[發(fā)明專利]一種海洋低溫堿性蛋白酶的發(fā)酵控制方法

有效

• 申請?zhí)枺?/td>: 201711024666.0
• 申請日: 2017-10-27
• 公開（公告）號: CN107908128B
• 公開（公告）日: 2020-02-21
• 發(fā)明（設計）人: 王博;趙海清;朱湘臨;丁煜函;郝建華;華天爭
• 申請（專利權）人: 江蘇大學
• 主分類號: G05B19/042
• 分類號: G05B19/042;G06N3/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發(fā)明提供一種海洋低溫堿性蛋白酶的發(fā)酵控制方法，本方法為基于人工魚群改進ILC的新型海洋低溫堿性蛋白酶的發(fā)酵控制方法，用于解決海洋蛋白酶發(fā)酵過程中，不易得到發(fā)酵最優(yōu)個體和最優(yōu)發(fā)酵控制參數(shù)的問題。首先利用采集到的輸入輸出樣本數(shù)據(jù)，對BP神經(jīng)網(wǎng)絡進行訓練和測試，得出跟蹤誤差曲線后，利用人工魚群算法對迭代學習控制的增益參數(shù)進行不斷地跟蹤調整，直到得到滿足精度要求的優(yōu)化控制參數(shù)。本發(fā)明可根據(jù)現(xiàn)有的發(fā)酵數(shù)據(jù)獲取最優(yōu)的控制參數(shù)組合，擺脫了傳統(tǒng)根據(jù)人工經(jīng)驗設置參數(shù)而帶來的不便以及誤差。

技術領域

本發(fā)明屬于工業(yè)生產(chǎn)自動化控制技術領域，主要涉及海洋低溫堿性蛋白酶MP的發(fā)酵控制方法。

背景技術

微生物發(fā)酵過程通常具有強耦合性、非穩(wěn)態(tài)性、強非線性和時變性等特點，建立精確模型非常困難，傳統(tǒng)的控制方法一般并不能起到良好的效果另一方面，在發(fā)酵過程中配方不變時，生產(chǎn)過程基本上是重復運行的，在每個批次運行周期內控制變量和產(chǎn)品質量都是沿著一定的操作變化軌跡運行，具有較強的重復性。

迭代學習控制(iterative learning control，簡稱ILC)適合于一類具有周期性、重復運行特性的被控對象，其思想出發(fā)點是對于在有限時間區(qū)間上重復執(zhí)行相同控制任務的系統(tǒng)，其性能可以通過對以往重復過程的學習來得到改善。迭代學習控制算法期望利用前一個或多個批次的信息來更新下一批次的輸入軌跡，使得輸出軌跡盡快地收斂于期望的目標軌跡。

由于迭代學習控制在控制對象時，所采用的學習律中的學習增益參數(shù)是固定的，這樣就使學習過程速度變慢，而人工魚群算法是一種對初值不敏感的全局尋優(yōu)算法，具有很好的跳出局部極值找到全局最優(yōu)值的能力，能夠極大地提高迭代學習控制的跟蹤精度和收斂性。

發(fā)明內容

針對微生物發(fā)酵過程中，各方面參數(shù)難以達到預期的問題，本發(fā)明提供一種基于人工魚群改進ILC的新型海洋低溫堿性蛋白酶的發(fā)酵控制方法，用于解決海洋蛋白酶發(fā)酵過程中，不易得到發(fā)酵最優(yōu)個體和最優(yōu)發(fā)酵控制參數(shù)的問題。本發(fā)明首先利用采集到的輸入輸出樣本數(shù)據(jù)，對BP神經(jīng)網(wǎng)絡進行訓練和測試，得出跟蹤誤差曲線后，利用人工魚群算法對迭代學習控制的增益參數(shù)進行不斷地跟蹤調整，直到得到滿足精度要求的優(yōu)化控制參數(shù)。本發(fā)明可根據(jù)現(xiàn)有的發(fā)酵數(shù)據(jù)獲取最優(yōu)的控制參數(shù)組合，擺脫了傳統(tǒng)根據(jù)人工經(jīng)驗設置參數(shù)而帶來的不便以及誤差。

一種海洋低溫堿性蛋白酶的發(fā)酵控制方法，包括以下步驟：

步驟一、發(fā)酵控制參數(shù)采集：通過智能控制器收集發(fā)酵控制參數(shù)并傳送到上位計算機存儲；

步驟二、發(fā)酵控制參數(shù)編碼：所述步驟一采集得到發(fā)酵的輸入輸出數(shù)據(jù)，包括：發(fā)酵罐溫度T、發(fā)酵液酸堿度pH、電機攪拌轉速r、通氣量l、海洋蛋白酶相對酶活P，并根據(jù)所得到的數(shù)據(jù)訓練BP神經(jīng)網(wǎng)絡；

步驟三、初始化魚群：采用開環(huán)P型迭代學習控制算法控制發(fā)酵時的發(fā)酵罐溫度T、發(fā)酵液酸堿度pH、電機攪拌轉速r、通氣量l，以迭代學習控制的增益參數(shù)k_T、k_p、k_r、k_l，構建四維向量作為一條人工魚個體，初始化魚群；

步驟四、設置迭代學習控制初始值：設置初始狀態(tài)下發(fā)酵過程的發(fā)酵罐溫度T、發(fā)酵液酸堿度pH、電機攪拌轉速r、通氣量l，并以海洋蛋白酶相對酶活P為控制指標，計算每條人工魚對應的跟蹤誤差，并記錄最優(yōu)個體；

步驟五、執(zhí)行一次人工魚群算法：當前魚群分別執(zhí)行覓食行為、群聚行為、追尾行為；

步驟六、選取人工魚最優(yōu)個體：判斷執(zhí)行完步驟五以后，人工魚對應的跟蹤誤差是否降低，將所有人工魚數(shù)據(jù)記入公告板，并選取跟蹤誤差最低的人工魚數(shù)據(jù)作為當前批次、當前采樣點迭代學習算法的增益參數(shù)；