基于SPA-WOA-SVR的青霉素发酵过程软测量建模方法

针对青霉素发酵过程中关键参数难以直接在线测量这一工程技术难题提出基于SPA-WOA-SVR的软测量方法。采用连续投影算法(SPA)选取发酵过程辅助变量,以选取的特征辅助变量(CO_(2)浓度η、溶解氧浓度D_(O)、pH值、酸流加速率μ、碱流加速率l)为输入,以发酵过程关键参数(菌体浓度X、基质浓度S和产物浓度P)为输出,基于支持向量机回归(SVR)建立软测量模型。为提高软测量模型的预测精度和稳定性,采用鲸鱼优化算法(WOA)对模型的重要参数(核函数宽度σ、惩罚因子c和不敏感系数ε)进行寻优。将构建的软测量模型应用于青霉素发酵过程关键参数预测,仿真结果表明,与传统SVR软测量建模方法相比,采用SPA-WOA-SVR软测量方法,关键参数X、S、P测试集中的决定系数R^(2)均在0.953 3以上,均方根误差R_(MSE)均小于0.029 3,特别是菌体浓度R^(2)由0.904 4提升到0.987 9,R_(MSE)由0.031 4下降为0.009 8,说明基于SPA-WOA-SVR的软测量建模方法有效提升了模型的预测性能,具有更高的预测精度和稳定性,可推广应用于一般非线性系统的软传感器建模。

多阶段青霉素生产过程的故障检测研究

考虑到青霉素发酵是复杂的多阶段动态批处理过程,提出多阶段多向可预测成分分析(multiphase multiway forecastable component analysis,MP-MForeCA)的故障检测方法。该方法基于K均值和密度峰值聚类算法设计阶段划分方法,将多批次的青霉素发酵过程数据划分成不同子阶段,在子阶段三维数据上分别应用多向展开的可预测成分分析(multiway forecastable component analysis,MForeCA)算法,提取各阶段中具有可预测特性的可预测成分,捕捉各阶段的动态变化;最后利用可预测成分和残差分别构建F^(2)和SPE统计量来监控模型。通过与MForeCA和多向主元分析(multiway principal component analysis,MPCA)的实验对比发现,MP-MForeCA方法不管是对青霉素生产中的突变故障还是缓慢变化故障都有更好的检测效果,包括提高检测率和降低误报率,体现了多阶段建模规则的MP-MForeCA方法的优越性。

基于Q-Learning的青霉素发酵过程控制方法

针对在复杂场景下,保持青霉素发酵过程中的温度稳定性以及提高青霉素产量的问题,本文建立了一种基于强化学习的青霉素发酵系统模型。选取强化学习算法中的Q-Learning算法,设计基于Q-Learning强化学习理论的控制策略,将控制任务分解成两个子任务分别进行控制,使青霉素在发酵过程中保持稳定。建立仿真环境并进行实验,仿真结果表明,该方法可以在未知环境变化的青霉素发酵过程中有效地使温度趋于稳定,具有一定的应用价值。

基于支持向量机的青霉素发酵过程建模

由于微生物发酵过程的复杂性和高度非线性,更多的简单的数学模型不能很好地描述这类生化系统。支持向量机(SVM)是近几年发展起来的机器学习的新方法,它较好地解决了小样本、非线性、高维数和局部极小点等实际问题。SVM方法建立了青霉素效价预估模型,此模型具有良好的拟合和泛化能力。通过实验分析了SVM参数调整对支持向量机建模的影响。通过由现场数据建立的各种模型可以发现,SVM建模方法优于神经网络(ANN)建模方法。

青霉素发酵过程的模型仿真与补料优化

补料分批式青霉素发酵的机理模型已得到深入研究,但是模型往往难以用于补料的优化和批次内的控制。为了对模型进行优化控制,针对Birol等提出的青霉素发酵非结构动力学模型,合理调整了温度和pH变化的影响,得到了青霉素发酵过程的简化机理模型。反应基质的补料是青霉素优化控制的关键,选择对补料速率进行优化来提高青霉素的产量。由于机理模型具有非线性和约束条件,采用序贯二次规划算法来进行求解,其中将补料轨线进行分段处理提高了优化效率。优化计算结果表明改进的补料过程可以提高青霉素的浓度和产量。

Pensim仿真平台在青霉素发酵过程的应用研究

详细分析了针对青霉素发酵过程而开发的Pensim仿真平台,在阐述了其机理模型和内部结构之后,详细探讨了变量及参数设定值的取值范围,并给出了改进后的参考范围。仿真结果表明,经过修正后的Pensim仿真平台更加合理,仿真输出结果有更为明确的物理意义。

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。

搅拌与通气量对青霉素发酵的影响

搅拌速度及通气流量对青霉的生长及青霉素的产生会造成影响。试验用 1m3 罐 ( 1.6m× 0 .9m) ,罐内双层浆式搅拌 ,罐壁加 4片挡板 ,罐底部进气 ,管末端使用气体分布圈。本文按均匀设计方法 ,做了 6批试验 ,进行分析后 ,又做了 5批试验 ,确认最优化的条件是 :搅拌速度 0～ 49h ,190r/min ,5 0h至放罐 170r/min ;通气量 0～ 2 3h 1.37[V/ (V·M) ] ,2 4h至放罐 1.6 3[V/ (V·M) ]。

基于EM算法的青霉素发酵过程多阶段融合建模

青霉素发酵过程具有明显的阶段特征,该特征从一些关键操作变量信息中能够得到反映。本文从反应过程的多个操作变量中,选取关键过程变量——冷水流加速率作为调度变量,并采用模糊C均值聚类算法对其进行分类,各聚类中心作为青霉素发酵过程的主要工况点;基于EM算法围绕不同工况点建立局部子模型,最后根据采样数据阶段特征的后验分布将各子模型融合。基于此方法采用Pensim仿真平台数据,能够辨识数据的阶段特征,并建立青霉素发酵过程的融合模型。仿真结果表明该模型具有较高的拟合精度,能对该发酵过程的主导变量进行比较精确的预测。

青霉素发酵过程软测量技术及其在JX-300X DCS上的实施

介绍基于小波神经网络的青霉素发酵过程软测量技术 ,以及利用OPC技术在SUPCONJX 30

青霉素半连续发酵过程状态与参数在线辨识

本文建立了带有噪声的适合于工业规模青霉素(丝状菌)半连续发酵数学模型,以排气CO_2释放速率(CER)作为在线观测量,应用推广Kalman滤波器(EKF)进行状态与参数在线辨识,为过程的自适应优化控制奠定了基础。试验表明:滤波得到的状态值与实测值相当吻合,证明滤波器是一种较好的发酵状态及动力学参数变化的在线观察器。

青霉素发酵过程中的混合建模

由于微生物发酵过程机理的复杂性和高度非线性,建立发酵过程的精确模型具有一定难度。传统的动力学模型预测虽然会与实际输出有一定偏差,但它在某种程度上反映了过程机理;神经网络建模方法属于'黑箱'方法,建模过程中没有用到任何先验知识,有一定的预测效果;因此单一的建模方法往往会不具备其他建模方法的优势。本文以传统的发酵动力学模型为基础,结合RBF神经网络进行混合建模的'灰箱'建模方法是一种比较好的建模思路,可以取得较满意的软测量效果。

基于LS-SVM和Pensim仿真平台的青霉素发酵过程建模

从青霉素发酵过程仿真平台(Pensim)得到的结果作为出发点,采用最小二乘支持向量机(LS-SVM)对青霉素发酵过程进行建模研究。分别研究丁利用溶解氧浓度、排气二氧化碳浓度等变量对青霉素产物浓度、菌体浓度和底物浓度等重要过程变量的建模问题,在3种不同的仿真条件下分别建立了相应的在线预报模型,并对其进行了分析和比较。基于 Pensim 的仿真结果表明采用 LS-SVM 方法所建立的在线预报模型均具有良好的预测精度,对后续发酵过程的控制和优化能起到一定的参考作用。

基于自适应加权最小二乘支持向量机的青霉素发酵过程软测量建模

针对生化过程软测量建模过程中样本数据可能包含的测量误差对模型性能的影响,提出一种自适应加权最小二乘支持向量机(Adaptive weighted least squares support vector machine,AWLS-SVM)回归的软测量建模方法。该方法基于最小二乘支持向量机模型,根据样本拟合误差,并结合改进的正态分布赋权规则,自适应地为每个建模样本分配不同的权值,以降低随机误差对模型性能的影响;同时采用混沌差分进化—模拟退火(Chaos differential evolution simulated annealing,CDE-SA)算法对模型参数进行优化选择,以提高模型的泛化能力。仿真实验表明,AWLS-SVM模型的预测精度及鲁棒性能优于最小二乘支持向量机(Least squares support vector machine,LS-SVM)和加权最小二乘支持向量机(Weighted least squares support vector machine,WLS-SVM)。利用Pensim仿真平台的数据,将AWLS-SVM方法用于青霉素发酵过程软测量建模,获得了较好的效果。

混合神经网络建模方法在青霉素发酵过程中的应用

本文采用广义混合神经网络建模方法对青霉素发酵过程进行建模,根据青霉素发酵过程可在线测量过程参数二氧化碳生成率CER,实现青霉素发酵过程生物质浓度的测量。由仿真实验结果可以看出,该方法建模精度高、泛化能力强。

模拟青霉素分批补料发酵过程的细胞自动机模型

根据青霉素产生菌的生长机理和青霉素分批补料发酵过程的动力学特性,在Paul等建立的形态学结构动力学模型的基础上,建立了模拟青霉素分批补料发酵过程的细胞自动机模型。模型采用三维细胞自动机作为菌体生长空间,采用Moore型邻域作为细胞邻域,其演化规则根据青霉素分批补料发酵过程中菌体生长机理和简化动力学结构模型设计。模型中的每一个细胞既可代表单个产黄青霉菌体细胞,又可代表特定数量的这种菌体细胞,它具有不同的状态。对模型进行的仿真实验结果表明:模型不但能一致地复现形态学结构动力学模型所描述的青霉素分批补料发酵过程的演化特性,而且较形态学结构动力学模型更加直观地刻画了青霉素分批补料发酵过程的演化行为。最后,对所建模型在实际生产过程中的应用问题进行了分析,指出了需要进一步研究的问题。

青霉素发酵液中可溶性蛋白质的沉降及其在溶剂萃取中的乳化作用

利用自合成的阴离子型共聚物研究了青霉素发酵液中可溶性蛋白质的沉降行为．同时考察了发酵液中部分蛋白质被除去后，液液萃取过程中乳化程度的变化情况．实验结果表明，含反应性官能团的高分子共聚物能有效地除去青霉素发酵液中的蛋白质，减轻液液萃取过程中的乳化程度，从而提高青霉素的提取率，同时减少废渣的产生．高分子共聚物的组成对发酵液中蛋白质的沉降和有机相破乳有很大的影响．

“青霉素发酵仿真”课程教学探讨

针对"青霉素发酵仿真"课程教学中所存在的问题,在教学方法、教学内容及上机实践等方面提出了一些改进的设想。目的是想通过这些改革,最终营造一种宽松和谐、能够激发学生创新意识的教学氛围,调动学生获取知识的积极性和主动性,从而取得良好的教学效果。

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。