一种基于差分进化算法的酵母培养在线自适应控制方法
【技术领域】
[0001] 本发明设及一种基于差分进化算法的酵母培养在线自适应控制方法，属于生物技 术领域。
【背景技术】
[0002] 酵母是与人们生活息息相关的一种真核微生物，可用于生产多种产物，具有遗传 背景清楚，不产内毒素，可对外源蛋白进行翻译后修饰，发酵周期短、操作方便等优点。酿酒 酵母（Saccharomycescerevisiae)、鲁氏接合酵母狂ygosaccharomycesrouxii)和拜耳 接合酵母狂ygosaccharomycesbailii)等酵母培养过程具有明显的化油tree效应，即当 碳源浓度过高时，大量碳源流向乙醇合成途径，导致乙醇的大量积累。积累乙醇的同时，伴 随着大量0)2的排放，大大降低碳源的利用效率，且高浓度的乙醇也会对细胞结构及功能造 成不可逆转的损伤，抑制产物合成。减少碳源添加，可有效缓解乙醇积累，但过低的碳源浓 度同样会影响酵母细胞的生长和产物的合成。利用基因工程手段敲除乙醇合成途径中的关 键酶能够有效降低乙醇积累，但此类工程菌对碳源浓度过于敏感，在发酵生产中的应用十 分有限。利用过程控制技术，合理调节碳源添加，在保证细胞正常生长的前提下抑制乙醇积 累，是解决运一难题的有效途径之一。发酵过程具有高度的时变性、滞后性和非线性，利用 控制参数恒定的常规比例-积分-微分（PID)控制对发酵过程实施控制，往往难W取得令 人满意的效果。
[0003] 于是，能够自动实时调节控制参数的在线自适应控制策略被越来越多地用于发酵 过程控制。差分进化算法是由R.Stom和K.Price建立的一种全局优化算法，其原理简单， 受控参数少，收敛速度快，已受到各领域研究人员的广泛关注。在此基础上，本发明提出了 基于差分进化算法的在线自适应控制策略，W期解决上述酵母培养过程中存在的难题。
【发明内容】
[0004] 酵母培养中，底物浓度过高与不足都不利于细胞的生长，为了将底物浓度控制在 某一适宜的水平，促进细胞生长，本发明提出了一种基于差分进化算法、自回归移动平均模 型与PID控制策略相结合的在线自适应控制策略。本发明W标准PID控制策略为基础，利 用差分进化算法在线优化PID控制参数，并根据乙醇浓度的变化，自动调整底物流加速率， 使发酵液中底物浓度维持在某一合适的范围内。
[0005] 本发明提供的一种基于差分进化算法的酵母培养在线自适应控制方法，包括W下 步骤：
[0006] 步骤1 :初始化，设定目标乙醇浓度Ce^t、初始底物流加速率F和比例-积分-微 分控制（即PID控制）的初始参数：比例系数kp、积分系数ki和微分系数kd;
[0007] 步骤2 :采集数据，采集酵母培养过程中乙醇浓度的设定值Ce^t和检测值Ce、底物 流加速率F、PID控制参数；
[0008] 步骤3 :系统辨识，根据当前时刻W及前两个时刻的乙醇浓度偏差、前一时刻的底 物流加速率及PID控制参数，预测后两个时刻的乙醇浓度；
[0009] 步骤4 :优化PID控制参数，W最小化后两个采样时刻的乙醇预测浓度偏差为目 标，利用差分进化算法值ifferentialevolution,D巧在线优化PID控制参数；
[0010] 步骤5 :优化底物流加速率，根据当前时刻的乙醇浓度偏差，利用优化后的PID控 制参数计算底物流加速率。
[0011] 在本发明的一种实施方式中，利用商业化的甲醇电极在线检测乙醇浓度，通过A/D 数据转换卡传输并保存在工控机，采集数据时直接读取。底物流加速率和PID控制参数由 自适应控制系统计算并保存在工控机，采集数据时也直接读取。
[001引在本发明的一种实施方式中，所述步骤3是利用自回归移动平均模型(Autoregressivemovingaveragemodel,ARMA)对酵母培养系统进行辨识；过程如下： [001引 （1)当采样周期小于4(即k<4)时，用标准PID控制策略控制底物流加，控制参数 不变；当采样周期大于等于4,即k> 4时，用ARM模型描述乙醇浓度和流加速率之间的关 系：
[0014]Ce似=-aCe(k-1)+bF(k-1)+e化）
[0015] 其中，乙醇浓度Ce为模型的输出；流加速率F为模型的输入；k为当前采样周期； 曰、b为模型参数；e为模型的误差值。
[0016] (2)利用最小二乘法原理估计ARM模型参数；
[0017] (3)用前一时刻的流加速率、PID控制参数和乙醇浓度偏差表示当前时刻的流加 速率：
[001 引F似=F化-1)+kp似[e似-e化-1) ]+ki化)e化)+kd似[e似+e化-2) -2e化-1)] [001引其中，kp似、ki似、kd似通过下式进行更新，其中口1、化和P3分别是调节kp、k郝 kd的步长；
[0020] kpGO = (1+Pi)kp化-l)-0. 1《0. 1
[0021] ki(k) = (I+P2)ki化-1)-〇. 1《化《0. 1
[0022] kd(k) = (1+口3)kd化-1)-〇. 1《口3《0. 1
[0023] (4)预测后两个时刻的乙醇浓度：
[0024] 令X' = [-Ce化)F似]，则k+1采样周期乙醇浓度的预测值为：么(A'+ 〇= 再 令
贝1Jk巧采样周期乙醇浓度的预测值为：技秽+ 2>=尤"苗；其中 0为模型参数向量。
[00巧]在本发明的一种实施方式，所述利用最小二乘法原理估计ARM模型参数，具体 是：
[002引
化采样周期，J是一个函数的符号，i 是小于k的自然数）；
[0027] 定义矩阵X、Y、W和模型参数向量0:
[0028]
[0029] 则0 = 〇(Tx)lyTy;其中A为忘却因子且〇<A<1，T代表矩阵的转置，w为权重系 数矩阵。
[0030] 在本发明的一种实施方式，所述步骤4中W最小化后两个采样时刻的乙醇预测浓 度偏差为目标，目标函数如下
[003U
:其中a和0是 k+1和k巧时刻预测值误差值的权重系数。
[0032] 在本发明的一种实施方式，所述步骤4中利用差分进化算法在线优化PID控制参 数，过程如下：
[0033] (a)生成初始种群
[0034] 随机生成种群大小为NP的初始种群，种群中的个体由S维向量 巧=[托片.：托:,]表示，其中iG山2,3,…，NP]，表示该个体在种群中的索引号，t表示 传代次数，在初始种群中f= 滅2滅3;代表种群中个体的=个分量；计算每个个体 所对应的适应度函数值G(Pit)并将适应度函数最小的个体定义为最优解PbMt，Pbe.t=[PbMtl Pbest2 Pbests]；
[0035] (b)生成变异矢量
[003引随机选取除目标矢量IV外的S个不同个体巧、巧W及巧，按照 ^二巧;+尸。五><(巧-巧)生成变异矢量￥1=^，乂2，乂3]，其中。。6为缩放因子；乂1，乂2，乂3代表 变异矢量的=个分量；
[0037] (C)生成试验矢量
[003引定义Ui=[Ui，U2，U3]为试验矢量，按照下式给Ui中各分量赋值，其中j=1，2,3 ;R为0~1之间均匀分布的随机数；CR(0<CR<1)为交叉概率；RNG[1，2,引；u1，咕叫代表 试验矢量的=个分量；
[0039]
[0040] (d)生成新个体
[0041] 将试验矢量Ui与目标矢量P进行比较，若U1优于P则用U1代替PA进入下一 代
[0042]按照化）、（C)、（d)的运算过程对每个个体进行传代，得到第t+1代种群，计算各个 体所对应的适应度函数G(Pi"i)若min{G(Pi"i)} <G(PbMt)，则由min{G(Pi"i)}对应的个体 代替原有Pbest，否则Pbes潍持不变；
[0043] (e)迭代和优化PID控制参数
[0044] 按照上述步骤（a)~（d)进行多次迭代，若PbMt连续n代没有更新，则适应度函数 已经收敛，利用下式更新PID控制参数：
[004引 kp似=(1+Pbesti)kp(k-1)
[004引 ki似=(l+Pb6sti)Mk-l)
[0047] kd似=(1+Pbesti)kd(k-1)
[0048] 在本发明的一种实施方式，所述步骤5是在步骤4更新PID控制参数后，按下式更 新底物流加速率F(k):
[0049] F似=F化-1)+kp似[e似-e化-1) ]+ki化)e化)+kd似[e似+e化-2) -2e化-1)]。
[0050] 在本发明的一种实施方式，目标乙醇浓度Ce^t、初始底物流加速率F和初始PID控 制参数kp、ki、kd，它们的取值分别为lg/L、0. 00化A、0. 0017、0. 0599 和 0. 0224。
[0051] 本发明的有益效果：
[0052] 本发明将DE算法和基于ARIA模型的系统辨识与传统PID控制策略相结合，通过 ARM模型在线辨识发酵系统的实时状态，并利用DE算法在线调节PID控制参数，使得该控 制策略能够很好地应对生物反应过程的滞后性、非线性和时变型特征。本发明W乙醇浓度 作为输入变量，通过将乙醇浓度设定在一个较低的水平，根据乙醇浓度的检测值与设定值 的偏差，在线反馈调节底物的流加速率，从而将发酵液内底物浓度维持在一个合适的范围 内。既避免了底物浓度过高引起化油tree效应，积累大量乙醇，损伤细胞，也避免了底物浓 度过低，降低细胞生长速率。采用本发明所述的控制策略，乙醇浓度能够稳定地控制在设定 值附近，只在Cewt±〇. 3g/L的小范围内波动，同时菌体也快速生长，发酵结束时菌体浓度能 够比传统PID控制策略提高25%W上。
【附图说明】
[0053] 图1 :DE-PID控制策略示意图；
[0054] 图2:PID控制示意图。
【具体实施方式】
[0055] 实施例：基于差分进化算法的在线自适应控制策略用于酿酒酵母培养
[0056] 基于差分进化算法的酿酒酵母培养在线自适应控制框图如图1所示，主要由系统 辨识模块、参数优化模块和PID控制器=部分组成。先由系统辨识模块对酿酒酵母培养系 统进行辨识，然后参数优化模块根据辨识结果对PID控制器的控制参数进行优化，最后PID 控制器再对底物流加速率进行优化。具体实施过程如下：
[0057] (1)设定目标乙醇浓度Ce^t、初始底物流加速率F和初始PID控制参数kp、ki、kd， 它们的取值分别为lg/L、0. 002L/h、0. 0017、0. 0599 和 0. 0224。
[0058] (2)采集酿酒酵母培养过程中乙醇浓度的设定值和检测值、底物流加速率、PID控 制器的控制参数。其中乙醇浓度用商业化甲醇电极在线检测，通过A/D数据转换卡传输并 保存在工控机，采集数据时直接读取。底物流加速率和PID控制参数由自适应控制系统计 算并保存在工控机，采集数据时也直接读取。
[0059] (3)前3个采样周期，采用传统PID控制策略，从第4个周期开始进行系统辨识和 PID参数优化，用ARMA模型描述乙醇浓度和流加速率之间的关系：
[0060]Ce(k)=-aCe化-l)+bF(k-l)+e〇〇;其中，乙醇浓度Ce为模型的输出；流加速率F 为模型的输入；k为当前采样点；曰、b为模型参数；e为模型的误差值。
[0061] (4)用最小二乘法原理估计ARM模型参数，该过程可表示为：
[