造的神经网络逆软仪表，采用单片机实现。

Description

红霉素发酵过程变量的神经网络逆软测量方法及软仪表构造

                           技术领域

本发明是一种用于解决红霉素发酵过程中难以用传感器在线实时测量的菌丝浓度、总糖浓度和化学效价这三个关键变量的在线估计问题，属于软测量及软仪表构造的技术领域。

                           背景技术

在许多化工、生化过程控制场合，存在一类这样的变量：它们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传感器直接检测这些变量。为了解决这类变量的测量问题，产生了软测量技术。所谓软测量，就是选择与被估计变量(即被测量)相关的一组直接可测变量(称为辅助变量)，构造某种以直接可测变量为输入、被估计变量为输出的模型，用计算机软件来实现的估计。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，这种方法只能在小的工作区域内有效，不能解决整个工作区域的变量的软测量问题。

由于人工神经网络(简称神经网络)具有逼近复杂非线性函数的能力，它在软测量领域内的应用所形成的基于神经网络的软测量方法，为生化、化工过程的关键变量的软测量问题的解决，提供了有力的手段。但目前在对基于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)，神经网络结构的选择缺乏必要的理论基础，大多采用尝试性的实验或者统计的方法去选择，使软测量的结果不佳甚至得出错误的结果。因此，必须寻求新的方法，不仅能确切地知道哪些辅助变量影响关键变量，还要明确地知道这些辅助变量导数的具体阶次。

                           发明内容

技术问题：本发明的目的是提供一种红霉素发酵过程变量的神经网络逆软测量及软仪表构造方法，即是一种红霉素发酵过程非常重要但是难以用传感器在线实时测量的变量(包括菌丝浓度、总糖浓度和化学效价)的在线估计方法及相应的软仪表的构造方法。

技术方案：本发明的红霉素发酵过程变量的神经网络逆软测量方法依据红霉素发酵过程的模型，选择确定红霉素发酵过程的在线直接可测的流加输入量(简称流加输入量)、在线直接可测输出量(简称可测输出量)和需离线分析的不直接可测量(简称离线分析量)；然后再选择确定红霉素发酵过程的内含传感器的主输入量、辅输入量和输出量，并建立内含传感器的模型(该内含传感器是一个假想的传感器，其主输入量是菌丝浓度x₁、总糖浓度x₂、化学效价x₃，辅输入量是糊精流加速率u₁、豆油流加速率u₂、丙醇流加速率u₃、水流加速率u₄、氨水流加速率u₅，输出量是溶氧x₄、pH值x₅、体积x₆。可以认为内含传感器是包含在红霉素发酵过程中的一个子系统，其主输入量、辅输入量与输出量间满足红霉素发酵过程模型的变量约束关系，但在实际的红霉素发酵过程中，并不存在这样的一个物理传感器)；在此基础上依据求反函数方法建立内含传感器逆的模型，确定内含传感器逆的主输入量、辅输入量和输出量；然后采用静态人工神经网络加8个微分器并通过对静态人工神经网络的训练确定各权系数构造神经网络逆，来实现该内含传感器逆；最后将神经网络逆串接在红霉素发酵过程之后，实现对菌丝浓度x₁、总糖浓度x₂、化学效价x₃的在线软测量。

本发明的红霉素发酵过程的在线直接可测的流加输入量为糊精流加速率u₁、豆油流加速率u₂、丙醇流加速率u₃、水流加速率u₄、氨水流加速率u₅，在线直接可测输出量为溶氧x₄、pH值x₅、体积x₆，需离线分析的不直接可测量为菌丝浓度x₁、总糖浓度x₂、化学效价x₃。

本发明的红霉素发酵过程的内含传感器的主输入量为菌丝浓度x₁、总糖浓度x₂、化学效价x₃；辅输入量为各流加输入量，即：糊精流加速率u₁、豆油流加速率u₂、丙醇流加速率u₃、水流加速率u₄、氨水流加速率u₅；输出量为溶氧x₄、pH值x₅、体积x₆；该内含传感器可逆；内含传感器逆的主输入量为溶氧x₄、pH值x₅、体积x₆，辅输入量为糊精流加速率u₁、豆油流加速率u₂、丙醇流加速率u₃、水流加速率u₄、氨水流加速率u₅，输出量为菌丝浓度x₁、总糖浓度x₂、化学效价x₃。

本发明的神经网络逆有8个输入节点、3个输出节点，是由具有16个输入节点、3个输出节点的静态人工神经网络加8个微分器构成。

本发明的静态人工神经网络的各权系数通过现场数据采集、离线数据处理、用数据训练静态人工神经网络确定。

本发明的具体的神经网络逆软测量方法是：

首先根据红霉素发酵过程的模型：

$\left\{\begin{array}{c}{\stackrel{\·}{x}}_1=\mathrm{\μ}{x}_1-\frac{x_1}{x_6}(u_1+u_2+u_3+u_4+u_5)\\ {\stackrel{\·}{x}}_2=-\mathrm{\σ}{x}_1+\frac{k_{15}}{x_6}{u}_1-\frac{x_2}{x_6}(u_1+u_2+u_3+u_4+u_5)\\ {\stackrel{\·}{x}}_3=\mathrm{\π}{x}_1-k_{16}{x}_1-\frac{x_3}{x_6}(u_1+u_2+u_3+u_4+u_5)\\ {\stackrel{\·}{x}}_4=-\mathrm{\η}{x}_1-k_{17}{x}_4-\frac{x_4}{x_6}(u_1+u_2+u_3+u_4+u_5)+k_{18}\\ {\stackrel{\·}{x}}_5=\mathrm{\ψ}{x}_1+\frac{k_{19}{u}_5-k_{20}{u}_2-k_{15}{u}_1}{x_6}-\frac{x_5}{x_6}(u_1+u_2+u_3+u_4+u_5)\\ {\stackrel{\·}{x}}_6=u_1+u_2+u_3+u_4+u_5\end{array}\right.$

其中有糊精流加速率u₁、豆油流加速率u₂、丙醇流加速率u₃、水流加速率u₄、氨水流加速率u₅、菌丝浓度x₁、总糖浓度x₂、化学效价x₃、溶氧x₄、pH值x₅、体积x₆； 是菌丝浓度导数，

是总糖浓度导数，

是化学效价导数，

是溶氧导数， 是pH值导数，

是体积导数；μ，π，σ，η，ψ都是菌丝浓度x₁、总糖浓度x₂、化学效价x₃、溶氧x₄、pH值x₅的函数，k_i(15≤i≤20)为非零常数。

结合实际情况，选择确定红霉素发酵过程的各流加输入量为糊精流加速率u₁、豆油流加速率u₂、丙醇流加速率u₃、水流加速率u₄、氨水流加速率u₅，选择确定在线直接可测输出量为溶氧x₄、pH值x₅、体积x₆，选择确定需离线分析的不直接可测量为菌丝浓度x₁、总糖浓度x₂、化学效价x₃；接着选择确定红霉素发酵过程中的内含传感器的主输入量为菌丝浓度x₁、总糖浓度x₂、化学效价x₃，辅输入量为糊精流加速率u₁、豆油流加速率u₂、丙醇流加速率u₃、水流加速率u₄、氨水流加速率u₅，输出量为溶氧x₄、pH值x₅、体积x₆，并建立内含传感器的模型：

$\left(\begin{array}{c}{\stackrel{\·}{x}}_4\\ {\stackrel{\·\·}{x}}_4\\ {\stackrel{\·}{x}}_5\end{array}\right)=\left(\begin{array}{c}{f}_{s1}(x_1,x_2,x_3,x_4,x_5,x_6,u_1,u_2,u_3{,u}_4,u_5,{\stackrel{\·}{u}}_1,{\stackrel{\·}{u}}_2,{\stackrel{\·}{u}}_3,{\stackrel{\·}{u}}_4,{\stackrel{\·}{u}}_5)\\ f_{s2}(x_1,x_2,x_3,x_4,x_5,x_6,u_1,u_2,u_3,u_4,u_5,{\stackrel{\·}{u}}_1,{\stackrel{\·}{u}}_2,{\stackrel{\·}{u}}_3,{\stackrel{\·}{u}}_4,{\stackrel{\·}{u}}_5)\\ f_{s3}(x_1,x_2,x_3,x_4,x_5,x_6,u_1,u_2,u_3,u_4,u_5,{\stackrel{\·}{u}}_1,{\stackrel{\·}{u}}_2,{\stackrel{\·}{u}}_3,{\stackrel{\·}{u}}_4,{\stackrel{\·}{u}}_5)\end{array}\right)$

其中

是糊精流加速率导数，

是豆油流加速率导数， 是丙醇流加速率导数，

是水流加速率导数，

是氨水流加速率导数， 是溶氧二阶导数；f_s1、f_s2、f_s3都表示非线性函数关系。

在此基础上依据求反函数的方法推导出内含传感器逆的模型：

$\left(\begin{array}{c}{x}_1\\ x_2\\ x_3\end{array}\right)=\left(\begin{array}{c}{f}_{\mathrm{sz}1}(u_1,u_2,u_3,u_4,u_5,{\stackrel{\·}{u}}_1,{\stackrel{\·}{u}}_2,{\stackrel{\·}{u}}_3,{\stackrel{\·}{u}}_4,{\stackrel{\·}{u}}_5,x_4,x_5,x_6,{\stackrel{\·}{x}}_4,{\stackrel{\·\·}{x}}_4,{\stackrel{\·}{x}}_5)\\ f_{\mathrm{sz}2}(u_1,u_2,u_3,u_4,u_5,{\stackrel{\·}{u}}_1,{\stackrel{\·}{u}}_2,{\stackrel{\·}{u}}_3,{\stackrel{\·}{u}}_4,{\stackrel{\·}{u}}_5,x_4,x_5,x_6,{\stackrel{\·}{x}}_4,{\stackrel{\·\·}{x}}_4,{\stackrel{\·}{x}}_5)\\ f_{\mathrm{sz}3}(u_1,u_2,u_3,u_4,u_5,{\stackrel{\·}{u}}_1,{\stackrel{\·}{u}}_2,{\stackrel{\·}{u}}_3,{\stackrel{\·}{u}}_4,{\stackrel{\·}{u}}_5,x_4,x_5,x_6,{\stackrel{\·}{x}}_4,{\stackrel{\·\·}{x}}_4,{\stackrel{\·}{x}}_5)\end{array}\right)$

其中f_sz1、f_sz2、f_sz3都表示非线性函数关系。

该内含传感器逆模型即为菌丝浓度x₁、总糖浓度x₂、化学效价x₃的软测量模型。然后采用静态人工神经网络加8个微分器并通过对静态人工神经网络的训练(确定静态人工神经网络的各权系数)构造该内含传感器逆——称为神经网络逆。将得到的神经网络逆串接在红霉素发酵过程之后，即可实现对菌丝浓度x₁、总糖浓度x₂、化学效价x₃的软测量。

神经网络逆的构造方法为用具有16个输入节点、3个输出节点静态人工神经网络加8个微分器构成具有8个输入节点、3个输出节点的神经网络逆。其中：神经网络逆的第一至第五个输入为静态人工神经网络的第一至第五个输入；神经网络逆的第一至第五个输入分别经1个微分器获得的输出为静态人工神经网络的第六至第十个输入；神经网络逆的第六个输入为静态人工神经网络的第十一个输入；神经网络逆的第六个输入经1个微分器获得的输出为静态人工神经网络的第十二个输入；神经网络逆的第六个输入依次经2个微分器获得的输出为静态人工神经网络的第十三个输入；神经网络逆的第七个输入为静态人工神经网络的第十四个输入；神经网络逆的第七个输入经1个微分器获得的输出为静态人工神经网络的第十五个输入；神经网络逆的第八个输入为静态人工神经网络的第十六个输入；神经网络逆的3个输出分别为静态人工神经网络的3个输出。

静态人工神经网络的各权系数的确定方法为首先采集红霉素发酵过程的现场数据，包括每5分钟测量一次获得的实时数据糊精流加速率u₁、豆油流加速率u₂、丙醇流加速率u₃、水流加速率u₄、氨水流加速率u₅、溶氧x₄、pH值x₅、体积x₆，每6小时取样化验一次获得的离线分析数据菌丝浓度x₁、总糖浓度x₂、化学效价x₃；然后对实时数据分别进行五点平均滤波，并用五点求导法求出糊精流加速率导数

豆油流加速率导数 丙醇流加速率导数 水流加速率导数

氨水流加速率导数

溶氧导数 溶氧二阶导数

pH值导数 对离线分析数据分别进行最小二乘拟合生成与实时数据相对应的每5分钟一次的数据；最后用构成的训练样本集{u₁～u₅，

x₄，

x₅，

x₆，x₁，x₂，x₃}对静态人工神经网络进行训练，确定静态人工神经网络的各权系数。

神经网络逆的具体实现即所要构造的神经网络逆软仪表。

神经网络逆软仪表可采用单片机构造。其中，红霉素发酵过程的输入量糊精流加速率u₁、豆油流加速率u₂、丙醇流加速率u₃、水流加速率u₄、氨水流加速率u₅分别经5个流量传感器接单片机的输入端，红霉素发酵过程的输出量，即内含传感器的输出量溶氧x₄、pH值x₅、体积x₆分别经溶氧传感器、pH值传感器、体积传感器接单片机的输入端。

单片机程序包括主程序和两个中断服务程序。单片机主程序先进行初始化，然后进入数据显示与故障诊断的循环，如果接收到主程序结束命令，则结束主程序。主程序数据显示与故障诊断期间，按一定时间间隔运行定时软测量中断服务程序，如果出现故障，则运行异常中断服务程序。定时软测量中断服务程序的处理流程为：首先对主程序进行现场保护，然后通过各种传感器和A/D转换采集流量、溶氧、pH值、体积数据，再对数据进行滤波处理，对滤波后的数据进行神经网络逆运算，将得到的结果输出到显示单元的存储器中，最后恢复现场并返回主程序。

有益效果：本发明的原理是通过构造红霉素发酵过程的内含传感器的神经网络逆，并将其串接在红霉素发酵过程之后，实现对难以用传感器在线实时测量的菌丝浓度、总糖浓度、化学效价的软测量。它基于红霉素发酵过程的完整非线性模型，经过严格的数学推导，得到了内含传感器及内含传感器逆的模型，并用静态人工神经网络加微分器的方法来构造内含传感器逆——称之为神经网络逆，据此所设计出的神经网络逆软仪表具有较高的精度和很好的实用价值。

本发明的优点是：

①基于红霉素发酵过程的模型建立了内含传感器子系统的模型，并在此基础上依据求反函数方法推导出软测量模型(即内含传感器逆模型)，由此得到的内含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。

②采用红霉素发酵过程的完整非线性模型(保留了红霉素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。

③实际应用中，采用神经网络逆来构造内含传感器逆的模型，不需要求出内含传感器逆的精确模型，不用解出逆的解析表达式，克服了传统解析方法对模型的强依赖型，易于工程实现。

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红霉素发酵过程有效，而且可推广到其他的化工、生化过程，具有广阔的应用前景。

                          附图说明

图1是红霉素发酵过程1各流加输入量、在线直接可测输出量、需离线分析的不直接可测量的关系示意图。红霉素发酵过程1的流加输入量是糊精流加速率u₁、豆油流加速率u₂、丙醇流加速率u₃、水流加速率u₄、氨水流加速率u₅，在线直接可测输出量是溶氧x₄、pH值x₅、体积x₆，需离线分析的不直接可测量是菌丝浓度x₁、总糖浓度x₂、化学效价x₃。

图2是包含在红霉素发酵过程1中的内含传感器11示意图。内含传感器11的主输入量是不直接可测的菌丝浓度x₁、总糖浓度x₂、化学效价x₃，辅输入量是糊精流加速率u₁、豆油流加速率u₂、丙醇流加速率u₃、水流加速率u₄、氨水流加速率u₅，输出量是溶氧x₄、pH值x₅、体积x₆。

图3是由红霉素发酵过程1与内含传感器逆3组成的软测量原理图。其中有红霉素发酵过程1(含内含传感器11)与内含传感器逆3。内含传感器逆3的主输入量是溶氧x₄、pH值x₅、体积x₆，辅输入量是糊精流加速率u₁、豆油流加速率u₂、丙醇流加速率u₃、水流加速率u₄、氨水流加速率u₅，输出量是菌丝浓度x₁、总糖浓度x₂、化学效价x₃。

图4是由红霉素发酵过程1与神经网络逆4组成的软测量结构图。其中有红霉素发酵过程1，神经网路逆4。“A1～A8”是神经网络逆4的8个输入，神经网络逆4的输出是菌丝浓度软测量值₁、总糖浓度软测量值₂、化学效价软测量值₃。

图5是给出了神经网络逆4内部具体结构的软测量结构图。包含了红霉素发酵过程1、神经网络逆4。其中神经网路逆4包含了静态人工神经网络41，8个微分器421～428。

是糊精流加速率导数， 是豆油流加速率导数，

是丙醇流加速率导数， 是水流加速率导数，

是氨水流加速率导数， 是溶氧导数，

是溶氧二阶导数，

是pH值导数。“I1～I16”是静态人工神经网络的16个输入。

图6是训练静态人工神经网络41的结构框架图。e₁是训练样本集中的菌丝浓度x₁与菌丝浓度软测量值₁的差，e₂是训练样本集中的总糖浓度x₂与总糖浓度软测量值₂的差，e₃是训练样本集中的化学效价x₃与化学效价软测量值₃的差。

图7是神经网络逆软仪表的单片机实现的硬件结构图。其中有用来实现神经网络逆的功能的单片机5，采集糊精流加速率u₁数据、豆油流加速率u₂数据、丙醇流加速率u₃数据、水流加速率u₄数据、氨水流加速率u₅数据的流量传感器611～615，采集溶氧x₄数据的溶氧传感器616，采集pH值x₅数据的pH值传感器617，采集体积x₆数据的体积传感器618。

图8是神经网络逆软仪表的单片机程序框图。

                       具体实施方案

本发明的实施方案是：首先根据红霉素发酵过程的模型选择确定红霉素发酵过程的各流加输入量、在线直接可测输出量(简称可测输出量)与需离线分析的不直接可测量(简称离线分析量)。接着选择确定红霉素发酵过程中内含传感器的输入量和输出量，并建立内含传感器的模型和内含传感器逆的模型。然后采用静态人工神经网络加8个微分器并通过对静态人工神经网络的训练确定其各权系数构成神经网络逆，实现内含传感器逆的功能。最后将得到的神经网络逆串接在红霉素发酵过程之后，即可实现对需离线分析的不直接可测量(包括菌丝浓度x₁、总糖浓度x₂、化学效价x₃)的软测量。该神经网络逆的具体实现就是所要构造的神经网络逆软仪表。具体实施时，可根据不同的要求，采用不同的硬件和软件来实现。

具体实施分为以下7步：

1、选择确定红霉素发酵过程的各流加输入量(在线直接可测)、在线直接可测输出量与需离线分析的不直接可测量(如图1所示)。根据红霉素发酵过程的模型：

$\left\{\begin{array}{c}{\stackrel{\·}{x}}_1=\mathrm{\μ}{x}_1-\frac{x_1}{x_6}(u_1+u_2+u_3+u_4+u_5)\\ {\stackrel{\·}{x}}_2=-\mathrm{\σ}{x}_1+\frac{k_{15}}{x_6}{u}_1-\frac{x_2}{x_6}(u_1+u_2+u_3+u_4+u_5)\\ {\stackrel{\·}{x}}_3=\mathrm{\π}{x}_1-k_{16}{x}_1-\frac{x_3}{x_6}(u_1+u_2+u_3+u_4+u_5)\\ {\stackrel{\·}{x}}_4=-\mathrm{\η}{x}_1-k_{17}{x}_4-\frac{x_4}{x_6}(u_1+u_2+u_3+u_4+u_5)+k_{18}\\ {\stackrel{\·}{x}}_5=\mathrm{\ψ}{x}_1+\frac{k_{19}{u}_5-k_{20}{u}_2-k_{15}{u}_1}{x_6}-\frac{x_5}{x_6}(u_1+u_2+u_3+u_4+u_5)\\ {\stackrel{\·}{x}}_6=u_1+u_2+u_3+u_4+u_5\end{array}---\right.\left(1\right)$

其中有糊精流加速率u₁、豆油流加速率u₂、丙醇流加速率u₃、水流加速率u₄、氨水流加速率u₅、菌丝浓度x₁、总糖浓度x₂、化学效价x₃、溶氧x₄、pH值x₅、体积x₆、菌丝浓度导数 总糖浓度导数 化学效价导数

溶氧导数

pH值导数

体积导数 μ，π，σ，η，ψ都是菌丝浓度x₁、总糖浓度x₂、化学效价x₃、溶氧x₄、pH值x₅的函数，k_i(15≤i≤20)为非零常数。(1)式可简记为：

$\left\{\begin{array}{c}{\stackrel{\·}{x}}_1=f_1(x_1,x_2,x_3,x_4,x_5,x_6,u_1,u_2,u_3,u_4,u_5)\\ {\stackrel{\·}{x}}_2=f_2(x_1,x_2,x_3,x_4,x_5,x_6,u_1,u_2,u_3,u_4,u_5)\\ {\stackrel{\·}{x}}_3=f_3(x_1,x_2,x_3,x_4,x_5{,x}_6,u_1,u_2,u_3,u_4,u_5)\\ {\stackrel{\·}{x}}_4=f_4(x_1,x_2,x_3,x_4,x_5,x_6,u_1,u_2,u_3,u_4,u_5)\\ {\stackrel{\·}{x}}_5=f_5(x_1,x_2,x_3,x_4,x_5,x_6,u_1,u_2,u_3,u_4,u_5)\\ {\stackrel{\·}{x}}_6=f_6(x_1,x_2,x_3,x_4,x_5,x_6,u_1,u_2,u_3,u_4,u_5)\end{array}\right.---\left(2\right)$

其中f₁～f₆表示非线性函数关系。

结合实际情况，选择确定流加输入量为糊精流加速率u₁、豆油流加速率u₂、丙醇流加速率u₃、水流加速率u₄、氨水流加速率u₅，在线直接可测输出量为溶氧x₄、pH值x₅、体积x₆，需离线分析的不直接可测量为菌丝浓度x₁、总糖浓度x₂、化学效价x₃。

2、选择确定红霉素发酵过程中内含传感器的输入量与输出量(如图2所示)。其中主输入量为菌丝浓度x₁、总糖浓度x₂、化学效价x₃，辅输入量为糊精流加速率u₁、豆油流加速率u₂、丙醇流加速率u₃、水流加速率u₄、氨水流加速率u₅，输出量为溶氧x₄、pH值x₅、体积x₆。

3、通过分析与推导，为神经网络逆的构造与训练提供方法上的依据。根据①红霉素发酵过程模型(式(2))，②第2步选择确定的内含传感器的输入量与输出量。可得到以(菌丝浓度x₁、总糖浓度x₂、化学效价x₃)为主输入量，(糊精流加速率u₁、豆油流加速率u₂、丙醇流加速率u₃、水流加速率u₄、氨水流加速率u₅)为辅输入量，(溶氧x₄、pH值x₅、体积x₆)为输出量的内含传感器的模型(其结构如图2所示)：

$\left(\begin{array}{c}{\stackrel{\·}{x}}_4\\ {\stackrel{\·\·}{x}}_4\\ {\stackrel{\·}{x}}_5\end{array}\right)=\left(\begin{array}{c}{f}_{s1}(x_1,x_2,x_3,x_4,x_5,x_6,u_1,u_2,u_3{,u}_4,u_5,{\stackrel{\·}{u}}_1,{\stackrel{\·}{u}}_2,{\stackrel{\·}{u}}_3,{\stackrel{\·}{u}}_4,{\stackrel{\·}{u}}_5)\\ f_{s2}(x_1,x_2,x_3,x_4,x_5,x_6,u_1,u_2,u_3,u_4,u_5,{\stackrel{\·}{u}}_1,{\stackrel{\·}{u}}_2,{\stackrel{\·}{u}}_3,{\stackrel{\·}{u}}_4,{\stackrel{\·}{u}}_5)\\ f_{s3}(x_1,x_2,x_3,x_4,x_5,x_6,u_1,u_2,u_3,u_4,u_5,{\stackrel{\·}{u}}_1,{\stackrel{\·}{u}}_2,{\stackrel{\·}{u}}_3,{\stackrel{\·}{u}}_4,{\stackrel{\·}{u}}_5)\end{array}\right)---\left(3\right)$

其中

是糊精流加速率导数， 是豆油流加速率导数，

是丙醇流加速率导数，是水流加速率导数，

是氨水流加速率导数，

是溶氧二阶导数，f_s1、f_s2、f_s3都表示非线性函数关系。

根据反函数存在定理，可以证明(3)式所表示的内含传感器是可逆的。并可推出内含传感器逆的模型：

$\left(\begin{array}{c}{x}_1\\ x_2\\ x_3\end{array}\right)=\left(\begin{array}{c}{f}_{\mathrm{sz}1}(u_1,u_2,u_3,u_4,u_5,{\stackrel{\·}{u}}_1,{\stackrel{\·}{u}}_2,{\stackrel{\·}{u}}_3,{\stackrel{\·}{u}}_4,{\stackrel{\·}{u}}_5,x_4,x_5,x_6,{\stackrel{\·}{x}}_4,{\stackrel{\·\·}{x}}_4,{\stackrel{\·}{x}}_5)\\ f_{\mathrm{sz}2}(u_1,u_2,u_3,u_4,u_5,{\stackrel{\·}{u}}_1,{\stackrel{\·}{u}}_2,{\stackrel{\·}{u}}_3,{\stackrel{\·}{u}}_4,{\stackrel{\·}{u}}_5,x_4,x_5,x_6,{\stackrel{\·}{x}}_4,{\stackrel{\·\·}{x}}_4,{\stackrel{\·}{x}}_5)\\ f_{\mathrm{sz}3}(u_1,u_2,u_3,u_4,u_5,{\stackrel{\·}{u}}_1,{\stackrel{\·}{u}}_2,{\stackrel{\·}{u}}_3,{\stackrel{\·}{u}}_4,{\stackrel{\·}{u}}_5,x_4,x_5,x_6,{\stackrel{\·}{x}}_4,{\stackrel{\·\·}{x}}_4,{\stackrel{\·}{x}}_5)\end{array}\right)---\left(4\right)$

其中f_sz1、f_sz2、f_sz3都表示非线性函数关系。

内含传感器逆的主输入量为(溶氧x₄、pH值x₅、体积x₆)，辅输入量为(糊精流加速率u₁、豆油流加速率u₂、丙醇流加速率u₃、水流加速率u₄、氨水流加速率u₅)，输出量为(菌丝浓度x₁、总糖浓度x₂、化学效价x₃)(如图3的右半部分所示)。该内含传感器逆模型(式(4))即为神经网络逆所要实现的模型。

需要说明的是，这一步仅为以下的神经网络逆构造与训练提供方法上的依据，在本发明的具体实施中，这一步(包括得到内含传感器的模型，证明内含传感器的可逆性以及得到内含传感器逆的模型的详细过程)可跳过。

4、选择确定神经网络逆的输入量与输出量(如图4的右半部分所示)。其主输入量为溶氧x₄、pH值x₅、体积x₆，分别为神经网络逆的第六、第七、第八个输入；辅输入量为糊精流加速率u₁、豆油流加速率u₂、丙醇流加速率u₃、水流加速率u₄、氨水流加速率u₅，分别为神经网络逆的第一至第五个输入；输出量为菌丝浓度软测量值₁、总糖浓度软测量值₂、化学效价软测量值₃。

5、采用静态人工神经网络加8个微分器构造神经网络逆。其中静态人工神经网络采用3层的MLN网络(多层神经网络)，输入层节点数为16，隐含层节点数20，输出层节点数为3，隐层激励函数为sigmoid函数 $f\left(x\right)=\frac{e^x-e^{-x}}{e^x+e^{-x}},$ 输出层激励函数为线性函数f(x)＝x，静态人工神经网络的各权系数通过下一步的训练静态人工神经网络确定。然后用具有16个输入节点、3个输出节点的静态人工神经网络加8个微分器来构造神经网络逆(如图5的右半部分所示)。其中，神经网络逆的第一至第五个输入“A1～A5”为静态人工神经网络的第一至第五个输入“I1～I5”；神经网络逆的第一至第五个输入“A1～A5”分别经1个微分器获得的输出为静态人工神经网络的第六至第十个输入“I6～I10”；神经网络逆的第六个输入“A6”为静态人工神经网络的第十一个输入“I11”；神经网络逆的第六输入“A6”经微分器获得的输出为静态人工神经网络的第十二个输入“I12”；神经网络逆的第六个输入“A6”依次经2个微分器获得的输出为静态人工神经网络的第十三个输入“I13”；神经网络逆的第七个输入“A7”为静态人工神经网络的第十四个输入“I14”；神经网络逆的第七个输入“A7”经微分器获得的输出为静态人工神经网络的第十五个输入“I15”；神经网络逆的第八个输入“A8”为静态人工神经网络的第十六个输入“I16”。神经网络逆的3个输出分别为静态人工神经网络的3个输出。

6、确定静态人工神经网络的各权系数。此步分为以下三步：

(1)对红霉素发酵全过程(如图1所示)进行现场数据采集。其中包含两种数据：每5分钟测量一次获得的实时数据，包括糊精流加速率u₁、豆油流加速率u₂、丙醇流加速率u₃、水流加速率u₄、氨水流加速率u₅、溶氧x₄、pH值x₅、体积x₆，每6小时取样化验一次获得的离线分析数据，包括菌丝浓度x₁、总糖浓度x₂、化学效价x₃。总共采集10个发酵批次的数据(每个发酵批次时间跨度约为180小时)。

(2)处理数据，形成用来确定静态人工神经网络各权系数的训练样本集。对采集到的实时数据(即糊精流加速率u₁、豆油流加速率u₂、丙醇流加速率u₃、水流加速率u₄、氨水流加速率u₅、溶氧x₄、pH值x₅、体积x₆)分别进行五点平均滤波，然后用五点求导法求出糊精流加速率导数 豆油流加速率导数 丙醇流加速率导数 水流加速率导数

氨水流加速率导数

溶氧导数

溶氧二阶导数 pH值导数

对于离线分析数据(即菌丝浓度x₁、总糖浓度x₂、化学效价x₃)分别采用最小二乘拟合方法生成与实时数据相对应的每5分钟一次的数据。这样，就得到了用来确定静态人工神经网络各权系数的训练样本集{u₁～u₅， x₄，

x₅，

x₆，x₁，x₂，x₃}。

(3)训练静态人工神经网络确定静态人工神经网络各权系数。训练静态人工神经网络的结构框架如图6所示，训练采用LM(Levenberg-Marquart)算法，训练300次后，训练样本集中的数据{菌丝浓度x₁、总糖浓度x₂、化学效价x₃}与静态人工神经网络的输出数据{菌丝浓度软测量值₁、总糖浓度软测量值₂、化学效价软测量值₃}的均方误差小于0.001，满足要求，从而确定了静态人工神经网络的各权系数。

7、基于神经网络逆构造神经网络逆软仪表。由确定了各权系数的静态人工神经网络与8个微分器共同组成神经网络逆，串接在红霉素发酵过程之后(如图5所示)，就可实现对菌丝浓度x₁、总糖浓度x₂、化学效价x₃的软测量。

神经网络逆的具体实现就是所要构造的神经网络逆软仪表，根据不同的测量要求可采用不同的硬件和软件来实现它。

图7给出了神经网络逆软仪表的一个具体实施例的示意图。神经网络逆由单片机实现，现场的糊精流加速率u₁数据、豆油流加速率u₂数据、丙醇流加速率u₃数据、水流加速率u₄数据、氨水流加速率u₅数据、溶氧x₄数据、pH值x₅数据、体积x₆数据分别通过5个流量传感器，溶氧传感器，pH值传感器和体积传感器获得，然后再通过A/D转换读入单片机，经过单片机程序处理，得到菌丝浓度软测量值₁、总糖浓度软测量值₂、化学效价软测量值₃，并通过显示单元输出。

单片机的程序包括一个主程序和两个中断服务程序(异常中断服务程序、定时软测量中断服务程序)。

单片机程序运行从主程序开始，先进行初始化，然后进入数据显示与故障诊断的循环，如果接收到主程序结束命令，则结束主程序。主程序数据显示与故障诊断期间，按一定时间间隔运行定时软测量中断服务程序，如果出理故障，则运行异常中断服务程序。定时软测量中断服务程序的处理流程为：首先对主程序进行现场保护，接下来通过各种传感器和A/D转换采集流量、溶氧、pH值、体积数据，再对数据进行滤波处理，然后对滤波后的数据进行神经网络逆运算，之后将得到的结果输出到显示单元的存储器中，最后恢复现场并返回主程序(如图8所示)。

根据以上所述，即可实现本发明。

Claims (5)

1、一种红霉素发酵过程变量的神经网络逆软测量方法，其特征在于该方法依据红霉素发酵过程(1)的模型，选择确定红霉素发酵过程(1)的流加输入量、可测输出量和离线分析量；然后再选择确定红霉素发酵过程(1)的内含传感器(11)的主输入量、辅输入量和输出量，并建立内含传感器(11)的模型：在此基础上依据求反函数方法建立内含传感器逆(3)的模型，确定内含传感器逆(3)的主输入量、辅输入量和输出量：然后采用静态人工神经网络(41)加8个微分器(421～428)并通过对静态人工神经网络(41)的训练确定各权系数构造神经网络逆(4)，来实现该内含传感器逆(3)；最后将神经网络逆(4)串接在红霉素发酵过程(1)之后，实现对菌丝浓度x₁、总糖浓度x₂、化学效价x₃的在线软测量。

2、根据权利要求1所述的红霉素发酵过程变量的神经网络逆软测量方法，其特征在于红霉素发酵过程(1)的内含传感器(11)的主输入量为菌丝浓度x₁、总糖浓度x₂、化学效价x₃；辅输入量为各流加输入量，即：糊精流加速率u₁、豆油流加速率u₂、丙醇流加速率u₃、水流加速率u₄、氨水流加速率u₅；输出量为溶氧x₄、pH值x₅、体积x₆；该内含传感器(11)可逆；内含传感器逆(3)的主输入量为溶氧x₄、pH值x₅、体积x₆，辅输入量为糊精流加速率u₁、豆油流加速率u₂、丙醇流加速率u₃、水流加速率u₄、氨水流加速率u₅，输出量为菌丝浓度x₁、总糖浓度x₂、化学效价x₃。

3、根据权利要求1所述的红霉素发酵过程变量的神经网络逆软测量方法，其特征在于神经网络逆(4)的构造方法为用具有16个输入节点、3个输出节点的静态人工神经网络(41)加8个微分器(421～428)构成具有8个输入节点、3个输出节点的神经网络逆(4)；其中：神经网络逆(4)的第一至第五个输入“A1～A5”为静态人工神经网络(41)的第一至第五个输入“I1～I5”；神经网络逆(4)的第一至第五个输入“A1～A5”经第一至第五个微分器(421～425)获得的输出为静态人工神经网络(41)的第六至第十个输入“I6～I10”；神经网络逆(4)的第六个输入“A6”为静态人工神经网络(41)的第十一个输入“I11”；神经网络逆(4)的第六个输入“A6”经第六个微分器(426)获得的输出为静态人工神经网络(41)的第十二个输入“I12”：神经网络逆(4)的第六个输入“A6”依次经第六个微分器(426)和第七个微分器(427)获得的输出为静态人工神经网络(41)的第十三个输入“I13”：神经网络逆(4)的第七个输入“A7”为静态人工神经网络(41)的第十四个输入“I14”；神经网络逆(4)的第七个输入“A7”经第八个微分器(428)获得的输出为静态人工神经网络(41)的第十五个输入“I15”：神经网络逆(4)的第八个输入“A8”为静态人工神经网络(41)的第十六个输入“I16”；神经网络逆(4)的3个输出分别为静态人工神经网络(41)的3个输出。

4、根据权利要求1所述的红霉素发酵过程变量的神经网络逆软测量方法，其特征在于静态人工神经网络(41)的各权系数的确定方法为首先采集红霉素发酵过程(1)的现场数据，包括每5分钟测量一次获得的实时数据糊精流加速率u₁、豆油流加速率u₂、丙醇流加速率u₃、水流加速率u₄、氨水流加速率u₅、溶氧x₄、pH值x₅、体积x₆，每6小时取样化验一次获得的离线分析数据菌丝浓度x₁、总糖浓度x₂、化学效价x₃；然后对实时数据分别进行五点平均滤波，并用五点求导法求出糊精流加速率导数

豆油流加速率导数 丙醇流加速率导数 水流加速率导数 氨水流加速率导数 溶氧导数

溶氧二阶导数

pH值导数

对离线分析数据分别进行最小二乘拟合生成与实时数据相对应的每5分钟一次的数据；最后用构成的训练样本集{u₁～u₅，

x₄， x₅，

x₆，x₁，x₂，x₃}对静态人工神经网络(41)进行训练，确定静态人工神经网络(41)的各权系数。

5、一种如权利要求1所述的红霉素发酵过程变量的神经网络逆软测量方法的软仪表构造方法，其特征在于采用单片机(5)构造神经网络逆软仪表，其中，红霉素发酵过程(1)的流加输入量，即糊精流加速率u₁、豆油流加速率u₂、丙醇流加速率u₃、水流加速率u₄、氨水流加速率u₅分别经5个流量传感器(611～615)接单片机(5)的输入端，红霉素发酵过程(1)的可测输出量，即内含传感器(11)的输出量溶氧x₄、pH值x₅、体积x₆分别经溶氧传感器(616)、pH值传感器(617)、体积传感器(618)接单片机(5)的输入端；

单片机程序包括主程序和两个中断服务程序；单片机主程序先进行初始化，然后进入数据显示与故障诊断的循环，如果接收到主程序结束命令，则结束主程序；主程序数据显示与故障诊断期间，按一定时间间隔运行定时软测量中断服务程序，如果出现故障，则运行异常中断服务程序；定时软测量中断服务程序的处理流程为：首先对主程序进行现场保护，然后通过各种传感器和A/D转换采集流量、溶氧、pH值、体积数据，再对数据进行滤波处理，对滤波后的数据进行神经网络逆运算，将得到的结果输出到显示单元的存储器中，最后恢复现场并返回主程序。

Images