微生物發(fā)酵優(yōu)化控制技術(shù)發(fā)展進程研究

摘 要：微生物發(fā)酵過程的優(yōu)化控制可以分為過程模型和控制策略。發(fā)酵過程建模如機理分析建模、黑箱建模和混合建模近年來都得到了快速的發(fā)展，而優(yōu)化控制策略方面的研究內(nèi)容與成果有：基于線性化近似的經(jīng)典優(yōu)化控制、基于非線性系統(tǒng)理論的優(yōu)化控制以及基于人工智能技術(shù)的優(yōu)化控制等。

關(guān)鍵詞：發(fā)酵過程；建模方法；優(yōu)化控制；策略；技術(shù)

傳統(tǒng)的發(fā)酵工程過程為了快速提高發(fā)酵生產(chǎn)率與發(fā)酵水平，發(fā)酵過程更側(cè)重于菌種的篩選和改造上。隨著生物科學(xué)技術(shù)的發(fā)展，基因工程與代謝工程研究領(lǐng)域都出現(xiàn)了長足的進步與發(fā)展，利用基因重組與誘發(fā)等技術(shù)可以實現(xiàn)高產(chǎn)菌株普遍生產(chǎn)。但只有通過發(fā)酵過程的優(yōu)化控制，才能實現(xiàn)產(chǎn)品質(zhì)量最高、生產(chǎn)力最大、成本消耗最低的生產(chǎn)過程，因此對微生物發(fā)酵過程的優(yōu)化控制成為發(fā)酵工程中研究人員日益關(guān)注的焦點。

1.微生物發(fā)酵過程建模

1.1 基于過程機理分析的建模

發(fā)酵過程機理分析建模是利用各種生物方程以及基因尺度層面的模型，主要是根據(jù)回歸的方法確定模型參數(shù)。相關(guān)的微生物發(fā)酵過程研究中，對賴氨酸進行了動態(tài)模型的建立與數(shù)據(jù)處理，實現(xiàn)了發(fā)酵過程仿真。機理建模僅僅包含了生物量與產(chǎn)物等狀態(tài)變量，但由于發(fā)酵過程的復(fù)雜性，機理建模不能充分表達微生物發(fā)酵過程，還具有很大的局限性。

1.2 黑箱建模

1.2.1 基于人工神經(jīng)網(wǎng)絡(luò)技術(shù)建模

ANN技術(shù)基于風(fēng)險最小化研究被引入發(fā)酵過程，廣泛應(yīng)用于發(fā)酵過程建模。ANN在線校正能力強、適用于多變量非線性問題的處理。L-色氨酸的發(fā)酵過程建模中，用標(biāo)準(zhǔn)神經(jīng)網(wǎng)絡(luò)BP算法模擬菌體的發(fā)酵產(chǎn)酸，但需要大量的實驗數(shù)據(jù)反饋，因此改進神經(jīng)網(wǎng)絡(luò)是提高ANN建模質(zhì)量的有效途徑。徑向基神經(jīng)網(wǎng)絡(luò)與BP網(wǎng)絡(luò)相比，可以達到最佳建模精度。自組織神經(jīng)網(wǎng)絡(luò)、級聯(lián)再生神經(jīng)網(wǎng)絡(luò)等方法也成功用于發(fā)酵過程建模。利用優(yōu)化算法可以實現(xiàn)神經(jīng)網(wǎng)絡(luò)系數(shù)優(yōu)化，避免網(wǎng)絡(luò)學(xué)習(xí)算法反饋慢，局限性小的缺點。

1.2.2 基于支持向量機技術(shù)的建模

SVM方法的特點是結(jié)構(gòu)風(fēng)險最小化，有效地解決了非線性以及局部極小等問題。研究機構(gòu)對SVM方法的應(yīng)用越來越普及，SVM方法也廣泛應(yīng)用于圖像處和生物學(xué)等方面。SVM方法相比ANN方法對發(fā)酵過程的預(yù)測相對誤差降低，因此SVM具有穩(wěn)定性與安全性。張本法等對青霉素發(fā)酵過程進行基于SVM的建模，保證了建模的精度，還很大程度地節(jié)約了時間。SVM對樣本沒有較高的依賴性，它由向量決定的拓?fù)浣Y(jié)構(gòu)使模型結(jié)構(gòu)更加簡單。

1.3 混合建模

近年來，基于辨識方法估計參數(shù)的混合模型得到了發(fā)展，將機理建模與ANN建模結(jié)合起來，利用算法實現(xiàn)了對模型的修正與簡化，很大程度提高了模型精度。實驗表明，混合模型比黑箱模型和神經(jīng)網(wǎng)絡(luò)模型的預(yù)測性能更好，也具有更高的泛化能力，但混合建模屬于機理參數(shù)模型，描述發(fā)酵過程的功能仍不夠完善。

2.微生物發(fā)酵過程的優(yōu)化控制策略

2.1 基于線性化近似的經(jīng)典優(yōu)化控制

基于“極大值原理”經(jīng)典的優(yōu)化控制方法在早期發(fā)酵過程優(yōu)化控制中應(yīng)用較為廣泛。在發(fā)酵過程狀態(tài)空間描述中利用極大值原理以及迭代法可以實現(xiàn)發(fā)酵的最優(yōu)實施效果。極大值原理方法適用于比較復(fù)雜的發(fā)酵過程控制對象，但極大值原理只能得到開環(huán)控制，當(dāng)發(fā)酵過程中的計算量較大時，僅能對少數(shù)過程制定出優(yōu)化曲線，忽視了環(huán)境因素對系統(tǒng)的干擾。相關(guān)研究人員后來將極大值原方法融入理變量方法，得到最佳的變量優(yōu)化曲線，控制效果較好，但是還沒有達到理想的實驗精度與簡便性；發(fā)酵過程的建模質(zhì)量對經(jīng)典優(yōu)化控制的發(fā)展產(chǎn)生了很大程度的影響。

2.2 基于非線性系統(tǒng)理論的優(yōu)化控制

20世紀(jì)60年代微分幾何方法的提出使非線性系統(tǒng)理論的研究進入了一個新階段，基于非線性優(yōu)化控制器的設(shè)計穩(wěn)定性，它在發(fā)酵領(lǐng)域的應(yīng)用日趨廣泛與普及。相關(guān)研究人員建立了非線性發(fā)酵空間模型，利用微分方法設(shè)計出來的控制器在發(fā)酵過程中展現(xiàn)出優(yōu)良的控制效應(yīng)，實現(xiàn)了非線性系統(tǒng)與線性系統(tǒng)的轉(zhuǎn)換，對控制器的結(jié)構(gòu)進行了優(yōu)化，提高了發(fā)酵控制過程的動態(tài)性。但數(shù)學(xué)幾何方法對系統(tǒng)的精度要求較高，由于發(fā)酵過程的復(fù)雜性，該方法不利于保證發(fā)酵控制系統(tǒng)的穩(wěn)定性。

2.3 基于人工智能技術(shù)的優(yōu)化控制

利用計算機科學(xué)技術(shù)結(jié)合人工智能理論對發(fā)酵過程進行優(yōu)化控制成為近幾年的發(fā)酵過程研究的熱點，人工智能技術(shù)能突破很多復(fù)雜的系統(tǒng)問題，主要包括專家控制、神經(jīng)網(wǎng)絡(luò)控制等。利用智能方法對發(fā)酵過程進行優(yōu)化控制，在研究與仿真中呈現(xiàn)出優(yōu)良的效果。研究人員建立了基于乙醇生產(chǎn)的專家系統(tǒng)，實現(xiàn)了乙醇發(fā)酵過程的發(fā)酵單元的檢測，系統(tǒng)的誤差非常小，系統(tǒng)的穩(wěn)定性也得到了提高。但智能控制方法在模擬活動時仍存在局限性，神經(jīng)網(wǎng)絡(luò)控制對于網(wǎng)格結(jié)構(gòu)的確定具有不可控性，因此智能方法交叉成為目前急需研究的發(fā)酵控制的技術(shù)問題。

3.結(jié)束語

發(fā)酵過程機理較為復(fù)雜，由于沒有對發(fā)酵過程的先驗知識進行全面的認(rèn)識，“黑箱”模型不能很好的描述及表達整個發(fā)酵過程，利用辨識方法對參數(shù)的估計也沒有起到全面描述的作用；單目標(biāo)優(yōu)化的發(fā)酵過程優(yōu)化控制也無法滿足發(fā)酵過程最優(yōu)化。我們應(yīng)充分考慮模型辨識，利用智能理論完善各種機理的混合模型，研究出多目標(biāo)動態(tài)性的優(yōu)化策略，真正解決微生物發(fā)酵過程的優(yōu)化控制。

參考文獻：

[1]張嗣良.發(fā)酵過程多水平問題及其生物反應(yīng)器裝置技術(shù)研究--基于過程參數(shù)相關(guān)的發(fā)酵過程優(yōu)化與放大技術(shù)[J].中國工程科學(xué)，2001，8（3）：37-44.

[2]張學(xué)工.關(guān)于統(tǒng)計學(xué)習(xí)理論與支持向量機[J].自動化學(xué)報，2000，26（1）：32-42.

[3]周海英，袁景淇，鄧建慧，等.重組畢氏酵母發(fā)酵過程的結(jié)構(gòu)模型[J].上海交通大學(xué)學(xué)報，2002，36（10）：1443-1447.

[4]桑海峰，王福利，何大闊，等.基于最小二乘支持向量機的發(fā)酵過程混合建模[J].儀器儀表學(xué)報，2006，27（6）：629-633.

[5]隋青美，田炳麗，王正歐.自組織神經(jīng)網(wǎng)絡(luò)在發(fā)酵過程建模與控制中的應(yīng)用[J].山東工業(yè)大學(xué)學(xué)報，2001，31（2）：111-116.