谷氨酸发酵过程菌体浓度在线软测量方法
【专利摘要】一种谷氨酸发酵过程菌体浓度在线软测量方法，涉及一种菌体测量方法，包括将软测量模型用程序实现在计算机控制系统中，然后利用计算机采集谷氨酸发酵过程的实时工艺数据，通过程序化的软测量模型计算菌体浓度，最终实现菌体浓度的在线监测；采用GA算法与BP神经网络结合，构建GA-BP网络谷氨酸发酵过程软测量模型；根据训练好的GA-BP软测量模型用程序实现在计算机中，计算出菌体浓度的估计值，实现在线对菌体浓度的测量。该方法将训练好的GA-BP软测量模型用程序实现在计算机控制系统中，通过现场实时采集四个过程参数作为软测量模型的输入，而菌体浓度作为输出，实现对菌体浓度的在线估计，从而提高产量，降低生产成本。
【专利说明】谷氨酸发酵过程菌体浓度在线软测量方法
【技术领域】
[0001]本发明涉及一种菌体测量方法，特别是涉及一种谷氨酸发酵过程菌体浓度在线软测量方法。
【背景技术】
[0002]软测量技术就是根据可以检测的过程变量推断某些难以检测或根本无法检测的工艺参数的方法。软测量技术现在广泛应用于过程工业中，应用领域包括炼油、石化、聚合、造纸、采矿、食品、医药、精细化工、半导体、纺织及微电子行业。其中，大量应用于化工行业的诸如推断控制等高级控制、反馈控制、操作指导、质量管理、调度优化、决策支持等环节。国内外学者自上世纪70年代开始就对软测量技术进行了大量研究，80年代中后期至今，它迎来了一个发展的黄金时期，并且在世界范围内掀起一股软测量技术研究的热潮。由于软测量技术在工业控制领域有着十分重要的影响和作用，所以近年来软测量技术得到了突飞猛进的发展，它已涉及到自动控制理论中的建模、系统辨识和数据处理等许多重要领域，对其的研究已经历了从线性到非线性，从静态到动态，从无校正功能到有校正功能的发展过程。目前，在炼油、冶金、采矿、精细化工和生物化工等工业生产过程中，都有成功的应用。如炼油厂硫化催化裂化装置实施软测量技术，在线计算裂化反应热、再生定碳、产率分布、粗汽油干点、轻柴油倾点等操作参数，完成硫化催化裂化工艺过程的稳定、协调、优化控制等任务。另外，还可在线计算精馏塔产品组分浓度和塔板效率，化学反应器中反应物浓度和催化剂活性，以及生物发酵罐中的生物量参数等方面。可以预见，有着广阔应用前景的软测量技术，将成为未来过程控制领域研究的一个重点方向，而随着它在理论研究和实践中的不断完善和发展，一定会给工业控制界带来更加满意的经济和社会效益。
【发明内容】
[0003]本发明的目的在于提供一种谷氨酸发酵过程菌体浓度在线软测量方法，该方法将训练好的GA-BP软测量模型用程序实现在计算机控制系统中，通过现场实时采集四个过程参数作为软测量模型的输入，而菌体浓度作为输出，实现对菌体浓度的在线估计，从而提高产量，降低生产成本。
[0004]本发明的目的是通过以下技术方案实现的:
一种谷氨酸发酵过程菌体浓度在线软测量方法，所述方法包括以下过程:将软测量模型用程序实现在计算机控制系统中，然后利用计算机采集谷氨酸发酵过程的实时工艺数据，通过程序化的软测量模型计算菌体浓度，最终实现菌体浓度的在线监测；采用GA算法与BP神经网络结合，构建GA-BP网络谷氨酸发酵过程软测量模型；根据训练好的GA-BP软测量模型用程序实现在计算机中，然后通过现场仪表采集发酵过程的PH值、补糖量、温度和通风量参数，作为软测量模型的输入，计算出菌体浓度的估计值，实现在线对菌体浓度的测量。【专利附图】
【附图说明】
[0005]图1为本发明谷氨酸发酵过程菌体浓度在线软测量系统的组成框图；
图2是本发明谷氨酸发酵过程菌体浓度在线软测量系统的运行画面照片示意图；
图3是本发明谷氨酸发酵过程菌体浓度在线软测量系统的测试照片示意图。
【具体实施方式】
[0006]下面结合附图所示实施例，对本发明作进一步详述。
[0007]软测量技术是选择与被估计变量相关的一组可测变量，构造某种以可测变量为输入、被估计变量为输出的数学模型，用计算机软件编程实现重要过程变量的估计。这个过程包括辅助变量的选择、数据的采集和处理、软测量模型的建立和在线校正。
[0008](I)辅助变量的选择:辅助变量的选择一般是根据工艺机理分析(如物料、能量平衡关系)，在可测变量集中，初步选择所有与被估计变量有关的原始辅助变量，这些变量中部分可能是相关变量。在此基础上进行精选，确定最终的辅助变量个数。
[0009](2)数据的采集和处理:要建立软测量模型，需要采集被估计变量和原始辅助变量的历史数据，数据的数量越多越好。这些数据的可靠性对于软测量的成功与否至关重要。然而，测量数据一般都不可避免地带有误差，有时甚至带有严重的过失误差。因此，输入数据的处理在软测量方法中占有十分重要的地位。
[0010](3)软测量模型的建立:软测量模型是研究者在深入理解过程机理的基础上，开发出的适用于估计的模型，它是软测量方法的核心，通常有基于过程机理建模和基于过程数据建模的方法。
[0011](4)软测量模型的在线校正:由于过程的时变性、非线性及模型的不完整性，必须考虑模型的在线校正。软测量模型的在线校正可以表示为模型结构和模型参数的优化过程，具体方法有自适应法、增量法和多时标法。由于模型结构的修正需要大量的样本数据和较长的时间，在线进行有实时性比较困难，因此提出了短期学习和长期学习相结合的思想。短期校正只对模型的某些参数进行调整，甚至不调整参数，只通过一些修正算法计算出修正量，直接对输出进行补偿。因此它的校正速度快，适于模型的在线实时校正。长期校正适于模型工作较长时间后，工况和环境干扰有较大改变，模型失配比较严重，短期校正无法满足校正精度的情况。此时往往需要大量新数据对模型进行重新训练以确定新结构及参数。谷氨酸发酵过程菌体浓度在线软测量系统，首先根据谷氨酸发酵工艺过程，找到对菌体浓度有直接影响的四个过程参量，它们分别是PH值、温度、通风量和补糖量，然后利用软测量技术建立菌体浓度软测量模型。其中软测量模型的核心是以神经网络与遗传算法相结合构成的GA-BP网络，将训练好的GA-BP软测量模型用程序实现在计算机控制系统中，通过现场实时采集四个过程参数作为软测量模型的输入，而菌体浓度作为输出，实现对菌体浓度的在线估计，从而能够提高味精的产量，降低味精生产的成本，提高企业经济效益。
[0012]图1中包括PH、温度、补糖量和通风量控制；GA_BP软测量模型；样本训练；谷氨酸菌体浓度计算。图2为谷氨酸发酵过程菌体浓度软测量系统运行画面；图3为谷氨酸发酵过程菌体浓度软测量系统测试
实施例:
谷氨酸发酵过程菌体浓度在线软测量系统是将训练好的软测量模型用计算机程序实现在计算机控制系统中，然后通过现场仪表采集谷氨酸发酵过程的可测参数，它们分别是PH值、温度、通风量和补糖量，作为软测量模型的输入，而菌体浓度是软测量的输出，就可在线计算出菌体浓度的估计值。以神经网络与遗传算法相结合构成的GA-BP网络作为软测量模型，采集现场运行的样本数据对网络模型进行训练，只要保证软测量模型的准确性，就可以实现在线对菌体浓度的准确监测。
【权利要求】
1.一种谷氨酸发酵过程菌体浓度在线软测量方法，其特征在于，所述方法包括以下过程:将软测量模型用程序实现在计算机控制系统中，然后利用计算机采集谷氨酸发酵过程的实时工艺数据，通过程序化的软测量模型计算菌体浓度，最终实现菌体浓度的在线监测；采用GA算法与BP神经网络结合，构建GA-BP网络谷氨酸发酵过程软测量模型；根据训练好的GA-BP软测量模型用程序实现在计算机中，然后通过现场仪表采集发酵过程的pH值、补糖量、温度和通风量参数，作为软测量模型的输入，计算出菌体浓度的估计值，实现在线对菌体浓度的测量。
【文档编号】G05D27/02GK103500280SQ201310460718
【公开日】2014年1月8日 申请日期:2013年9月30日 优先权日:2013年9月30日
【发明者】王贵成, 孙旖琦, 蔡野, 穆晓楠, 关长亮 申请人:沈阳化工大学