CN109668858A - 基于近红外光谱检测发酵过程生物量和组分浓度的方法 - Google Patents
基于近红外光谱检测发酵过程生物量和组分浓度的方法 Download PDFInfo
- Publication number
- CN109668858A CN109668858A CN201910114102.9A CN201910114102A CN109668858A CN 109668858 A CN109668858 A CN 109668858A CN 201910114102 A CN201910114102 A CN 201910114102A CN 109668858 A CN109668858 A CN 109668858A
- Authority
- CN
- China
- Prior art keywords
- concentration
- data
- model
- near infrared
- biomass
- 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.)
- Pending
Links
- 238000000855 fermentation Methods 0.000 title claims abstract description 54
- 230000004151 fermentation Effects 0.000 title claims abstract description 54
- 238000002329 infrared spectrum Methods 0.000 title claims abstract description 41
- 239000002028 Biomass Substances 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000001514 detection method Methods 0.000 title claims abstract description 15
- 238000004519 manufacturing process Methods 0.000 claims abstract description 26
- 238000004611 spectroscopical analysis Methods 0.000 claims abstract description 25
- 239000000758 substrate Substances 0.000 claims abstract description 25
- 239000007788 liquid Substances 0.000 claims abstract description 15
- 238000002790 cross-validation Methods 0.000 claims abstract description 12
- 238000012544 monitoring process Methods 0.000 claims abstract description 10
- 238000007654 immersion Methods 0.000 claims abstract description 5
- 239000000523 sample Substances 0.000 claims description 33
- 238000005259 measurement Methods 0.000 claims description 25
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000001228 spectrum Methods 0.000 claims description 19
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 claims description 15
- 230000003595 spectral effect Effects 0.000 claims description 15
- 235000019441 ethanol Nutrition 0.000 claims description 13
- 238000002835 absorbance Methods 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 10
- 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 7
- 239000008103 glucose Substances 0.000 claims description 7
- 238000010521 absorption reaction Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 5
- 238000011897 real-time detection Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 239000012141 concentrate Substances 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 238000002474 experimental method Methods 0.000 abstract description 6
- 238000004445 quantitative analysis Methods 0.000 abstract description 3
- 238000012795 verification Methods 0.000 abstract description 3
- 238000011065 in-situ storage Methods 0.000 abstract description 2
- 239000000463 material Substances 0.000 description 5
- HEMHJVSKTPXQMS-UHFFFAOYSA-M Sodium hydroxide Chemical compound [OH-].[Na+] HEMHJVSKTPXQMS-UHFFFAOYSA-M 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 240000004808 Saccharomyces cerevisiae Species 0.000 description 2
- 235000014680 Saccharomyces cerevisiae Nutrition 0.000 description 2
- 239000004615 ingredient Substances 0.000 description 2
- 239000002609 medium Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- BASFCYQUMIYNBI-UHFFFAOYSA-N platinum Chemical compound [Pt] BASFCYQUMIYNBI-UHFFFAOYSA-N 0.000 description 2
- 238000003756 stirring Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 210000002659 acromion Anatomy 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005119 centrifugation Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 239000000498 cooling water Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 239000004519 grease Substances 0.000 description 1
- 239000001963 growth medium Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000009916 joint effect Effects 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000001766 physiological effect Effects 0.000 description 1
- 229910052697 platinum Inorganic materials 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3577—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing liquids, e.g. polluted water
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明属于工业过程检测领域,涉及一种基于近红外光谱检测发酵过程生物量和组分浓度的方法。本发明是利用配有浸入式探头的近红外光谱分析仪,搭建生物发酵过程在线监测实验平台,从而实时原位测量生物发酵过程发酵液近红外光谱数据。首先对光谱数据和参考数据进行采集,其次对测量到的近红外光谱数据进行预处理操作,然后对数据划分校正集和验证集进行建立联合标定模型,并使用网格搜索和交叉验证的方法对模型参数进行选择,最后,通过外部实验验证建立模型的有效性,由此定量分析发酵过程生物量、底物浓度和产物浓度。本发明能够达到自动快速检测生物量、底物浓度和产物浓度,便于实际工业应用和推广。
Description
技术领域
本发明属于工业过程检测领域,涉及一种基于近红外光谱检测发酵过程生物量和组分浓度的方法,具体是基于近红外光谱分析技术实时测量发酵过程生物量、底物浓度和产物浓度的方法。
背景技术
发酵工程广泛用于生物质转化、食品、医药等生产行业。发酵过程的参数主要分为化学参数(如PH值、溶解氧浓度等)、物理参数(如发酵温度、搅拌转速等)和生物参数(基质浓度、生物质浓度和产物浓度等)。工程应用中主要通过调控这些参数对发酵过程进行控制和优化。目前仅对一些化学参数和物理参数可以实现在线测量,然而对于生物参数仍主要采用离线的测量技术,耗时较长,难以进行实时检测。
近红外光谱技术具有对不同物质组分的敏感性较好、非侵入检测等优点,近年来越来越多地用于发酵过程物质含量的检测,相对于离线检测的技术有较好的实时性。近红外的谱段范围为780nm~2500nm,可以反映分子中含氢基团(如C-H,N-H,O-H)振动的合频与倍频特征信息,有机分子一般都包含这些含氢基团,如蛋白质、糖和油脂等。发酵过程中的微生物、底物和产物普遍包含这些含氢集团,因此近红外光谱技术适合分析生物发酵过程中与含氢基团有直接或间接关系的成分。
目前,虽然近红外光谱技术开始应用于对发酵过程部分物质浓度的检测,但由于测量误差等影响,造成测量精度并不高,并且不能同时检测发酵过程生物量、底物浓度和产物浓度。
发明内容
本发明要解决的技术问题是:针对生物发酵过程中生物量、底物浓度和产物浓度的同时测量问题,传统的方法是利用近红外光谱技术对不同组分分别建立检测模型,而对多组分建立联合标定模型进行检测有更好的准确性和便捷性。
为解决上述问题,本发明系统地提出如何对生物发酵过程生物量、底物浓度和产物浓度测量的技术方法,并以乙醇发酵过程为例解释说明。
本发明是利用配有浸入式探头的近红外光谱分析仪,搭建生物发酵过程在线监测实验平台,从而实时原位测量生物发酵过程发酵液近红外光谱数据,并传输给计算机,根据建立的联合标定模型对生物发酵过程的生物量、底物浓度和产物浓度进行预测。首先需要对光谱数据和参考数据进行采集,其次对测量的近红外光谱数据进行预处理操作,然后对数据划分建模集和验证集进行建立联合标定模型,并使用网格搜索和交叉验证的方法对模型参数进行选择,最后,通过外部实验验证建立模型的有效性,由此定量分析发酵过程生物量、底物浓度和产物浓度。本发明的流程如图1所示。
本发明的技术方案如下:
一种基于近红外光谱检测发酵过程生物量和组分浓度的方法,步骤如下:
(1)光谱数据和参考数据的采集
在发酵过程中,利用近红外光谱分析仪实时采集发酵液的近红外光谱数据,选用光学性质稳定的介质作为参考背景,每次采样检测的近红外光谱数据由仪器测量的表观光谱与参考背景的差谱得到,通过背景差减的方式去噪,以消除噪声引起的测量误差。
在对发酵液测量近红外光谱数据的同时,对发酵液进行取样,对发酵液样品进行离心或稀释的预处理操作,然后测量生物量、底物浓度和产物浓度作为参考数据。
(2)光谱数据的预处理
生物反应器的结构差异(例如搅拌桨和挡板的尺寸和方向等)会改变培养基中的生理特性,从而影响光谱吸收特性。随着发酵过程的进行,生物量的增加不仅会影响发酵罐中各物质成分含量,还会影响罐中颜色、密度和粘度等物理特性,通气、搅拌速度、温度、PH等都会造成一定程度的光谱变化。为了消除环境条件变化对光谱测量带来的扰动,在使用化学计量学方法进行建模之前,需要对近红外光谱的数据进行预处理来消除无关信息和噪声。
将步骤(1)采集到的近红外光谱数据写成光谱数据矩阵,矩阵的行为测试样品的光谱,矩阵的列为是近红外光的某一波长下不同样品的吸收值,采用一阶导数的光谱预处理方法消除环境条件变化对光谱测量带来的扰动:
其中:xi,1st经过导数处理的光谱数据第i波数下的吸光度;xi表示光谱数据第i波数下的吸光度;xi+g表示光谱数据第i+g波数下的吸光度;g表示窗口宽度。
(3)建立联合标定模型
由于近红外光谱中包含的吸收峰为中红外光谱区基频吸收峰的倍频和组合频吸收峰,强度相对较弱,并且常为多种组分共同影响的重叠宽峰、肩峰等。在对物质含量预测前,需要建立定量分析校正模型,如果同时对生物量、底物浓度和产物浓度进行同时测量且提高预测精度,需要建立联合标定模型。根据同步采集的近红外光谱数据及生物量、底物浓度和产物浓度参考数据,多输出最小二乘支持向量机回归(MLS-SVR)作为最小二乘支持向量机回归的改进方法,可以有效的建立联合标定模型。
将步骤(2)中预处理后的近红外光谱数据可以按照一定比例分为建模集和验证集,并将参考数据的最大值和最小值归入建模集中,用于建立模型,以保证用于建立联合标定模型的参考数据范围大于验证集,从而确保以模型内插方式实现可靠的预测。
联合标定模型的输入为近红外光谱向量x∈Rp,Rp为p维向量空间,代表x为一个p维向量,多变量输出为生物参数y∈Rm,Rm为m维向量空间,代表y为一个m维向量;p为光谱变量个数,m为需要监测的生物参数的个数,生物参数包括生物量、底物浓度和产物浓度;设建模集为{(x1,y1),(x2,y2),...,(xn,yn)},n为采集的光谱数据个数,即参考数据个数,令wi=w0+vi,其中w0表示各个生物参数的共性信息,vi表示各个生物参数的特性信息,wi表示各个生物参数的共性和特性信息,相应的优化问题为:
其中E=(e1,e2,...,em),em为第m个生物参数的松弛因子,B=(bT;...;bT)∈Rn×m,Rn×m代表B为一个n×m维的矩阵,b为常值偏差向量,V=(v1,v2,...,vm),γ和λ为惩罚参数,W=(w0+v1,w0+v2,...,w0+vm),为低维空间到高维空间的映射函数,trace表示矩阵的迹。
取式(2)对应的Lagrange函数:
其中表示拉格朗日函数。
由KKT(Karush-Kuhn-Tucher)条件建立线性方程组进行求解:
其中A=(α1,α2,...,αm)∈Rm×n为拉格朗日乘子矩阵,αi表示拉格朗日乘子,表示式(2)所示拉格朗日函数,1n表示n维单位向量。记上述方程组的解为和b*,表示拉格朗日乘子。
根据优化目标的解,确定多输出的拟合函数y(x):
其中表示x从低维空间到高维空间的映射,W*表示 表示拉格朗日乘子,k(x,xj)表示核函数,表示将矩阵复制1×m块。k(·,·)为核函数,选取为径向基核函数:
k(x,xj)=exp(-p||x-xj||2) (6)
其中核函数参数p和惩罚参数γ、λ采用网格搜索、交叉验证方法确定。网格搜索寻优即让p、γ和λ遍历在一定范围内划分的等步长网格,网格中每一组p、γ和λ都是一组潜在解,遍历网格所有的参数进行交叉验证,计算交叉验证均方根误差RMSECV:
其中yi是第i个数据样本的测量值,是第i个数据样本的预测值,取最小的交叉验证均方根误差对应的参数作为模型参数。
为了评估联合标定模型对生物量、底物浓度和产物浓度数据的预测性能,采用预测集均方根误差RMSEP和范围误差比RPD作为评价指标,计算公式分别为:
其中yi是第i个数据样本的测量值,是第i个数据样本的预测值,是待预测数据样本均值,n为采集的光谱数据个数。其中SD为建模集样本分布标准差,反映样本分布范围,RMSEP用于评价预测值和参考值的偏差,偏差越小说明模型预测准确性越高。通过外部实验验证模型的有效性,如果满足RPD>5的定量标准,模型可应用于可以接受的质量预测;如果RPD>10,则模型可以应用于实时过程控制和优化。
(4)在线监测生物量、底物浓度和产物浓度
近红外光谱分析仪与监控计算机连接,在发酵过程中近红外光谱分析仪实时采集发酵液在不同波长下的吸光度值(即近红外光谱),并传输到监控计算机中,利用步骤(3)中的联合标定模型实现对生物量、底物浓度和产物浓度实时检测及显示结果。
本发明的有益效果:本发明能实时检测生物发酵过程中生物量、底物浓度和产物浓度;考虑发酵过程中主要组分之间的关联性,通过建立一个联合标定模型同时检测多种物质浓度,相对于对各组分分别建立一个独立标定模型有更好的简便性和准确性。该方法可操作性强,对经验技术要求较低,能够达到自动快速检测生物量、底物浓度和产物浓度,便于实际工业应用和推广。
附图说明
图1是本发明的建模流程图;
图2是本发明的基于近红外光谱的乙醇发酵过程实验平台;
图3是乙醇发酵过程近红外光谱图。
具体实施方式
以下结合附图和技术方案,进一步说明本发明的具体实施方式。
实施例为对批次乙醇发酵过程的生物量、葡萄糖浓度和乙醇浓度的在线检测。建立的乙醇发酵过程在线监测实验平台如图2所示。发酵罐容量为2.5L,罐中的温度、PH值、搅拌桨转速等由发酵控制设备进行控制。利用铂金温度计PT100测量发酵罐中温度,通过加热装置及循环冷却水进行控温。通过NaOH溶液调节发酵液酸碱度,由PH计实时检测发酵罐内PH值;通过电动搅拌桨对发酵罐中溶液进行均匀搅拌;采用傅里叶近红外光谱分析仪以及配套的浸入式漫反射探头采集近红外光谱,再将数据传输至监控计算机。本实施例所用的菌种为酿酒酵母(saccharomyces cerevisiae 4126)菌种。发酵实验前需要对种子进行培养和活化,然后接种到发酵培养基中。
采用本发明的具体实施如下:
第一步:光谱数据和参考数据的采集
近红外光谱分析仪采集的近红外光谱数据为表观光谱信息,样品的表观光谱中包含真实光谱信息和噪声。由于每次实验的仪器和实验条件可能存在着不同,会在测量近红外光谱数据产生较多噪声。为了消除工况产生的噪声,选用光学性质稳定的空气作为参考背景,每次采样检测的近红外光谱数据由仪器测量的表观光谱与测量的空气的近红外光谱的差谱得到。
采用傅里叶近红外光谱分析仪以及配套的浸入式漫反射探头采集近红外光谱,光谱采集设置:测量波数范围为4000cm-1-12000cm-1,仪器分辨率为16cm-1,光谱扫描次数为64次,检测器增益为237.84,采集近红外光谱以空气为参考背景。采用离线检测方法检测参考数据,其中,采用液相色谱仪测量发酵液葡萄糖浓度,采用气相色谱仪测量发酵液的乙醇浓度,采用酶标仪测量发酵液的生物量(采用OD表示)。
第二步:光谱数据的预处理
通常采集到的近红外光谱数据可以写成光谱数据矩阵,矩阵中的每一行都是一条测试样品的光谱,矩阵的每一列都是近红外光的某一波长下不同样品的吸收值。图3示例给出了对其中一个批次乙醇发酵过程采集的近红外光谱吸光度数据,图中最明显的变化为基线漂移,造成基线漂移是由于发酵过程的物理特性变化(例如气泡)使光源散射。为了消除环境条件变化对光谱测量带来的扰动,采用了一阶导数的光谱预处理方法:
其中:xi,1st经过导数处理的光谱数据第i波数下的吸光度;xi表示光谱数据第i波数下的吸光度;xi+g表示光谱数据第i+g波数下的吸光度;g表示窗口宽度。利用经过一阶导数的光谱数据建立定量标定模型,用于消除基线和背景漂移对光谱造成的影响,增强光谱的差异,从而可以提高检测精度。
第三步:建立联合标定模型
实施例中按照3:1的比例分为建模集和验证集,将离线检测参考数据的最大值和最小值归入建模集中,用于建立模型,以保证用于建立光谱标定模型的参考数据范围大于验证集,从而确保以模型内插方式实现可靠的预测。
一般发酵过程生物量、底物浓度和产物浓度存在相互关联性,因此采用MLS-SVR方法建立联合标定模型。联合标定模型的输入为近红外光谱向量x∈Rp,Rp为p维向量空间,代表x为一个p维向量,多变量输出为生物参数y∈Rm,Rm为m维向量空间,代表y为一个m维向量,p为光谱变量个数,m为需要监测的生物参数的个数,生物参数包括生物量、底物浓度和产物浓度;设建模集为{(x1,y1),(x2,y2),...,(xn,yn)},n为采集的光谱数据个数,即参考数据个数,令wi=w0+vi,其中w0表示各个生物参数的共性信息,vi表示各个生物参数的特性信息,wi表示各个生物参数的共性和特性信息,相应的优化问题为:
其中E=(e1,e2,...,em),em为第m个生物参数的松弛因子,B=(bT;...;bT)∈Rn×m,Rn×m代表B为一个n×m维的矩阵,b为常值偏差向量,V=(v1,v2,...,vm),γ和λ为惩罚参数,W=(w0+v1,w0+v2,...,w0+vm),为低维空间到高维空间的映射函数,trace表示矩阵的迹。
取式(11)对应的Lagrange函数:
其中表示拉格朗日函数。
由KKT(Karush-Kuhn-Tucher)条件建立线性方程组进行求解:
其中A=(α1,α2,...,αm)∈Rm×n为拉格朗日乘子矩阵,αi表示拉格朗日乘子,1n表示n维单位向量。记上述方程组的解为和b*,表示拉格朗日乘子。
根据优化目标的解,确定多输出的拟合函数y(x):
其中表示x从低维空间到高维空间的映射,W*表示 表示拉格朗日乘子,k(x,xj)表示核函数,表示将矩阵复制1×m块。k(·,·)为核函数,选取为径向基核函数:
k(x,xj)=exp(-p||x-xj||2) (15)
其中核函数参数p和惩罚参数γ、λ采用网格搜索、交叉验证方法确定。网格搜索寻优即让p、γ和λ遍历在一定范围内划分的等步长网格,网格中每一组p、γ和λ都是一组潜在解,遍历网格所有的参数进行交叉验证,计算交叉验证均方根误差RMSECV:
其中yi是第i个数据样本的测量值,是第i个数据样本的预测值,取最小的交叉验证均方根误差对应的参数作为模型参数。
为了评估联合标定模型对生物量、底物浓度和产物浓度数据的预测性能,采用预测集均方根误差RMSEP和范围误差比RPD作为评价指标,计算公式分别为:
其中yi是第i个数据样本的测量值,是第i个数据样本的预测值,是待预测数据样本均值,n为采集的光谱数据个数。其中SD为建模集样本分布标准差,反映样本分布范围,RMSEP用于评价预测值和参考值的偏差,偏差越小说明模型预测准确性越高。通过外部实验验证模型的有效性,如果满足RPD>5的定量标准,模型可应用于可以接受的质量预测;如果RPD>10,则模型可以应用于实时过程控制和优化。
第四步:测量生物量、葡萄糖浓度和乙醇浓度
根据MLS-SVR建立的联合标定模型,对生物量、底物浓度和产物浓度实时检测及显示结果。基于近红外光谱技术建立的在线监测联合标定模型可以对葡萄糖浓度、生物量和乙醇浓度进行实时监测,定时1min给出一次测量结果,然而离线检测方法需要取样,并且使用多个仪器对三种生物参数分别进行测量,耗时约30min~1h。
Claims (1)
1.基于近红外光谱检测发酵过程生物量和组分浓度的方法,其特征在于,包括以下步骤,
第一步:光谱数据和参考数据的采集
采用傅里叶近红外光谱分析仪以及配套的浸入式漫反射探头采集近红外光谱,光谱采集设置:测量波数范围为4000cm-1-12000cm-1,仪器分辨率为16cm-1,光谱扫描次数为64次,检测器增益为237.84,采集近红外光谱以空气为参考背景;采用离线检测方法检测参考数据,其中,采用液相色谱仪测量发酵液葡萄糖浓度,采用气相色谱仪测量发酵液的乙醇浓度,采用酶标仪测量发酵液的生物量;
第二步:光谱数据的预处理
通常采集到的近红外光谱数据可以写成光谱数据矩阵,矩阵中的每一行都是一条测试样品的光谱,矩阵的每一列都是近红外光的某一波长下不同样品的吸收值;为了消除环境条件变化对光谱测量带来的扰动,采用了一阶导数的光谱预处理方法:
其中:xi,1st经过导数处理的光谱数据第i波数下的吸光度;xi表示光谱数据第i波数下的吸光度;xi+g表示光谱数据第i+g波数下的吸光度;g表示窗口宽度;利用经过一阶导数的光谱数据建立定量标定模型,用于消除基线和背景漂移对光谱造成的影响,增强光谱的差异,从而可以提高检测精度;
第三步:建立联合标定模型
建模集和验证集,将离线检测参考数据的最大值和最小值归入建模集中,用于建立模型,以保证用于建立光谱标定模型的参考数据范围大于验证集,从而确保以模型内插方式实现可靠的预测;采用MLS-SVR方法建立联合标定模型;联合标定模型的输入为近红外光谱向量x,多变量输出为生物参数y,其中,x∈Rp、y∈Rm,p为光谱变量个数,m为需要监测的生物参数的个数,生物参数包括生物量、底物浓度和产物浓度;设建模集为{(x1,y1),(x2,y2),...,(xn,yn)},n为采集的光谱数据个数,即参考数据个数;令wi=w0+vi,其中w0表示各个生物参数的共性信息,vi表示各个生物参数的个性信息,wi表示各个生物参数的共性和特性信息,相应的优化问题为:
其中E=(e1,e2,...,em),em为待优化的第m个生物参数的松弛因子,B=(bT;...;bT)∈Rn×m,b为常值偏差向量,V=(v1,v2,...,vm),γ和λ为惩罚参数,为低维空间到高维空间的映射函数,W=(w0+v1,w0+v2,...,w0+vm),trace表示矩阵的迹;
取式(2)对应的Lagrange函数:
其中表示拉格朗日函数;
由KKT(Karush-Kuhn-Tucher)条件建立线性方程组进行求解:
其中A=(α1,α2,...,αm)∈Rm×n为拉格朗日乘子矩阵,αi表示拉格朗日乘子,L表示式(2)所示拉格朗日函数,1n表示n维单位向量;记上述方程组的解为和b*,表示拉格朗日乘子;
根据wi的优化目标的解,确定多输出的拟合函数y(x):
其中表示x从低维空间到高维空间的映射,W*表示 表示拉格朗日乘子,k(x,xj)表示核函数,repmat表示将矩阵复制1×m块;
k(·,·)为核函数,选取为径向基核函数:
k(x,xj)=exp(-p||x-xj||2) (6)
其中核函数参数p和惩罚参数γ、λ采用网格搜索、交叉验证方法确定;网格搜索寻优即让p、γ和λ遍历在一定范围内划分的等步长网格,网格中每一组p、γ和λ都是一组潜在解,遍历网格所有的参数进行交叉验证,计算交叉验证均方根误差RMSECV:
其中yi是第i个数据样本的测量值,是第i个数据样本的预测值,取最小的交叉验证均方根误差对应的参数作为模型参数;
为了评估联合标定模型对生物量、底物浓度和产物浓度数据的预测性能,采用预测集均方根误差RMSEP、相关系数R2和范围误差比RPD作为评价指标,计算公式分别为:
其中yi是第i个数据样本的测量值,是第i个数据样本的预测值,是待预测数据样本均值,n为采集的光谱数据个数;其中SD为建模集样本分布标准差,反映样本分布范围,RMSEP用于评价预测值和参考值的偏差,偏差越小说明模型预测准确性越高;通过外部实验验证模型的有效性,如果满足RPD>5的定量标准,模型可应用于接受的质量预测;如果RPD>10,则模型应用于实时过程控制和优化;
第四步:测量生物量、葡萄糖浓度和乙醇浓度
根据MLS-SVR建立的联合标定模型,对生物量、底物浓度和产物浓度实时检测及显示结果;基于近红外光谱技术建立的在线监测联合标定模型对葡萄糖浓度、生物量和乙醇浓度进行实时监测,定时1min给出一次测量结果,然而离线检测方法需要取样,并且使用多个仪器对三种生物参数分别进行测量,耗时约30min~1h。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910114102.9A CN109668858A (zh) | 2019-02-14 | 2019-02-14 | 基于近红外光谱检测发酵过程生物量和组分浓度的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910114102.9A CN109668858A (zh) | 2019-02-14 | 2019-02-14 | 基于近红外光谱检测发酵过程生物量和组分浓度的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109668858A true CN109668858A (zh) | 2019-04-23 |
Family
ID=66151541
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910114102.9A Pending CN109668858A (zh) | 2019-02-14 | 2019-02-14 | 基于近红外光谱检测发酵过程生物量和组分浓度的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109668858A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110879212A (zh) * | 2019-12-06 | 2020-03-13 | 大连理工大学 | 一种基于近红外光谱监测流化床干燥过程状态的方法 |
CN111474134A (zh) * | 2020-04-24 | 2020-07-31 | 驻马店华中正大有限公司 | 一种利用在线近红外进行丁酸发酵控制的方法 |
CN111595813A (zh) * | 2020-06-24 | 2020-08-28 | 四川长虹电器股份有限公司 | 一种基于空腔校正板的光谱数据校准方法 |
CN112240876A (zh) * | 2019-07-17 | 2021-01-19 | 华东理工大学 | 一种基于近红外实时检测发酵过程参数的方法 |
CN112414966A (zh) * | 2019-08-21 | 2021-02-26 | 东北大学秦皇岛分校 | 基于仿射变化的近红外光谱多目标标定迁移方法 |
CN112461770A (zh) * | 2020-11-17 | 2021-03-09 | 山东省科学院海洋仪器仪表研究所 | 一种用于获取光谱仪性能的方法 |
CN112508070A (zh) * | 2020-11-30 | 2021-03-16 | 大连理工大学 | 基于近红外光谱在线检测干燥过程脱水量的标定建模方法 |
CN112666047A (zh) * | 2021-01-14 | 2021-04-16 | 新疆大学 | 一种液体粘度检测方法 |
CN112903627A (zh) * | 2021-03-06 | 2021-06-04 | 中国烟草总公司郑州烟草研究院 | 一种在线判定烟草加工过程生物酶活性的方法 |
CN113993987A (zh) * | 2019-06-25 | 2022-01-28 | 思拓凡瑞典有限公司 | 用于通过光谱测定和训练模型控制生物过程的方法以及其控制器 |
CN115274001A (zh) * | 2022-07-25 | 2022-11-01 | 江南大学 | 基于近红外光谱的有机物在线检测结果的可靠性评价方法 |
CN115791694A (zh) * | 2022-12-02 | 2023-03-14 | 北京理工大学 | 一种乌洛托品-醋酸溶液中乌洛托品浓度预测方法 |
CN116793991A (zh) * | 2023-08-22 | 2023-09-22 | 青岛理工大学 | 一种基于近红外光谱和混合损失的谷氨酸浓度测量方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103293118A (zh) * | 2013-05-11 | 2013-09-11 | 江南大学 | 一种基于近红外光谱分析技术的潲水油鉴别方法 |
CN107748146A (zh) * | 2017-10-20 | 2018-03-02 | 华东理工大学 | 一种基于近红外光谱检测的原油属性快速预测方法 |
CN107860740A (zh) * | 2017-12-08 | 2018-03-30 | 中国农业科学院茶叶研究所 | 一种基于近红外光谱技术的红茶发酵品质的评价方法 |
-
2019
- 2019-02-14 CN CN201910114102.9A patent/CN109668858A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103293118A (zh) * | 2013-05-11 | 2013-09-11 | 江南大学 | 一种基于近红外光谱分析技术的潲水油鉴别方法 |
CN107748146A (zh) * | 2017-10-20 | 2018-03-02 | 华东理工大学 | 一种基于近红外光谱检测的原油属性快速预测方法 |
CN107860740A (zh) * | 2017-12-08 | 2018-03-30 | 中国农业科学院茶叶研究所 | 一种基于近红外光谱技术的红茶发酵品质的评价方法 |
Non-Patent Citations (5)
Title |
---|
傅强 等: "《现代药物分离与分析技术 第2版》", 31 December 2017, 西安交通大学出版社 * |
徐硕 等: "多任务最小二乘支持向量回归及其在近红外光谱分析技术中的应用研究", 《光谱学与光谱分析》 * |
李志刚》: "《光谱技术在农作物 农产品信息无损检测中的应用》", 30 June 2017, 北京邮电大学出版社 * |
王路: "基于近红外光谱检测的微生物发酵监测与建模", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 * |
胡忠义: "《基于计算智能计算的电力负荷预测理论及应用》", 31 January 2019, 武汉大学出版社 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113993987A (zh) * | 2019-06-25 | 2022-01-28 | 思拓凡瑞典有限公司 | 用于通过光谱测定和训练模型控制生物过程的方法以及其控制器 |
CN112240876A (zh) * | 2019-07-17 | 2021-01-19 | 华东理工大学 | 一种基于近红外实时检测发酵过程参数的方法 |
CN112414966A (zh) * | 2019-08-21 | 2021-02-26 | 东北大学秦皇岛分校 | 基于仿射变化的近红外光谱多目标标定迁移方法 |
CN110879212A (zh) * | 2019-12-06 | 2020-03-13 | 大连理工大学 | 一种基于近红外光谱监测流化床干燥过程状态的方法 |
CN110879212B (zh) * | 2019-12-06 | 2022-02-15 | 大连理工大学 | 一种基于近红外光谱监测流化床干燥过程状态的方法 |
CN111474134A (zh) * | 2020-04-24 | 2020-07-31 | 驻马店华中正大有限公司 | 一种利用在线近红外进行丁酸发酵控制的方法 |
CN111595813A (zh) * | 2020-06-24 | 2020-08-28 | 四川长虹电器股份有限公司 | 一种基于空腔校正板的光谱数据校准方法 |
CN112461770B (zh) * | 2020-11-17 | 2022-11-29 | 山东省科学院海洋仪器仪表研究所 | 一种用于获取光谱仪性能的方法 |
CN112461770A (zh) * | 2020-11-17 | 2021-03-09 | 山东省科学院海洋仪器仪表研究所 | 一种用于获取光谱仪性能的方法 |
CN112508070A (zh) * | 2020-11-30 | 2021-03-16 | 大连理工大学 | 基于近红外光谱在线检测干燥过程脱水量的标定建模方法 |
CN112508070B (zh) * | 2020-11-30 | 2022-09-27 | 大连理工大学 | 基于近红外光谱在线检测干燥过程脱水量的标定建模方法 |
CN112666047A (zh) * | 2021-01-14 | 2021-04-16 | 新疆大学 | 一种液体粘度检测方法 |
CN112903627A (zh) * | 2021-03-06 | 2021-06-04 | 中国烟草总公司郑州烟草研究院 | 一种在线判定烟草加工过程生物酶活性的方法 |
CN112903627B (zh) * | 2021-03-06 | 2023-01-24 | 中国烟草总公司郑州烟草研究院 | 一种在线判定烟草加工过程生物酶活性的方法 |
CN115274001A (zh) * | 2022-07-25 | 2022-11-01 | 江南大学 | 基于近红外光谱的有机物在线检测结果的可靠性评价方法 |
CN115791694A (zh) * | 2022-12-02 | 2023-03-14 | 北京理工大学 | 一种乌洛托品-醋酸溶液中乌洛托品浓度预测方法 |
CN116793991A (zh) * | 2023-08-22 | 2023-09-22 | 青岛理工大学 | 一种基于近红外光谱和混合损失的谷氨酸浓度测量方法 |
CN116793991B (zh) * | 2023-08-22 | 2023-11-10 | 青岛理工大学 | 一种基于近红外光谱和混合损失的谷氨酸浓度测量方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109668858A (zh) | 基于近红外光谱检测发酵过程生物量和组分浓度的方法 | |
Tosi et al. | Assessment of in‐line near‐infrared spectroscopy for continuous monitoring of fermentation processes | |
Roychoudhury et al. | Multiplexing fibre optic near infrared (NIR) spectroscopy as an emerging technology to monitor industrial bioprocesses | |
Huang et al. | Improved generalization of spectral models associated with Vis-NIR spectroscopy for determining the moisture content of different tea leaves | |
CN105486658B (zh) | 一种具有无测点温度补偿功能的近红外物性参数测量方法 | |
CN107703097B (zh) | 利用近红外光谱仪构建快速预测原油性质的模型的方法 | |
CN107817223A (zh) | 快速无损实时预测原油性质模型的构建方法及其应用 | |
CN101210875A (zh) | 基于近红外光谱技术的无损测量土壤养分含量的方法 | |
CN101216419A (zh) | 一种快速检测黄酒品质指标的方法 | |
CN106841083A (zh) | 基于近红外光谱技术的芝麻油品质检测方法 | |
Alves-Rausch et al. | Real time in-line monitoring of large scale Bacillus fermentations with near-infrared spectroscopy | |
CN107860743A (zh) | 利用反射式近红外光纤探头构建快速预测原油性质的模型的方法及其应用 | |
Henriques et al. | Monitoring mammalian cell cultivations for monoclonal antibody production using near-infrared spectroscopy | |
WO2014087374A1 (pt) | Método e sonda de monitorização da fermentação alcoólica com espectroscopia uv-vis-swnir | |
Cozzolino | State-of-the-art advantages and drawbacks on the application of vibrational spectroscopy to monitor alcoholic fermentation (beer and wine) | |
Xia et al. | Simultaneous, rapid and nondestructive determination of moisture, fat content and storage time in leisure dried tofu using LF-NMR | |
Pétillot et al. | Calibration transfer for bioprocess Raman monitoring using Kennard Stone piecewise direct standardization and multivariate algorithms | |
CN103487398B (zh) | 一种赖氨酸发酵液的分析方法 | |
Rodrigues et al. | The use of NIR as a multi-parametric in situ monitoring technique in filamentous fermentation systems | |
CN104483287A (zh) | 基于近红外光谱的在线发酵过程生物学参数的检测装置及方法 | |
CN108375561A (zh) | 一种基于三维荧光光谱技术对掺假蜂蜜进行快速识别和定量分析的方法 | |
CN105092526A (zh) | 一种基于近红外光谱技术的二元掺伪芝麻油含量的快速测定方法 | |
Pontius et al. | Fast measurement of phosphates and ammonium in fermentation-like media: a feasibility study | |
Liu et al. | Detection of adulterated sugar with plastic packaging based on spatially offset Raman imaging | |
Liu et al. | Just-in-time learning based functional spectral data modelling for in-situ measurement of slurry component concentrations via infrared spectroscopy |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190423 |