论文摘要
谷氨酸是世界上第一大的氨基酸产品,发酵过程产品质量波动大,错误和故障不易早期发现,易造成原料的浪费和设备的空转。本文以谷氨酸发酵为研究对象,对发酵过程的故障检测与诊断开展研究,具有一定的理论意义和实际应用价值。本论文给出了基于多向主元分析的过程故障辨识机理及策略,并建立了基于变量展开的多向主元分析模型的谷氨酸发酵故障诊断体系。通过考察SPE统计量和Hotlling T2统计量发现,正常发酵过程#4的SPE统计量和Hotlling T2统计量始终没有超过各自的置信度为95%的控制限。而在非正常发酵#6中,SPE统计量在第12 h时超过了其置信度为95%的控制限,由此可以判断在谷氨酸发酵过程中出现了不正常的情况。然后通过异常发酵罐批#6的过程变量对SPE贡献图分析得知,在第12 h时,转速对SPE统计量的贡献值最大,说明了在12 h搅拌转速出现了问题。本论文探讨了利用自我联想型神经网络（AANN）对谷氨酸发酵过程进行在线故障诊断的有效性和实用性研究。自我联想型神经网络是一种带瓶颈层的、5层结构的特殊神经网络。通过对发酵过程的表观变量进行适当筛选,最终选取了OD620、RPM、OUR、CER和氨水消耗量数据5个变量输入到结构为5-6-2-6-5的AANN网络中进行训练,不同性能的发酵过程可以得到聚类,利用评价指标J可以对谷氨酸发酵进行故障诊断。批次#4、#5的J值自始至终没有达到或接近“控制极限”,可认定为是正常发酵。而批次#6的J值,在第12 h左右超过“控制极限”,并延续5-6 h左右才开始回落。据此可以判断在这段时间内,谷氨酸发酵出现了故障。批次#7的J值在12.5 h超过了“控制极限”,实验人员接到报警信号后经过分析并对故障进行了处理,16 h时使谷氨酸发酵恢复正常,并最终使谷氨酸浓度达到了56.3 g/L的水平,这比故障排除前提高了20 g/L。
论文目录
摘要Abstract第一章 绪论1.1 本研究课题的主要背景1.1.1 谷氨酸发酵的历史与现状1.1.2 我国工业发酵行业的现状1.1.3 发酵过程控制的发展趋势1.1.4 基于多向主元分析进行故障诊断的研究现状1.1.5 基于自我联想型神经网络进行故障诊断的研究现状1.2 本研究课题的主要内容1.3 本研究课题的主要意义第二章 谷氨酸发酵的数据采集及其预处理2.1 发酵数据测定方法2.1.1 葡萄糖的测定2.1.2 谷氨酸的测定2.1.3 菌体浓度的测定2.1.4 菌体干重的测定2.1.5 摄氧速度（OUR）和二氧化碳生成速度（CER）的计算2.2 实验设备2.2.1 保兴BIOTECH-58G 发酵罐联机、数据采集、控制集成系统2.2.2 其他仪器及设备2.3 谷氨酸发酵在线数据采集2.4 数据清理2.4.1 遗漏数据处理2.4.2 噪音数据处理2.4.3 不一致数据处理2.5 数据的标准化2.6 结果与讨论2.6.1 谷氨酸发酵过程中菌体生长和产物代谢的基本特征2.6.2 谷氨酸发酵过程的“正常”与“非正常”区分2.6.3 数据平滑处理方法的选择2.7 小结第三章 基于多向主元分析模型的谷氨酸发酵故障诊断3.1 引言3.2 材料与方法3.2.1 主元分析模型3.2.2 基于变量展开的多向主元分析模型3.3 结果与讨论3.3.1 参考模型数据库的建立3.3.2 基于多向主元分析模型的谷氨酸发酵故障诊断步骤2 统计量控制限的确定'>3.3.3 SPE 统计量、Hotlling T2统计量控制限的确定3.3.4 正常异常发酵罐批的SPE 统计量比较2 统计量比较'>3.3.5 正常异常发酵罐批的Hotlling T2统计量比较3.3.6 异常发酵罐批过程变量对SPE 统计量的贡献图3.4 本章小结第四章 基于自我联想型神经网络的谷氨酸发酵在线故障诊断4.1 引言4.2 材料与方法4.2.1 铵根离子测定的分析方法4.2.2 用于故障诊断和早期预警的自我联想型神经网络（Autosssociative Neural Network）4.3 结果与讨论4.3.1 基于自我联想型神经网络（AANN）谷氨酸发酵过程故障诊断的状态变量的选择4.3.2 基于自我联想型神经网络（AANN）进行谷氨酸发酵故障诊断4.3.3 基于自我联想型神经网络（AANN）进行故障处理4.4 本章小结第五章 结论与展望5.1 结论5.2 展望致谢参考文献附录：作者在攻读硕士学位期间发表的论文
相关论文文献
标签：谷氨酸发酵论文; 多向主元分析论文; 自我联想型神经网络论文; 故障诊断论文;
