生物发酵过程控制与优化.pptVIP

监督性生理状态控制回路结构 用于PS鉴别和监督的知识库系统 现场控制器 PSV的计算(软传感器) O ------ BR BM MVs EVs PVs PSVs 例如：补葡萄糖速率 IFB 例如：比生长速率、呼吸商 下位机常规控制 上位机基于知识的控制 控制策略改变 控制参数改变 模式识别方法与数据分析 趋势分析：有经验的操作工和工程师根据趋势曲线的特征来判断过程的动向和特性。例如，操作工可能注意摄氧高峰的出现以便启动补料，而工程师可能从DO变化情况来判断优化情况。 他们以随时间的量变曲线或其中一部分来诊断、分析、比较和区分不同发酵过程或改变操作策略对过程的影响。 模式识别步骤 趋势检测 特征提取：用方便的方法描述检测到的趋势。例如每一批的特征用一串字符描述，这些字符表示一系列的具有不同特征的节。 主成分分析 对趋势曲线的滤波 在提取特征前，要从趋势曲线中去除信号噪声和测量噪声。 小波分析 多项式拟合 用提取的特征比较不同的批 用判定树鉴别具有最大判断能力的特征； 用具有最大判断能力的特征比较不同的批，进行工艺优化，获得最佳操作策略（曲线）； 杨建新 2014.10.08 对生物过程控制规范化的要求 GMP 用于控制的生物过程建模 为了进行生物过程控制需要建立关联所有重要的过程输入（菌种、培养基、补料、环境条件）和过程输出（生物量、产物、pH、温度、DO、尾气成分等）的模型。 生理模型 结构模型 非结构模型 黑箱或输入输出模型 传统过程模型 线性黑箱模型 非线性黑箱模型 用于控制的生物过程建模 发酵过程估算技术 现有生物反应器的传感器难以测量发酵状态和进程的生物量、基质和次级代谢物浓度，但可以利用相关可测次级变量（如气中的氧和二氧化碳）来估算和推断难以测量的生物量、产物等初级变量。 传统的基于模型的估算 基于线性黑箱模型的估算 基于非线性黑箱模型的估算 估算方法主要用于两种不同目的 估算事先定义的模型结构参数； 估算真实过程变量 控制系统设计 先决条件是建立准确描述生物过程的动态模型，模型的准确性决定控制的有效性； 模型需要保密 自控系统的3大任务：生物过程控制、过程数据存储和过程数据分析。 先进的优化控制还未成熟，但可用于改进提供给操作人员的信息质量，提高自动监督水平。 发酵过程的控制策略 发酵过程的PID控制 发酵过程的推理控制 发酵过程的适应性（预估）控制 发酵过程的非线性控制 发酵的优化和优化控制 用于发酵监督与控制的知识系统 工业规模的发酵故障分析系统 发酵过程的PID控制 反馈控制能很好的维持发酵条件，但不能保证发酵在最佳条件下运行； 发酵过程随时间变化的性质使PID参数难以最佳化； 对付这种过程性质非线性和随时间变化的一种办法是采用一种自动调整PID控制策略。 发酵过程的推理控制 PI 控制器 过程 神经网络 例如：控制青霉素生长速率按既定程序进行的PI控制器。PI控制器利用神经网络估算器估算的生长速率估算值与预设值之间的误差来调节碳源补入速率。 发酵过程的适应性（预估）控制 闭环发酵控制中的主要问题是控制参数的调整； 需要鉴别和在线改变随发酵过程变化的参数； 因此需要自适应控制器； 发酵过程的非线性控制 发酵过程的基本性质是非线性和参数非确定性； 建立非线性控制器可改善控制性能； 非线性控制器技术还不成熟 发酵的优化和优化控制 优化：产率、成本、发酵周期； 目前发酵优化主要凭经验； 成功的关键：建立准确描述过程的模型，和适当的优化程序。 用于发酵监督与控制的知识库系统 运用人工智能技术（专家系统、模糊控制等） 应付不确定的事物，结合定量与定性或符号表达式，来再现老练的过程操作人员的操作； 可用作过程操作人员和管理人员的智能在线助手； 将实时数据与期望数据进行比较，给出问题发生的可能原因以及纠正故障的办法。 工业规模的发酵故障分析系统 目的：减少操作人员监督控制系统指示器的时间 操作工需要不间断的监督发酵过程，以判断其运行是否正常； 操作人员通过直接检测过程数据（如：pH、DO、尾气二氧化碳和氧等）的变化来执行监察任务； 可采用基于模糊推理的故障检测系统技术减少操作人员的监督时间； 多元统计过程控制技术是基于数据库的监督发酵过程的方法，主要用于故障检测和诊断。 用于发酵诊断和控制的数据分析 生物过程输入-输出表示法 发酵测量与估算变量分类 代谢速率计算 不能直接测量的生物过程参数计算（观察器与滤波器） 积分与平均数量计算 生理状态变量的计算 生物反应器的输入输出表示法 下位控制器 （DCS） 发酵罐（BR） 基质 氧 热量 基质 DO 温度 机制流速 氧传质速率 热传递速率 操纵参数 环境参数 生物过程的高级输入输出表示 下位控制器 （DCS） 发酵罐（BR） 产物 基质 氧 热量 基质(