機器學習算法在發酵中的應用

范為嘉

摘 要：發酵工業受到手工操作的限制，未來將應用生物技術和方法，結合機器識別、深度學習等智能化技術，實現基于人工智能的發酵工業智能化。本文概括性地介紹機器學習算法在發酵智能化研究中的一些應用。

關鍵詞：機器學習;發酵;神經網絡;花卉授粉算法;遺傳算法;支持向量機

引言[1，2]

機器學習專門研究計算機如何模擬或實現人類的學習行為，以獲取新的知識或技能重新組織已有的知識結構使之不斷改善自身的性能。發酵指人們借助微生物在有氧或無氧條件下的生命活動來制備微生物菌體本身、或者直接代謝產物或次級代謝產物的過程，在食品工業、生物和化學工業中均有廣泛應用。機器學習算法在發酵中的應用已經得到各國科學家的研究。

1厭氧發酵制氫的神經網絡非線性建模[2]

Ahmed El-Shafie使用梭狀芽胞桿菌（ATCC13564）考查了利用人工神經網絡（ANN）方法模擬和預測產氫量的可能性。他引入了一種獨特的體系結構來模擬反應溫度、初始介質pH值和初始底物三個輸入參數之間的相互關系以預測氫氣產率，并利用實驗的60個數據記錄建立了神經網絡模型。結果表明，所提出的人工神經網絡模型預測有很高的精度，最大誤差為10%。此外，與傳統方法Box-Wilson Design（BWD）的比較分析證明了ANN模型顯著優于BWD。人工神經網絡模型克服了BWD方法在記錄數量上的局限性，它只是考慮氫產率隨機模式的有限長度。

2利用神經網絡和遺傳算法研究酸奶發酵中酸化工藝的最佳溫度分布[3]

E. B. Gueguim-Kana等科學家在38-44°C的最佳溫度范圍內研究了保加利亞乳桿菌和嗜酸鏈球菌在酸奶生產中的酸化行為。對于最佳酸化溫度剖面研究，他們采用模塊化的人工神經網絡（ANN）和遺傳算法（GA）的優化模型，利用不同的溫度分布對14批酸奶發酵進行了評估，來訓練和驗證ANN子模塊。人工神經網絡在150個時段后的訓練數據上捕捉到溫度分布與酸化模式之間的非線性關系。這是遺傳算法的一個評價函數，溫度剖面的酸化斜率是性能指標。遺傳算法子模塊使用遺傳算法在各代之間迭代進化出更好的溫度分布，經過11代后符合停止標準。最佳剖面為0.06117，初始值為0.0127，設定點序列為43、38、44、43和39°C。對遺傳算法的三個重復的評估表明，43、38、44、43和39°C時的最佳剖面平均斜率為0.04132。他們所使用的優化模型可以有效地尋找發酵過程的不同物理化學參數的最佳剖面。

3支持向量機檢測葡萄酒發酵異常過程[4]

不正常發酵是早期釀酒過程中出現的主要問題之一。近年來，多變量統計和計算智能的方法被廣泛應用于解決這一問題。在這項工作中，Gonzalo Hernández等人使用三種不同的核函數：線性、多項式和徑向基函數的支持向量機方法來檢測正常的和有問題的（緩慢、卡住）葡萄酒發酵。對于訓練算法，他們使用了22種葡萄酒發酵的相同數據庫，研究了大約22000個點，考慮的主要化學變量為：總糖、酒精度和密度。利用80%的數據進行模型訓練，20%的數據進行測試，在48h的時間截止條件下，他們獲得了發酵行為的結果。主要結果表明，基于三次多項式和徑向基核的SVM方法的預測正確率分別是88%和85%。

4工業金霉素間歇發酵過程中的生物效價軟傳感器建模方法[5]

發酵液的效力是反映金霉素發酵產物產量和質量的關鍵參數之一，但到目前為止，還沒有一種儀器可以在線檢測金霉素的效力。所有的測試都是通過手動離線測試完成的，生產過程通常有幾十個小型、大型發酵罐，而從發酵罐中取樣和分析結果需要幾個小時，使用分析結果控制操作量會導致嚴重滯后。Yu-mei Sun等人將自組織特征映射（SOM）神經網絡與數據的精確分類相結合，將最小二乘支持向量機（LSSVM）算法與非線性特征的強描述相結合，建立了預測金霉素發酵效力的SOM-LSSVM全局建模方法。根據非線性金霉素發酵過程的特點，他們用實時學習遞歸最小二乘支持向量回歸（JITL-RLSSVR）進行局部實時建模和10次折疊交叉驗證，提出了一種用于金霉素發酵效力在線預測的混合軟傳感器建模方法（JITL-RLSS VRSOM-LSSVM）。現場實驗表明，該方法可以獲得更準確的效力預測值，并能滿足生產工藝的要求。

5酵母發酵過程中負性規則的引入與模糊控制器的演化[6]

生物過程的控制非常具有挑戰性，因為它受到各種不確定性來源的高度影響。由于這些不確定性在大多數情況下無法直接測量，總體控制要么是依靠操作員的經驗而手動完成，要么是在模糊邏輯理論的基礎上應用智能專家系統。專家系統控制主要是通過使用積極規則來表示的，這在決策過程的語義方面并不是直截了當的，因為這一決策過程還包括以限制或禁止的形式出現的負面經驗。Stephan Birle等人提出了一種基于正負規則的酵母繁殖過程模糊邏輯控制方法，該過程是通過交互過程中的溫度來引導酵母細胞濃度的參考軌跡。由于參考軌跡和系統響應的均方根誤差比僅使用正規則的控制器平均降低62.8%，因此，負規則的加入使得過程的控制更加穩定和準確。

6利用花卉授粉算法動態優化間歇發酵生物過程[7]

現在有幾種優化策略可以用于進料間歇發酵過程中尋找最佳進料剖面，如迭代動態規劃（IDP）、遺傳算法（GA）、粒子群優化（PSA）和蟻群優化（ACO）等。在Sarma Mutturi 的 研究中，以陸生開花植物授粉過程為靈感的花卉授粉算法（FPA）首次被用于尋找最佳攝食、飼料分批發酵過程中的剖面圖。他選擇單控制變量、雙控制變量和狀態變量有界問題來檢驗花卉授粉算法對最優控制問題的魯棒性。結果表明，花卉授粉算法與其他隨機策略相比，計算強度較小。將所得結果與其他研究結果進行比較，發現對于所研究的情形，花卉授粉算法要么收斂到較新的最優值，要么更接近所建立的全局最優值。

7 小結

專家們已經利用神經網絡、花卉授粉算法、遺傳算法、支持向量機等算法研究了發酵工程中的厭氧發酵制氫、乳桿菌和嗜酸鏈球菌最佳酸化溫度、葡萄酒發酵異常、間歇發酵等問題，這對發酵工業的智能化發展將起到積極的促進作用。

參考文獻：

[1]蔡自興，蒙祖強：人工智能基礎（3版）[專著]. 北京：高等教育出版社，2016.

[2]Ahmed El-Shafie： Neural network nonlinear modeling for hydrogen production using anaerobic fermentation[J]. Neural Computing and Applications volume 24， pages539–547（2014）.

[3]E. B. Gueguim-Kana， J. K. Oloke， A. Lateef & M. G. Zebaze-Kana： Novel optimal temperature profile for acidification process of Lactobacillus bulgaricus and Streptococcus thermophilus in yoghurt fermentation using artificial neural network and genetic algorithm[J]. Journal of Industrial Microbiology & Biotechnology volume 34， pages? 491 – 496 （2007）.