专利名称：生物发酵批过程的调度优化方法
技术领域：
本发明涉及一种批过程的调度优化方法，特别是一种生物发酵批过程的调度优化方法，属于生物技术领域。
背景技术：
生物发酵批过程是一类重要的工业生产过程。它以农产品为主要原料，以微生物或微生物产生的酶为反应主体，提供了与国计民生休戚相关的药品(抗生素、基因工程重组药物、疫苗、维生素等)、食品和饲料添加剂(各种氨基酸、核酸等)和其它产品(酒精饮料、酱油醋、生物保健品)。生物发酵生产的典型特征是机理复杂、可重复性差，生产过程的波动大大高于其它化工批过程。由于种子质量的差异、原料成分及原辅料配比的变化、过程变量(补料、溶氧、罐温、pH等)动态控制的偏差等原因，这种波动在很大程度上是无法避免的。经文献检索发现，荷兰Delft大学的Verwater-Lukszo在《Computers in Industry》(36，279-300，1998)上撰文“A practical approach to recipe improvement andoptimization in the batch processing industry(批过程工业中的实用工艺改进和优化)”，该文系统地提出了离线和在线批过程调度优化问题。同时提出，一个最佳调度目标函数应该是产品质量最高、生产波动最小、生产周期最短、产率最高、物料能量消耗最小、附加值最高、环境污染最少，而一个有效的调度方案首先需对所有这些指标给出综合的定量描述。Verwater-Lukszo将批过程的调度优化划分为五个层面，其中第四第五层面与本发明申请涉及的问题背景相似。调度优化所用方法谓之灵活的工艺控制规范FRIS。FRIS第一步是令批过程在给定的工艺控制条件附近进行一系列对正常生产影响不大的摄动实验，构成数据库，然后对这些摄动实验结果进行模型化、确定基于模型的适应性调度方案、进一步优化摄动实验以更新数据库；第二步是应用技术，它基于第一步的结果，对新的批过程给出符合新的市场条件(如原料价格变化、产品需求量的变化)调整批过程的初始条件、根据新的批过程运行时与给定控制规范的差异动态修正过程操作变量(包括生产周期)。关于生产周期，文中以生产周期最短为调度目标，所用方法为数理统计、动态规划和单纯形寻优，这与本发明所论述的弹性发酵周期优化及所用的方法都是不同的。FRIS的基本出发点在于有目的的摄动实验，这对许多工业用户会成为障碍，而本发明所需的数据库是在自然发生的条件下获得的。
发明内容
本发明针对现有技术的不足和缺陷，提供一种适用于生产波动很大的生物发酵批过程的调度优化方法，使其改传统的、发酵周期固定的生产方式为发酵周期可变的生产方式，从中挖取过程潜在的经济效益，且不对上下工段的排班和负荷产生干扰，因为它是以不改变工艺给定的停罐时间间隔为前提的。本发明是通过以下技术方案实现的，首先应用人工神经网络技术和智能数据库技术获得描述过程创利水平的定量评价指标—效益函数的预测，然后根据效益函数的计算值和预报值对现行罐批进行分类，确定参与调度的具体候选罐批，最后按全车间经济效益最高为调度目标，计算获得这些候选停罐罐批的最优停罐顺序。
效益函数定义为单位时间内一个罐批所创造的毛利润与生产周期的比值。毛利为总产值与总投入之差。总产值指一个罐批运行至当前时刻所有可分离产品的价值，总投入指为了获得这些产品已发生的直接生产投入(包括物料能量消耗、设备占用资金等)。生产周期指预备时间与发酵时间之和。效益函数是集产率、得率、原料和能量消耗于一体的、用于描述过程创利水平的定量而客观的评价指标，它的计算与给定工艺过程的衡算关系和衡算数据相关。
调度区间指罐批允许的停罐时间范围，一般为生产周期的后四分之一至后三分之一，具体地，它与一个罐批所属的类有关，这里的类是基于历史罐批分类函数的统计特征确定的。分类函数是效益函数的变形，定义为效益函数在未来某时间区段内的均值，它降低了数据噪声的影响，能更好地用来评价一个罐批的效益水平。调度函数指一个罐批在未来1～3个停罐时间间隔内的经济效益增量，是评价一个罐批创利潜力的重要指标。历史罐批指人工神经网络训练数据库所对应的、按一定选取原则和更新机制生成的罐批集合。通用训练数据库是历史罐批所有输入-输出数据向量对的集合。效益函数的置信限是历史罐批效益函数的统计特征，它是对应于给定置信度的包络线。效益函数置信域是由不同置信限(从±80％～±99％)形成的相邻两根包络线围成的区域，置信域的个数为5～15个。
以下对本发明方法作进一步描述，具体如下
(一)运用人工神经网络技术和智能数据库技术获得效益函数的预测，具体步骤如下(1)获得历史罐批数据库。历史罐批数据指过程最近20～40批次的历史纪录。数据结构为指定格式的一系列文本文件，包括状态文件(初始体积、初始浓度、接种量等)、进料流量文件(主料、辅料的流加速率)、发酵液体积或液位文件、中间出料文件(出料速率或体积)、离线采样分析数据文件(进料基质浓度、发酵罐中基质和产物浓度)以及用于计算效益函数的物料-产品价格文件。其中物料-产品价格文件适用于所有罐批。历史罐批应该是(a)属于近1～3个月内的生产罐批；(b)为正常罐批，即不属于极端异常罐批和故障罐批；(c)罐批的效益函数分布应尽可能均匀。
(2)获得人工神经网络通用训练数据库。基于历史罐批原始记录，获得关键状态变量(主料消耗、产量、辅料消耗等)累积量；再按给定的数据窗口和预报窗口的宽度，用移动数据窗口技术将上述累积量离散化，获得输入-输出数据向量对。输入数据窗口包含该窗口的时间起点以及相应时段内的状态变量累积量的离散值，输出数据窗口包含相应时段内的特定变量累积量的离散值，该特定变量是指需要预报的变量，这里是产量(若将糖耗或前体消耗量置入预报数据窗口，就默认是将对它们进行预报)。这样获得的输入输出数据向量对的集合就构成了通用训练数据库。
(3)对于待预报罐批，利用给定结构的人工神经网络，训练获得输入-输出数据向量对之间的关系。所用训练数据库由第(2)步描述的通用训练数据库和由第(7)步描述的、属于待预报罐批的所有可获得的输入-输出数据向量对构成。
(4)获得待预报罐批的最新输入数据向量，将它作为训练过的神经网络的输入，得到相应的预报输出。
(5)产物浓度预报值的获取。将产量预报值减去当前实测产量，获得产量增量；假定未来的进料和出料流量遵循标准操作规范，估计出预报窗口发酵罐内装料量(体积)的变化；进而获得预报窗口内的产物浓度增量和绝对值。
(6)根据工艺给定的物料-能量衡算关系、数据以及产物浓度预报值，计算效益函数的预报值。
(7)训练数据库的更新。更新包括两个方面，一是在线更新，即一旦被预报的罐批有新的输入-输出数据向量对生成，该向量对就被充实到训练数据库，换言之，每一个被预报罐批的训练数据库由通用训练数据库和该现行罐批所有可获得的输入-输出数据向量对构成；另一方面，每当有一个罐批发酵结束，要按照以下原则离线更新通用历史数据库包含的罐批(a)若该罐批为异常罐批或故障罐批，通用训练数据库所选罐批维持原状。异常罐批或故障罐批是指那些效益函数在调度区间内明显低于或高于历史罐批最低值或最高值的罐批，(b)在后三分之一操作周期，若新近停罐罐批的效益函数曲线与某一较早的历史罐批落在同一效益函数置信域内，则用新近停罐的罐批取代较早的罐批，(c)在后三分之一操作周期，若新近停罐罐批的效益函数曲线在所有置信域内均属首次出现，则直接将该罐批增补为历史罐批，(d)在后三分之一操作周期，若新近停罐罐批的效益函数曲线落在±99％置信限之外但又区别于异常罐批或故障罐批，则直接将该罐批增补为历史罐批。训练数据库的更新技术即为本发明所指的智能数据库技术。
(8)历史罐批离线更新以后，所有与历史罐批相关的统计特征值需重新计算。
(9)当原料-产品价格发生变化时，历史罐批的效益函数以及与之相关的所有变量需重新计算。
(二)根据效益函数的计算值和预报值对现行罐批进行优中劣分类，确定参与调度的具体候选罐批，具体步骤如下(1)计算历史罐批发酵全程的分类函数，获得分类函数的统计特征值(如标准差和90％置信限等)。时间t处的分类函数的定义是从时间t到t+TW内的效益函数的积分值与积分区间宽度TW之比，其中TW是为了实现有效分类所必须考虑的未来时间窗口宽度，其取值与中长期有效预报时间区间相当。进一步，对所有历史罐批进行分类。在后三分之一发酵周期，如果罐批的分类函数值大于其分布的90％置信上限，则划分为优类罐批。位于上限和下限之间则划分为中类罐批，低于90％置信下限的罐批为劣类罐批。完成划分后，分别计算各类罐批的发酵周期期望值和标准差。
(2)对运行中的罐批计算分类函数值。
(3)利用分类函数值对运行中的罐批进行在线分类。分类原则与第(1)步相同。
(4)计算现行罐批发酵周期的调度区间。一个罐批的调度区间取为同类历史罐批发酵周期期望值加减工艺给定的停罐时间间隔Td(小时)的1～3倍。若某一运行中的罐批进入其调度区间，即成为候选停罐罐批。
(三)按全车间经济效益最高为调度目标，计算获得候选停罐罐批的停罐顺序，具体步骤如下(1)分别计算所有参与调度决策罐批即候选停罐罐批的调度函数第i个参与调度罐批的调度函数JS，i(ti)计算式是JS，i(ti)＝Ji(ti+Δt+k*Td)*(ti+Δt+k*Td)-Ji(ti+Δt)*(ti+Δt) ①其中，ti表示第i个罐批的已运行时间，Ji为第i个罐批的效益函数，Δt表示当前时刻与下次既定停罐时刻之间的时间间隔。优类罐批的k值的计算式为k＝min{ki} (i＝1，2，…n) ②式②中n是参与调度的罐批数；ki＝Integer{(1.28*σi+Ti-ti-Δt)/Td}(i＝1…n) ③式③中Ti和σi分别是第i个参与调度的罐批所属类的发酵周期期望值和标准差。
(2)在进行调度决策时，优先考虑停止调度函数JS，i(ti)值最小的罐批，以保证停罐后对总体效益的增长影响最小。
本发明具有实质性特点和显著进步，本发明产生的最优调度决策能够确保放罐间隔的划一，它对上下工段的干扰较传统调度方式还要小，本发明的调度方法可为生物发酵企业带来显著的经济效益，一方面，通过延长高效益罐批的生产可取得更多的收益；另一方面，由于及早中止了低效益罐批或故障罐批的生产又可减少更大的损失，从而带来总体效益的提升，同时放罐时间间隔能严格满足工艺规范。经测算，该方法能产生2％～5％的毛利增量。
具体实施例方式
结合本发明方法的内容进一步提供以下实施例对象制造青霉素车间。生产工艺要求停罐时间间隔Td为12小时。罐批运行状态为301罐批运行至200小时，303罐批188小时，315罐批176小时。
调度问题要求8小时后停一个罐批，届时应该停哪一个？
测试条件效益函数表达式根据工艺衡算关系和数据得到，测试为拟在线测试。
具体步骤如下(一)运用人工神经网络技术和智能数据库技术获得效益函数的预测从最近的2～3个月的罐批中按照发明说明书介绍的原则选择分布比较均匀的20个罐批形成历史数据库，每个罐批数据包括初始装料体积，初始葡萄糖浓度和前体PAA(苯乙酸)浓度，葡萄糖、硫铵、氨水、苯乙酸的流加速率，发酵液体积，中间出料体积，进料基质浓度，发酵罐中基质和青霉素浓度以及用于计算效益函数的物料-产品价格数据。计算糖耗、前体消耗量和青霉素的产量(均为累积值)。利用移动数据窗口技术生成输入-输出向量对，窗口移动步长为4h。输入、输出数据窗口宽度均为40h。输入数据窗口包括数据窗口左侧对应的时间、糖耗、前体消耗和产量的离散化数据，离散化步长为8h。预报数据窗口包含离散步长为8h的产量。所有历史罐批的输入-输出数据向量对形成通用训练数据库。
待预报罐批的所有可获得的输入-输出数据向量对与通用训练数据库一起，成为该罐批的训练数据库。选定拓朴结构为19-5-5的3层BP神经网络，然后基于上述训练数据库训练网络。分别用当前待预报罐批301、303和315的输入向量作为神经网络的输入，用t表示当前已发酵时间，分别得到各罐批超前8、16、24、32和40小时的青霉素产量预报(超前用“+”号表示)罐批号 t +8小时+16小时 +24小时+32小时+40小时3012001721.21758.16 1821.0967 1895.6467 1979.35793031881560.7999 1615.52 1692.4100 1760.5311 1830.42413151761623.2001 1697.61780.8167 1854.9978 1923.7369经测试，产量预报误差小于4％。
根据标准操作规范计算预期的罐内装料量变化，然后计算得到各罐批产物浓度的预报值罐批号 t+8小时+16小时+24小时+32小时 +40小时301 200 28.3110 28.488429.234429.896730.9146303 188 26.7661 27.941428.364028.893429.4240315 176 29.3919 30.816731.221231.733232.3663
将产物浓度的预报值代入背景车间的效益函数计算式，获得效益函数预报值罐批号 t+8小时 +16小时+24小时+32小时+40小时301 200 159.4947 163.5050 170.5264 171.3107 185.7358303 188 88.3001100.1902 104.8764 102.6290 95.6570315 176 200.4315 202.9412 216.0411 225.3808 231.8687(二)根据效益函数的计算值和预报值对现行罐批进行优中劣分类，确定参与调度的具体候选罐批取TW为40小时，计算各历史罐批的分类函数值，确定分类函数分布的90％置信区间上下限和标准差。在所涉离散时间点上，这些上下限和标准差为时间160164168172 176 180184 188192 196 200下限61.868.0 75.9 82.5 88.9 91.1 93.4 91.9 99.0 104.2 105.3上限178.21 182.2 186.3 194.1 200.8 207.3 212.9 218.4 219.6 220.6 221.4标准差45.4 44.6 43.1 43.5 53.7 45.4 46.7 49.4 47.1 45.4 45.3按照发明说明第(二)部分第(1)步，分别获得优中劣三类罐批的平均发酵周期期望值224、208、176h。优中劣三类罐批的调度区间取为各自发酵周期期望值加减Td(小时)的2倍，得到优类罐批调度区间为[200 248]，劣类罐批调度区间为[152 200]，中类罐批调度区间为[184 232]。301、303和315的分类函数值分别为165.32、86.7和215.7。故将301罐批划分为中类罐批，303为劣类罐批，315为优类罐批。此时，由于315罐批还没有进入它的调度区间，故参与调度的罐批为301和303。
(三)按全车间经济效益最高为调度日标，计算获得候选停罐罐批的停罐顺序计算调度函数得知，301的调度函数值为4363，303的调度函数值为3014，303罐批调度函数值较低，故此时建议操作人员8小时后中止303罐批，而不是按传统调度方案终止301罐批。
权利要求
1.一种生物发酵批过程的调度优化方法，其特征在于首先应用人工神经网络技术和智能数据库技术获得描述过程创利水平的定量评价指标—效益函数的预测，然后根据效益函数的计算值和预报值对现行罐批进行分类，确定参与调度的具体候选罐批，最后按全车间经济效益最高为调度目标，计算获得这些候选停罐罐批的停罐顺序。
2.根据权利要求1所述的这种生物发酵批过程的调度优化方法，其特征是运用人工神经网络技术和智能数据库技术获得效益函数的预测，具体步骤如下(1)获得原始历史罐批数据库历史罐批数据指过程最近20～40批次的历史纪录，数据结构为指定格式的一系列文本文件，包括状态文件、进料流量文件、发酵液体积或液位文件、中间出料文件、离线采样分析数据文件以及用于计算效益函数的物料-产品价格文件，其中物料-产品价格文件适用于所有罐批，历史罐批是(a)属于近1～3个月内的生产罐批，(b)为正常罐批，(c)罐批效益函数分布均匀；(2)获得人工神经网络通用训练数据库基于历史罐批原始记录，获得关键状态变量累积量，再按给定的数据窗口和预报窗口的宽度，用移动数据窗口技术将上述累积量离散化，获得输入-输出数据向量对，输入数据窗口包含该窗口的时间起点以及相应时段内的状态变量累积量的离散值，输出数据窗口包含相应时段内的被预测变量累积量的离散值；(3)对于待预报罐批，利用给定结构的人工神经网络，训练获得输入-输出数据向量对之间的关系所用训练数据库由第(2)步描述的通用训练数据库和由第(7)步描述的、属于待预报罐批的、所有可获得的输入-输出数据向量对构成；(4)获得待预报罐批的最新输入数据向量，将它作为训练过的神经网络的输入，得到相应的预报输出；(5)产物浓度预报值的获取将产量预报值减去当前实测产量，获得产量增量；假定未来的进料和出料流量遵循标准操作规范，估计出预报窗口发酵罐内装料量的变化，进而获得预报窗口内的产物浓度；(6)根据工艺给定的物料-能量衡算关系、数据以及产物浓度预报值，计算效益函数的预报值；(7)训练数据库的更新更新包括两个方面，一是在线更新，即每一个被预报罐批的训练数据库由通用训练数据库和该现行罐批所有可获得的输入-输出数据向量对构成，另一方面，每当有一个罐批发酵结束，按照以下原则离线更新通用历史数据库包含的罐批(a)若该罐批为异常罐批或故障罐批，通用训练数据库所选罐批维持原状，异常罐批或故障罐批是指那些效益函数在调度区间内明显低于或高于历史罐批最低值或最高值的罐批，(b)在后三分之一操作周期内，若新近停罐罐批的效益函数曲线与某一较早的历史罐批落在同一效益函数置信域内，则用新近停罐的罐批取代较早的罐批，(c)在后三分之一操作周期，若新近停罐罐批的效益函数曲线在所有置信域内均属首次出现，则直接将该罐批增补为历史罐批，(d)在后三分之一操作周期，若新近停罐罐批的效益函数曲线在±99％置信限之外但又区别于异常罐批或故障罐批，则直接将该罐批增补为历史罐批；(8)历史罐批离线更新以后，所有与历史罐批相关的统计特征值重新计算；(9)当原料-产品价格发生变化时，历史罐批的效益函数以及与之相关的所有变量重新计算。
3.根据权利要求2所述的这种生物发酵批过程的调度优化方法，其特征是所述的通用训练数据库是历史罐批输入-输出数据向量对的集合；所述的效益函数的置信限是历史罐批效益函数的统计特征，它是对应于给定置信度的包络线；所述的效益函数置信域是由置信限，从±80％～±99％，形成的相邻两根包络线围成的区域，效益函数置信域的个数为5～15个。
4.根据权利要求1所述的这种生物发酵批过程的调度优化方法，其特征是根据效益函数的计算值和预报值对现行罐批进行优中劣分类，确定参与调度的具体候选罐批，具体步骤如下(1)计算历史罐批发酵全程的分类函数，获得分类函数的统计特征值，时间t处的分类函数的定义是从时间t到t+TW内的效益函数的积分值与积分区间宽度TW之比，其中TW取中长期有效预报时间区间的长度，进一步，对所有历史罐批进行分类，在后三分之一发酵周期，罐批的分类函数值大于其分布的90％置信上限，则划分为优类罐批，位于上限和下限之间则划分为中类罐批，低于90％置信下限的罐批为劣类罐批，完成划分后，分别计算各类罐批的发酵周期期望值和标准差；(2)对运行中的罐批计算分类函数值；(3)利用分类函数值对运行中的罐批进行在线分类，分类原则与第(1)步相同；(4)计算现行罐批发酵周期的调度区间一个罐批的调度区间取为同类历史罐批发酵周期期望值加减工艺给定的停罐时间间隔Td小时的1～3倍，若某一运行中的罐批进入其调度区间，即成为候选停罐罐批。
5.根据权利要求4所述的这种生物发酵批过程的调度优化方法，其特征是所述的分类函数是效益函数的变形，定义为效益函数在未来某时间区段内的均值。
6.根据权利要求2或4所述的这种生物发酵批过程的调度优化方法，其特征是所述的调度区间指罐批允许的停罐时间范围，为生产周期的后四分之一至后三分之一；所述的历史罐批指人工神经网络训练数据库所对应的、按选取原则和更新机制生成的罐批集合。
7.根据权利要求1或2或4所述的这种生物发酵批过程的调度优化方法，其特征是所述的效益函数定义为单位时间内一个罐批所创造的毛利润与生产周期的比值，毛利润为总产值与总投入之差，总产值指一个罐批运行至当前时刻所有可分离产品的价值，总投入指产品已发生的的直接生产投入，生产周期指预备时间与发酵时间之和。
8.根据权利要求1所述的这种生物发酵批过程的调度优化方法，其特征是按全车间经济效益最高为调度目标，计算获得候选停罐罐批的停罐顺序，具体步骤如下(1)分别计算所有参与调度决策罐批的调度函数第i个参与调度罐批的调度函数JS，i(ti)计算式是JS，i(ti)＝Ji(ti+Δt+k*Td)*(ti+Δt+k*Td)-Ji(ti+Δt)*(ti+Δt) ①其中，ti表示第i个罐批的已运行时间，Ji为第i个罐批的效益函数，Δt表示当前时刻与下次既定停罐时刻之间的时间间隔，高类罐批的k值的计算式为k＝min{ki}(i＝1，2，…n) ②式②中n是参与调度的罐批数；ki＝Integer{(1.28*σi+Ti-ti-Δt)/Td}(i＝1…n)③式③中Ti和σi分别是第i个参与调度的罐批所属类的发酵周期期望值和标准差；(2)在进行调度决策时，优先停止调度函数JS，i(ti)值最小的罐批，保证停罐后对总体效益的增长影响最小。
9.根据权利要求8所述的这种生物发酵批过程的调度优化方法，其特征是所述的调度函数指一个罐批在未来1～3个停罐时间间隔内的经济效益增量。
全文摘要
一种生物发酵批过程的调度优化方法属于生物技术领域。首先应用人工神经网络技术和智能数据库技术获得描述过程创利水平的定量评价指标—效益函数的预测，然后根据效益函数的计算值和预报值对现行罐批进行分类，确定参与调度的具体候选罐批，最后按全车间经济效益最高为调度目标，计算获得这些候选停罐罐批的停罐顺序。本发明可为生物发酵企业带来显著的经济效益，一方面，通过延长高效益罐批的生产可取得更多的收益；另一方面，由于及早中止了低效益罐批或故障罐批的生产又可减少更大的损失，从而带来总体效益的提升，经测算，该方法能产生2％～5％的毛利增量。
文档编号C12M1/36GK1431292SQ02160688
公开日2003年7月23日 申请日期2002年12月30日 优先权日2002年12月30日
发明者袁景淇, 任海涛, 刘俊, 王卓 申请人:上海交通大学