一种赖氨酸发酵过程关键变量的模糊神经网络逆软测量系统及方法技术方案

本发明专利技术公开了一种赖氨酸发酵过程关键变量模糊神经网络逆软测量系统及方法，通过确定赖氨酸发酵过程的在线直接可测量量和需离线化验的不可直接测量量，模糊神经网络逆软测量方法依据赖氨酸发酵过程的模型建立软传感器的模型，在此基础上依据求反函数的方法建立软传感器逆的模型，然后采有静态模糊神经网络加微分器并通过对静态模糊神经网络的训练确定自由参数构造模糊神经网络逆，实现该软传感器逆，最后将模糊神经网络逆串接在赖氨酸发酵过程之后，实现对菌体浓度x1、基质浓度x2、产物浓度x3的在线实时软测量。可以有效解决赖氨酸发酵过程中难以用物理传感器在线实量测量的关键变量的在线估计问题。

A fuzzy neural network inverse soft sensing system and method for key variables in lysine fermentation process

The invention discloses a fuzzy neural network inverse soft sensing system and method for key variables of lysine fermentation process. By determining the on-line direct measurable quantity of lysine fermentation process and the non-direct measurable quantity requiring off-line test, the fuzzy neural network inverse soft sensing method establishes soft sensing according to the model of lysine fermentation process. On this basis, the inverse model of the soft sensor is established according to the method of finding the inverse function, and then the static fuzzy neural network plus differentiator is adopted to determine the free parameters by training the static fuzzy neural network to construct the fuzzy neural network inverse, and the soft sensor inverse is realized. After lysine fermentation, the on-line real-time soft-sensing of cell concentration x1, matrix concentration x2 and product concentration X3 was realized. It can effectively solve the problem of on-line estimation of key variables which are difficult to be measured by physical sensors in lysine fermentation process.

【技术实现步骤摘要】
一种赖氨酸发酵过程关键变量的模糊神经网络逆软测量系统及方法
本专利技术属于微生物发酵过程的先进控制领域，尤其涉及一种赖氨酸发酵过程关键变量的模糊神经网络逆软测量方法。
技术介绍
在许多工业控制场合，存在一大类这样的变量与产品质量密切相关，需要严格控制，但由于技术或者经济的原因，目前尚难以或者无法通过物理传感器直接进行检测，为了解决这类变量的测量问题，软测量技术应运而生。所谓软测量就是根据某种准则，选择一组既与被估计变量(即被测量或主导变量)有密切联系又容易测量的直接可测变量(即辅助变量)，通过构造一定的函数关系，用计算机软件实现对被测量的估计。目前采用的软测量方法，多数基于线性系统理论，对于化工、生化过程这样的非线性特性严重的复杂过程，这种方法只能在很小的工作区域内有效，不能解决整个工作区域的被测变量的软测量问题。由于模糊神经网络兼备模糊逻辑和神经网络的优势，善于利用已有经验知识且对复杂非线性函数具有任意逼近能力的特性，其在软测量领域的应用所形成的基于模糊神经网络的软测量方法，为生化、化工过程的关键生化变量的软测量问题的解决，提供了强有力的手段。但目前在对基于模糊神经网络的软测量方法的研究与应用中存在一些问题，主要是对辅助变量的选择(包括辅助变量的导数阶次的选择)，辅助变量的选择确定了软测量的输入信息矩阵，关系着软测量模型的结构和输出，在很大程度上决定着软测量模型的准确性。而传统辅助变量的选择主要依据工业对象的工艺机理以及专家经验来选择辅助变量，这样确定的辅助变量数量可观，且相关程度差异大，将它们全部作为软测量的辅助变量，模型势必十分复杂，不但不能提高软测量的精度，而且工业对象的重要信息也可能被遗漏。因此，必须寻求新的方法，该方法不仅能确切地知道哪些辅助变量影响主导变量，还明确地知道这些辅助变量导数的具体阶次。在赖氨酸的发酵过程，实际发酵中关键参量(基质浓度、菌体浓度、产物浓度)的测量大多采用人工取样、离线测量的手段，如干重法、直接染色法、光密度法和细胞计数法等。这些方法操作复杂，滞后时间长，测量误差大、易引入人为污染，且测量精度受细胞死亡、测量误差等因素影响，不能及时反映发酵过程当前状态，难以满足赖氨酸发酵实时动态调控的要求。
技术实现思路
本专利技术根据现有技术的不足与缺陷，提出了一种赖氨酸发酵过程关键变量的模糊神经网络逆软测量方法，目的在于实现对难以用物理传感器在线实时测量的菌体浓度、基质浓度、产物浓度的软测量。采用的技术方案如下：一种赖氨酸发酵过程关键变量的模糊神经网络逆软测量系统，包括软传感器、传感器、ARM处理器、键盘电路、LCD显示器和上位机；所述软传感器与传感器之间通过线路连接；传感器与ARM处理器之间通过滤波电路连接；ARM处理器通过线路分别与键盘电路、LCD显示器和上位机；所述传感器包括流量传感器、溶氧传感器、PH值传感器以及体积传感器；所述流量传感器接收流加输入量(葡萄糖流加速率u1、玉米浆流加速率u2、豆饼水解液流加速率u3、硫酸氨流加速率u4、碳酸钙流加速率u5)，并将流加输入量传输到滤波电路，经滤波电路后输入到ARM处理器，进行处理；所述软传感器接收主导输入量(菌体浓度x1、基质浓度x2、产物浓度x3)与流加输入量后分别得到输出量(溶解氧x4、PH值x5、体积x6)，并分别经溶氧传感器、PH值传感器、体积传感器后，通过滤波电路输入到ARM处理器，进行处理；所述ARM处理器将接收的检测信号进行处理输出菌体浓度一阶导数基质浓度一阶导数以及产物浓度一阶导数并传输到上位机；所述上位机根据输出信号对处理器的算法功能进行调试；所述LCD显示器对ARM处理器输出信号进行显示；所述键盘电路控制ARM处理器的工作启停。一种赖氨酸发酵过程关键变量的模糊神经网络逆软测量方法，包括以下步骤：步骤1，选择确定赖氨酸发酵过程的在线直接可测量量和需离线化验的不可直接测量量；其中，在线直接可测量量为流加输入量和输出量；步骤2，确定赖氨酸发酵过程的软传感器的主导输入量、辅助输入量和输出量，建立软传感器的模型；步骤3，确定软传感器逆的主导输入量、辅助输入量和输出量，依据求反函数的方法建立软传感器逆的模型；步骤4，采用静态模糊神经网络加一串微分器并通过对静态模糊神经网络的训练确定各权参数，构造模糊神经网络逆；步骤5，将模糊神经网络逆串接在赖氨酸发酵过程之后，实现对赖氨酸发酵过程关键变量的在线软测量；进一步，所述步骤1中，在线直接可测流加输入量为葡萄糖流加速率c、玉米浆流加速率u2、豆饼水解液流加速率u3、硫酸氨流加速率u4、碳酸钙流加速率u5；在线直接可测输出量为溶解氧x4、PH值x5、体积x6；需离线化验的不可直接测量量为菌体浓度x1、基质浓度x2、产物浓度x3；进一步，所述步骤2中，软传感器的主导输入量为菌体浓度x1、基质浓度x2、产物浓度x3；辅助输入量为各流加输入量为葡萄糖流加速率u1、玉米浆流加速率u2、豆饼水解液流加速率u3、硫酸氨流加速率u4、碳酸钙流加速率u5；输出量为溶解氧x4、PH值x5、体积x6。进一步，所述步骤3中，软传感器逆的主导输入量为溶解氧x4、PH值x5、体积x6；辅助输入量为葡萄糖流加速率u1、玉米浆流加速率u2、豆饼水解液流加速率u3、硫酸氨流加速率u4、碳酸钙流加速率u5；输出量为菌体浓度x1、基质浓度x2、产物浓度x3。进一步，所述步骤4中静态模糊神经网络各权参数的确定过程为：步骤4.1，采集赖氨酸发酵过程的现场数据：现场直接可测数据：葡萄糖流加速率u1、玉米浆流加速率u2、豆饼水解液流加速率u3、硫酸氨流加速率u4、碳酸钙流加速率u5、溶解氧x4、PH值x5、体积x6；离线数据：相隔规定时间在实验室里取样化验一次获得离线化验数据：菌体浓度x1、基质浓度x2、产物浓度x3；步骤4.2，数据处理：然后对直接可测数据分别进行五点平均滤波，并用五点求导法求出葡萄糖流加速率一阶导数玉米浆流加速率一阶导数豆饼水解液流加速率一阶导数硫酸氨流加速率一阶导数碳酸钙流加速率一阶导数溶解氧一阶导数溶解氧二阶导数PH值一阶导数对离线化验数据分别进行最小二乘拟合生成与实时数据相对应的每1分钟一次的数据；步骤4.3，构成训练样本集和验证样本集：步骤4.4，对静态模糊神经网络进行训练和验证，确定静态模糊神经网络的各权参数。进一步，所述步骤5中，构造赖氨酸发酵过程的机理模型：其中，x1为菌体浓度、x2为基质浓度、x3为产物浓度、x4为溶解氧、x5为PH值、x6为体积；是菌体浓度一阶导数，是基质浓度一阶导数，是产物浓度一阶导数，是溶解氧一阶导数，是PH值一阶导数，是体积一阶导数；μ菌丝比生长速率；π是产物比生成速率；ki(1≤i≤5)为模型常数；是气相饱和氧浓度；m,mo,mpH是模型维持系数；YX是基质形成菌体的真实转化率，YP是基质形成产物的真实转化率；YX/O,YX/pH是菌丝产率系数；YP/O,YP/pH是产物产率系数，ui为u1～u5。进一步，所述步骤2软传感器的模型为：其中，是溶解氧一阶导数，溶解氧二阶导数，是PH值一阶导数；f1、f2、f3都表示非线性函数关系，u1为葡萄糖流加速率、u2为玉米浆流加速率、u3为豆饼水解液流加速率、u4为硫酸氨流加速率、u5为碳酸钙流加速率。进一步，所述步本文档来自技高网...

【技术保护点】
1.一种赖氨酸发酵过程关键变量的模糊神经网络逆软测量系统,其特征在于，包括软传感器、传感器、ARM处理器、键盘电路、LCD显示器和上位机；所述软传感器与传感器之间通过线路连接；传感器与ARM处理器之间通过滤波电路连接；ARM处理器通过线路分别与键盘电路、LCD显示器和上位机连接；所述传感器包括流量传感器、溶氧传感器、PH值传感器以及体积传感器；所述流量传感器接收流加输入量，并将流加输入量传输到滤波电路，经滤波电路后输入到ARM处理器，进行处理；所述软传感器接收主导输入量与流加输入量后分别得到输出量，并分别经溶氧传感器、PH值传感器、体积传感器后，通过滤波电路输入到ARM处理器，进行处理；所述ARM处理器将接收的检测信号进行处理得到输出信号，并传输到上位机；所述上位机根据输出信号对处理器的算法功能进行调试；所述LCD显示器对ARM处理器输出信号进行显示；所述键盘电路控制ARM处理器的工作启停；所述流量传感器数量为5个。

【技术特征摘要】
1.一种赖氨酸发酵过程关键变量的模糊神经网络逆软测量系统,其特征在于，包括软传感器、传感器、ARM处理器、键盘电路、LCD显示器和上位机；所述软传感器与传感器之间通过线路连接；传感器与ARM处理器之间通过滤波电路连接；ARM处理器通过线路分别与键盘电路、LCD显示器和上位机连接；所述传感器包括流量传感器、溶氧传感器、PH值传感器以及体积传感器；所述流量传感器接收流加输入量，并将流加输入量传输到滤波电路，经滤波电路后输入到ARM处理器，进行处理；所述软传感器接收主导输入量与流加输入量后分别得到输出量，并分别经溶氧传感器、PH值传感器、体积传感器后，通过滤波电路输入到ARM处理器，进行处理；所述ARM处理器将接收的检测信号进行处理得到输出信号，并传输到上位机；所述上位机根据输出信号对处理器的算法功能进行调试；所述LCD显示器对ARM处理器输出信号进行显示；所述键盘电路控制ARM处理器的工作启停；所述流量传感器数量为5个。2.一种赖氨酸发酵过程关键变量的模糊神经网络逆软测量方法，包括以下步骤：步骤1，选择确定赖氨酸发酵过程的在线直接可测量量和需离线化验的不可直接测量量；其中，在线直接可测量量为流加输入量和输出量；步骤2，确定赖氨酸发酵过程的软传感器的主导输入量、辅助输入量和输出量，建立软传感器的模型；步骤3，确定软传感器逆的主导输入量、辅助输入量和输出量，依据求反函数的方法建立软传感器逆的模型；步骤4，采用静态模糊神经网络加一串微分器并通过对静态模糊神经网络的训练确定各权参数，构造模糊神经网络逆；步骤5，将模糊神经网络逆串接在赖氨酸发酵过程之后，实现对赖氨酸发酵过程关键变量的在线软测量。3.根据权利要求2所述的一种赖氨酸发酵过程关键变量的模糊神经网络逆软测量方法，其特征在于，所述步骤1中，在线直接可测流加输入量为葡萄糖流加速率c、玉米浆流加速率u2、豆饼水解液流加速率u3、硫酸氨流加速率u4、碳酸钙流加速率u5；所述在线直接可测输出量为溶解氧x4、PH值x5、体积x6；所述不可直接测量量为菌体浓度x1、基质浓度x2、产物浓度x3。4.根据权利要求2所述的一种赖氨酸发酵过程关键变量的模糊神经网络逆软测量方法，其特征在于，所述步骤2中，软传感器的主导输入量为菌体浓度x1、基质浓度x2、产物浓度x3；辅助输入量为各流加输入量为葡萄糖流加速率u1、玉米浆流加速率u2、豆饼水解液流加速率u3、硫酸氨流加速率u4、碳酸钙流加速率u5；输出量为溶解氧x4、PH值x5、体积x6。5.根据权利要求2所述的一种赖氨酸发酵过程关键变量的模糊神经网络逆软测量方法，...

【专利技术属性】
技术研发人员：褚亚伦，王博，朱湘临，赵海清，
申请(专利权)人：江苏大学，
类型：发明
国别省市：江苏,32