2-KGA工业发酵过程关键变量预报及补料优化研究

2-KGA发酵过程论文 预报技术论文 AdaBoost论文 效益函数论文 K-NN算法论文 调度优化
论文详情
维生素C(又名L-抗坏血酸,L-ascorbic acid)是人体必需的一种维生素,我国维生素C生产采用的是具有自主知识产权的二步发酵法生成其重要前体—2-酮基-L-古龙酸(2-keto-L-Gulonic acid, 2-KGA),2-KGA经过烯醇化酸化生成维生素C。随着生物发酵技术的发展以及生产规模的不断扩大,工厂对发酵过程的自动化水平、安全性和可靠性要求越来越高。然而,2-KGA发酵过程不同于一般的化工过程,它涉及两种菌体的繁殖、代谢过程,两种菌体之间的生长相互影响,机理复杂,难以用准确的数学机理模型来描述。随着计算机集散控制系统的应用与发展,大量的过程数据被及时采集和存储,如何利用这些数据包含的过程状态信息提高发酵过程性能是当前过程优化控制领域的研究热点问题,也是本文的研究内容。本文基于2-KGA发酵过程丰富的在线测量和离线分析数据,利用人工智能技术(支持向量机、智能数据库技术、模糊逻辑等)和统计分析方法,研究建立了基于数据驱动的优化2-KGA发酵过程的关键技术,首先对发酵过程关键状态变量进行超前预报,其次建立2-KGA发酵过程的评价指标—效益函数并对其进行超前预报,在预报的基础上在线评估发酵批次的创利潜力,从而对多罐并行发酵系统实施优化调度,最后在上述研究基础上开发了一套相应的软件在发酵生产车间在线运行,形成2-KGA发酵过程运行优化体系。主要研究成果包括:1.建立2-KGA发酵过程关键状态变量的超前预报模型2-KGA发酵过程关键状态变量(如产量、2-KGA浓度)难以在线测量,但反映了过程所处的状态,是优化发酵过程的重要依据,因此状态变量的超前预报将对发酵过程的优化有指导意义,本文建立2-KGA发酵过程产量超前预报模型,将AdaBoost回归模型与基于支持向量机滚动-学习预报技术相结合,依次训练一组基于支持向量机的滚动学习-预报器(弱预报器),每个弱预报器采用不同的参数,利用AdaBoost算法将弱SVM预报器提升为强SVM预报器,减少了调试参数的工作量,利用2-KGA工业发酵过程数据对本文建立的预报模型进行验证表明其具有较好的泛化性能和抗噪性能。在产量预报的基础上,利用统计分析对发酵液体积进行预估进而得出2-KGA浓度的预报值。另外,生产过程染菌的难以避免造成异常批次的产生,本文建立基于产量预报的异常批次早期发现方法,利用工业发酵数据进行验证表明该方法是可行的,能及时给出预警信息。2.建立2-KGA发酵过程效益函数的在线计算与预报模型对2-KGA发酵车间实施优化调度首先需要建立描述2-KGA发酵过程性能的评价指标,本文建立效益函数这一指标反映过程的经济行为,效益函数定义为单位时间内一个批次所创造的毛利润,通过物料衡算、能量衡算在线计算出发酵批次的效益函数,并采用基于SVM的滚动-学习预报技术对其进行超前预报,为发酵批次的在线分类、优化调度作准备。首先给出用于效益函数预报的初始训练库的建立,然后提出了历史数据库的两种在线更新方案,即分别基于分类、K-NN算法的更新策略,进而利用2-KGA工业发酵过程数据对两种方案的预报性能进行了评估,确定出预报效果较好的更新数据库方案。3.对2-KGA发酵过程实施优化调度本文对2-KGA工业发酵过程建立的优化调度策略主要是提供一种补料优化方法,改变传统的、各批次补料量固定(L-山梨糖资源平均分配)的生产方式,优化山梨糖在各个运行批次中的分配方案。首先根据效益函数的实际值和预报值对发酵批次在线分类,实时评估发酵过程的运行状态,获得发酵过程的创利潜力,利用状态反馈信息来确定或调节该批次的补糖量。创利潜力高的优势批次通过继续流加碳源(L-山梨糖)适当延长操作周期,挖取该批次创利潜力,而对创利能力差的劣势批次,适度减少碳源分配量,避免发酵车间的效益损失,从而使多反应器并列运行车间的经济效益最大化。此外,文中还讨论了实施优化调度方案时基于模糊逻辑技术的发酵周期的预估问题。通过对背景厂发酵车间的历史批次实施拟在线优化调度,该调度方案将给车间带来6.86%的收益增量。4.开发了2-KGA发酵过程在线预报-优化调度软件在上述研究的理论成果基础上,开发了一套2-KGA发酵过程在线预报-优化调度软件,该软件实时采集发酵过程各种数据(在线测量和离线分析数据),采用支持向量机、AdaBoost算法、统计分析、智能数据库、模糊逻辑等数据驱动技术,实现2-KGA发酵过程产量、产物浓度及效益函数的在线预报、发酵批次创利潜力的在线评估,以及发酵车间优化调度、发酵过程阶段辨识和异常批次的早期发现等优化控制的关键技术应用于工业发酵生产中,提高了2-KGA工业发酵过程的自动化水平。该软件已在背景厂发酵车间安装调试成功并在线运行。
摘要第3-6页
ABSTRACT第6-8页
第一章 绪论第13-26页
    1.1 引言第13-14页
    1.2 二步发酵法生产维生素C 的工艺第14-15页
    1.3 2-KGA 发酵过程优化控制关键技术的研究现状第15-23页
        1.3.1 2-KGA 发酵过程生产现状第15-17页
        1.3.2 发酵过程状态变量的在线预测第17-20页
            1.3.2.1 机理建模第18-19页
            1.3.2.2 基于数据驱动的建模第19-20页
        1.3.3 发酵过程监控与异常批次早发现第20-22页
        1.3.4 发酵过程优化调度第22-23页
    1.4 本文主要研究内容第23-26页
第二章 2-KGA 发酵过程关键状态变量的预报技术第26-48页
    2.1 引言第26-27页
    2.2 支持向量机回归技术第27-29页
    2.3 基于支持向量机的滚动学习-预报技术第29-35页
        2.3.1 数据预处理第30-32页
        2.3.2 训练数据库的建立第32-34页
        2.3.3 基于支持向量机的滚动学习-预报技术第34-35页
    2.4 基于SVM 滚动-学习预报的ADABOOST 模型第35-38页
        2.4.1 AdaBoost 算法第35-37页
        2.4.2 基于SVM 滚动-学习预报的AdaBoost 模型第37-38页
    2.5 2-KGA 产量的预报结果第38-42页
        2.5.1 产量预报结果第38-41页
        2.5.2 预报器的鲁棒性测试第41-42页
    2.6 2-KGA 浓度预报结果第42-45页
    2.7 基于产量预报的异常批次早期发现第45-47页
    2.8 本章小结第47-48页
第三章 2-KGA 发酵过程效益函数的在线预报第48-63页
    3.1 引言第48-49页
    3.2 基于投入-产出的效益函数的衡算第49-52页
    3.3 效益函数的预报第52-61页
        3.3.1 初始训练数据库的建立第53-54页
        3.3.2 基于分类的数据库更新策略第54-55页
        3.3.3 基于K-NN 算法的数据库更新策略第55-58页
        3.3.4 效益函数预报结果的评估第58-61页
    3.4 本章小结第61-63页
第四章 2-KGA 发酵过程的优化调度第63-77页
    4.1 引言第63-64页
    4.2 2-KGA 发酵过程优化调度方案第64-65页
    4.3 在线分类第65-66页
    4.4 2-KGA 发酵车间优化调度的实施第66-76页
        4.4.1 优势批次的拟在线优化调度第67-72页
        4.4.2 所有批次的拟在线优化调度第72-76页
    4.5 本章小结第76-77页
第五章 2-KGA 发酵过程在线预报-优化调度系统的开发第77-93页
    5.1 引言第77页
    5.2 软件实施框架及结果图第77-84页
    5.3 软件主要功能模块第84-92页
        5.3.1 初始化模块第84-85页
        5.3.2 数据采集模块第85页
        5.3.3 核心算法模块第85-87页
        5.3.4 输出与显示模块第87-88页
        5.3.5 其他算法模块第88-92页
    5.4 本章小结第92-93页
第六章 总结与展望第93-96页
参考文献第96-103页
主要符号与标记 (附录)第103-106页
致谢第106-107页
攻读博士学位期间已发表或录用的论文第107-110页
论文购买
论文编号ABS546090,这篇论文共110页
会员购买按0.30元/页下载,共需支付33
不是会员,注册会员
会员更优惠充值送钱
直接购买按0.5元/页下载,共需要支付55
只需这篇论文,无需注册!
直接网上支付,方便快捷!
相关论文

点击收藏 | 在线购卡 | 站内搜索 | 网站地图
版权所有 艾博士论文 Copyright(C) All Rights Reserved
版权申明:本文摘要目录由会员***投稿,艾博士论文编辑,如作者需要删除论文目录请通过QQ告知我们,承诺24小时内删除。
联系方式: QQ:277865656