基于神经网络的洋葱伯克霍尔德菌脂肪酶发酵过程建模

论文摘要

微生物发酵工程是生物技术的重要组成部分,其应用遍及化学工业、农业、食品工业、医药工业以及能源等国民经济行业的各个领域。发酵过程具有高度的非线性、时变性和基本生物量难以在线测量等特征,因此对发酵过程实施有效的在线控制和优化,已成为发酵工程的重要研究课题。对于整个发酵过程的控制极其重要的一些参数如菌体浓度、基质浓度、产物浓度等无法在线测量,因此本文采取软测量技术,利用可以实时测量的参数(时间、pH、溶氧)来估计不能在线测量的参数,以实现对整个发酵过程的模拟。BP神经网络结构简单,可调参数多,训练算法多,可操控性好,适合生物发酵的非线性过程建模。遗传算法计算简单、功能强大,对解决优化问题具有很大潜力。将这两种方法结合起来可以起到很好的建模和优化效果。本文以洋葱伯克霍尔德菌(Burkholderia cepacia)G63脂肪酶发酵过程作为研究对象,采取BP神经网络方法,建立发酵过程的软测量模型,并利用遗传算法,对神经网络的初始权值和阈值进行了优化,实现了加快收敛速度,达到全局最优解的效果。软测量模型的建立,解决了发酵过程中关键生物量在线测量的问题,为实现发酵过程的实时控制、管理和优化操作奠定了基础。本文依托Matlab6.5的强大功能,利用其自带的神经网络工具箱以及从外部安装的gaot遗传算法工具箱,实现了洋葱伯克霍尔德菌脂肪酶发酵过程的软测量模型的构建,并进行了模型验证。结果表明该模型能很好地模拟发酵过程,具有良好的泛化能力。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 发酵过程概述
• 1.2 发酵过程建模的基本原理和方法
• 1.3 人工神经网络
• 1.4 遗传算法
• 1.5 本研究课题目的和意义
• 2 G63 脂肪酶发酵过程参数的获取
• 2.1 试验材料与方法
• 2.2 发酵条件和数据采集
• 2.3 讨论
• 3 基于遗传算法优化的BP 网络发酵过程建模
• 3.1 酶活力模型
• 3.2 菌体浓度模型
• 3.3 残糖浓度模型
• 3.4 讨论
• 4 结论和展望
• 4.1 结论
• 4.2 展望
• 致谢
• 参考文献
• 附录 攻读学位期间发表论文目录