[发明专利]微藻批量发酵过程的变增益迭代学习基质浓度控制方法

说明书

本发明公开了微藻批量发酵过程的变增益迭代学习基质浓度控制方法，涉及迭代学习控制领域，该方法包括：首先建立微藻发酵过程的非线性系统模型的动态特性方程；构建非线性状态空间表达式；然后基于微藻批量发酵过程中的期望浓度、进料流量以及基质浓度误差信息，构建PD型变增益迭代学习控制律；最后利用算子理论分析证明谱半径收敛条件，实现微藻发酵过程期望浓度轨迹的快速、高精度的跟踪控制。其优点是：变增益迭代学习控制算法，通过增加PID函数形式的、会根据误差信号自动调节的参数，不仅提升了微藻批量发酵系统进料流量调节的自由度和适应性，而且也增加了该系统基质浓度控制性能的提升空间。

技术领域

本发明涉及迭代学习控制领域，尤其是微藻批量发酵过程的变增益迭代学习基质浓度控制方法。

背景技术

批量发酵过程是指在分批过程中连续或间歇地补加反应物料，该过程的基本特征是：一次性加入反应菌体，在反应过程中连续或是间歇地补加反应物料，直至产物达到一定要求后一次性卸出。发酵工业中通常会使用批量操作的方式进行产品的生产，目前，批量发酵广泛应用于氨基酸、生长激素、有机酸、抗生素、维生素、食品添加剂等的生产。

批量发酵过程中常见的定值控制有罐体的温度与压力控制、发酵液浓度与pH控制、代谢呼吸商的控制等。由于发酵过程是高度非线性和时变性的，常规的控制理论较难直接应用于该场合。在实际发酵生产过程中，尽管一个熟练的操作工人可以凭借其经验调节生产过程来实现稳定操作，但操作工人的经验和责任心决定了最终的控制效果，这往往就会导致产品质量的不稳定，因此对发酵过程的控制问题引起了众多学者重视并进行研究。很多学者尝试运用最优控制、自适应控制等技术来实现对发酵过程的优化与控制，并且取得了一定的成效。但是由于发酵过程模型的不确定性和参数的时变性，控制性能比较差。

发明内容

本发明人针对上述问题及技术需求，提出了微藻批量发酵过程的变增益迭代学习基质浓度控制方法，利用微藻批量发酵过程中的期望浓度轨迹、进料流量以及基质浓度误差信息，设计变增益PD型控制器，给出了谱半径收敛条件，并利用算子理论对其进行了分析证明，达到提高算法收敛速度和跟踪精度的目的。

本发明的技术方案如下：

微藻批量发酵过程的变增益迭代学习基质浓度控制方法，该方法包括如下步骤：

建立微藻发酵过程的非线性系统模型；构建微藻发酵过程的非线性系统模型的非线性状态空间表达式；设计PD型变增益迭代学习控制器；迭代学习轨迹跟踪控制算法的收敛性分析，实现微藻发酵过程系统期望浓度轨迹跟踪控制；

具体实施步骤如下：

第一步：建立微藻发酵过程的非线性系统模型，包括：

微藻发酵过程的非线性系统模型的动态特性方程如式(1)所示：

其中：X为菌体浓度，S为基质浓度，C_t为毒素浓度，μ为非线性抑制比生长率，F为进料流量，V为反应体积，S_f为进料基质浓度，y_s为转化率系数，q为毒物生成常数，μ_m为最大生长率，K_s为Monod常数，K_i为基质固有常数，K_t为毒物固有常数，Y、M为系统常数；

第二步：构建微藻发酵过程的非线性系统模型的非线性状态空间表达式，包括：

利用微藻发酵过程的非线性系统模型的菌体浓度X、基质浓度S、毒素浓度C_t和反应体积V定义状态变量x＝{x₁,x₂,x₃,x₄}^T＝{X,S,C_t,V}^T，定义进料流量F为输入变量u,输出变量为y＝S，此时，将式(1)改写成如式(2)的非线性状态空间表达式形式：