《发酵过程优化控制-2》由会员分享，可在线阅读，更多相关《发酵过程优化控制-2（46页珍藏版）》请在金锄头文库上搜索。
1、第二节智能工程在发酵过程控制中的应用-模糊控制,发酵过程优化和控制,模糊推理和模糊控制简介,1）它是利用表现不确定因素的概率的方法，和人类的意志决定的方法，来进行推理和事物判断的一种方法，在1965年由Zadeh等人提出来的。 2）能够使用感觉或经验的IF-THEN暧昧语言来表述过程的诸多特征，可以将那些难于用数学形式表达的人类（熟练工人，专家）知识和经验充分有效地溶入到控制和优化策略当中。是一种以言语规则为中心的，定性控制的方法。 3）特别适合那些复杂，非线性，时变性的，没有严格定量的数学模型可循的发酵系统。 4）与传统的控制测量相比，控制方式更具有柔软性（Flexibility）。比如说，
2、易于处理那些发酵过程中常见的多输出单输入的控制体系（SIMO）。 5）构建模糊控制器，需要建立或执行*建立模糊规则，即(IF xxx THEN xxx) *建立模糊成员函数*执行和实施模糊推论（解模糊规则） *模糊规则和成员函数的调整,模糊控制,发酵过程优化和控制,模糊的语言和数值表现,Grade,Grade,Grade,刚好40C,大致在40C左右,（a）Singleton,（b）区间,（c）模糊言语的成员函数,Crisp集合-确定区间,模糊集合,台,偏曲点,带宽,模糊控制,发酵过程优化和控制,模糊成员函数的表现形式,低,较低,中等,较高,高,不高,Z型函数 型函数 S型函数,(T),(T)
3、,(T)表示以上的成员函数， 这里，温度“高”和温度“不高” 的成员函数互为模糊逻辑补集， 即NH(T)=1- H(T),模糊控制,发酵过程优化和控制,模糊成员函数的表现形式,Z型和S型模糊成员函数,当n0，(x)为S型成员函数 当n0，(x)为型成员函数 当n0，(x)为U型成员函数 (x)和U(x)互为模糊逻辑 补集，即(T)=1- U(T)a对应于成员函数的中心点 (a=5)，w表示带宽。,模糊控制,发酵过程优化和控制,模糊成员函数的表现形式,线性（三角型或台型）模糊成员函数,高斯型(Gaussian)的 模糊成员函数,低,高,中等,中等,i,xi,模糊控制,发酵过程优化和控制,模糊规则
4、的表现形式,1） IF x 是 x1 THEN f(x) 大概是 f1IF x 是 x2 THEN f(x) 大概是 f2 比如： IF 酒精浓度显著增加，THEN 减少葡萄糖的流加速度；IF 酒精浓度没有增加也没有减少，THEN 葡萄糖流加速度不变；IF 酒精浓度显著减少，THEN 加大葡萄糖的流加速度；2） IF x 是 x1，且y 是 y1，且z 是 z1 THEN f(x,y,z) 大概是 f1IF x 是 x2，且y 是 y2，且z 是 z2 THEN f(x,y,z) 大概是 f2 比如： IF 溶氧浓度适中，且葡萄糖浓度适中，且酒精浓度偏低，THEN 少量增加葡萄糖流加速度；IF
5、 溶氧浓度适中，且葡萄糖浓度适中，且酒精浓度适中，THEN 保持葡萄糖流加速度不变；IF 溶氧浓度很高，且葡萄糖浓度很低，且酒精浓度很低，THEN 大量增加葡萄糖流加速度；,模糊控制,发酵过程优化和控制,执行实施模糊推论-解模糊规则,1）IF x 是 x1 THEN f(x) 大概是 f1；IF x 是 x2 THEN f(x) 大概是 f2的情形,约,约,约,大约为,大约为,大约为,前置成员函数,后置成员函数,x=3.3,f(x)=0.6,步骤： 1）x代表“事实”，表示一具体的 物理量，它可以是传感器的信号 值。 2）找出所有与x=3.3垂直相交的 前置部成员函数，以及对应的 Grade。
6、这里，对应于规则1,2, 3的Grade分别是0, 0.9, 0.2。 3）找出对应于所选前置部函数 的所有后置部成员函数。将其叠加 起来，削除各Grade值阴影以上的 部分。 4）模糊推论的结果，是必须得到 一个确定的数值。用重心法求解， 即计算叠加部分（阴影）的面积， 然后求出面积的中心。这称作解 模糊规则。,模糊控制,发酵过程优化和控制,执行实施模糊推论-解模糊规则,2） IF x 是 x1，且y 是 y1，且z 是 z1 THEN f(x,y,z) 大概是 f1；IF x 是 x2，且y 是 y2，且z 是 z2 THEN f(x,y,z) 大概是 f2的情形,步骤： 1）找出所有与x
7、1（溶氧浓度） 和x2（酒精浓度）相交的前置部成员函数、及对应Grade。 在同一规则之内，选择最小（ 较小）的一个Grade来决定对应的后置函数的Grade。 2）找出对应于所选前置部函数的所有后置部成员函数。如果同样的后置函数出现多个Grade，则选择最大（较大）的一个。最后将其叠加起来，削除各Grade值的阴影以上的部分。 3）用重心法求解流加速度的变化量，即计算叠加部分（阴影）的面积，然后求出面积的中心。称作Max-Min法则。,溶氧浓度,酒精浓度,流加速度变化,Min,Min,Max,前置部成员函数,后置部成员函数,(Small),(Small),(Medium),Negative
8、Small,Zero,流加速度的变化量,Zero,模糊控制,发酵过程优化和控制,模糊逻辑控制器,1）整套的模糊逻辑规则,2）带有“标签记号”的模糊逻辑成员函数前置部成员函数 后置部成员函数,流加速度的变化,前置部成员函数,前置部成员函数,后置部成员函数- 流加速度的变化量,模糊控制,发酵过程优化和控制,应用实例-酿酒酵母流加培养,模糊控制,发酵过程优化和控制,规则1,规则2,前置部模糊成员函数,后置部模糊成员函数,应用实例-酿酒酵母流加培养,模糊控制,发酵过程优化和控制,应用实例-酿酒酵母流加,模糊控制,发酵过程优化和控制,模糊逻辑控制器的设计和问题,获取足够多的有关过程 控制和优化的知识和经
9、验,建立模糊逻辑规则,建立模糊成员函数（前置和后置），包括 确定各成员函数的形状，中心，边界等。,实施模糊推理，确定 操作变量的数值,测量反映过程特性 的物理，化学变量,观察和讨论控制结果,是否满意？,在实际中使 用该控制策略,YES,NO,修改或增加模糊逻辑规则,调整模糊成员函数,存在问题： 1）无法在理论上讨论 稳定性和响应特性； 2）简单的模糊控制器 无法确保控制精度和 性能； 3）有效的模糊控制 器需要进行模糊规 则和成员函数的 增加，修改，和适时 调整。建立有效的 模糊控制器是费时 费工的过程，需要 不断的知识和经验 的积累。,模糊控制,发酵过程优化和控制,人工神经网络技术与模糊控制
10、的融合,模糊控制,人工神经网络,发酵过程优化和控制,人工神经网络技术与模糊控制的融合,模糊控制,人工神经网络模式识别,发酵过程优化和控制,人工神经网络技术与模糊控制的融合,模糊控制,人工神经网络模式识别,发酵过程优化和控制,人工神经网络技术与模糊控制的融合,模糊控制,人工神经网络模式识别,发酵过程优化和控制,人工神经网络技术与模糊控制的融合,模糊控制,人工神经网络模式识别,发酵过程优化和控制,人工神经网络技术与模糊控制的融合,模糊控制,发酵过程优化和控制,人工神经网络技术与模糊控制的融合,模糊控制,传统,融合式,发酵过程优化和控制,人工神经网络技术与模糊控制的融合,模糊控制,后置模糊成员函数调
11、整情况,后置模糊成员函数的调整方法,状态识别结果,调整方式,发酵过程优化和控制,应用实例-谷氨酸发酵,模糊控制,研究目的 1）谷氨酸（流加）发酵经历初期延迟，菌体增长，过度，和产酸4个阶段。 为保证各阶段的平滑过度，避免发酵活性没有大的波动，需要将葡萄糖浓度 控制在恒定水平。 2）工业生产无法在线测定葡萄糖浓度，需要通过可测变量，和一定的经验 知识和规则，推定发酵过程的生理状态和所处阶段，从而确定葡萄糖的流加 速度，进而控制葡萄糖浓度恒定不变。研究方法和步骤 1）在线测量CO2的生成速度和NH3的添加速度（添加量）； 2）建立发酵时间， CO2的生成速度和NH3的添加量与发酵阶段间的模糊规则
12、和成员函数，用模糊推论预测发酵过程所处的阶段； 3）根据离线（OFF-LINE）数据建立每一“确定”阶段所对应的流加策略； 4）根据发酵时间，对当前发酵所处阶段进行模糊判定，并根据各“确定”阶段 的流加策略，确定此时此刻的葡萄糖的流加速度。,发酵过程优化和控制,应用实例-谷氨酸发酵,模糊控制,谷氨酸流加控制系统， M.Kishimoto et al., J.Biosci.Bioeng., 72, 110, 1991,发酵过程优化和控制,应用实例-谷氨酸发酵,模糊控制,模糊规则和模糊成员函数,M.Kishimoto et al., J.Biosci.Bioeng., 72, 110, 1991,
13、模糊规则 如：IF the culture time is middle & CO2 evolution rate is middle & NH3 addition amount is middle THEN the fermentation (state) is at production phase (stage)模糊成员函数,发酵过程优化和控制,应用实例-谷氨酸发酵,模糊控制,发酵过程所处阶段的模糊推定方法,M.Kishimoto et al., J.Biosci.Bioeng., 72, 110, 1991,MP：成员函数的GRADE；a：初期延迟阶段；b：菌体增殖阶段；c：增殖向产酸
14、的过度 阶段；d：产酸阶段,发酵过程优化和控制,应用实例-谷氨酸发酵,模糊控制,发酵过程所处阶段的模糊推定结果,M.Kishimoto et al., J.Biosci.Bioeng., 72, 110, 1991,t1, Mi(t1) (i=1,2),t2, Mi(t2) (i=1,3),确定区间，Mi(t)=0 确定区间，Mi(t)=1 模糊区间，0Mi(t)1,发酵过程优化和控制,应用实例-谷氨酸发酵,模糊控制,各“确定”阶段的流加策略-菌体增殖期,M.Kishimoto et al., J.Biosci.Bioeng., 72, 110, 1991,A1,FG:葡萄糖流加速度(L/h)
15、; MWCO2:CO2分子量; CER: CO2生成速度(g/h);SG:葡萄糖流加浓度(g/L); rG:葡萄糖添加速度(g/h);G:葡萄糖添加量(g).Fig.6 Relationship between the amount of CO2 evolution and the amount of glucose consumption in the growth phase, the relationship is only available for the growth phases.,延迟期：FG=0; 过度期： FG也可通过离线数据确定(文献未给出）,发酵过程优化和控制,应用实例-谷氨酸发酵,模糊控制,各“确定”阶段的流加策略-产酸期,M.Kishimoto et al., J.Biosci.Bioeng., 72, 110, 1991,A2,FG:葡萄糖流加速度(L/h); rNH3: NH3添加速度(g/h) (调节pH); SG:葡萄糖流加浓度(g/L).This relationship is only available for the production phase,发酵过程优化和控制,
