Abstract
本研究之主要目的，是設計出一種"改良式之移動視窗類神經網路(IMWNN) "，並將其應用在離胺酸饋料批式醱酵製程之動態摸擬上。利用此IMWNN所建立之不同類型的神經網路估計器(NNE)，可被用來線上估算該醱酵程序之各種狀態變數。同時，利用某些 NNE可完成一個組合式神經網路數學模式，並可用此模式來尋找該醱酵程序之最適化設定點路徑。為了取樣的方便與一致性，吾人開發出自動取樣裝置。由於採用了此種裝置，使得取樣之循環迴流具有機械式消泡的作用。研究中發現此種消泡作用不僅可避免消泡劑之添加，並且可將離胺酸產率提高了約20 %。在醱酵程序的狀態估算上，針對特定性質之狀態變數，可採用不同功能之 NNE。這些NNE曾被使用在不同的案例中，諸如：(1)線上不可量測變數(消耗糖(CSC), 離胺酸(Lys), 及菌體吸光度(OD)之估算；(2)線上可量測變數(氧氣(O2)及二氧化碳(CO2)之估算；(3)控制變數(攪拌速率(agi)之估算；以及 (4)具有較大雜訊之變數(溶氧(DO)的估算上。以這些 NNE進行線上估算或動態摸擬的結果顯示出，採用此種方式確實能令人滿意。在糖蜜的進料方面，醱酵液中之殘糖濃度(RSC)係經由CSC計算而得，後者可利用NNE1線上估算出來。配合簡單之"補償式進料策略"，可將 RSC值維持在不可醱酵糖濃度(NFS)上方 0.5%(w/v)之固定設定點軌跡上。以此種控制方式所得到之離胺酸產率，較以往之固定體積進料流速 ( 0.5%(w/v)/h)的控制結果提高了25%左右。在 RSC之最適化設定點路徑的搜尋上，可採用組合式神經網路模式，配合簡化之動態規劃法來達成。在研究過程中發現了一種更佳的起始進料判斷方式，亦即：當RSC之值掉到NFS+1.3%(w/v)之設定點上即開始進料。同時將RSC之值維持在此設定點軌跡上約22小時，再緩緩降至NFS上。與前述之固定設定點軌跡進料策略的理論最佳軌跡 (NFS)相比，採用此種最適化設定點路徑其離胺酸淨利值大約提高了3%左右。在本研究中，各個 NNE可以分別獨立、亦可組合使用。在使用此模式進行研究時，既不需要對程序有太深入的了解、也不必對程序進行分段處理。而當菌體的活性發生明顯的改變、或有新的數據組產生時，採用此種架構亦可以很輕易地進行重新訓練。此種方法將可提供類似程序進行線上監視、控制及最適化路徑搜尋時之借鏡。