采用最小二乘支持向量机的青霉素发酵过程建模研究

生化过程通常是严重非线性和时变的复杂动态系统,而且重要过程参数缺少在线测量仪表,对其建立机理模型往往非常耗时和困难。采用最小二乘支持向量机(LS_SVM)并以Pensim仿真平台为例对青霉素发酵这一典型生化过程进行建模研究。给出了LS_SVM参数的调整策略和分析结果,建立了青霉素产物浓度、菌体浓度和底物浓度等重要过程变量的在线预报模型。仿真结果表明用LS_SVM建立的在线预报模型拟合误差小,推广性能好,可以作为发酵过程的进一步控制和优化的参考依据。

生物合成调控的青霉素发酵数学模型与过程优化

青霉素生物合成受溶解氧、溶解二氧化碳、p H、氨氮、碳源 (特别是葡萄糖 )等的调控 ,这些调控反应的产生不仅与基础培养基配方有关 ,更受发酵过程通气、搅拌条件及补料方案的影响。为此 ,笔者通过把握发酵过程中产生菌生长和青霉素生物合成代谢流的元素平衡、能量平衡以及传递与反应速度平衡的方法 ,结合生产经验和数据资料 ,建立了一种能够模拟青霉素发酵过程工艺学参数和经济学参数变化的数学模型。应用这一模型 ,在充分考虑生物合成代谢调控的基础上 ,对青霉素发酵过程进行优化 ,即通过补水维持上述平衡 ,避免因环境条件、初始条件和约束条件的变化及人为的失误造成的过程波动 ,使生产不断趋向最优状态。模拟运行表明 ,这种优化可显著提高发酵生产的经济效益。

关键核网络及其在发酵过程在线建模中的应用

发酵过程通常采用流加补料操作,无稳态工作点、非线性强,且重要生物量往往无法在线测量。本文提出了一种适用于非线性多输入多输出的发酵过程在线建模方法:关键核网络(key kernelnetwork,KKN)。结合过程的先验知识给出控制模型关键节点加入的准则,使其能自适应调整模型的复杂度,以提高建模的精度和速度,并给出了关键节点增加时KKN模型的在线递推形式。将KKN应用于青霉素发酵过程的在线建模,研究表明,KKN能同时快速、准确地预报菌体和产物浓度,且随着批次的增加,过程信息不断得到积累,模型精度逐渐提高。

补料—批式发酵生产青霉素G的最优控制策略比较

补料─批式发酵通常有两种最优控制策略：以底物的流加速率和流加底物浓度作为控制和调节变量，本文以补料－批式发酵生产青霉素Ｇ为模型体系，运用敏感性分析模型比较了两种最优控制策略。从系统的易控性、稳定性和最优解的可获得性角度研究指出：以流加底物浓度作为最优控制和调节变量具有显著的优越性。

在模型化基础上对青霉素补料分批发酵过程中经济效益的预测

在研究发酵动力学、生物过程反应计量学、代谢流分布和代谢流控制的基础上 ,结合专家知识、实验及生产数据 ,对生产规模的青霉素反复补料分批发酵 (即半连续发酵 )的全过程进行了数学模拟 ,建立了一套包含 2 5个过程变量和一系列经济学变量的改良机理模型 .根据这一模型 ,预测了一些工艺参数和经济学参数的改变对发酵过程经济效益的影响 ,发现在保持最大生物质浓度、稀释速率 ,及其它工艺条件不变的情况下 ,中间放料间隔时间、初始发酵液体积以及葡萄糖和电力的价格对经济效益产生较大的影响 .模拟运算结果表明 ,葡萄糖和电力的价格降低 5 % ,全年利润可分别提高 6 .35 %和 3.75 % ;中间放料间隔时间由 2 4h缩短为 12h和 1h(接近于连续发酵 ) ,全年利润可分别提高 7.2 2 %和 14 .11% ;初始发酵液装罐体积分数由 75 %提高到 85 % ,全年发酵利润可提高 5 .4 8% .

改进的FCM-LSSVM青霉素发酵过程预测建模

针对青霉素发酵过程周期长,每个阶段表现出不同的特性,最小二乘支持向量机(least squares support vector machines,LSSVM)的全局模型预测精度难以保证的问题,提出了改进的基于模糊C均值聚类(fuzzy C-means clustering algorithm,FCM)和LSSVM的青霉素发酵过程分段建模方法。首先,在分析影响青霉素产物浓度相关因素的基础上选取输入变量,对样本数据采用FCM算法聚类,按照最大隶属度将样本归类为稳定过程或过渡过程;然后,分别为稳定过程的4个阶段和过渡过程的3个阶段分别建立LSSVM子模型,最后通过子模型切换策略得到系统输出。利用Pensim仿真平台数据,将提出的方法与FCM-LSSVM和LSSVM方法进行比较,平均绝对误差分别为0.013 2、0.014 3、0.014 9,均方根误差分别为0.017 8、0.019 2、0.021 6,实验结果表明,所提出的方法具有良好的精度和泛化能力。

半连续青霉素发酵过程的最优化分析

在单位时间内获得尽可能多的产物作为目标函数，本文建立了半连续青霉素发酵的最优化模型、通过引入哈密尔敦函数和利用庞特雅金最小值原理，求解了这个最优化问题，并就最优化计算结果进行了深入的分析与探讨。

基于KTA-LSSVM的青霉素发酵过程预测建模

为解决青霉素发酵过程预测建模中存在的输入变量选择问题,提出了基于核目标度量(kernel target alignment,KTA)和最小二乘支持向量机(least squares support vector machines,LSSVM)的青霉素发酵过程预测模型。首先,在分析影响青霉素产物浓度相关因素的基础上选取输入变量,采用KTA对输入变量进行尺度缩放,然后,利用Pensim仿真平台数据,采用混沌粒子群算法对LSSVM的参数寻优,建立青霉素发酵过程的KTA-LSSVM预测模型。青霉素浓度预测的KTA-LSSVM模型均方根误差为0.0179,LSSVM模型的均方根误差为0.0276,实验结果表明,本文提出的模型预测精度高,推广性能好。

CUIMWMPCA方法及其在批过程故障监测中的应用

针对传统的多向主元分析(multiway principal component analysis,MPCA)批过程监测的缺陷,提出了一种连续更新的改进移动窗多向主元分析(consecutively updated improved moving window MPCA,CUIMWMPCA)方法。该方法采用连续更新的多模型非线性结构代替传统的MPCA固定的单模型线性化结构,一旦通过改进的移动窗多向主元分析(improved moving windowMPCA,IMWMPCA)判断出某一新批次过程正常,则模型参考数据库就随之更新。在实时监测新的批过程时,只需利用已收集到的数据信息,并且在线连续地更新模型参考数据库,提高了批过程性能监测的准确性,克服了MPCA不能处理非线性过程和实时性的问题。通过采用CUIMWMPCA与移动窗多向主元分析(moving windowMPCA,MWMPCA)方法对青霉素分批补料发酵过程的实时监测,结果表明CUIMWMPCA比MWMPCA更适合于对缓慢变化的批过程进行监测,具有更可靠的监测性能。

生化反应过程的多变量自校正控制——以重复流加青霉素发酵为例

本文采用两阶离散MIMO(Multi 1nput Multi Output)动态模型描述生化反应过程的动态行为,并以青霉素重复流加发酵为例,借助于计算机在线检测系统,在40,000L大罐上进行参数辨识与多变量自校正控制仿真研究。结果表明:该控制策略能够克服噪声和过程不确定性影响,使发酵沿最优轨迹进行,实现跟踪优化控制。

增强组成型重组大肠杆菌质粒稳定性的发酵策略

质粒稳定性是影响基因工程菌外源蛋白表达的重要因素,同时,外源蛋白的表达又影响着质粒稳定性。与诱导型表达系统相比,在组成型表达系统中,由于外源蛋白的持续表达,导致细胞代谢负担加重,质粒稳定性的控制更加困难。通过对组成型大肠杆菌DH5α/pKKFPGA发酵过程的优化,增强了质粒稳定性,发酵结束时,仍然维持在85%左右,表达产物粪产碱杆菌青霉素酰化酶的酶活单位达到23 384 U.L-1。

改进的MPCA及其在批过程实时故障监测中的应用

针对多向主元分析(MPCA)模型批过程在线监测的缺陷,提出了一种基于变量展开和主元协方差随时间变化的MPCA方法,该方法按变量展开,不需要对新批次未反应完的数据进行预估,而数据之间的动态联系通过时变主元协方差得以保存,并且不需要建模批次的长度相等;将该方法应用于青霉素补料分批发酵过程的实时监测中,结果表明该方法比传统的MPCA方法具有更可靠的监测性能。

基于变量展开和时变协方差的连续更新的MPCA及其在批过程故障监测中的应用(英文)

针对传统的多向主元分析(MPCA)模型批过程监测的缺陷,提出了一种基于变量展开和协方差随时间变化的连续更新的MPCA批过程故障监测方法。该方法将基于批次展开能够去除采样数据的主要非线性动态性的优点与基于变量展开不需要对被监测的新批次的未反应完的数据进行预估的优点结合起来,用于批过程的故障监测,一旦因此判断出某一新批次过程正常,则模型参考数据库就随之更新。在实时监测新的批过程时,只需利用已收集到的数据信息,并且在线连续地更新模型参考数据库,提高了批过程性能监测的准确性,克服了MPCA不能处理非线性过程和实时性问题。通过采用该方法与传统的MPCA方法对青霉素补料分批发酵过程的实时监测,结果表明该方法比传统的MPCA更适合于对缓慢变化的批过程进行监测,具有更可靠的监测性能。

基于RMKMFDA的间歇过程监测与故障诊断

针对间歇过程特点和基于多向主元分析(Multiway Principal Component Analysis,MPCA)的间歇过程监控方法的缺陷,利用核映射在处理非线性过程和Fisher判别分析(Fisher Discriminant Analysis,FDA)在故障诊断能力上的优势,提出了基于递推多模型的核多向Fisher判别式分析(Recursive Multi-model Kernel Multi-way FDA,RMKMFDA)的间歇过程监测与故障诊断方法。该方法采用多模型核多向Fisher判别分析(Multi-model Kernel Multi-way FDA,MKMFDA)非线性结构代替MPCA单模型线性化结构,并提出确定时滞变量的算法;一旦通过MKMFDA监测出某一新批次过程正常,则模型参考数据库就随之更新:在线监控时通过比较核Fisher特征向量之间的欧氏距离来实现,而最优核Fisher判别向量用来鉴别故障类型。该方法在实时监控新的批过程时,只需利用已收集到的数据信息,且在线递推地更新模型参考数据库,提高了间歇过程监控的准确性,克服了MPCA不能处理非线性过程和实时性问题。通过采用RMKMFDA与移动窗多向主元分析(Moving Window MPCA,MWMPCA)方法对青霉素分批补料发酵过程的实时监控,结果表明RMKMFDA比MWMPCA能更及时地监测出过程异常情况,更准确地判断异常发生的原因。

一种新的非线性迭推多模型核MFDA的间歇过程监控方法（英文）

针对间歇过程特点和基于多向主元分析(Multiway Principal Component Analysis,MPCA)的间歇过程监控方法的缺陷,利用核映射在处理非线性过程和Fisher判别分析(Fisher Discriminant Analysis,FDA)在故障诊断能力上的优势,提出了基于递推多模型的核多向Fisher判别式分析(Recursive Multi-model Kernel Multi-way FDA,RMKMFDA)的间歇过程监测与故障诊断方法。该方法采用多模型核多向Fisher判别分析(Multi-model Kernel Multi-way FDA,MKMFDA)非线性结构代替MPCA单模型线性化结构,并提出确定时滞变量的算法;一旦通过MKMFDA监测出某一新批次过程正常,则模型参考数据库就随之更新;在线监控时通过比较核Fisher特征向量之间的欧氏距离来实现,而最优核Fisher判别向量用来鉴别故障类型。该方法在实时监控新的批过程时,只需利用已收集到的数据信息,且在线递推地更新模型参考数据库,提高了间歇过程监控的准确性,克服了MPCA不能处理非线性过程和实时性问题。通过采用RMKMFDA与移动窗多向主元分析(Moving Window MPCA,MWMPCA)方法对青霉素分批补料发酵过程的实时监控,结果表明RMKMFDA比MWMPCA能更及时地监测出过程异常情况,更准确地判断异常发生的原因。