工控产业网

###值，其生产过程是一个典型的非线性、动态、多阶段间歇生产过程。美国Illinois州立理工学院由AliCinar的过程监测小组于2002年开发完成了青霉素生产仿真软件PenSim2.0<9>，它为青霉素间歇生产过程的监测、故障诊断以及控制提供了一个标准平台，可以对在不同操作条件下青霉素生产过程的生物质浓度、CO2浓度、pH值、青霉素浓度、##物浓度、溶氧浓度以及产生的热量等变量进行仿真。

　　本文基于Birol等人<9>提出的青霉素生产的Benchmark模型，对间歇过程的在线监测进行了研究。青霉素发酵过程分为4个生理阶段：反应滞后期、菌体迅速增长期、青霉素合成期和菌体死亡（自溶）期。从操作角度看，该过程可分为2个阶段：前2个生理阶段为批量操作阶段，而后2个阶段为间歇补料操作阶段，即葡萄糖流加阶段。发酵过程的工艺流程如所示。通过控制反应过程中的pH值和发酵反应器内的温度，可以使反应在##条件下进行。由Benchmark模型可以得到生产运行中的17个过程变量的数据。

　　基于MPCA和MKPCA的离线分析一般说来，所采集数据的批次至少为变量数目的2倍<2>。因此在仿真实验中，采集60个批次的正青霉素常运行数据作为原始历史数据。在每一批次中，选择对过程起重要作用的10个变量，用于过程的建模和离线分析，选择的变量如所示。

　　结语采用MKPCA算法对青霉素间歇生产过程进行了离线分析和在线监测。通过引入非线性核函数，能够充分提取过程中存在的非线性信息，有效计算出高维特征空间中的主元。与其他PCA算法相比，MKPCA算法存在以下##点：不涉及非线性##化问题；仅需线性代数中的特征值求解，这与线性PCA算法同样简单；可以采用不同的核函数，因此可以处理多类非线性问题；在建模前不需要确定主元的数目。此外，在线监测过程中，采用MKPCA算法能够更早地检测出过程中存在的故障，从而减少了不合格批次出现的频率，降低了生产成本；同时减少了误报现象，提高了过程的产率。与其他PCA算法相比，MKPCA算法表现出更##的监测性能，更适于对非线性过程进行在线监测。