基于RBF神經(jīng)網(wǎng)絡(luò)多模型的青霉素濃度預報方法研究.pdf

1、青霉素作為一種重要的抗生素是通過發(fā)酵進行生產(chǎn)的，其發(fā)酵過程是一個極為復雜的難以建立準確機理模型的生化反應過程，具有強非線性、時變性和不確定性等特點。為了對發(fā)酵過程進行優(yōu)化與控制，要求對其中重要的生物量如基質(zhì)濃度、菌體濃度，以及青霉素濃度等進行實時監(jiān)測。目前，主要是通過取樣離線化驗對這些生物量進行檢測，具有很大的時滯性，而且取樣時可能會使發(fā)酵罐感染雜菌，導致青霉素產(chǎn)量與質(zhì)量下降。青霉素濃度是最重要的一個生物量，本文對其在線預報方法進行深入

2、研究。
　　目前，一般是建立一個全局預報模型對青霉素濃度進行在線預報。但是當發(fā)酵初始條件及操作參數(shù)的波動增大時，發(fā)酵批次間差異就隨之增大，全局預報模型由于模型單一而導致預報精度下降，預報誤差增大。針對上述不足，本文提出一種多模型建模方法。
　　首先采用減聚類法對樣本中的批次按發(fā)酵初始條件和操作參數(shù)自動劃分類別，使得類中批次差異盡可能小，類間批次差異盡可能大。然后以批次為單位建立各批次RBF神經(jīng)網(wǎng)絡(luò)預報模型。在著重分析發(fā)酵過程

3、機理及工藝基礎(chǔ)上，確定關(guān)鍵過程變量作為RBF神經(jīng)網(wǎng)絡(luò)的輸入，包括采樣時間、培養(yǎng)體積、二氧化碳濃度、溶解氧濃度、pH、發(fā)酵罐溫度、空氣流率、攪拌器功率、補給基質(zhì)流率和補給基質(zhì)溫度。RBF神經(jīng)網(wǎng)絡(luò)訓練算法采用基于減聚類的K-均值梯度算法，該算法根據(jù)訓練數(shù)據(jù)的特點自動確定網(wǎng)絡(luò)隱層神經(jīng)元的個數(shù)，對網(wǎng)絡(luò)徑向基函數(shù)中心、基寬，以及網(wǎng)絡(luò)隱層到輸出層的權(quán)系數(shù)均進行訓練調(diào)整，使得建模精度更高。采用類內(nèi)各批次模型最優(yōu)加權(quán)組合的方法建立類預報模型，通過極小化

4、類內(nèi)所有批次模型的加權(quán)組合預測誤差平方和求取加權(quán)系數(shù)，使得類模型是該類的一個最優(yōu)模型。這樣針對發(fā)酵過程批次間波動較大情形形成類模型庫。當進行青霉素濃度在線預報時，以當前批次發(fā)酵初始條件和操作參數(shù)與各類中心距離最小為依據(jù)選擇類模型作為預報模型。
　　最后，利用Pensim青霉素發(fā)酵仿真平臺，采用正交試驗方法設(shè)計批次少、信息全面且分布均勻的建模樣本，對提出的預報方法進行實驗仿真。結(jié)果表明，發(fā)酵過程批次間波動較大時，預報模型的精度與泛化