一种生物发酵过程在线神经网络逆控制器及其构造方法技术

本发明专利技术公开了一种生物发酵过程在线神经网络逆控制器，包括神经网络逆离线解耦控制器构造模块和神经网络逆在线学习模块。该生物发酵过程在线神经网络逆控制器的控制方法为：将离线训练的神经网络逆系统与发酵系统串联，实现系统的线性化解耦，通过神经网络逆在线学习模块的在线学习，实现对逆控制器的在线更新。本发明专利技术将神经网络逆系统解耦方法和逆系统在线辨识方法相结合，实现了多变量发酵系统的解耦控制。采用神经网络逆系统技术实现生物发酵系统的解耦，不依赖过程的模型和参数。在神经网络逆解耦的基础上设计了逆控制器学习模块，能够适应生物发酵系统的参数时变性的特点，可以实现发酵过程变量的实时控制，符合实际工程应用的需求。

【技术实现步骤摘要】

本专利技术涉及一种生物发酵过程在线解耦控制器及其构造方法，属于生物发酵过程的优化控制

技术介绍
生物发酵系统是一类具有时变性、不确定性和强耦合性的多输入多输出非线性系统，传统的非线性控制方法难以实现过程变量的优化控制。针对多输入多输出的非线性系统，一般先采用某种规则将系统线性化成多个线性子系统，然后对各子系统设计闭环线性控制器实现解耦控制的目的。将逆系统方法与神经网络方法相结合的神经网络逆控制方法，不依赖系统的精确模型，只需知道系统的相对阶即可实现非线性系统的线性化和解耦，在实际工程中得到许多成功应用。将神经网络逆控制方法应用于生物发酵过程控制中，虽不依赖系统的数学模型，但其解耦控制性能与神经网络的泛化能力、外界干扰有很大关系。离线训练神经网络不充分或者控制过程中系统参数发生变化，都会导致神经网络的泛化能力下降，从而使闭环控制性能下降。若发酵过程参数发生变化时，重新训练神经网络又不能满足过程控制的实时性。
技术实现思路
针对现有技术中神经网络逆控制器及其方法存在的上述不足，本专利技术提供。本专利技术生物发酵过程在线神经网络逆控制器及其构造方法采用的技术方案是 一种生物发酵过程在线神经网络逆控制器，包括神经网络逆离线解耦控制器构造模块和神经网络逆在线学习模块。所述神经网络逆离线解耦控制器构造模块分析发酵系统的可逆性，发酵系统的逆系统输入变量为发酵系统的输出变量及其导数，逆系统输出变量为发酵系统的控制输入变量，通过构造神经网络来实现逆系统的输入变量与输出变量之间的非线性关系，将神经网络逆系统串联于发酵系统前面实现发酵系统的输入输出解耦。所述神经网络逆在线学习模块对解耦后的伪线性复合系统设计闭环线性控制器，实现发酵系统的高性能解耦控制，所述神经网络逆在线学习模块的输入为实际发酵系统的输出(.n,h)，输出目标为实际发酵系统的输入用于定期更新所述神经网络逆控制器。一种生物发酵过程在线神经网络逆控制器的构造方法，通过将离线训练的神经网络逆系统与发酵系统串联，实现系统的线性化解耦，通过神经网络逆在线学习模块的在线学习，实现对逆控制器的在线更新。具体步骤为 (I)对发酵过程的模型进行可逆性分析，确定逆系统的输入输出量；系统当前时刻输出及其前一时刻输出为逆系统的输入变量，系统的控制输入量作为逆系统的输出量； (2)采集具有代表性的发酵过程输入输出数据； (3)选择结构为单隐层BP神经网络，利用采集的数据训练神经网络，使其训练误差达到给定的精度； (4)将步骤(3)中训练好的神经网络串联于被控发酵系统之前，实现发酵系统的线性化和解耦； (5)以生物发酵系统输入参数为输入，生物发酵系统输入为输出，通过神经网络逆在线学习模块，实现对生物系统逆的在线学习； (6)定期用神经网络逆在线学习模块更新神经网络逆控制器。本专利技术生物发酵过程在线神经网络逆控制器及其构造方法的有益效果是1、将神经网络逆系统解耦方法和逆系统在线辨识方法相结合，实现了多变量发酵系统的解耦控制。2、采用神经网络逆系统技术实现生物发酵系统的解耦，不依赖过程的模型和参数。在神经网络逆解耦的基础上设计了逆控制器学习模块，能够适应生物发酵系统的参数时变性的特点，可以实现发酵过程变量的实时控制，符合实际工程应用的需求。3、本专利技术应用于生物发酵过程菌体浓度和基质浓度的解耦控制，是一种简单实用的发酵过程变量控制方法，为提高发酵产物的品质和产量提供了技术支持。附图说明图1是本专利技术生物发酵过程在线神经网络逆控制器及其构造方法的控制框图。图中1、神经网络逆离线解耦控制器构造模块；2、神经网络逆在线学习模块；3、发酵系统。具体实施例方式下面结合附图对本专利技术进行进一步详细说明。本专利技术生物发酵过程在线神经网络逆控制器包括两个部分 一、神经网络逆离线解耦控制器构造模块I。针对具有不确定性的两输入两输出生物发酵系统，根据逆系统理论分析系统的右可逆性，确定系统的相对阶及逆系统的输入输出变量；离线采集系统数据训练神经网络近似逆系统，将训练好的神经网络与被控系统串联成伪线性复合系统，实现被控系统的线性化及解耦。二、神经网络逆在线学习模块2。对解耦后的伪线性复合系统设计闭环线性控制器即可实现系统的解耦控制，但其控制性能受到神经网络逆系统建模误差、发酵系统参数时变性及外界干扰等不确定因素影响，通过设计一个神经网络在线学习模块，实现发酵系统3的高性能解耦控制。在现有的神经网络逆系统解耦方法的基础上，为提高神经网络逆控制性能，本专利技术提出在线神经网络逆控制器构造方法。通过将离线训练的神经网络逆系统与发酵系统串联，实现系统的线性化解耦。针对发酵过程动力学复杂时变的特点，设计了一个逆系统学习模块，通过在线学习，实现对逆控制器的在线更新。具体实现步骤如下 (I)对发酵过程的模型进行可逆性分析，确定逆系统的输入输出量；系统当前时刻输出及其前一时刻输出为逆系统的输入变量，系统的控制输入量作为逆系统的输出量； (2)采集具有代表性的发酵过程输入输出数据； (3)选择结构为单隐层BP神经网络，利用采集的数据训练神经网络，使其训练误差达到给定的精度； (4)将(3)训练好的神经网络串联于被控发酵系统3之前，实现发酵系统3的线性化和解率禹; (5)以生物发酵系统3输入参数为输入，生物发酵系统3输入为输出，通过神经网络逆线学习模块，实现对生物系统逆的在线学习； (6)定期用神经网络逆在线学习模块更新神经网络逆控制器。本专利技术提出的解耦控制方法适用于在Monod方程基础上建立菌体生长和基质消耗模型的一类生物发酵过程。本专利技术以青霉素发酵过程为对象，设计发酵过程中菌体浓度和基质浓度的解耦控制器，具体实施步骤如下 1、青霉素发酵系统以进料流量2 和进料基质浓度^纟为控制输入，以菌体浓度和基质浓度%为输出。青霉素发酵系统的右逆系统输入输出方程为本文档来自技高网...

【技术保护点】
一种生物发酵过程在线神经网络逆控制器，其特征在于：所述逆控制器包括神经网络逆离线解耦控制器构造模块（1）和神经网络逆在线学习模块（2）；所述神经网络逆离线解耦控制器构造模块（1）分析发酵系统的可逆性，发酵系统的逆系统输入变量为发酵系统的输出变量及其导数，逆系统输出变量为发酵系统的控制输入变量，通过构造神经网络来实现逆系统的输入变量与输出变量之间的非线性关系，将神经网络逆系统串联于发酵系统（3）前面实现发酵系统的输入输出解耦；所述神经网络逆在线学习模块（2）对解耦后的伪线性复合系统设计闭环线性控制器，实现发酵系统（3）的高性能解耦控制，所述神经网络逆在线学习模块（2）的输入为实际发酵系统的输出（????????????????????????????????????????????????，），输出目标为实际发酵系统（3）的输入（，），用于定期更新所述神经网络逆控制器。260697dest_path_image001.jpg,721765dest_path_image003.jpg,86363dest_path_image005.jpg,78721dest_path_image007.jpg...

【技术特征摘要】
1.一种生物发酵过程在线神经网络逆控制器，其特征在于所述逆控制器包括神经网络逆离线解耦控制器构造模块(I)和神经网络逆在线学习模块(2); 所述神经网络逆离线解耦控制器构造模块(I)分析发酵系统的可逆性，发酵系统的逆系统输入变量为发酵系统的输出变量及其导数，逆系统输出变量为发酵系统的控制输入变量，通过构造神经网络来实现逆系统的输入变量与输出变量之间的非线性关系，将神经网络逆系统串联于发酵系统(3)前面实现发酵系统的输入输出解耦； 所述神经网络逆在线学习模块(2)对解耦后的伪线性复合系统设计闭环线性控制器，实现发酵系统(3)的高性能解耦控制，所述神经网络逆在线学习模块(2)的输入为实际发酵系统的输出(Λ , ),输出目标为实际发酵系统(3)的输入(H1JI2),用于定期更新所述神经网络逆控制器。2.一种生物发酵过程在线神经网络逆控制器的构造方法，其特...

【专利技术属性】
技术研发人员：梅从立，廖志凌，黄文涛，束栋鑫，江辉，刘国海，
申请(专利权)人：江苏大学，
类型：发明
国别省市：