CN101859106B - 一种发酵生产过程控制方法及应用 - Google Patents
一种发酵生产过程控制方法及应用 Download PDFInfo
- Publication number
- CN101859106B CN101859106B CN2010102072082A CN201010207208A CN101859106B CN 101859106 B CN101859106 B CN 101859106B CN 2010102072082 A CN2010102072082 A CN 2010102072082A CN 201010207208 A CN201010207208 A CN 201010207208A CN 101859106 B CN101859106 B CN 101859106B
- Authority
- CN
- China
- Prior art keywords
- production process
- fermentation production
- line
- feed supplement
- optimum
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 118
- 238000000855 fermentation Methods 0.000 title claims abstract description 93
- 230000004151 fermentation Effects 0.000 title claims abstract description 91
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000005457 optimization Methods 0.000 claims abstract description 61
- 230000014509 gene expression Effects 0.000 claims abstract description 32
- 108090000790 Enzymes Proteins 0.000 claims abstract description 14
- 102000004190 Enzymes Human genes 0.000 claims abstract description 14
- 240000004808 Saccharomyces cerevisiae Species 0.000 claims abstract description 13
- 230000001105 regulatory effect Effects 0.000 claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 8
- 239000006052 feed supplement Substances 0.000 claims description 66
- 239000008103 glucose Substances 0.000 claims description 33
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 claims description 32
- 210000004243 sweat Anatomy 0.000 claims description 32
- 238000012821 model calculation Methods 0.000 claims description 6
- 239000000203 mixture Substances 0.000 claims description 5
- 239000000758 substrate Substances 0.000 claims description 4
- 244000005700 microbiome Species 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 8
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 abstract 2
- 230000007547 defect Effects 0.000 abstract 1
- 230000005284 excitation Effects 0.000 abstract 1
- 230000002085 persistent effect Effects 0.000 abstract 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 17
- 230000002255 enzymatic effect Effects 0.000 description 9
- 235000014680 Saccharomyces cerevisiae Nutrition 0.000 description 8
- 239000000047 product Substances 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 3
- 230000004907 flux Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000004103 aerobic respiration Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000012467 final product Substances 0.000 description 2
- 238000011017 operating method Methods 0.000 description 2
- 210000005253 yeast cell Anatomy 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 241000235342 Saccharomycetes Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 125000003158 alcohol group Chemical group 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000001580 bacterial effect Effects 0.000 description 1
- 238000010923 batch production Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 229960000074 biopharmaceutical Drugs 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 230000000813 microbial effect Effects 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000012113 quantitative test Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Landscapes
- Micro-Organisms Or Cultivation Processes Thereof (AREA)
Abstract
本发明公开了一种发酵生产过程控制方法,包括:先通过离线解析和数值优化计算确定最优状态的数值解、最优补料曲线的实际表达式,再以确定的最优状态的数值解为目标值,采用通用模型控制算法,建立实际发酵生产过程的反馈控制回路,根据状态变量偏离最优值的反馈量来实时调节补料速率,实现对状态变量最优值的实时跟踪,保证发酵生产过程中产量最大化。本发明还公开了所述控制方法在酿酒酵母酶的发酵生产过程中的应用。本发明控制方法可降低生产过程中的不确定因素对性能指标的影响;不需对过程模型进行在线修正及在线梯度计算,避免了重复优化在线计算量大、需要持续激励等缺陷;被控变量物理意义明确,控制器参数易于调节,适合实际的生产过程。
Description
技术领域
本发明属于工业控制领域,具体涉及发酵生产过程控制方法及应用。
背景技术
发酵过程广泛应用于生物制药、食品加工等行业。发酵过程优化是发酵工程生产中的主要问题,是在已提供菌种和放罐条件的基础上,寻求使产能/成本比最大,产品质量最好的操作工艺。发酵过程优化是一个动态优化问题:没有稳定的工作点、时变和非线性的动力学特性、存在生产约束。
随着提高产品质量的需求和市场竞争的加剧,发酵过程的优化与控制受到广泛重视。发酵过程优化的关键在于最优补料曲线的确定与调整。由于发酵过程的复杂性,目前发酵生产过程基本是通过人工分析实验数据得到可行的操作工艺,经放大进行工业生产,但该工艺并不是最优的,控制不同的操作条件,基本相同的投料量也会得到完全不同的产量,而且整个生产过程处于开环状态,过程扰动和参数变化等不确定因素对最终的产品质量影响很大。
发明内容
本发明提供了一种能够有效补偿发酵生产过程中的不确定性对产品性能指标的影响,实现对发酵生产过程产量的闭环优化控制的发酵生产过程控制方法。
一种发酵生产过程控制方法,包括以下步骤:
(1)以发酵生产过程中产量最大化为目标,从离线发酵过程模型解析得到离线发酵生产过程中的最优补料曲线的解析表达式;其中,所述的从离线发酵过程模型解析得到的离线发酵生产过程中的最优补料曲线由最大极值弧、最小极值弧和奇异弧组成,与其对应的所述的解析表达式为三段表达式;
以发酵生产过程中产量最大化为目标,从离线发酵过程模型计算得到离线发酵生产过程中的最优补料曲线的数值解和最优状态变量的数值解;
将离线发酵生产过程中的最优补料曲线的解析表达式与数值解相结合,确定离线发酵生产过程中的最优补料曲线的实际表达式;
其中,所述的从离线发酵过程模型解析得到发酵生产过程中的最优补料曲线的解析表达式,是基于极大值原理,利用最优性必要条件,对离线发酵过程模型求解实现的。离线计算时,不考虑实际发酵生产过程中的不确定性因素,此时的离线发酵生产过程模型为标称模型。
其中,所述的从离线发酵过程模型计算得到离线发酵生产过程中的最优补料曲线的数值解和最优状态变量的数值解,包括以下步骤:
将补料速率离散化,利用离线发酵过程模型的最优性必要条件,采用数值优化方法求解离散后补料速率的非线性规划问题,得到离线发酵生产过程中的最优补料曲线的数值解和最优状态变量的数值解。
其中,所述的离线发酵生产过程中的最优补料曲线的实际表达式,包括:所述的最优补料曲线的解析表达式的实际组成、组成顺序以及切换条件。所述的状态变量为底物浓度、微生物浓度或产物浓度。
所述的基于数值优化方法、极大值原理及最优性必要条件,确定保证产量最大化的最优输入曲线分段表示形式、所需跟踪的最优状态变量及分段之间的切换条件;该方法既是一种定性分析,得到最优输入曲线的结构及所需跟踪的状态变量;也是一种定量分析,得到状态变量的最优值作为跟踪控制的目标值。
(2)将步骤(1)计算出的最优状态变量作为目标值,采用通用模型控制算法,建立实际发酵生产过程的反馈控制回路,在状态变量偏离最优值时,通过实时调节补料速率,使得状态变量趋近于最优值,从而通过对状态变量最优值的实时跟踪来实现发酵生产过程中产量最大化。
所述的通用模型控制算法,详见P.L.Lee,等.在题名为“Genericmodel control(GMC)”(Comp.Chem.Eng.,1988,vol.6,573-580)中所公开的内容。
以优化过程中经一次离线计算得到的最优状态值最为目标值进行跟踪控制,闭环反馈回路保证过程的最优性及鲁棒性,将无稳定状态的间歇过程的优化问题转化为控制问题,以消除实际发酵生产过程中的不确定因素对生产产量的影响。
本发明还提供了所述的发酵生产过程控制方法在酿酒酵母酶的发酵生产过程中的应用,包括以下步骤:
(1)以酿酒酵母酶的发酵生产过程中产量最大化为目标,从离线发酵过程模型解析得到离线发酵生产过程中的最优补料曲线的解析表达式;
以酿酒酵母酶的发酵生产过程中产量最大化为目标,从离线发酵过程模型计算得到离线发酵生产过程中的最优补料曲线的数值解和葡萄糖浓度的最优数值解;
将离线发酵生产过程中的最优补料曲线的解析表达式与数值解相结合,确定离线发酵生产过程中的最优补料曲线的实际表达式;
(2)将步骤(1)计算出的最优状态变量作为目标值,采用通用模型控制算法,建立实际发酵生产过程的反馈控制回路,在葡萄糖浓度偏离最优值时,通过实时调节补料速率,使得葡萄糖浓度趋近于最优值,从而通过对葡萄糖浓度量最优值的实时跟踪来实现酿酒酵母酶的发酵生产过程中产量最大化。
本发明中,综合考虑发酵生产过程的特点和实际生产情况,将发酵过程的优化和补料曲线的实时控制相结合,将对产量最大化的优化问题转化为对最优状态变量的跟踪控制,能有效补偿生产过程中的不确定性对产品性能指标的影响,实现对发酵过程产量的闭环优化控制。
与现有技术相比,本发明具有以下有益的技术效果:
1、通过基于优化和反馈控制相结合的发酵生产过程控制方法,对补料曲线进行在线实时调节,使得状态变量在生产过程中一直趋近于最优值,能有效补偿发酵过程中不确定因素对生产过程的影响,最终的产品性能指标(生产产量)较现有方法有显著提高。
2、反馈控制回路中控制器结构简单,参数易于调节,直接利用测量值对补料曲线进行调节,无需进行在线估计或辨识模型参数,计算量小,对不确定性的响应更灵敏,调节速度快。
附图说明
图1为本发明的发酵生产过程控制方法流程图;
图2为本发明的发酵生产过程控制方法中闭环优化控制系统结构示意图;
图3为离线数值优化的葡萄糖浓度曲线;
图4为离线数值优化的酶活性曲线;
图5为离线数值优化的性能指标J1曲线;
图6为离线数值优化的性能指标J2曲线;
图7为离线数值优化的补料速率曲线;
图8为补料浓度Sin发生扰动时采取开环优化的葡萄糖浓度曲线;
图9为补料浓度Sin发生扰动时采取开环优化的酶活性曲线;
图10为补料浓度Sin发生扰动时采取开环优化的性能指标J1曲线;
图11为补料浓度Sin发生扰动时采取开环优化的性能指标J2曲线;
图12为补料浓度Sin发生扰动时采取开环优化的补料速率曲线;
图13为呼吸作用参数kr1发生变化时采取开环优化的葡萄糖浓度曲线
图14为呼吸作用参数kr1发生变化时采取开环优化的酶活性曲线;
图15为呼吸作用参数kr1发生变化时采取开环优化的性能指标J1曲线;
图16为呼吸作用参数kr1发生变化时采取开环优化的性能指标J2曲线;
图17为呼吸作用参数kr1发生变化时采取开环优化的补料速率曲线;
图18为存在两种不确定因素时采取开环优化与闭环优化控制的葡萄糖浓度曲线对比;
图19为存在两种不确定因素时采取开环优化与闭环优化控制的酶活性曲线对比;
图20为存在两种不确定因素时采取开环优化与闭环优化控制的性能指标J1曲线对比;
图21为存在两种不确定因素时采取开环优化与闭环优化控制的性能指标J2曲线对比;
图22为存在两种不确定因素时采取开环优化与闭环优化控制的补料速率曲线对比。
具体实施方式
下面结合附图和实施例对本发明做进一步说明。
如附图1所示,一种发酵生产过程控制方法,包括如下步骤:
(1)针对标称模型的离线优化部分
实际发酵生产过程模型如下:
其中,x为状态变量(包括底物浓度、微生物浓度及产物浓度),x0为发酵初始条件,f为非线性映射,g为输入矩阵,u为控制量(补料速率),θ为发酵过程中的不确定性参数。
实际发酵生产过程动态优化问题为:
umin≤u≤umax,T(x(tf))≤0
其中,tf为发酵结束时间,T(x(tf)为终端约束条件,umax和umin为补料速率上下限的物理约束。
离线计算时,发酵生产过程模型(标称模型)下的优化问题,采用汉密尔顿方法解决。
汉密尔顿函数H为:
H=λTf(x)+gu (iii)
其中,λ≠0为拉格朗日乘子,λT为λ的转置矩阵。
由庞特里亚金极大值原理,将离线发酵生产过程模型的优化问题中目标函数求极值问题转化为对汉密尔顿函数H求极值。由此可得最优性必要条件为:
由于发酵生产过程中存在对于补料速率的上下界约束,这决定了其最优补料曲线u*表现为分段连续的形式,即
其中,
由此,根据最优性必要条件,对离线发酵生产过程模型进行解析,得到了最优补料曲线的解析表达式,为可能的三段表达式。为了进一步确定最优补料曲线实际是由哪几段表达式组成、各段表达式之间的组成顺序、以及各段表达式切换的条件,以下将结合离线数值优化来进一步计算。
将时间域[0,tf]分为N-1个等间隔,0<t1<...<tN=tf’将补料速率u离散化即参数化表示。在每个间隔中用M阶拉格朗日插值多项式逼近补料速率u,以第k个间隔为例,离散后的补料速率uk(t)为:
原标称模型下动态优化问题转化为离散后参数的非线性规划问题,如下:
maxJ=x(tN)
umin≤uk(t,ωk)≤umax,tk-1≤t≤tk,k=1,...,N
T(x(tN))≤0
利用数值优化方法求解此非线性规划问题,得到最优化参数ωik’即可得到最优补料曲线u*的数值解及状态变量的最优数值解x*。
数值优化计算得到的最优补料曲线的数值解与解析分析得到的解析表达式结合分析,可以确定得到最优补料曲线的实际表达式,包括:最优补料曲线u*的具体结构(最优补料曲线的弧组成以及顺序)、切换条件及其分段解析表示形式。
(2)实时控制部分
由于实际发酵生产过程中不确定性因素的存在,步骤(1)中计算得到的us在实际发酵生产过程中会发生变化。如果仍以离线计算得到的最优补料曲线应用于实际的发酵生产过程中,将使状态变量x偏离最优值x*,同时也不能满足最优性必要条件造成发酵性能指标(生产产量)J下降。
当补料速率处于其上、下界u=umax或u=umin时,控制调节失去了可操作性,状态变量x不可控;只有当补料速率处于可行域范围内umin<u<umax时,控制调节才有意义,此时,需要满足最优性必要条件状态变量x保持在最优值x*,即等价于x=x*;所以,要保证补料速率u满足最优性必要条件只需要通过调节u使x趋近于最优状态x*,而不必在线计算
由于发酵过程本身具有很强的非线性,因此,将步骤(1)计算出的状态变量的最优数值解(最优状态变量)作为目标值,采用通用模型控制算法得到补料速率,建立实际发酵生产过程的反馈控制回路,在状态变量偏离最优值时,通过实时调节补料速率,使得状态变量趋近于最优状态变量,从而通过对状态变量最优值的实时跟踪来实现发酵生产过程中产量最大化。
所述的通用模型控制算法,详见P.L.Lee,等.在题名为“Genericmodel control(GMC)”(Comp.Chem.Eng.,1988,vol.6,573-580)中所公开的内容,应用于本发明中,具体如下:
考虑观测方程
y=h(x) (ix)
其中,y为发酵过程状态观测值,h为观测矩阵;
如果y偏离期望的稳定状态y*=h(x*),则要求y能快速逼近y*并减小偏差,有
u=(K1(x-x*)+K2∫(x-x*)dt-hxf(x))/hxg (xii)
利用通用模型控制策略跟踪x*的过程,如图2所示,由于生产过程中的不确定性,使当前状态x的观测值偏离给定值x*(最优值),以它们之间的偏差e=x-x*,作为通用模型控制器的输入,构成闭环反馈控制回路,通过控制量u(如公式(xii)所示)来消除偏差e,以降低不确定性对发酵过程的影响。
以下将以本发明的发酵生产过程控制方法在酿酒酵母酶的发酵生产过程中的应用为例,来详细说明本发明的发酵生产过程控制方法的实现。
酿酒酵母酶分批发酵培养的补料优化问题,考虑如下性能指标J1和J2。其中,性能指标J1体现产量的大小,性能指标J2考虑产量和发酵时间,J2中的第二项0.3tf是指对发酵时间的惩罚,时间tf越长,产量J2越小。
0≤u≤0.6L/h
其中:S为底物(葡萄糖)浓度(g/L,克/升)、X为生物量浓度,也称酵母细胞浓度(Optical Density缩写为OD,光学密度)、P为酶活性(units/mL·OD,单位/毫升·光学密度)、V为体积(L,升)、Sin为补料浓度(g/L,克/升)、σ为底物消耗率(L/h·OD,升/小时·光学密度)、μ为细胞增长率(L/h·g glucose,升/小时·克葡萄糖)、ρ为产物得率(units/OD·h·gglucose,单位/光学密度·小时·克葡萄糖)、u为补料速率(L/h,升/小时),Vtf≤1.2L为最终体积约束。
酿酒酵母酶发酵过程其它模型参数列举如下:
Rr-(有氧)呼吸通量,Rr=krS/(Kr+S)
kr=0.55L/(h·OD),最大呼吸流,
Kr=0.05g/L,呼吸方式饱和常数
Rt-葡萄糖摄取总量,Rt=max{ktS/(Kt+S),Rr}
kt=1.25L/(h·OD),最大葡萄糖消耗率
Kt=0.95g/L,葡萄糖消耗饱和常数
Rf-(无氧)发酵通量,Rf=Rt-Rr
Φ-酶生成率,Φ=6.25S/(0.1+S+2S2)
Yxr-呼吸方式下的细胞得率,Yxr=0.6OD/g glucose
Yxf-发酵方式下的细胞得率,Yxf=0.15OD/g glucose
kd=1.85h
σ(S)=Rt
μ(S)=Rr·Yxr+Rf·Yxf
ρ(S)=Φ-kd·P
发酵初始条件:
S(0)=5.0g/L;X(0)=0.15OD;P(0)=0.1 units/OD·mL;V(0)=0.6L。
离线数值优化结果如图3~7所示。其中图3为离线数值优化的葡萄糖浓度曲线,图4为离线数值优化的酶活性曲线,图5为离线数值优化的性能指标J1曲线、图6为离线数值优化的性能指标J2曲线,图7为离线数值优化的补料速率曲线。离线数值优化得到最优状态为葡萄糖浓度S*=0.225g/L,该发酵过程最优补料曲线由极值弧umin=0和奇异弧us=RtXV/(Sin-S*)组成,它们之间的切换条件为葡萄糖浓度S=S*时。
从微生物发酵角度来说,初始的葡萄糖浓度S(0)过高,会抑制酿酒酵母酶的基因表达,使得酵母细胞有氧呼吸达到饱和,摄入多余的葡萄糖用来进行无氧发酵,代谢产物是酒精。发酵液中过多的酒精积累会损伤酵母细胞,所以尽可能保证酵母菌处于有氧呼吸状态,以提高细胞对葡萄糖的利用率,过高的葡萄糖浓度还会抑制酶的生成。因此发酵初始阶段补料速率为零,以尽快降低葡萄糖浓度直到S=S*,其后,以us进行补料使葡萄糖浓度始终保持在S*。
发酵生产受外界干扰,会导致补料浓度Sin及发酵动力学参数飘移发生变化,此处的发酵动力学参数为呼吸通量Rr中的呼吸作用参数kr1,kr1=0.55(L/h·OD)为最大呼吸流,发酵过程中其实际值不大于0.55。
当存在上述不确定性时,如果此时仍然以离线得到的补料策略进行生产,将会使发酵性能指标降低。
图8~12给出了补料浓度Sin发生扰动时采取离线得到的补料策略进行开环优化的结果示意图,其中,理想状态下补料浓度为10克/升,补料浓度Sin发生扰动时对比补料浓度为9.65克/升或10.35克/升。图8为补料浓度Sin发生扰动时采取开环优化的葡萄糖浓度曲线;图9为补料浓度Sin发生扰动时采取开环优化的酶活性曲线;图10为补料浓度Sin发生扰动时采取开环优化的性能指标J1曲线;图11为补料浓度Sin发生扰动时采取开环优化的性能指标J2曲线;图12为补料浓度Sin发生扰动时采取开环优化的补料速率曲线。显然可以看出,以离线得到的补料策略采取开环优化进行生产,发酵性能指标较理想状态降低。
图13~17给出了呼吸作用参数kr1发生变化时采取离线得到的补料策略进行开环优化的结果示意图,其中,理想状态下kr1=0.55(L/h·OD),发生变化时kr1为0.45(L/h·OD)。图13为呼吸作用参数krl发生变化时采取开环优化的葡萄糖浓度曲线;图14为呼吸作用参数kr1发生变化时采取开环优化的酶活性曲线;图15为呼吸作用参数kr1发生变化时采取开环优化的性能指标J1曲线;图16为呼吸作用参数kr1发生变化时采取开环优化的性能指标J2曲线;图17为呼吸作用参数kr1发生变化时采取开环优化的补料速率曲线。显然可以看出,以离线得到的补料策略采取开环优化进行生产,发酵性能指标较理想状态降低。
基于以上的情况,当存在不确定条件下需要采取本发明方法的闭环优化控制,控制过程如下:
采样时间Δt=0.1h。
同时考虑上述的两种不确定因素的变化:补料浓度Sin以均值10g/L,标准差1.25g/L变化;呼吸作用参数kr1在0.35~0.55(L/h·OD)之间随机变化,采用所设计的优化控制器分别作了10个实验,控制结果如图18~22中实线所示,性能指标的平均值见表1。
图18为存在两种不确定因素时采取开环优化与闭环优化控制的葡萄糖浓度曲线对比;图19为存在两种不确定因素时采取开环优化与闭环优化控制的酶活性曲线对比;图20为存在两种不确定因素时采取开环优化与闭环优化控制的性能指标J1曲线对比;图21为存在两种不确定因素时采取开环优化与闭环优化控制的性能指标J2曲线对比;图22为存在两种不确定因素时采取开环优化与闭环优化控制的补料速率曲线对比。各图中虚线为开环优化控制结果,实线为闭环优化控制结果。
表1各情况下性能指标对比
由图18~22所示的存在两种不确定因素时采取开环优化与闭环优化控制的结果对比图和上述表1所示的性能指标的平均值对比,可以明显看出:在开环状态下,由于发酵过程中不确定性的影响,导致性能指标J1和J2均显著下降。采用本发明中的闭环优化控制方法,结果已接近无不确定性的理想状态,与开环优化相比,性能指标J1和J2分别提高了24%和9.7%,可显著提高经济效益。
Claims (5)
1.一种发酵生产过程控制方法,其特征在于,包括以下步骤:
(1)以发酵生产过程中产量最大化为目标,从离线发酵过程模型解析得到离线发酵生产过程中的最优补料曲线的解析表达式;所述的从离线发酵过程模型解析得到发酵生产过程中的最优补料曲线的解析表达式,是基于极大值原理,利用最优性必要条件,对离线发酵过程模型求解实现的;
以发酵生产过程中产量最大化为目标,从离线发酵过程模型计算得到离线发酵生产过程中的最优补料曲线的数值解和最优状态变量的数值解;所述的从离线发酵过程模型计算得到离线发酵生产过程中的最优补料曲线的数值解和最优状态变量的数值解,包括以下步骤:将补料速率离散化,利用离线发酵过程模型的最优性必要条件,采用数值优化方法求解离散后补料速率的非线性规划问题,得到离线发酵生产过程中的最优补料曲线的数值解和最优状态变量的数值解;
将离线发酵生产过程中的最优补料曲线的解析表达式与数值解相结合,确定离线发酵生产过程中的最优补料曲线的实际表达式;
(2)将步骤(1)计算出的最优状态变量作为目标值,采用通用模型控制算法,建立实际发酵生产过程的反馈控制回路,在状态变量偏离最优值时,通过实时调节补料速率,使得状态变量趋近于最优值,从而通过对状态变量最优值的实时跟踪来实现发酵生产过程中产量最大化。
2.如权利要求1所述的发酵生产过程控制方法,其特征在于,所述的从离线发酵过程模型解析得到的离线发酵生产过程中的最优补料曲线由最大极值弧、最小极值弧和奇异弧组成,相应地,所述的解析表达式为三段表达式。
3.如权利要求1或2所述的发酵生产过程控制方法,其特征在于,所述的离线发酵生产过程中的最优补料曲线的实际表达式,包括:所述的最优补料曲线的解析表达式的实际组成、组成顺序以及切换条件。
4.如权利要求1所述的发酵生产过程控制方法,其特征在于,所述的状态变量为底物浓度、微生物浓度或产物浓度。
5.如权利要求1~4任一所述的发酵生产过程控制方法在酿酒酵母酶的发酵生产过程中的应用,其特征在于,包括以下步骤:
(1)以酿酒酵母酶的发酵生产过程中产量最大化为目标,从离线发酵过程模型解析得到离线发酵生产过程中的最优补料曲线的解析表达式;
以酿酒酵母酶的发酵生产过程中产量最大化为目标,从离线发酵过程模型计算得到离线发酵生产过程中的最优补料曲线的数值解和葡萄糖浓度的最优数值解;
将离线发酵生产过程中的最优补料曲线的解析表达式与数值解相结合,确定离线发酵生产过程中的最优补料曲线的实际表达式;
(2)将步骤(1)计算出的最优状态变量作为目标值,采用通用模型控制算法,建立实际发酵生产过程的反馈控制回路,在葡萄糖浓度偏离最优值时,通过实时调节补料速率,使得葡萄糖浓度趋近于最优值,从而通过对葡萄糖浓度量最优值的实时跟踪来实现酿酒酵母酶的发酵生产过程中产量最大化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010102072082A CN101859106B (zh) | 2010-06-23 | 2010-06-23 | 一种发酵生产过程控制方法及应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010102072082A CN101859106B (zh) | 2010-06-23 | 2010-06-23 | 一种发酵生产过程控制方法及应用 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101859106A CN101859106A (zh) | 2010-10-13 |
CN101859106B true CN101859106B (zh) | 2011-12-14 |
Family
ID=42945067
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010102072082A Expired - Fee Related CN101859106B (zh) | 2010-06-23 | 2010-06-23 | 一种发酵生产过程控制方法及应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101859106B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103792845B (zh) * | 2014-01-26 | 2016-08-17 | 浦城正大生化有限公司 | 一种金霉素发酵过程补糖速率优化控制的方法和系统 |
JP6523854B2 (ja) * | 2015-07-29 | 2019-06-05 | 株式会社東芝 | 最適制御装置、最適制御方法、コンピュータプログラム及び最適制御システム |
CN110109430B (zh) * | 2019-04-30 | 2020-09-22 | 杭州电子科技大学 | 一种间歇式啤酒发酵装置优化控制系统 |
CN114036810A (zh) * | 2021-11-04 | 2022-02-11 | 江南大学 | 一种细胞培养状态在线估计及优化补料调控方法 |
CN114760208B (zh) * | 2022-03-25 | 2024-01-30 | 广州大学 | 一种基于时段划分的无线传感器网络控制方法 |
CN115857361B (zh) * | 2023-02-27 | 2023-04-28 | 山东申东智能装备有限公司 | 一种用于啤酒发酵的优化控制方法及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU783125B2 (en) * | 2000-10-31 | 2005-09-29 | Dsm Ip Assets B.V. | Optimisation of fermentation processes |
CN101182463B (zh) * | 2007-11-29 | 2011-08-17 | 江南大学 | 发酵过程的智能自动流加方法 |
CN101639902B (zh) * | 2009-08-12 | 2012-05-23 | 江苏大学 | 生物发酵过程中基于支持向量机的软测量仪表的建模方法 |
-
2010
- 2010-06-23 CN CN2010102072082A patent/CN101859106B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN101859106A (zh) | 2010-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101859106B (zh) | 一种发酵生产过程控制方法及应用 | |
Chang et al. | Nonlinear model predictive control of fed-batch fermentations using dynamic flux balance models | |
Dabros et al. | Simple control of specific growth rate in biotechnological fed-batch processes based on enhanced online measurements of biomass | |
Shioya | Optimization and control in fed-batch bioreactors | |
US20140134599A1 (en) | Model predictive control of a fermentation feed in biofuel production | |
CN101689045A (zh) | 生物燃料发酵过程的非线性模型预测控制 | |
Napoli et al. | Continuous lactose fermentation by Clostridium acetobutylicum–assessment of acidogenesis kinetics | |
Ajbar et al. | Study of advanced control of ethanol production through continuous fermentation | |
Bodizs et al. | Oxygen control for an industrial pilot-scale fed-batch filamentous fungal fermentation | |
Hisbullah et al. | Comparative evaluation of various control schemes for fed-batch fermentation | |
Jabarivelisdeh et al. | Model predictive control of a fed-batch bioreactor based on dynamic metabolic-genetic network models | |
Pimentel et al. | An observer-based robust control strategy for overflow metabolism cultures in fed-batch bioreactors | |
Quiñόnez et al. | Application of nonlinear pid controllers to bioreactor processes | |
Gunawan et al. | Washout and non-washout solutions of a system describing microbial fermentation process under the influence of growth inhibitions and maximal concentration of yeast cells | |
Chang | The snowball effect in fed‐batch bioreactions | |
Dewasme et al. | Adaptive and robust linearizing control strategies for fed-batch cultures of microorganisms exhibiting overflow metabolism | |
Murugan et al. | Multi-Objective Optimization for Enhanced Ethanol Production during Whey Fermentation | |
Galvanauskas et al. | Design and Adaptation of Robust Feeding Profiles for Recombinant E. coli Fed-batch Cultivation Processes | |
Zhang et al. | Reliable multi-objective on-line re-optimisation control of a fed-batch fermentation process using bootstrap aggregated neural networks | |
Lyubenova | Monitoring the kinetics of bioprocess variables–theory and applications | |
De Battista et al. | Output feedback linearization of turbidostats after time scaling | |
CN105199973B (zh) | 一种基于差分进化算法的酵母培养在线自适应控制方法 | |
Zhao | Studies on modeling and control of continuous biotechnical processes | |
Kapadia et al. | Lyapunov-based continuous-stirred tank bioreactor control to maximize biomass production using the Haldane and Monod specific growth models | |
HOCALAR et al. | Nonlinear control of large-scale fed-batch yeast fermentation: control of the specific growth rate |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20111214 Termination date: 20160623 |
|
CF01 | Termination of patent right due to non-payment of annual fee |