一种酿酒酵母乙醇发酵过程智能反馈补料控制方

本发明乙醇发酵的补料控制，尤其涉及一种酿酒酵母乙醇发酵过程智能反馈补料控制方法。背景技术：1、工业乙醇发酵通常会使用高糖进行分批发酵，因为具有产量高、设备利用率高、能耗低、生产成本低等优点。葡萄糖是细胞的主要碳源和能源，在细胞培养过程中被消耗，然后转化为生物量和产物。然而，培养过程维持不同的葡萄糖浓度，细胞代谢状态也随之发生变化。因此，葡萄糖浓度通常是发酵过程中一个关键的工艺控制参数。分批发酵模式下初糖浓度高(～30％(w/v))很容易引起高渗透压环境，引起例如活性氧(ros)产生和副产物如甘油的积累，从而影响酵母的正常生理代谢及乙醇发酵能力。补料分批发酵可以有效降低高糖引起的抑制现象，不再是一次性将底物加入发酵液中，而是通过控制补糖的速率，适配酵母的代谢速率，以确保糖浓度保持在恒定的最佳浓度。2、现有技术中，通过在线电容值监测的葡萄糖补料分批的方式中，初始葡萄糖浓度为90～110g/l时，发酵过程中菌生长状态最好，并且以补料的形式将过程中葡萄糖浓度控制在100g/l以下时，相对于分批发酵批次乙醇产量提高了15.4％。但是并未对控制过程糖浓度做更为细致的探究，在过程控制也是采用手动控制，没有进行在线反馈控制，控制误差范围大。由于发酵过程中残糖浓度的检测通常采用人工取样和传统的离线分析，过程频繁取样不仅存在污染风险，而且会由于培养液体系的扰动影响细胞代谢。同时，离线分析非常耗时，需要样品前处理和利用例如高效液相色谱法(hplc)等仪器进行分析，对过程的反馈难以执行。技术实现思路1、本发明解决的技术问题是：现有技术中未对控制过程糖浓度做更为细致的探究，在过程控制也是采用手动控制，没有进行在线反馈控制，控制误差范围大。由于发酵过程中残糖浓度的检测通常采用人工取样和传统的离线分析，过程频繁取样不仅存在污染风险，而且会由于培养液体系的扰动影响细胞代谢。同时，离线分析非常耗时，需要样品前处理和利用例如高效液相色谱法(hplc)等仪器进行分析，对过程的反馈难以执行。2、为解决上述技术问题，本发明提供如下技术方案：一种酿酒酵母乙醇发酵过程智能反馈补料控制方法，包括对光谱进行采样，获取采样光谱；将所述采样光谱输入基于光谱扩增的二维卷积神经网络中；采用均方误差作为损失函数，使用adam优化器在训练拉曼浓度预测模型时更新网络权重，得到最优解，对拉曼浓度预测模型进行更新；采集发酵罐中的当前光谱数据，将所述当前光谱数据输入到更新后的拉曼浓度预测模型中，输出葡萄糖浓度值，根据所述葡萄糖浓度值补充高浓度葡萄糖水溶液。3、作为本发明所述的酿酒酵母乙醇发酵过程智能反馈补料控制方法的一种优选方案，其中：对光谱进行连续采样，获得多条光谱。4、作为本发明所述的酿酒酵母乙醇发酵过程智能反馈补料控制方法的一种优选方案，其中：将所述多条光谱拼接形成采样光谱。5、作为本发明所述的酿酒酵母乙醇发酵过程智能反馈补料控制方法的一种优选方案，其中：基于光谱扩增的二维卷积神经网络包括卷积层、bn层和全连接层。6、作为本发明所述的酿酒酵母乙醇发酵过程智能反馈补料控制方法的一种优选方案，其中：所述卷积层包括第一卷积层、第二卷积层和第三卷积层；7、第一卷积层的卷积核为5×5，卷积核个数为8，输入为6×511×8；8、第二卷积层的卷积核为3×3，卷积核个数为16，输入为4×509×16；9、第三卷积层的卷积核为2×2，卷积核个数为32，输入为3×508×32。10、作为本发明所述的酿酒酵母乙醇发酵过程智能反馈补料控制方法的一种优选方案，其中：所述第一卷积层、第二卷积层和第三卷积层采用relu激活函数，进行激活。11、作为本发明所述的酿酒酵母乙醇发酵过程智能反馈补料控制方法的一种优选方案，其中：所述bn层包括第一bn层、第二bn层和第三bn层；12、第一卷积层连接第一bn层；13、第二卷积层连接第二bn层；14、第三卷积层连接第三bn层。15、作为本发明所述的酿酒酵母乙醇发酵过程智能反馈补料控制方法的一种优选方案，其中：采用均方误差作为损失函数，使用adam优化器在训练拉曼浓度预测模型时更新网络权重，得到拉曼浓度预测模型最优解包括：16、计算当前参数的梯度gt，其数学表达式为：17、18、其中，ft(θ)表示在时间步t下的损失函数，更新一阶矩的估计和二阶矩的估计，其数学表达式为：19、mt＝β1·mt-1+(1-β1)·gt20、vt＝β2·vt-1+(1-β2)·gt221、计算偏差校正后的一阶矩的估计和二阶矩的估计，其数学表达式为：22、23、使用偏差校正后的一阶矩的估计和二阶矩的估计来调整参数，以此来更加精确地估计参数的下降方向，其数学表达式为：24、25、其中，t表示当前迭代次数，θ表示拉曼浓度预测模型参数，α表示学习率，mt表示一阶距的估计，vt表示二阶矩的估计。26、作为本发明所述的酿酒酵母乙醇发酵过程智能反馈补料控制方法的一种优选方案，其中：采集发酵罐中的当前光谱数据，将所述当前光谱数据输入到更新后的拉曼浓度预测模型中，输出葡萄糖浓度值，若所述葡萄糖浓度值低于预设的葡萄糖浓度阈值，补充高浓度葡萄糖水溶液，直到葡萄糖浓度值达到所述葡萄糖浓度阈值。27、本发明的有益效果：本方法通过拉曼浓度预测模型能够学习、调整，提高分类准确率，对生物反应器中酿酒酵母乙醇发酵过程中的葡萄糖浓度、甘油浓度和乙醇浓度进行实时在线预测。相对比常规检测方法，检测快速且对发酵过程几乎没有影响，减少染菌风险，并且能够实现在线监测如乙醇等挥发性物质浓度，还可以在线监测葡萄糖和甘油等非挥发性物质浓度，弥补了检测原理上的不足。技术特征：1.一种酿酒酵母乙醇发酵过程智能反馈补料控制方法，其特征在于，包括：2.如权利要求1所述的酿酒酵母乙醇发酵过程智能反馈补料控制方法，其特征在于：对光谱进行连续采样，获得多条光谱。3.如权利要求2所述的酿酒酵母乙醇发酵过程智能反馈补料控制方法，其特征在于：将所述多条光谱拼接形成采样光谱。4.如权利要求3所述的酿酒酵母乙醇发酵过程智能反馈补料控制方法，其特征在于：基于光谱扩增的二维卷积神经网络包括卷积层、bn层和全连接层。5.如权利要求4所述的酿酒酵母乙醇发酵过程智能反馈补料控制方法，其特征在于：所述卷积层包括第一卷积层、第二卷积层和第三卷积层；6.如权利要求5所述的酿酒酵母乙醇发酵过程智能反馈补料控制方法，其特征在于：所述第一卷积层、第二卷积层和第三卷积层采用relu激活函数，进行激活。7.如权利要求6所述的酿酒酵母乙醇发酵过程智能反馈补料控制方法，其特征在于：所述bn层包括第一bn层、第二bn层和第三bn层；8.如权利要求7所述的酿酒酵母乙醇发酵过程智能反馈补料控制方法，其特征在于：采用均方误差作为损失函数，使用adam优化器在训练拉曼浓度预测模型时更新网络权重，得到拉曼浓度预测模型最优解包括：9.如权利要求8所述的酿酒酵母乙醇发酵过程智能反馈补料控制方法，其特征在于：技术总结本发明公开了一种酿酒酵母乙醇发酵过程智能反馈补料控制方法，包括对光谱进行采样，获取采样光谱；将所述采样光谱输入基于光谱扩增的二维卷积神经网络中；采用均方误差作为损失函数，使用Adam优化器在训练拉曼浓度预测模型时更新网络权重，得到最优解，对拉曼浓度预测模型进行更新。本方法通过拉曼浓度预测模型能够学习、调整，提高分类准确率，对生物反应器中酿酒酵母乙醇发酵过程中的葡萄糖浓度、甘油浓度和乙醇浓度进行实时在线预测。相对比常规检测方法，检测快速且对发酵过程几乎没有影响，减少染菌风险，并且能够实现在线监测如乙醇等挥发性物质浓度，还可以在线监测葡萄糖和甘油等非挥发性物质浓度，弥补了检测原理上的不足。技术研发人员：王冠,于晓飞,纪凯迪,阮银兰,黄雨,王勇博,陈力凡,庄英萍受保护的技术使用者：华东理工大学技术研发日：技术公布日：2024/8/16