神经网络逆系统软测量方法及其在红霉素发酵过程中的应用

《神经网络逆系统软测量方法及其在红霉素发酵过程中的应用》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、摘要本文以实际生化过程控制中存在关键控制量不能在线测量的实际问题为背景，在实验室前期工作基础上提出了新颖的神经网络逆系统软测量方法，并应用到某制药厂的红霉素发酵生产中去，实际运行效果表明，该方法的有效性，为解决红霉素发酵优化控制的关键问题之一——生物量(菌丝浓度、总糖浓度和产物浓度)的在线测量问题提供了一个新的研究方向。本文已取得的研究成果如下：1．在实验室前期研究成果——神经网络逆系统理论基础上提出了神经网络逆系统软测量方法，实际运行效果表明了该方法的有效性，为解决红霉素发酵优化控制的关键问题之

2、一——生物量(菌丝浓度、总糖浓度和产物浓度)的在线测量问题提供了一个新的思路，为其它生化过程控制关键生物量的测量问题指出了一个新的方向。2在大量阅读消化文献并依据实际生产工艺曲线，提出r一个适合现有红霉素发酵过程的非结构动力学模型，为软测量的实现及其将来优化控制做了准备。3．由于神经网络逼近的是多输入多输出函数，引入了神经网络结构分解的方法．提高_：r神经网络训练速率，也同时增加了神经网络训练的泛化能力。4．依据程序模块化的思想，设计了红霉素发酵过程神经网络逆系统软测量的实现程序，其中神经网络逆系

3、统软测量算法模块可以作为一个标准模块，经过很小的改动就可以移植到其它神经网络软测量问题的程序实现中去。关键词：神经网络，逆系统，软测量，红霉素发酵，生化过程东南夫学硕士学位论文AbstractTheprimarycontroIvariablescannotmeasureoo】ineinrealbioprocesscoutro】application．Todealwiththeproblem，anoveltheory·SMNNIS(sofl—measurementbasedonneuralnetwo

4、rkinversesystem)，whichoriginatesfromtheadvanceresultofourlaboratory,isadvancedinmythesisandisappliedtotheerythromycinfed-batchfermentationprocessinaPhysicCo．．Thegoodresultapprovestheprimarybiologiccontrolvariables，includingmycetiumconcentration，sugarc

5、oncentrationandproductionconcentration．CallbeestimatedonlinebytheSMNNIS．SotheSMNNIScanbea5anewmethodtodealwiththeestimateofbiologiccontrolvariableinsimilarbioprocess．ThemainresearchfindingsinmythesisIistasfoflows．IThattheSMNNIS(Soft-Measurementbasedon

6、NeuralNetworkInverseSystem)originatesfromtheadvanceresultofourlaboratoryisadvancedThegoodresultapprovestheprimarybiologiccontrolvariables，includingmyceliumconcentration，sugarconcentrationandproductionconcentration，canbeestimatedonlinebytheSMNNISSotheS

7、MNNIScanbeasanewmethodtodearwiththeestimateofbiologiccontrolvariableinsimilarbioprocess2Asuitablenon—structurekineticsmodelingoferythromycinfed-batchfermentationprocessisbroughtforwardbyreadingadvancereferenceandtherealmanufacturingtechnique．andisprep

8、aredforthesoft—sensorandoptimizingcontrolinthenearfuture3Thestructuredecompositionof／leuralnetworkisintroducedtoimprovetheeonvergencerateandgeneralizationabilityofneuralnetworkbecausetheneuralnetworkintheSMNNISisusedforapproximationofMIMOfunct