22、神经网络在发酵控制与动态系统建模中的应用

神经网络在发酵控制与动态系统建模中的应用

1. 基于神经网络的新型发酵控制方法

1.1 发酵控制难题与神经网络优势

微生物补料分批发酵过程的控制极具挑战性，因为会遇到诸多不确定性和非线性因素。而神经网络在识别和逼近非线性系统方面具有强大能力，因此在发酵过程领域的应用日益广泛。

1.2 发酵时间与最优温度差异原因

在微生物发酵过程中，不同发酵批次即便主要控制了所有发酵技术参数（如温度、pH值、压力、通风量、电机转速等），发酵时间和产品比例仍存在差异。经分析，不同发酵批次的主要差异在于发酵初始参数（包括种子的初始参数和培养基的初始成分比例）存在细微差别。由此得出两个推论：
- 发酵批次的发酵时间仅由该批次的初始参数决定。
- 每个发酵批次都存在最优发酵技术参数，且仅由该批次的初始参数决定。

1.3 发酵时间与最优温度模型

在发酵过程中，设温度为 (T)，时间变量为 (t)，发酵时间为 (TimeLength)，种子的初始参数为 (z_1,z_2,\cdots,z_m)，培养基初始成分比例为 (k_1,k_2,\cdots,k_n)，则发酵初始参数为 (z_1,z_2,\cdots,z_m,k_1,k_2,\cdots,k_n)。存在以下映射关系：
- 发酵时间：(TimeLength = TL_Function(z_1,z_2,\cdots,z_m,k_1,k_2,\cdots,k_n))
- 最优发酵温度轨迹：(T(t) = T_Function(t,z_1,z_2,\cdots,z_m,k_1,k_2,\cdots,k_n))，其中 (t \in [0,TimeLeng