青霉素作为一种重要的抗生素是通过发酵进行生产的,其发酵过程是一个极为复杂的难以建立准确机理模型的生化反应过程,具有强非线性、时变性和不确定性等特点。为了对发酵过程进行优化与控制,要求对其中重要的生物量如基质浓度、菌体浓度,以及青霉素浓度等进行实时监测。目前,主要是通过取样离线化验对这些生物量进行检测,具有很大的时滞性,而且取样时可能会使发酵罐感染杂菌,导致青霉素产量与质量下降。青霉素浓度是最重要的一个生物量,本文对其在线预报方法进行深入研究。目前,一般是建立一个全局预报模型对青霉素浓度进行在线预报。但是当发酵初始条件及操作参数的波动增大时,发酵批次间差异就随之增大,全局预报模型由于模型单一而导致预报精度下降,预报误差增大。针对上述不足,本文提出一种多模型建模方法。首先采用减聚类法对样本中的批次按发酵初始条件和操作参数自动划分类别,使得类中批次差异尽可能小,类间批次差异尽可能大。然后以批次为单位建立各批次RBF神经网络预报模型。在着重分析发酵过程机理及工艺基础上,确定关键过程变量作为RBF神经网络的输入,包括采样时间、培养体积、二氧化碳浓度、溶解氧浓度、pH、发酵罐温度、空气流率、搅拌器功率、补给基质流率和补给基质温度。RBF神经网络训练算法采用基于减聚类的K-均值梯度算法,该算法根据训练数据的特点自动确定网络隐层神经元的个数,对网络径向基函数中心、基宽,以及网络隐层到输出层的权系数均进行训练调整,使得建模精度更高。采用类内各批次模型最优加权组合的方法建立类预报模型,通过极小化类内所有批次模型的加权组合预测误差平方和求取加权系数,使得类模型是该类的一个最优模型。这样针对发酵过程批次间波动较大情形形成类模型库。当进行青霉素浓度在线预报时,以当前批次发酵初始条件和操作参数与各类中心距离最小为依据选择类模型作为预报模型。最后,利用Pensim青霉素发酵仿真平台,采用正交试验方法设计批次少、信息全面且分布均匀的建模样本,对提出的预报方法进行实验仿真。结果表明,发酵过程批次间波动较大时,预报模型的精度与泛化能力均得到了很好的保证,较单一模型效果要好。