[发明专利]一种基于差分进化算法的酵母培养在线自适应控制方法

权利要求书

1.一种酵母培养在线自适应控制方法，其特征在于，所述方法是结合了差分进化算法、自回归移动平均模型与PID控制策略；所述方法包括如下步骤：

步骤1：初始化，设定目标乙醇浓度Ce_set、初始底物流加速率F和PID控制的初始参数：比例系数k_p、积分系数k_i和微分系数k_d；

步骤2：采集数据，采集酵母培养过程中乙醇浓度的设定值和检测值、底物流加速率、PID控制参数；

步骤3：系统辨识，根据当前时刻以及前两个时刻的乙醇浓度偏差、前一时刻的底物流加速率及PID控制参数，预测后两个时刻的乙醇浓度；

步骤4：优化PID控制参数，以最小化后两个时刻的乙醇浓度偏差为目标，利用差分进化算法在线优化PID控制参数；

步骤5：优化底物流加速率，根据当前时刻的乙醇浓度偏差，利用优化后的PID控制参数计算底物流加速率。

2.根据权利要求1所述的方法，其特征在于，所述步骤3是利用ARMA模型对酵母培养系统进行辨识；过程如下：

(1)当采样周期大于等于4，即k≥4时，用ARMA模型描述乙醇浓度和流加速率之间的关系：

Ce(k)＝-aCe(k-1)+bF(k-1)+e(k)

其中，乙醇浓度Ce为模型的输出；流加速率F为模型的输入；k为当前采样周期；a、b为模型参数；e为模型的误差值；

(2)利用最小二乘法原理估计ARMA模型参数；

(3)用前一时刻的流加速率、PID控制参数和乙醇浓度偏差表示当前时刻的流加速率：

F(k)＝F(k-1)+k_p(k)[e(k)-e(k-1)]+k_i(k)e(k)+k_d(k)[e(k)+e(k-2)-2e(k-1)]

其中，k_p(k)、k_i(k)、k_d(k)通过下式进行更新：

k_p(k)＝(1+p₁)k_p(k-1)-0.1≤p₁≤0.1

k_i(k)＝(1+p₂)k_i(k-1)-0.1≤p₂≤0.1

k_d(k)＝(1+p₃)k_d(k-1)-0.1≤p₃≤0.1

(4)预测后两个时刻的乙醇浓度：

令X'＝[-Ce(k)F(k)]，则k+1采样点乙醇浓度的预测值为：再令则k+2采样点乙醇浓度的预测值为：其中θ为模型参数向量。

3.根据权利要求2所述的方法，其特征在于，所述(1)中，当k<4时用标准PID控制策略控制底物流加，控制参数不变，当k≥4时开始进行系统辨识，调整控制参数。

4.根据权利要求1所述的方法，其特征在于，所述利用最小二乘法原理估计ARMA模型参数，具体是：

定义矩阵X、Y、W和模型参数向量θ：

则θ＝(X^TX)^-1X^TY；其中λ为忘却因子且0<λ<1，W为权重系数矩阵。

5.根据权利要求1所述的方法，其特征在于，所述步骤4中以最小化后两个时刻的乙醇浓度偏差为目标，目标函数如下

其中α和β是k+1和k+2时刻预测值误差值的权重系数。