发酵建模简述

发酵过程的建模是发酵工程的一个基本问题，它是为发酵过程的控制和优化服务的，准确的建模有利于得到更好的控制策略和优化方法；利用发酵过程的建模，从而进行发酵过程的优化控制是发酵工程的另一个基本问题，其目的是最大限度地发挥菌种的性能，因此发酵过程补料优化控制的研究在发酵工程中有着重要的地位。

发酵过程建模概述

发酵工业中，要实行外部条件的控制与优化操作，首先要解决有关参数在线测量问题。要测量的生化反应过程参数可分为环境参数和生物参数，其中环境参数包括物理参数和化学参数，物理参数通常有发酵罐温度、发酵罐压力、搅拌转数等；化学参数通常有 pH 值、溶解氧浓度（DO）等。目前对于生化过程的环境参数已经实现了可靠的在线测量，对于生化过程中的生物参数，比如菌体浓度、基质浓度、产物浓度等，虽然可以在实验室通过高压液相分析仪等仪器进行分析，但是在工业生产中，仍然达不到在线测量的要求，在测量发酵过程生物参数的生物传感器还没解决之前，对于发酵过程的控制还只能用估计的方法来实现。因此，利用在线可测量的信息来估计发酵过程不可测量的重要生物参数，或利用离线分析获得的数据建立可靠的模型，从而对发酵过程的生物参数的当前状态进行实时预测估计，成为目前发酵过程控制的主要研究内容。

建立发酵过程模型的目的在于：

1）了解过程的动态特性； 2）估计某些状态变量；

3）设计实验和验证某些假设；4）对发酵过程进行仿真研究；5）为控制和优化奠定基

础。目前对于发酵过程建模的方法大致可以分为以下几类：

A 基于动力学机理分析建模

基于动力学机理分析建模也称之为白箱建模，它是基于对生产过程中的物理和化学变化的深刻认识，通过对对象的机理分析，根据生产过程的质量、能量、动量积累变化，得到反映对象动态过程的性质和行为规律的数学表达式（过程运动方程）。这种机理模型需要对过程的动态特性、传输特性及生化反应特性有深入的了解，一般是从 Monod方程、Arrhenius 方程等出发，建立以过程动力学为基础的、反映生物量与可测变量之间关系的机理模型。

B于人工神经网络建模

基于人工神经网络建模是最近十几年来研究最多的、发展最快、应用范围最为广泛的一种模型化技术。人工神经网络是一种模仿动物神经网络行为特征，进行分布式并行信息处理的数学模型。虽然过程的物理机制未知，但是将对象的输入变量作为人工神经网络的输入，对象的输出变量作为其网络的输出，通过已有样本数据的网络学习来建立网络形式的模型，具有理论上可以逼近任意的非线性函数，无需先验知识等优点。可以通过网络内部权值的调整来拟合系统的输入输出关系，并且网络输出节点个数不限，适合于解决高度非线性和严重不确定性系统的建模。实际工业过程中，许多对象往往具有复杂的不确定性、时变性和非线性，基于机理模型的建模方法很难甚至根本不能建立较精确的模型，而人工神经网络建模的优点正好能够克服上述困难，因此被广泛应用于发酵过程的建模中。

C 基于支持向量机建模

支持向量机最初于 20 世纪 90 年代由 Vapnik 提出，近年来在其理论研究和算法实现方面都取得了突破性的进展。支持向量机建模的内部优化是基于结构风险最小化原理，其优化目标函数包括两项指标：经验风险和置信区间，两者共同决定支持向量机模型的实际风险，所以支持向量机模型的泛化能力要比人工神经网络模型等传统方法好。支持向量机从产生到现在，无论理论还是应用都取得了很快的发展，显示了其优越性。一些学者认为，支持向量机正在成为继神经网络之后新的研究热点，并将有力的推动机器学习理论和技术的发展。

D其他建模方法

发酵过程建模的研究呈现多样化的趋势。其中有基于状态估计的发酵建模方法，主要从发酵过程的状态空间模型出发，将所选辅助变量是完全可观测的生物量作为系统的状态变量，结合自适应观测器、卡尔曼滤波器实现在线估计。其它还有模式识别、模糊数学、过程层析成像、相关分析和现代非线性信息处理技术等方法。

总之，具体采取何种建模方法建立发酵过程预估模型，要针对研究方向、具体对象、需估计的生物参数、控制要求和模型复杂度等方面综合考虑。如果为了深入研究微生物的生长过程，了解微生物的生长本质规律，可以采用白箱建模（机理建模）或灰箱建模（机理建模与其它建模方法结合的建模方法）；如果为了对发酵过程进行优化和控制，则可以从宏观角度出发，建立发酵过程的黑箱模型（比如人工神经网络模型和支持向量机模型等）。任何发酵过程模型在建立好之后，都需要用计算机仿真或者实验过程检验和校正，使模型能够达到预估精度和优化效果，最终指导实际生产。

未经允许不得转载：hth网页入口»发酵建模简述