[发明专利]基于神经网络逆的生物发酵自适应控制系统及控制方法

说明书

技术领域

本发明涉及生物发酵过程的控制领域，具体而言涉及一种生物发酵过程中基于神经网络逆的无模型自适应控制系统及控制方法。

背景技术

生物发酵在食品、医药、化工等领域起着越来越重要的影响，生物发酵过程是利用某一特定的微生物在纯种培养条件下进行的反应过程，涉及到微生物的生长，受操作条件和环境等诸多因素影响，微生物的生长代谢依赖于多个过程变量，不同的过程变量对微生物的生长及产物的形成影响不同。为实现微生物生长的最优轨迹，保证发酵产物品质，提高产物得率，降低经济损失和能源消耗，研究满足工业发酵过程的优化控制技术具有重要意义。

生物发酵系统是一类具有时变性、不确定性和强耦合性的多输入多输出非线性系统，传统的非线性控制方法难以实现过程变量的优化控制。针对多输入多输出的非线性系统，一般先采用某种规则将系统线性化成多个线性子系统，然后对各子系统设计线性闭环控制器实现解耦控制的目的。将逆系统方法与神经网络方法相结合的神经网络逆控制方法，不依赖系统的精确模型，只需知道系统的相对阶即可实现非线性系统的线性化和解耦，在实际工程中得到许多成功应用。

神经网络逆控制的原理是离线训练神经网络近似逆系统，将神经网络逆系统与原系统串联成伪线性系统，实现系统的线性化解耦，再对解耦后的伪线性复合系统设计线性闭环控制器实现系统的解耦控制。将神经网络逆控制方法应用于生物发酵过程控制中，虽不依赖系统的数学模型，但其解耦控制性能与神经网络的泛化能力、外界干扰有很大关系。离线训练神经网络不充分或者控制过程中系统参数发生变化，都会导致神经网络的泛化能力下降，从而使闭环控制性能下降。若发酵过程参数发生变化时，重新训练神经网络又不能满足过程控制的实时性。因此，有必要寻求一种方法以提高神经网络逆的解耦控制性能，使其更适合具有参数时变性和不确定性的生物发酵过程控制。

发明内容

本发明目的在于提供一种生物发酵过程中基于神经网络逆的无模型自适应控制系统及其控制方法，可实现多变量发酵系统的解耦控制，并且不依赖过程的模型和参数，避免逆动态建模误差对闭环稳定性的影响，提高神经网络逆对生物发酵过程的控制性能。

本发明的上述目的通过独立权利要求的技术特征实现，从属权利要求以另选或有利的方式发展独立权利要求的技术特征。

为达成上述目的，本发明提出一种基于神经网络逆的生物发酵自适应控制方法，生物发酵系统以进料流量u₁和进料基质浓度u₂为控制输入，以菌体浓度y₁和基质浓度y₂为输出，包括以下步骤：

利用神经网络和时分多路延时环节（TDL）构造生物发酵系统的神经网络逆，以生物发酵系统当前时刻输出及其前一时刻输出为神经网络的输入变量，以生物发酵系统的控制输入作为神经网络的输出量，通过调整神经网络的权系数使神经网络实现生物发酵系统的逆系统功能；

将神经网络逆串联于生物发酵系统之前，组成伪线性复合系统；

将伪线性复合系统线性化解耦为两个单输入单输出的伪线性子系统；

采用无模型自适应控制器和参数自适应模块分别串联于每个伪线性子系统之前以进行自适应控制，该无模型自适应控制器和参数自适应模块构成线性闭环控制器；

给定的生物发酵系统的期望输出信号，根据当前时刻和前一时刻每个伪线性子系统的控制输入及生物发酵系统的输出，不断更新无模型自适应控制器的参数和下一时刻每个伪线性子系统的控制输入，使生物发酵系统的输出有效跟踪前述给定的期望输出信号，实现对生物发酵系统的无模型自适应控制。

进一步，前述神经网络逆由具有四输入、双输出的单隐层BP神经网络以及TDL环节构成，该神经网络逆具有双输入和双输出节点，其中：

神经网络逆的第一个输入为单隐层BP神经网络的第一个输入y₁(k+1)，该第一个输入y₁(k+1)经过时分多路延时环节（TDL）后的变量作为单隐层BP神经网络的第二个输入；

神经网络逆的第二个输入为单隐层BP神经网络的第三个输入y₂(k+1)，该第二个输入y₂(k+1)经过时分多路延时环节（TDL）后的变量作为单隐层BP神经网络的第四个输入；

神经网络逆的两个输出为单隐层BP神经网络的输出u₁(k)和u₂(k)。