發(fā)酵過程的軟預報、分類和調(diào)度優(yōu)化算法研究.pdf

1、生物發(fā)酵過程機理復雜、復現(xiàn)性差、波動大。微生物濃度和產(chǎn)物濃度等關鍵變量的在線檢測困難，阻礙了過程控制方案的有效實施。若采用密集離線測量的方案則勞動強度則太高，對于采用多罐并行操作的大型工廠，尤不可取。所有這些都加大了生物發(fā)酵過程調(diào)度優(yōu)化的實施難度。 同微生物濃度、糖耗和產(chǎn)物濃度等過程變量相比，效益函數(shù)能夠更好地反映過程的經(jīng)濟行為、描述過程的投入和產(chǎn)出的關系，是過程運行狀態(tài)的最直接的、最靈敏的一個指標，是發(fā)酵過程的一個特征變量。獲

2、得它的實際值和預報值對于過程的調(diào)度優(yōu)化將十分有利。 本文以青霉素發(fā)酵過程為例，采用人工神經(jīng)網(wǎng)絡，研究了一種滾動學習的預測方法，較好地解決了過程關鍵狀態(tài)如產(chǎn)量和產(chǎn)物濃度等的寬區(qū)間、高精度預報問題。然后對于效益函數(shù)的在線計算作了詳細的分析介紹，并基于產(chǎn)物濃度的預報值計算得出了效益函數(shù)的預報值。為了實現(xiàn)過程的調(diào)度優(yōu)化，文章提出先采用效益函數(shù)的變形——分類函數(shù)將運行中的各罐批在線區(qū)分為高效益、平均水平罐批及低效益罐批(亦即優(yōu)中劣)三類。