生物发酵批过程的调度优化方法技术

一种生物发酵批过程的调度优化方法，其特征在于：首先应用人工神经网络技术和智能数据库技术获得描述过程创利水平的定量评价指标－效益函数的预测，然后根据效益函数的计算值和预报值对现行罐批进行分类，确定参与调度的具体候选罐批，最后按全车间经济效益最高为调度目标，计算获得这些候选停罐罐批的停罐顺序。（*该技术在2022年保护过期，可自由使用*）

【技术实现步骤摘要】

本专利技术涉及一种批过程的调度优化方法，特别是一种，属于生物

技术介绍
生物发酵批过程是一类重要的工业生产过程。它以农产品为主要原料，以微生物或微生物产生的酶为反应主体，提供了与国计民生休戚相关的药品(抗生素、基因工程重组药物、疫苗、维生素等)、食品和饲料添加剂(各种氨基酸、核酸等)和其它产品(酒精饮料、酱油醋、生物保健品)。生物发酵生产的典型特征是机理复杂、可重复性差，生产过程的波动大大高于其它化工批过程。由于种子质量的差异、原料成分及原辅料配比的变化、过程变量(补料、溶氧、罐温、pH等)动态控制的偏差等原因，这种波动在很大程度上是无法避免的。经文献检索发现，荷兰Delft大学的Verwater-Lukszo在《Computers in Industry》(36，279-300，1998)上撰文“A practical approach to recipe improvement andoptimization in the batch processing industry(批过程工业中的实用工艺改进和优化)”，该文系统地提出了离线和在线批过程调度优化问题。同时提出，一个最佳调度目标函数应该是产品质量最高、生产波动最小、生产周期最短、产率最高、物料能量消耗最小、附加值最高、环境污染最少，而一个有效的调度方案首先需对所有这些指标给出综合的定量描述。Verwater-Lukszo将批过程的调度优化划分为五个层面，其中第四第五层面与本专利技术申请涉及的问题背景相似。调度优化所用方法谓之灵活的工艺控制规范FRIS。FRIS第一步是令批过程在给定的工艺控制条件附近进行一系列对正常生产影响不大的摄动实验，构成数据库，然后对这些摄动实验结果进行模型化、确定基于模型的适应性调度方案、进一步优化摄动实验以更新数据库；第二步是应用技术，它基于第一步的结果，对新的批过程给出符合新的市场条件(如原料价格变化、产品需求量的变化)调整批过程的初始条件、根据新的批过程运行时与给定控制规范的差异动态修正过程操作变量(包括生产周期)。关于生产周期，文中以生产周期最短为调度目标，所用方法为数理统计、动态规划和单纯形寻优，这与本专利技术所论述的弹性发酵周期优化及所用的方法都是不同的。FRIS的基本出发点在于有目的的摄动实验，这对许多工业用户会成为障碍，而本专利技术所需的数据库是在自然发生的条件下获得的。
技术实现思路
本专利技术针对现有技术的不足和缺陷，提供一种适用于生产波动很大的，使其改传统的、发酵周期固定的生产方式为发酵周期可变的生产方式，从中挖取过程潜在的经济效益，且不对上下工段的排班和负荷产生干扰，因为它是以不改变工艺给定的停罐时间间隔为前提的。本专利技术是通过以下技术方案实现的，首先应用人工神经网络技术和智能数据库技术获得描述过程创利水平的定量评价指标—效益函数的预测，然后根据效益函数的计算值和预报值对现行罐批进行分类，确定参与调度的具体候选罐批，最后按全车间经济效益最高为调度目标，计算获得这些候选停罐罐批的最优停罐顺序。效益函数定义为单位时间内一个罐批所创造的毛利润与生产周期的比值。毛利为总产值与总投入之差。总产值指一个罐批运行至当前时刻所有可分离产品的价值，总投入指为了获得这些产品已发生的直接生产投入(包括物料能量消耗、设备占用资金等)。生产周期指预备时间与发酵时间之和。效益函数是集产率、得率、原料和能量消耗于一体的、用于描述过程创利水平的定量而客观的评价指标，它的计算与给定工艺过程的衡算关系和衡算数据相关。调度区间指罐批允许的停罐时间范围，一般为生产周期的后四分之一至后三分之一，具体地，它与一个罐批所属的类有关，这里的类是基于历史罐批分类函数的统计特征确定的。分类函数是效益函数的变形，定义为效益函数在未来某时间区段内的均值，它降低了数据噪声的影响，能更好地用来评价一个罐批的效益水平。调度函数指一个罐批在未来1～3个停罐时间间隔内的经济效益增量，是评价一个罐批创利潜力的重要指标。历史罐批指人工神经网络训练数据库所对应的、按一定选取原则和更新机制生成的罐批集合。通用训练数据库是历史罐批所有输入-输出数据向量对的集合。效益函数的置信限是历史罐批效益函数的统计特征，它是对应于给定置信度的包络线。效益函数置信域是由不同置信限(从±80％～±99％)形成的相邻两根包络线围成的区域，置信域的个数为5～15个。以下对本专利技术方法作进一步描述，具体如下 (一)运用人工神经网络技术和智能数据库技术获得效益函数的预测，具体步骤如下(1)获得历史罐批数据库。历史罐批数据指过程最近20～40批次的历史纪录。数据结构为指定格式的一系列文本文件，包括状态文件(初始体积、初始浓度、接种量等)、进料流量文件(主料、辅料的流加速率)、发酵液体积或液位文件、中间出料文件(出料速率或体积)、离线采样分析数据文件(进料基质浓度、发酵罐中基质和产物浓度)以及用于计算效益函数的物料-产品价格文件。其中物料-产品价格文件适用于所有罐批。历史罐批应该是(a)属于近1～3个月内的生产罐批；(b)为正常罐批，即不属于极端异常罐批和故障罐批；(c)罐批的效益函数分布应尽可能均匀。(2)获得人工神经网络通用训练数据库。基于历史罐批原始记录，获得关键状态变量(主料消耗、产量、辅料消耗等)累积量；再按给定的数据窗口和预报窗口的宽度，用移动数据窗口技术将上述累积量离散化，获得输入-输出数据向量对。输入数据窗口包含该窗口的时间起点以及相应时段内的状态变量累积量的离散值，输出数据窗口包含相应时段内的特定变量累积量的离散值，该特定变量是指需要预报的变量，这里是产量(若将糖耗或前体消耗量置入预报数据窗口，就默认是将对它们进行预报)。这样获得的输入输出数据向量对的集合就构成了通用训练数据库。(3)对于待预报罐批，利用给定结构的人工神经网络，训练获得输入-输出数据向量对之间的关系。所用训练数据库由第(2)步描述的通用训练数据库和由第(7)步描述的、属于待预报罐批的所有可获得的输入-输出数据向量对构成。(4)获得待预报罐批的最新输入数据向量，将它作为训练过的神经网络的输入，得到相应的预报输出。(5)产物浓度预报值的获取。将产量预报值减去当前实测产量，获得产量增量；假定未来的进料和出料流量遵循标准操作规范，估计出预报窗口发酵罐内装料量(体积)的变化；进而获得预报窗口内的产物浓度增量和绝对值。(6)根据工艺给定的物料-能量衡算关系、数据以及产物浓度预报值，计算效益函数的预报值。(7)训练数据库的更新。更新包括两个方面，一是在线更新，即一旦被预报的罐批有新的输入-输出数据向量对生成，该向量对就被充实到训练数据库，换言之，每一个被预报罐批的训练数据库由通用训练数据库和该现行罐批所有可获得的输入-输出数据向量对构成；另一方面，每当有一个罐批发酵结束，要按照以下原则离线更新通用历史数据库包含的罐批(a)若该罐批为异常罐批或故障罐批，通用训练数据库所选罐批维持原状。异常罐批或故障罐批是指那些效益函数在调度区间内明显低于或高于历史罐批最低值或最高值的罐批，(b)在后三分之一操作周期，若新近停罐罐批的效益函数曲线与某一较早的历史罐批落在同一效益函数置信域内，则用新近停罐的罐批取代较早的罐批，(c)在后三分之一操作本文档来自技高网...

【技术保护点】

【技术特征摘要】

【专利技术属性】
技术研发人员：袁景淇，任海涛，刘俊，王卓，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：