紅黴素發酵過程變量的神經網絡逆軟測量方法及軟儀表構造的製作方法

2023-07-25 12:53:21

專利名稱：紅黴素發酵過程變量的神經網絡逆軟測量方法及軟儀表構造的製作方法
技術領域：
本發明是一種用於解決紅黴素發酵過程中難以用傳感器在線實時測量的菌絲濃度、總糖濃度和化學效價這三個關鍵變量的在線估計問題，屬於軟測量及軟儀表構造的技術領域。
背景技術：
在許多化工、生化過程控制場合，存在一類這樣的變量它們與產品質量密切相關，需要嚴格控制。但由於技術或者經濟的原因，目前尚難以或者無法通過傳感器直接檢測這些變量。為了解決這類變量的測量問題，產生了軟測量技術。所謂軟測量，就是選擇與被估計變量(即被測量)相關的一組直接可測變量(稱為輔助變量)，構造某種以直接可測變量為輸入、被估計變量為輸出的模型，用計算機軟體來實現的估計。目前採用的軟測量方法，多數基於線性系統理論，對於化工、生化過程這樣的非線性特性嚴重的複雜過程，這種方法只能在小的工作區域內有效，不能解決整個工作區域的變量的軟測量問題。
由於人工神經網絡(簡稱神經網絡)具有逼近複雜非線性函數的能力，它在軟測量領域內的應用所形成的基於神經網絡的軟測量方法，為生化、化工過程的關鍵變量的軟測量問題的解決，提供了有力的手段。但目前在對基於神經網絡的軟測量方法的研究與應用中存在一些問題，主要是對輔助變量的選擇(包括輔助變量的導數階次的選擇)，神經網絡結構的選擇缺乏必要的理論基礎，大多採用嘗試性的實驗或者統計的方法去選擇，使軟測量的結果不佳甚至得出錯誤的結果。因此，必須尋求新的方法，不僅能確切地知道哪些輔助變量影響關鍵變量，還要明確地知道這些輔助變量導數的具體階次。

發明內容
技術問題本發明的目的是提供一種紅黴素發酵過程變量的神經網絡逆軟測量及軟儀表構造方法，即是一種紅黴素發酵過程非常重要但是難以用傳感器在線實時測量的變量(包括菌絲濃度、總糖濃度和化學效價)的在線估計方法及相應的軟儀表的構造方法。
技術方案本發明的紅黴素發酵過程變量的神經網絡逆軟測量方法依據紅黴素發酵過程的模型，選擇確定紅黴素發酵過程的在線直接可測的流加輸入量(簡稱流加輸入量)、在線直接可測輸出量(簡稱可測輸出量)和需離線分析的不直接可測量(簡稱離線分析量)；然後再選擇確定紅黴素發酵過程的內含傳感器的主輸入量、輔輸入量和輸出量，並建立內含傳感器的模型(該內含傳感器是一個假想的傳感器，其主輸入量是菌絲濃度x1、總糖濃度x2、化學效價x3，輔輸入量是糊精流加速率u1、豆油流加速率u2、丙醇流加速率u3、水流加速率u4、氨水流加速率u5，輸出量是溶氧x4、pH值x5、體積x6。可以認為內含傳感器是包含在紅黴素發酵過程中的一個子系統，其主輸入量、輔輸入量與輸出量間滿足紅黴素發酵過程模型的變量約束關係，但在實際的紅黴素發酵過程中，並不存在這樣的一個物理傳感器)；在此基礎上依據求反函數方法建立內含傳感器逆的模型，確定內含傳感器逆的主輸入量、輔輸入量和輸出量；然後採用靜態人工神經網絡加8個微分器並通過對靜態人工神經網絡的訓練確定各權係數構造神經網絡逆，來實現該內含傳感器逆；最後將神經網絡逆串接在紅黴素發酵過程之後，實現對菌絲濃度x1、總糖濃度x2、化學效價x3的在線軟測量。
本發明的紅黴素發酵過程的在線直接可測的流加輸入量為糊精流加速率u1、豆油流加速率u2、丙醇流加速率u3、水流加速率u4、氨水流加速率u5，在線直接可測輸出量為溶氧x4、pH值x5、體積x6，需離線分析的不直接可測量為菌絲濃度x1、總糖濃度x2、化學效價x3。
本發明的紅黴素發酵過程的內含傳感器的主輸入量為菌絲濃度x1、總糖濃度x2、化學效價x3；輔輸入量為各流加輸入量，即糊精流加速率u1、豆油流加速率u2、丙醇流加速率u3、水流加速率u4、氨水流加速率u5；輸出量為溶氧x4、pH值x5、體積x6；該內含傳感器可逆；內含傳感器逆的主輸入量為溶氧x4、pH值x5、體積x6，輔輸入量為糊精流加速率u1、豆油流加速率u2、丙醇流加速率u3、水流加速率u4、氨水流加速率u5，輸出量為菌絲濃度x1、總糖濃度x2、化學效價x3。
本發明的神經網絡逆有8個輸入節點、3個輸出節點，是由具有16個輸入節點、3個輸出節點的靜態人工神經網絡加8個微分器構成。
本發明的靜態人工神經網絡的各權係數通過現場數據採集、離線數據處理、用數據訓練靜態人工神經網絡確定。
本發明的具體的神經網絡逆軟測量方法是首先根據紅黴素發酵過程的模型x1=x1-x1x6(u1+u2+u3+u4+u5)x2=-x1+k15x6u1-x2x6(u1+u2+u3+u4+u5)x3=x1-k16x1-x3x6(u1+u2+u3+u4+u5)x4=-x1-k17x4-x4x6(u1+u2+u3+u4+u5)+k18x5=x1+k19u5-k20u2-k15u1x6-x5x6(u1+u2+u3+u4+u5)x6=u1+u2+u3+u4+u5]]>其中有糊精流加速率u1、豆油流加速率u2、丙醇流加速率u3、水流加速率u4、氨水流加速率u5、菌絲濃度x1、總糖濃度x2、化學效價x3、溶氧x4、pH值x5、體積x6； 是菌絲濃度導數， 是總糖濃度導數， 是化學效價導數， 是溶氧導數， 是pH值導數， 是體積導數；μ，π，σ，η，ψ都是菌絲濃度x1、總糖濃度x2、化學效價x3、溶氧x4、pH值x5的函數，ki(15≤i≤20)為非零常數。
結合實際情況，選擇確定紅黴素發酵過程的各流加輸入量為糊精流加速率u1、豆油流加速率u2、丙醇流加速率u3、水流加速率u4、氨水流加速率u5，選擇確定在線直接可測輸出量為溶氧x4、pH值x5、體積x6，選擇確定需離線分析的不直接可測量為菌絲濃度x1、總糖濃度x2、化學效價x3；接著選擇確定紅黴素發酵過程中的內含傳感器的主輸入量為菌絲濃度x1、總糖濃度x2、化學效價x3，輔輸入量為糊精流加速率u1、豆油流加速率u2、丙醇流加速率u3、水流加速率u4、氨水流加速率u5，輸出量為溶氧x4、pH值x5、體積x6，並建立內含傳感器的模型x4x4x5=fs1(x1,x2,x3,x4,x5,x6,u1,u2,u3,u4,u5,u1,u2,u3,u4,u5)fs2(x1,x2,x3,x4,x5,x6,u1,u2,u3,u4,u5,u1,u2,u3,u4,u5)fs3(x1,x2,x3,x4,x5,x6,u1,u2,u3,u4,u5,u1,u2,u3,u4,u5)]]>其中 是糊精流加速率導數， 是豆油流加速率導數， 是丙醇流加速率導數， 是水流加速率導數， 是氨水流加速率導數， 是溶氧二階導數；fs1、fs2、fs3都表示非線性函數關係。
在此基礎上依據求反函數的方法推導出內含傳感器逆的模型x1x2x3=fsz1(u1,u2,u3,u4,u5,u1,u2,u3,u4,u5,x4,x5,x6,x4,x4,x5)fsz2(u1,u2,u3,u4,u5,u1,u2,u3,u4,u5,x4,x5,x6,x4,x4,x5)fsz3(u1,u2,u3,u4,u5,u1,u2,u3,u4,u5,x4,x5,x6,x4,x4,x5)]]>其中fsz1、fsz2、fsz3都表示非線性函數關係。
該內含傳感器逆模型即為菌絲濃度x1、總糖濃度x2、化學效價x3的軟測量模型。然後採用靜態人工神經網絡加8個微分器並通過對靜態人工神經網絡的訓練(確定靜態人工神經網絡的各權係數)構造該內含傳感器逆——稱為神經網絡逆。將得到的神經網絡逆串接在紅黴素發酵過程之後，即可實現對菌絲濃度x1、總糖濃度x2、化學效價x3的軟測量。
神經網絡逆的構造方法為用具有16個輸入節點、3個輸出節點靜態人工神經網絡加8個微分器構成具有8個輸入節點、3個輸出節點的神經網絡逆。其中神經網絡逆的第一至第五個輸入為靜態人工神經網絡的第一至第五個輸入；神經網絡逆的第一至第五個輸入分別經1個微分器獲得的輸出為靜態人工神經網絡的第六至第十個輸入；神經網絡逆的第六個輸入為靜態人工神經網絡的第十一個輸入；神經網絡逆的第六個輸入經1個微分器獲得的輸出為靜態人工神經網絡的第十二個輸入；神經網絡逆的第六個輸入依次經2個微分器獲得的輸出為靜態人工神經網絡的第十三個輸入；神經網絡逆的第七個輸入為靜態人工神經網絡的第十四個輸入；神經網絡逆的第七個輸入經1個微分器獲得的輸出為靜態人工神經網絡的第十五個輸入；神經網絡逆的第八個輸入為靜態人工神經網絡的第十六個輸入；神經網絡逆的3個輸出分別為靜態人工神經網絡的3個輸出。
靜態人工神經網絡的各權係數的確定方法為首先採集紅黴素發酵過程的現場數據，包括每5分鐘測量一次獲得的實時數據糊精流加速率u1、豆油流加速率u2、丙醇流加速率u3、水流加速率u4、氨水流加速率u5、溶氧x4、pH值x5、體積x6，每6小時取樣化驗一次獲得的離線分析數據菌絲濃度x1、總糖濃度x2、化學效價x3；然後對實時數據分別進行五點平均濾波，並用五點求導法求出糊精流加速率導數 豆油流加速率導數 丙醇流加速率導數 水流加速率導數 氨水流加速率導數 溶氧導數 溶氧二階導數 pH值導數 對離線分析數據分別進行最小二乘擬合生成與實時數據相對應的每5分鐘一次的數據；最後用構成的訓練樣本集{u1～u5， x4， x5， x6，x1，x2，x3}對靜態人工神經網絡進行訓練，確定靜態人工神經網絡的各權係數。
神經網絡逆的具體實現即所要構造的神經網絡逆軟儀表。
神經網絡逆軟儀表可採用單片機構造。其中，紅黴素發酵過程的輸入量糊精流加速率u1、豆油流加速率u2、丙醇流加速率u3、水流加速率u4、氨水流加速率u5分別經5個流量傳感器接單片機的輸入端，紅黴素發酵過程的輸出量，即內含傳感器的輸出量溶氧x4、pH值x5、體積x6分別經溶氧傳感器、pH值傳感器、體積傳感器接單片機的輸入端。
單片機程序包括主程序和兩個中斷服務程序。單片機主程序先進行初始化，然後進入數據顯示與故障診斷的循環，如果接收到主程序結束命令，則結束主程序。主程序數據顯示與故障診斷期間，按一定時間間隔運行定時軟測量中斷服務程序，如果出現故障，則運行異常中斷服務程序。定時軟測量中斷服務程序的處理流程為首先對主程序進行現場保護，然後通過各種傳感器和A/D轉換採集流量、溶氧、pH值、體積數據，再對數據進行濾波處理，對濾波後的數據進行神經網絡逆運算，將得到的結果輸出到顯示單元的存儲器中，最後恢復現場並返回主程序。
有益效果本發明的原理是通過構造紅黴素發酵過程的內含傳感器的神經網絡逆，並將其串接在紅黴素發酵過程之後，實現對難以用傳感器在線實時測量的菌絲濃度、總糖濃度、化學效價的軟測量。它基於紅黴素發酵過程的完整非線性模型，經過嚴格的數學推導，得到了內含傳感器及內含傳感器逆的模型，並用靜態人工神經網絡加微分器的方法來構造內含傳感器逆——稱之為神經網絡逆，據此所設計出的神經網絡逆軟儀表具有較高的精度和很好的實用價值。
本發明的優點是①基於紅黴素發酵過程的模型建立了內含傳感器子系統的模型，並在此基礎上依據求反函數方法推導出軟測量模型(即內含傳感器逆模型)，由此得到的內含傳感器逆模型完全確定了軟測量模型的各輸入及輸入導數的階次，減少了常用的實驗試探確定各輸入及其導數階次的方法帶來的誤差，使軟測量的精度得到保證並有提高。
②採用紅黴素發酵過程的完整非線性模型(保留了紅黴素發酵過程的非線性特性)，由此得到的軟測量模型能在整個工作區域內實現有效測量，克服了基於線性系統理論的軟測量方法只能在小工作區域內有效的缺點。
③實際應用中，採用神經網絡逆來構造內含傳感器逆的模型，不需要求出內含傳感器逆的精確模型，不用解出逆的解析表達式，克服了傳統解析方法對模型的強依賴型，易於工程實現。
④本發明所提供的軟測量方法與軟儀表的設計方案不僅對紅黴素發酵過程有效，而且可推廣到其他的化工、生化過程，具有廣闊的應用前景。


圖1是紅黴素發酵過程1各流加輸入量、在線直接可測輸出量、需離線分析的不直接可測量的關係示意圖。紅黴素發酵過程1的流加輸入量是糊精流加速率u1、豆油流加速率u2、丙醇流加速率u3、水流加速率u4、氨水流加速率u5，在線直接可測輸出量是溶氧x4、pH值x5、體積x6，需離線分析的不直接可測量是菌絲濃度x1、總糖濃度x2、化學效價x3。
圖2是包含在紅黴素發酵過程1中的內含傳感器11示意圖。內含傳感器11的主輸入量是不直接可測的菌絲濃度x1、總糖濃度x2、化學效價x3，輔輸入量是糊精流加速率u1、豆油流加速率u2、丙醇流加速率u3、水流加速率u4、氨水流加速率u5，輸出量是溶氧x4、pH值x5、體積x6。
圖3是由紅黴素發酵過程1與內含傳感器逆3組成的軟測量原理圖。其中有紅黴素發酵過程1(含內含傳感器11)與內含傳感器逆3。內含傳感器逆3的主輸入量是溶氧x4、pH值x5、體積x6，輔輸入量是糊精流加速率u1、豆油流加速率u2、丙醇流加速率u3、水流加速率u4、氨水流加速率u5，輸出量是菌絲濃度x1、總糖濃度x2、化學效價x3。
圖4是由紅黴素發酵過程1與神經網絡逆4組成的軟測量結構圖。其中有紅黴素發酵過程1，神經網路逆4。「A1～A8」是神經網絡逆4的8個輸入，神經網絡逆4的輸出是菌絲濃度軟測量值1、總糖濃度軟測量值2、化學效價軟測量值3。
圖5是給出了神經網絡逆4內部具體結構的軟測量結構圖。包含了紅黴素發酵過程1、神經網絡逆4。其中神經網路逆4包含了靜態人工神經網絡41，8個微分器421～428。 是糊精流加速率導數， 是豆油流加速率導數， 是丙醇流加速率導數， 是水流加速率導數， 是氨水流加速率導數， 是溶氧導數， 是溶氧二階導數， 是pH值導數。「I1～I16」是靜態人工神經網絡的16個輸入。
圖6是訓練靜態人工神經網絡41的結構框架圖。e1是訓練樣本集中的菌絲濃度x1與菌絲濃度軟測量值1的差，e2是訓練樣本集中的總糖濃度x2與總糖濃度軟測量值2的差，e3是訓練樣本集中的化學效價x3與化學效價軟測量值3的差。
圖7是神經網絡逆軟儀表的單片機實現的硬體結構圖。其中有用來實現神經網絡逆的功能的單片機5，採集糊精流加速率u1數據、豆油流加速率u2數據、丙醇流加速率u3數據、水流加速率u4數據、氨水流加速率u5數據的流量傳感器611～615，採集溶氧x4數據的溶氧傳感器616，採集pH值x5數據的pH值傳感器617，採集體積x6數據的體積傳感器618。
圖8是神經網絡逆軟儀表的單片機程序框圖。
具體實施方案本發明的實施方案是首先根據紅黴素發酵過程的模型選擇確定紅黴素發酵過程的各流加輸入量、在線直接可測輸出量(簡稱可測輸出量)與需離線分析的不直接可測量(簡稱離線分析量)。接著選擇確定紅黴素發酵過程中內含傳感器的輸入量和輸出量，並建立內含傳感器的模型和內含傳感器逆的模型。然後採用靜態人工神經網絡加8個微分器並通過對靜態人工神經網絡的訓練確定其各權係數構成神經網絡逆，實現內含傳感器逆的功能。最後將得到的神經網絡逆串接在紅黴素發酵過程之後，即可實現對需離線分析的不直接可測量(包括菌絲濃度x1、總糖濃度x2、化學效價x3)的軟測量。該神經網絡逆的具體實現就是所要構造的神經網絡逆軟儀表。具體實施時，可根據不同的要求，採用不同的硬體和軟體來實現。
具體實施分為以下7步1、選擇確定紅黴素發酵過程的各流加輸入量(在線直接可測)、在線直接可測輸出量與需離線分析的不直接可測量(如圖1所示)。根據紅黴素發酵過程的模型
x1=x1-x1x6(u1+u2+u3+u4+u5)x2=-x1+k15x6u1-x2x6(u1+u2+u3+u4+u5)x3=x1-k16x1-x3x6(u1+u2+u3+u4+u5)x4=-x1-k17x4-x4x6(u1+u2+u3+u4+u5)+k18x5=x1+k19u5-k20u2-k15u1x6-x5x6(u1+u2+u3+u4+u5)x6=u1+u2+u3+u4+u5---(1)]]>其中有糊精流加速率u1、豆油流加速率u2、丙醇流加速率u3、水流加速率u4、氨水流加速率u5、菌絲濃度x1、總糖濃度x2、化學效價x3、溶氧x4、pH值x5、體積x6、菌絲濃度導數 總糖濃度導數 化學效價導數 溶氧導數 pH值導數 體積導數 μ，π，σ，η，ψ都是菌絲濃度x1、總糖濃度x2、化學效價x3、溶氧x4、pH值x5的函數，ki(15≤i≤20)為非零常數。(1)式可簡記為x1=f1(x1,x2,x3,x4,x5,x6,u1,u2,u3,u4,u5)x2=f2(x1,x2,x3,x4,x5,x6,u1,u2,u3,u4,u5)x3=f3(x1,x2,x3,x4,x5,x6,u1,u2,u3,u4,u5)x4=f4(x1,x2,x3,x4,x5,x6,u1,u2,u3,u4,u5)x5=f5(x1,x2,x3,x4,x5,x6,u1,u2,u3,u4,u5)x6=f6(x1,x2,x3,x4,x5,x6,u1,u2,u3,u4,u5)---(2)]]>其中f1～f6表示非線性函數關係。
結合實際情況，選擇確定流加輸入量為糊精流加速率u1、豆油流加速率u2、丙醇流加速率u3、水流加速率u4、氨水流加速率u5，在線直接可測輸出量為溶氧x4、pH值x5、體積x6，需離線分析的不直接可測量為菌絲濃度x1、總糖濃度x2、化學效價x3。
2、選擇確定紅黴素發酵過程中內含傳感器的輸入量與輸出量(如圖2所示)。其中主輸入量為菌絲濃度x1、總糖濃度x2、化學效價x3，輔輸入量為糊精流加速率u1、豆油流加速率u2、丙醇流加速率u3、水流加速率u4、氨水流加速率u5，輸出量為溶氧x4、pH值x5、體積x6。
3、通過分析與推導，為神經網絡逆的構造與訓練提供方法上的依據。根據①紅黴素發酵過程模型(式(2))，②第2步選擇確定的內含傳感器的輸入量與輸出量。可得到以(菌絲濃度x1、總糖濃度x2、化學效價x3)為主輸入量，(糊精流加速率u1、豆油流加速率u2、丙醇流加速率u3、水流加速率u4、氨水流加速率u5)為輔輸入量，(溶氧x4、pH值x5、體積x6)為輸出量的內含傳感器的模型(其結構如圖2所示)x4x4x5=fs1(x1,x2,x3,x4,x5,x6,u1,u2,u3,u4,u5,u1,u2,u3,u4,u5)fs2(x1,x2,x3,x4,x5,x6,u1,u2,u3,u4,u5,u1,u2,u3,u4,u5)fs3(x1,x2,x3,x4,x5,x6,u1,u2,u3,u4,u5,u1,u2,u3,u4,u5)---(3)]]>其中 是糊精流加速率導數， 是豆油流加速率導數， 是丙醇流加速率導數， 是水流加速率導數， 是氨水流加速率導數， 是溶氧二階導數，fs1、fs2、fs3都表示非線性函數關係。
根據反函數存在定理，可以證明(3)式所表示的內含傳感器是可逆的。並可推出內含傳感器逆的模型x1x2x3=fsz1(u1,u2,u3,u4,u5,u1,u2,u3,u4,u5,x4,x5,x6,x4,x4,x5)fsz2(u1,u2,u3,u4,u5,u1,u2,u3,u4,u5,x4,x5,x6,x4,x4,x5)fsz3(u1,u2,u3,u4,u5,u1,u2,u3,u4,u5,x4,x5,x6,x4,x4,x5)---(4)]]>其中fsz1、fsz2、fsz3都表示非線性函數關係。
內含傳感器逆的主輸入量為(溶氧x4、pH值x5、體積x6)，輔輸入量為(糊精流加速率u1、豆油流加速率u2、丙醇流加速率u3、水流加速率u4、氨水流加速率u5)，輸出量為(菌絲濃度x1、總糖濃度x2、化學效價x3)(如圖3的右半部分所示)。該內含傳感器逆模型(式(4))即為神經網絡逆所要實現的模型。
需要說明的是，這一步僅為以下的神經網絡逆構造與訓練提供方法上的依據，在本發明的具體實施中，這一步(包括得到內含傳感器的模型，證明內含傳感器的可逆性以及得到內含傳感器逆的模型的詳細過程)可跳過。
4、選擇確定神經網絡逆的輸入量與輸出量(如圖4的右半部分所示)。其主輸入量為溶氧x4、pH值x5、體積x6，分別為神經網絡逆的第六、第七、第八個輸入；輔輸入量為糊精流加速率u1、豆油流加速率u2、丙醇流加速率u3、水流加速率u4、氨水流加速率u5，分別為神經網絡逆的第一至第五個輸入；輸出量為菌絲濃度軟測量值1、總糖濃度軟測量值2、化學效價軟測量值3。
5、採用靜態人工神經網絡加8個微分器構造神經網絡逆。其中靜態人工神經網絡採用3層的MLN網絡(多層神經網絡)，輸入層節點數為16，隱含層節點數20，輸出層節點數為3，隱層激勵函數為sigmoid函數f(x)=ex-e-xex+e-x,]]>輸出層激勵函數為線性函數f(x)＝x，靜態人工神經網絡的各權係數通過下一步的訓練靜態人工神經網絡確定。然後用具有16個輸入節點、3個輸出節點的靜態人工神經網絡加8個微分器來構造神經網絡逆(如圖5的右半部分所示)。其中，神經網絡逆的第一至第五個輸入「A1～A5」為靜態人工神經網絡的第一至第五個輸入「I1～I5」；神經網絡逆的第一至第五個輸入「A1～A5」分別經1個微分器獲得的輸出為靜態人工神經網絡的第六至第十個輸入「I6～I10」；神經網絡逆的第六個輸入「A6」為靜態人工神經網絡的第十一個輸入「I11」；神經網絡逆的第六輸入「A6」經微分器獲得的輸出為靜態人工神經網絡的第十二個輸入「I12」；神經網絡逆的第六個輸入「A6」依次經2個微分器獲得的輸出為靜態人工神經網絡的第十三個輸入「I13」；神經網絡逆的第七個輸入「A7」為靜態人工神經網絡的第十四個輸入「I14」；神經網絡逆的第七個輸入「A7」經微分器獲得的輸出為靜態人工神經網絡的第十五個輸入「I15」；神經網絡逆的第八個輸入「A8」為靜態人工神經網絡的第十六個輸入「I16」。神經網絡逆的3個輸出分別為靜態人工神經網絡的3個輸出。
6、確定靜態人工神經網絡的各權係數。此步分為以下三步(1)對紅黴素發酵全過程(如圖1所示)進行現場數據採集。其中包含兩種數據每5分鐘測量一次獲得的實時數據，包括糊精流加速率u1、豆油流加速率u2、丙醇流加速率u3、水流加速率u4、氨水流加速率u5、溶氧x4、pH值x5、體積x6，每6小時取樣化驗一次獲得的離線分析數據，包括菌絲濃度x1、總糖濃度x2、化學效價x3。總共採集10個發酵批次的數據(每個發酵批次時間跨度約為180小時)。
(2)處理數據，形成用來確定靜態人工神經網絡各權係數的訓練樣本集。對採集到的實時數據(即糊精流加速率u1、豆油流加速率u2、丙醇流加速率u3、水流加速率u4、氨水流加速率u5、溶氧x4、pH值x5、體積x6)分別進行五點平均濾波，然後用五點求導法求出糊精流加速率導數 豆油流加速率導數 丙醇流加速率導數 水流加速率導數 氨水流加速率導數 溶氧導數 溶氧二階導數 pH值導數 對於離線分析數據(即菌絲濃度x1、總糖濃度x2、化學效價x3)分別採用最小二乘擬合方法生成與實時數據相對應的每5分鐘一次的數據。這樣，就得到了用來確定靜態人工神經網絡各權係數的訓練樣本集{u1～u5， x4， x5， x6，x1，x2，x3}。
(3)訓練靜態人工神經網絡確定靜態人工神經網絡各權係數。訓練靜態人工神經網絡的結構框架如圖6所示，訓練採用LM(Levenberg-Marquart)算法，訓練300次後，訓練樣本集中的數據{菌絲濃度x1、總糖濃度x2、化學效價x3}與靜態人工神經網絡的輸出數據{菌絲濃度軟測量值1、總糖濃度軟測量值2、化學效價軟測量值3}的均方誤差小於0.001，滿足要求，從而確定了靜態人工神經網絡的各權係數。
7、基於神經網絡逆構造神經網絡逆軟儀表。由確定了各權係數的靜態人工神經網絡與8個微分器共同組成神經網絡逆，串接在紅黴素發酵過程之後(如圖5所示)，就可實現對菌絲濃度x1、總糖濃度x2、化學效價x3的軟測量。
神經網絡逆的具體實現就是所要構造的神經網絡逆軟儀表，根據不同的測量要求可採用不同的硬體和軟體來實現它。
圖7給出了神經網絡逆軟儀表的一個具體實施例的示意圖。神經網絡逆由單片機實現，現場的糊精流加速率u1數據、豆油流加速率u2數據、丙醇流加速率u3數據、水流加速率u4數據、氨水流加速率u5數據、溶氧x4數據、pH值x5數據、體積x6數據分別通過5個流量傳感器，溶氧傳感器，pH值傳感器和體積傳感器獲得，然後再通過A/D轉換讀入單片機，經過單片機程序處理，得到菌絲濃度軟測量值1、總糖濃度軟測量值2、化學效價軟測量值3，並通過顯示單元輸出。
單片機的程序包括一個主程序和兩個中斷服務程序(異常中斷服務程序、定時軟測量中斷服務程序)。
單片機程序運行從主程序開始，先進行初始化，然後進入數據顯示與故障診斷的循環，如果接收到主程序結束命令，則結束主程序。主程序數據顯示與故障診斷期間，按一定時間間隔運行定時軟測量中斷服務程序，如果出理故障，則運行異常中斷服務程序。定時軟測量中斷服務程序的處理流程為首先對主程序進行現場保護，接下來通過各種傳感器和A/D轉換採集流量、溶氧、pH值、體積數據，再對數據進行濾波處理，然後對濾波後的數據進行神經網絡逆運算，之後將得到的結果輸出到顯示單元的存儲器中，最後恢復現場並返回主程序(如圖8所示)。
根據以上所述，即可實現本發明。
權利要求
1.一種紅黴素發酵過程變量的神經網絡逆軟測量方法，其特徵在於該方法依據紅黴素發酵過程(1)的模型，選擇確定紅黴素發酵過程(1)的流加輸入量、可測輸出量和離線分析量；然後再選擇確定紅黴素發酵過程(1)的內含傳感器(11)的主輸入量、輔輸入量和輸出量，並建立內含傳感器(11)的模型在此基礎上依據求反函數方法建立內含傳感器逆(3)的模型，確定內含傳感器逆(3)的主輸入量、輔輸入量和輸出量然後採用靜態人工神經網絡(41)加8個微分器(421～428)並通過對靜態人工神經網絡(41)的訓練確定各權係數構造神經網絡逆(4)，來實現該內含傳感器逆(3)；最後將神經網絡逆(4)串接在紅黴素發酵過程(1)之後，實現對菌絲濃度x1、總糖濃度x2、化學效價x3的在線軟測量。
2.根據權利要求1所述的紅黴素發酵過程變量的神經網絡逆軟測量方法，其特徵在於紅黴素發酵過程(1)的內含傳感器(11)的主輸入量為菌絲濃度x1、總糖濃度x2、化學效價x3；輔輸入量為各流加輸入量，即糊精流加速率u1、豆油流加速率u2、丙醇流加速率u3、水流加速率u4、氨水流加速率u5；輸出量為溶氧x4、pH值x5、體積x6；該內含傳感器(11)可逆；內含傳感器逆(3)的主輸入量為溶氧x4、pH值x5、體積x6，輔輸入量為糊精流加速率u1、豆油流加速率u2、丙醇流加速率u3、水流加速率u4、氨水流加速率u5，輸出量為菌絲濃度x1、總糖濃度x2、化學效價x3。
3.根據權利要求1所述的紅黴素發酵過程變量的神經網絡逆軟測量方法，其特徵在於神經網絡逆(4)的構造方法為用具有16個輸入節點、3個輸出節點的靜態人工神經網絡(41)加8個微分器(421～428)構成具有8個輸入節點、3個輸出節點的神經網絡逆(4)；其中神經網絡逆(4)的第一至第五個輸入「A1～A5」為靜態人工神經網絡(41)的第一至第五個輸入「I1～I5」；神經網絡逆(4)的第一至第五個輸入「A1～A5」經第一至第五個微分器(421～425)獲得的輸出為靜態人工神經網絡(41)的第六至第十個輸入「I6～I10」；神經網絡逆(4)的第六個輸入「A6」為靜態人工神經網絡(41)的第十一個輸入「I11」；神經網絡逆(4)的第六個輸入「A6」經第六個微分器(426)獲得的輸出為靜態人工神經網絡(41)的第十二個輸入「I12」神經網絡逆(4)的第六個輸入「A6」依次經第六個微分器(426)和第七個微分器(427)獲得的輸出為靜態人工神經網絡(41)的第十三個輸入「I13」神經網絡逆(4)的第七個輸入「A7」為靜態人工神經網絡(41)的第十四個輸入「I14」；神經網絡逆(4)的第七個輸入「A7」經第八個微分器(428)獲得的輸出為靜態人工神經網絡(41)的第十五個輸入「I15」神經網絡逆(4)的第八個輸入「A8」為靜態人工神經網絡(41)的第十六個輸入「I16」；神經網絡逆(4)的3個輸出分別為靜態人工神經網絡(41)的3個輸出。
4.根據權利要求1所述的紅黴素發酵過程變量的神經網絡逆軟測量方法，其特徵在於靜態人工神經網絡(41)的各權係數的確定方法為首先採集紅黴素發酵過程(1)的現場數據，包括每5分鐘測量一次獲得的實時數據糊精流加速率u1、豆油流加速率u2、丙醇流加速率u3、水流加速率u4、氨水流加速率u5、溶氧x4、pH值x5、體積x6，每6小時取樣化驗一次獲得的離線分析數據菌絲濃度x1、總糖濃度x2、化學效價x3；然後對實時數據分別進行五點平均濾波，並用五點求導法求出糊精流加速率導數 豆油流加速率導數 丙醇流加速率導數 水流加速率導數 氨水流加速率導數 溶氧導數 溶氧二階導數 pH值導數 對離線分析數據分別進行最小二乘擬合生成與實時數據相對應的每5分鐘一次的數據；最後用構成的訓練樣本集{u1～u5， x4， x5， x6，x1，x2，x3}對靜態人工神經網絡(41)進行訓練，確定靜態人工神經網絡(41)的各權係數。
5.一種如權利要求1所述的紅黴素發酵過程變量的神經網絡逆軟測量方法的軟儀表構造方法，其特徵在於採用單片機(5)構造神經網絡逆軟儀表，其中，紅黴素發酵過程(1)的流加輸入量，即糊精流加速率u1、豆油流加速率u2、丙醇流加速率u3、水流加速率u4、氨水流加速率u5分別經5個流量傳感器(611～615)接單片機(5)的輸入端，紅黴素發酵過程(1)的可測輸出量，即內含傳感器(11)的輸出量溶氧x4、pH值x5、體積x6分別經溶氧傳感器(616)、pH值傳感器(617)、體積傳感器(618)接單片機(5)的輸入端；單片機程序包括主程序和兩個中斷服務程序；單片機主程序先進行初始化，然後進入數據顯示與故障診斷的循環，如果接收到主程序結束命令，則結束主程序；主程序數據顯示與故障診斷期間，按一定時間間隔運行定時軟測量中斷服務程序，如果出現故障，則運行異常中斷服務程序；定時軟測量中斷服務程序的處理流程為首先對主程序進行現場保護，然後通過各種傳感器和A/D轉換採集流量、溶氧、pH值、體積數據，再對數據進行濾波處理，對濾波後的數據進行神經網絡逆運算，將得到的結果輸出到顯示單元的存儲器中，最後恢復現場並返回主程序。
全文摘要
紅黴素發酵過程變量的神經網絡逆軟測量方法及軟儀表構造方法是一種用於解決紅黴素發酵過程中難以用傳感器在線實時測量的關鍵變量的在線估計問題的方法。神經網絡逆軟測量方法依據紅黴素發酵過程(1)的模型建立內含傳感器(11)的模型，並依據求反函數方法建立內含傳感器逆(3)的模型，然後採用靜態人工神經網絡(41)加微分器並通過對靜態人工神經網絡的調練確定各權係數構造神經網絡逆(4)，實現該內含傳感器逆，最後將神經網絡逆串接在紅黴素發酵過程之後，實現對菌絲濃度x
文檔編號C12P17/02GK1661004SQ20041006600
公開日2005年8月31日 申請日期2004年12月13日 優先權日2004年12月13日
發明者戴先中, 馬旭東, 丁煜函, 王萬成 申請人:東南大學