基于即时学习策略的毕赤酵母发酵过程软测量

作     者：王维杰 

作者单位：江苏大学 

学位级别：硕士

导师姓名：朱湘临

授予年度：2022年

学科分类：081703[工学-生物化工] 08[工学] 0817[工学-化学工程与技术] 

主      题：毕赤酵母 即时学习 自适应辅助变量 局部加权偏最小二乘 最小二乘支持向量机 

摘      要：巴斯德毕赤酵母属甲醇营养性酵母,良好的表达可控性和较小的表达局限性可以让外源蛋白基因利用同源重组的方式在菌体内高效表达。距今,毕赤酵母已经规模化生产了超过一千多种外源蛋白,其产品涉及生活的方方面面,如食品、医疗、国防等领域。想要菌种一直保持在最优发酵条件,需要参考发酵过程中的重要状态变量,然后按照状态变量实时调节环境变量。然而,重要状态变量无法通过现有的传感仪器直接测量,国内主要依靠人工采样方式获取状态变量参数,测量结果滞后,无法进行实时控制。近年来,随着计算机性能的不断提高和预测算法的升级迭代,软测量技术逐渐被用于预测工业过程参量,为发酵过程的重要状态变量的获取提供了很好的解决方案。为建立优秀的毕赤酵母发酵过程关键参量预测模型,进行了多批次毕赤酵母的发酵实验,开展了菌体浓度和基质浓度预测算法模型的研究。具体研究内容如下:针对发酵过程中的多工况问题,采用的是即时学习(JITL)建模方法。考虑到即时学习建模通常对整个历史样本数据进行相似度分析,不但计算难度大,而且会引入噪音数据,采用时间窗(TW)缩小样本的选择范围,提高运算效率。又因为在发酵的不同阶段,同一环境变量对重要状态变量的影响不同,所以提出自适应辅助变量选取策略(SAV)选择本次建模所用的辅助变量。SAV是通过对时间窗内的样本采用K-近邻互信息方法(K-MI)计算辅助变量与重要状态变量的关联度,然后按照关联度的降序选择辅助变量。对于菌体浓度和基质浓度,通过对历史数据进行分析,并对比不同预测模型的预测误差,分别采用了以下建模算法:对于菌体浓度,采用局部加权偏最小二乘算法(LWPLS)建立局部预测模型,并根据辅助变量的关联度对LWPLS算法中的权重进行优化,按照关联度的大小调整辅助变量在权重的占比,提高预测精度。对于基质浓度,采用最小二乘支持向量机算法(LSSVM)建立局部预测模型,将其中的核函数以混合核函数代替,并采用天牛须(BAS)算法寻找最优参数,确保预测结果准确。最终分别建立了TW-SAV-OLWPLS模型和TW-SAV-BAS-MLSSVM模型对实际发酵过程中的菌体浓度和基质浓度进行预测,第四章展示了不同工况下的预测结果,并与其他预测模型进行比较。对比结果表明,TW在不影响预测精度的前提下能够有效地降低计算量,SAV能够为模型选择合适的辅助变量,提高在整个发酵过程上的预测效果,对LWPLS模型权重优化和对LSSVM模型采用BAS算法进行参数寻优能有效的减小预测误差,在发酵阶段发生改变时也能有较高的预测效果。