| 摘要 | 第1-5页 |
| Abstract | 第5-7页 |
| 目录 | 第7-10页 |
| 第一章 绪论 | 第10-25页 |
| ·概述 | 第10-12页 |
| ·好氧发酵概述 | 第10-11页 |
| ·主要好氧发酵产品 | 第11-12页 |
| ·国内外研究进展 | 第12-22页 |
| ·典型好氧发酵过程存在的问题及其相应工程技术解决方案 | 第12-15页 |
| ·发酵过程模型 | 第15-16页 |
| ·发酵过程控制 | 第16-18页 |
| ·发酵故障诊断 | 第18-19页 |
| ·人工智能技术 | 第19-22页 |
| ·本论文主要研究内容 | 第22-25页 |
| ·本论文所要着眼解决的，典型好氧发酵过程的问题 | 第22-23页 |
| ·本论文的主要研究内容 | 第23-25页 |
| 第二章 毕赤酵母发酵生产猪α干扰素过程的智能型状态预测 | 第25-35页 |
| ·引言 | 第25-26页 |
| ·材料与方法 | 第26-27页 |
| ·主要仪器与设备 | 第26页 |
| ·实验菌株 | 第26页 |
| ·培养基 | 第26页 |
| ·测定方法 | 第26-27页 |
| ·发酵条件以及发酵数据的在线采集 | 第27页 |
| ·各状态预测模型的建立及参数确定 | 第27-32页 |
| ·模型输入/输出变量的选择 | 第27-28页 |
| ·模型种类的选择 | 第28页 |
| ·各类模型回归或训练数据的处理 | 第28-29页 |
| ·模型参数的确定 | 第29-32页 |
| ·结果与讨论 | 第32-34页 |
| ·各模型预测性能的比较 | 第32-33页 |
| ·各模型预测性能差异的原因分析 | 第33页 |
| ·抗病毒活性对各发酵参数的感度分析 | 第33-34页 |
| ·本章小结 | 第34-35页 |
| 第三章 利用基于乙醇在线测量的甘油流加策略稳定猪α干扰素生产 | 第35-49页 |
| ·引言 | 第35页 |
| ·材料与方法 | 第35-38页 |
| ·主要仪器与设备 | 第35页 |
| ·实验菌株 | 第35页 |
| ·培养基 | 第35-36页 |
| ·细胞培养和 pIFN-α诱导表达方法 | 第36页 |
| ·发酵不同阶段，乙醇和甲醇浓度的在线测量 | 第36-37页 |
| ·基于乙醇在线测量的改良型 DO-Stat 甘油流加控制策略 | 第37-38页 |
| ·分析测定方法 | 第38页 |
| ·结果与讨论 | 第38-48页 |
| ·pIFN-α发酵过程的多变量聚类分析 | 第38-40页 |
| ·使用传统 DO-Stat 法流加甘油时的 pIFN-α发酵性能 | 第40-41页 |
| ·细胞培养期，利用甲醇测量装置/电极在线测量乙醇浓度 | 第41-42页 |
| ·细胞培养期内乙醇积累抑制 pIFN-α表达 | 第42-43页 |
| ·利用改良型 DO-Stat 甘油流加策略控制乙醇浓度，稳定 pIFN-α表达性能 | 第43-46页 |
| ·不同甘油流加条件对甲醇代谢关键酶基因的转录水平和 AOX 活性的影响 | 第46-48页 |
| ·毕赤酵母生产 pIFN-α诱导阶段的诱导强度与耗氧特性 | 第48页 |
| ·本章小结 | 第48-49页 |
| 第四章 利用模糊共混流加诱导控制系统提高 Cap 蛋白发酵性能 | 第49-63页 |
| ·引言 | 第49页 |
| ·材料与方法 | 第49-53页 |
| ·主要仪器与设备 | 第49页 |
| ·实验菌株 | 第49页 |
| ·发酵培养基 | 第49-50页 |
| ·重组毕赤酵母分批补料发酵表达 Cap 蛋白 | 第50页 |
| ·分析测定方法 | 第50页 |
| ·模糊逻辑控制系统的构建 | 第50-52页 |
| ·自动控制程序设计及操作 | 第52-53页 |
| ·结果与讨论 | 第53-62页 |
| ·利用基于模糊推理的甲醇/山梨醇自动共混流加诱导系统稳定 DO 控制水平 | 第53-55页 |
| ·利用基于模糊推理的甲醇/山梨醇自动共混流加诱导系统适度限制甲醇消耗 | 第55-57页 |
| ·利用基于模糊推理的甲醇/山梨醇自动共混流加诱导系统强化 Cap 蛋白表达 | 第57-58页 |
| ·不同诱导策略下，Cap 蛋白表达生产的代谢分析 | 第58-61页 |
| ·模糊推理型甲醇/山梨醇共混流加诱导控制系统的鲁棒性能 | 第61-62页 |
| ·本章小结 | 第62-63页 |
| 第五章 基于支持向量机和模糊推理的智能型故障诊断系统构建 | 第63-75页 |
| ·引言 | 第63-64页 |
| ·材料与方法 | 第64-65页 |
| ·主要仪器与设备 | 第64页 |
| ·实验菌株 | 第64页 |
| ·培养基 | 第64页 |
| ·分析方法 | 第64页 |
| ·发酵条件及在线数据采集 | 第64-65页 |
| ·故障诊断系统的构建和算法 | 第65-69页 |
| ·SVM 算法以及分类器的构建 | 第65-67页 |
| ·基于 SVM 和模糊推理的故障诊断系统 | 第67-69页 |
| ·故障诊断系统的计算机模拟仿真研究 | 第69-74页 |
| ·初始生物素含量波动时的谷氨酸发酵状态仿真模型 | 第69-71页 |
| ·仿真数据的生成 | 第71-72页 |
| ·计算机模拟仿真的结果 | 第72-74页 |
| ·本章小结 | 第74-75页 |
| 第六章 利用智能型在线故障诊断系统稳定谷氨酸发酵性能 | 第75-86页 |
| ·引言 | 第75页 |
| ·材料与方法 | 第75-76页 |
| ·主要仪器与设备 | 第75页 |
| ·实验菌株 | 第75页 |
| ·培养基 | 第75页 |
| ·分析方法 | 第75页 |
| ·发酵条件及在线数据采集 | 第75-76页 |
| ·在线故障诊断系统的构建 | 第76-77页 |
| ·SVM-BTA/FUZZY 结合型的在线故障诊断系统 | 第76页 |
| ·基于 BP-ANN 网络模型的在线故障诊断系统 | 第76-77页 |
| ·结果与讨论 | 第77-84页 |
| ·不同初始生物素浓度下的谷氨酸发酵模式 | 第77-78页 |
| ·基于 SVM-BTA/FUZZY 和 BP-ANN 模型的谷氨酸发酵在线故障诊断结果 | 第78-80页 |
| ·利用 SVM-BTA/FUZZY 故障诊断系统挽救“错误”发酵，稳定发酵性能 | 第80-81页 |
| ·存在故障及挽救有初期“错误”的发酵批次的代谢途径关键酶活性变化 | 第81-84页 |
| ·本章小结 | 第84-86页 |
| 主要结论与展望 | 第86-88页 |
| 主要结论 | 第86页 |
| 展望 | 第86-88页 |
| 论文创新点 | 第88-89页 |
| 致谢 | 第89-90页 |
| 参考文献 | 第90-98页 |
| 附录 作者在攻读博士学位期间发表的论文 | 第98页 |
