[发明专利]多模型神经网络的生物发酵过程软测量建模方法及软仪表

说明书

技术领域

本发明涉及软测量仪表的优化建模方法，应用于生物发酵的软测量及软仪表构造技术 领域，具体是在生物发酵过程中引入多模型神经网络建模方法，在线测量一些难以在实际 发酵过程中测量的关键变量。

背景技术

微生物发酵工程被广泛地应用于抗生素、氨基酸及精细化工产品的生产，在医药工业、 化学工业、轻工食品和环境保护等诸多领域都涉及微生物发酵，已成为生物化学工程和现 代生物技术及其产业化的基础。由于微生物发酵过程机理的复杂性，以及连续流加发酵过 程的复杂性，微生物发酵过程的控制问题成为难点，虽然在各领域内提出了相应的控制方 法，但其技术还停留在如何构造基于模型的生物反应器。

微生物发酵过程控制问题的核心之一是重要过程变量的检测，如PH、温度、溶氧(DO)、 氧补给率(OUR)、二氧化碳排出率(CER)等。尽管目前已提出一些辅助测试手段，但受 检测技术发展水平的限制，一些类似细胞内代谢产物这样的关键变量始终是不易检测的， 导致针对发酵过程的先进优化控制算法和策略只能停留在理论讨论上，而无法在工业上实 际应用。

早期的软测量技术主要用于控制变量或扰动不可测的场合，其目的是实现工业过程的 复杂控制，因此采用的软测量模型也是与控制系统模型相对应的线性模型和机理模型。随 着测量技术的发展，为了满足对测量的更高要求，近年来软测量技术能够实现难测参数的 在线测量，软测量模型也发展到基于神经网络模型和基于人工智能的混合模型研究。软测 量技术已成为过程控制和过程检测领域的主要发展趋势之一。

软测量技术是依据某种优化准则，利用由辅助变量构成的可测信息，通过软件计算实 现对主导变量的测量，其核心是表征辅助变量和主导变量之间的数学关系的软测量模型， 因此目前普遍都是要解决软测量模型建立问题，即一个数学建模问题。目前软测量方法主 要有：基于机理分析的软测量，基于统计回归的软测量，基于神经网络的软测量和基于混 合模型的软测量。

近几年，利用神经网络(NN，下同)对生物过程辨识以及在线估计已被采用，然而， 由于生物发酵过程的复杂性和过程测量数据中离群点的存在，采用单一模型进行软测量建 模时，生物量浓度在线估计结果往往不准确，如对大量样本仅用一个NN建立软测量模型， 会导致网络结构过于庞大，训练时间较长。因此，几个模型组合的多模型建模方法可提高 模型的鲁棒性和预测能力。在多模型建模方法之下，一种基于聚类算法的多模型神经网络 软测量建模方法得到了广泛的应用。

发明内容

本发明的目的是为克服现有技术中生物发酵生长过程的测量精度不高、测量结果不准 确的缺陷，提供了一种基于多模型神经网络的生物发酵过程软测量建模方法及其软仪表结 构，可在线测量、计算速度快、抗干扰能力强和精度高。

本发明建模方法采用的技术方案是：先通过数据预处理模块用归一化和主元分析方法 对输入的变量数据进行预处理，然后通过数据预处理模块对预处理后的主元变量集作聚类 划分，再用BP神经网络模型模块对不同的类分别建立子神经网络，最后建立多模型神经 网络软测量模型，通过多模型神经网络软测量模型在线测试发酵过程中的生物量浓度，将 测量的数值通过生物量浓度软测量值显示仪显示。

本发明软仪表采用的技术方案是：将用于测量生物发酵易测变量的现场智能仪表连接 于生物发酵设备，用于测量操作变量的控制器连接在生物发酵设备和数据预处理模块之间， 存放数据的DCS数据库模块连接在现场智能仪表和数据预处理模块之间，数据预处理模块 的输出依次连接数据分类模块、BP神经网络模型模块、多模型NN神经网络软测量模型和 生物量浓度软测量值显示仪。

本发明的有益效果是：

1、结合生物发酵过程的机理知识和数据驱动建模的多模型建模方法，所建模型简单， 科学地反应了微生物的生长规律，实现了生物量浓度的在线测量，克服了传统离线测量方 法中时间滞后所造成的控制不及时、已有测量仪表的测量精度不高等缺陷，抗干扰能力强， 预测精度高。

2、针对单一神经网络模型的网络结构过于复杂、训练时间较长、模型鲁棒性和预测 能力较差的现象，引入基于粒子群算法的核模糊C均值聚类算法结合多模型神经网络建模 方法，克服了单一模型的复杂性和不准确性，为利用多模型神经网络对生物发酵过程进行 软测量建模提供了可靠的基础。

附图说明

下面结合附图和具体实施方式对本发明进一步详细说明。