[發明專利]基于神經網絡結合遺傳算法實時優化補料產丙氨酸的方法

在審

• 申請號: 201710067111.8
• 申請日: 2017-02-07
• 公開（公告）號: CN106803023A
• 公開（公告）日: 2017-06-06
• 發明（設計）人: 郭恒華;劉洋;張冬竹;唐思青
• 申請（專利權）人: 秦皇島華恒生物工程有限公司
• 主分類號: G06F19/00
• 分類號: G06F19/00;G06N3/08;G06N3/12
• 代理公司: 北京遠大卓悅知識產權代理事務所(普通合伙)11369
• 代理人: 史霞

1.一種基于神經網絡結合遺傳算法實時優化補料產丙氨酸的方法，其特征在于，包括以下步驟：

S1：以葡萄糖為原料，采用XZ-A26菌株厭氧流加發酵產L-丙氨酸，建立各時刻多個發酵參數和L-丙氨酸濃度的發酵過程歷史數據集，構建并訓練BP神經網絡模型，形成各時刻多個發酵參數和L-丙氨酸濃度與下一時刻L-丙氨酸濃度的映射關系，選擇葡萄糖流加量為控制變量，構建遺傳算法模型并優化計算，獲得使預測的下一時刻L-丙氨酸濃度最大時T時刻的葡萄糖流加量的模擬值；

S2：發酵過程取樣并測定各時刻的各發酵參數和L-丙氨酸濃度，發酵進行至吸光度達到預定值時，將測定的T時刻的L-丙氨酸濃度列為輸出的訓練數據，把測定的T-1時刻各發酵參數和L-丙氨酸濃度列為輸入的訓練數據，與歷史數據集的訓練數據合并訓練BP神經網絡模型，然后將測定的T時刻的除葡萄糖流加量以外的各發酵參數和L-丙氨酸濃度應用于遺傳算法模型并優化計算，獲得使預測的T+1時刻L-丙氨酸濃度最大時T時刻的葡萄糖流加量的最優值，并于T時刻投放相應量的葡萄糖完成補料，逐個時刻訓練模型和優化計算，獲得任意時刻葡萄糖流加量的最優值。

2.如權利要求1所述的基于神經網絡結合遺傳算法實時優化補料產丙氨酸的方法，其特征在于，多個發酵參數包括各時刻對應的OD值、葡萄糖濃度、葡萄糖流加量以及氨水流加量。

3.如權利要求1所述的基于神經網絡結合遺傳算法實時優化補料產丙氨酸的方法，其特征在于，將歷史數據集的數據按發酵批次隨機分為訓練數據和測試數據，訓練數據和測試數據的比值為3:1，發酵批次為15～20批次。

4.如權利要求2所述的基于神經網絡結合遺傳算法實時優化補料產丙氨酸的方法，其特征在于，BP神經網絡模型以各時刻對應的時刻、吸光度值、葡萄糖濃度、L-丙氨酸濃度、葡萄糖流加量以及氨水流加量列為輸入的訓練數據，以下一時刻對應的L-丙氨酸濃度列為輸出的訓練數據，隱含層為兩層，第一層為10個單元、第二層為3個單元，形成拓撲結構為6-10-3-1模式的BP神經網絡模型。

5.如權利要求4所述的基于神經網絡結合遺傳算法實時優化補料產丙氨酸的方法，其特征在于，BP神經網絡模型采用premnmx函數對輸入的數據歸一化處理，采用postmnmx函數對輸出的預測的丙氨酸濃度反歸一化處理，神經網絡架構如下net＝newff(pn,tn,[10,3],{'tansig','logsig','purelin'},'trainlm','learngdm')。

6.如權利要求1所述的基于神經網絡結合遺傳算法實時優化補料產丙氨酸的方法，其特征在于，構建遺傳算法模型時，確定葡萄糖流加量的取值范圍，進行二進制編碼，在該取值范圍內產生50個初始種群數量，設置迭代次數為100次，Pc交叉概率為0.25，Pm突變概率為0.01。

7.如權利要求1所述的基于神經網絡結合遺傳算法實時優化補料產丙氨酸的方法，其特征在于，吸光度達到的預定值為5。

8.如權利要求1所述的基于神經網絡結合遺傳算法實時優化補料產丙氨酸的方法，其特征在于，S2中取樣、測定、訓練模型、優化計算、投放葡萄糖完成補料整個過程的時間不超過30min，各時刻的間隔為2h。