建模技术在发酵控制中的应用简述

张敬玲

（无锡商业职业技术学院，江苏 无锡 214153）

建模技术在发酵控制中的应用简述

张敬玲

（无锡商业职业技术学院，江苏 无锡 214153）

微生物发酵过程是一个非线性、高时变性、不确定性的生化过程，一些重要的过程变量不能在线测量，使得发酵过程的建模更为复杂。文章阐述了发酵建模技术的特点及常用方法即机理建模、模糊建模、神经网络建模、模糊神经网络建模在实际生产中发挥的作用。

发酵;建模技术

发酵过程是技术密集型的产业，在轻工食品、化工、医药卫生等领域发挥着重要作用。它有以下几个特点：（1）动力学模型呈强非线性。（2）发酵参数变化莫测，发酵过程中的参数根本无法用数学模型来精确地描述。（3）菌体生长与产物的合成不平行：菌体生长和产物分泌是发酵过程中的两个阶段。菌体生长经过一段时间后，产物才开始分泌。（4）理论产量不易用物料平衡来获取。（5）生产稳定性有待提升。（6）控制难度巨大：有些重要变量如产物浓度、菌体浓度等不能在线测量，需人工采样后采用离线分析的方法获得，这样数据滞后加大，控制效果不佳。发酵过程的这些特性使得基于传统控制如PID等的控制理论难以适应及满足发酵过程控制的优化要求。

因此，要充分利用现代化手段，重点解决和克服优化控制技术提出的难题，建模技术为发酵控制提供了解决难题的方法，它可以充分利用生产过程中长期积累的数据和发酵机理为发酵过程提供更好的控制效果。

一、发酵过程建模概述

1.发酵建模的目的

建立模型的目的在于:（1）深入了解生态过程的动态特性；（2）准确预测系统的参数；（3）估计一些状态变量；（4）设计实验并验证一些假设；（5）对发酵过程控制开展仿真研究。

2.发酵建模的困难

近年来，蒋慰孙、王骥等学者提出了生化过程建模困难在于：（1）生化过程机理十分复杂，利用机理建模难度高，得到的模型应用范围、精度、实用性都不尽如人意；（2）生化参数检测手段落后，许多关键参数无法实现实时在线测量；（3）生化过程的不可逆性致使建模相当困难。

二、建模模型

基于发酵过程控制中的以上问题，为了确实解决发酵过程一些关键参量无法实时在线直接获取的困难，主要采用了离线分析数据加数学模型的方法进行预测估计。系统分别对被控对象的运动过程机理及数学模型进行分析和描述，使它们可以有机地结合，从而研制出三类建模模型：白箱模型，利用先验知识与机理组合，确定模型结构；灰箱模型，利用已知物理机理，但参数需辨识，另称为半经验型；黑箱模型，因物理机理未知，所以要用智能技术与实际生产数据相结合来获得模型结构，故又称为经验模型。

三、常用建模方法

在实际工作应用中，任何模型都要“有的放矢”，经得起“实践”的考验和校正。建模的方法多种多样，但无论何种方法，都要满足模型准确、易维护、易构建、实时反应系统变化能力的要求。目前，常用的建模方法有：

1.机理建模方法

机理建模方法就是以工作对象的物理机理为基础，根据基本的物理定律和结构数据，得到完全能描述其动、静态特性的数学模型。其模型形式有代数方程、偏微分方程、微分方程等;系统可以是离散系统、线性系统等。这种方法要对被控系统的特性十分熟知、透彻了解，对所涉及的理论和数据要求十分严格，它的优点是可以揭示系统内在联系和规律，常常被广泛地应用于生产工艺机理简明、过程本身的机理模型研究较深入的生产过程中，缺点是机理模型的预测能力十分有限，这是因为发酵过程本身是强非线性和时变性的，其动态特性常常是部分未知的或是完全未知的。

2.模糊建模方法

自19世纪60年代美国加州大学电气工程系Zadeh教授创立模糊集理论以来，模糊逻辑在系统建模和控制上都得到了非常广泛的应用。对于一个纷繁复杂的、不确定的系统，以传统方式根本无法确定其工作机理与精确的数学模型，只有用模糊的逻辑和语言方能明确表达系统的信息，因此模糊建模方法比较能够描述非线性过程的特性。它十分善于表达专家知识和现场丰富的经验，模糊推理的方式类似于人的大脑思维方式，能够将人类已经成熟的控制经验用于建模之中。它是以系统输入、输出样本数据为依据，用以描述系统的模糊规则和隶属函数，对系统进行辨识，从而建立系统模型。

3.神经网络建模方法

神经网络是由大量的简单并行处理单元所构成的非线性系统，是对人脑的抽象和模拟，它具有以下特点：（1）高度非线性：神经网络能以任意精度逼近任何非线性连续函数；（2）自学习能力：神经网络可以从训练中总结出规律性的知识，并存储于网络的权值中，且具有泛化能力；（3）多变量系统：神经网络的输入和输出变量的数目理论上是任意的，可以应对单变量系统和多变量系统。它能解决许多传统方法难以解决甚至无法解决的问题，同时它也可以处理那些不完整的、不确定的甚至是异常模糊的信息。

神经网络因为理论上可以实现以任意的逼近任何非线性映射，故又被称为“万能逼近器”，其主要应用于发酵过程的状态预测和模式识别，同时又能与其他的控制方法相结合，实现对发酵过程的最优控制。

4.模糊神经网络建模方法

模糊系统善于表达人类丰富的知识和经验，但是模糊逻辑系统灵活性差，缺乏自学习和自适应能力，模糊逻辑控制规则及其隶属度函数的建立，过分依赖经验。而神经网络拥有很强的自学习、并行性、可变性、自组织性、联想性等的功能，但是它也存在着不足：一是神经网络不善于表达显性知识，常常将网络训练参数初值设为零或经验值，降低了网络工作效率；二是节点的权值是经过千万次训练后得到的，信息存储于节点中，人类很难识别，这就降低了模型的可辨性。随着人工智能技术的飞速发展，神经网络和模糊逻辑技术融合从而形成了模糊神经网络（FNN），神经网络在模糊神经网络中发挥了人脑的硬件作用，利用神经网络结构实现了模糊系统，模拟技术在模糊神经网络中发挥了人脑的软件作用，提高了网络可解释性和灵活性，因此，模糊神经网络兼顾了模糊系统与神经网络的优点即集模糊信息处理、自动识别、联想、自适应等于一体，提高了整个系统的表达能力和学习能力。

四、常用建模方法的对比

四种建模方式在微生物发酵过程发挥了不同的作用。机理建模一般用于生产工艺比较简单的、机理十分深入的生产过程，所有信息可以通过数学模型表达；模糊系统建模是利用模糊系统善于表达人类长期积累的经验性知识，善于灵活处理模糊性的信息，但模糊系统的规则集和隶属函数十分依赖经验来进行选择，难以实现自动设计和调整；神经网络建模是利用神经网络自学功能，根据输入输出样本可以实现自动设计和调整系统参数的功能，预测能力很强，但很多信息存储在网络节点中，人类不易识别；模糊神经网络是系统与神经网络的融合产物，在实际生产应用中充分发挥了二者的优势于一体，进一步体现了人工智能在生产活动中的核心作用。

［1］习毅.发酵过程预测控制研究［D］.无锡:江南大学，2008.

［2］王宇智.微生物发酵过程建模及控制开发环境的研究［D］.天津:天津科技大学，2003.

［3］项红.青霉素发酵过程仿真建模及训练系统［D］.北京：北京化工大学，2001.

［4］阎鑫，谷丰，张振宙.消泡控制系统在味精发酵方面的应用［J］.发酵科技通讯，2004，（2）:47-47.

［5］李海波.发酵过程建模与优化方法研究及其软件设计［D］.无锡:江南大学，2005.

［6］潘丰.生化过程智能控制研究［D］.无锡:江南大学，2001.

［7］童豪.生物发酵过程中的软测量技术应用研究［D］.浙江:浙江大学，2001.

［8］何朝峰.基于模糊神经网络的发酵过程建模与控制［D］.昆明:昆明理工大学生，2003.

［9］肖杰.基于呼吸商在线检测的谷氨酸发酵过程控制研究［D］.无锡：江南大，2008.

［10］张永忠.一种新的模糊系统建模方法研究与应用［J］.冶金自动化，2004，（9）.

［11］张彦青，张五九.基于神经网络的大生产规模啤酒发酵过程建模［J］.食品与发酵工业，2007，（9）.

［12］王健，陈宁.基于BP神经网络的L-色氨酸发酵过程建模［J］.天津轻工业学院学报，2003，（2）.

［13］殷铭张兴华.基于模糊神经网络的发酵过程溶解氧预估控制［J］.控制与决策，2000，（15）.

TU

A

1673-0046（2010）10-0178-02

附表：常见建模方法对比