卓戎[1]2004年在《酵母发酵乙醇浓度智能测控方法的研究》文中进行了进一步梳理微生物发酵是生化工程和现代生物技术及其产业化的基础。发酵过程控制和优化直接影响着发酵的产量和质量，对其研究具有重要的理论意义和应用价值。发酵过程是时变、非线性、带约束的多输入多输出复杂系统，涉及生命体的生长繁殖，机理十分复杂，难以通过机理分析建立发酵过程控制和优化模型。人工智能技术具有自学习、自适应和自组织的功能，为发酵过程控制和优化建模提供了一条有效的途径。 本文以酵母发酵生产谷胱甘肽过程中的乙醇浓度为对象，针对发酵系统时变、非线性、参数间存在交叉耦合的特点，应用人工智能技术，研究乙醇浓度的智能测控方法；建立了基于神经网络的乙醇浓度软测量模型，实现乙醇浓度在线高精度检测；结合模糊理论，设计了用于酵母发酵系统乙醇浓度控制的模糊控制器。 仿真实验结果表明，所建立的乙醇浓度软测量模型能以一定的精度实现乙醇浓度的在线检测；所设计的乙醇浓度模糊控制器能够用于酵母发酵过程，具有较好的控制效果。
赵利强[2]2009年在《发酵过程智能测控系统关键技术研究》文中指出生物发酵是生物工程和现代生物技术及其产业化的基础。随着生物工程技术的进步和发酵工业生产规模的不断扩大,迫切需要对发酵过程进行先进的控制和优化。现有的发酵测控系统(如MCU、IPC、PLC、DCS、FCS)缺少关键生物参量(如底物浓度、菌体浓度、产物浓度)检测的智能检测单元,生物发酵过程机理复杂,具有高度的非线性、时变性,难以实现这些关键生物参量的在线检测；且这些测控系统结构上均为单元式结构,开放性和可靠性较差,使得先进优化控制算法和策略难以工业化应用,不能满足发酵过程优化控制的需要,因此,研究具有智能检测单元的发酵过程智能测控系统及其关键技术具有重要的理论意义和应用价值。本文在详细分析现有发酵过程测控系统集成方法及关键技术研究现状基础上,对发酵过程智能测控系统集成方法及关键技术进行研究。提出了发酵过程智能测控系统集成方法；讨论了发酵过程智能测控系统的开放性和可靠性,并研究了系统软件体系结构；给出了发酵过程智能测控系统的实现方法。发酵过程智能测控系统集成了基于人工智能技术的智能检测单元,为发酵工业智能测控系统的发展提供了新的途径。由于生物发酵过程机理十分复杂,造成传统的单一建模方法难以取得很好的建模效果。因此,提出了一种利用状态空间模型和支持向量机的生物参量混合软测量建模方法。该方法针对复杂的发酵过程机理模型,利用群能量守恒粒子群优化算法(SECPSO),建立了发酵过程简化机理模型,将其作为混合软测量模型的状态方程；基于支持向量机(SVM)构建了状态空间模型中的非线性测量补充方程。该方法建立的混合模型能够较完善地描述发酵过程特征,具有较高的建模精度,为解决生物参量高精度在线检测提供了一种有效的方法。根据强跟踪有限差分扩展卡尔曼滤波(STFDEKF)的思想,给出了一种带弱化因子的强跟踪不敏卡尔曼滤波(STUKF)算法；为了进一步提高STUKF对于噪声方差的鲁棒性,将自适应噪声估计器引入STUKF,提出了一种自适应强跟踪不敏卡尔曼滤波(ASTUKF)算法。该算法在保证一定滤波精度的条件下,对系统各个初始参数均具有较强鲁棒性,且算法简单,数值稳定性好,能够用于生物发酵过程状态高精度在线估计；同时该算法能够直接应用于各种类型的复杂非线性系统,具有很好的工程应用价值。建立了工业酵母发酵过程仿真模型,基于该模型进行了工业酵母发酵混合软测量模型的建模和非线性状态估计实验,实验结果验证了混合软测量建模方法的正确性和有效性,表明ASTUKF滤波算法适合于发酵过程状态估计,并在保证滤波精度的同时,具有较强数值稳定性和鲁棒性；利用青霉素发酵过程仿真系统进行软测量混合建模,在得到混合模型基础上进行发酵过程生物参量的在线状态估计实验,通过实验验证了软测量混合模型建模方法中SVM测量补充方程对滤波结果的补偿作用。通过上述实验结果可知,利用所提出的软测量混合建模方法与ASTUKF滤波算法进行发酵发酵过程状态估计,可以有效地增强系统对于噪声和未建模误差干扰的鲁棒性,极大地促进了发酵过程智能检测技术工程化应用的发展。集成了基于PXI总线的发酵过程智能测控系统,将该系统用于L-乳酸发酵过程优化控制中,实现了L-乳酸发酵过程的优化控制,提高了发酵产物的最终得率。实验表明,所提出的发酵过程智能测控系统集成方法正确可行,所集成的测控系统是实现发酵过程优化控制的优秀平台,是发酵过程智能优化控制算法实用化应用中不可缺少的关键系统。本文所提出的发酵过程智能测控系统体系结构具有很好的开放性与可靠性,为发酵智能测控系统的构建提供了新的途径,具有指导意义；所集成的基于PXI总线的发酵过程测控系统不仅能够实现关键参量的在线检测和控制,同时在发酵过程控制领域有着广泛的应用前景。
薛尧予[3]2010年在《群能量守恒粒子群算法及其在发酵过程控制中的应用研究》文中研究说明发酵工程是生化工程和现代生物技术及其产业化的基础。在发酵工程领域,为了提高发酵水平和生产率,更多的研究工作集中在菌种的筛选和改造上。尽管现代生物技术的发展,在基因工程和代谢工程领域内有了长足的进展,通过诱发变异、基因重组和培养能够得到高产菌株,然而,通过优化模型和控制以使发酵过程产品生产最优仍是发酵工程领域中存在的主要问题之一,因此对生物发酵过程模型优化及优化控制的研究日益受到重视。粒子群优化算法原理简单、易于实现,且适合于复杂优化问题的求解,因此,将粒子群优化算法引入发酵领域进行模型参数估计为发酵过程模型优化提供了有效途径。发酵过程的优化控制目标多种多样(最大生产率、最大终止时刻产量或最高原料转化率等),发酵领域中处理多目标问题的传统方法(目标加权合并、目标转化为约束等)实施困难且易丢失非凸目标函数最优解以至决策失误。基于粒子群优化的多目标算法由于在搜索中具有多向性和全局性,同时可以处理所有类型的目标函数和约束,因此非常适合求解发酵过程中复杂的多目标优化控制问题。本文在分析现有粒子群算法研究现状的基础上,对标准粒子群算法在寻优过程中容易过早收敛、陷入局部最优的现象进行研究,应用能量守恒原理,通过引入粒子最差位置提出了一种群能量守恒粒子群优化算法。该算法根据粒子内能进行动态分群,对较优群体采用引入最差粒子的速度更新策略,加快较优群体收敛速度；对较差群体采用带有惩罚机制的速度更新策略,补偿较优群体速度降低产生的整群能量损失,避免算法陷入局部最优。典型优化问题的仿真结果表明,该算法具有更强的全局搜索能力和更快的收敛速度。对多目标进化算法在寻优过程中的收敛性和分布性问题进行研究,提出一种群能量守恒多目标粒子群优化算法。该算法在粒子速度和位移计算中引入粒子群体能量守恒机制,并将该机制同非支配排序方法、自适应网格机制以及精英保留策略进行有机结合,提高粒子搜寻能力,避免陷入次优非支配前沿。将该算法和非支配排序遗传算法分别作为子种群进化规则,构造基于种群间优劣互补的多目标协同进化算法。与经典多目标进化算法的比较测试结果表明,所提算法具有更好的解分布性和收敛性。在发酵过程优化控制方法研究上,针对批次发酵过程模型不准确和过程参数不稳定特点,利用批次流加过程中的反复迭代特性提出一种用于批次流加发酵过程的批次间协同优化控制方法。该方法将群能量守恒粒子群算法、多目标粒子群算法和批次间优化控制有机地结合起来,用上一轮批次流加发酵过程的数据进行过程模型参数辨识,并将更新的过程模型用于新一轮发酵过程中进行操作条件优化。基于工业酵母发酵过程仿真模型进行批次间协同优化控制方法实验,结果表明该方法有效地解决了批次流加发酵过程中的模型不准确和状态不稳定问题,实现了批次流加发酵过程优化控制。本文所提出的群能量守恒粒子群算法具有更强的全局搜索能力和更快的收敛速度；所提出的群能量守恒多目标粒子群优化算法具有很好的收敛性和分布性；基于群能量守恒粒子群算法和进化多目标协同算法的批次间协同优化控制方法为生物发酵过程优化控制提供了有效途径。
肖凯[4]2010年在《基于模糊集的发酵过程流加控制方法研究》文中进行了进一步梳理微生物发酵是生物工程和现代生物技术及其产业化的基础。发酵过程的控制和优化直接影响着发酵的产量和质量。发酵过程涉及生命体的生长繁殖,机理复杂,具有时变、非线性等特点,当采用流加的方法控制补料时,没有合适的控制和优化模型可循,稳定性和控制水平不能满足发酵过程优化控制的需要。因此,发酵过程流加控制方法的研究具有重要的理论意义和应用价值。本文在详细分析酵母发酵过程流加控制的基础上,结合模糊理论,提出了一种基于模糊集的酵母发酵分段流加控制方法,该方法将乙醇浓度作为发酵过程关键被控参量,通过对流加补料速度的调控,实现对发酵过程乙醇浓度的控制。利用半导体气敏传感器,结合汽液平衡关系原理,给出了一种微生物发酵乙醇浓度在线检测模型,利用LM优化算法确立了发酵过程乙醇浓度在线检测模型的参数；设计了基于模糊集的发酵过程流加控制器,给出了测控系统的软硬件构成,集成了基于模糊集的发酵过程测控系统。实验研究表明,所提出的乙醇浓度在线检测模型能实现乙醇浓度的在线检测；所设计的基于模糊集的控制器用于酵母发酵生产谷胱甘肽过程,实现了谷胱甘肽发酵过程优化控制,有效提高了产物得率。
黄振林[5]2005年在《微生物发酵乙醇浓度在线检测技术及其仪器化研究》文中研究表明微生物发酵工程是生化工程和现代生物技术及其产业化的基础。乙醇浓度是发酵过程中重要的过程参数,直接影响着发酵过程的控制和优化,以及发酵产物的质量和产量。为了对发酵过程进行有效的优化控制,使先进的控制算法与策略得以实际应用,迫切需要对乙醇浓度参数进行在线实时检测。由于受生物传感技术发展水平的限制,目前乙醇浓度的检测大多采用离线的方法,不仅滞后大,且容易污染发酵液;在线检测技术尚不成熟,缺乏智能性。因此,研究微生物发酵过程中乙醇浓度在线检测技术,研制智能化乙醇浓度在线检测仪具有重要的理论意义和实际应用价值。 本文在详细分析微生物发酵过程中乙醇浓度检测技术及仪器化的基础上,研究了乙醇浓度在线检测技术,给出了在线检测原理;将虚拟仪器技术与系统辨识相结合,建立了乙醇浓度的在线测量模型及相应算法,研制了乙醇浓度在线检测仪,并对该检测仪的测量精度和误差补偿方法进行了研究。该检测仪采用半导体气敏元件来实现乙醇浓度的探测;利用嵌入式技术,以微控制器(MCU,Micro Controller Unit)为核心的嵌入式系统完成信号采集、数据分析与处理;并通过RS-485总线和控制器局域网(CAN, ControllerArea Network)总线通讯接口,实现了与发酵智能测控系统的通讯。 实验研究表明,乙醇浓度在线检测原理正确可行,所研制的检测仪具有较高的检测精度,能适应多种混合物溶液的乙醇浓度检测,能够实现乙醇浓度在线检测的各种设计功能,很好地满足了微生物发酵工业生产自动化的要求。
郇黎明[6]2006年在《基于虚拟仪器技术的发酵智能测控系统集成与应用研究》文中进行了进一步梳理微生物发酵工程是生物工程和现代生物技术及其产业化的基础。随着发酵生产过程规模的不断扩大，迫切要求对发酵过程进行先进的控制和优化，然而，发酵过程具有非线性、时变性和生物参数难以在线检测等特点，并且目前所使用的发酵测控系统只能实现发酵过程常规参数的检测和控制，缺少生物参数在线检测功能。因此，研究具有智能检测功能的发酵智能测控系统的集成方法，具有重要的实际应用价值。 本文在详细分析发酵测控系统集成及其研究现状的基础上，将虚拟仪器技术应用到发酵测控系统中，研究基于虚拟仪器技术的发酵智能测控系统的集成与应用，给出了发酵智能测控系统的体系结构、功能描述和集成原理；结合PXI总线虚拟仪器技术，集成了具有智能检测功能和控制功能的发酵智能测控系统，给出了该系统的软硬件设计和实现方法，并将该系统应用到谷胱甘肽发酵过程实验研究中。 实验研究表明，给出的基于虚拟仪器技术的发酵智能测控系统集成方法正确可行，集成的发酵智能测控系统具有发酵过程生物参数智能检测功能和控制功能。该系统通用性、实用性强，开放性好，并能应用于多种发酵生产过程，具有广泛适用性。
曹斌辉[7]2011年在《提高酵子发酵力研究》文中指出酵子是我国传统的面食发酵剂，有着酵母不及的优势。然而酵子发酵力低下，品质不稳定，限制了其在工业化应用。本课题从起发酵作用的酵母菌入手，在合适的糖液中进行扩培后利用摇瓶培养方法研究了微量元素对酵子的影响，在此基础上采用流加米酒糖液的方法制作酵子，最终对产品酵子进行了应用检验。同时由于米酒是酵子的主要原料之一，对其也进行了相关研究。具体结果如下：过夜酵子发酵面团中分离纯化出的菌种MT1发酵性能高于其它菌源中的菌种，经初步鉴定为子囊菌门，半子囊菌纲，酵母目，酵母科，酵母属，酿酒酵母。米酒是制作酵子的主要原料之一，选取还原糖含量高、出汁率高、残余酒精含量低、糖化力强和酵母菌霉菌数量丰富的作为后续试验米酒制作因素水平。结果显示加水量60%、加曲量2%和发酵温度30℃为相对合适水平。酵母菌的扩大培养基底液选用11°Bx的麦芽糖液比用米酒糖液酵母菌消耗还原糖量大，数目多。利用摇瓶制作酵子，对米粉添加量、摇瓶培养时间、氮源种类及一些微量元素进行单因素试验，得出：米粉添加量为30g·L~(-1)、摇瓶培养时间为24h、生物素：0.12mg·L~(-1)硫酸亚铁：5mg·L~(-1)、硫酸锰：3.8mg·L~(-1)、硫酸铜：0.78mg·L~(-1)、硫酸锌：22.5mg·L~(-1)、硫酸镁：0.5mg·L~(-1)，其它微量元素如盐酸硫胺、D-泛酸钙、肌醇、氯化钙、碘化钾和磷酸二氢钾以及氮源均不需再另外添加。响应面优化结果显示：生物素、硫酸亚铁、硫酸锰、硫酸铜、硫酸锌、硫酸镁添加量分别为0.13mg·L~(-1)、6.51mg·L~(-1)、3.59mg·L~(-1)、0.67mg·L~(-1)、20.85mg·L~(-1)、0.51mg·L~(-1)。生物素与硫酸亚铁、硫酸亚铁与硫酸铜之间存在高度显着的交互作用。30℃时适合于酵母菌生长，流加培养制得的酵子发酵力相对最好；接种量对酵子中酵母菌数量的影响不明显，但对酵子发酵力作用关键，接种量10%时酵子发酵力相对最高；加入糊化米粉比生米粉有利于酵母生长；初加灭菌米酒酵子活力明显提高；间歇补料使能源物质更充足，酵母菌生长旺盛；添加3倍的微量元素酵子产气快；流加培养若时间短，则酵母菌生长不成熟，酵子发酵力低，反之，则酵母菌活性低，发酵力低，实验结果表明20h最合适。采用流加米酒糖液的方法制的酵子，在发酵力、发酵面团特性、馒头特性以及感官评分等方面都优于传统酵子和老面。其制作的馒头的感官总评分与酵母馒头一样，但是风味特性远好于纯酵母发酵制作的馒头。
刘唐江[8]2014年在《不完全量测下CKF滤波算法研究及其在发酵过程中的应用》文中进行了进一步梳理在非线性系统的状态估计中,不同测量值采样频率不同、过重的计算负荷和某些关键量的测量延时等原因会导致不完全量测现象的出现,非线性滤波算法中如何有效利用不完全量测信息是解决不完全量测下的非线性滤波状态估计的重要手段。目前广泛采用的非线性滤波是容积卡尔曼滤波(Cubature Kalman Filter, CKF),它具有良好滤波性能,特别对于高维非线性系统状态的估计具有较高的精度。发酵过程是典型的复杂高维非线性系统,在非线性滤波算法中有效利用发酵过程中的延迟测量等不完全量测信息是提高发酵过程状态估计精度的关键。因此,研究不完全量测下CKF滤波算法及其在发酵过程中的应用具有重要的理论意义和工程实用价值。本文在分析自适应鲁棒非线性滤波方法基础上,给出了一种自适应鲁棒平方根CKF算法(adaptive robust square-root CKF,ARSCKF),有效克服了模型不确定性和噪声统计特性不正确对滤波性能的影响；研究了不完全量测下滤波理论和方法,结合采样点扩维方法提出了一种量测滞后下的CKF算法,该方法能有效利用量测滞后数据提高状态估计精度,可以用于采样时间和延时时间都不确定的量测滞后数据；将量测滞后下的自适应鲁棒SCKF滤波算法应用到发酵过程状态在线估计中。仿真实验表明,自适应鲁棒SCKF算法具有鲁棒性和噪声自适应性,状态估计精度和滤波稳定性较高；所提出的不完全量测下的CKF算法能有效利用采样时间和延时时间不定的量测滞后数据提高关键变量估计的精度,计算量较小；将量测滞后下的自适应鲁棒SCKF算法应用到发酵过程状态估计中,取得了良好的效果,为解决发酵过程状态在线估计提供了一种新的方法。
参考文献：
[1]. 酵母发酵乙醇浓度智能测控方法的研究[D]. 卓戎. 北京化工大学. 2004
[2]. 发酵过程智能测控系统关键技术研究[D]. 赵利强. 北京化工大学. 2009
[3]. 群能量守恒粒子群算法及其在发酵过程控制中的应用研究[D]. 薛尧予. 北京化工大学. 2010
[4]. 基于模糊集的发酵过程流加控制方法研究[D]. 肖凯. 北京化工大学. 2010
[5]. 微生物发酵乙醇浓度在线检测技术及其仪器化研究[D]. 黄振林. 北京化工大学. 2005
[6]. 基于虚拟仪器技术的发酵智能测控系统集成与应用研究[D]. 郇黎明. 北京化工大学. 2006
[7]. 提高酵子发酵力研究[D]. 曹斌辉. 河南工业大学. 2011
[8]. 不完全量测下CKF滤波算法研究及其在发酵过程中的应用[D]. 刘唐江. 北京化工大学. 2014