本發(fā)明涉及生物發(fā)酵工程，尤其涉及ai預(yù)測(cè)指導(dǎo)的γ-pga發(fā)酵培養(yǎng)基智能配方系統(tǒng)及方法。
背景技術(shù)：
1、γ-聚谷氨酸（γ-pga）是一種由微生物發(fā)酵產(chǎn)生的高分子胞外氨基酸聚合物，具有多種優(yōu)良特性，廣泛應(yīng)用于食品、醫(yī)藥、環(huán)保、化妝品和農(nóng)業(yè)等多個(gè)領(lǐng)域。然而，目前γ-pga的生產(chǎn)成本較高，產(chǎn)量較低，主要限制因素之一是發(fā)酵培養(yǎng)基的配方優(yōu)化。傳統(tǒng)的培養(yǎng)基配方優(yōu)化方法耗時(shí)長(zhǎng)、效率低，難以滿足工業(yè)化生產(chǎn)的需求。隨著人工智能技術(shù)的發(fā)展，利用ai技術(shù)預(yù)測(cè)并優(yōu)化發(fā)酵培養(yǎng)基的配方成為可能。
技術(shù)實(shí)現(xiàn)思路
1、本發(fā)明提供了ai預(yù)測(cè)指導(dǎo)的γ-pga發(fā)酵培養(yǎng)基智能配方系統(tǒng)及方法，以解決上述背景技術(shù)中提出的問題。
2、為了實(shí)現(xiàn)上述目的，本發(fā)明采用了如下技術(shù)方案：
3、ai預(yù)測(cè)指導(dǎo)的γ-pga發(fā)酵培養(yǎng)基智能配方系統(tǒng)，包括數(shù)據(jù)采集模塊、ai預(yù)測(cè)模型模塊、配方優(yōu)化模塊、執(zhí)行控制模塊和用戶界面模塊；
4、所述數(shù)據(jù)采集模塊用于采集收集歷史發(fā)酵數(shù)據(jù)，包括培養(yǎng)基成分、發(fā)酵條件以及γ-pga產(chǎn)量，之后再對(duì)數(shù)據(jù)進(jìn)行對(duì)數(shù)據(jù)進(jìn)行清洗和歸一化處理；
5、所述ai預(yù)測(cè)模型模塊用于準(zhǔn)確預(yù)測(cè)不同培養(yǎng)基配方及發(fā)酵條件下的γ-pga產(chǎn)量；
6、所述配方優(yōu)化模塊用于結(jié)合優(yōu)化算法自動(dòng)調(diào)整培養(yǎng)基成分、濃度及發(fā)酵條件，生成最優(yōu)培養(yǎng)基配方及發(fā)酵條件；
7、所述執(zhí)行控制模塊用于根據(jù)最優(yōu)方案自動(dòng)控制發(fā)酵設(shè)備的運(yùn)行。
8、作為本技術(shù)方案的進(jìn)一步改進(jìn)方案：所述ai預(yù)測(cè)模型模塊基于遷移學(xué)習(xí)和物理可解釋的小樣本ai工業(yè)自動(dòng)控制系統(tǒng)構(gòu)建，采用深度學(xué)習(xí)框架實(shí)現(xiàn)，能夠準(zhǔn)確預(yù)測(cè)不同培養(yǎng)基配方及發(fā)酵條件下的γ-pga產(chǎn)量。
9、作為本技術(shù)方案的進(jìn)一步改進(jìn)方案：所述配方優(yōu)化模塊結(jié)合的優(yōu)化算法包括遺傳算法、粒子群優(yōu)化算法。
10、作為本技術(shù)方案的進(jìn)一步改進(jìn)方案：所述執(zhí)行控制模塊用于自動(dòng)控制發(fā)酵設(shè)備的運(yùn)行，包括補(bǔ)料速率、通氣量、攪拌轉(zhuǎn)速、ph值調(diào)節(jié)。
11、作為本技術(shù)方案的進(jìn)一步改進(jìn)方案：所述用戶界面模塊用于提供用戶與系統(tǒng)交互的界面，用戶可以輸入初始條件。
12、本發(fā)明還提出一種ai預(yù)測(cè)指導(dǎo)的γ-pga發(fā)酵培養(yǎng)基智能配方方法，包括以下步驟：
13、第一步，數(shù)據(jù)收集與預(yù)處理：采集收集歷史發(fā)酵數(shù)據(jù)，包括培養(yǎng)基成分、發(fā)酵條件以及γ-pga產(chǎn)量，之后再對(duì)數(shù)據(jù)進(jìn)行對(duì)數(shù)據(jù)進(jìn)行清洗和歸一化處理；
14、第二步，模型訓(xùn)練與驗(yàn)證：利用預(yù)處理后的數(shù)據(jù)訓(xùn)練ai預(yù)測(cè)模型，并通過交叉驗(yàn)證等方法驗(yàn)證模型的準(zhǔn)確性和穩(wěn)定性；
15、第三步，配方與條件優(yōu)化：根據(jù)用戶輸入的初始條件或系統(tǒng)預(yù)設(shè)條件，ai預(yù)測(cè)模型預(yù)測(cè)不同培養(yǎng)基配方及發(fā)酵條件下的γ-pga產(chǎn)量，配方優(yōu)化模塊結(jié)合優(yōu)化算法自動(dòng)調(diào)整培養(yǎng)基成分、濃度及發(fā)酵條件，生成最優(yōu)方案；
16、第四步，執(zhí)行控制與監(jiān)測(cè)：執(zhí)行控制模塊根據(jù)最優(yōu)方案自動(dòng)控制發(fā)酵設(shè)備的運(yùn)行，同時(shí)實(shí)時(shí)監(jiān)測(cè)發(fā)酵過程中的各項(xiàng)參數(shù)，確保發(fā)酵過程按照預(yù)定方案進(jìn)行，其中監(jiān)測(cè)參數(shù)包括溫度、ph值、溶氧量、菌體濃度、底物濃度；
17、第五步，結(jié)果反饋與迭代：發(fā)酵結(jié)束后，測(cè)定γ-pga的產(chǎn)量，將結(jié)果反饋給ai預(yù)測(cè)模型，進(jìn)行模型的迭代優(yōu)化，提高預(yù)測(cè)準(zhǔn)確性。
18、作為本技術(shù)方案的進(jìn)一步改進(jìn)方案：所述第一步中，培養(yǎng)基成分包括如碳源、氮源、無機(jī)鹽、l-谷氨酸鈉，發(fā)酵條件包括溫度、ph值、通氣量、攪拌轉(zhuǎn)速。
19、作為本技術(shù)方案的進(jìn)一步改進(jìn)方案：所述第一步中，對(duì)數(shù)據(jù)進(jìn)行清洗，用于去除異常值和缺失值，其中異常值通過統(tǒng)計(jì)方法識(shí)別并剔除；缺失值通過插值法或均值填充法進(jìn)行處理。
20、作為本技術(shù)方案的進(jìn)一步改進(jìn)方案：所述第一步中，對(duì)數(shù)據(jù)進(jìn)行歸一化處理用于使不同量綱的數(shù)據(jù)具有可比性，歸一化方法采用min-max歸一化或z-score歸一化。
21、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：
22、本發(fā)明設(shè)置通過采用ai預(yù)測(cè)指導(dǎo)的γ-pga發(fā)酵培養(yǎng)指導(dǎo)，優(yōu)化培養(yǎng)基配方及發(fā)酵條件，顯著提高了γ-pga的產(chǎn)量，同時(shí)還可實(shí)現(xiàn)培養(yǎng)基配方及發(fā)酵條件的自動(dòng)化優(yōu)化和發(fā)酵過程的智能化控制，提高生產(chǎn)效率和產(chǎn)品質(zhì)量。
23、上述說明僅是本發(fā)明技術(shù)方案的概述，為了能夠更清楚了解本發(fā)明的技術(shù)手段，并可依照說明書的內(nèi)容予以實(shí)施，以下以本發(fā)明的較佳實(shí)施例并配合附圖詳細(xì)說明如后。本發(fā)明的具體實(shí)施方式由以下實(shí)施例及其附圖詳細(xì)給出。
1.ai預(yù)測(cè)指導(dǎo)的γ-pga發(fā)酵培養(yǎng)基智能配方系統(tǒng)，其特征在于，包括數(shù)據(jù)采集模塊、ai預(yù)測(cè)模型模塊、配方優(yōu)化模塊、執(zhí)行控制模塊和用戶界面模塊；
2.根據(jù)權(quán)利要求1所述的ai預(yù)測(cè)指導(dǎo)的γ-pga發(fā)酵培養(yǎng)基智能配方系統(tǒng)，其特征在于，所述ai預(yù)測(cè)模型模塊基于遷移學(xué)習(xí)和物理可解釋的小樣本ai工業(yè)自動(dòng)控制系統(tǒng)構(gòu)建，采用深度學(xué)習(xí)框架實(shí)現(xiàn)，能夠準(zhǔn)確預(yù)測(cè)不同培養(yǎng)基配方及發(fā)酵條件下的γ-pga產(chǎn)量。
3.根據(jù)權(quán)利要求1所述的ai預(yù)測(cè)指導(dǎo)的γ-pga發(fā)酵培養(yǎng)基智能配方系統(tǒng)，其特征在于，所述配方優(yōu)化模塊結(jié)合的優(yōu)化算法包括遺傳算法、粒子群優(yōu)化算法。
4.根據(jù)權(quán)利要求1所述的ai預(yù)測(cè)指導(dǎo)的γ-pga發(fā)酵培養(yǎng)基智能配方系統(tǒng)，其特征在于，所述執(zhí)行控制模塊用于自動(dòng)控制發(fā)酵設(shè)備的運(yùn)行，包括補(bǔ)料速率、通氣量、攪拌轉(zhuǎn)速、ph值調(diào)節(jié)。
5.根據(jù)權(quán)利要求1所述的ai預(yù)測(cè)指導(dǎo)的γ-pga發(fā)酵培養(yǎng)基智能配方系統(tǒng)，其特征在于，所述用戶界面模塊用于提供用戶與系統(tǒng)交互的界面，用戶可以輸入初始條件。
6.根據(jù)權(quán)利要求1-5任意一項(xiàng)所述的ai預(yù)測(cè)指導(dǎo)的γ-pga發(fā)酵培養(yǎng)基智能配方方法，其特征在于，包括以下步驟：
7.根據(jù)權(quán)利要求6所述的ai預(yù)測(cè)指導(dǎo)的γ-pga發(fā)酵培養(yǎng)基智能配方方法，其特征在于，所述第一步中，培養(yǎng)基成分包括如碳源、氮源、無機(jī)鹽、l-谷氨酸鈉，發(fā)酵條件包括溫度、ph值、通氣量、攪拌轉(zhuǎn)速。
8.根據(jù)權(quán)利要求6所述的ai預(yù)測(cè)指導(dǎo)的γ-pga發(fā)酵培養(yǎng)基智能配方方法，其特征在于，所述第一步中，對(duì)數(shù)據(jù)進(jìn)行清洗，用于去除異常值和缺失值，其中異常值通過統(tǒng)計(jì)方法識(shí)別并剔除；缺失值通過插值法或均值填充法進(jìn)行處理。
9.根據(jù)權(quán)利要求6所述的ai預(yù)測(cè)指導(dǎo)的γ-pga發(fā)酵培養(yǎng)基智能配方方法，其特征在于，所述第一步中，對(duì)數(shù)據(jù)進(jìn)行歸一化處理用于使不同量綱的數(shù)據(jù)具有可比性，歸一化方法采用min-max歸一化或z-score歸一化。