基于逆系统的青霉素发酵软测量

2012年04月13日10:23:50 本网站我要评论(2)字号：T | T | T

关键字：应用

孙玉坤，张　瑶，孙晓天
江苏大学电气信息工程学院，江苏镇江

北京化工大学信息科学与技术学院，北京

摘　　　要：针对青霉素发酵过程中菌体浓度、基质浓度、产物浓度等关键参量难以直接测量的难题，将逆系统方法与动态递归模糊神经网络（ＤＲＦＮＮ）相结合，提出一种基于动态递归模糊神经逆的青霉素发酵软测量方法。在证明了系统可逆的条件下，得到系统的逆模型；再应用ＤＲＦＮＮ网络所具有的自学习，自适应能力以及对任意非线性的逼近能力，对该模型进行了辨识，并将辨识好的逆模型串联在发酵系统之后，能够实现发酵系统的“线性化”。仿真结果表明，该方法能够对青霉素发酵过程中不可在线测量的关键变量实现了预估，且达到了较高的测量精度。

关　键　词：动态递归模糊神经网络；逆系统方法；青霉素；软测量

１　引　言
青霉素发酵是一个机理非常复杂的生化反应过程，采用经典的机理模型关系式描述发酵过程相当困难，过程中的菌体细胞浓度、基质浓度、产物浓度等关键生物参数［１２］的准确测量对提高青霉素的产量与质量具有重要的作用。由于技术和成本等原因，离线分析的方法难以满足发酵过程监测与控制的要求。所以利用软测量技术，找到与关键的参量联系紧密的辅助变量，通过构造某种软测模型，可实现对关键生物参数的在线估计［３］。传统逆系统方法［４］需要被控非线性系统的数学模型必须精确可知，而这在发酵工业中很难满足。因此，在仅知道输入、输出数据的情况下，如何辨识发酵过程逆系统的结构，对逆系统在生物发酵过程中的应用和推广起着至关重要的作用。动态递归模糊神经网络［５６］是模糊逻辑和神经网络的有机结合体，不但具有传统模糊神经网络的优点，而且可以用网络内部节点间的反馈去描述系统内部的动态关系；同时ＤＲＦＮＮ网络在运行过程中，利用了当前数据和历史数据，充分反应了系统的动态过程。综上所述，本文将逆系统方法与ＤＲＦＮＮ网络结合，提出一种基于ＤＲＦＮＮ逆的软测量方法，通过仿真试验，验证了该方法的有效性。

登录网站后可下载文件

基于逆系统的青霉素发酵软测量

相关阅读: