微生物发酵过程ls-svm软测量及工程化技术的研究

《微生物发酵过程ls-svm软测量及工程化技术的研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、江苏人学硕十学位论文摘要微生物发酵工程作为现代生物技术的重要组成部分，具有广阔的应用前景。然而微生物发酵是一个强耦合、慢时变、高度非线性的过程，其内在机理非常复杂，许多影响着发酵产物产量和质量的关键生物量参数(如基质浓度、菌体浓度以及产物浓度等)难以用传统的传感器直接测量，专用的生物传感器价格昂贵、维护费用高，应用起来具有很大的局限性，因此会给整个发酵过程的在线监测和优化控制带来很大困难。近年来提出的软测量技术是一种解决上述难题的有效方法。针对上述问题，本文以赖氨酸发酵过程为研究对象，在研究了多种软测量建模方法的基础上，提出了一

2、种基于最小二乘支持向量机的软测量建模方法。分别运用粒子群优化和贝叶斯推断两种算法优化设计模型参数，建立基于最小二乘支持向量机的软测量模型，并对赖氨酸发酵过程中的关键生物量参数进行了预估。最后设计了以PI。C为核心控制器的赖氨酸发酵过程数字化控制系统。本文的主要研究工作以及取得的研究成果如下：1)针对微生物发酵过程中关键生物量参数难以直接在线测量的问题，提出了一种基于最d,-乘支持向量机的软测量方法。构造了一个以可直接测得过程变量为输入、不可直接测得过程变量为输出的非线性模型，然后利用最d,--乘支持向量机对该非线性模型进行辨识。

3、最后对赖氨酸发酵过程中不可直接测得的关键生物量参数进行了预估，离线化验结果验证了建立的软测量模型具有很好的学习精度和泛化能力。2)软测量建模时，针对最小二乘支持向量机的模型参数优化问题，引入粒子群优化算法和贝叶斯推断算法分别对最d*--乘支持向量机的模型参数进行优化选择。即第一种方法利用发酵过程中可在线测量的重要辅助变量和一些离线化验的主导变量作为模型输入，采用粒子群优化算法求解一个二；次规划问题，从而确定最小二乘支持向量机的模型参数：第二种方法依据所选删0练样本信息，根据贝叶斯准则，分三级逐步推断确定最d,--乘支持向量机模型

4、的参数，进而建立基于最小二乘支持向量机的软测量模型。3)设计了一套以西门子S7．200PLC作为核心控制器的发酵过程数字化控制系统。将本文提出的最小二乘支持向量机核心算法做成标准的COM组件。通过编写最微生物发酵过程的LS．SVM软测量及上程化技术研究小二乘支持向量机核心算法的COM代码模块，然后将其嵌入软件系统，实现了VisualC++开发环境对标准COM组件的直接调用。通过硬件设计和软件开发，实现了对赖氨酸发酵过程中可直接测量过程变量的控制、采集和处理，以及不可直接测量关键生物量参数的在线预测。最后，总结了全文的研究工作以及

5、取得的成果，同时提出了有待于进～步研究的问题以及今后工作的重心。关键词：微生物发酵，软测量，最小二乘支持向量机，粒子群优化，贝叶斯推断，数字化控制系统nAbstraetAsanimportantpartofmodembiologicaltechnology,microbialfermentationengineeringhaswideapplicationprospect．However,microbialfermentatlonISamultivariable，strongcouplingandtime-varyingnonl

6、inearprocess，anditsmechanismlSvervcomplicated．Somanycrucialvariablesaredifficulttomeasuredirectlybyconventionalsensor．ButthesecrucialvariablesusuallyhaveanimportantimpactontheStateofthemicrobialfermentationprocess，andwilldirectlyaffectthequalityandyieldoff．e订nentatio

7、nproduct．Thelimitationsofspecialbiologicalsensor,expensivepriceandhighmaintenancefee，willmakeitdifficulttomonitoronlineandcontroloptimalforthewholefermenrationprocess．However，inrecentyears，thesoft·sensingtechniquehasbecomeaneffectivemethodtosolvethisprobem．Inordertos

8、olveaboveproblems，asoft．sensingmodelingmethodbasedonleaslsquaressupportvectormachine(LS．SVM)isputforwardbycombiningwiththelysinef．e