分批补料发酵系统半实时优化和控制

@GOOOOONG

文献摘要

提出了一种利用混合神经网络(HNN)和遗传算法(GAs)对补料分批发酵系统进行半实时优化和控制的方法。发酵系统是为了培养苏云金芽孢杆菌(Bt)生产苏云金芽孢杆菌。苏云金杆菌素是一种生物杀虫剂,是苏云金杆菌的主要外毒素之一。将培养系统建模为混合神经网络模型,作为遗传算法的搜索域来确定最优流加率。利用HNN模型和测得的状态变量,每1h对系统进行半实时优化,苏云金杆菌素的产量大幅增加。

文献背景

遗传算法(genetic algorithm)

遵循“适者生存”、“优胜劣汰”的原则,是一类借鉴生物界自然选择和自然遗传机制的随机化搜索算法。 遗传算法模拟一个人工种群的进化过程,通过选择(Selection)、交叉(Crossover)以及变异(Mutation)等机制,在每次迭代中都保留一组候选个体,重复此过程,种群经过若干代进化后,理想情况下其适应度达到“近似最优”的状态。 自从遗传算法被提出以来,其得到了广泛的应用,特别是在函数优化、生产调度、模式识别、神经网络、自适应控制等领域,遗传算法发挥了很大的作用,提高了一些问题求解的效率。

神经网络(neural network)

1.确定输入和输出;

2.找到一种或多种算法,可以从输入得到输出;

3.找到一组已知答案的数据集,用来训练模型,估算w和b;

4.一旦新的数据产生,输入模型,就可以得到结果,同时对w和b进行校正。

文献内容

使用一个杂交的无结构模型来模拟发酵,模型包含2部分,已知的知识基础,和未知的黑箱模型,如下公式在描述发酵运行。

X是生物量,F是流加速率,S为底物,P为产物。

公式中出现3个未知参数,μ,σ,π,分别代表生长速率、底物消耗速率、产率。

将公式1-4以向量的形式表达为

其中x是状态向量,u为流加速率,最终将公式转化为如(6-9)所示。

f=final,最终态,tf表示最终时间。max表示最大量,I表示最终产量。

想要获得最佳流加速率,可以使用公式(10)来表示当F测试至第i段时

其中,gj表示第j个基因(元素)编码的解决方案,Ful-Fll表示流加速率的高限和底限。其目的是控制流加速率在设定值范围之内,如公式(11)所示。

文章结论

补料培养半实时优化方法是一种发酵优化方法,本文是通过混合神经网络模型、在线测量状态变量和遗传算法进行优化。

该算法之所以适用于发酵系统,因为发酵系统的控制方程总是存在一些不确定性。发酵系统不可能每次运行都完全相同,从说明而半实时优化方法具有良好的应用前景。

参考文献

Zuo K, Wu W T. Semi-realtime optimization and control of a fed-batch fermentation system[J]. Computers & Chemical Engineering, 2000, 24(2):1105-1109.

https://www.imooc.com/article/23911?block_id=tuijian_wz

http://www.ruanyifeng.com/blog/2017/07/neural-network.html

可以点赞了~

  • 发表于:
  • 原文链接https://kuaibao.qq.com/s/20180821G1E4CS00?refer=cp_1026
  • 腾讯「云+社区」是腾讯内容开放平台帐号(企鹅号)传播渠道之一,根据《腾讯内容开放平台服务协议》转载发布内容。
  • 如有侵权,请联系 yunjia_community@tencent.com 删除。

扫码关注云+社区

领取腾讯云代金券