头孢菌素C发酵过程状态变量及效益函数预报方法

摘要

生物发酵过程中关键变量（如产物浓度和基质浓度等）是过程监控和控制的重要依据，难以在线测量，通常采用离线取样分析获得，取样时间间隔长，数据滞后大，难以满足实时控制的需要．近年来提出的各种软测量方法在一定程度上解决了该问题，但这些方法在预报精度上尚有欠缺，且预报区间较短．文献[5]提出了一种基于神经网络的滚动学习-预报技术，并将该技术用到生产波动相对较小的青霉素发酵过程中，实现了产量的高精度、宽区间的预报，但在生产波动较大的发酵过程中是否适用仍需进一步的探讨．