ba总线的L-天冬酰胺酶II发酵过程优化控制

预估， 所以优化问题成为一个多阶段动态规划问题。 基本思 路是： 在控制时刻 ;， 由粒子群优化算法确定一个控制参数 ［ 溶解氧 !" （ #）的设定值 !" $% （ #） ］ ， 根据当前时刻的产物 浓度 & （ #） 、 菌体浓度 ’ （ #） 、 基质糖浓度测量值 $ （ #） ， 用神经
) )
基金项目： “ 十五”国家高技术研 究 发 展 计 划 （ !"# ）基 金 资 助 项 目 （ $%%$&&$’(’#’ ） 收稿日期： $%%) * %# * %’
— ’(, 万方数据 —
验。一个 经 过 优 化、智 能 控 制 的 !"# 发 酵 罐 产 酶 量 高 达 !$$% & ’(， 比原工艺提高 ) 倍以上， 发酵周期仅为 )* L !$ 小 时， 具有很好的工业生产前景。
（?）
加入的动量项 # 实质上相当于阻尼项， 它减小了学习过 程的振荡趋势， 改善了收敛性。 在使用该算法时， 由于步长在
万方数据
— )3" —
迭代过程中自适应进行调整， 因此对于不同的连接权系数实 际采用了不同的学习率， 也就是说误差代价函数 ! 在超曲面 上在不同的方向按照各自比较合理的步长向极小点逼近。 隐层节点个数选取的方法是先从 ! 个节点试起， 网络训 练集和检验集不变， 逐渐增加隐层节点数， 比较检验均方误 差， 选取能以较少的训练次数达到较高精度的节点数作为最 后的网络隐含层节点数。 检验均方误差为 " ! " #
!"
系统硬件结构及配置
系统的整体结 构 如 图 ) 所 示。 上 位 机 采 用 研 华 +,- .
网络模型得到的预估产物浓度 & （ # ( ) ）值， 使& （ # ( )） % （# ( )） （ #） 为最大 ［% （ # ( )） 为溶液体积］ ， 取这个设定值 !" $% 为 # 时刻到 # ( ) 时刻的控制值。 在 # ( ) 时刻重复此过程， 得 到新的一组设定值 !" $% （ # ( ) ）为 # ( ) 到 # ( ! 时刻的控制 值。 重复此过程直到发酵结束， 从而使 & （ #) ） % （ # ) ）最大。 溶 解氧的实时优化控制结构如图 ! 所示。
+ +
第 $# 卷 +
第, 期
计+
算+
机+
仿+
真
$%%" 年 , 月 + +
文章编号： ’%%" * -#,! （ $%%" ） %, * %’(, * %,
基于现场总线的 ! " 天冬酰胺酶 ## 发酵过程优化控制
吴晓鹏， 徐保国
（ 江南大学通信与控制工程学院， 江苏 无锡 $’,’$$ ） 摘要： 简要介绍 . * 天冬酰胺酶 // 和 0123/456 * 70 现场总线， 针对传统发酵过程控制系统布线复杂、 自动化程度低等缺 陷， 设计了一个基于 0123/456 * 70 现场总线的 . * 天冬酰胺酶 // 发酵过程的优化控制系统， 通过 0123/456 * 70 总线， 主站、 从站和各智能仪表间可直接通信， 形成开放性网络。 为了提高最大产酶量， 将智能、 优化控制技术融入过程控制系统， 着重采用神经网络非线性预测控制和粒子群优化算法解决溶解氧的优化问题， 达到较好的控制效果， 产酶量比原工艺提高 ’ 倍以上。 实验证明： 该系统经济、 可靠。 关键词： 现场总线； 神经网络； 粒子群优化算法 80$(# 9: )+ + 中图分类号： 文献标识码： &
/)$ & ,+++ 工控机， 以带有 0, 和 1,+ 接口的西门子 23 . 4$$ 系 列 ,#（ -,% 为 4)4- . !0,） 作为主站， 上位机通过编程电缆 与 ,#- 主站相连， 它即可直接对 ,#- 主站进行编程和调试， 又可对从站从现场反馈回来的数据信息进行集中监视、 记 录。 ,#- 主站的主要任务是远程监控各个从站， 实现对多个 发酵罐的集中调控、 管理。 从站采用西门子 23 . !$$ 系列 ,#（ -,% 为 !!/15） ， 它与 ,678+9%2 接口扩展模块 :1!33 相配套使用， 从站的主要任务是实现对单个发酵罐的过程控 制， 运用智能、 优化算法， 得到最大产酶量。
6 6
$ （ + ( ,） 、 产物浓度 & （ + ( ,） （ 神经网络输出） ， 所选择的神经
6
网络的输入为： 发酵时间 +、 当前时刻的 => 值 -. （ +） 、 当前时
图 #" 系统的整体结构示意图
刻的溶氧值 !" （ +） 、 当前时刻的菌体浓度 ’ （ +） 、 当前时刻的 基质总糖浓度 $ （ +） 、 当前时刻产物浓度 & （ +） 。 为了减少网络 节点数、 减少计算量， 每个浓度都单独建立一个神经网络模 型。 标准 /& 算法的一个严重的缺点是收敛太慢， 这影响了该 网络的实际应用。 由于学习速率 ! 不好选择， 选得太小则收 敛太慢， 若选得太大则有可能修正过头， 导致振荡甚至发散。 采用变学习速率算法
（ 1） （ 1） (! （ #） ! 0 23 （ # ( ) ） 4 0 23 23 （ #） （ 1）
$"
发酵过程的控制
发酵过程控制有三个目的： 提高过程稳定性、 克服各类
扰动、 优化过程行为。 在 # . 天冬酰胺酶 ++ 发酵过程优化中关 键问题是溶解氧优化问题。 由于发酵过程有高度非线性、 时 变性和不确定性， 因此建立准确的数学模型非常困难， 导致 一般的优化控制算法无法解决此类问题。 不过在长期的工业 生产过程中， 积累了大量的发酵过程批报数据， 可以利用那 些发酵时间短、 产量高的批报数据， 来寻求最适宜的溶解氧 变化轨迹。 $% #" 溶解氧的实时优化控制 # . 天冬酰胺酶 ++ 研制过程中首先在中试发酵罐中进行 参数的最优化工作， 采用正交试验的方法， 得到影响发酵的 主要参数 （ 溶解氧）的优化轨迹。 由于控制系统具有很强的 数据采集和存贮、 曲线优化分析等功能， 大大缩短了中试周 期。 这组优化参数放大应用到生产发酵罐时， 需进行进一步 的寻优， 这里采用神经网络非线性预测控制和粒子群优化算 法对溶解氧实时优化控制。 由于神经网络模型只能进行二步
（)） （!） （4）
（ # 5 )） （ #） 4 ! ! !
"
! （ # 5 )） ］ ［ ! （ #） " 4 678
（ 1） 23
（ 1） 23
当连续两次迭代其梯度方向相同时， 表明下降太慢， 这 时可使步长加倍； 当连续两次迭代其梯度方向相反时， 表明
（ 1） 下降过头， 这时可使步长减半。 在修正 0 是按 # 23 （ # ( ) ）时，
图 !"
溶解氧的实时优化控制框图
4 * ) * )<
状态预估的 9, 神经网络
神经网络模型的长处在于它能很好地实现非线性的、 不 能以通常数学方式表达的函数关系， 发酵过程最难的就是得 不到精确的或者比较可靠的数学描述。 因此用神经网络模型 通过可在线测量的参数较准确地在线预测各种生物参数值， 对过程的优化有着相当重要的作用。 这里采用 9, 神经网络， 训练样本集主要来自生产车间的发酵报表数据， 为了估计发 （ + ( ,） 、 基质总糖浓度 酵过程中下一个时刻的菌体浓度 ’
巴瘤和白血病的治疗， 但我国目前临床使用的 . * 天冬酰胺 日本进口， 价格昂贵。 因此， 在拥有优良菌 酶 // 主要从美国、 种条件下， 研究如何提高它的发酵水平就显得很重要。 发酵 过程中， 罐温、 罐压、 @\ 值、 溶解氧、 消泡等都会对产酶形成 影响， 但溶解氧的影响最大。 现场总线控制系统 （ 3I6）是 $’ 世纪自动控制系统发展
!$%&’()(*+,(&- ## .-)/-,0(0+1, 2)13-&& 41,0)15 6(&-7 1, .+-5789&
;5 <=>? * @ABC， <5 4>? * CD?
（ 6EF??G ?H I?JJDB=E>K=?B >BL I?BKM?G NBC=BAAM=BC，6?DKFAMB O>BCKPA 5B=QAMR=KS，;DT= U=>BCRD $’,’$$ ， IF=B>） %6:;<%4;： 8FA @>@AM VM=AHGS =BKM?LDEAR . * &R@>M>C=B>RA // >BL 0123/456 * 70 H=AGLVDR: &EE?ML=BC K? KFA @M?VGAJR AT=RK=BC =B KFA E?BQABK=?B>G HAMJABK>K=?B @M?EARR E?BKM?G RSRKAJ， RDEF >R E?J@GAT W=MAR LA@G?SAL， G?W >DK?J>K=?B， > . * &R@>M>C=B>RA // HAMJABK>K=?B @M?EARR E?BKM?G RSRKAJ V>RAL ?B 0123/456 * 70 H=AGLБайду номын сангаасDR =R LAR=CBAL: X=> 0123/456 * 70 VDR， KFA J>RKAM， RG>QAM >BL KFA =BKAGG=CABK LAQ=EAR E>B E?JJDB=E>KA W=KF A>EF ?KFAM L=MAEKGS， G=YA >B ?@AB BAKW?MY: 8? =BEMA>RA J>T=J>G ?DK@DK， KAEFB?G?C=AR ?H =BKAGG=CABEA E?BKM?G >BL ?@K=J=P>K=?B E?BKM?G >MA >L?@KAL =B KFA @M?EARR E?BKM?G RSRKAJ: 3DMKFAM， VS DR=BC KFA B?BG=BA>M H?MAE>RK E?BKM?G ?H 40 BADM>G BAKW?MY >BL @>MK=EGA RW>MJ ?@K=J=P>K=?B K? R?GQA KFA ?@K=J=P>K=?B ?H 72， KFA RSRKAJ ?VK>=BR ATEAGGABK E?BKM?G AHHAEK， KFA ?DK@DK =BEMA>RAR VS ’%%Z =B E?J@>M=R?B W=KF KFA ?DK@DK Q=> B?MJ>G E?BKM?G JAKF?L: 8FA AT@AM=JABK MARDGKR RF?W KF>K KFA RSRKAJ =R AE?B?J=E>G >BL MAG=>VGA: =>?@A<B:： 3=AGLVDR； [ADM>G BAKW?MY； 0>MK=EGA RW>MJ ?@K=J=P>K=?B 的主流， 是继集散控制系统 （ 7I6）后 的 新 一 代 控 制 系 统。