一种海洋低温碱性蛋白酶的发酵控制方法技术

本发明专利技术提供一种海洋低温碱性蛋白酶的发酵控制方法，本方法为基于人工鱼群改进ILC的新型海洋低温碱性蛋白酶的发酵控制方法，用于解决海洋蛋白酶发酵过程中，不易得到发酵最优个体和最优发酵控制参数的问题。首先利用采集到的输入输出样本数据，对BP神经网络进行训练和测试，得出跟踪误差曲线后，利用人工鱼群算法对迭代学习控制的增益参数进行不断地跟踪调整，直到得到满足精度要求的优化控制参数。本发明专利技术可根据现有的发酵数据获取最优的控制参数组合，摆脱了传统根据人工经验设置参数而带来的不便以及误差。

【技术实现步骤摘要】
一种海洋低温碱性蛋白酶的发酵控制方法
本专利技术属于工业生产自动化控制
，主要涉及海洋低温碱性蛋白酶MP的发酵控制方法。
技术介绍
微生物发酵过程通常具有强耦合性、非稳态性、强非线性和时变性等特点，建立精确模型非常困难，传统的控制方法一般并不能起到良好的效果另一方面，在发酵过程中配方不变时，生产过程基本上是重复运行的，在每个批次运行周期内控制变量和产品质量都是沿着一定的操作变化轨迹运行，具有较强的重复性。迭代学习控制(iterativelearningcontrol，简称ILC)适合于一类具有周期性、重复运行特性的被控对象，其思想出发点是对于在有限时间区间上重复执行相同控制任务的系统，其性能可以通过对以往重复过程的学习来得到改善。迭代学习控制算法期望利用前一个或多个批次的信息来更新下一批次的输入轨迹，使得输出轨迹尽快地收敛于期望的目标轨迹。由于迭代学习控制在控制对象时，所采用的学习律中的学习增益参数是固定的，这样就使学习过程速度变慢，而人工鱼群算法是一种对初值不敏感的全局寻优算法，具有很好的跳出局部极值找到全局最优值的能力，能够极大地提高迭代学习控制的跟踪精度和收敛性。
技术实现思路
针对微生物发酵过程中，各方面参数难以达到预期的问题，本专利技术提供一种基于人工鱼群改进ILC的新型海洋低温碱性蛋白酶的发酵控制方法，用于解决海洋蛋白酶发酵过程中，不易得到发酵最优个体和最优发酵控制参数的问题。本专利技术首先利用采集到的输入输出样本数据，对BP神经网络进行训练和测试，得出跟踪误差曲线后，利用人工鱼群算法对迭代学习控制的增益参数进行不断地跟踪调整，直到得到满足精度要求的优化控制参数。本专利技术可根据现有的发酵数据获取最优的控制参数组合，摆脱了传统根据人工经验设置参数而带来的不便以及误差。一种海洋低温碱性蛋白酶的发酵控制方法，包括以下步骤：步骤一、发酵控制参数采集：通过智能控制器收集发酵控制参数并传送到上位计算机存储；步骤二、发酵控制参数编码：所述步骤一采集得到发酵的输入输出数据，包括：发酵罐温度T、发酵液酸碱度pH、电机搅拌转速r、通气量l、海洋蛋白酶相对酶活P，并根据所得到的数据训练BP神经网络；步骤三、初始化鱼群：采用开环P型迭代学习控制算法控制发酵时的发酵罐温度T、发酵液酸碱度pH、电机搅拌转速r、通气量l，以迭代学习控制的增益参数kT、kp、kr、kl，构建四维向量作为一条人工鱼个体，初始化鱼群；步骤四、设置迭代学习控制初始值：设置初始状态下发酵过程的发酵罐温度T、发酵液酸碱度pH、电机搅拌转速r、通气量l，并以海洋蛋白酶相对酶活P为控制指标，计算每条人工鱼对应的跟踪误差，并记录最优个体；步骤五、执行一次人工鱼群算法：当前鱼群分别执行觅食行为、群聚行为、追尾行为；步骤六、选取人工鱼最优个体：判断执行完步骤五以后，人工鱼对应的跟踪误差是否降低，将所有人工鱼数据记入公告板，并选取跟踪误差最低的人工鱼数据作为当前批次、当前采样点迭代学习算法的增益参数；步骤七、判断最优适应度值：待当前批次发酵完成，采集海洋蛋白酶相对酶活P的数据，判断最优人工鱼的适应度值是否已经达到预期要求，若是，则输出最优解，若不是，则在新的采样点，跳转至步骤五，直到找出最优解。上述方案中，所述步骤二的具体包括以下步骤：步骤2.1，采集发酵过程外部变量数据：通过气体流量传感器采集空气流量l，通过转速传感器采集电机搅拌转速r，通过热电阻采集发酵罐温度T，通过pH电极采集发酵液酸碱度pH、；发酵液经离心分离器分离后离线检测得到海洋蛋白酶相对酶活P；步骤2.2，把发酵数据集随机分成两部分，一部分为训练数据集，一部分为测试数据集；训练数据集用来训练BP神经网络，测试数据集不参与训练BP神经网络，而是用于测试经过训练的BP神经网络预测发酵产品产量的准确性。进一步的，所述步骤二的具体包括以下步骤：所述步骤2.2中构建BP神经网络的方法：把空气流量l、电机搅拌转速r、发酵罐温度T、发酵液酸碱度pH作为BP神经网络的输入层输入节点，把海洋蛋白酶相对酶活P作为BP神经网络的输出层输出节点，选择适当的隐含层节点数，构建三层BP神经网络；进行BP神经网络训练后进行测试，如果误差较大，则重新进行训练，如果误差在允许的范围内，则BP神经网络训练合格。上述方案中，所述步骤五中，执行觅食行为时：在当前人工鱼的感知范围内随机选择一个状态Xj[kTj,kpj,klj,krj]Xj＝Xi+Visual·Rand()式中，Xi[kTi,kpi,kli,kri]是人工鱼的当前状态，Rand()是介于0和1之间的随机数，Visual为每条人工鱼的视野范围，判断当前跟踪误差ei与目标跟踪误差值ej的大小，若满足ej<ei，则人工鱼向随机状态Xj[kTj,kpj,klj,krj]前进一步，也即使：stepn(n＝1,2,3,4)为人工鱼每前进一次的步长，kTi、kpi、kli、kri分别表示迭代学习控制ILC中当前状态Xi下的发酵罐温度T、发酵液酸碱度pH、通气量l和电机搅拌转速r的增益参数，kTj、kpj、klj、krj分别表示迭代学习控制ILC中人工鱼找寻的目标状态Xj下的发酵罐温度T、发酵液酸碱度pH、通气量l和电机搅拌转速r的增益参数，t表示当前人工鱼的搜索次数。上述方案中，所述步骤五中，执行群聚行为时：设人工鱼群的中心位置：Xcenter[ktc,kpc,klc,krc]，其中其中n为以自身位置为中心，其感知范围内的人工鱼的数目；kTc、kpc、klc、krc分别表示群聚行为时，中心位置状态下的发酵罐温度T、发酵液酸碱度pH、通气量l和电机搅拌转速r的增益参数；计算该中心位置Xcenter对应的误差值ecenter，判断是否满足条件ecenter<ei，且ecenter/n＜δ×ei，其中δ为拥挤因子，δ取值视实际情况而定，0<δ<1；ei为第条人工鱼的适应度值，若是，则向着人工鱼群中心位置Xcenter前进一步，也即：上述方案中，所述步骤五中，执行追尾行为时：设人工鱼当前状态Xi[kti,kpi,kli,kri]，探索当前邻域内的伙伴中对应误差值ej为最小值的伙伴Xj。若ej/n＜δ×ei，其中δ取值视实际情况而定，0<δ<1，则向Xj[kTj,kpj,klj,krj]前进一步，即：上述方案中，所述步骤六具体为：算法模型建立完毕后，嵌入智能控制器中，存储当前人工鱼数据，将最优值作为控制参量，调整冷却水阀门、空气阀门、搅拌叶、蠕动泵。上述方案中，所述步骤七具体为：调整控制参量，待当前批次发酵相对酶活P经离线检测后的数据存入智能控制器后，智能控制器通过内部存储模型，计算出下一批次的控制参量。上述方案中，所述智能控制器为单片机。与现有技术相比，本专利技术的有益效果是：1.算法简明易实现。不需要建立发酵过程精确的数学模型，更不要求确定数学模型的相关参数，在只有给定初始状态条件下，寻找合适的学习律即能实现对控制对象的完全跟踪。2.高灵活性。可以根据工作情况实时改变控制参数，达到实际性能指标。3.强鲁棒性。当系统在不同环境下工作导致的控制参数变化以及干扰时，经过反复迭代控制，可以实现高精度的跟踪。4.收敛性本文档来自技高网...

【技术保护点】
一种海洋低温碱性蛋白酶的发酵控制方法，其特征在于，包括以下步骤：步骤一、发酵控制参数采集：通过智能控制器(14)收集发酵控制参数并传送到上位计算机(15)存储；步骤二、发酵控制参数编码：所述步骤一采集得到发酵的输入输出数据，包括：发酵罐温度T、发酵液酸碱度pH、电机搅拌转速r、通气量l、海洋蛋白酶相对酶活P，并根据所得到的数据训练BP神经网络；步骤三、初始化鱼群：采用开环P型迭代学习控制算法控制发酵时的发酵罐温度T、发酵液酸碱度pH、电机搅拌转速r、通气量l，以迭代学习控制的增益参数kT、kp、kr、kl，构建四维向量作为一条人工鱼个体，初始化鱼群；步骤四、设置迭代学习控制初始值：设置初始状态下发酵过程的发酵罐温度T、发酵液酸碱度pH、电机搅拌转速r、通气量l，并以海洋蛋白酶相对酶活P为控制指标，计算每条人工鱼对应的跟踪误差，并记录最优个体；步骤五、执行一次人工鱼群算法：当前鱼群分别执行觅食行为、群聚行为、追尾行为；步骤六、选取人工鱼最优个体：判断执行完步骤五以后，人工鱼对应的跟踪误差是否降低，将所有人工鱼数据记入公告板，并选取跟踪误差最低的人工鱼数据作为当前批次、当前采样点迭代学习算法的增益参数；步骤七、判断最优适应度值：待当前批次发酵完成，采集海洋蛋白酶相对酶活P的数据，判断最优人工鱼的适应度值是否已经达到预期要求，若是，则输出最优解，若不是，则在新的采样点，跳转至步骤五，直到找出最优解。...

【技术特征摘要】
1.一种海洋低温碱性蛋白酶的发酵控制方法，其特征在于，包括以下步骤：步骤一、发酵控制参数采集：通过智能控制器(14)收集发酵控制参数并传送到上位计算机(15)存储；步骤二、发酵控制参数编码：所述步骤一采集得到发酵的输入输出数据，包括：发酵罐温度T、发酵液酸碱度pH、电机搅拌转速r、通气量l、海洋蛋白酶相对酶活P，并根据所得到的数据训练BP神经网络；步骤三、初始化鱼群：采用开环P型迭代学习控制算法控制发酵时的发酵罐温度T、发酵液酸碱度pH、电机搅拌转速r、通气量l，以迭代学习控制的增益参数kT、kp、kr、kl，构建四维向量作为一条人工鱼个体，初始化鱼群；步骤四、设置迭代学习控制初始值：设置初始状态下发酵过程的发酵罐温度T、发酵液酸碱度pH、电机搅拌转速r、通气量l，并以海洋蛋白酶相对酶活P为控制指标，计算每条人工鱼对应的跟踪误差，并记录最优个体；步骤五、执行一次人工鱼群算法：当前鱼群分别执行觅食行为、群聚行为、追尾行为；步骤六、选取人工鱼最优个体：判断执行完步骤五以后，人工鱼对应的跟踪误差是否降低，将所有人工鱼数据记入公告板，并选取跟踪误差最低的人工鱼数据作为当前批次、当前采样点迭代学习算法的增益参数；步骤七、判断最优适应度值：待当前批次发酵完成，采集海洋蛋白酶相对酶活P的数据，判断最优人工鱼的适应度值是否已经达到预期要求，若是，则输出最优解，若不是，则在新的采样点，跳转至步骤五，直到找出最优解。2.根据权利要求1所述的一种海洋低温碱性蛋白酶的发酵控制方法，其特征在于，所述步骤二的具体包括以下步骤：步骤2.1，采集发酵过程外部变量数据：通过气体流量传感器(11)采集空气流量l，通过转速传感器(5)采集电机搅拌转速r，通过热电阻(6)采集发酵罐温度T，通过pH电极(7)采集发酵液酸碱度pH、；发酵液经离心分离器(8)分离后离线检测得到海洋蛋白酶相对酶活P；步骤2.2，把发酵数据集随机分成两部分，一部分为训练数据集，一部分为测试数据集；训练数据集用来训练BP神经网络，测试数据集不参与训练BP神经网络，而是用于测试经过训练的BP神经网络预测发酵产品产量的准确性。3.根据权利要求2所述的一种海洋低温碱性蛋白酶的发酵控制方法，其特征在于，所述步骤二的具体包括以下步骤：所述步骤2.2中构建BP神经网络的方法：把空气流量l、电机搅拌转速r、发酵罐温度T、发酵液酸碱度pH作为BP神经网络的输入层输入节点，把海洋蛋白酶相对酶活P作为BP神经网络的输出层输出节点，选择适当的隐含层节点数，构建三层BP神经网络；进行BP神经网络训练后进行测试，如果误差较大，则重新进行训练，如果误差在允许的范围内，则BP神经网络训练合格。4.根据权利要求1所述的一种海洋低温碱性蛋白酶的发酵控制方法，其特征在于，所述步骤五中，执行觅食行为时：在当前人工鱼的感知范围内随机选择一个状态Xj[kTj,kpj,klj,krj]Xj＝Xi+Visual·Rand()式中，Xi[kTi,kpi,kli,kri]是人工鱼的当前状态，Rand()是介于0和1之间的随机数，Visual为每条人工鱼的视野范围，判断当前跟踪误差ei与目标跟踪误差值ej的大小，若满足ej<ei，则人工鱼向随机状态Xj[kTj,kpj,klj,krj]前进一步，也即使：stepn，n＝...

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