基于神經(jīng)網(wǎng)絡及粒子群算法的固態(tài)發(fā)酵控制方法
【專利摘要】本發(fā)明公開了一種基于神經(jīng)網(wǎng)絡及粒子群算法的固態(tài)發(fā)酵控制方法，其目的是為了解決現(xiàn)有固態(tài)發(fā)酵技術中存在的發(fā)酵物料數(shù)據(jù)無法實時檢測故無法實時控制的問題。本方法步驟為：1.初始化訓練數(shù)據(jù)，訓練神經(jīng)網(wǎng)絡，開始發(fā)酵過程；2.基于神經(jīng)網(wǎng)絡，由粒子群算法，求解合適的外界輸入?yún)⒘浚?.由實時數(shù)據(jù)，訓練神經(jīng)網(wǎng)絡；4.判斷是否進行人工取樣測量，若是，則取樣測量，并由測量數(shù)據(jù)訓練神經(jīng)網(wǎng)絡；5.判斷發(fā)酵過程是否結束，若是，則停止循環(huán)；若否，則返回步驟2。本發(fā)明進行固態(tài)發(fā)酵所需人工采樣次數(shù)遠小于傳統(tǒng)固態(tài)發(fā)酵的人工定時采樣次數(shù)，提高了固態(tài)發(fā)酵生產(chǎn)效率，避免多次采樣易造成污染的問題。
【專利說明】基于神經(jīng)網(wǎng)絡及粒子群算法的固態(tài)發(fā)酵控制方法
【技術領域】
[0001]本發(fā)明涉及一種固態(tài)發(fā)酵控制方法，尤其涉及一種基于神經(jīng)網(wǎng)絡及粒子群算法的固態(tài)發(fā)酵控制方法，屬于生物工程設備【技術領域】。
【背景技術】
[0002]固態(tài)發(fā)酵是指在沒有或幾乎沒有自由流動水存在的狀態(tài)下，在有一定濕度的水不溶性基質中，用一種或多種微生物進行生物反應的生產(chǎn)過程。與其他培養(yǎng)方式相比，固態(tài)發(fā)酵具有如下基本特點:1、設備能耗低；2、產(chǎn)物的產(chǎn)率高；3、無“三廢”排放污染，易使生產(chǎn)企業(yè)實現(xiàn)清潔生產(chǎn)工藝。因此，二十世紀90年代以來，隨著能源危機與環(huán)境問題的日益嚴重，固態(tài)發(fā)酵技術以其特有的優(yōu)點引起人們廣泛的興趣。在生物燃料、生物農(nóng)藥和生長劑、生物肥料、生物轉化、工業(yè)廢棄物生物解毒及對危險復合物進行生物修復和降解等方面得到應用。
[0003]在固態(tài)發(fā)酵過程中，反映發(fā)酵狀態(tài)的關鍵物理量為固態(tài)物料的溫度、濕度、pH值，這三大物理參量是直接決定良好固態(tài)發(fā)酵過程的物理環(huán)境。在工業(yè)中，由于技術、設備限制，對這三大物理參量的測量與控制往往采用的方法是人工間隔數(shù)小時采樣一次，再使用生物儀器做離線分析，得出這三大關鍵物理量，以此進一步調(diào)節(jié)外部輸入環(huán)境(如流入發(fā)酵設備空氣的流量、溫度、濕度、攪拌速度等)，以控制發(fā)酵過程。由于前述工業(yè)生產(chǎn)實際中技術、成本、設備等因素的限制，很難實時的獲知在發(fā)酵過程中這三大物理量的準確值，因而無法準確、實時調(diào)節(jié)這三大關鍵物理量，使得現(xiàn)有的固態(tài)發(fā)酵效率并不是很高。

【發(fā)明內(nèi)容】

[0004]本發(fā)明的目的在于提供一種基于神經(jīng)網(wǎng)絡及粒子群算法的固態(tài)發(fā)酵控制方法，解決現(xiàn)有技術中，由于技術、設備限制不能在線實時檢測固態(tài)物料的溫度、濕度、PH值物理參量，而采用頻繁的人工間隔采樣，再使用生物儀器做離線分析以控制發(fā)酵過程，易造成固態(tài)發(fā)酵生產(chǎn)效率低，多次采樣易造成污染的問題。
[0005]本發(fā)明的目的通過以下技術方案予以實現(xiàn):
[0006]一種基于神經(jīng)網(wǎng)絡及粒子群算法的固態(tài)發(fā)酵控制方法，包括以下步驟:
[0007]1)將固態(tài)發(fā)酵設備流入流出空氣溫度差、濕度差、空氣流量以及機械攪拌速率作為輸入?yún)⒘?，將固態(tài)物料溫度、濕度、PH值作為輸出參量，建立神經(jīng)網(wǎng)絡一，根據(jù)已有的歷史生產(chǎn)數(shù)據(jù)，使用BP神經(jīng)網(wǎng)絡，附加動量學習規(guī)則，訓練神經(jīng)網(wǎng)絡一；將流入固態(tài)發(fā)酵設備空氣的溫度、濕度、空氣流量、機械攪拌速率作為輸入變量，將流入流出空氣溫度差、濕度差作為輸出變量，建立神經(jīng)網(wǎng)絡二，使用BP神經(jīng)網(wǎng)絡，附加動量學習規(guī)則，訓練神經(jīng)網(wǎng)絡二 ；
[0008]2)根據(jù)固態(tài)發(fā)酵時所需的固態(tài)物料的溫度、濕度、pH值的理想值，由粒子群算法，求解神經(jīng)網(wǎng)絡一的最優(yōu)輸入?yún)⒘?，即流入流出空氣溫度差、濕度差、空氣流量以及機械攪拌速率；再次使用粒子群算法，基于神經(jīng)網(wǎng)絡一最優(yōu)輸入?yún)⒘?，固定神?jīng)網(wǎng)絡二中機械攪拌速率與空氣流量，尋找最優(yōu)輸入量中的流入空氣溫度、濕度，使得神經(jīng)網(wǎng)絡二的輸出擬合神經(jīng)網(wǎng)絡一最優(yōu)輸入?yún)⒘浚?br> [0009]3)根據(jù)實時的測量數(shù)據(jù)，即流入固態(tài)發(fā)酵設備空氣溫度、濕度、空氣流量，以及流出發(fā)酵設備空氣的流量、溫度、濕度以及機械攪拌速率，使用附加動量學習規(guī)則，更新訓練神經(jīng)網(wǎng)絡二；
[0010]4)根據(jù)上一循環(huán)神經(jīng)網(wǎng)絡估計誤差判斷是否需要人工采樣，如需要，通過人工采樣然后離線分析，對比得出實測固態(tài)物料的溫度、濕度、PH值與神經(jīng)網(wǎng)絡估計出的固態(tài)物料溫度、濕度、PH值的誤差，然后將這組實測固態(tài)物料的溫度、濕度、pH值與實時測得的流入流出空氣溫度差、濕度差、空氣流量以及機械攪拌速率數(shù)據(jù)一起，使用附加動量學習規(guī)則，更新訓練神經(jīng)網(wǎng)絡一；如不需要人工采樣，則轉步驟5)；
[0011]5)如果發(fā)酵過程結束，則停止循環(huán)；如果發(fā)酵過程未結束，則返回步驟2)。
[0012]本發(fā)明的目的還可以通過以下技術措施來進一步實現(xiàn):
[0013]前述基于神經(jīng)網(wǎng)絡及粒子群算法的固態(tài)發(fā)酵控制方法，其中粒子群算法，步驟如下:
[0014]I)初始化粒子群:確定粒子群大小NP，粒子群算法迭代次數(shù)NG，初始化粒子位置，計算每個粒子的適應度并初始化全局最優(yōu)解與個體最優(yōu)解；
[0015]計算粒子適應度的函數(shù)為:
[0016]
【權利要求】
1.一種基于神經(jīng)網(wǎng)絡及粒子群算法的固態(tài)發(fā)酵控制方法，其特征在于，包括以下步驟: 1)將固態(tài)發(fā)酵設備流入流出空氣溫度差、濕度差、空氣流量以及機械攪拌速率作為輸入?yún)⒘?，將固態(tài)物料溫度、濕度、PH值作為輸出參量，建立神經(jīng)網(wǎng)絡一，根據(jù)已有的歷史生產(chǎn)數(shù)據(jù)，使用BP神經(jīng)網(wǎng)絡，附加動量學習規(guī)則，訓練神經(jīng)網(wǎng)絡一；將流入固態(tài)發(fā)酵設備空氣的溫度、濕度、空氣流量、機械攪拌速率作為輸入變量，將流入流出空氣溫度差、濕度差作為輸出變量，建立神經(jīng)網(wǎng)絡二，使用BP神經(jīng)網(wǎng)絡，附加動量學習規(guī)則，訓練神經(jīng)網(wǎng)絡二 ； 2)根據(jù)固態(tài)發(fā)酵時所需的固態(tài)物料的溫度、濕度、pH值的理想值，由粒子群算法，求解神經(jīng)網(wǎng)絡一的最優(yōu)輸入?yún)⒘?，即流入流出空氣溫度差、濕度差、空氣流量以及機械攪拌速率；再次使用粒子群算法，基于神經(jīng)網(wǎng)絡一最優(yōu)輸入?yún)⒘?，固定神?jīng)網(wǎng)絡二中機械攪拌速率與空氣流量，尋找最優(yōu)輸入量中的流入空氣溫度、濕度，使得神經(jīng)網(wǎng)絡二的輸出擬合神經(jīng)網(wǎng)絡一最優(yōu)輸入?yún)⒘浚? 3)根據(jù)實時的測量數(shù)據(jù)，即流入固態(tài)發(fā)酵設備空氣溫度、濕度、空氣流量，以及流出發(fā)酵設備空氣的流量、溫度、濕度以及機械攪拌速率，使用附加動量學習規(guī)則，更新訓練神經(jīng)網(wǎng)絡二 ； 4)根據(jù)上一循環(huán)神經(jīng)網(wǎng)絡估計誤差判斷是否需要人工采樣，如需要，通過人工采樣然后離線分析，對比得出實測固態(tài)物料的溫度、濕度、PH值與神經(jīng)網(wǎng)絡估計出的固態(tài)物料溫度、濕度、PH值的誤差，然后將這組實測固態(tài)物料的溫度、濕度、pH值與實時測得的流入流出空氣溫度差、濕度差、空氣流量以及機械攪拌速率數(shù)據(jù)一起，使用附加動量學習規(guī)則，更新訓練神經(jīng)網(wǎng)絡一；如不需要人工采樣，則轉步驟5)； 5)如果發(fā)酵過程結束，則停止循環(huán)；如果發(fā)酵過程未結束，則返回步驟2)。
2.如權利要求1所述的基于神經(jīng)網(wǎng)絡及粒子群算法的固態(tài)發(fā)酵控制方法，其特征在于，所述粒子群算法，步驟如下: 1)初始化粒子群:確定粒子群大小NP，粒子群算法迭代次數(shù)NG，初始化粒子位置，計算每個粒子的適應度并初始化全局最優(yōu)解與個體最優(yōu)解； 計算粒子適應度的函數(shù)為、
3.如權利要求2所述的基于神經(jīng)網(wǎng)絡及粒子群算法的固態(tài)發(fā)酵控制方法，其特征在于，所述粒子群算法步驟2)的Cl，C2取值為2，C3取值為0.5。
4.如權利要求1所述的基于神經(jīng)網(wǎng)絡及粒子群算法的固態(tài)發(fā)酵控制方法，其特征在于，所述附加動量學習法，更新規(guī)則如下式:


【文檔編號】C12Q3/00GK103773900SQ201310745489
【公開日】2014年5月7日 申請日期:2013年12月30日 優(yōu)先權日:2013年12月30日
【發(fā)明者】徐沛, 樓群 申請人:鎮(zhèn)江市高等?？茖W校