0 引言

    抗生素對致病微生物具有較好的抑制和滅殺作用，具有較廣泛的臨床應用，隨著其應用需求不斷擴大，提高其生產效率并降低生產成本成為相關生產企業提高企業效益的研究重點。目前，抗生素發酵異常報警系統已在各醫藥生產企業得到普遍應用，它加快了檢測速度，提高了檢驗結果的準確性，對生產異常的分析和診斷起了重要的作用。但常規檢驗結果只提供測試結果及參考范圍，還需經驗豐富的工人進一步解讀及分析^[1]。

    抗生素發酵過程的影響因素和采樣參數類型繁多、工藝復雜，很難建立精確的數學模型^[2]。因此，本文引入了一種基于Snort推理結構的專家診斷系統，該系統利用Snort擴展性強、靈活性高、占用資源少的特點，設計出一種以專家經驗、混合推導規則以及異常案例為知識源的知識庫，并將基于Snort高效匹配規則的推理機與產生式樹形結構的知識庫相結合，有效解決了專家診斷系統普遍存在的知識組合崩潰、推理速度慢、推理能力差等問題，能實時根據專家經驗定位和分析異常情況并提出改善、處理方法^[3]。實踐證明，本文設計的專家診斷系統操作簡單，性能穩定，除具有分析異常情況的功能之外，還能生成常見問題處理辦法，為工人進一步診斷提供了參考，也有利于及時處理異常情況，對提高醫藥生產企業生產效率具有一定的現實意義。

1 抗生素發酵工藝

1.1 發酵過程及工藝

    抗生素發酵過程中需要根據工藝要求，保證各級發酵罐中的各項環境條件，進而促進菌體的生長和增殖。抗生素發酵過程可采用補料分批發酵的方式，在發酵過程中需要根據發酵狀態間歇地補加新鮮培養基，使發酵罐內維持適當的基質濃度，基質濃度過低會導致菌體營養不足，進而代謝減緩；基質濃度過大會造成阻遏效應，使溶解氧濃度變小，同樣影響次級代謝產物的分泌^[4，5]。

    從發酵前對發酵罐、管道和培養基的消毒滅菌等準備工作，到發酵過程中培養基的添加、溫度的調節、去泡沫、空氣流量的調節等操作，都需要獲取現場實時數據，通過專家經驗進行實時推理，對發酵狀態和異常進行診斷，并輔助用戶進行異常的確認與排除，以使發酵過程按照預期的軌跡進行，進而實現較高的發酵率^[6]。

1.2 發酵過程的異常管控

    發酵過程應根據發酵的菌齡，結合當前發酵的狀態，不斷調整相關參數，以使發酵過程朝著產品數量更多、質量更好的方向進行。以青霉菌為例，生長適宜溫度為30 ℃，合成適宜溫度25 ℃。在生長期需要設定提高溫度，縮短生長時間；而在生產階段可以適當降低溫度以促進次級代謝產物的合成，溫度的控制通過對冷卻水流量的控制進行調節。適宜代謝產物合成的酸堿度pH范圍為6.4～6.6，應避免超過7.0，因為在堿性條件下代謝產物不穩定，易水解。當pH值異常時，可向發酵罐注入氨水或者增加糖以達到調節目的。泡沫過多時加入消泡劑，進而避免漏液及其引起的染菌^[7]。溶解氧是微生物發酵過程中最為重要的參數之一，調節攪拌電機的轉速和空氣通入量是調節溶解氧的兩個重要方法。在微生物發酵過程中還需進行營養物質的補充，以保證微生物的生長和產物的代謝。

2 專家診斷系統基本原理

    基于專家系統的抗生素發酵過程異常診斷系統總體結構如圖1所示。系統通過現場傳感器采集發酵罐內部的發酵罐溫度、壓力、攪拌轉速、pH值、溶解氧濃度等參數值，并由系統自動存儲到綜合數據庫中，通過推理機讀取數據，并結合知識庫和推理規則庫，推理分析得出最優結論并通過解釋程序說明推理過程和結果，最后通過人機接口供用戶查閱。專家也可通過專家接口管理擴充知識庫，進一步提高系統的診斷水平和技術成熟度。

    針對抗生素發酵工藝特點，本專家系統主要由知識庫、推理機、人機接口、系統綜合數據庫、解釋機等部分組成。系統綜合數據庫主要存放系統配置數據、發酵過程歷史數據和推理過程中間數據。解釋機根據推理機推出的結論結合知識庫中的專家知識，定位可能存在的異常問題點，搜索并提取知識庫中基于專家經驗的相應解決方案。

3 知識庫的建立

    發酵異常知識庫主要存放由專家經驗轉化的知識條目。發酵異常知識庫以關系型數據庫技術設計出一種產生式樹形結構的形式進行構造，包含異常故障樹的映射和索引，可通過人機接口進行管理[8]。為了提高推理機的推理效率，知識庫中的知識條目采用了產生式規則的表達形式。

    產生式規則的一般形式是：

    If X Then Y (C)

其中，X是產生式的前提條件，Y是產生式的動作或結論，C為可信度。

    為提高知識表達的清晰度和明確性并簡化異常診斷推理步驟，提高診斷效率，將知識庫按照如下模塊進行劃分：

    (1)關聯模型知識：描述發酵系統常態運行時變量之間的關聯規則和可信度，可判斷系統是否偏離預訂的發酵工藝軌跡，確定異常基礎信息。

    (2)異常原型知識：分為設備異常知識庫和發酵參數異常知識庫，通過對專家經驗進行提煉進而獲取。

    (3)解決方案知識：分為設備異常排除知識庫和發酵異常處理知識庫，是對各種異常情況處理方法的總結和匯總。

    如圖2所示為知識庫的結構及其匹配方向圖，現場采樣的數據在關聯模型知識庫中搜索參數約束條件，找到對應超出約束的規則條目并得出失配原因，并在異常原型知識庫中進一步搜索異常原因，最后在解決方案知識庫中搜索解決方案。

    發酵異常知識數據庫的表達方法是通過關系數據庫進行實現的，這種數據結構具有較好的靈活性，方便功能的實現和后期管理。

4 推理機及推理規則

    推理機結合發酵參數和內置推理規則，通過雙向混合推理在知識庫中進行匹配，列出所有結論并按優先級及可信度排序。使用知識庫中的映射關系和推理規則進行推導求解。

    推理機采用特定的搜索策略與發酵異常知識庫中的知識條目進行匹配，其過程包括規則推理、沖突消除、執行規則等階段。規則推理是將知識庫中的知識與規則庫中的規則進行匹配的過程，采用基于規則推理的推理方式，根據已知的線索條件以及前提與結論之間的邏輯關系得出結論。當出現多條成功匹配的結論時，一種解決沖突的方法是先隨機選擇一條知識條目，如果執行無效，則回到原始選擇點上，重新選擇知識條目。這樣周期循環，直到找到對應的有效知識條目。這種方法效率低，復雜度大，當數據量較大時，可能會出現惡性循環甚至無解。更為有效的處理方法就是對知識條目進行唯一標識，以知識條目在發酵異常知識庫中的優先級和可信度的設定來對知識條目的選擇進行決策。規則執行是將匹配成功的規則提取出來作為最終結論直接輸出或作為中間結論繼續進行下一輪推理^[9，10]。

    推理策略包括正向推理策略、反向推理策略和混合推理策略。正向推理策略按照從信息條件到最終結論的方向進行推理，可以利用原始發酵數據直接進行推導，可快速實現對原始發酵數據的響應，但推導過程目的性較差，降低了推導效率。反向推理策略與正向策略相反，它是以結論為基礎的推理策略，根據預先設定的結論，反向推導這個結論所需要的條件。這種方法在結論數量較少的求解空間中效率較高，但假設結論的方法具有一定的盲目性，不能充分結合已知條件進行推理，當知識庫容量較大時，推理難度較大。混合推理策略結合兩種方法的優勢，首先根據異常發酵參數進行前向推理，這一過程可能得到幾個結論，這幾個結論都與用戶提供的信息具有一定的關聯度；然后再分別對剛剛得到的結論進行假定，反向推理其對應的知識條目和參數狀態，再與給定數據進行比較，吻合的結論即是最終結論。

    下面舉例說明混合推理的實現方法：系統首先檢測到301罐的溶氧出現異常，然后調用推理機進行處理，推理機在表1所示知識庫中進行規則匹配，得到的匹配規則是Rule n，通過Rule n正向推理，可知301罐的溶氧值過低；然后利用Rule n+1進行反向推理，可得到兩個導致上級異常的原因，由圖3所示推理過程圖，可得到更深層的推理結果，然后通過各規則的優先級設定值，可得出最終結論；最后，利用得到的異常診斷結果在解決方案知識庫中搜索異常處理操作方法。

5 軟件運行效果

    人機接口是用戶與系統的交互平臺，對內主要實現發酵參數數據和發酵過程知識庫的信息交互，對外主要提供專家和操作用戶兩個接口。專家接口是面向發酵領域專家用戶的知識管理接口，可進行知識管理和維護；操作用戶接口是面向現場操作人員的人機接口，可查看對發酵狀態的異常診斷結果。通過知識管理模塊可使用可視化界面將專家輸入的經驗數據轉化知識規則，反之，也可以將知識庫中的知識規則轉化為操作人員易于理解的經驗文本信息。系統可根據發酵參數的監控需要，增刪和修改發酵異常知識庫中的索引信息和映射關系。異常診斷界面如圖4所示。

6 結束語

    針對抗生素發酵過程的工藝特點，本文設計了一種用于抗生素發酵的專家診斷系統，并詳細介紹了產生式知識庫的搭建和基于Snort規則的推理機的設計過程，對推導出的潛在問題進行預警并提取專家知識庫中的處理經驗和方法，進而輔助用戶進行相應操作，實現了自動診斷異常并給出處理辦法的功能，能夠提高發酵過程的發酵率，減少原材料的消耗，給企業帶來較好的經濟效益和社會效益。目前，本文設計的專家診斷系統已成功應用于某醫藥生產企業中，其性能已逐漸趨于完善。

參考文獻

[1] 許文思.中國的抗生素研究和生產[J].中國醫藥工業雜志，1997，28(2)：51-55.

[2] 許亮，李秀喜，郭子明，等．化工過程實時故障診斷專家系統的研究與開發[J].計算機工程與應用，2007，43(8)：245-247.

[3] 關長亮，王貴成，郭懿陽，等．谷氨酸發酵過程專家系統研究[J].沈陽化工大學學報，2012，26(3)：255-259.

[4] 郭江浩，邵惠鶴．生物發酵控制系統及監控軟件的開發[J].微型電腦應用，2004，20(5)：17-20.

[5] 徐曄．專家系統在抗生素發酵過程控制中的應用[J].藥學進展，1997，21(2)：94-97.

[6] 趙巖，何鵬．基于人工智能的生物發酵控制系統方法[J].計算機仿真，2012，29(10)：200-203.

[7] 俞文和，楊紀根．抗生素生產工藝學[M].沈陽：遼寧科學技術出版社，1988.

[8] QIAN Y，LI X X，JIANG Y R，et al．An expert system for real-time fault diagnosis of complex chemical processes[J].Expert Systems with Applications，2003，24(4)：425-432.

[9] GUERREIRO M A，ANDRIETTA S R，MAUGERI F．Expert system for the design of an industrial fermentation plant for the production of alcohol[J].Journal of Chemical Technology and Biotechnology，1997，68(2)：163-170.

[10] 王益玲．基于DCS實時信息的智能故障診斷系統的研究與設計[D]．南京：南京工業大學，2013.