2．3基于非線-性系統理論的優化控制
    20世紀60年代以來，非線性系統理論的研究進入了一個新階段，采用微分幾何方法(特別是微分流形理論)設計穩定的非線性優化控制器應用廣泛。Szederk6nyi等在發酵過程仿射非線性狀態空間模型基礎上，采用微分幾何方法設計狀態反饋控制器，并在連續發酵過程中驗證了控制方法的有效性。宋毅芳等在發酵過程仿射非線性數學模型的基礎上，采用微分幾何線性化理論，把非線性系統轉化成一個線性系統，并設計了變結構控制器，減小了微分幾何方法對系統模型和參數的依賴，控制系統具有良好的動靜態性能。
   將微分幾何方法引入控制領域，給非線性系統控制帶來了飛躍性發展，但也存在一定的局限。微分幾何方法對系統模型精度要求很高，復雜發酵過程模型的不確定性和參數的時變性的存在，使得系統控制性能難以得到保障。
2．4基于人工智能技術的優化控制
   人工智能理論及計算機科學技術的進步促使自動控制向智能控制發展，不斷豐富和發展的智能控制技術集成了眾多學科的特點，解決了許多傳統方法難以解決的復雜系統的控制問題。
  智能控制主要有專家控制、神經網絡控制等，近年來，將智能控制用于發酵過程優化取得了較好的效果。Guerreiro等開發了一個用戶友好的專家系統用于乙醇生產的大型連續發酵單元，理論計算結果和實際結果之間的差異非常小，系統可靠性較高。sar等將濾波器引入實時編碼遺傳算法中，解決了流加生物反應器的優化控制問題，濾波器的引入優化了控制曲線，提高了算法的收斂性。劉國海等提出了一種將逆系統與神經網絡相結合的發酵過程解耦控制方法，該方法能夠適應過程模型的不確定性和參數的時變性，具有較強的魯棒性。
   智能控制方法單獨模擬人類智能活動時，存在著各自的局限性，如模糊控制難以建立模糊規則和隸屬度函數；神經網絡控制難以確定網格結構和規模；專家控制難以進行知識獲取、知識自動更新等。為彌補這方面的不足，將各種智能方法交叉應用成為控制領域的研究方向之一。Ye等將3種智能控制系統用于重組蛋白流加發酵過程優化，實驗結果表明，采用模糊神經網絡控制，最終得到高的重組蛋白輸出；設計的耦合神經網絡估計器的模糊控制系統，通過控制葡萄糖和半乳糖的補給率，實現了發酵過程優化；模糊恒pH器控制系統用于控制葡萄糖的供給率，獲得的細胞密度高達72g／L。采用智能方法對發酵過程進行優化控制，在仿真和實驗研究中取得了較好的效果。   
   

 

上一篇：微生物發酵過程優化控制技術進展——5

下一篇：微生物發酵過程優化控制技術進展——7