1、發(fā)酵過(guò)程的控制是保證產(chǎn)品質(zhì)量與生產(chǎn)效率的關(guān)鍵因素。然而發(fā)酵過(guò)程的自動(dòng)化控制卻發(fā)展緩慢。這主要是由于生物發(fā)酵過(guò)程往往要涉及成百上千個(gè)物理過(guò)程和化學(xué)反應(yīng)，其相互作用和影響使得發(fā)酵過(guò)程呈現(xiàn)出高度的非線性，使得發(fā)酵過(guò)程的建模變得非常困難；另外要想更好的控制發(fā)酵過(guò)程，就必須獲得足夠的發(fā)酵信息。發(fā)酵過(guò)程中物理參數(shù)與絕大多數(shù)化學(xué)參數(shù)，如溫度、壓力、pH值、溶氧濃度等都比較容易獲得，對(duì)它們的控制也易實(shí)現(xiàn)。然而對(duì)于一些復(fù)雜的生物參數(shù)，如生物量濃度、基質(zhì)濃

2、度、產(chǎn)物濃度、比生長(zhǎng)率等很難實(shí)現(xiàn)在線測(cè)量，盡管人們努力在開(kāi)發(fā)這類傳感器，但它們的實(shí)用性與可靠性仍十分有限，不能滿足實(shí)際需要，另外成本也比較昂貴。現(xiàn)在這些參數(shù)仍然采用實(shí)驗(yàn)室采樣分析方法進(jìn)行檢測(cè)，這往往會(huì)產(chǎn)生較大的時(shí)間滯后，不能及時(shí)反饋數(shù)據(jù)信息，這就使發(fā)酵過(guò)程的控制與優(yōu)化受到了阻礙。軟測(cè)量技術(shù)是解決這一難題的有效途徑。它利用過(guò)程中的一些相關(guān)信息來(lái)估計(jì)這些不可在線檢測(cè)的變量，這種技術(shù)既容易實(shí)現(xiàn)又節(jié)約成本，是一種非?？尚械霓k法。本文以諾西肽發(fā)酵

3、實(shí)驗(yàn)為研究背景，重點(diǎn)研究了基于支持向量機(jī)的軟測(cè)量方法與應(yīng)用。同時(shí)，在生物發(fā)酵過(guò)程控制系統(tǒng)基礎(chǔ)之上，給出了生物發(fā)酵過(guò)程軟測(cè)量技術(shù)的實(shí)現(xiàn)方法。本文的主要工作和創(chuàng)新包括以下內(nèi)容： 由于發(fā)酵過(guò)程具有很強(qiáng)的非線性，多變量輸入輸出的特性，采用單個(gè)模型利用過(guò)程的輸入輸出數(shù)據(jù)集合往往不能作出準(zhǔn)確的估計(jì)，預(yù)估的泛化能力也很差，因?yàn)檫@樣沒(méi)有考慮到輸入信息(可測(cè)變量)之間的相關(guān)性和冗余性。首先本文根據(jù)多模型理論建立基于支持向量機(jī)的發(fā)酵過(guò)程生物量濃度的

4、軟測(cè)量模型，根據(jù)數(shù)據(jù)融合理論，將輸入信息進(jìn)行分類得到一系列的子模型，然后再對(duì)這些子模型進(jìn)行融合，形成最終的多模型結(jié)構(gòu)。多模型建模不但改善了最終估計(jì)的整體性能，而且估計(jì)的泛化性和魯棒性都有了明顯的提高。 針對(duì)黑箱模型過(guò)度依賴訓(xùn)練數(shù)據(jù)，不具有實(shí)際物理意義等問(wèn)題，本文綜合經(jīng)典的發(fā)酵機(jī)理知識(shí)與支持向量機(jī)方法，提出了串行結(jié)構(gòu)的混合模型，它以質(zhì)量平衡方程為輸出機(jī)理模型，利用支持向量機(jī)方法估計(jì)機(jī)理模型中重要的難以確定的參數(shù)，這種混合模型得出了

5、可靠而且泛化性能更好的結(jié)果，并且降低了對(duì)訓(xùn)練數(shù)據(jù)大小的依賴程度。在上述串行混合模型的基礎(chǔ)上，加入了一些動(dòng)力學(xué)模型，也就是說(shuō)增加了部分機(jī)理知識(shí)，提出了串并行結(jié)構(gòu)的混合模型，這種混合模型得出的結(jié)果更加穩(wěn)定可靠，特別是在更加稀疏的訓(xùn)練數(shù)據(jù)條件下。 在生物量濃度軟測(cè)量模型的基礎(chǔ)上進(jìn)行了分批發(fā)酵過(guò)程中生長(zhǎng)階段的劃分。這種方法充分考慮發(fā)酵過(guò)程中不同生長(zhǎng)階段菌體的生長(zhǎng)特性，采用不同的模型進(jìn)行相應(yīng)的描述，從而進(jìn)行菌體生長(zhǎng)階段的劃分，同時(shí)該模型也