结合红霉素发酵过程建立菌体浓度软测量模型.pdfVIP

摘 摘 要要 摘摘 要要 微生物发酵工程是生物工程和现代生物技术的产业化基础。生物量浓度是发 酵过程的重要参数，直接反映着生物发酵过程的状态，影响着发酵产物的质量和 产量。为了对发酵过程进行有效控制，迫切需要实现发酵过程中代谢产物浓度的 在线测量。 受到生物传感器技术的限制，生物量浓度难以用常规的传感器测量。专用传 感器存在着价格昂贵和维护费用高的缺点使其应用具有很大的局限性。随着计算 机技术的发展，利用在线可测辅助变量估计在线不可测变量或难以测量变量的软 测量方法在微生物发酵过程中得到应用。近几年来，诸如机理建模、卡尔曼滤波 器、多元回归、人工神经网络和支持向量机等方法已经被诸多学者应用于微生物 发酵过程的软测量建模中。支持向量机理论以其样本需求量小、预测精度高和泛 化能力强的优势在众多方法中脱颖而出，受到广泛关注。 本文以红霉素发酵过程为研究对象，在详细分析了软测量建模方法国内外研 究现状的基础上，将连续隐 Markov 模型（CHMM ）引入到软测量建模领域，提 出了基于CHMM 的生物发酵软测量建模新方法，并结合红霉素发酵过程采集数 据建立了菌体浓度软测量模型。全文主要研究内容如下： 1、在详细分析软测量建模方法国内外研究现状以及 CHMM 基本理论和算 法的基础上，结合红霉素发酵过程，将 CHMM 模型引入到软测量建模领域，提 出了基于CHMM 的生物发酵软测量建模方法。 2 、针对现有软测量模型预测结果直接应用于发酵过程实时监测和优化控制 时存在盲目性的问题，提出了软测量结果可信度评价指标，用于在线实时评价软 测量结果的可靠性。 3、针对传统Baum-Welch 算法存在的缺陷，以及 CHMM 在生物发酵软测量 建模应用中的实际问题，对 Baum-Welch 参数重估公式进行了修正，研究了一种 改进 Baum-Welch 算法，并给出了基于改进 Baum-Welch 算法的 CHMM 生物发 酵软测量建模实现步骤。 4 、为了提高基于 CHMM 的生物发酵软测量模型的预测精度，采用区别性训 练算法代替传统的最大似然估计训练算法（Baum-Welch 算法），研究了基于改进 最小分类误差准则的 CHMM 软测量模型参数训练算法，并给出了基于改进最小 分类误差准则的 CHMM 生物发酵软测量建模实现步骤。 关键词关键词：红霉素发酵，软测量，连续隐Markov 模型，Baum-Welch 算法 关键词关键词 ABSTRACT Microorganism fermentation engineering is the foundation of bioengineering and biotechnology. Biomass concentration is an important variable in the fermentation process, which reflects the state of the fer