一、抗生素发酵过程的模型辨识（论文文献综述）
张相胜[1]（2021）在《微生物代谢产物发酵过程建模研究》文中研究表明微生物发酵过程往往要涉及到各种生物代谢反应及物理过程和化学反应,机理反应和内部的动态变化很难掌握。其生长过程涉及各种因素,属于典型的非线性系统,机理建模需要长期经验积累,考虑多种因素并进行简化处理。建立合理的数学模型是实现微生物发酵过程优化的基础,受到检测条件与水平的限制,发酵过程控制的许多重要过程变量数据通常是离线取样获得,无法在线实时检测及时反应发酵信息,具有较大时间延迟。此类复杂过程建模和优化技术亟需开展进一步的软测量研究。本文对于微生物代谢产物发酵过程模型结构已知但参数未知、结构和参数都未知情况,分别从发酵过程的工艺机理模型、机理数据混合模型和数据驱动模型三个方面开展研究,主要研究内容为:（1）研究了微生物代谢产物发酵过程中培养环境指标和建立动力学模型与提高发酵产品产量及收率的关系。首先借助响应面分析方法获得了谷氨酸发酵过程最佳的培养环境指标;其次分析了微生物发酵过程的动力学特性,给出了发酵过程通用的动力学模型,并用构造性方法估计出了丙酮酸动力学模型参数;最后分析了基于丙酮酸动力学模型发酵过程平衡点的存在性和稳定性,并分析了稳定性条件。（2）针对微生物代谢产物发酵过程的非线性时变特点,研究了具有非线性特性的Hammerstein模型参数辨识方法。首先推导了针对Hammerstein模型的辅助模型随机梯度算法;其次,为加快算法的收敛速度,借助关键项分离方法,基于辅助模型和梯度搜索原理设计了多新息随机梯度的模型参数辨识算法;最后,提出了辅助模型多新息随机梯度参数辨识方法,实现了Hammerstein结构的青霉素发酵过程模型参数的辨识。实验结果表明,在发酵过程模型结构和阶次已知情况下,该算法能够利用发酵过程的输入输出数据,估计发酵过程的参数,由所建立的模型实现对发酵产物浓度的估计。（3）针对很多微生物代谢产物发酵过程的模型结构未知,不易建模的情况,研究了一种基于多尺度小波支持向量机的发酵过程软测量方法。提出了一种多尺度小波核函数的支持向量机,提高了建模精度。实验结果表明,基于多尺度小波核函数支持向量机的软测量方法建立的谷氨酸模型,获得了较高的谷氨酸浓度、溶解氧和残糖浓度估计精度。（4）为了减小代谢产物发酵过程采集数据中异常值和噪声对回归模型的影响,提出了一种特征加权孪生支持向量回归机。首先选择K近邻方法为每个样本设置基于密度的权重,采用Wards链式聚类算法提取样本的特征信息,并将两者融合到特征加权孪生支持向量回归机的目标函数中。为提升特征加权孪生支持向量回归机的预测性能,选择二次多项式核函数和径向基核函数构成的混合核函数,并采用自适应粒子群算法优化支持向量机的模型参数。实验结果表明,基于混合核函数的特征加权孪生支持向量回归机,建立的谷氨酸发酵过程模型对谷氨酸浓度和残糖浓度估计精度较高。
张阳[2]（2017）在《酿酒酵母GGSF16高浓度酒精分批补料发酵试验》文中认为我国广西地区广泛种植木薯,近年来以木薯为原料的燃料乙醇生产取得重大成果,但浓醪发酵酒度仅达到14%（v/v）左右且残糖高、发酵周期长。为了解决浓醪发酵过程的一系列问题,实现高浓度酒精发酵,本试验以高产酒精酿酒酵母GGSF16为菌种,采用YEPD（Yeast Extract Peptone Dextrose Medium）替代木薯滤液作为模式发酵培养基,进行高浓度酒精分批补料发酵试验,试图建立一套有效的分批补料发酵策略,为后期木薯等的补料发酵提供试验依据。本试验研究内容及结果如下:（1）高浓度酒精分批补料发酵初始糖浓度的选择研究了340 g/L总糖浓度及不同初始糖浓度（200、220、240、260 g/L）分批酒精发酵过程,结果表明:初糖340 g/L酒精发酵出现残糖高、发酵时间延长及总糖发酵效率低的主要原因是发酵初期高浓度糖对酵母细胞的抑制;不同初糖浓度分批发酵结果表明,在较低初糖浓度范围内时,酵母细胞在糖耗尽时仍具有较高的发酵能力,当初糖240 g/L发酵时,发酵效率达到最大为91.95%,乙醇产率较高且对细胞抑制作用较小,适宜作为高浓度酒精分批补料发酵的初始糖浓度。（2）高浓度酒精分批补料发酵时机及补料液组分研究采用亚甲基蓝还原法（MBRT）研究分批酒精发酵过程酵母活力,结合糖消耗及乙醇生成确定了酒精补料分批发酵的补料时间点。结果表明:亚甲基蓝还原试验评估酒精发酵过程发酵液酵母活力并作为补料时间指标是有效可行的,在对数中期（约10 h）亚甲基蓝脱色斜率最大,此时进行补料发酵效果最好,发酵终点乙醇浓度、乙醇产率和总糖发酵效率均达到最高值,分别为152.28±2.37 g/L,2.46±0.04 g/（L·h）和89.84%;摇瓶分批补料发酵的补料液组分试验结果表明:补料液中加入酵母膏及蛋白胨能够补充酵母细胞维持高活力所需的营养物质,与补加纯糖液相比发酵周期缩短了12 h,乙醇产率提高了约20.5%。（3）高浓度酒精分批间歇补料发酵试验研究了不同补料方式摇瓶分批间歇补料发酵过程,结果表明:一次补料发酵会引起发酵环境的巨大波动并对菌种有较大的稀释作用,造成发酵总体效率较低（76.09%）。二次补料具有更高的发酵效率（77.46%）,但补料时间不宜过晚,否则后期菌体活力降低,葡萄糖利用速率变慢,最终造成发酵效率低（75.98%）且残糖较高（4.1 g/L）。多次间歇补料效果优于二次补料,最终乙醇浓度及总糖发酵效率分别达到140 g/L和80.02%。分多次补加能避免补料对发酵环境产生大的影响,但在摇瓶分批间歇补料中,补料次数过多会导致发酵环境波动频繁,降低补料阶段的发酵效果,但多次补料发酵效果最好,因此可考虑进行连续补料发酵。（4）高浓度酒精5 L罐分批连续补料发酵试验研究了分批连续恒速补料、分批连续变速补料发酵及根据糖消耗水平的连续补料发酵过程,结果表明:相对于高浓度酒精分批发酵,以恒定速率补料最终发酵周期缩短了24 h,乙醇产率及总糖发酵效率分别提高了约64.1%、9.5%;变速补料发酵明显优于恒定速率补料,变速补料（方式1）的乙醇产率和总糖发酵效率相比恒速补料分别提高了6.5%、4.2%;根据糖消耗能力确定的变速补料方案能够最大限度提升酵母的发酵能力,避免不适宜的补料造成的残糖浓度过高问题,最终乙醇浓度及总糖发酵效率分别达到143.52 g/L、83.96%,与分批发酵相比分别提高了17.6%、18.5%。
李蒙[3]（2014）在《洁霉素发酵过程智能监控系统的研究与实现》文中研究表明我国是抗生素生产大国，其中洁霉素作为一种广泛使用的抗生素具较大的市场需求，但由于其发酵生化反应过程机理的复杂性和部份生物参数难以实时在线测量的技术现状，洁霉素发酵过程的检测和控制水平和自动化程度还不高。为了提高发酵率和产品质量，降低原料和能源消耗，提升企业市场竞争力，迫切地需要使用建立一套洁霉素发酵过程智能监控系统。同时基于对发酵状态实时预测诊断的需求，结合人工智能领域中专家系统的方法建立发酵过程异常诊断子系统，辅助用户对异常状况进行诊断和处理。首先，深入分析洁霉素分批补料发酵过程的阶段特性，对发酵过程中的关键状态参数进行了汇总和分析，确定了生化反应参数的采集方法和控制策略，使用软测量技术对难以直接在线测量的发酵参数进行在线计算。然后，研究专家系统的组成和架构，获取专家经验并建立洁霉素发酵知识库，设置推理机的推理策略，设计针对专家和用户的人机接口，实现洁霉素发酵过程的异常预测诊断。为了进一步丰富知识库中的专家经验规则，对发酵过程生化反应的动力学模型进行研究，建立基于模型的知识库规则，完善对发酵过程状态和趋势的预测。最后，针对发酵过程的工艺和控制特点，对发酵过程监控系统的设计和实现进行详细的介绍，以发酵罐温度、发酵罐压力、无菌空气流量、发酵液pH和溶解氧浓度等参数值为主要监控对象，使用传感器技术采集现场环境参数，通过西门子PLC处理数据并输出控制信号。工作站程序采用Delphi开发平台进行开发，使用Modbus协议与PLC进行实时通讯进而完成实时数据的汇总和控制参数的配置。
王平[4]（2012）在《一类化工过程的非线性预测控制建模及优化方法》文中研究说明在市场经济环境下，以连续聚丙烯生产装置为代表的一类化工过程通常需要在同一套装置内连续多种不同类型的产品以满足市场需求的变化，具有非线性程度强和产品关键质量指标不能在线测量等特点。单个线性模型并不能完整地描述出这类过程的特性，因此基于线性模型的预测控制器往往难以取得令人满意的控制效果。为进一步提高这类过程的能/质转化效率，并兼顾环境、安全等方面的因素，非线性模型预测控制（Nonlinearmodel predictive control, NMPC）得到了越来越广泛的关注。考虑到非线性过程建模复杂以及在线优化计算负担过重是制约NMPC在实际生产中广泛应用的主要原因，本文从预测控制的基本算法和非线性系统自身特性出发，分别从动态优化和非线性系统建模两个方面着手展开课题研究，得到如下结果：针对基于严格机理模型的预测控制滚动优化计算负担过重的问题，提出了一种基于全局正交配置的非线性预测控制算法。该算法以高阶插值正交多项式为基函数同时离散被控过程的状态变量和控制变量，将连续动态优化问题转化为非线性规划问题求解。正交配置点的分布特点保证了该算法能够实现对原动态优化问题的良好逼近并显着地降低了在线优化问题的规模。基于协态映射定理，设计了一种配置点个数选择方法，该方法通过选择足够长的优化时域确保控制系统的闭环稳定，并可以采用少量的配置点数减轻在线优化计算负担。通过对连续聚合反应过程进行的控制仿真测试验证了该方法的有效性。针对众多实际优化问题最优控制轨迹的非连续性，数值求解方法会导致优化精度下降甚至求解失败这一问题，在全局正交配置法的基础上，进一步提出了一种分区联立的动态优化求解方法。该方法利用全局正交化问题的优化分区，根据各弧段间的连接条件，对分区后的动态优化问题联立求解，以确保状态轨迹的连续性。通过在两个典型的生化反应过程操作优化问题中的仿真研究验证了所提方法的高效性。针对实际生产数据呈现按工作点聚类和迁移的特点，提出了一种基于增量式支持向量回归的在线自适应建模方法，并在此基础上设计了自适应预测控制器。该方法根据支持向量回归模型的Karush-Kuhn-Tucker（KKT）条件对新样本进行有选择地学习，确保在准确跟踪生产过程操作条件变化的同时显着降低模型更新频率。另外，基于样本相似度的选择淘汰算法，通过删除与新增加的训练样本相似度最小的旧样本，获得反映过程当前工况的训练样本集，进一步提高模型对新工况的适应能力。提出了一种基于多项式ARX模型的非线性预测控制算法。首先，由输出误差最小化方法确定多项式ARX模型的结构以获得良好的多步预报能力。其次，将多项式模型转化为线性参数时变模型后进行预测控制器的设计。在一定的假设条件下，可以将预测控制在线优化问题转化为一个标准的二次规划问题实时求解。由多变量强非线性pH中和过程的控制仿真测试表明，与线性预测控制方法相比，所提控制算法能够以在线计算负担少量增加为代价获得控制性能的显着改进。针对双环管聚丙烯反应过程熔融指数不能在线测量、牌号切换过渡时间长等问题，提出了一种新的牌号切换优化控制方法。首先，分别建立了双环管反应器的瞬时和积累熔融指数预报模型；据此提出一种模型系数在线更新方法以实现对牌号切换过程中熔融指数变化的准确跟踪；在此基础上将牌号切换优化控制归结为一个带状态路径约束的非线性动态优化问题，并由全局正交配置法在线滚动求解。经过实际生产数据和切换控制仿真测试表明，质量预报模型能够准确跟踪牌号切换中熔融指数的变化，牌号切换方法不仅能够缩短切换过渡时间，而且能够保证装置操作平稳。
牛大鹏[5]（2010）在《诺西肽发酵过程建模与优化研究》文中研究说明发酵是利用微生物生长和代谢活动生产各种有用物质的工业过程,在化工、农业、食品工业、医药工业等国民经济各行业中发挥着重要的作用。发酵工业的迅速发展,对发酵生产效益和发酵工业的整体水平提出了越来越高的要求,而优化控制是达到这些要求的重要途径。诺西肽是一种通过发酵方式获得的硫肽类抗生素,可作为饲料添加剂,具有广阔的市场应用前景,但存在发酵产量较低和转化率不高等问题。本文以诺西肽发酵过程为背景,全面系统地开展了发酵过程建模和优化方法的研究,并在此基础上进行了发酵过程建模与优化控制系统的设计。本文的主要工作归纳如下：首先,结合诺西肽发酵过程的特点,通过对诺西肽发酵过程主要影响因素的分析,从发酵动力学和物料平衡的角度出发,建立了诺西肽分批发酵过程的机理模型,对模型中的未知参数采用差分进化算法进行辨识,并在分批发酵模型的基础上推导出了诺西肽补料分批发酵过程机理模型,为进一步建立诺西肽发酵过程的混合模型奠定了基础。由于发酵过程的复杂性,所建立的发酵机理模型一般都是经过若干简化后得到的,精度不高。为此,将传统的机理建模思想与黑箱建模思想相结合,提出了一种并联方式的诺西肽发酵过程混合建模方法。用机理模型来描述发酵过程的基本知识,用神经网络集成模型弥补机理模型与实际过程的偏差,使得机理模型与黑箱模型的优势得到互补,有效地提高了模型的精度和泛化能力。建模过程中用动态神经网络Elman网络作为神经网络集成中的个体网络,从而能够更好地描述发酵过程的动态特性,各个体网络的合成权重采用偏最小二乘回归方法求得。同时利用混合模型的置信区间对模型的不确定性进行了分析。鉴于发酵过程优化通常为多目标优化问题的实际情况,对多目标优化方法进行了研究。在多目标差分进化算法的基础上,结合自适应思想和混沌思想,引入了混沌初始化、自适应变异和混沌迁移等操作,提出了自适应多目标混沌差分进化算法,针对测试函数的数值仿真结果表明,算法具有良好的逼近性和均匀性指标,适合求解复杂的多目标优化问题。诺西肽发酵过程目前存在的主要问题是产量不高、转化率较低,为此确立了诺西肽发酵过程优化目标为产物量最大和基质消耗量最小（以提高转化率）,并确定了过程的决策变量和约束条件,在约束条件中特别考虑了对模型不确定性的限制。用所建立的诺西肽补料分批发酵过程的混合模型来描述发酵过程,以自适应多目标混沌差分进化算法为求解算法,对所建立的优化模型进行了求解。在对发酵过程建模与优化方法研究的基础上,设计了诺西肽发酵过程建模与优化控制系统。给出了系统的硬件结构和数据流程,并重点分析了系统中的主要功能模块。利用C#在界面设计方面的优势,结合Oracle数据库的数据管理能力和Matlab强大的计算仿真功能,对诺西肽发酵过程建模与优化控制系统进行了混合编程实现。最后,在总结全文的基础上,对发酵过程建模和优化控制技术未来的发展进行了展望。
单秉仁[6]（2010）在《基于遗传算法的诺西肽分批发酵过程多时段建模》文中进行了进一步梳理随着生物技术的迅速发展,微生物发酵在国民经济中的地位越来越重要。发酵过程的控制与优化对于提高产品质量,减少能耗,降低生产成本具有重要的意义,而发酵过程的模型化是发酵控制与优化的基础。诺西肽作为一种微生物发酵产品,于20世纪60年代首先由法国人发现,其后经过多年研究,现已被开发成为一种高效低毒的抗生素生长促进剂。诺西肽具有广阔的市场前景,对其发酵过程进行建模,并在此基础上进行优化控制等研究,具有重要的研究意义与实际应用价值。本文研究了诺西肽分批发酵过程的多时段建模,并在此基础上进行了建模平台的设计,主要内容如下：以发酵动力学为基础,建立了诺西肽分批发酵模型,包括菌体生长模型、基质消耗模型、溶解氧模型和产物生成模型四个子模型。通过对诺西肽发酵过程时段特性的分析,将模型中待辨识的参数分为两类：一类参数的取值不受整个发酵过程各个阶段的影响；另一类参数则因为发酵过程不同阶段对其取值影响较大,需要对其进行分段取值,采用遗传算法确定了模型参数,模型验证结果表明所建立的多时段模型能够较好的描述诺西肽发酵过程。将所建立的模型进行在线应用,利用基于摄氧率的阶段辨识方法来确定诺西肽分批发酵过程阶段转换时间,从而实现了对诺西肽分批发酵过程的在线预测。在诺西肽分批发酵多时段模型的基础上开发了发酵过程建模平台,此平台结合了Visual Studio2005（C#）可视化编程的特点、Matlab的数值处理和图形显示功能以及Oracle数据库的强大数据存取能力。在离线建模界面上用户只需选择相应的动力学模型、历史数据等,就可以估计出相应的模型参数,继而建立起发酵过程多时段模型；在在线应用界面上只需输入相关参数初始值,并根据观测到各操作变量的变化,及各进出罐气体体积分压计算得出的发酵阶段切换时间点,从而能够在线预测菌体浓度、基质浓度、溶氧浓度、产物浓度的变化曲线并将相应数据进行保存。
安莉[7]（2010）在《发酵过程生物量软测量建模专家系统研究》文中研究说明微生物发酵过程是生物工程和现代生物技术及其产业化的基础。随着发酵规模的不断扩大,对自动控制技术提出了更高的要求。生物量是发酵过程中重要的过程参数,直接影响着发酵过程的控制和优化。由于生物传感器的缺乏,目前还没有很好地解决生物量的在线检测问题。软测量技术是实现不易测量参数估计的有效方法,采用软测量技术对生物量进行在线估计,是解决生物量在线估计的有效途径。将专家系统应用到发酵过程生物量软测量混合模型构建的过程中,建立拥有发酵过程先验知识和机理模型知识的专家系统知识库,通过推理可以得到软测量混合模型的结构,为建立有效的生物量软测量混合模型奠定了基础,对实现发酵过程生物量高精度在线估计具有重要的理论意义和应用价值。本文在详细分析了生物量软测量技术发展现状的基础上,对发酵过程及专家系统进行了研究。首先分析了发酵过程研究中已有的先验知识和过程机理,从发酵过程的菌种、培养基、关注产物、反应条件等先验知识和物流平衡入手,提出了发酵过程生物量软测量建模专家系统的知识分类获取方法,对发酵过程的知识进行了有效地划分。其次,在知识表示方法的研究中,根据发酵过程中有关参数、变量、模型等知识的特点,提出了一种基于数据库的产生式规则知识表示方法,给出了知识的分层组织结构,很好地表达了发酵过程中的有关事实及模型,并提出了一种用于发酵过程生物量软测量建模专家系统知识库的规则冗余校验方法。在知识推理方法的研究中,提出了一种基于匹配度的正向启发式广度优先推理方法,能够在已知事实比较少的情况下,对复杂的模型结构进行推理,给出了匹配度及可信度的定义及计算方法。最后,根据所提出的知识表示方法和推理方法,给出了发酵过程生物量软测量建模专家系统的体系结构,开发完成了发酵过程生物量软测量建模专家系统的原型软件,并对其进行了实验研究。实验结果表明,基于数据库的产生式规则知识表示方法很好地表达了发酵过程中的有关事实及模型,用于发酵过程生物量软测量建模专家系统知识库的规则冗余校验方法有效可行,便于知识库的管理及维护；所提出的基于匹配度的正向启发式广度优先推理方法和知识的分层组织结构能够有效地减少推理步长,提高专家系统的推理效率；以诺西肽发酵过程为实验研究对象的发酵过程生物量软测量建模专家系统的推理结果表明,把一些先验知识及过程机理加入到混合模型的构建过程中,有利于混合模型精度的提高。
丁慎平[8]（2009）在《赖氨酸发酵过程智能补料控制系统研究》文中研究指明赖氨酸是八大氨基酸之一,为人体需要但不能自身合成、不可缺少的营养物质。2008年我国赖氨酸年产量约70万吨,但其原料生产基本处于大而不强的状态。赖氨酸发酵补料控制工艺是控制赖氨酸发酵中间代谢、提高产量的一个灵活而有效的手段。补料控制是整个发酵生产过程中的关键因素。早期的补料方式完全是凭经验进行的。补料成分简单,补加的数量少,这种补料方式简单易行,但往往无法有效控制发酵。现代大规模发酵工业中,补料方式已从简单一级补料发展到多级重复补料,从简单地补加一种营养物发展到补加几种营养物。但对它的理论研究相对滞后。由于赖氨酸发酵过程本身是一个复杂的、不确定的、非线性的时变动态过程,涉及生命体的生长和繁殖,其影响因素繁多、机理十分复杂。其中补料控制也因为其内在复杂性难以实现其机理建模,不能实现对赖氨酸发酵的有效控制。为了弥补赖氨酸发酵补料控制过程中过分依赖数学模型的不足,实现生产过程的智能化控制,提高赖氨酸的产量与产率,本文将模糊控制理论的逻辑推理技术和神经网络控制的自学习能力有机结合起来,在深入研究模糊神经网络基础上,提出了赖氨酸发酵智能补料控制策略和权值构建。并采用基于ARM内核的嵌入式片上系统S3C44BOX为核心,移植嵌入式实时操作系统μC/OS-Ⅱ,完成了赖氨酸发酵智能补料控制系统的软硬件设计,并以此来改善赖氨酸补料控制的性能。赖氨酸发酵智能补料实验与仿真结果表明,本系统具有有效性、精确性、鲁棒性。基于模糊神经网络控制的赖氨酸智能补料发酵控制系统的研究,对微生物发酵智能补料控制的发展具有重要学术意义和实际应用价值。
王建林,冯絮影,于涛,薛尧予[9]（2008）在《微生物发酵过程优化控制技术进展》文中研究指明微生物发酵过程优化控制技术是发酵工程的重要技术。综述了近年来微生物发酵过程优化控制技术的研究现状,讨论了机理分析建模、黑箱建模、混合建模等发酵过程建模方法,对基于模型的优化控制策略进行了分析。指出了基于混合模型和多目标优化策略建立动态优化控制器,是微生物发酵过程优化控制的有效方法,并给出了实现优化控制需要解决的关键问题。
冯茜[10]（2008）在《基于仿人智能协调控制的发酵补料控制系统研究》文中进行了进一步梳理青霉素发酵过程是一个具有高度非线性、时变性和复杂相关性的生化过程。发酵过程中状态的控制决定了青霉素的产物效率,因此对青霉素发酵过程进行建模与控制研究具有现实意义。由于一些重要的过程变量不能在线测量,使得经典控制方法在生化过程优化控制的应用很难取得好的效果。人工智能技术为生化过程的优化控制提供了全新的方法,它能够绕过生化过程控制中建立数学模型的难点,也能够很好地利用工程师和熟练工人的一些经验,而这些经验是传统数学方法所无法利用的。此外,对于发酵补料系统这类变量间耦合严重的多变量复杂系统,采用常规PID控制无法达到控制目的。本文在分析了大量的国内外文献之后认为仿人智能控制是从分层递阶智能控制系统的最低层次（运行控制级）着手,直接对人的经验、技巧和各种直觉推理逻辑进行测辨、概括和总结,具有简单实用、精度高、鲁棒性强的特点。因此,本文针对青霉素分批补料发酵过程优化控制问题,提出了一种基于仿人智能控制理论的青霉素分批补料发酵过程优化控制策略设计方法。论文以青霉素发酵过程为对象,建立了能够反映发酵过程中比生长速率和pH值变化的动态数学模型,并将仿人智能协调控制和仿人智能模糊控制融入到发酵过程的优化控制中进行仿真,对发酵补料系统实行动态解耦,实现发酵过程控制的智能化处理,达到优化发酵生产的目的。在对发酵过程建模与优化方法研究的基础上,利用组态王支持自制ActiveX控件的特性,本论文使用通过Visual Basic开发算法控件,组态软件调用控件实现上位机管理和控制双重功能的方法,也为先进的控制方法应用到实际生产过程,实现理论与实际的结合提供了参考,具有非常重要的实际意义。
二、抗生素发酵过程的模型辨识（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、抗生素发酵过程的模型辨识（论文提纲范文）
（1）微生物代谢产物发酵过程建模研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 问题提出和研究意义 |
| 1.2 微生物代谢产物发酵过程建模研究概况 |
| 1.2.1 发酵过程工艺机理建模的现状 |
| 1.2.2 发酵过程混合模型辨识的现状 |
| 1.2.3 发酵过程基于数据驱动的软测量 |
| 1.3 微生物代谢产物发酵过程模型类别 |
| 1.3.1 发酵过程模型的分类 |
| 1.3.2 微生物发酵过程建模一般步骤 |
| 1.4 论文研究内容 |
| 第二章 代谢产物发酵过程动力学模型及稳定性分析 |
| 2.1 引言 |
| 2.2 发酵培养条件分析 |
| 2.2.1 微生物营养要素 |
| 2.2.2 微生物培养环境条件 |
| 2.2.3 培养环境优化技术 |
| 2.3 微生物发酵过程培养基及其优化 |
| 2.3.1 培养基的基本构成 |
| 2.3.2 培养基条件的优化 |
| 2.4 微生物发酵过程物料平衡分析 |
| 2.4.1 基本公式 |
| 2.4.2 微生物发酵过程生长和底物消耗动力学模型 |
| 2.4.3 微生物发酵过程比生长速率分析 |
| 2.5 发酵过程通用动力学模型 |
| 2.5.1 微生物生长、维持、死亡状态空间模型 |
| 2.5.2 丙酮酸发酵过程动力学模型 |
| 2.6 丙酮酸发酵过程模型稳定性分析 |
| 2.6.1 丙酮酸发酵过程动力学方程的平衡点 |
| 2.6.2 丙酮酸发酵动力学方程平衡点的稳定性 |
| 2.7 本章小结 |
| 第三章 基于Hammerstein模型的发酵过程参数辨识 |
| 3.1 引言 |
| 3.2 Hammerstein非线性输出误差模型描述 |
| 3.3 非线性输出误差模型参数辨识的梯度迭代算法 |
| 3.3.1 算法推导 |
| 3.3.2 仿真实验 |
| 3.4 辅助模型多新息随机梯度算法 |
| 3.4.1 辅助模型多新息随机梯度算法推导 |
| 3.4.2 仿真实验 |
| 3.5 青霉素发酵过程参数辨识 |
| 3.5.1 发酵过程的多模型结构 |
| 3.5.2 仿真实验 |
| 3.5.3 青霉素发酵工艺 |
| 3.5.4 青霉素发酵过程参数辨识 |
| 3.6 本章小结 |
| 第四章 基于多尺度小波支持向量机的发酵过程软测量研究 |
| 4.1 引言 |
| 4.2 小波核函数的基本原理 |
| 4.2.1 希尔伯特空间和小波框架 |
| 4.2.2 基于框架的核函数 |
| 4.2.3 小波函数分析 |
| 4.3 多尺度小波核函数 |
| 4.3.1 多分辨分析 |
| 4.3.2 小波函数和小波空间分析 |
| 4.4 多尺度小波核函数支持向量机 |
| 4.4.1 支持向量机 |
| 4.4.2 多尺度小波核函数的支持向量机 |
| 4.4.3 仿真实验及应用 |
| 4.5 小波支持向量机在谷氨酸软测量中的应用 |
| 4.5.1 谷氨酸工艺过程概述 |
| 4.5.2 实验材料与方法 |
| 4.5.3 训练数据的预处理 |
| 4.5.4 支持向量回归机的软测量建模 |
| 4.5.5 多尺度小波核函数的支持向量回归机软测量建模 |
| 4.6 本章小结 |
| 第五章 基于孪生支持向量机的发酵过程软测量研究 |
| 5.1 引言 |
| 5.2 特征加权孪生支持向量回归机 |
| 5.2.1 孪生支持向量回归机 |
| 5.2.2 位置特征和结构特征 |
| 5.2.3 特征加权孪生支持向量回归机 |
| 5.2.4 连续超松弛方法 |
| 5.3 谷氨酸发酵参数选择 |
| 5.3.1 数据的来源 |
| 5.3.2 输入输出变量的确定 |
| 5.4 谷氨酸发酵过程软测量建模 |
| 5.4.1 混合核函数 |
| 5.4.2 特征孪生支持向量回归机参数的自适应粒子群寻优 |
| 5.4.3 混合核函数的孪生支持向量机参数优化 |
| 5.4.4 特征加权孪生支持向量机的发酵过程建模 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文工作总结 |
| 6.2 研究展望 |
| 致谢 |
| 参考文献 |
| 作者在攻读博士学位期间发表的论文及其他成果 |
（2）酿酒酵母GGSF16高浓度酒精分批补料发酵试验（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 燃料乙醇生产概况 |
| 1.1.1 生物燃料乙醇的背景 |
| 1.1.2 燃料乙醇生产现状 |
| 1.1.3 高浓度酒精发酵研究现状 |
| 1.2 补料分批发酵技术研究现状 |
| 1.2.0 补料分批发酵国内外研究现状 |
| 1.2.1 补料分批发酵在乙醇生产中的应用现状 |
| 1.2.2 补料分批发酵策略控制 |
| 1.3 亚甲基蓝还原法评价细胞活力的研究现状 |
| 1.4 影响酒精补料分批发酵的关键因素 |
| 1.4.1 初始糖浓度对补料分批发酵的影响 |
| 1.4.2 补料时机对补料分批发酵的影响 |
| 1.4.3 补料方式对补料分批发酵的影响 |
| 1.5 论文选题依据和研究意义 |
| 1.5.1 选题依据 |
| 1.5.2 研究意义 |
| 1.6 本论文主要研究内容及技术路线 |
| 1.6.1 本论文主要研究内容 |
| 1.6.2 研究主要技术路线 |
| 第二章 高浓度酒精分批补料发酵初始糖浓度研究 |
| 2.1 试验材料 |
| 2.1.1 试验菌株 |
| 2.1.2 试验主要药品 |
| 2.1.3 试验主要仪器与设备 |
| 2.1.4 培养基 |
| 2.2 试验方法 |
| 2.2.1 种子培养方法 |
| 2.2.2 发酵方法 |
| 2.2.3 发酵过程取样及分析方法 |
| 2.2.4 发酵结果计算 |
| 2.3 结果与分析 |
| 2.3.1 高糖浓度(340g/L)酒精分批发酵试验 |
| 2.3.2 不同初总糖浓度分批酒精发酵试验 |
| 2.4 小结 |
| 第三章 高浓度酒精分批补料发酵时机及补料液组分研究 |
| 3.1 试验材料 |
| 3.1.1 试验菌株 |
| 3.1.2 试验主要药品 |
| 3.1.3 试验主要仪器与设备 |
| 3.1.4 培养基 |
| 3.2 试验方法 |
| 3.2.1 种子培养方法 |
| 3.2.2 发酵方法 |
| 3.2.3 亚甲基蓝还原试验 |
| 3.2.4 发酵过程取样及分析方法 |
| 3.2.5 发酵结果计算 |
| 3.3 结果与分析 |
| 3.3.1 基于亚甲基蓝还原法评价酵母活力 |
| 3.3.2 基于亚甲基蓝还原法确定分批补料最佳补料时间 |
| 3.3.3 分批补料发酵的补料液组分试验 |
| 3.4 小结 |
| 第四章 高浓度酒精摇瓶分批间歇补料发酵试验 |
| 4.1 试验材料 |
| 4.1.1 试验菌株 |
| 4.1.2 试验主要药品 |
| 4.1.3 试验主要仪器与设备 |
| 4.1.4 培养基 |
| 4.2 试验方法 |
| 4.2.1 种子培养方法 |
| 4.2.2 发酵方法 |
| 4.2.3 亚甲基蓝还原试验方法 |
| 4.2.4 发酵过程取样及分析方法 |
| 4.2.5 发酵结果计算 |
| 4.3 结果与分析 |
| 4.3.1 不同补料方式发酵过程糖消耗分析 |
| 4.3.2 不同补料方式发酵过程乙醇生成分析 |
| 4.3.3 不同补料方式10~18h内MBRT斜率、糖消耗及乙醇生成分析 |
| 4.3.4 不同补料方式发酵效果分析 |
| 4.4 小结 |
| 第五章 高浓度酒精5L罐分批连续补料发酵 |
| 5.1 试验材料 |
| 5.1.1 试验菌株 |
| 5.1.2 试验主要药品 |
| 5.1.3 试验主要仪器与设备 |
| 5.1.4 培养基 |
| 5.2 试验方法 |
| 5.2.1 种子培养方法 |
| 5.2.2 发酵方法 |
| 5.2.3 亚甲基蓝还原试验方法 |
| 5.2.4 发酵过程取样及分析方法 |
| 5.2.5 发酵结果计算 |
| 5.3 结果与分析 |
| 5.3.1 分批连续恒速补料发酵试验 |
| 5.3.2 分批连续变速补料发酵试验 |
| 5.3.3 根据糖消耗水平连续补料发酵试验 |
| 5.4 小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.1.1 高浓度酒精分批补料发酵初始糖浓度研究 |
| 6.1.2 高浓度酒精分批补料发酵时机及补料液组分研究 |
| 6.1.3 高浓度酒精分批间歇补料发酵 |
| 6.1.4 高浓度酒精5L罐分批连续补料发酵试验 |
| 6.2 创新点 |
| 6.3 展望 |
| 参考文献 |
| 发表论文及参加科研情况说明 |
| 致谢 |
（3）洁霉素发酵过程智能监控系统的研究与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 引言 |
| 1.2 课题背景及意义 |
| 1.2.1 课题背景 |
| 1.2.2 课题研究意义 |
| 1.3 发酵智能监控系统的发展状况和趋势 |
| 1.4 本文主要研究内容和方法 |
| 第2章 洁霉素发酵工艺 |
| 2.1 洁霉素发酵工艺特点 |
| 2.2 洁霉素发酵特性分析 |
| 2.2.1 发酵过程的参数检测 |
| 2.2.2 发酵过程的软测量技术 |
| 2.2.3 发酵过程特性 |
| 2.2.4 发酵过程控制系统的基本要求 |
| 2.3 本章小结 |
| 第3章 专家系统及其建立方法 |
| 3.1 专家系统的介绍 |
| 3.2 专家系统的组成 |
| 3.3 专家系统知识库的建立 |
| 3.3.1 知识库中知识的表达形式 |
| 3.3.2 专家知识的获取 |
| 3.4 专家系统推理机及推理策略 |
| 3.5 本章小结 |
| 第4章 基于专家系统的洁霉素发酵异常预测诊断 |
| 4.1 发酵异常诊断系统知识库的建立 |
| 4.2 基于模型的知识库建立方法 |
| 4.2.1 发酵生化过程模型分类 |
| 4.2.2 发酵过程的动态建模分析 |
| 4.3 发酵异常诊断系统推理机的设计 |
| 4.3.1 推理方向选择 |
| 4.3.2 搜索匹配策略 |
| 4.3.3 模糊推理策略 |
| 4.4 人机接口及知识库的学习机制 |
| 4.4.1 人机接口 |
| 4.4.2 知识库学习机制 |
| 4.5 本章小结 |
| 第5章 洁霉素发酵监控系统总体设计 |
| 5.1 发酵监控系统的特点和要求 |
| 5.1.1 补料分批发酵 |
| 5.1.2 发酵监控系统要求 |
| 5.2 系统的体系结构 |
| 5.3 系统软硬件组成和实现 |
| 5.3.1 系统硬件实现 |
| 5.3.2 系统软件实现 |
| 5.4 系统通讯的实现 |
| 5.4.1 上位机与下位机的通信 |
| 5.4.2 网络内计算机通信 |
| 5.5 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 进一步工作的方向 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的研究成果 |
（4）一类化工过程的非线性预测控制建模及优化方法（论文提纲范文）
| 摘要 |
| Abstract |
| 创新点摘要 |
| 第1章 引言 |
| 1.1 课题研究意义 |
| 1.2 模型预测控制概述 |
| 1.2.1 模型预测控制基本原理 |
| 1.2.2 非线性模型预测控制的一般描述 |
| 1.3 国内外研究现状 |
| 1.3.1 基于严格机理模型的非线性预测控制算法 |
| 1.3.2 基于线性化模型的非线性预测控制 |
| 1.3.3 基于实验模型的非线性预测控制 |
| 1.3.4 基于智能模型的非线性预测控制 |
| 1.4 非线性预测控制有待解决的问题 |
| 1.5 论文的主要内容和结构安排 |
| 第2章 基于全局正交配置的非线性预测控制算法 |
| 2.1 非线性预测控制问题描述 |
| 2.2 全局正交配置算法 |
| 2.3 算法特点 |
| 2.3.1 配置点分布 |
| 2.3.2 边界控制率 |
| 2.3.3 协态映射定理 |
| 2.4 仿真研究 |
| 2.4.1 连续搅拌反应器过程控制 |
| 2.4.2 甲基丙烯酸甲酯反应过程 |
| 2.5 本节小结 |
| 第3章 基于全局正交配置的分区联立动态优化求解方法 |
| 3.1 问题描述 |
| 3.1.1 动态优化 |
| 3.1.2 最优性必要条件 |
| 3.1.3 最优轨迹的结构形式 |
| 3.2 全局正交配置 |
| 3.2.1 非线性规划问题描述 |
| 3.2.2 协态映射定理 |
| 3.3 分区联立动态优化求解方法 |
| 3.3.1 优化分区 |
| 3.3.2 联立求解 |
| 3.4 仿真研究 |
| 3.4.1 半间歇生化反应器操作优化 |
| 3.4.2 抗生素发酵操作优化 |
| 3.5 本章小结 |
| 第4章 基于增量式支持向量回归的自适应建模及控制方法 |
| 4.1 在线支持向量回归建模 |
| 4.1.1 支持向量回归算法 |
| 4.1.2 增量式支持向量回归学习算法 |
| 4.2 在线自适应建模方法 |
| 4.2.1 新增样本区分学习 |
| 4.2.2 选择性样本淘汰方法 |
| 4.2.3 基于模型性能评价的自适应建模 |
| 4.3 自适应非线性模型预测控制算法 |
| 4.4 结果及分析 |
| 4.4.1 熔融指数软测量建模 |
| 4.4.2 连续搅拌反应器控制 |
| 4.5 本章小结 |
| 第5章 一种基于多项式 ARX 模型的非线性预测控制器设计方法 |
| 5.1 多项式 ARX 模型 |
| 5.1.1 多项式 ARX 模型形式 |
| 5.1.2 模型结构选择算法 |
| 5.2 预测控制器设计方法 |
| 5.2.1 线性参数时变模型 |
| 5.2.2 基于 LPV 模型的预测控制器设计方法 |
| 5.3 仿真研究 |
| 5.3.1 过程描述 |
| 5.3.2 过程模型辨识 |
| 5.3.3 闭环控制性能以及计算效率 |
| 5.4 本章小结 |
| 第6章 双环管聚丙烯反应过程牌号切换优化控制 |
| 6.1 双环管反应器数学模型 |
| 6.1.1 工艺简介 |
| 6.1.2 聚合反应机理模型 |
| 6.2 熔融指数预报模型 |
| 6.2.1 熔融指数瞬时和累积模型 |
| 6.2.2 模型系数在线更新方法 |
| 6.3 双环管反应器控制 |
| 6.3.1 优化控制问题描述 |
| 6.3.2 求解方法 |
| 6.4 结果及分析 |
| 6.4.1 熔融指数在线预报 |
| 6.4.2 牌号切换控制 |
| 6.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间取得的研究成果 |
| 致谢 |
| 作者简介 |
（5）诺西肽发酵过程建模与优化研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 发酵工程概述 |
| 1.2.1 发酵工业的发展 |
| 1.2.2 发酵过程的生产方式 |
| 1.2.3 发酵生产的工艺流程 |
| 1.3 发酵过程建模与优化技术 |
| 1.3.1 发酵过程建模方法概述 |
| 1.3.2 发酵过程优化技术概述 |
| 1.4 本文主要工作 |
| 第2章 诺西肽发酵过程机理模型研究 |
| 2.1 引言 |
| 2.2 诺西肽发酵 |
| 2.2.1 诺西肽的性质 |
| 2.2.2 诺西肽的研究进展 |
| 2.2.3 诺西肽的发酵生成 |
| 2.2.4 诺西肽发酵过程的影响因素 |
| 2.3 诺西肽分批发酵过程机理模型的建立 |
| 2.3.1 菌体生长模型 |
| 2.3.2 基质消耗模型 |
| 2.3.3 溶解氧模型 |
| 2.3.4 产物生成模型 |
| 2.3.5 模型参数的确定 |
| 2.4 诺西肽补料分批发酵过程机理模型的建立 |
| 2.5 本章小结 |
| 第3章 基于神经网络集成的诺西肽发酵过程混合模型研究 |
| 3.1 引言 |
| 3.2 Elman神经网络 |
| 3.3 神经网络集成 |
| 3.3.1 个体网络的生成 |
| 3.3.2 个体网络输出的结合 |
| 3.4 诺西肽发酵过程的混合模型 |
| 3.4.1 混合模型的提出及其结构 |
| 3.4.2 Elman神经网络集成模型 |
| 3.4.3 混合模型的置信区间 |
| 3.4.4 混合模型的实验验证 |
| 3.5 本章小结 |
| 第4章 多目标优化方法的研究 |
| 4.1 引言 |
| 4.2 多目标优化问题的描述 |
| 4.3 多目标优化问题的相关概念 |
| 4.4 多目标优化方法 |
| 4.4.1 传统的多目标优化方法 |
| 4.4.2 多目标进化算法 |
| 4.5 自适应多目标混沌差分进化算法 |
| 4.5.1 混沌初始化 |
| 4.5.2 自适应变异算子 |
| 4.5.3 混沌迁移算子 |
| 4.5.4 AC-DEMO的操作流程 |
| 4.5.5 算法性能测试 |
| 4.6 本章小结 |
| 第5章 诺西肽发酵过程的多目标优化 |
| 5.1 引言 |
| 5.2 诺西肽发酵过程优化模型的建立 |
| 5.2.1 目标函数的确定 |
| 5.2.2 决策变量的选取 |
| 5.2.3 约束条件 |
| 5.3 优化模型的约束处理 |
| 5.3.1 约束处理的基本方法 |
| 5.3.2 诺西肽发酵优化的约束处理策略 |
| 5.4 优化步骤 |
| 5.5 仿真研究 |
| 5.6 本章小结 |
| 第6章 诺西肽发酵过程建模与优化控制系统的设计 |
| 6.1 引言 |
| 6.2 系统硬件结构及主要功能 |
| 6.3 系统数据交换 |
| 6.4 发酵计算机控制系统 |
| 6.4.1 监控系统 |
| 6.4.2 控制系统 |
| 6.5 发酵建模和优化系统 |
| 6.5.1 发酵建模和优化系统界面设计 |
| 6.5.2 发酵建模和优化系统数据管理 |
| 6.5.3 发酵建模和优化系统主要模块 |
| 6.5.4 C#、Oracle数据库与Matlab的混合编程 |
| 6.6 本章小结 |
| 第7章 结论与展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间论文情况 |
（6）基于遗传算法的诺西肽分批发酵过程多时段建模（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 微生物发酵过程概述 |
| 1.2 发酵过程建模研究现状 |
| 1.2.1 发酵过程建模目的 |
| 1.2.2 发酵过程模型类型 |
| 1.2.3 发酵动力学建模方法 |
| 1.3 研究背景与意义 |
| 1.4 本文主要工作 |
| 第2章 诺西肽分批发酵过程相关知识 |
| 2.1 诺西肽发酵概述 |
| 2.1.1 诺西肽简介 |
| 2.1.2 国内外研究进展 |
| 2.2 诺西肽发酵过程生产工艺 |
| 2.2.1 诺西肽的发酵 |
| 2.2.2 诺西肽的提取分离与精制 |
| 2.3 微生物代谢体系 |
| 2.3.1 初级代谢 |
| 2.3.2 次级代谢 |
| 2.4 发酵过程生产方式 |
| 2.5 本章小结 |
| 第3章 诺西肽分批发酵过程机理模型的建立 |
| 3.1 发酵动力学 |
| 3.1.1 发酵动力学研究内容 |
| 3.1.2 发酵动力学研究方法 |
| 3.1.3 发酵动力学研究步骤 |
| 3.2 诺西肽发酵过程影响因素 |
| 3.2.1 温度的影响 |
| 3.2.2 pH的影响 |
| 3.2.3 溶解氧的影响 |
| 3.2.4 其他因素的影响 |
| 3.3 诺西肽分批发酵过程模型的建立 |
| 3.3.1 菌体生长模型 |
| 3.3.2 基质消耗模型 |
| 3.3.3 溶解氧模型 |
| 3.3.4 产物生成模型 |
| 3.4 本章小结 |
| 第4章 诺西肽分批发酵多时段模型参数辨识及在线应用 |
| 4.1 诺西肽分批发酵模型的多时段特性 |
| 4.1.1 诺西肽发酵时段特性分析及划分 |
| 4.1.2 待辨识参数分类 |
| 4.2 分批发酵多时段模型参数辨识 |
| 4.2.1 遗传算法基本原理 |
| 4.2.2 遗传算子设计 |
| 4.2.3 模型参数辨识 |
| 4.2.4 多时段模型的仿真与验证 |
| 4.3 分批发酵多时段模型在线应用 |
| 4.3.1 在线阶段辨识 |
| 4.3.2 结果分析 |
| 4.4 本章小结 |
| 第5章 诺西肽发酵建模平台的设计与实现 |
| 5.1 诺西肽分批发酵建模平台总体设计 |
| 5.1.1 建模平台界面建立 |
| 5.1.2 建模平台功能实现 |
| 5.1.3 实验数据管理 |
| 5.2 C#、Matlab与数据库的混合编程 |
| 5.2.1 在C#中调用DLL文件 |
| 5.2.2 在C#中存取数据库数据 |
| 5.3 诺西肽分批发酵实验平台演示 |
| 5.3.1 建模实验界面演示 |
| 5.3.2 在线应用界面演示 |
| 5.4 小章小结 |
| 第6章 结论与展望 |
| 参考文献 |
| 致谢 |
（7）发酵过程生物量软测量建模专家系统研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 发酵过程生物量检测方法研究现状 |
| 1.2.1 生物量离线测量 |
| 1.2.2 基于传感技术的生物量在线测量 |
| 1.2.3 基于软测量技术的生物量在线估计 |
| 1.3 专家系统及其在发酵过程中的应用研究现状 |
| 1.3.1 基于专家系统的发酵过程智能控制 |
| 1.3.2 基于专家系统的发酵过程故障诊断 |
| 1.3.3 基于专家系统的发酵过程装置设计 |
| 1.3.4 专家系统在发酵过程生物量软测量中的应用 |
| 1.4 本课题的研究意义和主要研究内容 |
| 1.4.1 本课题的研究意义 |
| 1.4.2 本课题的主要研究内容 |
| 第二章 发酵过程生物量软测量建模专家系统的知识分类获取方法 |
| 2.1 引言 |
| 2.2 专家系统的知识获取方法 |
| 2.2.1 知识的分类方法 |
| 2.2.2 知识的存在方式 |
| 2.2.3 知识获取方法的分类 |
| 2.3 发酵过程生物量软测量建模专家系统的知识分类获取方法 |
| 2.3.1 发酵过程生物量软测量建模专家系统知识的划分原则 |
| 2.3.2 发酵过程生物量软测量建模专家系统目标知识的分类获取 |
| 2.3.2.1 发酵过程事实类知识的分类获取 |
| 2.3.2.2 发酵过程模型类知识的分类获取 |
| 2.3.3 发酵过程生物量软测量建模专家系统元知识的分类获取 |
| 2.4 小结 |
| 第三章 发酵过程生物量软测量建模专家系统的知识表示方法 |
| 3.1 引言 |
| 3.2 专家系统的知识表示方法 |
| 3.2.1 知识表示的结构 |
| 3.2.2 知识表示的方法 |
| 3.3 发酵过程生物量软测量建模专家系统的知识表示方法 |
| 3.3.1 发酵过程生物量软测量建模专家系统知识的产生式规则定义 |
| 3.3.2 基于数据库的产生式规则知识表示方法 |
| 3.3.2.1 知识的表示形式 |
| 3.3.2.2 知识的属性 |
| 3.3.2.3 知识的定义 |
| 3.4 发酵过程生物量软测量建模专家系统的知识组织结构 |
| 3.5 知识库的规则冗余校验方法 |
| 3.6 小结 |
| 第四章 发酵过程生物量软测量建模专家系统的推理方法 |
| 4.1 引言 |
| 4.2 专家系统的推理机制 |
| 4.3 专家系统的推理控制策略 |
| 4.3.1 推理方向 |
| 4.3.2 搜索策略 |
| 4.3.3 冲突消解策略 |
| 4.4 基于匹配度的正向启发式广度优先推理方法 |
| 4.4.1 事实类知识的推理—正向启发式推理 |
| 4.4.2 模型类知识的推理—基于匹配度的广度优先推理 |
| 4.4.2.1 匹配度 |
| 4.4.2.2 可信度 |
| 4.4.2.3 推理过程分析 |
| 4.4.3 基于匹配度的正向启发式广度优先推理过程的实现 |
| 4.5 小结 |
| 第五章 发酵过程生物量软测量建模专家系统的建立 |
| 5.1 引言 |
| 5.2 专家系统的开发过程 |
| 5.3 发酵过程生物量软测量建模专家系统的体系结构 |
| 5.4 发酵过程生物量软测量建模专家系统原型软件的实现 |
| 5.4.1 知识库模块的实现 |
| 5.4.2 推理模块的实现 |
| 5.4.3 冲突消解模块的实现 |
| 5.4.4 知识库管理模块的实现 |
| 5.4.5 冗余校验模块的实现 |
| 5.4.6 解释系统模块的实现 |
| 5.5 小结 |
| 第六章 实验研究与分析 |
| 6.1 引言 |
| 6.2 发酵过程生物量软测量建模专家系统的规则冗余校验 |
| 6.3 发酵过程生物量软测量建模专家系统的推理效率分析 |
| 6.4 发酵过程生物量软测量建模专家系统的实验研究 |
| 6.4.1 发酵过程中混合模型的结构 |
| 6.4.2 发酵过程生物量软测量建模专家系统的实验 |
| 第七章 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
| 研究成果及发表的学术论文 |
| 作者简介 |
| 北京化工大学博士研究生学位论文答辩委员会决议书 |
（8）赖氨酸发酵过程智能补料控制系统研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 赖氨酸发酵补料控制现状与发展趋势 |
| 1.3 赖氨酸发酵补料智能控制面临的问题 |
| 1.4 课题主要研究内容及意义 |
| 第二章 基于模糊神经网络的智能控制系统研究 |
| 2.1 智能控制理论 |
| 2.1.1 模糊控制 |
| 2.1.2 神经网络控制 |
| 2.1.3 模糊神经网络控制 |
| 2.2 学习算法 |
| 2.2.1 遗传算法 |
| 2.2.2 免疫算法 |
| 2.2.3 免疫遗传算法 |
| 2.3.4 模糊C—均值聚类 |
| 2.3 改进的模糊神经网络控制方法 |
| 2.3.1 结构优化学习 |
| 2.3.2 参数优化设计 |
| 2.4 非线性对象的模糊神经网络控制仿真研究 |
| 第三章 赖氨酸智能补料控制系统研究 |
| 3.1 引言 |
| 3.2 赖氨酸补料发酵工艺流程 |
| 3.3 补料控制的参数选择 |
| 3.4 构建改进的模糊神经网络系统模型 |
| 3.4.1 智能补料控制策略 |
| 3.4.2 自由参数权值构建 |
| 3.5 实验方案 |
| 3.6 实验与仿真 |
| 第四章 智能补料控制系统数字化设计 |
| 4.1 智能补料控制系统硬件设计 |
| 4.1.1 芯片的选择 |
| 4.1.2 主要输入输出的接口技术 |
| 4.1.3 人机通道 |
| 4.1.4 其他基本功能模块 |
| 4.2 智能补料控制系统软件设计 |
| 4.2.1 上位机软件设计要求 |
| 4.2.2 补料控制器软件设计 |
| 第五章 总结与展望 |
| 参考文献 |
| 附录 赖氨酸补料发酵试验部分数据 |
| 致谢 |
| 硕士期间发表的论文 |
（10）基于仿人智能协调控制的发酵补料控制系统研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 课题研究综述 |
| 1.1 对课题的研究背景及意义 |
| 1.2 发酵过程控制系统补料优化问题研究现状 |
| 1.2.1 论文的结构和顺序 |
| 1.2.2 国外研究现状 |
| 1.3 课题研究的内容和特点 |
| 2 青霉素发酵工艺概述 |
| 2.1 青霉素工业生产的工艺流程 |
| 2.2 青霉素发酵过程简介 |
| 2.3 发酵过程检测参数 |
| 2.3.1 pH 值 |
| 2.3.2 比生长速率 |
| 2.4 补料 |
| 2.4.1 补料对发酵过程的影响 |
| 2.4.2 补料的控制 |
| 2.5 青霉素补料分批发酵过程分析 |
| 2.5.1 发酵过程中各参数间相互关系 |
| 2.5.2 青霉素发酵过程中加糖量的控制 |
| 2.5.3 青霉素发酵过程中pH 值的控制 |
| 2.5.4 加糖量和加氨水量的耦合关系 |
| 2.6 本章小结 |
| 3 青霉素发酵过程的数学建模 |
| 3.1 发酵过程机理建模 |
| 3.2 细胞生长动力学模型 |
| 3.2.1 细胞生长过程 |
| 3.2.2 细胞生长模型分类 |
| 3.3 细胞生长的非结构动力学模型 |
| 3.3.1 Monod 方程 |
| 3.3.2 Contois 方程 |
| 3.4 青霉素发酵过程的数学模型 |
| 3.4.1 模型的简单描述 |
| 3.4.2 青霉素发酵过程的动力学模型 |
| 3.4.3 pH 值变化的动态模型 |
| 3.4.4 温度和pH 值对比生长速率的影响 |
| 3.5 本章小结 |
| 4 仿人智能控制 |
| 4.1 仿人智能控制理论概述 |
| 4.1.1 仿人智能控制的有关概念 |
| 4.1.2 仿人智能控制的基本原理 |
| 4.1.3 仿人智能控制模型 |
| 4.1.4 仿人智能控制的特点 |
| 4.2 仿人智能模糊控制 |
| 4.2.1 模糊控制理论概述 |
| 4.2.2 仿人智能模糊控制的工作原理 |
| 4.2.3 仿人智能模糊控制器的设计方法 |
| 4.3 仿人智能协调控制 |
| 4.3.1 多变量系统耦合和不确定性的描述与分析 |
| 4.3.2 仿人智能协调控制的基本思路与算法 |
| 4.3.3 带纯滞后多变量系统的仿人智能控制 |
| 4.4 本章小结 |
| 5 人智能控制在青霉素发酵过程中的应用 |
| 5.1 仿人智能协调控制在发酵过程中的应用 |
| 5.1.1 补料系统的控制要求与特性 |
| 5.1.2 pH 值、比生长速率的仿人智能协调控制方案的设计 |
| 5.1.3 仿人智能逻辑选择回路 |
| 5.1.4 仿人智能协调控制算法回路 |
| 5.2 仿人智能模糊控制在发酵过程中的应用 |
| 5.2.1 HSIFC 在加糖量—比生长速率控制中的应用 |
| 5.2.2 HSIFC 在加氨量—pH 值控制中的应用 |
| 5.2.3 HSIFC 在加氨量—比生长速率控制中的应用 |
| 5.2.4 HSIFC 在pH 值—加糖量控制中的应用 |
| 5.3 仿人智能协调控制在发酵过程中应用 |
| 5.3.1 仿人智能协调控制系统分析 |
| 5.3.2 仿真结果及结论 |
| 5.4 青霉素发酵过程控制系统的设计 |
| 5.4.1 青霉素补料分批发酵过程测控要求 |
| 5.4.2 青霉素补料分批发酵过程系统配置 |
| 5.4.3 控制算法模块的实现 |
| 5.4.4 青霉素发酵过程中仿人智能协调控制系统的设计 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 附录A 符号说明 |
| 在学研究成果 |
| 致谢 |
四、抗生素发酵过程的模型辨识（论文参考文献）
- [1]微生物代谢产物发酵过程建模研究[D]. 张相胜. 江南大学, 2021
- [2]酿酒酵母GGSF16高浓度酒精分批补料发酵试验[D]. 张阳. 广西科技大学, 2017(03)
- [3]洁霉素发酵过程智能监控系统的研究与实现[D]. 李蒙. 南昌大学, 2014(02)
- [4]一类化工过程的非线性预测控制建模及优化方法[D]. 王平. 中国石油大学（华东）, 2012(06)
- [5]诺西肽发酵过程建模与优化研究[D]. 牛大鹏. 东北大学, 2010(03)
- [6]基于遗传算法的诺西肽分批发酵过程多时段建模[D]. 单秉仁. 东北大学, 2010(04)
- [7]发酵过程生物量软测量建模专家系统研究[D]. 安莉. 北京化工大学, 2010(10)
- [8]赖氨酸发酵过程智能补料控制系统研究[D]. 丁慎平. 江苏大学, 2009(09)
- [9]微生物发酵过程优化控制技术进展[J]. 王建林,冯絮影,于涛,薛尧予. 化工进展, 2008(08)
- [10]基于仿人智能协调控制的发酵补料控制系统研究[D]. 冯茜. 内蒙古科技大学, 2008(03)