反应器与传感器解读.ppt

第八章传感器与发酵过程控制 Sensors and probes 尾气分析 一、传感器的类型和原理 发酵过程检测的参数 pH传感器 DO 溶解氧传感器 二、发酵过程控制的特征、参数及测量 发酵过程控制的特征 发酵过程控制的主要常数 三、发酵过程的计算机控制策略 发酵过程的主要控制策略 用于发酵监督与控制的知识库系统（专家库） 研究实例—基于代谢网络模型的谷氨酸发酵在线状态预测 代谢网络模型有效性和通用性在谷氨酸发酵中的验证 (a) 谷氨酸 乳酸 谷氨酸 ?-酮戊二酸 NH4- 基于代谢网络模型的发酵过程在线控制和最优化技术 在线最优化控制策略 (b) 谷氨酸 乳酸 DO=50% DO=10% DO=50% DO=10% *物理意义?尽量降低DO水平，保持细胞产谷氨酸的生理活性；而当DO对乳酸积累的增益K的值过大时（乳酸严重积累），则提高DO的控制水平。 *增益K可以利用DO和（在线推定得到的）乳酸浓度时间序列数据，用最小二乘回归迭代法加以确定?自回归移动平均模型（ARMA） 。 3基于智能识别模型的流加培养过程在线控制 研究思想 在线测定培养液中DO、pH等最易测量的状态变量的时间变化 依据在线生理状态的识别结果确定基质最优流加策略、实现微生物高密度培养、和相应遗传产物的高效表达。 利用人工神经网络（ANN）技术在线识别培养过程所处的生理状态 DO和pH时间变化模式与流加培养过程生理状态存在一一对应关系 通用性强、生理意义明确、仅需测定DO和pH（或RQ）。全新的控制模式 通用于基因重组大肠杆菌、酵母等微生物高密度流加培养系统，表达生产具有高附加值的医药品或生物酶的发酵过程 大肠杆菌流加培养过程中DO和pH变化模式与生理状态的对应关系 DO变化模式： 1）振动 2）非振动 pH变化模式： 1）“高位”振动 2）“低位”振动 3）不振动 状态I：基质过量；状态II：基质匮乏； 状态III：基质浓度适中；状态IV：矛盾状态。 不同的DO和pH的变化模式组合代表了不同的生理状态 实例—DO时间变化模式的人工神经网络在线识别模型 以DO-Stat法为手段，生成DO时间变化的基本模式的实验数据，并在此基础上刻意地施加一定规模的人工模拟信号。得到可覆盖所有可能出现的模式、通用型的ANN在线识别模型。 将所有时间变化模式数据提供给ANN进行大规模的学习训练。输出层输出单元O(3)={O1(3),O2(3)}为{1,0}时代表振动，{0,1}代表非振动。 实例—人工神经网络(ANN)在线识别模型的识别结果 利用ANN模型的E.coli B流加培养溶氧浓度时间变化模式识别的结果 实例—依据在线识别结果的基质最优流加控制策略 E.coli 流加培养中、依据DO和pH时间变化模式的状态判定和基质流加控制策略 过程所处的生理状态（基质过量/匮乏/适中）与主泵F*调节方向（T）的关系 DO 振动 不振动 ? pH 下限振动 状态II，基质 匮乏，T=1 状态I，基质 过量，T= -1 不振动 状态II，基质 匮乏，T=1 状态III，基质浓度适中，T=0 上限振动 状态II，基质 匮乏，T=1 状态II，基质 匮乏，T=1 流加主泵的调节方式 基质浓度调节的控制框图 依据模式识别结果确定过程所处的生理状态，并确定主泵调节方向 反馈控制器 （辅流加泵） 主流加泵 发酵罐 (过程） DO, pH DO,pH 设定值 DO, pH DO模式识别器 pH模式识别器 过程状态识别器 F* ?F F 5基于系统观点的生物反应系统优化技术 研究思想 在某些生物反应过程中，仅对反应单元进行优化难以取得理想效果。 将生物反应视为一个系统，从优化系统内部各要素的功能和相互间的关系、系统与环境的关系入手 使系统的结构、性能和状态达到最优 实例 Production of glutathione by interspecific-Coupled System for ATP Regeneration E.coli Brevibacterium ammoniagenes S.cerevisiae 实例 Performance Evaluation of Acetone-Butanol Continuous Flash Extractive Fermentation Process 计算机模拟的主要结论： *提高基质流加浓度是增强丁醇-丙酮生产强度的最优途径； *提高萃取相流速可以加大生产强度，但必须要以大量增加能耗为代价； *采用两塔闪蒸的方法不可能满足产品纯度要求（纯度?95%），塔1必须要使用2块塔板以上的真空蒸馏； 塔1的塔板数和回流比控制在2-3和1.0-3.0间为佳。 6发酵过程在线检测关键