[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

说明书

技术领域

本发明涉及一种基于差分进化算法的酵母培养在线自适应控制方法，属于生物技术领域。

背景技术

酵母是与人们生活息息相关的一种真核微生物，可用于生产多种产物，具有遗传背景清楚，不产内毒素，可对外源蛋白进行翻译后修饰，发酵周期短、操作方便等优点。酿酒酵母(Saccharomycescerevisiae)、鲁氏接合酵母(Zygosaccharomycesrouxii)和拜耳接合酵母(Zygosaccharomycesbailii)等酵母培养过程具有明显的Crabtree效应，即当碳源浓度过高时，大量碳源流向乙醇合成途径，导致乙醇的大量积累。积累乙醇的同时，伴随着大量CO₂的排放，大大降低碳源的利用效率，且高浓度的乙醇也会对细胞结构及功能造成不可逆转的损伤，抑制产物合成。减少碳源添加，可有效缓解乙醇积累，但过低的碳源浓度同样会影响酵母细胞的生长和产物的合成。利用基因工程手段敲除乙醇合成途径中的关键酶能够有效降低乙醇积累，但此类工程菌对碳源浓度过于敏感，在发酵生产中的应用十分有限。利用过程控制技术，合理调节碳源添加，在保证细胞正常生长的前提下抑制乙醇积累，是解决这一难题的有效途径之一。发酵过程具有高度的时变性、滞后性和非线性，利用控制参数恒定的常规比例-积分-微分(PID)控制对发酵过程实施控制，往往难以取得令人满意的效果。

于是，能够自动实时调节控制参数的在线自适应控制策略被越来越多地用于发酵过程控制。差分进化算法是由R.Stom和K.Price建立的一种全局优化算法，其原理简单，受控参数少，收敛速度快，已受到各领域研究人员的广泛关注。在此基础上，本发明提出了基于差分进化算法的在线自适应控制策略，以期解决上述酵母培养过程中存在的难题。

发明内容

酵母培养中，底物浓度过高与不足都不利于细胞的生长，为了将底物浓度控制在某一适宜的水平，促进细胞生长，本发明提出了一种基于差分进化算法、自回归移动平均模型与PID控制策略相结合的在线自适应控制策略。本发明以标准PID控制策略为基础，利用差分进化算法在线优化PID控制参数，并根据乙醇浓度的变化，自动调整底物流加速率，使发酵液中底物浓度维持在某一合适的范围内。

本发明提供的一种基于差分进化算法的酵母培养在线自适应控制方法，包括以下步骤：

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和比例-积分-微分控制(即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Ce_set和检测值Ce、底物流加速率F、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，以最小化后两个采样时刻的乙醇预测浓度偏差为目标，利用差分进化算法(Differentialevolution，DE)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。

在本发明的一种实施方式中，利用商业化的甲醇电极在线检测乙醇浓度，通过A/D数据转换卡传输并保存在工控机，采集数据时直接读取。底物流加速率和PID控制参数由自适应控制系统计算并保存在工控机，采集数据时也直接读取。

在本发明的一种实施方式中，所述步骤3是利用自回归移动平均模型(Autoregressivemovingaveragemodel，ARMA)对酵母培养系统进行辨识；过程如下：

(1)当采样周期小于4(即k<4)时，用标准PID控制策略控制底物流加，控制参数不变；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：