发酵过程预测控制研究

论文摘要

微生物发酵过程具有高度的非线性和时变性,其内在机理非常复杂。一些重要的过程变量不能在线测量,导致发酵过程的建模和控制更为复杂。传统的解析式模型很难用于发酵过程的优化控制。预测控制通过在线反复优化和反馈校正进行最优控制,对模型要求低,在线计算方便,对复杂环境的适应性胜过传统的最优控制。预测函数控制(PFC)比传统的预测控制更注重控制量的结构,即把控制输入看作若干选定的基函数的线性组合,优化确定组合的权值,在线计算量小。预测控制在化工、冶金和石油加工等过程取得了成功的应用,但在发酵过程应用很少,因此尝试发酵过程预测控制研究很有价值。本论文通过对预测函数控制特点的分析,结合青霉素发酵过程,研究基于分段线性化的多模型预测函数控制和基于BP网络的预测函数控制。将基于分段线性化的多模型预测函数控制应用于青霉素发酵过程,在非线性系统的各个平衡点附近进行线性化,建立相应的线性化局部模型。针对各局部模型,分别设计预测函数控制器,然后利用改进的加权器对各局部控制器进行加权并求和得到总的控制器。将基于BP网络的预测函数控制应用于青霉素发酵过程。内部模型采用串联结构的模型,将先验输出模型与BP网络相串联。输出模型为青霉素产物浓度输出方程。采用BP网络对过程的非线性动力学特性建模得到产物浓度输出方程的系数。根据青霉素发酵过程中可在线测量的二氧化碳释放率(CER),实现青霉素发酵过程产物浓度的预估。用BP网络构成预测函数控制的神经网络控制器,讨论了该神经网络控制器的权值的校正方法。仿真表明:两控制方案的输出曲线逼近参考轨迹,整个发酵过程平稳,青霉素浓度较高。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 发酵过程控制概述
• 1.1.1 发酵过程控制的含义
• 1.1.2 发酵过程控制的目标
• 1.1.3 发酵过程控制的常用数学模型
• 1.2 国内外发酵过程控制概况
• 1.3 国内外预测控制应用情况
• 1.3.1 传统预测控制算法的应用情况
• 1.3.2 国内外预测函数控制发展现状
• 1.4 国内外发酵过程预测控制研究进展
• 1.5 本课题意义
• 1.6 本论文主要内容
• 第二章 预测控制概况和预测函数控制原理
• 2.1 预测控制概述
• 2.1.1 基于机理模型的非线性预测控制
• 2.1.2 基于实验模型的非线性预测控制
• 2.1.3 基于智能模型的非线性预测控制
• 2.2 预测控制算法的优势
• 2.3 预测函数控制原理
• 2.3.1 基函数
• 2.3.2 参考轨迹
• 2.3.3 预测模型
• 2.3.4 误差补偿
• 2.3.5 滚动优化
• 2.3.6 预测时域长度p 的确定
• 2.3.7 控制时域m 的确定
• 2.3.8 总结
• 2.4 本章小结
• 第三章 两种非线性预测函数控制方法
• 3.1 基于分段线性化的多模型PFC
• 3.1.1 结构
• 3.1.2 基本思想
• 3.1.3 加权器设计方法
• 3.2 基于BP 网络的PFC
• 3.2.1 控制方案
• 3.2.2 核心思想
• 3.2.3 BP 网络理论介绍
• 3.2.4 BP 网络控制器结构
• 3.2.5 算法流程
• 3.3 本章小结
• 第四章 预测函数控制在发酵过程的应用
• 4.1 青霉素发酵过程介绍
• 4.2 基于分段线性化的多模型PFC 在发酵过程的应用
• 4.2.1 青霉素发酵过程动力学模型介绍
• 4.2.2 青霉素发酵过程控制量的求取
• 4.2.3 控制效果
• 4.3 基于BP 网络的PFC 在发酵过程的应用
• 4.3.1 内部模型的结构
• 4.3.2 BP 网络的训练
• 4.3.3 预测函数控制方案
• 4.3.4 控制效果
• 4.4 本章小结
• 第五章 总结与展望
• 5.1 总结
• 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