[发明专利]2-酮基-L-古龙酸工业发酵过程的补料优化方法

权利要求书

1.一种2-酮基-L-古龙酸工业发酵过程的补料优化控制方法，其特征在于，应用基于人工神经网络的滚动学习预报技术获得发酵过程的重要变量，即产量以及效益函数的超前预报，然后根据效益函数的计算值和预报值评估发酵过程的运行状态，利用状态反馈信息来确定或调节该批次的补L-山梨糖的方案。

2.根据权利要求1所述的2-酮基-L-古龙酸工业发酵过程的补料优化控制方法，其特征在于，包括以下步骤：

步骤一：通过一步发酵罐进行发酵，生成山梨糖，流加给各个二步发酵罐作为二步发酵的底物；

步骤二：通过二步发酵罐进行发酵，实时采集发酵过程的在线测量变量(如发酵液体积、pH值、通气量等)和离线分析数据(如残糖浓度、2-KGA浓度)，通过数据处理和物料衡算，计算出反映发酵过程状态的关键变量-产量、效益函数；

步骤三：通过对发酵过程关键状态变量-产量、效益函数的超前预报手段对发酵过程运行状态实时评估，分别确定出优势批次和劣势批次。

步骤四：针对第三步中的优势批次的发酵对象实施补糖优化进行第二次补糖操作。

3.根据权利要求2所述的2-酮基-L-古龙酸工业发酵过程的补料优化控制方法，其特征在于，步骤三具体包括如下步骤：

所述的对产量和效益函数超前预报是指：运用基于人工神经网络的滚动学习-预报技术对2-KGA发酵过程的产量和效益函数进行提前4h、8h预报，其中：神经网络训练库由历史批次的所有输入-输出向量对和当前被预报批次可获得的输入-输出向量对构成，随着被预报批次的发酵过程的进行，该批次新的向量对被充实到训练数据库中，即在线滚动更新训练库并进行滚动学习与预报，当该批次发酵结束时依据统计分析原则离线更新历史训练库。

所述的状态实时评估是指：首先将相同操作条件下的正常历史批次的全程效益函数进行统计分析得出效益函数的置信区间分布，以用于对运行批次进行分状态评估；然后根据当前运行批次的效益函数的当前值和预报值对该批次进行评估，若其值大于60％置信上限，则为优势批次，若其值低于90％置信下限，则为劣势批次。

4.根据权利要求2所述的2-酮基-L-古龙酸工业发酵过程的补料优化控制方法，其特征在于，步骤四具体包括如下步骤：首先预估优势批次第二次补料的量和如果进行补糖优化后的效益函数预报曲线，然后得出如果对发酵过程实施补料优化将产生的效益价格单位增量，若其值为正，则实施补糖优化进行第二次补糖操作。类似地，若运行批次经过评估为劣势批次，则减少该批次的补糖量及早停止发酵。

5.根据权利要求4所述的2-酮基-L-古龙酸工业发酵过程的补料优化控制方法，其特征在于：

所述的预估优势批次第二次补料的量是指，根据当前发酵液体积、发酵罐结构所能承受的最大发酵液体积以及补糖后未来发酵过程需流加碱液体积估计值来预估出该批次能继续流加的山梨糖量。

所述的第二次补糖时刻后的效益函数预报曲线是指，首先由产量的实际值和超前预报值预估出二次补糖后发酵结束的时刻T_predict，计算出T_predict时刻的效益函数J_predict，并结合第二次补糖时刻的效益函数实际值和未来4h、8h预报值，进行拟合得出实施第二次补糖后的预估的效益函数曲线。

所述的效益价格单位增量按照如下公式计算：

效益价格单位增量＝(J_predict×(T_predict+T_gap)-J×(T+T_gap)-J_m×(T_predict-T))/P_sale

T为实际发酵过程的培养周期，P_sale为2-KGA的价格，J为实际发酵过程结束时的效益函数，J_m为历史发酵批次统计分析得出的平均效益函数。T_gap为同一个发酵罐相邻两个发酵批次的时间间隔。