具有多采样率非线性特性的多工况生物发酵过程监测方法的研究

With the development of bio-industry and the progress of production technology,the accuracy of process control requirements is getting higher and higher. It is one of the most important issues in the development of strategic emerging industries in China to find a suitable modeling method and fusion strategy, to monitor the fermentation process efficiently and accurately, to achieve the goal of saving energy, reducing consumption and increasing efficiency. In this project, we propose a monitoring scheme of biological fermentation process, including the identification of working conditions, the modeling of multi-rate sampling nonlinear local model, and the model fusion. Data characteristics are extracted and redundant information is eliminated by kernel principal component analysis. Combining the clustering validity index to construct the objective function, we can find the group clustering algorithm which can deal with the high dimension.data and automatically determine the optimal clustering number, and dynamically track the change of the working point. Taking the block-oriented nonlinear system which can fit the fermentation process as the starting point, for the existence of unpredictable variables or incomplete data in the multi-rate sampling system, the auxiliary model method is proposed to estimate the unpredictable variables of the.system and decouple the model by fully excavating the measured information. Finally, the global predictive output is obtained by using the evidence theory, and the dynamic correction of the fusion model output is carried out, and then the modular software of the practical application of biological fermentation process modeling and monitoring is designed.

随着生物产业的发展和生产技术的进步，对过程控制的精度要求也越来越高。如何寻求适宜的建模方法和融合策略，高效、精确地监测发酵过程，实现节能、降耗、增效目标，成为我国发展战略性新兴产业中最重要的议题之一。本项目提出包括工况点识别、多采样率非线性局部模型建模、模型融合在内的生物发酵过程监测方案。利用核主元分析提取数据特征，剔除冗余信息；结合聚类有效性指标构造目标函数，探索能够处理高维数据、自动判别最佳聚类数目的群智能聚类算法，动态跟踪工况点变迁。以能够拟合发酵过程的模块化非线性系统为切入点，针对多采样率系统中存在不可测变量或不完整数据的难题，充分挖掘可测信息，研究辅助模型用以估计系统的不可测变量，并进行模型解耦，进而构建计算量小、辨识精度高的信赖域辨识方法。最后，利用证据理论对局部模型融合得到全局预测输出，并对融合模型输出进行动态校正，进而开发具有实际应用意义的生物发酵过程建模与监测的模块化软件

复杂工业过程的每个局部系统实际是具有严重非线性、数据多采样率、受有随机噪声干扰的复杂系统。这类多采样率非线性系统的建模与控制问题，是制约着复杂工业过程提高产品质量、提高控制精度的关键和瓶颈。本项目构建更符合实际工况的多采样率（多率）非线性系统的建模方法，改进已有辨识算法的不足，提高收敛速度和精度，为实现工业过程有效监测、提高产品质量、获得最大收益提供模型基础，对于提高复杂工业过程的自动化水平，实现节能、降耗、增效目标，具有巨大的现实意义。在本项目的资助下目前共获得4项发明专利授权；5项软件著作权授权；发表论文15篇（SCI收录12篇，EI收录3篇）。重点研究了如下四个方面的内容。.1）本课题通过实验获取15批次发酵实验数据结合现场采集数据，采用核主元分析方法，提取数据特征、剔除输入变量间的冗余信息、减少输入变量数据维数，对不同影响因素的分析，选取主元因素；.2）针对不同工况（稳定/过渡）下的参数不同、采样频率不同，多变量、变量间存在耦合、某些过程变量不可测(数据信息不完整)等特点，围绕以下内容作了深入研究。①利用关键项技术，研究这类存在不可测变量、多采样率复杂系统的辨识方法；②利用滤波辨识技术，研究噪声干扰下的多采样率、非线性、多变量系统辨识新方法； ③利用状态空间模型，研究这类存在未知时延和时滞的复杂工业过程的参数估计和状态估计方法。 .3）分数阶神经网络系统相比于整数阶神经网络系统能更好的模拟人类大脑系统，可以对系统进行更本质的描述。基于多工况生物发酵系统控制是典型的间歇控制的本质，考虑采样频率不同，参数采样存在时滞以及参数不匹配等问题，本项目将分数阶神经网络系统应用于复杂工业过程建模中，研究了分数阶神经网络的稳定、同步及控制应用。.4）研究复杂生物、化工过程建模、状态预报和监测软件实现问题，将提出的建模方法融入集散控制系统中，设计复杂工业过程建模、状态预报和监测的模块化软件。