[发明专利]基于神经网络结合遗传算法实时优化补料产丙氨酸的方法

说明书

技术领域

本发明涉及微生物发酵领域。更具体地说，本发明涉及一种用基于神经网络结合遗传算法实时优化补料产丙氨酸的方法。

背景技术

发酵工业是技术密集型的产业，它涉及到微生物学、生物化学、化工、自动控制技术和计算机技术等。自70年代以来，国外对发酵过程动力学模型和优化控制做了大量的研究工作。并且从1979年起每隔三年举行一次计算机在发酵工程中应用的世界大会。在国内，发酵工业生产技术水平相对比较落后，对发酵过程的机理、模型化和优化控制研究起步较晚。

对于具有高度非线性、时变性和复杂相关性的生化过程，为了获得高的产率和提高经济效益，加强生化过程的监督和控制是非常重要的。认为困难在于：生化过程机理复杂，通过机理建模难度大，得到的模型应用范围窄、精度低，并无多少实用性；生化参数检测手段不全，许多关键参数无法实时测量；生化过程中的不可逆性造成了控制困难，有些生化过程实际上缺乏有力的控制手段。针对上述困难，提出人工智能控制方法的应用是一种有效的解决方法。

GA算法来源于进化论和群体遗传学。它是模拟生物进化机制得来的。在模拟生物从低级向高级进化的过程中所经历的突变、自然选择和繁殖过程，在GA算法中用选择、变异、交叉算法来对应；物竞天择、优胜劣汰的原则由种群依据目标函数的选择来体现；进化中的偶然性则由随机数来产生。经过逐代的进化，种群不断得到新的优良品种，最终要寻找的最优参数就产生了。

目前国内尚没有对发酵过程动态变化进行实时监控发酵参数并控制补料的研究。

发明内容

本发明的一个目的是解决至少上述问题，并提供至少后面将说明的优点。

本发明还有一个目的是提供一种基于神经网络结合遗传算法实时优化补料产丙氨酸的方法，其能够根据发酵输入与输出构建神经网络模型，对补料控制参数(葡萄糖流加量)进行二进制编码，执行选择、交叉、变异，对产生的每个个体以神经网络进行预测，以预测值与最优值的方差为适应度函数，获得能够产生最优值的补料参数，通过应用此补料参数到发酵过程控制中以提高L-丙氨酸的转化速率。

为了实现根据本发明的这些目的和其它优点，提供了一种基于神经网络结合遗传算法实时优化补料产丙氨酸的方法，包括以下步骤：

S1：以葡萄糖为原料，采用XZ-A26菌株厌氧流加发酵产L-丙氨酸，建立各时刻多个发酵参数和L-丙氨酸浓度的发酵过程历史数据集，构建并训练BP神经网络模型，形成各时刻多个发酵参数和L-丙氨酸浓度与下一时刻L-丙氨酸浓度的映射关系，选择葡萄糖流加量为控制变量，构建遗传算法模型并优化计算，获得使预测的下一时刻L-丙氨酸浓度最大时葡萄糖流加量的模拟值；

S2：发酵过程取样并测定各时刻的各发酵参数和L-丙氨酸浓度，发酵进行至吸光度达到预定值时，将测定的T时刻的L-丙氨酸浓度列为输出的训练数据，把测定的T-1时刻各发酵参数和L-丙氨酸浓度列为输入的训练数据，与历史数据集的训练数据合并训练BP神经网络模型，然后将测定的T时刻的除葡萄糖流加量以外的各发酵参数和L-丙氨酸浓度应用于遗传算法模型并优化计算，获得使预测的T+1时刻L-丙氨酸浓度最大时T时刻的葡萄糖流加量的最优值，并于T时刻投放相应量的葡萄糖完成补料，逐个时刻训练模型和优化计算，获得任意时刻葡萄糖流加量的最优值。

优选的是，所述的基于神经网络结合遗传算法实时优化补料产丙氨酸的方法，多个发酵参数包括各时刻对应的OD值、葡萄糖浓度、葡萄糖流加量以及氨水流加量。

优选的是，所述的基于神经网络结合遗传算法实时优化补料产丙氨酸的方法，将历史数据集的数据按发酵批次随机分为训练数据和测试数据，训练数据和测试数据的比值为3:1，发酵批次为15～20批次。

优选的是，所述的基于神经网络结合遗传算法实时优化补料产丙氨酸的方法，BP神经网络模型以各时刻对应的时刻、吸光度值、葡萄糖浓度、L-丙氨酸浓度、葡萄糖流加量以及氨水流加量列为输入的训练数据，以下一时刻对应的L-丙氨酸浓度列为输出的训练数据，隐含层为两层，第一层为10个单元、第二层为3个单元，形成拓扑结构为6-10-3-1模式的BP神经网络模型。

优选的是，所述的基于神经网络结合遗传算法实时优化补料产丙氨酸的方法，BP神经网络模型采用premnmx函数对输入的数据归一化处理，采用postmnmx函数对输出的预测的丙氨酸浓度反归一化处理，神经网络架构如下net＝newff(pn,tn,[10,3],{'tansig','logsig','purelin'},'trainlm','learngdm')。