发酵工程是牛化工程和现代生物技术及其产业化的基础。在发酵工程领域，为了提高发酵水平和生产率，更多的研究工作集中在菌种的筛选和改造上。尽管现代生物技术在基因工程和代谢T程领域内有了长足的进展，通过诱发变异、基因重组和培养能够得到高产菌株，然而，通过优化控制使发酵过程产品生产最优(即生产能力最大、成本消耗最低、产品质量最高)仍是发酵工程领域中存在的主要问题之一，因此对微生物发酵过程优化控制的研究日益受到莺视。微生物发酵过程优化控制的主要问题是建立过程模型和制定优化控制策略和算法。近年来，微生物发酵过程优化控制技术研究已经取得了一些进展，发酵过程建模方面的主要研究成果包括：机理分析建模、黑箱建模和混合建模。发酵过程优化控制策略方面的主要研究成果包括：基于线性化近似的经典优化控制，基于直接寻优算法的仿真优化控制，基于非线性系统理论的优化控制以及基于人工智能技术的优化控制。 变压器油罐1微生物发酵过程建模
1．1基于过程机理分析的建模一氧化氮合酶
时尚前沿
发酵过程机理分析建模是基于质能平衡、Monod方程、Contois 方程等建立过程机理模型，以及从基因分子、细胞代谢和反应器等多尺度建立过程机理模型，在依据机理确定模型形式的情况下，用回归的方法确定模型参数。上海交通大学的周海英等对甲醇营养型毕氏酵母的代谢途径进行分析，建立了其生长
代谢的结构模型。为解决该模型不能很好描述蛋白生成的问题，引入一阶闭环调节器对其进行动态
改进，实验结果表明，改进后的模型可以完整地描述细胞生长和蛋白生成。张嗣良等从基因分子遗传、细胞代谢调节和反应器工程特性等尺度对发酵过程优化与放大进行了深入的研究，在不同尺度上认识过程的本质，得到发酵过程的一些约束条件。以过程广义化学计算方程为基础，结合数据处理及辨识技术，建立了L-赖氨酸流加发酵过程的动态模型，实现了过程仿真。
机理建模需要深入了解发酵过程机理，虽然模型中各参数的物理意义明确，但由于发酵过程的复杂性、生物传感器的缺乏以及各参数之间的严重关联，机理建模难度较大。发酵过程机理建模通常仅考虑生物量、产物和限制性基质3个过程状态变量，目前最复杂的过程模型也仅仅是加入了多种基质和产物对过程模型的影响，无法充分表达复杂的微生物发酵过程特性，机理建模过程中引入的大量假设也使得模型的适应性较差。
1．2黑箱建模
发酵过程是多变量、强耦合、慢时变的复杂非线性过程，机理建模尚不成熟。以最小二乘为基础的一元和多元回归辨识建立发酵过程模型，取得了一定效果。用偏最小二乘回归对霓要参量难以在线获取的发酵过程建模，所得模型易与经典的预测控制方法结合，且具有差错诊断功能，回归建模方法简单易用，但需大量数据样本才能保证建模精度，且对测量误差比较敏感。随着非线性系统理论研究的深
入和辨识技术的发展，非线性函数逼近方法被用于发酵过程建模，应用较多的是人工神经网络)技术和支持向量机技术。
1．2．1基于人工神经网络技术建模
基于经验风险最小化理论的ANN技术引入发酵过程，ANN以其在线校正能力强、适合处理多变革非线性问题等优点而广泛用于发酵过程建模。王健等用BP神经网络对L-氨酸的发酵过程建模，所建模型能够比较精确地模拟菌体生长、底物消耗以及发酵产酸3个过程的变化。用标准BP算法对网络进行训练时，网络学习的收敛速度慢，需要大量的实验数据才能达到要求的精度，不能保证收敛于全局最优。改进神经网络的学习训练算法、网络拓扑结构及结合优化算法训练神经网络，能提高建模的精度。径向基神经网络是一种新型的前向网络，与BP网络相比，神经网络不仅具有在任意精度下逼近任意非线性映射的能力，还可以达到最佳逼近精度采用RBF神经网络对Ⅳ-乙酸．甘露糖胺丙酮酸的合成过程建模，并将小波收缩与双正交滤波器结合产生重建函数用于RBF模型，结果表明，在训练数据的不足的情况下，所建模型具有较高的可靠性和精度。Peng等用RBF神经网络构造生物过程的模型，采用在线估计算法修正模型，实现了氮氧化物降解过程的全局建模。此外，自组织神经网络、级联再生神经网络等方法也成功用于酵母、多黏菌素等发酵过程建模。将优化算法用于神经网络的学习、网络结构的设计，可实现神经网络学习规则和网络权系数的优化，能在某种程度上避免网络学习算法收敛速度慢、易限于局部最优的缺点，提高建模精度。ANN方法存在的容易陷入局部极小点、过学习、对
训练样本外的数据预测能力差等不足，在一定程度上限制着ANN建模在发酵过程中的应用。
1．2．2基于支持向量机技术的建模
20世纪90年代中期，Vapnm等发现了在高维空间中有效控制容量的方法，提出了SⅥ方法，结构风险最小化原则代替经验风险最小化原则，较好地解决了小样本、非线性、高维数和局部极小等问题。一些著名的研究机构，如贝尔实验室、柏林工业大学、微软研究中心、麻省理工学院等也加入SVM研究的行列。现在，SVM方法已广泛用于
文本识别、图像处理及生物信息学等领域，是90年代末发展最快的研究方向之一SVM优良的特性使之在系统建模方面得到广泛关注，将SVM 及其改进方法用于发酵过程建模取得了较好的效果。用标准的SVM方法为柠檬酸发酵过程建模，并与最优的方法进行比较，结果表明，SVM 的预测相对误差的均值下降了5个百分点，具有更好的稳健性能。高学金等针对标准SVM所有训练样本都使用的不敏感系数这一不足，提出动态争SvM并用于青霉素发酵过程建模，同标准SVM建模方法相比，动态建模具有较高的学习能力和泛化能力。张本法等将最小二乘SVM 用于青霉素发酵过程建模，在保证精度的前提下，缩短了训练时间，加快了最小二乘SVM在线应用的进程。SVM解决了在朋州中无法避免的局部极小值问题，同ANN相比，SvM对样本的依赖程度低，在一定程度上能够避免“维数灾难”，SVM拓扑结构由支持向量决定，减小了模型结构的复杂性。以ANN和SVM为代表的基于实验数据的黑箱建模方法，
沛县电视台
受实验数据量及建模方法原理约束的影响，无法表达超出实验数据的过程特性，对于复杂的发酵过程，黑箱模型的表达能力也值得怀疑。另外，黑箱建模方法忽略了过程的基本知识，如发酵过程中的质
泛光照明
量平衡方程等，重要信息的缺失使得它不能体现过程的物理意义。1．3混合建模
随着过程控制、仿真与优化技术的发展，对系统模型提出了更高的要求，除了较高的建模精度外，还要求大范围描述过程动态行为的能力，传统的建模方法已经不能满足要求。近年来，充分利用对象的先验知识，用辨识的方法估计机理模型参数，建立发酵过程混合模型的研究取得了进展。发酵过程建模方面，用ANN方法辨识机理模型参数建模应用较多。Zuo等以及Berl 等将机理建模与ANN建模相结合，通过辨识得到机理模型中的参数，在此基础上，采用遗传算法或模糊逻辑对模型进行修正，简化了计算复杂性，提高了模型精度。Tholudur 等也采用了机理建模与ANN相结合的方案，为了减少训练网络对实验数据量的要求，还结合了内插参数模型方法，实验结果表明，该方法使得机理模型对实验数据的需求下降了40％。SⅥ江及改进的SVM方法用于发酵过程机理模型参数的辨识，也取得了一定的效果。许光等将发酵过程的动力学机理与SvM相结合，用SVM方法估计动力学方程的参数比生长速率，建立间歇式酒精发酵过程混合模型，实验表明，所建模型比SⅢ黑箱模型、与机理结合的神经网络模型具有更好的预测性能。桑海峰等提出了一种综合先验知识与最小二乘SⅥⅥ的发酵过程建模方法，并将遗传算法嵌入最小二乘SVM用于参数的优化选取，实验证明，所得混合模型具有很高的精度
与泛化能力。由辨识方法估计机理模型参数的过程混合模型，实质上仍是过程机理参数模趔，模型的简化和未能机理分析的发酵过部分仍影响模型的准确性，对发酵过
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议