張衛(wèi)國 劉文慧 蔡可

摘 要：針對微生物發(fā)酵補料生產(chǎn)中自動化程度低和補料量精度差的問題，提出一種基于AGA-BP的微生物發(fā)酵過程智能補料控制策略?；谖⑸锇l(fā)酵過程的工藝特性，利用BP神經(jīng)網(wǎng)絡(luò)建立發(fā)酵過程的動態(tài)數(shù)學(xué)模型，并引入自適應(yīng)遺傳算法AGA對BP神經(jīng)網(wǎng)絡(luò)動態(tài)補料控制模型的權(quán)值進(jìn)行優(yōu)化。將建立的AGA-BP智能補料控制模型嵌入到ARM11控制器中，計算出當(dāng)前最佳補料量，并通過無線傳輸模塊對補料執(zhí)行模塊進(jìn)行遠(yuǎn)程控制。實驗結(jié)果表明，菌體濃度在AGA-BP補料策略控制下，相比人工補料提高了8.62%，相比未優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)提高了4.55%。因此，基于AGA-BP的補料策略具有更高的補料控制精度，有助于生物發(fā)酵實現(xiàn)自動化生產(chǎn)，提高發(fā)酵效率，降低生產(chǎn)成本。

關(guān)鍵詞：智能補料;BP神經(jīng)網(wǎng)絡(luò);自適應(yīng)遺傳算法;嵌入式系統(tǒng);智能控制

DOI：10. 11907/rjdk. 201745????????????????????????????????????????????????????????????????? 開放科學(xué)（資源服務(wù)）標(biāo)識碼（OSID）：

中圖分類號：TP319 ? 文獻(xiàn)標(biāo)識碼：A ??????????????? 文章編號：1672-7800（2020）011-0164-05

Intelligent Feed Control Strategy for Fermentation Process Based on AGA-BP

ZHANG Wei-guo1， LIU Wen-hui2，CAI Ke2

（1. Yangzhong Weikete Biological Engineering Equipment Co. LTD， Yangzhong 212200， China;

2. School of Electrical and Information Engineering， Jiangsu University， Zhenjiang 212013， China）

Abstract：Aiming at the problems of low degree of automation and poor accuracy of feed volume in the process of microbial fermentation feed production， this paper proposes an intelligent feed control strategy for microbial fermentation process based on AGA-BP（Adaptive Genetic Algorithm-BP neural network）. Based on the technological characteristics of microbial fermentation process， the dynamic mathematical model of fermentation process is established by using BP neural network， and AGA is introduced to optimize the weight of BP neural network dynamic feeding control model. The established AGA-BP intelligent feeding control model is embedded into ARM11 controller， and the optimal feeding quantity is calculated， and the remote control is carried out by wireless transmission module. The experimental results show that the concentration of bacteria under the control of AGA-BP feeding is 8.62% higher than that of artificial feeding， and 4.55% higher than that of unoptimized BP neural network. Therefore， the AGA-BP strategy has a higher control accuracy of feed amount， which is conducive to the automatic production of biological fermentation， and can improve the fermentation efficiency and reduce the production cost.

Key Words： intelligent feed; BP neural network; adaptive genetic algorithm; embedded system; intelligent control

0 引言

目前，國內(nèi)有很多輕工行業(yè)的發(fā)酵工藝仍然需要人工進(jìn)行操作與管理[1-2]，人工控制大多是操作人員憑經(jīng)驗對發(fā)酵過程進(jìn)行手動調(diào)控，無法保證精確性及實時控制，在很大程度上影響了發(fā)酵工藝水平，所以研究一種智能控制策略代替人工操作是很有必要的。目前人工智能控制方法在各領(lǐng)域都得到了廣泛應(yīng)用，因此將人工智能控制方法與發(fā)酵工程相結(jié)合具有十分重要的理論意義及現(xiàn)實意義。補料量的實時精準(zhǔn)控制[3]是整個微生物發(fā)酵過程的關(guān)鍵所在，當(dāng)前補料控制方式大致分為無反饋控制和反饋控制[4]。無反饋控制補料是預(yù)先設(shè)定所要加入營養(yǎng)量的流量;反饋控制補料是在發(fā)酵過程中實時檢測發(fā)酵反應(yīng)器中的一系列關(guān)鍵變量參數(shù)，再根據(jù)這些參數(shù)計算分析當(dāng)前所需的補料量。神經(jīng)網(wǎng)絡(luò)控制補料是反饋控制補料中的一種[5]，其模擬人腦機制，利用處理單元代替神經(jīng)元，通過將相關(guān)信息存儲在處理單元中實現(xiàn)控制。目前BP神經(jīng)網(wǎng)絡(luò)補料控制已廣泛應(yīng)用于發(fā)酵過程中，但是BP神經(jīng)網(wǎng)絡(luò)在訓(xùn)練樣本較少的情況下，存在收斂速度慢、穩(wěn)定性差、泛化能力弱和控制精度較低的問題。考慮到實際發(fā)酵過程中存在補料訓(xùn)練樣本較少的情況，為提高補料生產(chǎn)過程的自動化程度和控制精度，本文利用潔霉素作為實驗對象，采用自適應(yīng)遺傳算法AGA（Adaptive Genetic Algorithm）對BP神經(jīng)網(wǎng)絡(luò)權(quán)值進(jìn)行優(yōu)化，構(gòu)建AGA-BP動態(tài)補料控制模型。將建立的動態(tài)補料控制模型嵌入ARM11控制器中，并利用補料控制模型計算出當(dāng)前最佳補料量，通過無線傳輸模塊對補料執(zhí)行模塊進(jìn)行遠(yuǎn)程控制，實現(xiàn)對補料現(xiàn)場的智能化控制。

1 智能補料控制策略

1.1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是基于人腦工作原理而研發(fā)的一種智能算法，該算法包括正向傳播和反向傳播兩個過程，模型拓?fù)浞譃椋狠斎雽?、隱含層和輸出層[6]。由于BP神經(jīng)網(wǎng)絡(luò)具有較強的系統(tǒng)辨識能力和非線性映射能力，能夠較好地學(xué)習(xí)輸入變量與輸出變量之間的映射關(guān)系，所以本文采用BP神經(jīng)網(wǎng)絡(luò)控制算法構(gòu)建發(fā)酵過程智能補料控制模型。

選取潔霉素作為實驗對象進(jìn)行分批發(fā)酵[7]，根據(jù)一致相關(guān)度方法篩選出3種關(guān)鍵輸入變量，分別為電機轉(zhuǎn)速、溫度和PH值。以葡萄糖、甘油、氨水作為輸出變量，如圖1所示。

表1中的數(shù)據(jù)為發(fā)酵過程中所記錄的輸入和輸出變量采樣值，將其作為訓(xùn)練樣本，對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，建立輸入變量與補料量的預(yù)測模型。

當(dāng)神經(jīng)網(wǎng)絡(luò)誤差達(dá)到規(guī)定范圍后，終止訓(xùn)練，經(jīng)過訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)已掌握了數(shù)據(jù)間的聯(lián)系，給出一定輸入量即能計算出對應(yīng)補料量，從而實現(xiàn)補料智能控制[8]。

雖然BP神經(jīng)網(wǎng)絡(luò)與其它算法相比，在解決非線性問題上具有很大優(yōu)勢，但其容易陷入局部尋優(yōu)導(dǎo)致訓(xùn)練失敗，而且當(dāng)訓(xùn)練樣本較少時會存在收斂速度慢、穩(wěn)定性差、泛化能力弱等問題。在控制潔霉素發(fā)酵補料的過程中，傳統(tǒng)的交叉驗證法、差分進(jìn)化等算法優(yōu)化效果不佳，而自適應(yīng)遺傳算法（AGA）通過權(quán)值優(yōu)化可以很好地改善局部尋優(yōu)問題，并且可以提升收斂速度，增強穩(wěn)定性和泛化能力。

1.2 BP神經(jīng)網(wǎng)絡(luò)權(quán)值優(yōu)化

為了提高BP神經(jīng)網(wǎng)絡(luò)的收斂速度、穩(wěn)定性和泛化能力，進(jìn)一步提高補料的精確度，采用自適應(yīng)遺傳算法（AGA）對BP神經(jīng)網(wǎng)絡(luò)權(quán)值進(jìn)行優(yōu)化。該策略的主要原理是：首先利用自適應(yīng)遺傳算法（AGA）縮減解空間范圍，剔除適應(yīng)度值低的解，之后進(jìn)一步采用BP神經(jīng)網(wǎng)絡(luò)算法在該小范圍空間中不斷迭代搜索，尋找出最優(yōu)解[9]。由于BP神經(jīng)網(wǎng)絡(luò)采用的求解法是一階梯度法，所以不僅收斂速度慢，而且易陷于局部最優(yōu)，出現(xiàn)所謂早熟現(xiàn)象。本文提出的利用自適應(yīng)遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的方法，可有效地進(jìn)行優(yōu)劣互補，既增強了全局搜索性能，又能加快收斂、提高運算效率。

1.2.1 AGA優(yōu)化BP網(wǎng)絡(luò)權(quán)值工作原理

（1）利用二進(jìn)制編碼，將每個連接權(quán)值都用二進(jìn)制串進(jìn)行表示[10-12]。假設(shè)各權(quán)值在設(shè)置范圍之間變化，則網(wǎng)絡(luò)各連接權(quán)實際值與字符串表示值之間關(guān)系如式（1）所示。

w1（i，j）=wmin（i，j）+binreplace（t）2L-1？wmax（i，j）-wmin（i，j）+1? ? ? ? ?（1）

式中，binreplace（t）是由L位字符串組成的二進(jìn)制整數(shù)，[wmax（i， j）， wmin（i， j）]是各連接權(quán)的變化界限。

（2）群體中的個體數(shù)代表該群體大小，群體大小將直接影響尋優(yōu)效果。若群體過小，雖然可以提高運算速率，但是缺少多樣性，不足以概括整個數(shù)據(jù)特征，最終導(dǎo)致預(yù)測結(jié)果不精確，而群體過大又會降低運算速率。所以一般設(shè)群體大小在20～100之間，根據(jù)不同的數(shù)據(jù)特征來決定。

（3）找到群體中的最優(yōu)解，前提是需要知道每個個體性能，也即個體在群體中的適應(yīng)度。因此，需要引入適應(yīng)度函數(shù)進(jìn)行計算。根據(jù)實際情況，適應(yīng)度函數(shù)需要盡可能簡單，才能降低算法復(fù)雜度。本文利用誤差函數(shù)計算每個個體適應(yīng)度，個體適應(yīng)度值越大，其誤差越小，具體如式（2）所示。

F=C-E? ? ? ? ? ? ?（2）

式中，C為常數(shù)，E代表一種誤差函數(shù)。E=12mk（Ym，k-Ym，k）2，其中Ym，k、Ym，k分別表示第m個樣本第k個輸出節(jié)點的實際值和期望值。

（4）自適應(yīng)遺傳算法一般包括3種算子，分別為選擇算子、雜交算子和變異算子，下面具體介紹各算子的原理和作用[13-14]。

本系統(tǒng)中用來檢測如溶氧量、酸堿度等參量的傳感器輸出信號為4～20mA的電流信號，但由于S3C6410能夠識別的電信號為電壓信號，因此需要將各類傳感器輸出的電流信號轉(zhuǎn)換為在S3C6410可識別范圍內(nèi)的電壓信號。通過數(shù)控可變增益放大器AD526調(diào)節(jié)模擬電壓信號幅度，將模擬電壓信號經(jīng)過模數(shù)轉(zhuǎn)換器轉(zhuǎn)化成數(shù)字信號，送入處理器作下一步處理。A/D轉(zhuǎn)換器的作用就是將發(fā)酵過程中采集的模擬信號轉(zhuǎn)換成S3C6410處理器可識別的數(shù)字信號，并將該信號作為控制器的輸入信號。

2.3 無線傳輸模塊

無線模塊采用CC1101工業(yè)級射頻透傳模塊，該模塊能夠?qū)崿F(xiàn)2km范圍內(nèi)的穩(wěn)定通訊，且功耗僅有100mW。CC1101模塊還要與8051單片機通過SPI進(jìn)行通訊，將計算得到的補料量傳輸給單片機執(zhí)行模塊。由于8051單片機工作電壓為5V，而CC1101無線模塊工作電壓為3.3V，所以其之間需要增加一個GS5810芯片進(jìn)行電壓轉(zhuǎn)換。

2.4 其它基本功能模塊

其它基本功能模塊包括存儲器模塊、超限報警模塊、LCD與觸摸屏接口電路、JTAG接口模塊、電源及時鐘電路等。其中存儲器模塊可進(jìn)行程序存儲和數(shù)據(jù)存儲，為處理器的工作提供了足夠的空間;超限報警模塊由蜂鳴器實現(xiàn)，當(dāng)出現(xiàn)一些外在情況使實際值超出設(shè)置的范圍時，蜂鳴器工作報警;液晶屏是將采集處理的數(shù)據(jù)顯示給操作人員的人機交互渠道;JTAG系統(tǒng)利用仿真器將整個系統(tǒng)與PC機相連，并利用處理器內(nèi)部的在線調(diào)試模塊在上位機上進(jìn)行調(diào)試;電源及時鐘電路主要為整個處理系統(tǒng)提供所需的電源及時鐘。

2.5 實驗驗證

利用江蘇大學(xué)發(fā)酵控制系統(tǒng)平臺對AGA-BP神經(jīng)網(wǎng)絡(luò)智能補料控制模型作進(jìn)一步驗證。采用DS-I型100L機械攪拌罐獲取實驗數(shù)據(jù)，選取潔霉素為發(fā)酵對象，發(fā)酵周期為200h。通過離線化驗方式每隔20h測菌體濃度一次，具體方法如下：采用JI80-2B臺式離心機、10mL離心管，以3 000r/min的速率離心15min，計算沉降體積百分率。將人工補料、BP神經(jīng)網(wǎng)絡(luò)和采用AGA優(yōu)化權(quán)值的BP神經(jīng)網(wǎng)絡(luò)3種補料策略進(jìn)行對比。如圖5所示，在菌絲體生長的40h內(nèi)，人工補料的菌體濃度最低，導(dǎo)致菌絲體過早地自溶。在40h時，菌體濃度基本達(dá)到頂峰，基于人工補料、BP神經(jīng)網(wǎng)絡(luò)以及AGA-BP 3種補料策略的菌體濃度依次為51.15%、54.53%和57.75%。此外，AGA-BP補料控制策略在60h內(nèi)都有較高的菌體濃度，增加了發(fā)酵系數(shù)，使菌體朝著大量菌絲繁殖的方向發(fā)展?？傮w上，菌體濃度在AGA-BP補料策略控制下相比人工補料策略提高了8.62%，相比未優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)補料策略提高了4.55%。由此可見，采用優(yōu)化后BP神經(jīng)網(wǎng)絡(luò)的補料策略較為高效，能得到更高的菌體濃度。

3 結(jié)語

微生物發(fā)酵控制中補料量的精準(zhǔn)控制是一大難點，本文提出一種基于AGA-BP的微生物發(fā)酵過程智能補料控制策略，極大地減少了人工操作工作量，提高了生物發(fā)酵補料生產(chǎn)的自動化程度和補料控制精度。選取潔霉素發(fā)酵作為實驗對象，利用AGA算法對BP神經(jīng)網(wǎng)絡(luò)權(quán)值進(jìn)行優(yōu)化，克服了傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型收斂速度慢、穩(wěn)定性差等問題。最后將建立的AGA-BP智能補料控制模型嵌入到ARM11控制器中，實現(xiàn)對補料現(xiàn)場的智能化控制。對比人工補料、BP神經(jīng)網(wǎng)絡(luò)與AGA-BP 3種補料控制策略對菌體濃度的影響，實驗結(jié)果表明，基于AGA-BP的補料控制策略可使?jié)嵜顾卦谳^長時間內(nèi)保持較高的菌體濃度。然而，生物發(fā)酵是復(fù)雜、多工況的過程，單一的控制模型在面對工況波動時可能不具備優(yōu)勢。因此，未來在解決多工況過程建模問題上需要作進(jìn)一步研究。

參考文獻(xiàn)：

[1] 盧濤，關(guān)丹，胡修玉，等. 我國生物發(fā)酵產(chǎn)業(yè)發(fā)展現(xiàn)狀及發(fā)展趨勢[J]. 工業(yè)微生物，2015， 45（3）： 62-66.

[2] MEMON A A，MENG M， WONG Y D， et al. Calibration of a rule-based intelligent network simulation model[J]. Journal of Modern Transportation，2016（1）： 1-14.

[3] 王曉燕，謝建軍. 生物發(fā)酵過程的在線檢測及控制技術(shù)進(jìn)展研究[J]. 科技創(chuàng)新與應(yīng)用，2016（21）： 64.

[4] ZHOU J，ZHANG X，LIU M， et al. Sensor Temperature and Humidity Compensation Method based on BP Neural Network[C].Shenzhen：Proceedings of the 2019 3rd International Forum on Environment， Materials and Energy （IFEME 2019），2019.

[5] 謝彪， 唐曉芳， 李鎮(zhèn)江，等. 產(chǎn)ε-聚賴氨酸菌補料分批發(fā)酵工藝的研究[J].食品與發(fā)酵科技， 2018，54（3）：76-81.

[6] 謝婷， 武培， 韓德全，等. 林可霉素工業(yè)生產(chǎn)發(fā)酵工藝優(yōu)化[J]. 中國釀造，2017， 36（9）： 60-63.

[7] YUN D， HANJIE X， JIANXIN X， et al. Prediction model of PSO-BP neural network on coliform amount in special food[J]. Saudi Journal of Biological Sciences，2019，26（6）：1154-1160.

[8] ZHU X L， ZHU Z Y. The generalized predictive control of bacteria concentration in marine lysozyme fermentation process[J].Food Science & Nutrition， 2018， 6（8）：2459-2465.

[9] 王林軍， 黃文超， 鐘先友， 等. 采用GA-BP算法和EMD的滾動軸承故障診斷方法[J]. 煤礦機械， 2019， 40（5）：167-170.

[10] LI J R，ZHANG H Y，LUO Y Z， et al. Stepwise genetic algorithm for adaptive management： application to air quality monitoring network optimization[J].Atmospheric Environment，2019，215：116894.

[11] RADKA P，JOSEF T，PETR B. Differential evolution with adaptive mechanism of population size according to current population diversity[J]. Swarm and Evolutionary Computation，2019，50：100519.

[12] 王永智，付忠廣，劉炳含，等. 基于GA-SVM的煙氣含氧量軟測量[J]. 化工自動化及儀表， 2017， 44（10）：937-939.

[13] 顏曉娟， 龔仁喜， 張千鋒. 優(yōu)化遺傳算法尋優(yōu)的SVM在短期風(fēng)速預(yù)測中的應(yīng)用[J].電力系統(tǒng)保護(hù)與控制， 2016， 44（9）：38-42.

[14] 蘇崇宇， 汪毓鐸. 基于改進(jìn)的自適應(yīng)遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)[J].工業(yè)控制計算機， 2019， 32（1）： 67-69.

[15] 梁爽， 唐曉， 江磊， 等. GA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測鈦合金表面粗糙度[J]. 機械設(shè)計與制造， 2019（8）： 265-268.

[16] 童冰， 邱小明. 基于SWP-FJC控制的新霉素發(fā)酵補料系統(tǒng)的構(gòu)建[J]. 漳州職業(yè)技術(shù)學(xué)院學(xué)報， 2017， 19（4）：6-11.

[17] 李海波， 潘豐. 補料分批發(fā)酵過程動態(tài)優(yōu)化控制研究[J].控制工程， 2019， 26（10）： 1950-1954.

[18] 黃永紅， 莊國坤， 王博. 基于GPRS和Web的生物發(fā)酵遠(yuǎn)程監(jiān)控系統(tǒng)設(shè)計[J]. 儀表技術(shù)與傳感器，2017（7）：67-71.

[19] 趙巖， 何鵬. 基于人工智能的生物發(fā)酵控制系統(tǒng)方法[J]. 計算機仿真，2012， 29（10）： 200-203.

[20] 王澤建，王萍， 張琴， 等. 微生物發(fā)酵過程生理參數(shù)檢測傳感器技術(shù)與過程優(yōu)化[J]. 生物產(chǎn)業(yè)技術(shù)，2018（1）：19-32.

（責(zé)任編輯：黃 ?。?/p>