曾祥燕，趙良忠，李冰，李琳

(1.邵陽學(xué)院生物與化學(xué)工程系，湖南 邵陽 422000；2.華南理工大學(xué)輕化工研究所, 廣東 廣州 510640)

?

蠟樣芽孢桿菌DM423生物量的延遲神經(jīng)網(wǎng)絡(luò)軟測量

曾祥燕1，趙良忠1，李冰2*，李琳2

(1.邵陽學(xué)院生物與化學(xué)工程系，湖南 邵陽 422000；2.華南理工大學(xué)輕化工研究所, 廣東 廣州 510640)

摘 要：為探索蠟樣芽孢桿菌DM423有效的生物量在線測量方法，應(yīng)用延時神經(jīng)網(wǎng)絡(luò)對分批培養(yǎng)過程中DM423的生物量進(jìn)行軟測量，構(gòu)建了拓?fù)浣Y(jié)構(gòu)為11–20–1的延時神經(jīng)網(wǎng)絡(luò)。網(wǎng)絡(luò)的輸入量為pH、溫度、溶氧量和葡萄糖濃度在t–1與t–2時的延時量以及生物量濃度在t–1、t–2和t–3時的延時量，輸出量為t時刻的生物量濃度。結(jié)果表明，構(gòu)建網(wǎng)絡(luò)的泛化能力較好，測試樣本的均方差為0.15×10–3，所建立的延時神經(jīng)網(wǎng)絡(luò)具有良好魯棒性和一步預(yù)測能力，而多步預(yù)測能力不太理想。

關(guān) 鍵 詞：延時神經(jīng)網(wǎng)絡(luò)；蠟樣芽孢桿菌DM423；生物量；軟測量

投稿網(wǎng)址：http://xb.ijournal.cn

蠟樣芽孢桿菌DM423 (Bacillus cereus DM423)活菌制劑是一種新型的抗生素替代劑[1]，目前已被農(nóng)業(yè)部生物制品規(guī)程委員會批準(zhǔn)列入“獸醫(yī)生態(tài)劑”，用作畜牧飼料添加劑。微生物發(fā)酵過程中某些關(guān)鍵生物量參數(shù)難以實時在線檢測，一般是通過定時取樣后，在實驗室通過離線分析化驗獲得，這樣不但影響了系統(tǒng)的實時控制效果，而且使整個生產(chǎn)過程難以實現(xiàn)及時、準(zhǔn)確的控制與優(yōu)化。尋找可靠的生物量在線測量方法是擴(kuò)大DM423生產(chǎn)并獲得高活性菌體所亟待解決的問題。近年來，基于人工神經(jīng)網(wǎng)絡(luò)的生物量軟測量[2]方法受到科研工作者的重視。黃永紅等[3]采用基于“虛擬子系統(tǒng)”的模糊神經(jīng)網(wǎng)絡(luò)逆系統(tǒng)軟測量方法對關(guān)鍵生物量參數(shù)進(jìn)行在線估計。房慧等[4]采用模糊徑向基函數(shù)–神經(jīng)網(wǎng)絡(luò)(RBF–NN)構(gòu)建青霉素發(fā)酵的軟測量模型，同時結(jié)合改進(jìn)粒子群優(yōu)化訓(xùn)練算法(PSO)，建立了青霉素反應(yīng)過程的軟測量模型，并對發(fā)酵工藝進(jìn)行了仿真試驗研究，所建模型的預(yù)測值與實際測量值的擬合程度較好，訓(xùn)練過程滿足要求。

目前，對微生物培養(yǎng)過程中的軟測量大多采用多層靜態(tài)前饋神經(jīng)網(wǎng)絡(luò)模型[5]。楊強大等[6]利用徑向基(RBF)神經(jīng)網(wǎng)絡(luò)分別為發(fā)酵過程各階段建立了軟測量模型，能較好地對諾西肽發(fā)酵過程中的產(chǎn)物濃度和培養(yǎng)基濃度進(jìn)行在線測量。然而，微生物培養(yǎng)過程本身是動態(tài)的，培養(yǎng)基和產(chǎn)物的濃度時刻都在發(fā)生變化，在培養(yǎng)條件發(fā)生較大波動時，所得到的穩(wěn)態(tài)模型無法準(zhǔn)確反映出輸入和輸出之間的關(guān)系，必須采用動態(tài)模型[7–9]才能解決此問題。延時神經(jīng)網(wǎng)絡(luò)(time-delay neural network)由Lang和Hinton[10]于1988年最先提出，是目前流行的處理動態(tài)系統(tǒng)的技術(shù)，其優(yōu)點是能利用現(xiàn)有的輸入和輸出數(shù)據(jù)，算法成熟，網(wǎng)絡(luò)模型收斂性好。筆者擬采用延時神經(jīng)網(wǎng)絡(luò)對DM423培養(yǎng)過程進(jìn)行建模，并對網(wǎng)絡(luò)的魯棒性能及預(yù)測性能進(jìn)行驗證，現(xiàn)將結(jié)果報道如下。

1　材料與方法

1.1菌種

蠟樣芽孢桿菌DM423(Baeillus cereus DM423)由華南理工大學(xué)輕工與食品學(xué)院提供。

1.2方法

采用5 L的機械式攪拌生物反應(yīng)器對蠟樣芽孢桿菌DM423進(jìn)行分批培養(yǎng)。反應(yīng)器的實際工作體積為 3 L。共進(jìn)行16批次的培養(yǎng)。在每一次的分批培養(yǎng)中，氣體通入量恒定，pH 和溫度按設(shè)定值在培養(yǎng)過程中保持不變。pH 的設(shè)定范圍為 6.7～7.2，DM423在培養(yǎng)過程中產(chǎn)生的酸性物質(zhì)，可通過 pH傳感器將信號傳送到控制器，從而控制蠕動泵加入NaOH 進(jìn)行中和。溫度的設(shè)定范圍為 25～40 ℃，通過反應(yīng)罐體下部的夾套通入不同溫度的水，對培養(yǎng)液進(jìn)行控溫。每批次共培養(yǎng)12 h，每隔1 h取樣1次。在16個樣本中，13個樣本作為訓(xùn)練樣本，剩余3個樣本作為測試樣本。為光滑去除數(shù)據(jù)中的測量噪聲，增加數(shù)據(jù)的可信度，得到較小時間間隔的數(shù)據(jù)，保證訓(xùn)練集具有較廣泛的覆蓋面[11–12]，試驗運用3次樣條插值法獲得以0.5 h為間隔的數(shù)據(jù)。培養(yǎng)液中的溶氧量(DO 值)由溶氧計測定。

采用三層(輸入層、隱含層和輸出層)網(wǎng)絡(luò)結(jié)果對整個發(fā)酵的動態(tài)過程進(jìn)行模擬和仿真。延時神經(jīng)網(wǎng)絡(luò)在結(jié)構(gòu)上也與前饋網(wǎng)絡(luò)相似，把時域信號展成了空間信號，選用BP神經(jīng)算法。隱層與輸出層均為單極性“S”型函數(shù)。以pH、溶氧量(DO值)、葡萄糖濃度(S)和溫度(T)的延時量以及生物量濃度(X)的延時量作為網(wǎng)絡(luò)的輸入變量，對這些變量進(jìn)行組合，從而構(gòu)建不同的網(wǎng)絡(luò)結(jié)構(gòu)。以當(dāng)前時刻的生物量X?(t)為網(wǎng)絡(luò)的輸出變量。模型訓(xùn)練5 000次后，記錄訓(xùn)練誤差及測試誤差。

2　結(jié)果與分析

2.1DM423生物量軟測量的延時神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建

以不同輸入變量所構(gòu)建的網(wǎng)絡(luò)結(jié)構(gòu)及樣本的測試結(jié)果見表1。

表1　不同輸入變量所構(gòu)建的網(wǎng)絡(luò)結(jié)構(gòu)及樣本的測試結(jié)果Table 1　MSE of testing samples and the topology of time-delay neural networks for different sets of input variables

從表1可見，第1組網(wǎng)絡(luò)的測試誤差遠(yuǎn)遠(yuǎn)大于其他網(wǎng)絡(luò)結(jié)構(gòu)的測試誤差，這是因為第1組輸入變量只包括了輸入變量的延時量，而沒有將輸出的延時量引入網(wǎng)絡(luò)。本研究中，DM423培養(yǎng)過程中當(dāng)前時刻DM423的生長是受到前一時刻微生物生長情況的影響的，即當(dāng)前時刻的生物量濃度X(t)與以前時刻生物量濃度X(t–q)是密切相關(guān)的，因而，將輸出的延時量引入網(wǎng)絡(luò)不僅是從提高網(wǎng)絡(luò)性能的角度出發(fā)，而且從實際意義上來說也是必要的。

延時神經(jīng)網(wǎng)絡(luò)是將以前的狀態(tài)參數(shù)“記憶”下來，而網(wǎng)絡(luò)要“記住”以前多遠(yuǎn)的信息才好，這樣就涉及了記憶的“深度”與“分辨率”的問題。表1中第3組和第4組、第5組和第6組的輸入變量只相差一個X(t–3)，即第4組及第6組的網(wǎng)絡(luò)引入了輸出參數(shù)t–3時刻的延時量，但第3組與第4組的網(wǎng)絡(luò)測試誤差相同，而第6組比第5組網(wǎng)絡(luò)的測試誤差稍大。由此可見，對延時神經(jīng)網(wǎng)絡(luò)而言并不是“記住”越遠(yuǎn)的信息就越好，當(dāng)網(wǎng)絡(luò)的分辨率有限時遠(yuǎn)離的信息就會丟失。將第5組和第6組參數(shù)分別作為輸入變量，所構(gòu)建的延時神經(jīng)網(wǎng)絡(luò)用測試樣本進(jìn)行檢驗時，其均方差(MSE)相差不大，2個網(wǎng)絡(luò)的泛化能力相近?？紤]到第6組參數(shù)包括了生物量濃度t–3時刻的量，所建網(wǎng)絡(luò)所含的信息較多，而且泛化能力較好，所以，本研究中確定以第6組參數(shù)為輸入變量，所構(gòu)建的延時神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)為11–20–1。

2.2延時神經(jīng)網(wǎng)絡(luò)的抗擾能力(魯棒性)

為檢測延時神經(jīng)網(wǎng)絡(luò)在輸入?yún)?shù)有干擾時的抗擾能力，將高斯噪聲施加于生物量濃度的測量值。

對DM423生物量質(zhì)量濃度的測量值分別施加均值為0.0，標(biāo)準(zhǔn)差為0.03Xmax、0.05Xmax和0.08Xmax的高斯噪聲干擾，以表1中第6組參數(shù)為輸入變量構(gòu)成的網(wǎng)絡(luò)(11–20–1型)為考察對象，網(wǎng)絡(luò)對測試樣本的MSE值分別為0.16×10–3、0.29×10–3、0.75×10–3，沒有施加干擾時的MSE值為0.15×10–3。由此可見，隨著所施加的高斯噪聲標(biāo)準(zhǔn)差的增大，測試樣本的MSE也隨之增大，延時神經(jīng)網(wǎng)絡(luò)的泛化能力下降。在標(biāo)準(zhǔn)差為0.03Xmax的高斯噪聲干擾下，測試樣本的MSE與沒有施加干擾時的MSE差異不明顯?？梢?，網(wǎng)絡(luò)對此噪聲有一定的抗擾能力。但對標(biāo)準(zhǔn)差為0.05Xmax和0.08Xmax的高斯噪聲，網(wǎng)絡(luò)的抵抗能力明顯減弱。

2.3延時神經(jīng)網(wǎng)絡(luò)的預(yù)測能力

以表1中第6組的參數(shù)構(gòu)成的網(wǎng)絡(luò)(11–20–1型)為對象，考察延時神經(jīng)網(wǎng)絡(luò)的預(yù)測能力。

2.3.1一步預(yù)測

由表1可知，網(wǎng)絡(luò)模型的輸出與輸入間的關(guān)系可表達(dá)為：

X?(t ) =f [X(t–1)，X(t–2)，X(t–3)，T(t–1)，T(t–2)，pH(t–1)，pH(t–2)，DO(t–1)，DO(t–2)，S(t–1)，S(t–2)] (1)

網(wǎng)絡(luò)的輸入是生物量X在t–1、t–2和t–3時刻的實測值，以及T、pH、DO和S在t–1和t–2時刻的測量值，網(wǎng)絡(luò)的輸出是生物量當(dāng)前時刻(t時刻)的估算值，所以，公式(1)得出的是對生物量質(zhì)量濃度的一步預(yù)測值。網(wǎng)絡(luò)的預(yù)測結(jié)果見圖1。從圖1可見，網(wǎng)絡(luò)對生物量的一步預(yù)測值與實測值能很好的吻合，預(yù)測誤差小(MSE=0.15×10–3)。

圖1　延時神經(jīng)網(wǎng)絡(luò)的一步預(yù)測結(jié)果Fig. 1 One-step-ahead predictions on the testing samples from the time-delay neural network

2.3.2 多步預(yù)測

公式(1)不能用來作生物量的多步預(yù)測，因為X(t–1)、X(t–2)和X(t–3)是實際的測量值。如果要用公式(1)進(jìn)行多步預(yù)測，需用網(wǎng)絡(luò)模型輸出的以前時刻生物量的預(yù)測值來代替生物量的實際測量值[13–14]，即在公式(1)中以X?(t–1)、X?(t–2)和X?(t–3)代替X(t–1)、X(t–2)和X(t–3)。網(wǎng)絡(luò)的預(yù)測結(jié)果見圖2。

由圖2可見，延時神經(jīng)網(wǎng)絡(luò)的多步預(yù)測值與實際測量值相差甚遠(yuǎn)，其多步預(yù)測能力差，表明延時神經(jīng)網(wǎng)絡(luò)處理高階次的非線性問題時，其動態(tài)處理能力有限，只能進(jìn)行一步預(yù)測。因多步預(yù)測要求學(xué)習(xí)過程能反復(fù)地滾動或者以鏈鎖作用方式進(jìn)行，延時神經(jīng)網(wǎng)絡(luò)則不具備這樣的學(xué)習(xí)過程，故其多步預(yù)測精度不理想。

圖2　延時神經(jīng)網(wǎng)絡(luò)的多步預(yù)測結(jié)果Fig. 2 Multi-step-ahead predictions on the testing samples from the time-delay neural network

3　結(jié)論

筆者采用動態(tài)的延時神經(jīng)網(wǎng)絡(luò)對DM423分批培養(yǎng)過程的生物量進(jìn)行軟測量。將輸出變量t–1，t–2 及t–3時刻的狀態(tài)信息引入的延時神經(jīng)網(wǎng)絡(luò)，其泛化能力強于只引入輸入變量t–1時刻狀態(tài)信息的延時神經(jīng)網(wǎng)絡(luò)的泛化能力，但并不是“記憶”越多以前的信息，其網(wǎng)絡(luò)性能就越好。對生物量的測量值施加均值為0.0，而標(biāo)準(zhǔn)差不同的高斯噪聲的干擾時，延時神經(jīng)網(wǎng)絡(luò)的測試誤差隨著高斯噪聲的標(biāo)準(zhǔn)差增大而增大，在小噪聲(std=0.03Xmax)下，測試誤差變化很小，具有一定的抗干擾能力。延時神經(jīng)網(wǎng)絡(luò)用于多步預(yù)測時，其預(yù)測精度差。鑒于此，延時神經(jīng)網(wǎng)絡(luò)不適于用來進(jìn)行多步預(yù)測。

參考文獻(xiàn)：

[1] 張英春，韓雪，單毓娟，等．益生菌抑制致病菌作用的機制研究進(jìn)展[J]．微生物學(xué)通報，2012，39(9)：1306–1313．

[2] Cao Pengfe，Luo Xionglin．Modeling of soft sensor for chemical process[J]．CIESC Journal，2013，64(3)：788–800．

[3] 黃永紅，孫玉坤，王博，等．賴氨酸發(fā)酵過程關(guān)鍵參數(shù)的模糊神經(jīng)網(wǎng)絡(luò)逆軟測量研究[J]．儀器儀表學(xué)報，2010，31(4)：862–867．

[4] 房慧，孫玉坤，嵇小輔．青霉素發(fā)酵過程的粒子群模糊神經(jīng)網(wǎng)絡(luò)軟測量[J]．自動化儀表，2011，32(5)：46–52．

[5] Konstantinov K．Yoshida T1 physiological state control offermentation processes[J]．Biotechnology and Bioengineering，1989，33(9)：1145–1156．

[6] 楊強大，侯新宇．諾西肽發(fā)酵過程中的分階段軟測量建模[J]．化工學(xué)報，2011，62(6)：1612–1619．

[7] 周勇，鄭毅，宋利丹．人工神經(jīng)網(wǎng)絡(luò)與遺傳算法耦合法優(yōu)化輔酶Q10發(fā)酵培養(yǎng)基 [J]．中國生物工程雜志，2013，33(9)：73–78．

[8] Bochereau L，Bourgine P，Bouyer F，et al．Using recurrent multiplayer neural networks for simulating batch reactors[J]．IEEE International Joint Conference on Neural Networks，1991，2：1512–1517．

[9] Barrera-Cortes J，Baruch I，Vazques C V，et al．Neural model of Cry1A(c) protein produced from a Bt．fed batch fermentation[J]．IEEE International Joint Conference on Neural Networks，2001，2：1302–1306．

[10] Lang K J，Hinton G E．The development of the timedelay neural network architecture for speed recognition，Technical report CMU–CS–88–152[D]．Pittsburgh：Carnegie-Mellon University，1988．

[11] 劉瑞蘭．軟測量技術(shù)若干問題的研究及工業(yè)應(yīng)用[D]．杭州：浙江大學(xué)，2004．

[12] 吳孟達(dá)，李志祥，宋松和．?dāng)?shù)學(xué)分析[M]．長沙：國防科技大學(xué)，2003．

[13] 李冰，郭祀遠(yuǎn)，李琳．DM423搖瓶培養(yǎng)過程生物量的BP神經(jīng)網(wǎng)絡(luò)軟測量[J]．華南理工大學(xué)學(xué)報(自然科學(xué)版)，2004，32(12)：11–15．

[14] Zhang D，Sun L，Cao J．Modeling of temperature–humidity for wood drying based on time–delay neural network[J]．Journal of Forestry Research，2006，17(2)：141–144．

責(zé)任編輯：蘇愛華英文編輯：梁 和

Time-delayed neural network-based soft sensor for Baeillus cereus DM423 biomass during batch cultivation

Zeng Xiangyan1，Zhao Liangzhong1，Li Bing2*，Li Lin2
(1.Department of Biology and Chemical Engineering，Shaoyang University, Shaoyang, Hunan 422000, China; 2.Institute of Light Industry & Chemical Engineering, South China University of Technology, Guangzhou 510640, China)

Abstract:Baeillus cereus DM423 is a new replacement of antibody in stock breeding. In this paper, the biomass of Baeillus cereus DM423 during batch cultivation was measured by the soft sensor of time-delayed neural network, which was constructed with the topology of 11-20-1, the input variables was delays of pH, temperature, dissolved oxygen, glucose concentration at t–1 and t–2 and delays of biomass concentration at t–1, t–2 and t–3, and the output variable was biomass concentration at present time. The result showed that the constructed network had good generalization with the mean square error of 0.15 ×10–3for the testing samples and good robustness and prediction ability.

Keywords:time-delayed neural network; Baeillus cereus DM423; biomass; soft sensor

中圖分類號：TS202.3; TP183

文獻(xiàn)標(biāo)志碼：A

文章編號：1007?1032(2016)02?0208?04

收稿日期：2014–09–23 修回日期：2016–02–28

基金項目：國家自然科學(xué)基金項目(29876013)

作者簡介：曾祥燕(1974—)，男，湖南邵陽人，碩士，副教授，主要從事食品科學(xué)研究，zengxiangyan8@163.co；*通信作者，李冰，博士，教授，主要從事生物與食品化工研究，bli@scut.edu.cn