基于最小二乘法支持向量机的溶菌酶发酵过程中的广义预测方法
【专利摘要】本发明公开了一种基于最小二乘法支持向量机的溶菌酶发酵过程中的广义预测方法，该预测控制包括以下步骤：建立非线性预测模型，利用罐发酵被筛选过的产率较高的生产数据对最小二乘法支持向量机进行训练；将输入输出的非线性预测模型实时线性化，设定参考轨迹，滚动优化控制器设计，将基于LS-SVM的溶菌酶发酵过程中的广义预测控制算法智能的嵌入到上位机中；本发明采用最小二乘法支持向量机和广义预测控制相结合，使得模型在求解过程中避免了求解耗时的QP问题，运算简单，收敛速度快，精度高。将遗传算法和广义预测控制中的滚动优化相结合使得系统鲁棒性变强、能够有效克服系统滞后、干扰。
【专利说明】基于最小二乘法支持向量机的溶菌酶发酵过程中的广义预 测方法
【技术领域】
[0001] 本发明涉及微生物发酵过程的先进控制领域，尤其是涉及基于最小二乘法支持向 量机（LS-SVM)的溶菌酶发酵过程补料广义预测控制方法。 技术背景
[0002] 微生物发酵过程中高度非线性、时变性和不确定性等多变量耦合系统，由于涉及 生命体的生长和繁殖，机理十分复杂。发酵过程的建模是发酵工程的一个基本问题，它是为 发酵过程的控制和优化服务的，准确的建模有利于得到更好的控制策略和优化方法。支持 向量机（简称SVM)是一种比较好的实现结构风险最小化思想的方法，它是统计学习理论中 最年轻的部分。支持向量机以训练误差作为优化问题的约束条件，以置信范围值最小化作 为优化目标，通过某种非线性映射，将输入向量映射到一个高维的特征空间，通过解一个线 性约束的二次规划问题得到全局最优解并且约束数量等于样本容量，因此当样本的容量很 大时，训练消耗的时间很长。而最小二乘支持向量机用训练误差的平方代替了松弛变量，并 且用等式约束代替不等式约束，训练过程只要求求解一个线性方程组，避免了求解耗时的 QP问题，运算简单，收敛速度快，精度高，因而在模式识别和非线性过程建模等领域得到广 泛应用。
[0003] 广义预测控制（简称GPC)是一种鲁棒性强、能够有效克服系统滞后、应用于开 环不稳定非最小相位系统的先进控制算法，它既吸收了自适应控制适用于随机系统、在线 辨识等优点，又拥有预测控制算法中的滚动优化策略、对模型要求不高等优点，采用多步预 测、动态优化和反馈校正等策略，控制效果相对而言更好，适用于发酵生产过程的控制。
【发明内容】
[0004] 本发明的目的在于提供一种基于最小二乘法支持向量机的溶菌酶发酵过程中的 广义预测方法及控制系统。
[0005] 本发明解决其技术问题所采用的技术方案是：
[0006] 权利要求书修改好后再添加技术方案：
[0007] 基于最小二乘法支持向量机的溶菌酶发酵过程中的广义预测方法，包括以下步 骤：
[0008] 步骤一，利用罐发酵被筛选过的产率较高的生产数据对最小二乘法支持向量机进 行训练，建立溶菌酶发酵过程中的非线性预测模型；
[0009] 步骤二，将输入输出的非线性预测模型实时线性化，模型在采样点处利用泰勒公 式展开得到线性预测模型，将模型经过转化成CARIMA模型，并通过引入丢番图方程得到溶 菌酶菌发酵过程中的广义预测模型；
[0010] 步骤三，在当前时刻k，广义预测模型利用历史和未来发酵罐的输入输出信息及未 来的输入值来预测系统未来的输出状态菌体浓度A认+刀、产物浓度兔0+y)、基质浓
【权利要求】
1. 基于最小二乘法支持向量机的溶菌酶发酵过程中的广义预测方法，其特征在于，包 括以下步骤： 步骤一，利用罐发酵被筛选过的产率较高的生产数据对最小二乘法支持向量机进行训 练，建立溶菌酶发酵过程中的非线性预测模型； 步骤二，将输入输出的非线性预测模型实时线性化，模型在采样点处利用泰勒公式展 开得到线性预测模型，将模型经过转化成CARIMA模型，并通过引入丢番图方程得到溶菌酶 菌发酵过程中的广义预测模型； 步骤三，在当前时刻k，广义预测模型利用历史和未来发酵罐的输入输出信息及未来 的输入值来预测系统未来的输出状态菌体浓度免以+ 7_)、产物浓度兔以+ 7_)、基质浓度 yAk+j)； 步骤四，设定参考轨迹，使发酵过程中在未来输出能沿着设定轨迹平稳的到达设定值， 参考轨迹一般采用如下形式： yr(k+j) =βJy(k) + (l-^J)ys 其中^为菌体浓度参考轨迹，ys为未来时刻的设定值，β为调节因子； 步骤五，滚动优化控制器设计，分别将实际输出yb(k+j)与参考轨迹输myfc(k+j)的误 差、预测模型输出AG+刀与实际输出yb(k+j)的误差进行滚动优化，将滚动时域下的二次 型目标函数变成适应值函数，通过遗传算法进行优化获得的控制量为全局最优；选取酸碱 度pH为U1 (k)、温度T为u2 (k)、电机转速η为u3 (k)、溶氧量DO为u4 (k)、通气量Q为u5 (k)、 压力为u6(k)作为控制量并分别计算出当前时刻它们加入发酵罐的最优控制量； 步骤六，将基于最小二乘法支持向量机的溶菌酶发酵过程中的广义预测控制算法智能 的嵌入到上位机中，根据上位机计算出来的各参数最优控制量通过PLC传输给执行机构从 而实现对各参数的调节与控制。
2. 根据权利1所述的基于最小二乘法支持向量机的溶菌酶发酵过程中的广义预测方 法，其特征在于，所述步骤一在训练获得最小二乘法支持向量机的支持向量集时采用修剪 算法。
3. 根据权利要求1所述的基于最小二乘法支持向量机的溶菌酶发酵过程中的广义预 测方法，其特征在于，所述步骤一采用径向基函数RBF作为核函数，通过最小二乘法支持向 量机最终得到被控系统的非线性模型：
其中expJ-ΙΙ.?-Χ/Ι^/σ2}:为径向基函数，。为核函数的核宽，Ct1为拉尔朗日乘子，δ为常值偏差。
4. 根据权利要求1所述的基于最小二乘法支持向量机的溶菌酶发酵过程中的广义预 测方法，其特征在于，所述步骤五中没有给出反馈或闭环的表示。
5. 根据权利要求1所述的基于最小二乘法支持向量机的溶菌酶发酵过程中的广义预 测方法，其特征在于，所述步骤五中选取滚动时域下的二次型目标函数为： /(^) = ||7(^|Α:)-7(^)||；Γ+||Δ^|^)| 其中W和Q为对称矩阵，ys(k+l)为输出在未来k+j时刻的参考值；Ys(k) = [ys(k)T]T;ys(k) = [ys(k+l),ys(k+2), ···,ys (k+p) ]T〇
6. 根据权利要求I所述的基于最小二乘法支持向量机的溶菌酶发酵过程中的广义预 测方法，其特征在于，所述步骤五中的遗传算法的具体步骤为： 步骤6. 1，适应度函数的选择，其值在区间[0，1]中变化； 步骤6. 2,遗传算法编码，在遗传算法优化中应用浮点数编码方法； 步骤6. 3,生成初始种群； 步骤6. 4,选择操作，选择操作的原则是按其适应函数值大小决定并采用比例选择的方 法产生下一代种群； 步骤6. 5,交叉操作和变异操作； 步骤6. 6,终止判定，遗传算法终止计算是将两种方法相结合：一种是通过适度函数的 值判断是否终止计算，另外一种是根据适度函数的收敛来判断。
7. 根据权利要求1所述的基于最小二乘法支持向量机的溶菌酶发酵过程中的广义预 测方法，其特征在于，所述步骤六具体为： 系统将采用PLC作为下位机，通过CAN总线与上位机通讯，各参数的检测仪器有温度传 感器、PH传感器、DO传感器、编码器，检测元件的功能是把各参数转变成PLC可识别的变量， PLC获取各参数的测量后，值与设定值比较，输出各参数的最优控制量到各执行机构，从而 实现对各参数的测量与控制。
【文档编号】G06F19/00GK104318090SQ201410539842
【公开日】2015年1月28日 申请日期:2014年10月13日 优先权日:2014年10月13日
【发明者】朱湘临, 岳海东, 孙谧, 嵇小辅, 孙宇新 申请人:江苏大学