一种基于LSTM-PID的溶菌酶发酵温度控制方法

技术领域

本发明属于生物溶菌酶发酵领域，具体涉及一种基于LSTM-PID的溶菌酶发酵温度控制方法。是在溶菌酶发酵过程中，控制发酵罐中溶菌酶的温度时所涉及到的基于LSTM的PID温度控制方法。

背景技术

溶菌酶是一种具有抗病毒、抗病菌、止血止痛及加快组织恢复的一种抗感染物质。在工业生产中，温度因素对溶菌酶发酵有着较大的影响，集中体现在酶的反应速度、改变菌体代谢物的合成方向、影响微生物的代谢调控机制等方面上。因此在溶菌酶生产中对温度控制技术有着严苛的要求。在发酵生产过程中由于发酵罐系统的冷媒降温存在时滞问题，当使用发酵罐生产控制系统来控制发酵罐温度时传统的控制算法会产生较大的超调量，并且在短时间内无法恢复，从而会使温度误差偏大，进而对溶菌酶的质量产生影响，严重的会使酵母失活，无法继续完成发酵过程。

比例-积分-微分(PID)控制器因其结构简单、稳定性好、工作可靠、调整方便而成为工业控制的主要技术之一。例如，K.V.P.Srikar运用PID对飞机机舱内温度的控制。K.Li和W.Liu运用专家PID控制方法控制机舱温度，此方法的优点是无超调量，但他们没有说明其他时域参数，如延迟时间、上升时间、稳态时间。X.Wu和X.Wang选择模糊自整定PID控制算法运用于3D生物打印装置温度控制区域的温度控制。G.He选择了模糊自适应PID运用于军事装备开发和生产中的实验环境温度控制，采用模糊PID实现了PID参数的自整定，在温度控制方面取得了令人满意的结果。这些研究证明了使用这些类型控制器的广泛用途和重要性。Wiharya C利用内部模型控制(IMC)具有设计结构简单、控制性能好等优点，所以能够较好地提高了常规模型控制和PID的设计水平，基于此提出了IMC-PID的控制方法，然后将其应用于黑体辐射源温度控制系统。研究表明该方法具有较好的效果。

为了使PID能够在各系统中发挥出所需的作用，快速且精确的调整其增益具有必要性。常规的整定方法是Ziegler-Nichols整定方法，它是基于受控制过程的开环动态响应中某些特征参数而进行的PID参数整定。然而一些研究表明，一些新的方法在参数整定方面结果更好。X.Zhang和J.Ren利用模糊逻辑并根据一定的模糊规则对PID的参数进行实时的优化。另一种算法是群智能优化(元启发式)算法，例如L.Jia和X.Zhao提出基于粒子群优化算法的PID控制器参数整定，将鸟群觅食学、群组织和优化机制巧妙地结合形成了一种新的参数整定方法。另一种作为PID控制器参数整定的智能优化算法是遗传算法，该算法同样取得了良好的效果。元启发式算法已经十分广泛的运用于各项领域，许多学者在等多项研究中，分析了这些算法在运用于各领域时的特点，尽管启发式算法具有很强的适应性以及较高的效率，但其工作本质是迭代的，所以会增加在线实施的执行时间。另一种广泛用于PID参数调节的方法是人工神经网络(ANN)，又称并行分布处理模型或连接机制模型，是模仿生理学上的人脑神经网络的结构和功能的数学模型，由大量人工神经元连接而成的一种能够进行复杂的逻辑操作的自适应非线性动态信息处理系统。由于其具有高度的并行性、高度的非线性、良好的容错性、联想记忆功能和自适应等优点，被许多学者广泛用于PID参数调节。上述研究表明PID参数调节是一个值得深入研究的问题。

发明内容

针对现有技术的不足，本发明提供一种基于LSTM-PID的溶菌酶发酵温度控制方法，旨在解决现有温度控制方法中的温度超调量偏大、稳定速度不够迅速的技术问题；该方法首先通过机理建模方法建立溶菌酶发酵罐的温度数学模型，然后利用随机游动策略和莱维飞行策略提高鲸鱼优化算法(WOA)的寻优能力，然后利用改进后的鲸鱼优化算法为长短期记忆网络(LSTM)确定初始阶段参数，然后将LSTM神经网络的输出设置为PID控制器的三个K值并训练得到最为合适的K值，最后将LSTM神经网络优化得到的K值代入PID控制器完成对发酵罐控制系统的控制。

一种基于LSTM-PID的溶菌酶发酵温度控制方法，包括以下步骤：

S1，采用机理建模方法建立溶菌酶发酵罐的温度数学模型；

S2,采集发酵罐内溶菌酶温度、密度、流量和体积，将获取后的具体参数带入建立好的数学模型得到相应的温度传递函数；

S3,利用随机游动策略和莱维飞行策略对鲸鱼优化算法进行增强，增强鲸鱼优化算法在处理复杂问题时的全局寻优能力；

S4,搭建LSTM神经网络模型，为PID算法寻找最为关键的K值以加快寻优速度、减小超调量和提高稳定速度；

S5,在S3步骤基础上运用改进后的鲸鱼优化算法为神经网络LSTM优化初始参数；

S6,在S3、S4、S5步骤基础上构建LSTM-PID算法，算法将LSTM的输出设置为PID的三个参数K

S7,将LSTM-PID算法得到的控制参数传递到发酵罐生产控制系统中进行温度控制。

优选地，所述S1详细步骤为：

根据溶菌酶的浓度以及温度对溶菌酶发酵罐建立化学反应速度方程；根据发酵罐内的物料量对溶菌酶发酵罐建立物料平衡算式；根据热量平衡关系对溶菌酶发酵罐建立热量衡算式；依次得到三个非线性动态方程，运用微分运算将非线性方程线性化，由此可得到状态方程。

优选地，所述S2详细步骤为：

采集发酵罐内溶菌酶温度、密度、流量、体积以及发酵罐夹套容积以及冷凝剂体积，根据发酵罐参数以及溶菌酶发酵工艺确定传热面积、传热系数、比热容、冷凝剂密度、反应活化能、气体常数以及反应频率因子；将采集来的参数进行分析整定带入步骤S1建立好的数学模型中，得出具体发酵罐温度传递函数，函数如下：

优选地，所述S3详细步骤为：

分别建立鲸鱼优化算法、随机游动策略和莱维飞行策略，建立完成后，在鲸鱼优化算法寻优的过程中，当随机个体值满足等于最有个体值或次优个体值或第三优个体值且小于

优选地，所述S4详细步骤为：

搭建LSTM神经网络模型并构建模型的输入门、输出门、遗忘门以及权值和阈值，为之后加入PID控制算法增加便利性。

优选地，所述S5详细步骤为：

将LSTM神经网络的初始权值设置为S3步骤中所表述的改进的鲸鱼优化算法(LRWOA)的鲸鱼个体，将LSTM神经网络的反向传播算法设置为LRWOA的适应度函数，当LRWOA满足小于所给的适应度函数时，就得到由LRWOA迭代优化后得到的神经网络初始权值W

优选地，所述S6详细步骤为：

S6.1:构建PID控制算法，并将PID控制算法与LSTM神经网络相结合，确定LSTM神经网络学习速率η和惯性系数α，将初始时刻m设置为1；

S6.2:通过设置目标温度r(m)以及通过测量采样得到的实际温度y(m)，得到此刻的误差e(m)，e(m)的计算公式为e(m)＝r(m)-y(m)；

S6.3:将r(m),y(m),e(m),e(m-1),e(m-2)作为LSTM神经网络的输入，将初始值r(0)、y(0)、e(0)、e(-1)、e(-2)设置为0；

S6.4:将LSTM神经网络的输出设置为PID控制器的三个可调参数K

S6.5:计算PID控制器的输出Δu(m)：

S6.6:将y(m)与r(m)的差值e(m)设置为LSTM神经网络的误差，进行LSTM神经网络学习，在线调整神经网络权值参数，实现对控制器参数的自适应调整；

S6.7:当e(m)小于设置的阈值后则停止调整控制器参数，确定最终的控制器参数并带入到PID控制器中得到控制参数。

本发明的有益效果如下：

1、本发明使用莱维飞行与随机游动策略对鲸鱼算法进行优化，利用莱维飞行良好的全局搜索能力和随机游动策略良好的局部搜索能力，解决鲸鱼优化算法在面对神经网络LSTM这种复杂的模型时容易较早陷入局部极值即过早收敛的问题。

2、本发明将优化完成的鲸鱼算法用于LSTM参数初始化，由于初始参数对神经网络训练时速度的快慢有着重要的影响，而传统的方法是对参数进行随机初始化，有着一定的不确定性。因此本发明采用改进的鲸鱼优化算法对神经网络LSTM初始参数进行优化，以此来加速神经网络的训练的速度和稳定性。

3、本发明将LSTM用于PID参数的智能调节，传统的神经网络PID是采用简单的BP神经网络，在控制速度、超调量方面并不理想。本发明提出的具有记忆功能的神经网络LSTM能够利用有效的目标信息以及之前参数信息、控制量信息等，进一步提高控制器的性能。

附图说明

图1是本发明实施例方法的步骤流程图；

图2是本发明实施例PID控制器的流程结构图；

图3是本发明实施例LRWOA优化LSTM参数流程图；

图4是本发明实施例LSTM神经网络算法的结构图；

图5是本发明实施例PID控制器中三个K值的曲线图；

图6是本发明实施例测试结果图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的在于提供一种基于LSTM-PID的溶菌酶发酵温度控制方法，根据发酵罐内温度与所预期温度的差值，由神经网络LSTM优化PID控制器工作，实现快速响应。

图1为本发明的神经网络LSTM-PID控制器的流程图，如图1所示，为了提高鲸鱼优化算法在处理复杂问题时全局寻优能力，采用寻优能力较强的莱维飞行与随机游动策略优化鲸鱼算法。将优化完成的鲸鱼算法用于初始化神经网络LSTM的初始参数，加强神经网络LSTM训练的收敛速度与稳定性。将神经网络LSTM用于PID控制器参数的自整定，加快控制速度以及降低超调量。最后将PID控制器用于针对本方法建立的传递函数。

如图1-5所示，一种基于LSTM-PID的溶菌酶发酵温度控制方法，具体实施步骤如下：

一种LSTM神经网络PID温度控制的方法，包括以下步骤：

S1，采用机理建模方法建立溶菌酶发酵罐的温度数学模型；

S1.1:建立化学反应速度方程，对溶菌酶发酵罐进行温度建模；发酵罐内进行的是一级不可逆放热反应

式中，A为菌体种子；B溶菌酶；为E为反应活化能，KJ/mol；R为气体常数；k

S1.2:建立物料平衡算式，对于一个发酵罐来说，在单位时间内进入发酵罐的物料量减去流出发酵罐的物料量，再加上(或减去)由化学反应生成(或消耗)的物料量，应等于该发酵罐内该物料累积量的变化率；由于发酵罐充分搅拌，所以假设反应罐内混合完全，故罐内的温度、密度以及A反应物的分子浓度处处相等；

对于发酵罐，其总的物料平衡方程为：

式中F

而反应物A的物料平衡算式为

式中，C

S1.3:建立热量衡算式，以发酵罐为隔离体，有热量平衡关系可知：

式中，H

为处理问题方便，令夹套内冷却剂温度与冷剂出口温度T

式中，C

同样可得夹套内冷凝水的热量衡算式为：

式中，C

因为发酵罐与夹套内的容积均保持不变且进出反应物料的密度相同，由式(2)可得F＝F

/>

S1.4:非线性模型的线性化，上面推导得到的式(7)～(9)为非线性动态方程；为了便于应用现行控制理论来分析小扰动下的动态行为，需要对上述方程进行线性化；该发酵罐系统的状态变量为{c

发酵罐系统状态与输入变量的稳态值为

式中，

同样，由式(8)和式(9)可得：

若令Z＝{Δc

式中：

状态方程式综合反映了发酵罐温度系统输入(包括操控变量与外部扰动)对发酵罐温度系统输出的动态特性，可作为对象稳定性分析与现行控制方法设计的基础。

S2,通过测量采集发酵罐内溶菌酶温度、密度、流量和体积，将获取后的具体参数带入建立好的数学模型得到相应的传递函数；

采集发酵罐内溶菌酶温度、密度、流量、体积以及发酵罐夹套容积以及冷凝剂体积，根据发酵罐参数以及溶菌酶发酵工艺确定传热面积、传热系数、比热容、冷凝剂密度、反应活化能、气体常数以及反应频率因子；将采集来的参数进行分析整定带入步骤S1建立好的数学模型中，得出本发明所需的具体传递函数，函数如下：

S3,利用随机游动策略和莱维飞行策略对鲸鱼优化算法进行增强，增强鲸鱼优化算法在处理复杂问题时的全局寻优能力；

S3.1:鲸鱼优化算法的建立需要三个主要步骤，首先是包围猎物，假设在D维空间中，当前最佳鲸鱼个体X

C

A

其中

S3.2:其次是发泡网攻击，发泡网攻击是座头鲸独有的吐气泡捕食行为，为了模拟这种捕食行为，现分别设计两种数学模型表达上述捕食行为；

收缩包围机制：这种捕食行为与上述包围猎物行为的数学模型几乎相同，区别之处在于A

螺旋更新位置：当前鲸鱼个体以螺旋式的方式向当前最佳鲸鱼个体靠近，模拟座头鲸的螺旋形运动如下式：

其中b为对数螺旋形状常数，l为-1～1之间的随机数；座头鲸在围捕猎物时，不仅收缩包围圈，而且以螺旋形式向猎物游走，因此各以50％的概率选择收缩包围圈，或是选择以螺旋形式向猎物游走，数学模型如下：

S3.3:最后是搜索捕食，在收缩包围的捕食行为的数学模型中A

S3.4:莱维飞行策略能够使鲸鱼个体广泛存在于搜索范围内，为了提高鲸鱼优化算法的局部寻优能力，我们引入随机游动策略使鲸鱼在相对集中的范围内寻找最优值；

莱维飞行是指步长的概率分布服从重尾分布的随机行走，可以在不确定的环境中能够以最大限度提高资源的搜索效率；莱维飞行因其是以极大的概率进行小区域游走搜索，而以较小的概率进行长距离飞行，所以它具有良好的全局搜索能力；

莱维飞行使用下式进行个体位置更新：

其中，levy(λ)表示服从莱维分布的步长，并且满足levy～u＝t

由于生成一个服从莱维分布的随机数比较复杂，目前常使用Mantegna方法得到莱维飞行的步长s，公式如下：

其中，γ取值通常为1.5；μ和ν服从正态分布，其定义分别如下：

S3.5:随机游动是指群体所做的永不停息的无规则运动，是布朗运动的理想数学状态；随机游动利用交叉和混合变异产生一定的新解，可以增强群体的多样性，能够有效避免陷入局部最优解，从而提高算法的局部搜索能力；在智能群体算法中引用随机游动策略可以提高寻找最优解的速度；随机游动策略的更新公式如式

其中，ε是缩放因子，ε～U(0,1)；x

S3.6:建立完成随机游动策略与莱维飞行策略后，鲸鱼优化算法在寻优的过程中，当随机个体值满足等于最有个体值或次优个体值或第三优个体值且小于

S4,搭建LSTM神经网络模型，为PID算法寻找最为关键的K值以加快寻优速度、减小超调量和提高稳定速度；

LSTM神经网络与递归神经网络(RNN)最大的区别是多了门的存在，门的使用可以使有用信息流流通，没有用的信息流被阻挡；门实际上使一层全连接层，输入为一个向量，输出是0到1之间的实数向量；门的权值向量和偏置分别用W和b来表示，则门可以用下公式表示：

其中，σ为sigmoid函数即

门的输出是0到1之间的实数向量，因此，当门输出为1时，其相乘与任何向量都会保持不变，相当于没有任何的改变；输出为0时，其相乘与任何向量都为0向量，相当于任何数据都不会通过；因为sigmoid函数的值域为(0，1)，因此门的状态都是半开启半闭合的状态；

LSTM单元状态c(cell state)的内容是用两个门来控制的，一个是输入门，它用来决定当前有多少的输入即x

i

f

其中，W

LSTM当前输入状态是用单元状态

其中W

当前时刻的单元状态c

上式中，符号

上式中新的单元状态c

其中W

而LSTM的最终输出是由单元状态和输出门共同确定，输出公式如下：

S5,运用改进后的鲸鱼优化算法为神经网络LSTM优化初始参数；

通过改进后的鲸鱼优化算法为神经网络LSTM提供初始参数,将LSTM神经网络的初始权值设置为S3步骤中所表述的改进的鲸鱼优化算法(LRWOA)的鲸鱼个体，将LSTM神经网络的反向传播算法设置为LRWOA的适应度函数，当LRWOA满足小于所给的适应度函数时，就得到由LRWOA迭代优化后得到的神经网络初始权值W

S6,在S3、S4、S5步骤基础上构建LSTM-PID算法，算法将LSTM的输出设置为PID的三个参数K

S6.1:构建PID控制算法，并将PID控制算法与LSTM神经网络相结合，确定LSTM神经网络学习速率η和惯性系数α，将初始时刻m设置为1；

S6.2:通过设置目标温度r(m)以及通过测量采样得到的实际温度y(m)，得到此刻的误差e(m)，e(m)的计算公式为e(m)＝r(m)-y(m)；

S6.3:将r(m),y(m),e(m),e(m-1),e(m-2)作为LSTM神经网络的输入，将初始值r(0)、y(0)、e(0)、e(-1)、e(-2)设置为0；

S6.4:将LSTM神经网络的输出设置为PID控制器的三个可调参数K

S6.5:计算PID控制器的输出Δu(m)：

S6.6:将y(m)与r(m)的差值e(m)设置为LSTM神经网络的误差，进行LSTM神经网络学习，在线调整神经网络权值参数，实现对控制器参数的自适应调整；

S6.7:当e(m)小于设置的阈值后则停止调整控制器参数，确定最终的控制器参数并带入PID控制器中得到控制参数。

S7,将LSTM-PID算法得到的控制参数传递到发酵罐生产控制系统中进行温度控制；

图6是本发明实施例测试结果图。

以上内容是结合具体/优选的实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员，在不脱离本发明构思的前提下，其还可以对这些已描述的实施方式做出若干替代或变型，而这些替代或变型方式都应当视为属于本发明的保护范围。

本发明未详细说明部分属于本领域技术人员公知技术。