发酵过程是一种极其复杂的生化反应过程,不仅具有一般非线性系统的时变性、大惯性、关联性、不确定性等特点,而且由于发酵过程的中的一些重要参数如生物质浓度和产物浓度都不可以在线测量,所以发酵过程的控制比一般的非线性系统更加复杂。由于发酵过程的参数测量技术远远落后于系统实时控制的要求,使得发酵过程的控制难以满足实时性要求。因此,运用故障检测与诊断技术(Fault Detection and Diagnosis:FDD)对发酵过程进行监控和优化就十分必要。近年来,随着人工智能技术的迅速发展,特别是知识工程、专家系统和人工神经网络在诊断领域中的进一步应用。基于人工智能的故障诊断方法得到了更加系统的研究,产生了专家系统故障诊断方法、基于案例的故障诊断方法、神经网络故障诊断方法、模糊故障诊断方法等。与传统故障诊断方法相比,故障智能诊断方法能够模拟人脑的逻辑思维过程,利用专家知识进行推理以解决复杂诊断问题,代表了故障诊断的发展方向。本文研究探讨了利用自联想神经网络(AANN)对谷氨酸发酵进行在线故障诊断的有效性和实用性。自联想神经网络是一种带瓶颈层的、5层结构的特殊神经网络。通过对发酵过程的表观变量进行适当筛选,将某些变量输入到AANN网络中进行训练,发酵过程的关键特征特性可以在瓶颈层得到提取,不同性能的发酵过程可以得到聚类。优化得到的AANN网络可以对谷氨酸发酵进行及时、准确的故障预判,从而为排除故障、尽可能地恢复发酵性能提供信息。针对具有不可在线测量状态量的谷氨酸发酵过程,进行了软测量建模研究,并给出了实验结果。实验结果表明,最小二乘支持向量(LSSVM)针对小样本建模,同样具有很好的预估能力。同时本文提出了基于LSSVM的发酵过程状态变量提前预报技术,在LSSVM软预报技术基础上,以谷氨酸发酵为例,做了在线预报,提出了一些罐批异常判断的定量和定性特征,能够对发酵过程异常及时给出预警,同时在LSSVM软预报技术基础上,利用自联想神经网络(AANN)强大的数据记忆能力,进一步确定故障原因和采取相应的措施。