趙孝文，蔣繼成

(黑龍江省科學(xué)院技術(shù)物理研究所，哈爾濱 150086)

?

厭氧發(fā)酵工藝的BP神經(jīng)網(wǎng)絡(luò)建模與粒子群算法優(yōu)化

趙孝文，蔣繼成

(黑龍江省科學(xué)院技術(shù)物理研究所，哈爾濱 150086)

為了獲得厭氧發(fā)酵裝置的最佳工藝條件參數(shù)，以發(fā)酵工程產(chǎn)氣的量及質(zhì)量參數(shù)為響應(yīng)值，建立其BP神經(jīng)網(wǎng)絡(luò)模型；同時(shí)利用粒子群算法對網(wǎng)絡(luò)模型進(jìn)行全局尋優(yōu)，最終獲得最佳厭氧發(fā)酵工藝參數(shù)。本研究表明，采用BP神經(jīng)網(wǎng)絡(luò)模擬結(jié)合粒子群算法的優(yōu)化方法，對厭氧發(fā)酵工藝具有較好的優(yōu)化效果，為厭氧發(fā)酵過程控制提供理論依據(jù)。

厭氧發(fā)酵； BP神經(jīng)網(wǎng)絡(luò)；粒子群算法

0 引 言

厭氧發(fā)酵過程控制是牲畜糞便產(chǎn)沼氣發(fā)電工程中的關(guān)鍵工序，發(fā)酵過程中的溫度的控制、發(fā)酵原料投料濃度的大小、配料成分、pH值的變化、含氧量的多少等都是影響發(fā)酵工程產(chǎn)氣的量及質(zhì)量的重要參數(shù)。因此，如何有效地提高生產(chǎn)的自動化水平，提高沼氣產(chǎn)氣量和質(zhì)量，保證系統(tǒng)穩(wěn)定性，這對利用厭氧發(fā)酵技術(shù)產(chǎn)沼氣工程的推廣應(yīng)用，具有十分重要的意義[1-2]。

隨著我國生物工程和技術(shù)的快速發(fā)展，目前控制過程的仿真平臺已越來越多的應(yīng)用到生物發(fā)酵控制過程中。同時(shí)微生物厭氧發(fā)酵控制過程是一類非線性、時(shí)變性、物理上不可逆的復(fù)雜生化過程[3]。研究利用現(xiàn)代控制理論算法將一些在線可測的與微生物生長代謝途徑有關(guān)的輔助變量和離線分析取樣可測的狀態(tài)變量結(jié)合起來，預(yù)測出狀態(tài)變量值及模型時(shí)變參數(shù)值，在實(shí)驗(yàn)數(shù)據(jù)的基礎(chǔ)上，以LabVIEW和Matlab相結(jié)合進(jìn)行設(shè)計(jì)[4]，利用BP神經(jīng)網(wǎng)絡(luò)算法建立發(fā)酵過程中的溫度和壓力、發(fā)酵原料投料濃度的大小、接種物濃度的大小、配料成分、PH值的變化、含氧量等相關(guān)參數(shù)與發(fā)酵工程產(chǎn)氣的量及質(zhì)量的重要參數(shù)之間的數(shù)學(xué)模型。

利用粒子群算法對相應(yīng)厭氧發(fā)酵過程控制工藝參數(shù)進(jìn)行優(yōu)化。并且通過MATLAB軟件，對模型進(jìn)行仿真與預(yù)測，利用Labview軟件實(shí)現(xiàn)可視化的人機(jī)界面，結(jié)果表明，精確度可達(dá)到0.001，說明采用BP神經(jīng)網(wǎng)絡(luò)模擬結(jié)合粒子群算法的優(yōu)化方法，對厭氧發(fā)酵工藝具有較好的優(yōu)化效果。

1 厭氧發(fā)酵參數(shù)檢測與選擇

1.1 厭氧發(fā)酵檢測數(shù)據(jù)選擇

從厭氧發(fā)酵過程控制工藝參數(shù)在實(shí)驗(yàn)測量過程中的精度及實(shí)際生產(chǎn)過程中的可控性角度出發(fā)，選擇工藝參數(shù)為溫度、發(fā)酵原料投料濃度的大小、配料成分中鮮牛糞和水、PH值的變化、含氧量，產(chǎn)氣的量、質(zhì)量(甲烷的百分含量)作為響應(yīng)值。

1.2 厭氧發(fā)酵檢測結(jié)果

課題組利用實(shí)驗(yàn)裝置進(jìn)行了厭氧發(fā)酵實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果，詳見表1。

表1 厭氧發(fā)酵實(shí)驗(yàn)數(shù)據(jù)

2 厭氧發(fā)酵模型的建立

2.1 人工神經(jīng)網(wǎng)絡(luò)建模

人工神經(jīng)網(wǎng)絡(luò)( artificial neural networks，ANN)是以實(shí)驗(yàn)數(shù)據(jù)為基礎(chǔ)，經(jīng)過有限次迭代計(jì)算而獲得的一個(gè)反映實(shí)驗(yàn)數(shù)據(jù)內(nèi)在規(guī)律的數(shù)學(xué)模型，它特別適合于研究復(fù)雜非線性系統(tǒng)的特性，反向傳播(back-propagation，BP)人工神經(jīng)網(wǎng)絡(luò)是最具代表性的誤差反向傳播的多層前饋式網(wǎng)絡(luò)。已經(jīng)證明具有3層結(jié)構(gòu)(只有1個(gè)隱含層)的BP網(wǎng)絡(luò)能夠逼近任何有理函數(shù)，并且單隱層BP網(wǎng)絡(luò)的非線性映射能力較強(qiáng)[5]。因此，如圖1給出了本研究采用的3層BP人工神經(jīng)網(wǎng)絡(luò)建模以逼近存在于實(shí)驗(yàn)數(shù)據(jù)間的函數(shù)關(guān)系。

圖1 3層BP人工神經(jīng)網(wǎng)絡(luò)

2.2 BP人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練和預(yù)測

利用25組實(shí)驗(yàn)數(shù)據(jù)作為人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本，另選擇其他5組數(shù)據(jù)作為檢驗(yàn)樣本，運(yùn)用MATLAB軟件，進(jìn)行人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和預(yù)測。設(shè)定BP人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練循環(huán)次數(shù)參數(shù)為5 000步，訓(xùn)練誤差目標(biāo)參數(shù)為0.000 01，學(xué)習(xí)率參數(shù)為0.1。

通過應(yīng)用均方差函數(shù)比較目標(biāo)值和預(yù)測值的差異，計(jì)算目標(biāo)值與預(yù)測值間的誤差，觀察網(wǎng)絡(luò)模型對訓(xùn)練情況，對網(wǎng)絡(luò)擬合圖性能進(jìn)行評價(jià)。產(chǎn)氣量網(wǎng)絡(luò)訓(xùn)練結(jié)果顯示，經(jīng)過605步訓(xùn)練后，網(wǎng)絡(luò)誤差平方和SSE為7.614 910×10-5，達(dá)到了設(shè)定的最小訓(xùn)練目標(biāo)值。產(chǎn)氣質(zhì)量網(wǎng)絡(luò)訓(xùn)練結(jié)果顯示，經(jīng)過728步,網(wǎng)絡(luò)誤差平方和SSE為7.671 8×10-5,達(dá)到了設(shè)定的最小訓(xùn)練目標(biāo)值。

網(wǎng)絡(luò)訓(xùn)練完畢后，利用MATLAB仿真函數(shù)sim輸出網(wǎng)絡(luò)預(yù)測，用5組檢驗(yàn)樣本來檢驗(yàn)網(wǎng)絡(luò)訓(xùn)練效果如圖2、圖3所示。預(yù)測值與目標(biāo)值比較說明厭氧發(fā)酵工藝參數(shù)為溫度、發(fā)酵原料投料濃度的大小、配料成分中鮮牛糞和水、PH值的變化、含氧量，輸出為產(chǎn)氣的量、質(zhì)量(甲烷的百分含量)關(guān)系模型網(wǎng)絡(luò)預(yù)測性能良好。

圖2 產(chǎn)氣量預(yù)測與檢驗(yàn)值

圖3 質(zhì)量預(yù)測與檢驗(yàn)值

3 厭氧發(fā)酵工藝參數(shù)的優(yōu)化

3.1 參數(shù)優(yōu)化算法的選擇

現(xiàn)在工藝參數(shù)優(yōu)化大多使用的是遺傳算法，但是遺傳算法的編程實(shí)現(xiàn)比較復(fù)雜，首先需要對問題進(jìn)行編碼，找到最優(yōu)解之后還需要對問題進(jìn)行解碼，另外三個(gè)算子的實(shí)現(xiàn)也有許多參數(shù)，如交叉率和變異率，并且這些參數(shù)的選擇嚴(yán)重影響解的品質(zhì)，而目前這些參數(shù)的選擇大部分是依靠經(jīng)驗(yàn)。應(yīng)用粒子群優(yōu)化(Partical Swarm Optimization -PSO)算法，PSO算法屬于進(jìn)化算法的一種，和遺傳算法相似，它也是從隨機(jī)解出發(fā)，通過迭代尋找最優(yōu)解，它也是通過適應(yīng)度來評價(jià)解的品質(zhì)。但是它比遺傳算法規(guī)則更為簡單，它沒有遺傳算法的“交叉”(Crossover)和“變異”(Mutation) 操作，它通過追隨當(dāng)前搜索到的最優(yōu)值來尋找全局最優(yōu)[6-7]。

3.2 厭氧發(fā)酵過程控制工藝參數(shù)優(yōu)化

研究通過LabVIEW和Matlab的混合編程的方法實(shí)現(xiàn)仿真。通過應(yīng)用均方差函數(shù)比較目標(biāo)值和預(yù)測值的差異，計(jì)算目標(biāo)值與預(yù)測值間的誤差，觀察參數(shù)優(yōu)化情況，經(jīng)過500次循環(huán)訓(xùn)練后，網(wǎng)絡(luò)誤差平方和均值為3×10-3，達(dá)到了設(shè)定的最小訓(xùn)練目標(biāo)值。

項(xiàng)目通過五組數(shù)據(jù)進(jìn)行厭氧發(fā)酵工藝參數(shù)優(yōu)化，通過應(yīng)用均方差函數(shù)比較目標(biāo)值和預(yù)測值的差異，計(jì)算目標(biāo)值與預(yù)測值間的誤差，經(jīng)過689次循環(huán)訓(xùn)練后，網(wǎng)絡(luò)誤差平方和均值為3×10-3，達(dá)到了設(shè)定的最小訓(xùn)練目標(biāo)值。結(jié)果及過程如圖3～圖10。

圖4 工藝參數(shù)優(yōu)化結(jié)果

圖5 溫度參數(shù)優(yōu)化過程圖

圖6 投料濃度參數(shù)優(yōu)化過程圖

圖7 鮮牛糞參數(shù)優(yōu)化過程圖

圖8 水參數(shù)優(yōu)化過程圖

圖9 PH值參數(shù)優(yōu)化過程圖

圖10 含氧量值參數(shù)優(yōu)化過程圖

4 厭氧發(fā)酵模型和參數(shù)優(yōu)化可行性的驗(yàn)證

利用第一組優(yōu)化后的參數(shù)溫度、發(fā)酵原料投料濃度的大小、配料成分中鮮牛糞和水、PH值的變化、含氧量輸入到已經(jīng)建立的模型中，預(yù)測輸出產(chǎn)氣的量、質(zhì)量(甲烷的百分含量)數(shù)據(jù)。利用優(yōu)化后的參數(shù)溫度、發(fā)酵原料投料濃度的大小、配料成分中鮮牛糞和水、PH值的變化、含氧量工藝參數(shù)，進(jìn)行厭氧發(fā)酵過程控制，預(yù)測結(jié)果與實(shí)際數(shù)據(jù)(利用優(yōu)化后的數(shù)據(jù)進(jìn)行實(shí)驗(yàn)得到的結(jié)果)進(jìn)行對比，數(shù)據(jù)詳見表2，檢測結(jié)果與仿真結(jié)果非常接近，最大相對誤差在2%。表明采用將神經(jīng)網(wǎng)絡(luò)擬合技術(shù)和粒子群優(yōu)化算法結(jié)合的方式對氧發(fā)酵工藝進(jìn)行優(yōu)化是完全可行的。

表2 厭氧發(fā)酵實(shí)驗(yàn)裝置檢驗(yàn)數(shù)據(jù)、預(yù)測數(shù)據(jù)與實(shí)際數(shù)據(jù)對比

序號檢驗(yàn)指標(biāo)預(yù)測指標(biāo)實(shí)際數(shù)據(jù)產(chǎn)氣量/mL質(zhì)量/%產(chǎn)氣量/mL質(zhì)量/%產(chǎn)氣量/mL質(zhì)量/%142155.1642155.4542055.23242456.1242156.3042255.97343456.5543356.4743156.14442955.2842955.3742455.72542255.9442555.742755.61

5 結(jié)束語

項(xiàng)目以IMUS高溫厭氧發(fā)酵工藝的控制過程為基礎(chǔ)，針對生物發(fā)酵過程的時(shí)變性和非線性，采用LabVIEW和MATLAB 語言相結(jié)合進(jìn)行系統(tǒng)設(shè)計(jì)，建立高寒地區(qū)高溫厭氧發(fā)酵過程控制仿真平臺。系統(tǒng)通過改變控制系統(tǒng)中各控制參數(shù)(溫度、壓力、PH值、底物濃度、攪拌時(shí)間等)的變化，實(shí)現(xiàn)沼氣產(chǎn)氣量和產(chǎn)氣質(zhì)量的變化情況模擬，解決了高寒地區(qū)厭氧發(fā)酵工藝過程自動控制由于復(fù)雜性和多樣性等因素不能準(zhǔn)確的描述工藝參數(shù)與控制指標(biāo)之間的復(fù)雜非線性的數(shù)學(xué)關(guān)系。本研究應(yīng)用人工神經(jīng)網(wǎng)絡(luò)算法準(zhǔn)確建立了厭氧發(fā)酵過程相關(guān)工藝參數(shù)與控制指標(biāo)之間的數(shù)學(xué)模型，經(jīng)驗(yàn)證模型網(wǎng)絡(luò)泛化能力較好。

應(yīng)用粒子群算法對相應(yīng)厭氧發(fā)酵過程控制工藝參數(shù)進(jìn)行優(yōu)化，并利用厭氧發(fā)酵優(yōu)化后的工藝參數(shù)指導(dǎo)生產(chǎn)，效果較好。表明采用將神經(jīng)網(wǎng)絡(luò)擬合技術(shù)和粒子群優(yōu)化算法結(jié)合的方式對氧發(fā)酵工藝進(jìn)行優(yōu)化是完全可行的。

[1] 靳紅梅,付廣青,常志州,等.豬、奶牛糞厭氧發(fā)酵中Pb的形態(tài)轉(zhuǎn)化及其分布特征[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2013(22):18-23.

[2] 劉建禹,陳澤興,李文濤.厭氧發(fā)酵反應(yīng)器一維穩(wěn)態(tài)傳熱模型的建立與驗(yàn)證[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2012(17):47-50.

[3] 夏吉慶,馬添翼,畢經(jīng)毅,等.牛糞厭氧發(fā)酵污泥回流試驗(yàn)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2011(4):34-37.

[4] 張紀(jì)興,陳燕忠.人工神經(jīng)網(wǎng)絡(luò)建模結(jié)合遺傳算法優(yōu)化崗松油環(huán)糊精包合物制備工藝參數(shù)[J]. 中國藥科大學(xué)報(bào)，2011(4): 324-328.

[5] 李文斌,張建宇.LabVIEW和MATLAB混合編程在齒輪箱故障診斷系統(tǒng)中的應(yīng)用[J]. 機(jī)械設(shè)計(jì)與制造，2011(4):75-77.

[6] 劉華鎣.粒子群優(yōu)化算法的改進(jìn)研究及在石油工程中的應(yīng)用[D]. 東北石油大學(xué)，2012.

[7] 劉曉丹.基于粒子群算法的光伏系統(tǒng)最大功率點(diǎn)跟蹤研究[D]. 南京郵電大學(xué)，2013.

BP Neural Network Modeling and Particle Swarm AlgorithmOptimization of Anaerobic Fermentation Process

ZHAO Xiao-wen, JIANG Ji-cheng

(Technical Physics Institute of Heilongjiang Academy of Science，Harbin 150086，China)

In order to obtain the optimum process condition parameters of anaerobic fermentation device, with the gas volume and quality parameters of fermentation engineering as response value, and establish the BP neural network model. At the same time, network model for global optimization by particle swarm optimization algorithm. Finally achieve the best anaerobic fermentation process parameters. This study shows that using BP neural network simulation with optimization of particle swarm algorithm has better optimization effect on anaerobic fermentation process, to provide the theory basis for the anaerobic fermentation process control.

Anaerobic fermentation; BP neural network; Particle swarm algorithm

10.3969/j.issn.1009-3230.2015.03.002

2014-12-18

2015-02-27

趙孝文(1977-)，男，碩士，研究方向?yàn)楹穗娮訉W(xué)與過程控控制。

TP278

B

1009-3230(2015)03-0008-05