生物反应过程的在线支持向量机建模与优化

Comparing with other industrial processes, bioprocess has complicated mechanism, high nonlinear and uncertainty issues. It is difficult to build physics model, and also the automation degree is low, so bioprocess has become hot point of international process control research. Aiming to solve these issues, bioprocess modeling and optimization strategies based on online support vector machines (OSVM) are studied, the main contents include: i) Multi-output OSVM learning strategy is proposed, and optimize the online learning steps of OSVM; ii) Bioprocess modeling based on OSVM is studied, the model parameters can be adjusted online, and optimize model parameters; iii) Combining OSVM and bioprocess mechanism models, three different structural (series, series-parallel and parallel) online self-adjust hybrid modeling strategies are proposed; iv) Bioprocess modeling software is explored, advanced modeling strategies could be used in field study; v) Multi-object optimization control of bioprocess is studied with these models, and design optimized controller. This project is belonging to basic application research; the results of this research can be widely applied to bioprocess engineer etc. high-added-value intermittent industrial processes.

生物反应过程由于其反应机理复杂、高度非线性和不确定性等特点，相对于其它工业过程，物理建模困难、其自动化程度还很低，已经成为当今国际过程控制领域研究的热点。本课题针对以上问题，研究生物反应过程的在线支持向量机(OSVM)建模与优化方法，主要研究内容包括:（1）提出多输出OSVM学习算法，同时优化OSVM算法在线学习步骤；（2）提出生物反应过程OSVM建模策略，实现模型参数在线校正，并且优化模型的参数；（3）将在线支持向量机和生物反应过程机理模型结合，提出串联、串并联、并联三种不同结构在线自校正混合建模策略；(4)开发用于实际生物反应过程的建模软件，实现先进的建模方法的实际应用；（5）运用所建模型，实现生物反应过程的多目标协同优化控制，并设计优化控制器。本项目属于应用基础研究，研究成果在生物反应工程等高附加值的间歇过程工业领域有广泛的应用前景。

生化反应过程由于其反应机理复杂、高度非线性和不确定性等特点，成为当今国际过程控制领域研究的热点。本项目针对以上问题，研究生化反应过程的在线支持向量机(OSVM)建模与优化研究方法，主要研究成果如下：.（1）基于在线支持向量回归的生化过程建模研究：针对在线支持向量回归算法抗干扰能力差、训练速度慢等问题，提出了模糊在线支持向量回归(FOSVR)算法；并且将机理模型和FOSVR软测量模型相结合，从而实现了对生化反应过程的混合建模。.（2）生化过程机理模型参数辨识方法及应用研究： 针对多输入Wiener非线性模型待估计参数多、结构复杂的特点，为了保证算法的辨识精度以及运行速度，本项目提出了针对该模型的Levenberg-Marquardt迭代算法，针对谷氨酸发酵过程，建立了具有可逆非线性的多输入单输出Wiener 非线性模型，通过梯度迭代算法估计了该模型参数。.（3）精确增量式在线-支持向量回归机的研究：基于-SVR的等价形式及Karush-Kuhn-Tucker(KKT)条件，通过引入新的变量 和附加项 的策略，有效地解决了在绝缘增量调整过程中存在的矛盾和异常，并最终经过有限次数迭代拟合出整个解路径。将算法应用于谷氨酸分批补料发酵过程中菌体浓度和产物浓度的软测量，实现了在线预估。.（4）基于在线支持向量回归的生化过程预测控制研究：针对预测函数控制对非线性强和时变的实际对象控制效果不佳问题，提出基于FOSVR逆模型的非线性预测函数控制算法。针对发酵过程生物浓度难以在线控制，采用基于FOSVR的预测控制调节谷氨酸发酵过程流加。通过对谷氨酸发酵的流加控制结果显示，流加预测控制有效的提高了最终产物浓度。.（5）基于在线支持向量回归的生化过程建模和控制应用研究：由项目组开发的集成优化控制软件平台从2014年开始在泰兴市东圣食品科技有限公司的谷氨酰胺转氨酶发酵法生产中使用，建立了发酵过程模型、实现多目标优化控制。通过使用集成优化控制软件平台，谷氨酰胺转氨酶的产量得到提高。