CN101689045B - 生物燃料发酵过程的非线性模型预测控制 - Google Patents

Abstract

用于管理生物燃料生产过程中的分批发酵的系统和方法。提供了一种针对在生物燃料生产过程的分批发酵过程(纯粹和/或补料分批发酵)中的生物燃料(例如，燃料乙醇)生产的酵母生长和可发酵糖浓度的非线性控制模型。接收针对分批发酵过程的过程信息，并且使用过程信息作为输入来执行非线性控制模型，以确定针对分批发酵过程的一个或者多个发酵过程变量的值，例如，发酵温度和/或酶流，用于基本上使酵母生长最大化并且实现目标可发酵糖浓度。然后根据一个或者多个发酵过程变量的确定值控制分批发酵过程，以基本上使酵母生长最大化并且实现目标可发酵糖浓度，其中基本上使酵母生长最大化并且实现目标可发酵糖浓度基本上使分批发酵过程中的生物燃料生产最大化。

Description

生物燃料发酵过程的非线性模型预测控制

技术领域

本发明一般涉及针对生物燃料及其副产品的生产过程的模型预测控制的领域，并且更具体地，涉及用于生物燃料(例如，燃料乙醇)发酵过程的非线性模型预测控制的系统和方法。

背景技术

生物燃料生产工厂

生物燃料是指从生物量(即从最近活生物体或者其副产品)得到的任何燃料。在图1中示出了生物燃料生产工厂或者过程的发酵部分的示例性高级设计，其示出了如何通过各种过程或者阶段来处理生物量，以生产生物燃料以及一种或者多种副产品。

如图1所表明的那样，对生物量(例如，玉米(来自玉米源，尽管可根据需要使用任何其它类型的生物量，例如，其它谷物、甘蔗等))连同蒸煮用水一起进行粉碎和蒸煮处理，该粉碎和蒸煮处理包括如所示出的粉碎处理、浆槽以及蒸煮槽。在粉碎中，生物量被分解以增加表面积与体积比。表面积的这种增加允许淡水和生物量表面的充分相互作用，以实现可发酵糖溶在水中的溶液。然后对生物量/水浆的混合物进行蒸煮，以促进溶液中生物量-水接触的量的增加并且加大碳水化合物生物量与非碳水化合物生物量的分离。然后将粉碎和蒸煮单元的输出(即，发酵料或者浆)送到发酵过程，在该发酵过程中，一个或者多个发酵单元(发酵槽)操作用来使通过粉碎和蒸煮过程生产的生物量/水浆发酵。

发酵是生物反应，在该生物反应中，活性生物体(酵母)用于将糖(葡萄糖或者右旋糖)转化成生物燃料(例如，乙醇)。更具体地，发酵过程一般地利用酵母来将浆或者醪中的糖转化成生物燃料(例如，乙醇)，并且也可利用各种酶，诸如参与将所述浆中的玉米淀粉分解成较简单的糖的α淀粉酶(AA)以及在填充时间期间加入到发酵槽中的葡糖淀粉酶(GA)，以将糖进一步分解成葡萄糖。

发酵通常是具有在45和60小时之间的典型发酵分批时间的补料分批操作。一般而言，该时间的20-33％用于填充发酵槽。通常，取决于工厂规模，以200-800GPM的速率将醪(水和粉碎玉米的混合物)注入到发酵桶中。通常，所述醪已经用α淀粉酶(AA)进行了处理，如上所表明的那样，该α淀粉酶用于参与将玉米淀粉分解成较简单的糖。购买呈干燥或者液体形式的酵母，并且通过在繁殖槽中将该酵母与稀释醪进行混合来对该酵母进行制备以用于添加到发酵桶(即发酵槽)中。在用醪填充发酵桶时，将酵母混合物加入到该发酵桶中。也如上所表明的那样，可在填充时间期间向发酵槽和/或向预发酵桶加入另一种酶(葡糖淀粉酶(GA))，以将糖进一步分解成葡萄糖。也可加入对于适当的酵母生长必要的其它成分，例如，氮源、抗感染源(例如，抗生素)等。

由于生物燃料发酵是放热过程，因此通过经由热交换机再循环醪来冷却发酵槽，由此通过外部水源冷却该热交换机。冷却热交换机之后的再循环醪的温度可称作再循环温度、发酵桶冷却器回流温度或者简单冷却器回流温度，等等。

注意，系统对温度非常灵敏，酶更喜欢较高的温度而酵母则更喜欢较低的温度。工厂实验室通常测试在整个批期间的各个时间处的发酵材料的若干项或者组成以测量发酵过程，诸如，例如温度；pH(酸度测量)；糖：例如，DP4(四链右旋糖聚合物)、DP3(三链右旋糖聚合物)、麦芽糖、葡萄糖、果糖、半乳糖、乳糖和/或蔗糖(和/或其它)；副产品：例如，乳酸、乙酸和甘油；以及生物燃料(例如，乙醇)。

如图1也示出的那样，酵母发酵过程可培养(生产)用于发酵槽中的醪的初始接种的活性酵母。然后对所述醪进行发酵，以生产各种发酵产品的混合物。注意，发酵过程可需要或者可不需要将额外的淡水添加到过程中，以控制材料对发酵单元(这里也称作发酵桶)的一致性。在发酵单元或者槽中，由酵母和酶将生物量转化成生物燃料以及副产品(诸如二氧化碳、水以及不可发酵生物量(固体))。

图2和3示出了发酵过程的各个组成的典型分布曲线，包括碳水化合物(例如，糖，诸如DP4、DP3、麦芽糖、果糖、半乳糖、乳糖和/或蔗糖)以及生物燃料(在这些示例中，乙醇)。如这些图所表明的那样，由于碳水化合物被转化成了乙醇，因此随着乙醇浓度上升，碳水化合物浓度在发酵过程期间(即在批时间或者时期期间)下降。

发酵过程的另一方面是在批时间期间，活性酵母生长到某个最大值，然后随着乙醇浓度增加而下降并且糖被用尽。图4示出了在批时间期间活性酵母浓度的所计算的上升和最终的下降。图5示出了关于乙醇生产(所测量的以及所模拟的两者)的所计算的活性酵母分布曲线。如可看到的那样，随着活性酵母浓度下降，乙醇生产变慢，直到不再生产可感知的乙醇。

在发酵之后，将来自发酵过程的输出送到蒸馏过程(例如，一个或者多个蒸馏单元)以将生物燃料与水、二氧化碳以及不可发酵的固体分离。如果必须将生物燃料脱水到小于体积的5％的湿度水平，则可以通过称作分子筛的处理单元来处理生物燃料。然后处理最终的生物燃料，以确保改变其性质并且不用于人类消耗。

蒸馏单元将生物燃料与水分离。如图1所示，以水蒸气的形式加入淡水用于加热和分离，并且将冷凝水循环回到粉碎和蒸煮单元。将作为蒸馏单元的最重的输出的釜馏物(不可发酵固体和酵母残留物)发送至釜馏物处理，用于进一步开发来自生物燃料生产过程的副产品。

在现有技术的生物燃料工厂中，用传统的控制方案来控制特性(诸如温度或者产品质量)。现代工业工厂应用传统的和先进的控制来调节复杂过程，以实现特定的控制目标。传统PID(比例-积分-微分)控制器和其它控制系统(诸如比率控制、前馈控制以及过程模型)可用于控制生物燃料生产过程(PID是使用三个基本的反馈控制模式来作用于来自其控制目标的偏差的控制算法或者装置：比例作用控制(P)、积分作用(I)以及改变作用的微分(D)速率)。DCS(分布式控制系统)将具有许多建立用来控制在局部控制水平处的过程单元变量的传统控制方案。

然而，存在不能进行直接测量或者控制的发酵过程的许多方面，这会导致不可靠的或者次最优的生物燃料生产。因此，期望用于生物燃料生产的改进的系统和方法。

发明内容

提出了用于利用模型预测控制(MPC)来管理生物燃料生产过程的发酵过程的计算机实施方法的各种实施例。

首先，可提供在生物燃料生产过程的分批发酵过程中针对生物燃料生产的酵母生长和可发酵糖浓度的非线性控制模型。例如，酵母生长和可发酵糖浓度的非线性控制模型可基于或者从以下所述的基本模型或者其变型得到。注意，如在这里所使用的那样，控制模型是确定当输入改变时输出改变多少的系统或者过程的输入/输出表示，并且可包括如下所定义的瞬时(稳态)模型以及动态模型。控制模型可以是单变量的(单个输入影响单个输出)或者多变量的(多个输入影响多个输出)。

可例如从生物燃料生成过程接收针对分批发酵过程的过程信息。在各个实施例中，该过程信息可来源于各种不同的源。例如，过程信息可包括以下中的一个或者多个：分批发酵过程的所测量的特性(例如，温度、压力、水温等)；可从测试在整个批期间的各个时间处的各个参数得到的、由实验室确定的特性值，称作实验室数据(例如，pH；糖浓度，诸如右旋糖(例如DP4、DP3)、麦芽糖、果糖、半乳糖、乳糖和/或蔗糖；副产品，诸如乳酸、乙酸以及甘油；以及生物燃料，例如乙醇)；和/或推导出的或者计算的值，例如，由虚拟在线分析仪提供的。

可使用过程信息作为输入来执行酵母生长和可发酵糖浓度的非线性控制模型，以确定针对分批发酵过程的一个或者多个发酵过程变量的值，用于基本上使酵母生长最大化并且实现目标可发酵糖浓度。一个或者多个发酵过程变量优选地包括发酵温度(即发酵桶温度)和/或酶流(即酶流对发酵过程的比率)，其中如上所表明的那样，所述酶操作用来将淀粉转化成可发酵糖(例如，右旋糖、麦芽糖、果糖、半乳糖、乳糖和/或蔗糖)。也可根据需要包括其它发酵过程变量，例如，pH、附加酶、氮源或者任何其它发酵过程变量。

可根据所确定的一个或者多个发酵过程变量的值来控制分批发酵过程，以基本上使酵母生长最大化并且实现目标可发酵糖浓度，其中基本上使酵母生长最大化并且实现目标可发酵糖浓度基本上使分批发酵过程中的生物燃料生成最大化。

附图说明

当结合以下附图考虑优选实施例的以下详细描述时，可以获得对本发明的更好理解，其中：

图1示出了根据现有技术的生物燃料处理工厂的发酵部分的一般设计；

图2和3示出了根据现有技术的在发酵周期期间的发酵桶糖和乙醇浓度；

图4示出了根据一个实施例在发酵周期期间所计算的活性酵母浓度；

图5示出了根据一个实施例在发酵周期期间所计算的乙醇生产和活性酵母浓度；

图6示出了根据一个实施例的可发酵糖(右旋糖)对酵母生长的影响；

图7示出了根据一个实施例针对发酵过程的能量平衡；

图8到10示出了根据一个实施例的在各个乙醇浓度处温度对酵母生长的影响；

图11是根据一个实施例的用于经由对生物燃料生产过程的分批发酵过程中的酵母生长的控制，使生物燃料生产最大化的方法的高级流程图；

图12是根据一个实施例的用于执行生物燃料生产过程的模型预测控制的系统的简化视图；

图13A示出了根据一个实施例的生物燃料生产过程中发酵的模型预测控制；

图13B示出了根据一个实施例的酵母生长和可发酵糖(例如，右旋糖)浓度的模型预测控制以使生物燃料生产最大化，包括所期望的温度和酶浓度轨迹的确定；

图14示出了根据一个实施例的发酵槽温度和酶浓度轨迹的模型预测控制以使酵母生长最大化并且优化可发酵糖(例如，右旋糖)浓度，以使生物燃料生产最大化，包括确定发酵再循环或者发酵桶冷却器回流温度以及酶流控制；

图15是根据一个实施例的针对图13B的主控制器的示例性控制矩阵，其中利用了三个发酵桶；

图16是根据一个实施例的针对图14的子控制器的示例性温度和酶浓度子控制矩阵，其中利用了三个发酵桶；

图17示出了根据本发明一个实施例的模型预测控制系统的高级操作；

图18示出了根据一个实施例的用于从基本动力学模型识别非线性模型(例如，克隆化)的示例性测试步骤；以及

图19示出了根据一个实施例的用于估计分批发酵过程中的乙醇浓度、右旋糖浓度以及酵母生长的虚拟在线分析仪(VOA)；

图20和21比较了根据一个实施例的用实验室测量的乙醇和右旋糖浓度的VOA估计；

图22是根据本发明的一个实施例的针对生物燃料生产过程中发酵的模型预测控制的示例性图形用户界面的屏幕截图；

图23示出了根据发明的一个实施例的工业乙醇发酵单元的示例性温度分布曲线；

图24示出了根据发明一个实施例的到发酵槽中的结果酶流；

图25示出了在不使用这里所公开的高级控制策略的情况下，在发酵过程之后的乙醇的均值和变率；以及

图26示出了根据一个实施例的以下控制策略的示例性影响的比较：1)仅具有温度控制；以及2)具有这里所描述的完整控制策略。

本发明可具有各种修改和可替选的形式，经由附图中的示例示出本发明的具体实施例并且在这里进行详细的描述。然而，应理解的是，所述附图及其详细描述并非旨在将本发明限于所公开的特定形式，而是相反，本发明旨在覆盖落入由所附权利要求限定的本发明的精神和范围内的所有修改、等同内容以及替换。

具体实施方式

定义-生物燃料生产过程

生物燃料-从生物量，即从最近的活性生物体或者其副产品(例如，燃料乙醇)得到的任何燃料。

生物燃料生产过程-由辅助处理单元围绕的发酵过程，用于生产生物燃料、用于燃料的其它可发酵酒精和/或大容量食品级或者化学级酒精。

生物燃料生产-在分批过程内或者末端处的生物燃料生产的测量。可包括测量，诸如浓度(例如，wt％、体积％或者wt/vol％)、体积(例如，发酵桶内的当前加仑生物燃料)或者质量(例如，发酵桶内的当前kg生物燃料)。

分批处理-例如，在正常工作日或者星期期间，包括开始和结束的分阶段不连续处理步骤，与不停止而继续的连续处理形成对比。一般由相当稳定的目标或者操作来表示连续处理，其中至少一些参数在整个分批处理期间改变。例如，生物燃料生产(例如，发酵)在批开始处以低水平开始，而在整个批期间增加，在结束时具有或者不具有表示退化率高于生产率的下降。类似的，酵母细胞浓度也以相当低的水平开始，并且通常在整个批期间生长，尽管它们通常在批内具有滞后(相对固定的浓度)、指数生长、稳定生长以及退化相。

通常存在两种分批发酵过程：纯粹分批过程，其中用醪填充槽，当槽被填满时，用酵母进行接种并且允许发生反应；以及补料分批过程，其中在反应进行时填充发酵槽，即在引入了酵母之后并且当正发生所述反应时，向槽或者器皿提供料。

浆-包括将进行发酵的两相(液体和固体)浆的发酵料醪。

固体或者％固体-发酵料中固体的分数或者百分数。

粉碎和蒸煮过程-用于发酵料的预发酵的连续处理，其一般包括玉米或者甘蔗粉碎、蒸煮、与水和处理化学物质混合、蒸煮用于杀菌并且增加固体内的水浓度以及其它预发酵处理。

生物量浓度-由以下中的一个或者多个指定的发酵料的含量属性：浆固体、液化固体、浆密度、液化密度、浆％或者分数碳水化合物以及浆％或者分数可发酵糖。

水目录信息-包括水流、再循环液体流、蒸发器浓缩物再循环流、稀釜馏物或者离心机液体再循环流、淡水添加流、处理水添加流、浆流、醪流以及针对用于保持这些流的目录的各种槽或者针对中间接收器(例如，甲烷转化器料槽、浆料槽、液化槽、蒸馏物槽、谷粮仓目录或者其它生物量目录等)的各种水平或者重量。

液化-针对具有高淀粉含量的谷物，使淀粉液化以通过加入酶或者其它生物制剂来减小其碳水化合物的链长度和粘度。

热氧化剂/热还原蒸汽发生器(HRSG)-用于破坏易挥发有机化合物(VOC)的处理设备，以减少空气并且消除来自釜馏物干燥器或者蒸发系统的臭气。热还原蒸汽发生器用于还原破坏VOC所需的热，并且典型地是生物燃料生产过程的能量中心。

干燥蒸馏器谷物(DDG)-后发酵固体残留物，其包括可被干燥并且被释放作为生产副产品(一般为动物饲料)的未消化的谷物残留物、其它固体残留物(酶、盐)以及酵母(或者其它细胞残留物)。DDG在这里也可被用于包括仅部分被干燥用于局部消耗(例如，没有长期生物稳定性)的WDG(潮湿蒸馏器谷物)以及DDGS/WDGS(具有可溶物的干燥蒸馏器谷物以及具有可溶物的潮湿蒸馏器谷物)。可溶物包括在水中可溶解并且因此出现在釜馏物浓缩物中的残留固体。可溶物可被部分浓缩(一般用蒸发)并且被加入到DDG或者WDG，以增加产量并且管理副产品存量。

酶-所增加的基于生物学的高选择性催化剂，用于管理发酵过程内的特定反应。通常使用的酶包括用于迅速地将淀粉分解成糊精的α淀粉酶、用于将糊精分解成果糖的果糖淀粉酶以及用于将谷物蛋白质分解成可消化蛋白质的蛋白酶，以支持细胞生长。如下所述，可管理对基于淀粉的发酵的模型化和控制、特定用于将纤维素转换成生物燃料的酶或者影响酵母生长或者养分利用率的其它酶。

酵母-生物燃料生产生物体。由于所描述的技术可以不是特定于酵母，而是可应用于在发酵过程中使用的许多生物体来生产生物燃料，因此可使用包括遗传工程的E.coli(大肠杆菌)的其它生物燃料生产生物体来代替，尽管如此，但是酵母是当前在乙醇生产中最通常使用的生物体。

活性酵母-是指如上定义的、积极地消耗碳水化合物以生产生物燃料的酵母。除非另外指定，本文档中提到的酵母根据定义是活性酵母。

釜馏物/完整釜馏物-从初级蒸馏单元的底部移除的不可发酵固体和水液体。

稀釜馏物-与釜馏物不可发酵固体分离的液体。

倒流-再循环回到发酵料线并且因此被引入到发酵过程中的稀釜馏物。

糖浆-移除了大部分水分的浓缩稀釜馏物。糖浆中的％固体一般在20％-45％固体的范围中，但是可出现该范围之外的百分数。

发酵间隔-所有发酵槽以及发酵池的累加和。表示为体积、％体积、水平、％水平或者类似表示。

发酵池-发酵槽流出物的贮藏所。许多生物燃料过程的发酵部分和蒸馏部分之间的保持槽。

共沸混合物-两种化合物的特殊混合物，当这两种化合物处于平衡时，气相和液相具有精确相同的成分。这使得难于分离这两种成分以实现较好的纯度。需要特殊分离过程来分解共沸混合物。它们包括共沸蒸馏(加入第三化合物来分解共沸混合物)、提取蒸馏(使用溶剂来分离2种化合物)或者分子筛技术(择优地捕获分子筛床中的一个组分的分子，同时另一组分通过分子筛床)。

易挥发有机化合物(VOCS)-当经受大气压力和外界温度范围时易于蒸发的有机化合物。

容量-容量是最佳操作条件(无不正常约束)下的过程、子过程或者单元的所建立的最大生产率。容量一般是目前资本投资内的常数。对于新的单元，容量是买主的指定容量。对于建立的单元，由所表明的历史生产率来建立容量。

模型-输入/输入表示，其表示各种模型输入的改变与模型输入如何影响每个模型输出之间的关系。

动态预测模型/动态模型-系统或者过程的输入/输入表示，其不仅反映了当改变输入时输出改变了多少，以及在什么速度速度下、基于什么样的时间依赖曲线，输出将基于一个或者多个输入变量改变而改变。动态多变量预测模型是对多个参数间的关系进行表示或者编码的动态预测模型，并且可操作用于接收多个输入并且产生多个输出。

控制模型-系统或者过程的输入/输出表示，其确定当改变输入时，输出改变多少，并且可包括瞬时(稳态)模型以及如上定义的动态模型。控制模型可以是单变量的(单个输入影响单个输出)或者多变量的(多个输入影响多个输出)。

模型预测控制(或者MPC)-用于在所预测的时间间隔期间(例如，1分钟、30分钟、2小时、100小时等)使控制器目标(目标控制器输出和约束)与调整控制器(现有的单输入/单输出控制器，诸如比率流、温度、水平、速度或者压力控制器)关联的多变量动态过程模型的使用。

目标函数-目标函数对设置针对过程、子过程或者单元的总体操作的目的的目标进行编码。目标函数提供过程、子过程或者单元争取实现并且通过其可测量过程、子过程或者单元的性能的一个或者多个一致数字度量，例如，从商业立场来看，例如，以使得操作成本最小化或者使得操作的利润或者生产最大化。

控制变量-(也称作受控变量)控制器/优化器试图带到某个目标(例如目标值、最大值等)的那些变量。

积分变量-积分控制变量是不稳定、但是一般与稳定的作为时间函数的第一导数进行积分的变量。最普通的积分变量是槽水平，其中只要输入和输出是不平衡的，则所述水平将增加或者下降。因此，当平衡时，输入或者输出流中的改变将引起槽随着时间积分而溢出或者排干。控制器必须使用这些积分计算来确定必须何时以及如何迅速地调节输入或者输出流。

操纵变量-例如，经由具有在线控制器的过程的调节，通过其过程或者单元的管理具有权限和控制的、并且由控制器/优化器改变(移除)或者操纵以实现控制变量的目标或者目的的那些变量。这些变量是其值受约束而限制的实际控制变量。这与在操作变量可在可控制或者固定约束的某个范围内操作的意义上的可控制约束不同。管理是针对过程控制的可替选项。

扰动变量-除了目标变量和调节控制器之外，表示对过程的外部影响的变量在控制器范围之外，并且因此该变量作用于目标变量，但是独立于所描述的控制器。扰动变量用在前馈扰动阻碍中。扰动变量也是该过程或者单元的管理不对其具有直接权限或者控制的被测量的或者未被测量的变量。例如，温度、湿度、上游流或者质量都可被称作测量的扰动变量。

设置点(目标)-针对操纵变量或者目标受控变量的目标信号或者值。

约束-约束表示对影响生产单元的可实现生产率的特定操作变量或者条件的限制。约束具有两种类型：以下所定义的可控制的和外部的。约束可包括但不限于：安全约束、设备约束、设备利用率约束、人员约束、商业执行约束、控制约束、供应链约束、环境允许和法律约束。安全约束保证了设备和人员的安全。设配约束(诸如控制阀的最大打开位置、最大槽容量等)可限制单元的物理吞吐量。设备利用率约束可包括但不限于：由于维护计划和安排或者由于不期望的设备运转中断的备用状态、由供应链设置的授权生产水平以及生产调度系统。人员约束是指对人员配备和支持功能的可用性的限制、商业规则以及由合同和政策强加的约束。商业执行约束是由需要用于执行相关联的商业以及合同任务和义务的时间所强加的限制。控制约束是对最大位置和操作变量的变化率的限制。供应链约束是对原材料、能量和生产供应的可用性的限制。环境允许和法律约束是对空气排放、废水和废物处理系统的限制和/或强加到单元性能上的环境约束(诸如河流水位和当前天气强加的限制)。

可控制约束-强加到过程或者单元的性能的约束，所述过程或者单元的管理对其具有权限或者任意控制。例如，蒸馏塔中的分离可能受蒸馏盘污垢的影响。盘污垢取决于如何处理原料以及每个多久使单元离线进行清洁。由管理自由决定何时服务单元。可控制约束改变单元的吞吐量。

外部约束-外部约束是强加到过程、子过程或者单元的性能的限制，所述过程、子过程或者单元的管理对其不具有权限或者任意控制。这些外部限制有两种类型：由工厂或者供应链中的其它实体或者过程可控制的外部约束，以及由物理、安全、环境或者法律约束所强加的并且不可由工厂或者供应链中的任何人控制的那些约束。

系统-系统可由系统或者过程的输入和特征定义。在生物燃料生产过程中，系统可定义为：完整生物燃料生产过程、生物燃料生产过程的子过程(诸如粉碎和蒸煮过程)或者子过程中的变量(诸如蒸煮温度)。

开环系统-响应于输入的系统、但是该系统不由于输出的行为而修改。例如，在生物燃料系统中，如果循环泵不具有压力控制系统，则循环泵将在独立于上游和下游压力的固定体积的糖浆处操作和移动。

闭环系统-在该系统中，可调节输入以补偿输出中的改变。这些改变可以是自系统的目标、对系统或者系统变量的约束的影响或者输出变量的测量的偏离。闭环系统可用于感测所述改变并且将信号反馈到过程输入。在生物燃料系统中，由于可对闭环系统进行调节经受约束(诸如生产(产品)质量、能量成本、处理单元容量等)，因此这些系统可主导。

控制系统-调节水平机构，通过其将操纵变量驱动到设置点。

响应-操纵变量的当前位置的测量。所述响应是响应于控制系统努力实现设置点的动作，将操作变量移动到设置点的反馈。

目标分布曲线或者轨迹-例如，在特定的时间周期期间，例如在范围外的变量值的所期望的分布曲线或者轨迹，即控制变量或者操纵变量的所期望的行为。

控制范围-从当前扩展到未来的时间周期，在该时间周期期间，一个人计划移动或者改变操纵变量。在该范围之外，假设MV保持恒定在其在控制范围内的最后或者最近的值。

预测范围-当前扩展到未来的时间周期，在该时间周期期间，过程或者系统响应被监视并且与所期望的行为比较。

克隆-在所期望的输入和输出范围中运用基本模型并且使用结果来创建神经网络模型的过程。

应用于生物燃料生产过程中的发酵的MPC

以下描述了用于将模型预测控制应用于生物燃料生产过程中的发酵的系统和方法的各种实施例。更具体地，如以下将详细描述的那样，关于酵母生长、可发酵糖(例如，右旋糖)浓度以及生物燃料(例如，乙醇)生产之间的关系的新理解被用于间接通过控制酵母生长来使生物燃料生产最大化。应注意的是，尽管预期这里所公开的技术适用于一般生物燃料生产，但是按照乙醇生产描述了以下实施例；当然，这并非将本发明限于任何特定的生物燃料。

如以上所表明的那样，发酵过程使用活性生物体(例如，酵母)来将可发酵糖(例如，右旋糖、麦芽糖、果糖、半乳糖、乳糖和/或蔗糖)转化成具有二氧化碳的副产品和能量的生物燃料(例如，燃料乙醇、丁醇和/或甲醇)。尽管存在发酵过程的若干产品，在优选实施例中，主要产品(以及所关心的产品)是生物燃料(例如，燃料乙醇(和/或丁醇和/或甲醇))的生产。通常以小量生产的其它成分(诸如酸)如果以较大量生产，则能够指示发酵桶内的问题。根据本发明实施例的过程的关键点是不仅存在酵母，并且酵母是复制的(“活性”)。活性酵母具有最大的生产乙醇的能力。酵母生长中的三个主要因素是发酵桶温度、可发酵糖(例如，右旋糖)浓度以及乙醇浓度。这可通过以下的方程来概念性地说明：

$\frac{{\mathrm{dy}}_{\mathrm{active}}}{\mathrm{dt}}=f(T,y_{\mathrm{sugar}},y_{\mathrm{EtOH}})y_{\mathrm{active}}+{\mathrm{Yeast}}_{\mathrm{initial}}---\left(1\right)$

其中，y_active＝活性酵母浓度，

y_sugar＝可发酵糖(右旋糖)浓度，

y_EtOH＝乙醇浓度，

T＝发酵桶温度，并且

Yeast_initial＝酵母的初始接种。

注意，与典型的化学反应模型不同，该表达式是酵母的生长模型。还要注意，提供该表达式仅出于说明性目的；以下描述包括稀释的影响的详细的动力学模型。酵母将以基于发酵桶中的条件的速率生长和死亡。如以上参考图1所讨论的那样，将酵母的初始接种从酵母繁殖槽引入到发酵桶中。通常花费大约一小时来腾空酵母繁殖槽。因此，对于所述批的大部分来说，通过下式给出酵母生长：

$\frac{{\mathrm{dy}}_{\mathrm{active}}}{\mathrm{dt}}f(T,y_{\mathrm{sugar}},y_{\mathrm{EtOH}})y_{\mathrm{active}}---\left(2\right)$

该示例性表达式说明了这样的事实，即一旦完成初始接种，则酵母生长相对独立于接种，但是取决于温度、糖浓度以及乙醇浓度。

回头参考上述图4，示出了典型的酵母分布曲线，该分布曲线示出了酵母浓度的迅速生长、峰值以及随后的下降。方程(2)中存在若干显著的方面(如图4所示)。首先，不存在稳态值，或者更准确地说，稳态值是零。换言之，酵母将取决于函数(方程(2)中的f(T，y_sugar，y_EtOH))的值而继续生长(线性不稳定系统)或者将逐渐消失(趋向零的线性稳定系统)。该函数在这里被称作酵母生长函数。

活性酵母是乙醇生产的主要驱动器，其可以由非线性积分函数表示：

$\frac{{\mathrm{dy}}_{\mathrm{EtOH}}}{\mathrm{dt}}=g(T,y_{\mathrm{sugar}},y_{\mathrm{EtOH}})y_{\mathrm{active}}---\left(3\right)$

在图5中示出了以上所讨论的这种关系，图5绘出了燃料乙醇发酵单元中的典型乙醇生产和酵母浓度。注意，由于乙醇的生产表现为酵母生长的积分函数，因此活性酵母的最大化可使得所生产的乙醇量最大化。因此，酵母生长函数的最大化可保证在任何给定时间处发酵单元中基本上最大量的活性酵母。基于该观察，可以隐式地通过控制酵母的生长来控制工业燃料乙醇发酵过程中的乙醇的生产，其中由酵母生长函数定义酵母生长，在一个实施例中由以下给出该酵母生长函数：

以下更详细地描述该表达式。应注意的是，生物生物体生长的该模型是示例性的，并且在其他实施例中，可根据需要使用其它模型。

燃料乙醇发酵的动力学模型

在许多情况中，可存在不可容易获得的发酵过程的方面或者属性，例如，不可以测量的但是对于过程的模型预测控制可能是必要的方面或者属性。因此，由于控制适当测量的这种缺乏，可开发或者另外提供考虑发酵过程的关键组分的基本(即，基于物理的)模型，包括例如：到发酵桶的醪流、来自繁殖槽的酵母的添加、葡糖淀粉酶的添加、酵母生长、葡萄糖生成和耗尽、淀粉耗尽(糖源-糊精)、乙醇生产以及发酵温度，等等。注意，这些参数仅是示例性的，并且可根据需要使用任何其它参数。

在各个实施例中，所述基本模型可包括质量和/或能量平衡关系，并且也可包括如下所述的动力学模型。众所周知，动力学模型表达了生产和反应物浓度之间的关系。以下描述动力学模型的一个实施例，该实施例是精确地反映如在标准工业中操作的燃料乙醇发酵过程的行为的第一基本模型。注意，以下模型仅是示例性的，并且可根据需要使用其它变型。例如，在所描述的实施例中，所述模型包括多个指向发酵过程的各种方面的方程，尽管在其他实施例中，可根据需要模拟不同的方面。

A.发酵槽中的体积改变

$\frac{\mathrm{dV}}{\mathrm{dt}}=F_{\mathrm{slurry}}+F_{\mathrm{Prop}}---\left(5\right)$

当V＝V_Full时，F_slurry＝0，当V_Prop＝0时，F_Prop＝0

其中：

V＝发酵桶的体积，

F_slurry＝醪浆流，并且

F_Prop＝来自繁殖槽的流。

B.酵母的激活

$\frac{{\mathrm{dy}}_{\mathrm{Lag}}}{\mathrm{dt}}=(-{\mathrm{\μ}}_{\mathrm{Lag}}-\frac{F_{\mathrm{slurry}}+F_{\mathrm{Prop}}}{V})y_{\mathrm{Lag}}+\frac{F_{\mathrm{Prop}}}{V}{\mathrm{Yeast}}_{\mathrm{Prop}}---\left(6\right)$

其中：

μ_Lag＝转化率，

y_lag＝滞后酵母(还不具有活性的酵母)的浓度，以及

Yeast_prop＝繁殖槽中的酵母量。

C.酵母的生长

$\frac{{\mathrm{dy}}_{\mathrm{active}}}{\mathrm{dt}}=({\mathrm{\μ}}_x-r_d-\frac{F_{\mathrm{slurry}}+F_{\mathrm{Prop}}}{V})y_{\mathrm{active}}+{\mathrm{\μ}}_{\mathrm{lag}}{y}_{\mathrm{lag}}---\left(7\right)$

其中：

k_x1＝乙醇饱和常数，

k_x2＝右旋糖饱和常数，

r_d＝死亡率＝f(T)，并且

y_active＝活性酵母的浓度。

D.酵母的死亡

$\frac{{\mathrm{dy}}_{\mathrm{dead}}}{\mathrm{dt}}=r_d{y}_{\mathrm{active}}-\frac{F_{\mathrm{slurry}}+F_{\mathrm{Prop}}}{V}{y}_{\mathrm{dead}}---\left(8\right)$

其中：

r_d＝死亡率＝f(T)，并且

y_dead＝死亡酵母的浓度。

E.糖的转化

$\frac{{\mathrm{dy}}_{\mathrm{sugar}}}{\mathrm{dt}}=r_{\mathrm{GA}}{y}_{\mathrm{Dex}}-{\mathrm{\μ}}_s{y}_{\mathrm{active}}-\frac{F_{\mathrm{slurry}}+F_{\mathrm{Prop}}}{V}{y}_{\mathrm{sugar}}+\frac{F_{\mathrm{slurry}}}{V}{\mathrm{Sugar}}_{\mathrm{Feed}}\frac{F_{\mathrm{Prop}}}{V}{\mathrm{Sugar}}_{\mathrm{Prop}}---\left(9\right)$

其中：

k_s＝饱和常数，

y_sugar＝可转换糖(葡萄糖/右旋糖)的浓度，

Sugar_Feed＝醪料中的可发酵糖，以及

Sugar_Prop＝下降处的繁殖槽中的可发酵糖。

F.乙醇的生产

$\frac{{\mathrm{dy}}_{\mathrm{EtOH}}}{\mathrm{dt}}={\mathrm{\μ}}_a{f}_a{y}_{\mathrm{active}}-\frac{F_{\mathrm{sturry}}+F_{\mathrm{Prop}}}{V}{y}_{\mathrm{EtOH}}+\frac{F_{\mathrm{Prop}}}{V}{\mathrm{EtOH}}_{\mathrm{Prop}}+\frac{F_{\mathrm{Feed}}}{V}{\mathrm{EtOH}}_{\mathrm{Feed}}---\left(10\right)$

其中：

k_s＝饱和常数，

f_a＝抑制因子＝(1-αy_EtOH)，

ETOH_Prop＝繁殖槽中的乙醇，

ETOH_Feed＝料醪中的乙醇，以及

Y_EtOH＝乙醇的浓度。

G.糊精转化

$\frac{{\mathrm{dy}}_{\mathrm{Dex}}}{\mathrm{dt}}=\frac{F_{\mathrm{slurry}}}{V}{y}_{\mathrm{Dex}}^{\mathrm{IN}}-\frac{F_{\mathrm{slurry}}+F_{\mathrm{Prop}}}{V}{y}_{\mathrm{Dex}}-r_{\mathrm{GA}}{y}_{\mathrm{dex}}---\left(11\right)$

其中：

以及

y_Dex＝糊精(较长链糖-DP2、DP3等)的浓度。

H.酶添加

粒化槽途径

$y_{\mathrm{GA}}=\frac{{\mathrm{GA}}_1}{V}\mathrm{\δ}(t-t_{\mathrm{PropDrop}})+\frac{{\mathrm{GA}}_2}{V}\mathrm{\δ}(V-\mathrm{\β}{V}_{\mathrm{full}})---\left(12\right)$

其中：

y_GA＝葡糖淀粉酶的浓度，

GA₁＝葡糖淀粉酶的第一添加的体积，

GA₂＝葡糖淀粉酶的第二添加的体积，以及

β＝针对第二添加的分数总发酵体积。

注意：这可以扩展到任何数量的酶添加。

连续酶料

$\frac{{\mathrm{dy}}_{\mathrm{GA}}}{\mathrm{dt}}=\frac{F_{\mathrm{GA}}}{V}-\left(\frac{F_{\mathrm{slurry}}-F_{\mathrm{Prop}}}{V}\right)y_{\mathrm{GA}}---\left(13\right)$

其中：

y_GA＝葡糖淀粉酶的浓度，并且

F_GA＝酶流。

I.酵母生长函数

对在一段时间期间所获得的工厂数据的认真研究得到以下观察和结论：酵母生长函数受到仅到达基本上最大浓度的可发酵糖的影响。与关于酵母生长的公开工作相比，已经通过基于工厂数据计算因果关系确定了酵母生长将增长的可发酵糖的最大浓度。图6示出了可发酵糖(例如，右旋糖)对酵母生长的影响，其中以wt％/体积(即浓度)表示右旋糖。如可看到的那样，随着右旋糖浓度增加，酵母生长迅速增加，然后减慢，逼近最大值。在模型的一个实施例中经由酵母生长率表示该关系，酵母生长率是酵母生长函数的正部分：

注意，图6所示的函数表示关注于工厂数据的神经网络的输出，该工厂数据包括乙醇浓度、右旋糖浓度、温度和活性酵母浓度。根据活性酵母方程，通过以下公式给出酵母生长函数：

$f(T,y_{\mathrm{sugar}},y_{\mathrm{EtOH}})=\frac{{\mathrm{dy}}_{\mathrm{active}}}{\mathrm{dt}}\left(\frac{1}{y_{\mathrm{active}}}\right)+\frac{F_{\mathrm{mush}}}{V}---\left(15\right)$

注意，这是表示发酵桶中活性酵母的生长率的依赖于状态的函数。可通过取发酵过程周围的简单能量平衡并且逼近与反应热成比例的活性酵母浓度来估计酵母生长，如以下方程所表达的那样：

y_active＝αΔH_RXN                                (16)

图7示出了关于时间(以分钟的X轴)的反应热(以BTU/min的Y轴)。注意与以上图4的相似度，即反应热大致跟踪酵母的生长。

燃料乙醇生产的温度依赖性

以上提出的动力学模型定义了针对给定批时间发酵过程输入与乙醇生产的关系。可存在提供针对整个分批过程的操作期间的基本上最大酵母生长的条件的最优发酵温度。更具体地，可通过基本上使酵母生长函数最大化来确定最优发酵温度。

根据一个实施例，由图8-10示出了温度和乙醇生产之间的关系，这些图示出了在相应的乙醇浓度处温度对酵母生长函数的影响。应注意的是，在这些图中所示出的关系也与从微生物获得的生物燃料的各种其它生物燃料过程有密切关系。换言之，对于其它这种生物学过程，与生物燃料生产有关的生物体生长的一般函数具体地对应于与乙醇生产有关的酵母生长的函数。

例如，图8示出了在乙醇的3.0wt％/体积的相应乙醇浓度处温度对酵母生长函数的影响。如可看到的那样，在该示例中，用于基本上使酵母生长最大化的最优温度在94和96度之间。图9示出了在乙醇的3.6wt％/体积的相应乙醇浓度处温度对酵母生长函数的影响，其中，如可看到的那样，用于基本上使酵母生长最大化的最优温度是近似93度。图10示出了在乙醇的4.5wt％/体积的相应乙醇浓度处温度对酵母生长函数的影响，其中，如所示出的那样，用于基本上使酵母生长最大化的最优温度是近似88度。因此，经由发酵温度的控制可基本上使酵母生长最大化。

发酵过程的非线性模型预测控制

基于以上考虑，可通过基本上使酵母生长最大化(即，通过基本上使酵母生长函数最大化)并且控制发酵单元中可发酵糖(例如，右旋糖)的量来基本上使乙醇(或者其它生物燃料)生产最大化。根据本发明实施例，这可通过使用非线性模型预测控制逼进来完成。注意，如在这里所使用的那样，术语“非线性模型”也旨在包括线性模型；即线性模型是非线性模型的子集。也注意在一些实施例中，分批发酵过程可以是或者包括补料分批发酵过程。如在发酵领域内众所周知的，因此纯分批过程是这样的一个过程，即用醪填充槽，然后当填充满时，用酵母接种并且允许进行反应。这与补料分批过程形成对比，在补料分批过程中，随着反应进行而填充发酵槽。换言之，在已经引入了酵母之后并且当反应正发生时，向槽或者器皿提供料。因此，在各个实施例中，分批发酵过程可以是纯分批或者补料分批过程。

注意，发酵过程利用一个或者多个发酵桶(也称作发酵单元)。如上所述，一个或者多个发酵桶可接收来自粉碎和蒸煮单元的发酵料、液体和生物量固体的混合物，并且可通过向发酵醪添加酵母和酶的分段温度分布曲线来分批处理发酵料，以生产可作为到蒸馏单元的输出的生物燃料和釜馏物的组合。蒸馏过程向釜馏物处理单元输出釜馏物浆，其中可将浆分离成稀釜馏物(液体)和固体釜馏物。部分稀釜馏物可再循环回到发酵过程并且被直接添加到发酵桶，或者可将稀釜馏物添加到发酵料。这也称作倒流。可在交错循环中操作发酵桶，以使得每个发酵桶完成在不同时间的发酵循环，以将连续输出流的近似提供到积聚物保持槽并且然后到蒸馏单元。

以下描述了用于使用模型预测控制来根据指定目标改进生物量分批发酵过程的产量、吞吐量和/或能量效率的各种系统和方法。可设置这些目标并且可控制分批发酵过程的各个阶段以提供生产过程的实时控制。控制动作可经受工厂和外部约束或者受工厂和外部约束限制。更具体地，在本发明的各个实施例中，可在生物燃料生产工厂中利用动态非线性控制模型和控制器，以控制发酵过程的一个或者多个方面，这些方面包括但不限于：发酵生物量的温度以及向发酵桶添加酶(即酶流)的量和定时，以及其他处理变量。

在生物燃料生产工厂中，可使用在整个分批发酵过程期间所应用的模型预测控制技术来管理或者控制发酵过程的操作和可控制变量中的任何变量，以维持、优化或者基本上最大化发酵生物燃料的目标量。以下描述了用于这样做的各种示例性系统和方法，当然应注意的是，所讨论的特定操作和变量是示例性的，且也可根据需要使用模型预测控制来管理发酵过程的其它方面。模型预测控制技术也可应用于到多个并行分批发酵桶的连续发酵浆料的制备，并且应用于通过连续蒸馏过程对来自一组并行发酵桶的连续输出产品流的净化。也可通过使针对每个发酵桶中的分批过程的过程结束时间交错来向蒸馏过程提供连续输出产品流，以使得一组并行的发酵桶中的每个发酵桶在不同的时间完成其分批过程。

应注意的是，如在这里所使用的那样，术语“最大”、“最小”、“最优”以及“最佳”可分别指的是“基本上最大”、“基本上最小”、“基本上最优”以及“基本上最佳”，其中“基本上”指示在理论极值、最佳值或者目标值的某个可接受的限度内的值。例如，在一个实施例中，“基本上”可指示在理论值的10％内的值。在另一实施例中，“基本上”可指示在理论值的5％内的值。在又一实施例中，“基本上”可指示在理论值的2％内的值。在再一实施例中，“基本上”可指示在理论值的1％内的值。换言之，在所有实际情况中(非理论)，存在最终和中间控制元件的物理限制、对针对稳定控制的可接受时间频率的动态限制或者基于当前理解的化学和物理关系的基本限制。在这些限制内，控制系统一般将试图实现最佳操作，即尽可能接近地在目标值或者约束(最大或者最小)处操作。

图11-用于管理生物燃料生产过程中的分批发酵过程的方法

根据一个实施例，图11是用于利用模型预测控制(MPC)管理生物燃料生产过程的发酵过程的计算机实施方法的高级流程图。如以下将详细描述的那样，该方法可包括接收针对分批发酵过程的过程信息，以及以所接收的过程信息作为输入来使用非线性模型预测控制以基本上使分批发酵过程中的酵母生长最大化，其中基本上使酵母生长最大化基本上使分批发酵过程中的生物燃料生产最大化。在各个实施例中，所示出的一些方法元件可以同时地以不同于所示出的顺序地执行，或者可被省略。也可根据需要执行附加的方法元件。如所示出的那样，该方法可如下操作。

在1102中，可提供针对生物燃料生产过程的分批发酵过程中的生物燃料生产的酵母生长和可发酵糖浓度的非线性控制模型。例如，酵母生长和可发酵糖浓度的非线性控制模型可基于上述基本模型或者其变型，或者从上述基本模型或者其变型得到。如在以上的术语定义中所表明的那样，控制模型是确定当改变输入时，输出改变了多少的系统或者过程的输入/输出表示，并且可包括瞬时(稳态)模型以及如上所定义的动态模型。控制模型可以是单变量的(单个输入影响单个输出)或者多变量的(多个输入影响多个输出)。

在1104中，可例如从生物燃料生产过程接收针对分批发酵过程的过程信息。在各个实施例中，该过程信息可源自于生物燃料生产过程。例如，该过程信息可包括以下中的一种或者多种：分批发酵过程的所测量的特性(例如，温度、压力、水温等)；由实验室确定的特性值，涉及可从测试在所述分批期间的各个时间处的各种参数得到的实验室数据(例如，温度、pH、糖浓度(例如，DP4、DP3、麦芽糖、葡萄糖、果糖、半乳糖、乳糖和/或蔗糖)、副产品(例如，乳酸、乙酸以及甘油)以及乙醇)；和/或推导出的或者计算出的值，例如，通过以下更详细地描述的虚拟在线分析仪提供的值。

在1106中，可使用所述过程信息作为输入来执行酵母生长和可发酵糖浓度的非线性模型控制，以确定针对分批发酵过程的一个或者多个发酵过程变量的值，用于基本上使酵母生长最大化并且实现目标可发酵糖浓度。所述一个或者多个发酵过程变量优选地包括发酵温度(即，发酵桶温度)和/或酶流(即，到发酵过程的酶流的速率)，其中，如上所指出的那样，所述酶操作用来将淀粉转化成可发酵糖(例如，右旋糖、麦芽糖、果糖、半乳糖、乳糖和/或蔗糖)。也可根据需要包括其它发酵过程变量，例如，到发酵桶的醪料、pH或者任何其它发酵过程变量。

最后，在1108中，可根据针对所述一个或者多个发酵过程变量的确定值来控制分批发酵过程，以基本上使酵母生长最大化并且实现目标可发酵糖浓度，其中基本上使酵母生长最大化并且实现目标可发酵糖浓度基本上使分批发酵过程中的生物燃料生产最大化。

存在可使用控制模型来确定这些值的多种方式。例如，在一个实施例中，可指定目标，例如指定基本上使酵母生长最大化的目标函数、目标可发酵糖浓度(以及其它可能的目标)。目标函数因此可指定分批发酵过程的一个或者多个受控变量的所期望的值或者行为。执行酵母生长和可发酵糖浓度的非线性控制模型可包括反复地执行酵母生长和可发酵糖浓度的非线性控制模型，以求解目标函数，从而确定所述一个或者多个发酵过程变量(也称作操纵变量)的值的优化器(例如，包括在模型预测控制器中)。换言之，模型预测控制器可能经受一个或者多个约束，以重复方式执行所述模型(经由优化器或者类似部件)，改变操纵变量的值直到解出所述目标函数。

在一些实施例中，实施这里所公开的控制技术的系统可包括具有一个或者多个处理器的计算机系统，并且可包括或者耦合到至少一个存储介质(其可包括多个存储介质)，其中所述存储介质存储根据本发明实施例的程序指令。在各个实施例中，可在通信地耦合到生物燃料工厂的单个计算机系统上实施这里所讨论的控制器，或者可横跨两个或者更多个计算机系统(例如，可位于不止一个位置处)分布该控制器。在该实施例中，可经由总线或者通信网络连接包括控制器的多个计算机系统。

图12示出了用于生物燃料生产工程1204的自动控制系统的简化视图。如所示出的那样，所述系统可包括与受控的生物燃料工厂1204′相互作用的一个或者多个计算机系统1202。计算机系统1202可表示执行根据本发明各个实施例的软件程序的各种类型的计算机系统或者计算机系统的网络中的任何类型。如所表明的那样，计算机系统存储(并且执行)用于管理生物燃料工厂1204中的发酵的软件。所述软件程序可执行发酵过程的模拟、预测、优化和/或控制的各个方面。因此，所述自动控制系统可实施生物燃料工厂或者过程中的发酵的预测模型控制。所述系统还可提供用于使用优化解算器(即优化器)来做出最优决定以及执行那些决定(例如，控制工厂)的环境。

一个或者多个执行所述工厂1204的模拟、优化和/或控制的软件程序(特别地，发酵过程)可包括在计算机系统1202中。因此，所述系统可提供用于程序地获取与工厂的发酵过程相关的过程信息1206并且产生动作1208(例如，控制动作)的调度过程的环境，其中，所述控制动作用于控制发酵过程以及生物燃料工厂或者过程的其它可能的过程和方面

所述一个或者多个计算机系统1202优选地包括在其上存储根据本发明的计算机程序的存储介质。术语“存储介质”旨在包括各种类型的存储器，包括安装介质(例如，CD-ROM或者软盘)、计算机系统存储器或者随机存取存储器(诸如DRAM、SRAM、EDO RAM、Rambus RAM等)或者非易失性存储器(诸如磁介质(例如，硬盘驱动器)或者光学存储器)。所述存储介质也可包括其它类型的存储器及其组合。另外，所述存储介质可位于执行程序的第一计算机中，或者可位于通过网络连接到第一计算机的第二个不同的计算机中。在后一个实例中，第二计算机向第一计算机提供程序指令用于执行。

另外，计算机系统1202可采取各种形式，包括个人计算机系统、大型计算机系统、工作站、网络设备、互联网设备或者其它装置。一般而言，可以将术语“计算机系统”广泛地定义为包括具有执行来自存储介质的指令的处理器的任何装置(或者装置的集合)。

存储介质(可包括多个存储介质)优选地存储一个或者多个用于执行模型预测控制和优化的各个方面的软件程序。使用基于部件的技术和/或面向对象的技术来优选地实施软件程序。例如，可根据需要使用ActiveX控件、C++对象、Java对象、微软基础类(MFC)或者其它技术或者方法实施软件程序。执行来自存储介质的代码和数据的CPU(诸如主机CPU)包括用于创建和执行根据以下所描述的方法或者流程的软件程序的装置。在一些实施例中，所述一个或者多个计算机系统可实施一个或者多个如上所表明的控制器。

图13A是根据本发明的一个实施例的发酵控制器的高级图解。如图13A所示，发酵控制器可接收各种对象(例如，在目标函数中所指定的)，包括例如以下中的一个或者多个：酵母生长、可发酵糖(例如，右旋糖)浓度、批乙醇的结束、残留右旋糖、残留全部糖、乙醇生产(目标)以及发酵间隔。如图13A也示出的那样，提供到控制器作为输入的过程信息可包括如下的任何不受控的影响或者扰动变量：发酵桶循环时间、酵母下降条件以及冷却水供应温度。发酵桶控制器可执行控制模型(反复地)以确定针对操纵变量的设置点(可能地包括目标轨迹)，由此可控制发酵分批过程。例如，如图13A指示的那样，操纵变量的示例包括：发酵桶温度、到发酵桶的酶(葡糖淀粉酶)流、发酵料温度、液化固体、到液化的酶(α淀粉酶)流、倒流以及醪流。

在一些实施例中，酵母生长和可发酵糖浓度的控制模型可包括多个模型，和/或模型预测控制器可包括多个控制器。例如，在这里所描述的模型预测控制方法的一个实施例中，控制结构(图13A的发酵控制器)可包括可操作用于提供关键对象变量的控制的主控制结构或者控制器以及可操作用于提供过程变量控制的子控制结构。然而，应注意的是，在其他实施例中，可根据需要使用任何数量的模型和/或控制器，但是这里所描述的双控制器/模型版本是作为示例性实施例。

图13B是根据一个实施例的示出这种主控制器的高级框图。如图13B所示，在这个实施例中，主控制器接收例如形式为目标函数的目标，该目标函数指定受控变量的值或者行为，诸如，例如，基本上最大的酵母生长和最佳可发酵糖水平等等以及上述过程信息。控制器可包括和/或使用表达酵母生长/可发酵糖浓度和针对发酵过程的温度/酶浓度之间的关系的控制模型，并且可以反复的方式执行该模型(例如，经由优化器)，以确定导致指定目标(或者尽可能接近满足这些目标)的操纵变量的值。注意，该算法经由非线性模型预测控制算法来完成。

以下总结了根据一个实施例的主控制器的功能性：

主控制器：

受控变量：

酵母生长[最大化]，以及

可发酵糖(右旋糖)浓度[期望值]；

操纵变量：

发酵桶温度，以及

发酵桶中酶(例如，葡糖淀粉酶)的浓度；

扰动变量：

料醪固体，

发酵桶中醪的体积，以及

发酵桶中的乙醇浓度。

非线性模型预测控制算法使用控制模型来移动操纵变量以满足控制目标，所述控制目标是(如上所表明的那样)：基本上最大化酵母生长，并且将可发酵糖(例如，右旋糖)浓度控制到所期望的水平。注意，(操纵变量(例如，温度和酶浓度)的)所期望的轨迹是以主控制算法计算的。

如上所述，在一些实施例中，发酵控制器也可包括可操作用于接收来自主控制器的操纵变量的确定值(例如，作为目标)并且确定控制移动以实现这些目标的子控制器。图14是示出根据一个实施例的这种子控制器的高级框图。如图14所示，在这个实施例中，子控制器接收例如形式为目标函数的目标，该目标函数指定受控变量的值或者行为，诸如，例如，由主控制器确定的目标温度和酶浓度值(或者轨迹)等等以及上述的过程信息。子控制器可包括和/或使用表示发酵过程的温度/酶浓度与用于实现这些目标(例如，发酵桶冷却器回流温度(例如，发酵再循环温度)、浆醪温度以及酶流)的手段(例如，控制流)之间的处理关系的控制模型，并且类似于主控制器，该子控制器可反复地执行该模型(例如经由优化器)，以确定导致指定目标(或者尽可能接近满足这些目标)的操纵变量的值。

因此，在主控制器计算在任何给定时间处的发酵桶温度和酶浓度以满足高级控制目标(即，所期望的温度和酶轨迹)时，经由较低级的子控制器完成这两个过程变量的控制。注意，也经由非线性模型预测控制算法完成该控制，其中模型预测控制算法使用操纵变量(例如，发酵桶冷却器回流温度和酶流)以满足控制目标。

以下总结了根据一个实施例的子控制器的功能性：

子控制器：

受控变量：

发酵桶温度[所期望的轨迹]，以及

发酵桶中酶的浓度[所期望的轨迹]。

操纵变量：

发酵桶冷却器回流温度，

浆醪料温度，以及

到发酵桶的酶(葡糖淀粉酶)流。

扰动变量：

到发酵桶的醪流，以及

乙醇转化反应的热。

所述非线性模型预测控制算法使用控制模型来移动操纵变量以满足控制目标，所述控制目标是(如上所表明的那样)：跟随发酵桶温度的所期望的轨迹，以及跟随发酵桶中酶的浓度的所期望的轨迹。

应注意的是，以上途径可以应用于具有任何数量的发酵单元的生物燃料生产设施。例如，图15和16示出了关于三个发酵桶过程的示例性控制矩阵。

图15示出了针对图13B的主控制器的控制矩阵的一个实施例。如图15所示，该控制矩阵显示了受控变量(CV)和操纵变量(MV)，所述受控变量包括针对三个发酵桶中的每个的酵母生长(Yeast_n，其中n＝1，2，3)以及右旋糖浓度(C_Dextrose_n)，所述操纵变量包括针对三个发酵桶中的每个的温度(T_n)、酶浓度(特别是果糖淀粉酶(GA)(V_GA_n))、乙醇浓度(C_Ethanol_n)以及固体浓度(C_Solids_n)等等。也可考虑用作MV或者DV的其它输入，诸如每个其它各种特定生物燃料过程配置的氮或者氨添加、酵母添加(流)或者其它控制器。

图16示出了针对图14的子控制器的控制矩阵。如图14所示，该控制矩阵显示了CV以及MV，所述CV包括针对三个发酵桶中的每个的发酵桶温度(T_n)和酶浓度(V_GA_n)，所述MV包括针对三个发酵桶中的每一个的冷却器回流温度(T_N_Cooler)和反应率(H_n_Rx)以及浆温度(T_Slurry)、酶的流速率(F_GA)和浆醪的流速率(F_Slurry)。

这种矩阵在模型预测控制领域是众所周知的，因此不需要进一步讨论。

在图17中示出了总体控制结构的一个实施例。应注意的是，图17所示的特定架构或者功能划分仅是示例性的，并且可根据需要使用其它架构或者功能划分。如图17所示，在该实施例中，可向计算块提供来自工厂或者过程的过程数据以及来自实验室的实验室数据(例如，由HPLC(高纯度液体色谱)产生的)，其中所述过程数据和实验室数据被共同称作过程信息。如以上所表明的那样，在一些实施例中，也可从推导出的特性模型(也称作以下所讨论的虚拟在线分析仪)提供数据。计算块可计算各种属性并且将这些计算发送到主控制器。更具体地，在一些实施例中，计算块可接收过程数据和实验室数据作为输入，并且执行VOA，以产生VOA值(推导出的特性值)，执行一般数据调节，计算控制器的增益并且执行控制多个发酵桶所需的所有的逻辑。如所示出的那样，这些计算的示例可包括各种计算，诸如：乙醇VOA值(根据能量平衡计算出的)、右旋糖VOA值(其中右旋糖VOA可以是基本模型(也称作第一原理模型)的神经网络克隆)、酵母生长、温度、固体％、体积以及酶体积，等等。也如所示出的那样，也可向主控制器提供目标，例如，酵母生长＝最大值，并且右旋糖＝所期望的轨迹。主控制器可确定如上详细描述的发酵温度和酶浓度的所期望的轨迹，并且向子控制器提供这些值，该子控制器可确定MV移动(例如，关于发酵桶冷却器回流温度和酶流)，并且实施移动来相应地控制所述过程。

提供到计算块的过程数据的示例可包括发酵过程的各种属性中的任何属性，诸如，例如，发酵桶温度、浆醪料温度、浆醪料速率、酶流速率、发酵桶水平、发酵桶冷却器回流温度、发酵桶分批时间以及阀位置，等等。

注意，在一些实施例中，酵母生长的计算中的主要因素是发酵桶热平衡。换言之，本发明的实施例利用在分批发酵桶中的发酵桶热平衡(新陈代谢热产生的)、酵母活动以及生物燃料生产之间的关键相关。该关系主要在基本发酵模型、酵母生长和发酵桶热平衡之间识别，其中发现推导出的酵母生长质量与关于酵母活动和生物学发酵桶采样的所开发的分批发酵模型匹配，并且该推导出的酵母生长质量与发酵桶热平衡强烈相关。

应注意的是，在这里所使用的关于这种关系的特定术语(即，与发酵桶热平衡相关的酵母活动/生产率)并非旨在将本发明的范围限定于任何特定的命名法，而是本发明的实施例试图覆盖使生物新陈代谢活动与发酵桶热平衡相关的的主要概念以及这种相关用于控制发酵的相应使用。换言之，这种相关及其使用独立于关于这里所描述的、作为酵母生长的中间函数所使用的词汇。

控制模型

如以上所表明的那样，控制模型对于主控制算法的预测函数是必要的。这些模型本质上是非线性的并且可使用基本动力学模型来确定。更具体地，在一个实施例中，可通过“克隆”已经被使用过程数据参数化的动力学模型来获得非线性控制模型。这种程序可包括求解广泛范围的操作参数的动力学模型。然后可使用所述解的值来创建非线性控制模型。这些模型可以是但不限于神经网络模型。例如，可根据需要使用支持向量机或者其它非线性模型技术或者模型类型的组合。

因此，可通过在广泛的操作范围运用基本动力学模型来获得非线性控制模型，其中使用工厂数据来参数化所述动力学模型。在一些实施例中，可使用以下关系来构建这些模型：

酵母生长函数←乙醇的浓度，

发酵桶温度，

醪浆固体，

发酵桶中酶(葡糖淀粉酶)的浓度，以及

发酵桶中醪的体积。

发酵桶中的右旋糖←乙醇的浓度，

发酵桶温度，

醪浆固体，

发酵桶中酶(葡糖淀粉酶)的浓度，以及

发酵桶中醪的体积。

换言之，右边的各个参数可用于确定发酵桶中的酵母生长函数和右旋糖浓度。在图18中示出了用于从基本(动力学)模型识别非线性模型的测试步骤的示例，其中，如可看到的那样，显示了各个参数的所设计的行为，包括酶浓度(GA-conc)、温度(Temp)以及固体(Solids)。

用于发酵过程的虚拟分析仪

如以上所指出的那样，在一些情况中，可存在一些不容易测量的发酵属性或者变量。例如，迄今为止，不存在用于关键发酵变量、尤其是乙醇浓度和可发酵糖(例如，右旋糖)浓度的在线分析的可靠方法。为了克服这种限制，已经开发了虚拟分析仪(VOA)来预测上述控制策略预测所需要的控制变量。更具体地，已经根据过程数据和基本过程知识开发了VOA来精确地预测关键发酵变量：乙醇浓度、可发酵糖(例如，右旋糖)浓度以及酵母生长，尽管当然可根据需要使用其它VOA。因此，在一些实施例中，可通过一个或者多个预测模型(例如，VOA)来计算分批发酵过程的未测量属性的预测值。在一些实施例中，这些预测模型可以是动态预测模型，例如，其中例如基于当前过程条件动态地更新模型。

图19示出了用于计算这些变量的VOA的使用，其中，如可看到的那样，提供过程数据和实验室数据作为到VOA的输入，VOA然后计算乙醇、右旋糖和酵母生长的值。在一些实施例中，相应的VOA可用于计算这三个过程变量中每一个的值。

在一个实施例中，可根据能量平衡计算针对每个发酵桶的乙醇浓度VOA。可从能量平衡推导出在任何时间处的乙醇生产。发酵桶中的全部乙醇然后是这个值随着时间的积分。可使用由操作者输入的(或者程序上接收的)工厂HPLC实验室结果来更新VOA。可针对每个发酵桶使用偏置计算，以使得乙醇VOA保持与实验室结果一致。以下示出了根据一个实施例的用于计算乙醇浓度的各种测量量的使用。应注意的是，在一些实施例中，所有这些量均与能量平衡有关。

乙醇浓度VOA值←醪料温度，

醪料流，

发酵桶冷却器回流温度，

发酵桶再循环流，

发酵桶中醪的温度，以及

发酵桶中醪的体积。

图20示出了与实验室结果(HPLC)相比的乙醇浓度的VOA计算。如可看到的那样，VOA值紧紧跟踪实验室结果。

在一些实施例中，右旋糖VOA可以是根据上述基本(动力学)模型克隆的神经网络，其中“克隆”指的是上述用于识别或者确定过程控制模型的技术。实验室偏置也可来自由操作者输入的(或者程序上接收的)工厂HPLC实验室结果。

以下示出了根据一个实施例的用于计算右旋糖(或者任何其它可发酵糖)浓度的各种测量量的使用。应注意的是，在一些实施例中，所有这些量均与到动力学模型的输入有关。

右旋糖浓度VOA值←乙醇的浓度，

发酵桶温度，

醪浆固体，

酶(葡糖淀粉酶)的浓度，以及

批时间。

图21示出了与实验室结果(HPLC)相比的右旋糖浓度的VOA计算。由于使用乙醇VOA，因此VOA值紧紧跟踪实验室结果，尤其在基本上最大生产的区域中。

如上所讨论的酵母生长函数是发酵桶中酵母的生长率减去死亡率。在一些实施例中，酵母生长VOA可以是通过具有神经网络的基本模型所计算的酵母生长的克隆(例如，使用上述关于确定或者识别过程控制模型的技术)。以下示出了根据一个实施例的用于计算酵母生长的各种测量量的使用。应注意的是，在一些实施例中，所有这些量均与到动力学模型的输入有关。

酵母生长函数VOA值←乙醇的浓度，

发酵桶温度，

醪浆固体，以及

酶(葡糖淀粉酶)的浓度。

应注意的是，尽管这里的描述通常指右旋糖浓度，但是右旋糖是可包括在生物燃料生产中的大量可发酵糖中的一种，并且提及右旋糖旨在是示例性的。换言之，这里所公开的技术也旨在适用于也包括在生物燃料生产中的任何其它可发酵糖。

控制算法的扩展

在一些实施例中，可使用通过热交换机的冷却水来完成生物燃料发酵单元的温度操作。在一些情况中，通过使用外部冷却水单元可获得附加的冷却能力。冷却水的引入是这里所公开的控制策略的自然扩展，并且预期落在本发明的范围内。

附加的受控变量

在一些实施例中，总体发酵控制策略可包括主发酵控制算法之外的若干过程输入的控制，诸如，例如，液化酶添加(例如，α淀粉酶)以及到发酵桶的倒流。该控制可包括：可基于到工厂的全部玉米(或者其它生物量)料比率而被控制的α淀粉酶，以及可被控制到作为全部水添加与玉米(或者其它生物量)/水混合槽的百分数的设置点的倒流。

图22-图形用户界面

在一些实施例中，可提供图形用户界面(GUI)用于创建和/或使用本发明的实施例。图22是用于监测和/或控制发酵过程的示例性GUI的屏幕截图。如可看到的那样，在该实施例中，可指定可定制的视图，由此操作者可监测发酵过程的属性或者过程变量的实际的和/或所得到的或者所计算的值。然而，应注意的是，在其他实施例中，GUI可根据需要便于任何其它种类的监测或者控制功能。

注意，在该特定示例性实施例中，GUI显示了发酵过程的各种参数或者变量的绘图，其中在每个绘图中，接近所述绘图中间的垂直黑线的左边的数据是历史的，而垂直黑线的右边的数据是预测的。

图23-25-示例性结果

图23-25示初了根据一个实施例的这里所公开的技术的示例性结果和好处。

图23示出了根据一个实施例的在这里所描述的闭环控制方法下的工业乙醇发酵单元的示例性温度分布曲线。在该示例中，基于酵母生长的最大条件计算温度分布曲线。图20中也示出了在相同的时间周期期间发酵槽中的可发酵醪的体积。

如可看到的那样，当温度保持基本上恒定在大约94度(F)处时，醪体积稳定地增加，恰好在温度开始下降之后达到峰值并且此后保持稳定。如图23所表明的那样，温度在大约91度处降到最低。注意，一旦醪体积到达了峰值，则温度(对醪体积)的影响很小或者没有影响。

图24示出了根据一个实施例的在这里所描述的闭环控制方法下到发酵槽中的结果酶(GA＝葡糖淀粉酶)流。注意，在典型的工业发酵过程中，仅可以在填充循环期间添加酶。

如图24所示，在该示例情况中，酶流初始急剧增加，在大约2250ml/min处达到峰值，然后在粗略的24小时标记处停止之前(以接近12小时标记的短暂突发)迅速减小到小于100ml/min。如也示出的那样，发酵醪体积稳定增加，然后在大约24小时处变平。

因此，如图23和24所表明的那样，控制温度和酶流速率可提供用于控制和优化在醪体积中所反映出的酵母生长的有效方法，如上所述，其控制和优化乙醇生长。图25和26比较了不具有和具有这里所描述的控制策略的乙醇生产的方面。

图25示出了在没有使用这里所公开的先进控制策略的情况下，在发酵过程之后的乙醇的均值和变率。如可看到的那样，生产了具有广泛种类结果的许多批。注意，数据示出了具有差不多1/2％变率的13wt％的平均乙醇含量。

图26示出了控制策略的示例性影响：1)仅具有温度控制；以及2)根据一个实施例的具有这里所描述的完整控制策略。注意，仅使用温度控制，所导致的(与使用现有技术控制策略的生产相比)0.26wt％/vol的乙醇生产中的增加是比现有技术增加2％。然而，如图26所表明的那样，根据一个实施例，利用这里所公开的完全发酵控制策略(即，通过控制温度、糖含量以及酶流速率来使酵母生长最大化)导致了0.48wt％/vol的增加，或者比现有技术增加3.7％。

注意，所述结果也表明变率减小了46％，并且因此这里所描述的技术也可显著地改进发酵过程的可靠性或者一致性。这些性能改进因此可对生物燃料生产具有非常大的经济影响，例如，尤其是关于当前生物燃料生产工厂。

因此，以上系统和方法的各个实施例可用于使用模型预测控制来管理发酵，例如，生物燃料生产过程中的分批发酵。

尽管已经结合优选实施例描述了本发明的系统和方法，但是本发明的系统和方法不限于这里所提出的特定形式，而是相反，本发明旨在覆盖可以合理地包括在由所附权利要求所定义的本发明的精神和范围内的替换、修改和等同内容。

Claims (7)

1.一种用于管理生物燃料生产过程中的分批发酵过程的方法，包括：

针对生物燃料生产过程的分批发酵过程中的生物燃料生产，提供酵母生长和可发酵糖浓度的非线性控制模型；

接收针对所述分批发酵过程的过程信息；

使用所述过程信息作为输入来执行所述酵母生长和可发酵糖浓度的非线性控制模型，以确定所述分批发酵过程的一个或者多个发酵过程变量的值，用于使酵母生长最大化以及实现目标可发酵糖浓度；以及

根据所述一个或者多个发酵过程变量的确定值控制所述分批发酵过程，以使酵母生长最大化以及实现目标可发酵糖浓度，其中所述使酵母生长最大化以及实现目标可发酵糖浓度使所述分批发酵过程中的生物燃料生产最大化。

2.根据权利要求1所述的方法，其中所述一个或者多个发酵过程变量包括以下中的一个或者多个：

发酵温度；或者

酶流，包括到所述发酵过程的酶流的速率，其中所述酶操作用来将淀粉转化成可发酵糖。

3.根据权利要求1所述的方法，还包括：

指定目标函数，其中所述目标函数指定：

所述使酵母生长最大化；以及

所述目标可发酵糖浓度；

其中所述执行所述酵母生长和可发酵糖浓度的非线性控制模型包括：

优化器反复地执行所述酵母生长和可发酵糖浓度的非线性控制模型以求解所述目标函数，从而确定所述一个或者多个发酵过程变量的所述值。

4.根据权利要求1所述的方法，其中所述过程信息包括以下中的一个或者多个：

所述分批发酵过程的测量属性；

实验室数据；或者

根据一个或者多个预测模型计算的、所述分批发酵过程的未测量属性的预测值。

5.根据权利要求1所述的方法，其中所述酵母生长和可发酵糖浓度的非线性控制模型包括：

作为发酵温度和酶浓度的函数的、酵母生长和可发酵糖浓度的非线性控制模型；以及

作为发酵桶冷却器回流温度和酶流的函数的、温度和酶浓度的非线性控制模型。

6.根据权利要求5所述的方法，其中所述执行酵母生长和可发酵糖浓度的非线性控制模型包括：

使用所述过程信息作为输入来执行所述作为发酵温度和酶浓度的函数的、酵母生长和可发酵糖浓度的非线性控制模型，以确定使酵母生长最大化并且实现所述目标可发酵糖浓度的所述分批发酵过程的温度和酶浓度的值；以及

使用所述过程信息作为输入来执行所述温度和酶浓度的非线性控制模型，以确定发酵桶冷却器回流温度和酶流的值，用于实现所述分批发酵过程中的温度和酶浓度的确定值。

7.根据权利要求1所述的方法，还包括：

反复地执行所述接收过程信息、所述执行酵母生长和可发酵糖浓度的非线性控制模型以及所述控制分批发酵过程，以便以最优的方式生产所述生物燃料。

Images