[发明专利]基于多向数据模型的青霉素发酵过程迭代学习卡尔曼滤波方法

说明书

基于多向数据模型的青霉素发酵过程迭代学习卡尔曼滤波方法，属于间歇生产过程状态估计领域。首先针对青霉素发酵过程选择变量；然后采集生产过程的多批次历史数据建立多向线性变参数模型，并用期望最大化算法估计模型参数，再扩展成含噪声干扰的状态空间形式的多向线性变参数模型；接着基于SS‑MLPV模型构造一个适用于迭代学习卡尔曼滤波的误差模型，将误差模型分解为时间方向子模型与批次方向子模型；最后基于当前间歇发酵过程的青霉素浓度数据，第一批使用卡尔曼滤波对青霉素浓度的状态估计，第二批开始对构建的时间和批次方向的子模型进行ILKF得到误差估计，将不含噪声的SS‑MLPV模型输出与误差估计相加即为青霉素浓度的估计。

技术领域

本发明属于间歇生产过程状态估计领域，涉及一种青霉素发酵过程的关键变量检测的方法。

背景技术

间歇过程作为一种重要的生产方式，具有生产周期短、转型快等特点，能够满足快速化、个性化的市场需求，在精细化工、生物制药、食品和化妆品等行业中得到了广泛的应用。青霉素发酵过程是一种间歇过程，在一个或者多个发酵罐中生产产品青霉素，一个批次产品完成后，如果需要更多的产品，必须重复该过程，按照相同的工序进行下一个批次生产。在青霉素发酵生产中，存在不可测量或测量成本较高的过程变量(如发酵过程中的产物浓度，生物质浓度，基质浓度等)，这些过程变量也称为状态变量，某些关键的过程变量关系到产品质量，需要对其进行实时监测，因此对发酵过程状态变量的估计尤为重要，发酵过程的状态估计一直是工业界和学术界的关注焦点。

用于青霉素发酵过程的状态估计方法主要有：扩展卡尔曼滤波(EKF)、无迹卡尔曼滤波(UKF)、粒子滤波(PF)等，这些传统方法都需要得到系统的动态方程，并且只是在时间方向上进行估计，然而间歇过程通常具有许多重复的批次。当前工业生产中，在间歇过程中使用的状态估计方法大多是对连续过程的简单复制，忽略了批次之间的相关性。考虑到间歇过程多批次重复性质，迭代学习卡尔曼滤波(ILKF)被引入到间歇过程的状态估计中，在状态估计时同时考虑了批次方向的相关性和时间方向动态特性。但是这些方法都需要预先获得发酵过程的机理模型，当生产过程机理不明时，上述方法无法实际应用；如何根据过程运行数据和操作经验来建立模型，进而基于该模型实现对关键变量检测尚无更好解决方案。

发明内容

在青霉素发酵过程中，一些关键参数检测很困难，现有的软测量技术可以对其进行估计，但是一般基于静态数据模型。状态空间模型是一种动态模型，考虑了变量在时间方向上的联系，适用于线性、时变、非线性、随机、采样等各种各样的系统；并且能简化过程描述，方便推导，适用于计算机处理。首先，在过程机理不明时，本发明基于数据构造一个包含关键参数的状态空间模型，对所构造模型的状态进行估计即实现对青霉素发酵过程中的关键参数的估计；然后，本发明将给出一种基于数据的青霉素发酵过程迭代学习状态估计的方案。

一方面，状态估计需要有一个比较准确的模型，在机理不明的情况下，考虑基于数据建模的方法。对于多阶段的非线性间歇青霉素发酵过程，很难用一个非线性全局模型描述，线性变参数(LPV)模型可以逼近任意非线性模型，是一个较好的选择。但针对间歇过程这种多批次生产过程，需要一个可以拟合每一批数据的模型，本发明采用多向线性变参数(MLPV)模型，能较快地得到复杂非线性过程的模型，且此模型又有较好的拟合能力。并且将MLPV模型扩展到状态空间(SS)形式，考虑到实际过程存在的系统噪声，测量噪声和重复干扰，构造了比较符合实际生产的SS-MLPV模型。

另一方面，青霉素发酵过程是个多批次的重复过程，适合用迭代学习状态估计的方法。然而现有的迭代学习估计方法需要过程机理模型，在只有数据的情况下，不适用于实际间歇生产过程。本发明通过构造误差模型，给出了适合实际生产过程的ILKF方案，与原ILKF方法相比，该方案考虑了输入条件，并放宽了初值假设。