一種生物發酵過程在線神經網絡逆控制器及其構造方法技術

本發明專利技術公開了一種生物發酵過程在線神經網絡逆控制器，包括神經網絡逆離線解耦控制器構造模塊和神經網絡逆在線學習模塊。該生物發酵過程在線神經網絡逆控制器的控制方法為：將離線訓練的神經網絡逆系統與發酵系統串聯，實現系統的線性化解耦，通過神經網絡逆在線學習模塊的在線學習，實現對逆控制器的在線更新。本發明專利技術將神經網絡逆系統解耦方法和逆系統在線辨識方法相結合，實現了多變量發酵系統的解耦控制。采用神經網絡逆系統技術實現生物發酵系統的解耦，不依賴過程的模型和參數。在神經網絡逆解耦的基礎上設計了逆控制器學習模塊，能夠適應生物發酵系統的參數時變性的特點，可以實現發酵過程變量的實時控制，符合實際工程應用的需求。

【技術實現步驟摘要】

本專利技術涉及一種生物發酵過程在線解耦控制器及其構造方法，屬于生物發酵過程的優化控制

技術介紹
生物發酵系統是一類具有時變性、不確定性和強耦合性的多輸入多輸出非線性系統，傳統的非線性控制方法難以實現過程變量的優化控制。針對多輸入多輸出的非線性系統，一般先采用某種規則將系統線性化成多個線性子系統，然后對各子系統設計閉環線性控制器實現解耦控制的目的。將逆系統方法與神經網絡方法相結合的神經網絡逆控制方法，不依賴系統的精確模型，只需知道系統的相對階即可實現非線性系統的線性化和解耦，在實際工程中得到許多成功應用。將神經網絡逆控制方法應用于生物發酵過程控制中，雖不依賴系統的數學模型，但其解耦控制性能與神經網絡的泛化能力、外界干擾有很大關系。離線訓練神經網絡不充分或者控制過程中系統參數發生變化，都會導致神經網絡的泛化能力下降，從而使閉環控制性能下降。若發酵過程參數發生變化時，重新訓練神經網絡又不能滿足過程控制的實時性。
技術實現思路
針對現有技術中神經網絡逆控制器及其方法存在的上述不足，本專利技術提供。本專利技術生物發酵過程在線神經網絡逆控制器及其構造方法采用的技術方案是 一種生物發酵過程在線神經網絡逆控制器，包括神經網絡逆離線解耦控制器構造模塊和神經網絡逆在線學習模塊。所述神經網絡逆離線解耦控制器構造模塊分析發酵系統的可逆性，發酵系統的逆系統輸入變量為發酵系統的輸出變量及其導數，逆系統輸出變量為發酵系統的控制輸入變量，通過構造神經網絡來實現逆系統的輸入變量與輸出變量之間的非線性關系，將神經網絡逆系統串聯于發酵系統前面實現發酵系統的輸入輸出解耦。所述神經網絡逆在線學習模塊對解耦后的偽線性復合系統設計閉環線性控制器，實現發酵系統的高性能解耦控制，所述神經網絡逆在線學習模塊的輸入為實際發酵系統的輸出(.n,h)，輸出目標為實際發酵系統的輸入用于定期更新所述神經網絡逆控制器。一種生物發酵過程在線神經網絡逆控制器的構造方法，通過將離線訓練的神經網絡逆系統與發酵系統串聯，實現系統的線性化解耦，通過神經網絡逆在線學習模塊的在線學習，實現對逆控制器的在線更新。具體步驟為 (I)對發酵過程的模型進行可逆性分析，確定逆系統的輸入輸出量；系統當前時刻輸出及其前一時刻輸出為逆系統的輸入變量，系統的控制輸入量作為逆系統的輸出量； (2)采集具有代表性的發酵過程輸入輸出數據； (3)選擇結構為單隱層BP神經網絡，利用采集的數據訓練神經網絡，使其訓練誤差達到給定的精度； (4)將步驟(3)中訓練好的神經網絡串聯于被控發酵系統之前，實現發酵系統的線性化和解耦； (5)以生物發酵系統輸入參數為輸入，生物發酵系統輸入為輸出，通過神經網絡逆在線學習模塊，實現對生物系統逆的在線學習； (6)定期用神經網絡逆在線學習模塊更新神經網絡逆控制器。本專利技術生物發酵過程在線神經網絡逆控制器及其構造方法的有益效果是1、將神經網絡逆系統解耦方法和逆系統在線辨識方法相結合，實現了多變量發酵系統的解耦控制。2、采用神經網絡逆系統技術實現生物發酵系統的解耦，不依賴過程的模型和參數。在神經網絡逆解耦的基礎上設計了逆控制器學習模塊，能夠適應生物發酵系統的參數時變性的特點，可以實現發酵過程變量的實時控制，符合實際工程應用的需求。3、本專利技術應用于生物發酵過程菌體濃度和基質濃度的解耦控制，是一種簡單實用的發酵過程變量控制方法，為提高發酵產物的品質和產量提供了技術支持。附圖說明圖1是本專利技術生物發酵過程在線神經網絡逆控制器及其構造方法的控制框圖。圖中1、神經網絡逆離線解耦控制器構造模塊；2、神經網絡逆在線學習模塊；3、發酵系統。具體實施例方式下面結合附圖對本專利技術進行進一步詳細說明。本專利技術生物發酵過程在線神經網絡逆控制器包括兩個部分 一、神經網絡逆離線解耦控制器構造模塊I。針對具有不確定性的兩輸入兩輸出生物發酵系統，根據逆系統理論分析系統的右可逆性，確定系統的相對階及逆系統的輸入輸出變量；離線采集系統數據訓練神經網絡近似逆系統，將訓練好的神經網絡與被控系統串聯成偽線性復合系統，實現被控系統的線性化及解耦。二、神經網絡逆在線學習模塊2。對解耦后的偽線性復合系統設計閉環線性控制器即可實現系統的解耦控制，但其控制性能受到神經網絡逆系統建模誤差、發酵系統參數時變性及外界干擾等不確定因素影響，通過設計一個神經網絡在線學習模塊，實現發酵系統3的高性能解耦控制。在現有的神經網絡逆系統解耦方法的基礎上，為提高神經網絡逆控制性能，本專利技術提出在線神經網絡逆控制器構造方法。通過將離線訓練的神經網絡逆系統與發酵系統串聯，實現系統的線性化解耦。針對發酵過程動力學復雜時變的特點，設計了一個逆系統學習模塊，通過在線學習，實現對逆控制器的在線更新。具體實現步驟如下 (I)對發酵過程的模型進行可逆性分析，確定逆系統的輸入輸出量；系統當前時刻輸出及其前一時刻輸出為逆系統的輸入變量，系統的控制輸入量作為逆系統的輸出量； (2)采集具有代表性的發酵過程輸入輸出數據； (3)選擇結構為單隱層BP神經網絡，利用采集的數據訓練神經網絡，使其訓練誤差達到給定的精度； (4)將(3)訓練好的神經網絡串聯于被控發酵系統3之前，實現發酵系統3的線性化和解率禹; (5)以生物發酵系統3輸入參數為輸入，生物發酵系統3輸入為輸出，通過神經網絡逆線學習模塊，實現對生物系統逆的在線學習； (6)定期用神經網絡逆在線學習模塊更新神經網絡逆控制器。本專利技術提出的解耦控制方法適用于在Monod方程基礎上建立菌體生長和基質消耗模型的一類生物發酵過程。本專利技術以青霉素發酵過程為對象，設計發酵過程中菌體濃度和基質濃度的解耦控制器，具體實施步驟如下 1、青霉素發酵系統以進料流量2 和進料基質濃度^纟為控制輸入，以菌體濃度和基質濃度%為輸出。青霉素發酵系統的右逆系統輸入輸出方程為本文檔來自技高網...

【技術保護點】
一種生物發酵過程在線神經網絡逆控制器，其特征在于：所述逆控制器包括神經網絡逆離線解耦控制器構造模塊（1）和神經網絡逆在線學習模塊（2）；所述神經網絡逆離線解耦控制器構造模塊（1）分析發酵系統的可逆性，發酵系統的逆系統輸入變量為發酵系統的輸出變量及其導數，逆系統輸出變量為發酵系統的控制輸入變量，通過構造神經網絡來實現逆系統的輸入變量與輸出變量之間的非線性關系，將神經網絡逆系統串聯于發酵系統（3）前面實現發酵系統的輸入輸出解耦；所述神經網絡逆在線學習模塊（2）對解耦后的偽線性復合系統設計閉環線性控制器，實現發酵系統（3）的高性能解耦控制，所述神經網絡逆在線學習模塊（2）的輸入為實際發酵系統的輸出（????????????????????????????????????????????????，），輸出目標為實際發酵系統（3）的輸入（，），用于定期更新所述神經網絡逆控制器。260697dest_path_image001.jpg,721765dest_path_image003.jpg,86363dest_path_image005.jpg,78721dest_path_image007.jpg...

【技術特征摘要】
1.一種生物發酵過程在線神經網絡逆控制器，其特征在于所述逆控制器包括神經網絡逆離線解耦控制器構造模塊(I)和神經網絡逆在線學習模塊(2); 所述神經網絡逆離線解耦控制器構造模塊(I)分析發酵系統的可逆性，發酵系統的逆系統輸入變量為發酵系統的輸出變量及其導數，逆系統輸出變量為發酵系統的控制輸入變量，通過構造神經網絡來實現逆系統的輸入變量與輸出變量之間的非線性關系，將神經網絡逆系統串聯于發酵系統(3)前面實現發酵系統的輸入輸出解耦； 所述神經網絡逆在線學習模塊(2)對解耦后的偽線性復合系統設計閉環線性控制器，實現發酵系統(3)的高性能解耦控制，所述神經網絡逆在線學習模塊(2)的輸入為實際發酵系統的輸出(Λ , ),輸出目標為實際發酵系統(3)的輸入(H1JI2),用于定期更新所述神經網絡逆控制器。2.一種生物發酵過程在線神經網絡逆控制器的構造方法，其特...

【專利技術屬性】
技術研發人員：梅從立，廖志凌，黃文濤，束棟鑫，江輝，劉國海，
申請(專利權)人：江蘇大學，
類型：發明
國別省市：