一种基于改进指数平滑神经网络模型的反馈补料方法及系统技术方案

本发明专利技术公开了一种基于改进指数平滑神经网络模型的反馈补料方法及系统，该方法用于大肠杆菌利用底物葡萄糖生产丁二酸发酵体系，利用在线监控仪周期性检测发酵体系内组分浓度，计算各检测周期内糖耗速率并通过改进三次指数平滑模型并进行发酵下一周期糖耗速率的预测，同时根据待预测序列的方差值进行平滑系数的优化计算。之后采用RBF神经网络进行指数平滑预测残差的修正，依据糖耗速率最终预测值进行补料量的计算，控制蠕动泵组向发酵罐内流加葡萄糖的速度及时间，将发酵罐内的葡萄糖浓度稳定、精确地控制在设定范围。精确地控制在设定范围。精确地控制在设定范围。

【技术实现步骤摘要】
一种基于改进指数平滑神经网络模型的反馈补料方法及系统


[0001]本专利技术涉及一种基于改进指数平滑神经网络模型的反馈补料方法及系统，进一步涉及基于在线监控仪反馈控制发酵罐内底物浓度的微机控制系统。具体地说就是一种结合实时检测残糖浓度的在线分析仪，在批次检测及补料过程中迭代更新发酵模型并自动分析发酵体系中糖耗情况，以残糖浓度响应反馈进行自动补料的智能补料系统，通用于多种可在线监控仪可实时监测发酵底物的发酵过程，属于微生物发酵控制


技术介绍

[0002]在实际发酵过程中残糖浓度对于细胞的生长和产物产量具有重要影响，但是目前发酵行业缺乏实时的残糖在线监控自动补料仪器，发酵行业普遍采用批式发酵，通过经验判断的“粗放式”生产模式并不能及时追踪底物或产物的浓度变化，这也是导致底物浪费的一个重要因素。因此实现发酵过程中底物与产物成分的在线检测与反馈控制，有利于提高发酵效率、降低损耗。
[0003]在实际分批补料发酵多数发酵体系都是复杂的、非线性的被控对象，因此大部分控制发酵生产过程均通过离线分析。发酵行业内多数补料措施为根据离线检测的残糖浓度或菌体生长情况进行补料操作，但是此离线分析方式有诸多不足之处：分析周期长、补料滞后性大、控制策略制定缓慢等，无法实时地进行补料难以使发酵体系维持在产率较高的状态。近年随着检测仪器的发展，发酵行业出现依据在线检测残糖浓度进行补料的方法，但是受到补料策略的限制，基于实时残糖浓度进行补料的方式使得发酵的效率和质量得不到有效的监测残糖并结合发酵体保证，无法做到发酵过程的在线实时优化控制。另需要考虑到发酵体系本身和环境各个因素，因此基于发酵体系实时特性进行补料的方法对于绝大多数发酵过程都是发酵效率高但是实现方式比较复杂。

技术实现思路

[0004]本专利技术的目的在于克服之后的残糖离线检测和发酵体系的PH值和DO值检测，同时也克服了基于离线拟合糖耗曲线补料的批次差异性所带来的误差。
[0005]本专利技术首先提出一种基于改进指数平滑神经网络模型的反馈补料方法，在大肠杆菌生产丁二酸发酵过程中通过串口通信控制在线监控仪实时监测发酵体系内的残糖浓度，根据内置模型进行补料计算并进行补料操作，确保发酵罐内底物葡萄糖浓度维持在设定浓度范围，该补料方法包含以下步骤：
[0006]S1、基于大肠杆菌利用底物葡萄糖生产丁二酸体系，利用在线监控仪周期性检测发酵体系内组分浓度，计算各检测周期内糖耗速率，形成糖耗速率时间序列；
[0007]S2、以补料阶段前的糖耗速率时间序列作为初始值，建立指数平滑预测模型，计算三次指数平滑值S
i
，以预测下一发酵周期糖耗速率，获得下一发酵周期糖耗速率的指数平滑模型预测值
[0008]S3、根据糖耗速率时间序列方差值调整平滑系数α，并用于下一次指数平滑模型预
测计算；
[0009]S4、利用神经网络对指数平滑预测值与实际值之间的误差序列进行训练，输出预测残差
[0010]S5、将步骤S2指数平滑模型预测值与步骤S4输出的预测残差相加，得到糖耗速率最终预测值并结合发酵阶段进行发酵下一周期补料量的计算。
[0011]优选的，步骤S2中基于自发酵开始由各检测周期糖耗速率浓度形成的时间序列为{x1,x2,
…
,x
n
},指数平滑预测值计算步骤如下：
[0012]S2
‑
1将补料前各周期内糖耗速率作为已知数据建立预测模型，确定平滑系数初始值，将浓度时间序列每一项进行加权计算，则一次指数平滑值计算如下：
[0013][0014]式中是底物浓度时间序列第i点经过一次指数平滑后的值，α是平滑系数，x
i
‑
j
是i
‑
j时间点的实际值；
[0015]S2
‑
2基于一次指数平滑值进行二次和三次指数平滑值的迭代计算，计算公式如下：
[0016][0017]式中是底物浓度时间序列第i点经过二次指数平滑后的值，是底物浓度时间序列第i点经过三次指数平滑后的值；
[0018]S2
‑
3根据上述指数平滑值进行糖耗速率的初步预测，其预测模型表达式如下：
[0019][0020][0021]式中，A
i
、B
i
和C
i
分别表示底物浓度时间序列第i点的预测参数，m为向后预测周期，m等于1时，代表下一发酵周期糖耗速率的指数平滑预测值。
[0022]优选的，步骤S3中针对指数平滑模型中平滑系数的取值采用自适应设定方案，计算时间序列的方差值，以此设定自适应平滑系数α，第i个预测序列的加权值α(i)表示如下：
[0023][0024]式中σ2(i)为第i个预测序列的方差值，n表示预测序列的总个数，k取常数。
[0025]优选的，步骤S4中RBF神经网络输入为指数平滑模型预测值与实际值的差值，输出为预测残差；RBF神经网络包括输入层、隐含层和输出层三层结构，隐含层中选用高斯函数
作为激活函数，其网络的数学表达式为：
[0026][0027]式中：E
p
为第p个输入样本，e
n
为输入样本的第n个向量，H
j
为第j个隐含层神经元的输出，‖E
p
‑
c
j
‖为欧式范数，c
j
表示第j个隐含层神经元的中心向量,σ表示欧氏距离，ω
ij
是隐含层和输出层之间的权值系数，N是隐含层节点数，是对应第i个节点的实际输出结果作为预测残差，m为向后预测周期,此处m＝1。
[0028]优选的，步骤S5中将改进指数平滑模型与神经网络有机结合，进行指数平滑模型残差修正；指数平滑模型对记为X
i
＝[x1,x2,
…
,x
n
]的时间序列的预测值为将指数平滑模型预测误差序列[e1,e2,
…
,e
n
]作为神经网络输入，得到输出的预测残差则糖耗速率最终预测值为：
[0029][0030]m取1时，代表下一发酵周期糖耗速率预值。
[0031]优选的，步骤S5中基于糖耗速率的最终预测值进行发酵下一周期内补料量V
i
计算方式为：
[0032][0033]式中，C1为本检测点残糖浓度，C
add
为补料液糖浓度，C
tar
为目标糖浓度，为下一周期糖耗速率预测值，V1为当前发酵液体积，ΔT为检测周期。
[0034]本专利技术还提出了一种基于改进指数平滑神经网络模型的反馈补料系统，该反馈补料系统由发酵罐、PLC发酵控制柜、在线监控仪、上位机监控软件和补料装置构成，补料方法实现方式为：
[0035]PLC发酵控制柜通过控制发酵罐加热套、补碱泵装置营造良好的发酵环境，在线监控仪内置酶传感器抽取发酵罐内发酵液进行葡萄糖浓度检测本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进指数平滑神经网络模型的反馈补料方法，其特征在于方法包括以下步骤：S1、基于大肠杆菌利用底物葡萄糖生产丁二酸体系，利用在线监控仪周期性检测发酵体系内组分浓度，计算各检测周期内糖耗速率，形成糖耗速率时间序列；S2、以补料阶段前的糖耗速率时间序列作为初始值，建立指数平滑预测模型，计算三次指数平滑值S
i
，以预测下一发酵周期糖耗速率，获得下一发酵周期糖耗速率的指数平滑模型预测值S3、根据糖耗速率时间序列方差值调整平滑系数α，并用于下一次指数平滑模型预测计算；S4、利用神经网络对指数平滑预测值与实际值之间的误差序列进行训练，输出预测残差S5、将步骤S2指数平滑模型预测值与步骤S4输出的预测残差相加，得到糖耗速率最终预测值并结合发酵阶段进行发酵下一周期补料量的计算。2.根据权利要求1所述的基于改进指数平滑神经网络模型的反馈补料方法，其特征在于，步骤S2中基于自发酵开始由各检测周期糖耗速率浓度形成的时间序列为{x1,x2,
…
,x
n
},指数平滑预测值计算步骤如下：S2
‑
1将补料前各周期内糖耗速率作为已知数据建立预测模型，确定平滑系数初始值，将浓度时间序列每一项进行加权计算，则一次指数平滑值计算如下：式中是底物浓度时间序列第i点经过一次指数平滑后的值，α是平滑系数，x
i
‑
j
是i
‑
j时间点的实际值；S2
‑
2基于一次指数平滑值进行二次和三次指数平滑值的迭代计算，计算公式如下：式中是底物浓度时间序列第i点经过二次指数平滑后的值，是底物浓度时间序列第i点经过三次指数平滑后的值；S2
‑
3根据上述指数平滑值进行糖耗速率的初步预测，其预测模型表达式如下：3根据上述指数平滑值进行糖耗速率的初步预测，其预测模型表达式如下：式中，A
i
、B
i
和C
i
分别表示底物浓度时间序列第i点的预测参数，m为向后预测周期，m等
于1时，代表下一发酵周期糖耗速率的指数平滑预测值。3.根据权利要求1所述的基于改进指数平滑神经网络模型的反馈补料方法，其特征在于，步骤S3中针对指数平滑模型中平滑系数的取值采用自适应设定方案，计算时间序列的方差值，以此设定自适应平滑系数α，第i个预测序列的加权值α(i)表示如下：式中σ2(i)为第i个预测序列的方差值，n表示预测序列的总个数，k取常数。4.根据权利要求1所述的基于改进指数平滑神经网络模型...

【专利技术属性】
技术研发人员：薄翠梅，蔡明水，杨仕林，赵涛，李俊，
申请(专利权)人：南京工业大学，
类型：发明
国别省市：