建模技術在發酵控制中的應用簡述

張敬玲

（無錫商業職業技術學院，江蘇 無錫 214153）

建模技術在發酵控制中的應用簡述

張敬玲

（無錫商業職業技術學院，江蘇 無錫 214153）

微生物發酵過程是一個非線性、高時變性、不確定性的生化過程，一些重要的過程變量不能在線測量，使得發酵過程的建模更為復雜。文章闡述了發酵建模技術的特點及常用方法即機理建模、模糊建模、神經網絡建模、模糊神經網絡建模在實際生產中發揮的作用。

發酵;建模技術

發酵過程是技術密集型的產業，在輕工食品、化工、醫藥衛生等領域發揮著重要作用。它有以下幾個特點：（1）動力學模型呈強非線性。（2）發酵參數變化莫測，發酵過程中的參數根本無法用數學模型來精確地描述。（3）菌體生長與產物的合成不平行：菌體生長和產物分泌是發酵過程中的兩個階段。菌體生長經過一段時間后，產物才開始分泌。（4）理論產量不易用物料平衡來獲取。（5）生產穩定性有待提升。（6）控制難度巨大：有些重要變量如產物濃度、菌體濃度等不能在線測量，需人工采樣后采用離線分析的方法獲得，這樣數據滯后加大，控制效果不佳。發酵過程的這些特性使得基于傳統控制如PID等的控制理論難以適應及滿足發酵過程控制的優化要求。

因此，要充分利用現代化手段，重點解決和克服優化控制技術提出的難題，建模技術為發酵控制提供了解決難題的方法，它可以充分利用生產過程中長期積累的數據和發酵機理為發酵過程提供更好的控制效果。

一、發酵過程建模概述

1.發酵建模的目的

建立模型的目的在于:（1）深入了解生態過程的動態特性；（2）準確預測系統的參數；（3）估計一些狀態變量；（4）設計實驗并驗證一些假設；（5）對發酵過程控制開展仿真研究。

2.發酵建模的困難

近年來，蔣慰孫、王驥等學者提出了生化過程建模困難在于：（1）生化過程機理十分復雜，利用機理建模難度高，得到的模型應用范圍、精度、實用性都不盡如人意；（2）生化參數檢測手段落后，許多關鍵參數無法實現實時在線測量；（3）生化過程的不可逆性致使建模相當困難。

二、建模模型

基于發酵過程控制中的以上問題，為了確實解決發酵過程一些關鍵參量無法實時在線直接獲取的困難，主要采用了離線分析數據加數學模型的方法進行預測估計。系統分別對被控對象的運動過程機理及數學模型進行分析和描述，使它們可以有機地結合，從而研制出三類建模模型：白箱模型，利用先驗知識與機理組合，確定模型結構；灰箱模型，利用已知物理機理，但參數需辨識，另稱為半經驗型；黑箱模型，因物理機理未知，所以要用智能技術與實際生產數據相結合來獲得模型結構，故又稱為經驗模型。

三、常用建模方法

在實際工作應用中，任何模型都要“有的放矢”，經得起“實踐”的考驗和校正。建模的方法多種多樣，但無論何種方法，都要滿足模型準確、易維護、易構建、實時反應系統變化能力的要求。目前，常用的建模方法有：

1.機理建模方法

機理建模方法就是以工作對象的物理機理為基礎，根據基本的物理定律和結構數據，得到完全能描述其動、靜態特性的數學模型。其模型形式有代數方程、偏微分方程、微分方程等;系統可以是離散系統、線性系統等。這種方法要對被控系統的特性十分熟知、透徹了解，對所涉及的理論和數據要求十分嚴格，它的優點是可以揭示系統內在聯系和規律，常常被廣泛地應用于生產工藝機理簡明、過程本身的機理模型研究較深入的生產過程中，缺點是機理模型的預測能力十分有限，這是因為發酵過程本身是強非線性和時變性的，其動態特性常常是部分未知的或是完全未知的。

2.模糊建模方法

自19世紀60年代美國加州大學電氣工程系Zadeh教授創立模糊集理論以來，模糊邏輯在系統建模和控制上都得到了非常廣泛的應用。對于一個紛繁復雜的、不確定的系統，以傳統方式根本無法確定其工作機理與精確的數學模型，只有用模糊的邏輯和語言方能明確表達系統的信息，因此模糊建模方法比較能夠描述非線性過程的特性。它十分善于表達專家知識和現場豐富的經驗，模糊推理的方式類似于人的大腦思維方式，能夠將人類已經成熟的控制經驗用于建模之中。它是以系統輸入、輸出樣本數據為依據，用以描述系統的模糊規則和隸屬函數，對系統進行辨識，從而建立系統模型。

3.神經網絡建模方法

神經網絡是由大量的簡單并行處理單元所構成的非線性系統，是對人腦的抽象和模擬，它具有以下特點：（1）高度非線性：神經網絡能以任意精度逼近任何非線性連續函數；（2）自學習能力：神經網絡可以從訓練中總結出規律性的知識，并存儲于網絡的權值中，且具有泛化能力；（3）多變量系統：神經網絡的輸入和輸出變量的數目理論上是任意的，可以應對單變量系統和多變量系統。它能解決許多傳統方法難以解決甚至無法解決的問題，同時它也可以處理那些不完整的、不確定的甚至是異常模糊的信息。

神經網絡因為理論上可以實現以任意的逼近任何非線性映射，故又被稱為“萬能逼近器”，其主要應用于發酵過程的狀態預測和模式識別，同時又能與其他的控制方法相結合，實現對發酵過程的最優控制。

4.模糊神經網絡建模方法

模糊系統善于表達人類豐富的知識和經驗，但是模糊邏輯系統靈活性差，缺乏自學習和自適應能力，模糊邏輯控制規則及其隸屬度函數的建立，過分依賴經驗。而神經網絡擁有很強的自學習、并行性、可變性、自組織性、聯想性等的功能，但是它也存在著不足：一是神經網絡不善于表達顯性知識，常常將網絡訓練參數初值設為零或經驗值，降低了網絡工作效率；二是節點的權值是經過千萬次訓練后得到的，信息存儲于節點中，人類很難識別，這就降低了模型的可辨性。隨著人工智能技術的飛速發展，神經網絡和模糊邏輯技術融合從而形成了模糊神經網絡（FNN），神經網絡在模糊神經網絡中發揮了人腦的硬件作用，利用神經網絡結構實現了模糊系統，模擬技術在模糊神經網絡中發揮了人腦的軟件作用，提高了網絡可解釋性和靈活性，因此，模糊神經網絡兼顧了模糊系統與神經網絡的優點即集模糊信息處理、自動識別、聯想、自適應等于一體，提高了整個系統的表達能力和學習能力。

四、常用建模方法的對比

四種建模方式在微生物發酵過程發揮了不同的作用。機理建模一般用于生產工藝比較簡單的、機理十分深入的生產過程，所有信息可以通過數學模型表達；模糊系統建模是利用模糊系統善于表達人類長期積累的經驗性知識，善于靈活處理模糊性的信息，但模糊系統的規則集和隸屬函數十分依賴經驗來進行選擇，難以實現自動設計和調整；神經網絡建模是利用神經網絡自學功能，根據輸入輸出樣本可以實現自動設計和調整系統參數的功能，預測能力很強，但很多信息存儲在網絡節點中，人類不易識別；模糊神經網絡是系統與神經網絡的融合產物，在實際生產應用中充分發揮了二者的優勢于一體，進一步體現了人工智能在生產活動中的核心作用。

［1］習毅.發酵過程預測控制研究［D］.無錫:江南大學，2008.

［2］王宇智.微生物發酵過程建模及控制開發環境的研究［D］.天津:天津科技大學，2003.

［3］項紅.青霉素發酵過程仿真建模及訓練系統［D］.北京：北京化工大學，2001.

［4］閻鑫，谷豐，張振宙.消泡控制系統在味精發酵方面的應用［J］.發酵科技通訊，2004，（2）:47-47.

［5］李海波.發酵過程建模與優化方法研究及其軟件設計［D］.無錫:江南大學，2005.

［6］潘豐.生化過程智能控制研究［D］.無錫:江南大學，2001.

［7］童豪.生物發酵過程中的軟測量技術應用研究［D］.浙江:浙江大學，2001.

［8］何朝峰.基于模糊神經網絡的發酵過程建模與控制［D］.昆明:昆明理工大學生，2003.

［9］肖杰.基于呼吸商在線檢測的谷氨酸發酵過程控制研究［D］.無錫：江南大，2008.

［10］張永忠.一種新的模糊系統建模方法研究與應用［J］.冶金自動化，2004，（9）.

［11］張彥青，張五九.基于神經網絡的大生產規模啤酒發酵過程建模［J］.食品與發酵工業，2007，（9）.

［12］王健，陳寧.基于BP神經網絡的L-色氨酸發酵過程建模［J］.天津輕工業學院學報，2003，（2）.

［13］殷銘張興華.基于模糊神經網絡的發酵過程溶解氧預估控制［J］.控制與決策，2000，（15）.

TU

A

1673-0046（2010）10-0178-02

附表：常見建模方法對比