生物发酵装置的神经网络逆控制器及构造方法 【技术领域】
本发明是一种生物发酵装置的神经网络逆控制器及构造方法，适用于生物工程中生物发酵装置的高性能控制，属于生物工程控制的技术领域。
背景技术
生物发酵装置是生物工程中不可缺少的重要设备，是各种生物技术诞生的摇篮。为满足生产绿色食品的需要，采用生物发酵装置可以大幅提高农用生物制品(生物农药、生物肥料、生物饲料、饲料添加剂等)的生产规模和质量，所以在生物工程中具有广泛的应用前景，已经逐步应用于实际微生物发酵的过程中。 微生物发酵过程是时变、非线性、不确定等多变量耦合系统，涉及到生命体的生长繁殖过程，机理十分复杂。现有的发酵过程控制大多采用定值控制、PID控制等常规的控制方法，其目地只是稳定操作条件。通过对发酵过程一些常数(如发酵液PH、溶解氧含量DO、温度和压力)的观测，凭经验来调节生产过程以实现稳定操作，若因推测或调节不当，轻则影响发酵生产、重则使整个发酵罐的产物报废。
因为发酵过程参数的时变性、多样性、耦合性和不确定性，采用传统的线性处理方法显然不合适，目前研究的一些基于非线性控制方法设计的非线性控制器大都强依赖于发酵过程的精确数学模型，而发酵过程模型的不确定性和参数的时变性使发酵过程的精确数学模型很难获得的。所以现有的非线性控制器设计方法大都只能研究发酵过程的简单模型，这样就进一步降低了其适用性。正是由于以上原因，使得到目前为止发酵过程的各种非线性控制器设计方法还很难应用于实际的发酵设备。
为了真正实现发酵过程的高性能控制，需采用一些新的控制技术设计。
技术内容
本发明的目的是提供一种适合于任意的发酵过程，并能在发酵过程较大的运行范围内都取得满意的控制效果的生物发酵装置的神经网络逆控制器及构造方法。
本发明的生物发酵装置的神经网络逆控制器，其特征在于该神经网络逆控制器的结构为：在该神经网络逆控制器的输入端接有闭环控制器，闭环控制器的输出端接积分器的输入端和静态神经网络的输入端，积分器的输出端接静态神经网络的另一个输入端，静态神经网络的输出即为该神经网络逆控制器的输出，生物发酵系统的输入端接该神经网络逆控制器的输出端。
神经网络逆的构造为用具有4个输入节点、2个输出节点的静态神经网络加2个积分器构成具有2个输入节点、2个输出节点的神经网络逆，其中：静态神经网络的第一个输入端为神经网络逆的第一个输入端；静态神经网络的第二个输入端为神经网络逆的第一个输入经由积分器获得；静态神经网络的第三个输入端为神经网络逆的第二个输入端；静态神经网络的第四个输入端为神经网络逆的第二个输入经由积分器获得；静态神经网络与2个积分器一道组成神经网络逆，静态神经网络的输出就是神经网络逆的输出。
本发明的生物发酵装置的神经网络逆控制器的构造方法为：首先选择生物发酵的反馈量及被控量从而构成被控的生物发酵系统；接着采用静态神经网络外接积分器来构成生物发酵系统的神经网络逆，并通过调整静态神经网络的权系数使神经网络逆实现生物发酵系统的逆系统功能；然后将神经网络逆串接在生物发酵系统之前，神经网络逆与生物发酵系统复合成二个一阶积分型伪线性系统；在此基础上，采用线性系统的综合方法对二个一阶积分型伪线性系统分别设计闭环控制器；最后将神经网络逆与闭环控制器相串联共同构成神经网络逆控制器，将神经网络逆控制器串接在生物发酵系统前，对生物发酵系统进行控制。
神经网络逆控制器的实现方法为采用单片微处理器即单片机控制器，通过编制单片机程序实现。以获得优良的控制性能指标。
本发明的原理是通过构造神经网络逆，将生物发酵系统这一非线性耦合系统的控制问题转化为简单的二个一阶积分型伪线性系统的控制问题，相应地就可以方便地设计线性闭环控制器。本发明采用静态神经网络加积分器来实现生物发酵系统的逆系统功能，这样所提出的控制器设计方法就不依赖于发酵装置及内部对象的精确数学模型，只需要反馈生物发酵系统的可测量信号，从而能够大大提高生物发酵控制器对参数变化和外界扰动的鲁棒性，并实现解耦控制，同时适合于任意的生物发酵过程，符合实际的工程应用要求，具有很强的应用价值。
本发明的优点在于：
a.采用神经网络逆来实现对生物发酵系统的控制，完全摆脱了已有的解析式控制器设计方法对于数学模型的强依赖性以及只能研究生物发酵简单模型的局限性，有效地减少了生物发酵过程参数变化与外部扰动对生物发酵控制效果的影响，显著地提高了生物发酵的控制性能。
b.通过构造生物发酵系统的神经网络逆，将生物发酵系统这一非线性、耦合系统的控制问题转化为二个一阶积分型伪线性系统的控制问题，并进一步合理设计线性闭环控制器，克服了传统的线性控制器有效工作范围较小的局限性，可在生物发酵系统较大的运行范围内取得满意的控制效果。
c.所设计的生物发酵系统的神经网络逆控制器仅采用生物发酵的可测量信号，符合实际生物发酵系统的工程应用要求，易于工程实现。
本发明可用于构造新型生物发酵控制器对生物发酵进行高性能控制，提高产品的质量。
【附图说明】
图1是生物发酵系统1框图。
图2是神经网络逆2与生物发酵系统1复合构成的二个一阶积分型伪线性系统3的示意图及其等效图。其中有静态神经网络21、积分器22、23；菌体浓度子系统31、基质浓度子系统32。
图3是加到生物发酵系统1输入端用于获取静态神经网络21训练数据的输入信号。
图4是针对二个一阶积分型伪线性系统3设计的闭环控制器4的示意图。其中有菌体浓度控制器41、基质浓度控制器42。
图5是神经网络逆控制器5示意图，其中有闭环控制器4、静态神经网络21、积分器22和23、生物发酵系统1。
图6是采用单片机控制器6作为神经网络逆控制器5的本发明装置组成示意图。其中有菌体浓度传感器7、基质浓度传感器8、生物发酵系统1。
图7是采用单片机控制器6作为神经网络逆控制器5实现本发明的系统软件框图。
1、生物发酵系统；2、神经网络逆；21、静态神经网络；22、积分器；23、积分器；3、伪线性系统；31、菌体浓度子系统；32、基质浓度子系统；4、闭环控制器；5神经网络逆控制器；6、单片机控制器；7、菌体浓度传感器；8、基质浓度传感器
【具体实施方式】
该逆控制器的结构为：神经网络逆控制器5的输入为被控量的给定(X*，S*)与生物发酵系统1的输出量(X，S)，两者之差为闭环控制器41和42的输入，闭环控制器41的输出端接神经网络逆2的第一个输入端，神经网络逆2的第一个输入端接静态神经网络21的第一个输入端I1以及积分器22的输入端，积分器22的输出端接静态神经网络21的第二个输入端I2，闭环控制器42的输出端接神经网络逆2的第二个输入端，神经网络逆2的第二个输入端接静态神经网络21的第三个输入端I3以及积分器23的输入端，积分器23的输出端接静态神经网络21的第四个输入端I4，生物发酵系统1的输入端接神经网络逆控制器5的输出端，同时也是静态神经网络21的输出端。
神经网络逆2的构造为用具有4个输入节点、2个输出节点的静态神经网络21加2个积分22、23构成具有2个输入节点、2个输出节点的神经网络逆2，其中：静态神经网络21的第一个输入端I1为神经网络逆2的第一个输入端；静态神经网络21的第二个输入端I2为神经网络逆2的第一个输入经由积分器22获得；静态神经网络21的第三个输入端I3为神经网络逆2的第二个输入端；静态神经网络21的第四个输入端I4为神经网络逆2的第二个输入经由积分器23获得；静态神经网络21与2个积分器22、23一道组成神经网络逆2，静态神经网络21的输出就是神经网络逆2的输出。神经网络逆控制器5的实现方法为采用单片微处理器即单片机控制器6，通过编制单片机程序实现。
生物发酵装置的神经网络逆控制器的构造方法为：首先选择生物发酵的反馈量及被控量从而构成被控的生物发酵系统1；接着采用静态神经网络21加积分器22和23来构成生物发酵系统1的神经网络逆2，并通过调整静态神经网络21的权系数使神经网络逆2实现生物发酵系统1的逆系统功能；然后将神经网络逆2串接在生物发酵系统1之前，神经网络逆2与生物发酵系统1复合成二个一阶积分型伪线性系统3；在此基础上，采用线性系统的综合方法对一阶积分型伪线性系统3设计闭环控制器4；最后将神经网络逆2与闭环控制器4相串联共同构成神经网络逆控制器5，将神经网络逆控制器5串接在生物发酵系统1前，对生物发酵系统1进行控制。
具体的实施分以下7步。
1确定生物发酵的反馈量及被控量从而构成被控的生物发酵系统。确定进料流量F和进料基质浓度Sf作为两个独立的控制量，被控量为菌体浓度X和基质浓度S的生物发酵系统(其框图如图1所示)。
2通过分析、推导，为神经网络逆的构造与学习训练提供方法上的根据。首先建立考虑生物发酵完整动态过程的生物发酵系统的数学模型，经推导可证明其逆系统存在，并可确定其逆系统的四个输入分别为菌体浓度的一阶导数菌体浓度X、基质浓度的一阶导数基质浓度S，二个输出为生物发酵系统的控制信号u1，u2分别为进料流量F和进料基质浓度Sf。需要说明的是，这一步仅为以下的神经网络逆的构造与学习训练提供方法上的根据，在本发明的具体实施中，这一步，包括对生物发酵系统逆系统存在的理论证明及一些相应的推导等，可跳过。
3采用静态神经网络加二个积分器构造神经网络逆。其中静态神经网络采用3层的MLN网络，输入层节点数为4，隐含层节点数为11，输出层节点数为2，隐含层神经元激活函数使用S型双曲正切函数f(x)＝(e2x-e-2x)/(e2x+e-2x)，输出层的神经元采用纯线性函数f(x)＝x，x为神经元的输入，静态神经网络的权系数将在下一步的离线学习中确定。然后用具有4个输入节点、2个输出节点的静态神经网络来构成神经网络逆(如图2左图的虚线框内所示)，其中静态神经网络的第一个输入为神经网络逆的第一个输入静态神经网络的第二个输入X为神经网络逆的第一个输入经由积分器获得；静态神经网络的第三个输入为神经网络逆的第二个输入静态神经网络的第四个输入S为神经网络逆的第二个输入经由积分器获得。静态神经网络与二个积分器一道组成神经网络逆，静态神经网络的输出就是神经网络逆的输出。
4调整静态神经网络的权系数。(a)将控制输入信号(如图3所示)加到生物发酵系统(如图1所示)的输入端，以25分钟的采样周期采集生物发酵系统的输入{u1，u2}、输出{X，S}，并保存数据{u1，u2，X，S}。(b)对X和S离线分别求其一阶导数，并对信号做规范化处理，组成静态神经网络的训练样本集(c)采用带动量项和变学习率的误差反传BP算法对静态神经网络进行训练，经过600次训练，静态神经网络输出均方误差小于0.0001，满足要求，从而确定了静态神经网络的各个权系数。
5组成复合伪线性系统。将已经构造的生物发酵系统的神经网络逆串接在生物发酵系统之前(如图2左图所示)，神经网络逆与生物发酵系统复合成二个一阶积分型伪线性系统(s-1)(如图2右图所示)，从而将一个复杂的非线性系统控制转化为二个简单的一阶积分型伪线性系统的控制。
6作出线性闭环控制器。对一阶积分型伪线性系统(s-1)作出闭环控制器(如图4所示)。闭环控制器采用线性系统理论中的比例积分微分控制器PID、极点配置或二次型指标最优等方法来设计，在本发明给出的实施例中，闭环控制器选用了比例P控制器，其参数整定为P1＝10、P2＝15。
7形成神经网络逆控制器。将神经网络逆与闭环控制器共同组成神经网络逆控制器(如图5中的点划线线框内所示)。可根据不同的控制要求采用不同的硬件或软件来实现。
图8给出了本发明的一种具体实施例的示意图，其中神经网络逆及闭环控制器由单片微处理器即单片机控制器通过软件来实现，系统程序框图如图9所示。
根据以上所述，便可实现本发明。