[发明专利]基于多输入维纳模型的谷氨酸产物浓度在线软测量方法

说明书

技术领域：

本发明属于生化生产过程软测量建模和应用领域，特别涉及一种基于多输入维纳模型的谷氨酸生产过程产物浓度软测量建模和在线检测方法。

背景技术：

谷氨酸作为工业发酵领域的重要产品，有着非常广泛的应用。谷氨酸发酵过程是一类高度非线性、重复性较差、慢时变的复杂生化过程。在实际的生产过程中，谷氨酸浓度是发酵过程中一个重要的指标，但是由于传感器技术等的限制，该指标的测量很困难，目前常用的方法是通过实验室离线测量得到。相比在线的实时测量方法，谷氨酸的浓度的离线测量往往需要花费更多的时间，这对于谷氨酸发酵过程的质量控制来说是非常不利的。为了提高谷氨酸发酵过程的自动化程度和产品质量，通常需要对谷氨酸的浓度进行在线测量。

软测量方法通过对过程中容易测量的变量和谷氨酸的浓度之间的关系进行建模，并利用梯度迭代辨识的方法确定模型参数。利用该模型在线对谷氨酸的浓度进行估计，实时获得谷氨酸的浓度的在线值，能有效避免传统分析方法大时滞的缺点。但是，由于发酵过程中谷氨酸产量和其影响因素之间的复杂关系，过程变量之间有的时候会表现出很强的非线性关系。在这种情况下，传统神经网络模型、模糊逻辑推理模型等对谷氨酸的浓度的软测量难以达到满意的效果。

目前，非线性系统已成为研究热点，大多数研究工作集中在块结构非线性系统的辨识。输出非线性系统维纳模型是由一个线性动态系统串联一个静态非线性环节构成的。由于块结构非线性系统在生化、化工过程中广泛存在，可以任意精度的近似任何记忆衰退的非线性时不变系统，所以受到了更多的关注。梯度迭代辨识应用于多输入维纳模型有以下几个优点：

1)维纳模型具有更好的稳定性、适用范围广，对系统非线性具有良好的控制效构；

2)在多输入维纳模型这个结构中，线性部分描述了反应罐中流加物料数量的动态性，而非线性部分则描述了谷氨酸浓度的非线性曲线；

3)梯度迭代辨识算法则具有能够批量利用数据，提高辨识精度的优点。

4)目前，针对多输入维纳模型，利用梯度迭代辨识算法进行建模的应用还不是很多，特别是在生物反应过程建模领域应用就更少了。

发明内容：

本发明的目的在于针对谷氨酸生产过程中产物浓度预测的难点，提供一种建立多输入维纳模型，并利用梯度迭代辨识算法进行模型参数辨识的软测量建模和在线测量方法。

本发明的目的是通过以下技术方案来实现的：

1)通过集散控制系统和实时数据库系统收集谷氨酸生产过程各个关键变量的数据。分别将这些数据存入历史数据库，作为建模的样本。

2)通过实验室化学分析获取建模样本所对应的谷氨酸产物浓度值，作为软测量模型的输出变量。

3)分别对步骤1)获取的关键变量和步骤2)获取的输出变量进行预处理和归一化，使得各个过程关键变量和产物浓度值落在区间[-1，1]之内，得到新的数据矩阵集。

4)基于归一化之后的输入和输出数据，建立基于多输入维纳模型的谷氨酸产物浓度的软测量模型，并利用梯度迭代辨识的方法确定模型参数，将该测量模型参数存入数据库中。

5)在线采集谷氨酸生产过程各个关键变量的新数据，并对其进行预处理和归一化。

6)将归一化之后的新数据直接输入到在线软测量模型中，获得该实时数据对应的产物浓度值。

本发明的有益效果：本发明通过对谷氨酸工业生产过程的关键变量和产物浓度之间的非线性关系进行梯度迭代辨识算法建模，利用该生产过程中容易测量的变量对较难测量的产物浓度进行在线测量，实现谷氨酸生产过程产物浓度的在线估计。

附图说明：

图1为本专利技术框图。如图所示，本专利技术包括6个模块，其中模块4为该专利技术与常规技术不同之处。

图2是针对谷氨酸生产过程实例，多输入维纳模型参数随迭代步数l变化的均方误差。

具体实施方式：

本发明针对谷氨酸生产过程产物浓度预测问题，通过对谷氨酸工业生产过程的关键变量，利用多输入维纳模型建立其与产物浓度之间的关系模型，并利用梯度迭代辨识的方法确定模型参数，用于该过程产物浓度的在线软测量。

本发明基于多输入维纳模型的谷氨酸生产过程产物浓度在线检测方法，其主要步骤分别如下：

第一步通过集散控制系统和实时数据库系统收集谷氨酸生产过程各个关键变量的数据：U＝{u_i(k)}，i＝1，2，3。其中，k为样本数，u_i(k)为谷氨酸生产过程关键变量。分别将这些数据存入历史数据库，作为建模的样本。