厭氧發酵工藝的BP神經網絡建模與粒子群算法優化

趙孝文，蔣繼成

(黑龍江省科學院技術物理研究所，哈爾濱 150086)

?

厭氧發酵工藝的BP神經網絡建模與粒子群算法優化

趙孝文，蔣繼成

(黑龍江省科學院技術物理研究所，哈爾濱 150086)

為了獲得厭氧發酵裝置的最佳工藝條件參數，以發酵工程產氣的量及質量參數為響應值，建立其BP神經網絡模型；同時利用粒子群算法對網絡模型進行全局尋優，最終獲得最佳厭氧發酵工藝參數。本研究表明，采用BP神經網絡模擬結合粒子群算法的優化方法，對厭氧發酵工藝具有較好的優化效果，為厭氧發酵過程控制提供理論依據。

厭氧發酵； BP神經網絡；粒子群算法

0 引 言

厭氧發酵過程控制是牲畜糞便產沼氣發電工程中的關鍵工序，發酵過程中的溫度的控制、發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酵工程產氣的量及質量的重要參數。因此，如何有效地提高生產的自動化水平，提高沼氣產氣量和質量，保證系統穩定性，這對利用厭氧發酵技術產沼氣工程的推廣應用，具有十分重要的意義[1-2]。

隨著我國生物工程和技術的快速發展，目前控制過程的仿真平臺已越來越多的應用到生物發酵控制過程中。同時微生物厭氧發酵控制過程是一類非線性、時變性、物理上不可逆的復雜生化過程[3]。研究利用現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的輔助變量和離線分析取樣可測的狀態變量結合起來，預測出狀態變量值及模型時變參數值，在實驗數據的基礎上，以LabVIEW和Matlab相結合進行設計[4]，利用BP神經網絡算法建立發酵過程中的溫度和壓力、發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、含氧量等相關參數與發酵工程產氣的量及質量的重要參數之間的數學模型。

利用粒子群算法對相應厭氧發酵過程控制工藝參數進行優化。并且通過MATLAB軟件，對模型進行仿真與預測，利用Labview軟件實現可視化的人機界面，結果表明，精確度可達到0.001，說明采用BP神經網絡模擬結合粒子群算法的優化方法，對厭氧發酵工藝具有較好的優化效果。

1 厭氧發酵參數檢測與選擇

1.1 厭氧發酵檢測數據選擇

從厭氧發酵過程控制工藝參數在實驗測量過程中的精度及實際生產過程中的可控性角度出發，選擇工藝參數為溫度、發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，產氣的量、質量(甲烷的百分含量)作為響應值。

1.2 厭氧發酵檢測結果

課題組利用實驗裝置進行了厭氧發酵實驗。實驗結果，詳見表1。

表1 厭氧發酵實驗數據

2 厭氧發酵模型的建立

2.1 人工神經網絡建模

人工神經網絡( artificial neural networks，ANN)是以實驗數據為基礎，經過有限次迭代計算而獲得的一個反映實驗數據內在規律的數學模型，它特別適合于研究復雜非線性系統的特性，反向傳播(back-propagation，BP)人工神經網絡是最具代表性的誤差反向傳播的多層前饋式網絡。已經證明具有3層結構(只有1個隱含層)的BP網絡能夠逼近任何有理函數，并且單隱層BP網絡的非線性映射能力較強[5]。因此，如圖1給出了本研究采用的3層BP人工神經網絡建模以逼近存在于實驗數據間的函數關系。

圖1 3層BP人工神經網絡

2.2 BP人工神經網絡訓練和預測

利用25組實驗數據作為人工神經網絡訓練樣本，另選擇其他5組數據作為檢驗樣本，運用MATLAB軟件，進行人工神經網絡的訓練和預測。設定BP人工神經網絡訓練循環次數參數為5 000步，訓練誤差目標參數為0.000 01，學習率參數為0.1。

通過應用均方差函數比較目標值和預測值的差異，計算目標值與預測值間的誤差，觀察網絡模型對訓練情況，對網絡擬合圖性能進行評價。產氣量網絡訓練結果顯示，經過605步訓練后，網絡誤差平方和SSE為7.614 910×10-5，達到了設定的最小訓練目標值。產氣質量網絡訓練結果顯示，經過728步,網絡誤差平方和SSE為7.671 8×10-5,達到了設定的最小訓練目標值。

網絡訓練完畢后，利用MATLAB仿真函數sim輸出網絡預測，用5組檢驗樣本來檢驗網絡訓練效果如圖2、圖3所示。預測值與目標值比較說明厭氧發酵工藝參數為溫度、發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，輸出為產氣的量、質量(甲烷的百分含量)關系模型網絡預測性能良好。

圖2 產氣量預測與檢驗值

圖3 質量預測與檢驗值

3 厭氧發酵工藝參數的優化

3.1 參數優化算法的選擇

現在工藝參數優化大多使用的是遺傳算法，但是遺傳算法的編程實現比較復雜，首先需要對問題進行編碼，找到最優解之后還需要對問題進行解碼，另外三個算子的實現也有許多參數，如交叉率和變異率，并且這些參數的選擇嚴重影響解的品質，而目前這些參數的選擇大部分是依靠經驗。應用粒子群優化(Partical Swarm Optimization -PSO)算法，PSO算法屬于進化算法的一種，和遺傳算法相似，它也是從隨機解出發，通過迭代尋找最優解，它也是通過適應度來評價解的品質。但是它比遺傳算法規則更為簡單，它沒有遺傳算法的“交叉”(Crossover)和“變異”(Mutation) 操作，它通過追隨當前搜索到的最優值來尋找全局最優[6-7]。

3.2 厭氧發酵過程控制工藝參數優化

研究通過LabVIEW和Matlab的混合編程的方法實現仿真。通過應用均方差函數比較目標值和預測值的差異，計算目標值與預測值間的誤差，觀察參數優化情況，經過500次循環訓練后，網絡誤差平方和均值為3×10-3，達到了設定的最小訓練目標值。

項目通過五組數據進行厭氧發酵工藝參數優化，通過應用均方差函數比較目標值和預測值的差異，計算目標值與預測值間的誤差，經過689次循環訓練后，網絡誤差平方和均值為3×10-3，達到了設定的最小訓練目標值。結果及過程如圖3～圖10。

圖4 工藝參數優化結果

圖5 溫度參數優化過程圖

圖6 投料濃度參數優化過程圖

圖7 鮮牛糞參數優化過程圖

圖8 水參數優化過程圖

圖9 PH值參數優化過程圖

圖10 含氧量值參數優化過程圖

4 厭氧發酵模型和參數優化可行性的驗證

利用第一組優化后的參數溫度、發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、含氧量輸入到已經建立的模型中，預測輸出產氣的量、質量(甲烷的百分含量)數據。利用優化后的參數溫度、發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，進行厭氧發酵過程控制，預測結果與實際數據(利用優化后的數據進行實驗得到的結果)進行對比，數據詳見表2，檢測結果與仿真結果非常接近，最大相對誤差在2%。表明采用將神經網絡擬合技術和粒子群優化算法結合的方式對氧發酵工藝進行優化是完全可行的。

表2 厭氧發酵實驗裝置檢驗數據、預測數據與實際數據對比

序號檢驗指標預測指標實際數據產氣量/mL質量/%產氣量/mL質量/%產氣量/mL質量/%142155.1642155.4542055.23242456.1242156.3042255.97343456.5543356.4743156.14442955.2842955.3742455.72542255.9442555.742755.61

5 結束語

項目以IMUS高溫厭氧發酵工藝的控制過程為基礎，針對生物發酵過程的時變性和非線性，采用LabVIEW和MATLAB 語言相結合進行系統設計，建立高寒地區高溫厭氧發酵過程控制仿真平臺。系統通過改變控制系統中各控制參數(溫度、壓力、PH值、底物濃度、攪拌時間等)的變化，實現沼氣產氣量和產氣質量的變化情況模擬，解決了高寒地區厭氧發酵工藝過程自動控制由于復雜性和多樣性等因素不能準確的描述工藝參數與控制指標之間的復雜非線性的數學關系。本研究應用人工神經網絡算法準確建立了厭氧發酵過程相關工藝參數與控制指標之間的數學模型，經驗證模型網絡泛化能力較好。

應用粒子群算法對相應厭氧發酵過程控制工藝參數進行優化，并利用厭氧發酵優化后的工藝參數指導生產，效果較好。表明采用將神經網絡擬合技術和粒子群優化算法結合的方式對氧發酵工藝進行優化是完全可行的。

[1] 靳紅梅,付廣青,常志州,等.豬、奶牛糞厭氧發酵中Pb的形態轉化及其分布特征[J]. 農業工程學報，2013(22):18-23.

[2] 劉建禹,陳澤興,李文濤.厭氧發酵反應器一維穩態傳熱模型的建立與驗證[J]. 農業工程學報，2012(17):47-50.

[3] 夏吉慶,馬添翼,畢經毅,等.牛糞厭氧發酵污泥回流試驗[J]. 農業工程學報，2011(4):34-37.

[4] 張紀興,陳燕忠.人工神經網絡建模結合遺傳算法優化崗松油環糊精包合物制備工藝參數[J]. 中國藥科大學報，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中的應用[J]. 機械設計與制造，2011(4):75-77.

[6] 劉華鎣.粒子群優化算法的改進研究及在石油工程中的應用[D]. 東北石油大學，2012.

[7] 劉曉丹.基于粒子群算法的光伏系統最大功率點跟蹤研究[D]. 南京郵電大學，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，研究方向為核電子學與過程控控制。

TP278

B

1009-3230(2015)03-0008-05