CN116300479B - 基于干细胞培养法的人参皂甙生产装置的控制方法及系统 - Google Patents
基于干细胞培养法的人参皂甙生产装置的控制方法及系统 Download PDFInfo
- Publication number
- CN116300479B CN116300479B CN202310573276.8A CN202310573276A CN116300479B CN 116300479 B CN116300479 B CN 116300479B CN 202310573276 A CN202310573276 A CN 202310573276A CN 116300479 B CN116300479 B CN 116300479B
- Authority
- CN
- China
- Prior art keywords
- parameter
- data
- temperature
- increment
- control
- 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.)
- Active
Links
- 229930182494 ginsenoside Natural products 0.000 title claims abstract description 93
- 229940089161 ginsenoside Drugs 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 title claims abstract description 87
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 86
- 238000004113 cell culture Methods 0.000 title claims abstract description 84
- 210000000130 stem cell Anatomy 0.000 title claims abstract description 23
- 238000004458 analytical method Methods 0.000 claims abstract description 120
- 230000010261 cell growth Effects 0.000 claims abstract description 72
- 238000012544 monitoring process Methods 0.000 claims abstract description 70
- 238000006243 chemical reaction Methods 0.000 claims abstract description 64
- 241000208340 Araliaceae Species 0.000 claims abstract description 61
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims abstract description 61
- 235000003140 Panax quinquefolius Nutrition 0.000 claims abstract description 61
- 235000008434 ginseng Nutrition 0.000 claims abstract description 61
- 210000004027 cell Anatomy 0.000 claims abstract description 44
- 230000012010 growth Effects 0.000 claims abstract description 42
- 230000001276 controlling effect Effects 0.000 claims abstract description 10
- 238000005259 measurement Methods 0.000 claims abstract description 10
- 230000001105 regulatory effect Effects 0.000 claims abstract description 10
- 230000004044 response Effects 0.000 claims abstract description 7
- 230000009191 jumping Effects 0.000 claims abstract description 5
- 230000008569 process Effects 0.000 claims description 52
- 238000003062 neural network model Methods 0.000 claims description 45
- 238000004088 simulation Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 12
- 238000007405 data analysis Methods 0.000 claims description 9
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 8
- 229910052760 oxygen Inorganic materials 0.000 claims description 8
- 239000001301 oxygen Substances 0.000 claims description 8
- 230000019522 cellular metabolic process Effects 0.000 claims description 4
- 230000009286 beneficial effect Effects 0.000 description 9
- 238000012937 correction Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 5
- 230000003833 cell viability Effects 0.000 description 4
- 238000009776 industrial production Methods 0.000 description 4
- 241000196324 Embryophyta Species 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 238000012258 culturing Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000037323 metabolic rate Effects 0.000 description 2
- 230000002028 premature Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000238631 Hexapoda Species 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000006143 cell culture medium Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010812 external standard method Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000011031 large-scale manufacturing process Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 230000009225 memory damage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 239000001397 quillaja saponaria molina bark Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 229930182490 saponin Natural products 0.000 description 1
- 150000007949 saponins Chemical class 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Classifications
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
- C12Q3/00—Condition responsive control processes
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12N—MICROORGANISMS OR ENZYMES; COMPOSITIONS THEREOF; PROPAGATING, PRESERVING, OR MAINTAINING MICROORGANISMS; MUTATION OR GENETIC ENGINEERING; CULTURE MEDIA
- C12N5/00—Undifferentiated human, animal or plant cells, e.g. cell lines; Tissues; Cultivation or maintenance thereof; Culture media therefor
- C12N5/04—Plant cells or tissues
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Organic Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Zoology (AREA)
- Wood Science & Technology (AREA)
- Genetics & Genomics (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Biotechnology (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Microbiology (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Biochemistry (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Cell Biology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Mathematical Physics (AREA)
- Botany (AREA)
- Immunology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Automation & Control Theory (AREA)
- Apparatus Associated With Microorganisms And Enzymes (AREA)
Abstract
本发明公开了基于干细胞培养法的人参皂甙生产装置的控制方法及系统,属于生物反应器控制技术领域,包括:S1:获取T时刻下人参细胞培养对象的反应监测数据以及对应时刻下的实测参数数据;S2:判断T时刻下人参细胞培养对象是否达到细胞一般生长周期的细胞生长状态临界值;若未达到,则基于反应监测数据和实测参数数据进行控制参数分析;S3:获取控制参数分析结果,并根据其对人参皂甙生产装置的对应组件进行动态调节控制;S4:判断是否达到细胞最优生长周期的细胞生长状态临界值,若未达到,则跳转回步骤S2~步骤S3,直至调节控制人参细胞培养对象达到细胞最优生长周期的细胞生长状态临界值。
Description
技术领域
本发明涉及生物反应器控制技术领域,尤其涉及基于干细胞培养法的人参皂甙生产装置的控制方法及系统。
背景技术
人参皂苷,是人参的主要成分,其可延缓神经细胞衰老并降低老年发生的记忆损伤,具有稳定膜结构和促进蛋白质合成的作用,可以提高记忆力,因而被广泛应用于食品、保健品、医药和化工等众多领域,并且随着社会快速发展,其用量越来越大,价格成本越来越高;目前,现有的人参皂苷提取方法大多是用植物提取法从人参的根、茎、叶、须根等植物体提取所得,这种工艺所得的产品已经越来越不能满足市场的需求,并且由于野生人参资源较少,且其中皂苷含量低,使得现有人参皂苷产量无法满足现有的市场需求。
当前,随着生物技术的发展,利用细胞生物学技术生产人参皂甙能一定程度上提高其产量,且不受环境、地域、病虫害等限制影响,适于工业化生产;在利用细胞培养法生产人参皂甙过程中,生物反应器起着举足轻重的作用,生物反应器的温度、PH值和溶解氧等控制参数很大程度上影响着人参皂甙的产量和品质,因此如何对生物反应器的控制等参数进行精细化监控就成为了当下研究重点。
然而,目前在利用细胞培养法生产人参皂甙的过程中,对生物反应器的控制方式或手段主要通过PID控制实现,然而该控制方式灵活度较低;当然也存在一些对生物反应器进行自动化控制的方法,例如授权公告号为CN109991843B的中国专利公开了一种生物反应器的温度控制方法,该发明虽然利用PID算法对温度的一阶导数进行控制,解决了传统PID算法的超调和震荡对温度敏感的细胞的不利影响,但此类方法控制不够精细化,且仅能实现对温度控制,未考虑温度、PH值和溶解氧对细胞培养的联合影响,无法获取多参数下的最优控制解,同时无法使人参细胞培养达到最优生长周期,从而导致人参皂甙的生产产量和品质不高,无法满足现有人参皂苷工业化生产的要求,难以为人参皂甙的大规模生产提供可靠的手段,进而难以弥补现有市场对人参皂甙的大量需求;为此,本发明提出基于干细胞培养法的人参皂甙生产装置的控制方法及系统。
发明内容
本发明的目的是为了解决现有技术中存在的缺陷,而提出的基于干细胞培养法的人参皂甙生产装置的控制方法及系统。
为了实现上述目的,本发明采用了如下技术方案:
基于干细胞培养法的人参皂甙生产装置的控制方法,包括:
S1:数据获取:通过预设传感器获取T时刻下人参皂甙生产装置内人参细胞培养对象的反应监测数据以及对应时刻下的实测参数数据;所述实测参数数据包括第一目标参数数据、第二目标参数数据和第三目标参数数据;
S2:一次判断及数据分析:判断T时刻下所述人参皂甙生产装置内的所述人参细胞培养对象是否达到细胞一般生长周期的细胞生长状态临界值;若未达到,则基于所述反应监测数据和实测参数数据进行控制参数分析;
S3:执行控制:获取控制参数分析结果,并根据其对所述人参皂甙生产装置的对应组件进行动态调节控制,所述控制参数分析结果包括最优温度增量参数、最优PH增量参数和最优DO增量参数。
S4:二次判断:将T时刻后的时间标记为T+n时刻,判断T+n时刻下所述人参皂甙生产装置内人参细胞培养对象是否达到细胞最优生长周期的细胞生长状态临界值;若未达到,则跳转回步骤S2~步骤S3,直至调节控制人参细胞培养对象达到细胞最优生长周期的细胞生长状态临界值。
进一步地,所述控制参数分析的具体过程如下:
S21:基于所述反应监测数据和第一目标参数数据进行第一控制参数分析,根据第一控制参数分析以获取第一温度增量参数;
S22:基于所述反应监测数据、第二目标参数数据和第一温度增量参数进行第二控制参数分析,根据第二控制参数分析以获取第二PH增量参数和第三温度增量参数;
S23:基于所述反应监测数据、第三目标参数数据、第二PH增量参数和第三温度增量参数进行第三控制参数分析,根据第三控制参数分析以获取控制参数分析结果。
进一步地,所述第一控制参数分析的具体过程如下:
S211:将反应监测数据输入预搭建第一神经网络模型中,得到第一温度参数数据;
S212:计算所述第一目标参数数据与所述第一温度参数数据的第一温度偏差值,若所述第一温度偏差值大于预设温度偏差阈值,则将第一目标参数数据输入所述第一神经网络模型进行训练,得到训练后的第一神经网络模型;
S213:将所述反应监测数据输入训练后的第一神经网络模型,得到第二温度参数数据;
S214:计算所述第一目标参数数据与所述第二温度参数数据的第二温度偏差值,若所述第二温度偏差值小于或等于预设温度偏差阈值,则将所述第二温度偏差值输出为第一温度增量参数。
进一步地,若所述第一温度偏差值小于或等于预设温度偏差阈值,则将所述第一温度偏差值作为第一温度增量参数。
进一步地,所述第二控制参数分析的具体过程如下:
S221:将所述反应监测数据输入预搭建第二神经网络模型中,得到第一PH参数数据;并计算所述第二目标参数数据与所述第一PH参数数据的PH偏差值,将所述PH偏差值作为第一PH增量参数;
S222:将第一PH增量参数和第二温度增量参数输入预构建数字孪生模型中进行一次仿真模拟分析,以获取第二PH增量参数和第三温度增量参数。
进一步地,所述一次仿真模拟分析的具体过程如下:
根据第一PH增量参数对数字孪生模型进行PH值调节控制,并获取数字孪生模型中对应反应监测数据的第一数据输出值;
根据第二温度增量参数对数字孪生模型进行温度调节控制,并获取调节后数字孪生模型中对应反应监测数据的第二数据输出值;
计算第一数据输出值与第二数据输出值的输出差值,并判断所述输出差值是否小于或等于预设第一差值阈值,若小于或等于,则将第一PH增量参数作为第二PH增量参数,并将第二温度增量参数作为第三温度增量参数进行输出;
若大于,则将所述第一PH增量参数设置为固定量,调节第二温度增量参数大小,并持续计算第一数据输出值与第二数据输出值的输出差值,直至所述第一数据输出值与第二数据输出值的输出差值小于或等于预设第一差值阈值,并输出调节后第二温度增量参数;
将第一PH增量参数和调节后第二温度增量参数作为第二PH增量参数和第三温度增量参数输出。
进一步地,所述第三控制参数分析的具体过程如下:
S231:将所述反应监测数据输入预搭建第三神经网络模型中,得到第一DO参数数据;并计算所述第三目标参数数据与所述第一DO参数数据的DO偏差值,将所述DO偏差值作为第一DO增量参数;
S232:将第一DO增量参数、第二PH增量参数和第三温度增量参数输入预构建数字孪生模型中进行二次仿真模拟分析,以获取控制参数分析结果。
进一步地,所述二次仿真模拟分析的具体过程如下:
根据第二PH增量参数和第三温度增量参数对数字孪生模型进行PH值和温度调节控制,并获取数字孪生模型中对应反应监测数据的第三数据输出值;
根据第一DO增量参数对数字孪生模型进行DO调节控制,并获取调节后数字孪生模型中对应反应监测数据的第四数据输出值;
计算第三数据输出值与第四数据输出值的输出差值,并判断所述输出差值是否小于或等于预设第二差值阈值,若小于或等于,则将第一DO增量参数、第二PH增量参数和第三温度增量参数作为控制参数分析结果;
若大于,则将所述第二PH增量参数和第三温度增量参数设置为固定量,调节第一DO增量参数大小,并持续计算第三数据输出值与第四数据输出值的输出差值,直至所述第三数据输出值与第四数据输出值的输出差值小于或等于预设第二差值阈值,并输出调节后第一DO增量参数;
将第二PH增量参数、第三温度增量参数以及调节后第一DO增量参数作为控制参数分析结果。
基于干细胞培养法的人参皂甙生产装置的控制系统,其基于上述任意一项所述的基于干细胞培养法的人参皂甙生产装置的控制方法实现,所述系统包括:
数据获取模块,用于通过预设传感器获取T时刻下所述人参皂甙生产装置内人参细胞培养对象的反应监测数据以及对应时刻下的实测参数数据;所述实测参数数据包括第一目标参数数据、第二目标参数数据和第三目标参数数据;
一次判断及数据分析模块,用于判断T时刻下所述人参皂甙生产装置内的所述人参细胞培养对象是否达到细胞一般生长周期的细胞生长状态临界值;若未达到,则基于所述反应监测数据和实测参数数据进行控制参数分析;
执行控制模块,用于获取控制参数分析结果,并根据其对所述人参皂甙生产装置的对应组件进行动态调节控制,所述控制参数分析结果包括最优温度增量参数、最优PH增量参数和最优DO增量参数;
二次判断模块,用于将T时刻后的时间标记为T+n时刻,判断T+n时刻下所述人参皂甙生产装置内人参细胞培养对象是否达到细胞最优生长周期的细胞生长状态临界值;若未达到,则返回一次判断及数据分析模块进行再次分析处理,直至调节控制人参细胞培养对象达到细胞最优生长周期的细胞生长状态临界值。
相比于现有技术,本发明的有益效果在于:
本发明公开了基于干细胞培养法的人参皂甙生产装置的控制方法及系统,其针对人参细胞培养对象的培养时刻进行阈值判断,并根据判断结果获取反应监测数据和实测参数数据,再通过神经网络模型和数字孪生模型对反应监测数据和实测参数数据进行多次控制参数分析,通过多次控制参数分析实现了对多个控制参数的联合影响判断,进而获取得到多参数下的最优控制解,从而有利于实现对人参皂甙生产装置的精细化控制,并且有利于避免人参细胞培养过早进入衰退周期,同时能够有效提高人参皂苷的生产产量和品质,从而有利于满足现有人参皂苷工业化生产的要求,能够为人参皂甙的大规模生产提供可靠的手段,进而可以弥补现有市场对人参皂甙的大量需求。
附图说明
图1为本发明提出的基于干细胞培养法的人参皂甙生产装置的控制方法的整体结构示意图;
图2为本发明提出的基于干细胞培养法的人参皂甙生产装置的控制系统的整体流程图;
图3为采用传统PID控制方法控制时的活细胞密度(VCD)示意图;
图4为采用本发明控制方法控制时实施组1的活细胞密度(VCD)示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
在本发明的描述中,需要理解的是,术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
实施例一
请参阅图2示,本实施例公开提供了基于干细胞培养法的人参皂甙生产装置的控制系统,包括:
数据获取模块110,用于通过预设传感器获取T时刻下所述人参皂甙生产装置内人参细胞培养对象的反应监测数据以及对应时刻下的实测参数数据;所述实测参数数据包括第一目标参数数据、第二目标参数数据和第三目标参数数据;
应当说明的是:在本申请中所述人参皂甙生产装置具体为生物反应器;所述预设传感器包括温度传感器、PH传感器和DO(溶解氧)传感器;
具体地,所述反应监测数据包括细胞生长速率、细胞代谢速率和细胞生产质量;所述细胞生产质量包括细胞数量、细胞形态和细胞大小;所述第一目标参数数据为温度,所述第二目标参数数据为PH值,所述第三目标参数数据为溶解氧量
一次判断及数据分析模块120,用于判断T时刻下所述人参皂甙生产装置内的所述人参细胞培养对象是否达到细胞一般生长周期的细胞生长状态临界值;若未达到,则基于所述反应监测数据和实测参数数据进行控制参数分析;
应当了解的是:人参细胞培养对象的培养过程包括生长周期和衰减周期,其依据细胞生长状态界定,进一步解释就是,每当某一或多种细胞生长状态呈下降趋势时,则表明该人参细胞培养对象从生长周期过渡到了衰减周期;还需说明的是,不同人参细胞培养对象的生长周期还根据其特定属性(如人参细胞培养量、细胞培养类型等)具体确定,而每种特定属性下的人参细胞培养对象都有它的一般生长周期或最优生长周期;
还应当了解的是:人参细胞培养对象的生长周期的细胞生长状态与培养温度、PH值以及DO值存在密切关系,目前在对细胞培养过程中,大部分的人参细胞培养对象一般在达到一般生长周期的细胞生长状态临界值时(即还未达到最优生长周期)就过早进行衰减周期,从而使得培养得到的人参皂甙的生产产量和品质不高;
需要说明的是:所述一般生长周期的细胞生长状态临界值为一般生长周期的某一细胞生长状态临界值或综合细胞生长状态临界值;所述细胞生长状态包括活细胞密度、细胞活率和细胞单位生产率;
需要注意的是:若所述T时刻下所述人参皂甙生产装置内的人参细胞培养对象达到一般生长周期的细胞生长状态临界值,则跳转到二次判断模块140进行二次判断;
具体地,所述控制参数分析的具体过程如下:
S21:基于所述反应监测数据和第一目标参数数据进行第一控制参数分析,根据第一控制参数分析以获取第一温度增量参数;
具体地,所述第一控制参数分析的具体过程如下:
S211:将反应监测数据输入预搭建第一神经网络模型中,得到第一温度参数数据;
S212:计算所述第一目标参数数据与所述第一温度参数数据的第一温度偏差值,若所述第一温度偏差值大于预设温度偏差阈值,则将第一目标参数数据输入所述第一神经网络模型进行训练,得到训练后的第一神经网络模型;
需要注意的是:若所述第一温度偏差值小于或等于预设温度偏差阈值,则将所述第一温度偏差值作为第一温度增量参数;
S213:将所述反应监测数据输入训练后的第一神经网络模型,得到第二温度参数数据;
S214:计算所述第一目标参数数据与所述第二温度参数数据的第二温度偏差值,若所述第二温度偏差值小于或等于预设温度偏差阈值,则将所述第二温度偏差值输出为第一温度增量参数;
需要说明的是:若所述第二温度偏差值大于预设温度偏差阈值,则继续将第一目标参数数据作为训练集数据输入至训练后的第一神经网络模型中进行再次训练,以重新得到训练后的第一神经网络模型,可以理解的是,继续将第一目标参数数据作为训练集数据输入至训练后的第一神经网络模型中后对训练后的第一神经网络模型进行再次矫正,以重新获取训练后的第一神经网络模型;进一步理解就是,这个训练过程是可以持续的,直至将第一目标参数数据至训练后的第一神经网络模型中所得到的所述第二温度偏差值小于或等于预设温度偏差阈值时,此时,停止模型训练;
S22:基于所述反应监测数据、第二目标参数数据和第一温度增量参数进行第二控制参数分析,根据第二控制参数分析以获取第二PH增量参数和第三温度增量参数;
具体地,所述第二控制参数分析的具体过程如下:
S221:将所述反应监测数据输入预搭建第二神经网络模型中,得到第一PH参数数据;并计算所述第二目标参数数据与所述第一PH参数数据的PH偏差值,将所述PH偏差值作为第一PH增量参数;
需要说明的是:在本步骤还包括对PH偏差值与预设PH偏差阈值的比较判断,其过程与上述第一温度偏差值、第二温度偏差值与预设温度偏差阈值的过程一致,且所述第二神经网络模型的修正也与上述第一神经网络模型也一致,因此,本申请不做过多赘述,同理可参照上述第一控制参数分析的具体过程和详述;
S222:将第一PH增量参数和第二温度增量参数输入预构建数字孪生模型中进行一次仿真模拟分析,以获取第二PH增量参数和第三温度增量参数;
需要说明的是:预构建的所述数字孪生模型具体为人参皂甙生产装置的虚拟仿真模型,其根据不同人参细胞培养对象的历史实测数据生成,并基于若干传感器进行实时数据更新和模型更新,所述历史实测数据包括K时刻下的细胞生长状态和对应时刻下的温度、PH、DO数据以及人参皂甙生产装置的构建信息和对应人参细胞培养对象的状态信息;
具体地,所述一次仿真模拟分析的具体过程如下:
根据第一PH增量参数对数字孪生模型进行PH值调节控制,并获取数字孪生模型中对应反应监测数据的第一数据输出值;
需要说明的是:所述数字孪生模型中对应反应监测数据具体为细胞生长速率、细胞代谢速率和细胞生产质量中的一种;
根据第二温度增量参数对数字孪生模型进行温度调节控制,并获取调节后数字孪生模型中对应反应监测数据的第二数据输出值;
计算第一数据输出值与第二数据输出值的输出差值,并判断所述输出差值是否小于或等于预设第一差值阈值,若小于或等于,则将第一PH增量参数作为第二PH增量参数,并将第二温度增量参数作为第三温度增量参数进行输出;
若大于,则将所述第一PH增量参数设置为固定量,调节第二温度增量参数大小,并持续计算第一数据输出值与第二数据输出值的输出差值,直至所述第一数据输出值与第二数据输出值的输出差值小于或等于预设第一差值阈值,并输出调节后第二温度增量参数;
将第一PH增量参数和调节后第二温度增量参数作为第二PH增量参数和第三温度增量参数输出;
需要说明的:所述固定量是指固定不变的参数值;
在一个实施例中,所述固定量也可为第二温度增量参数,若将第二温度增量参数设为固定量则对应后续操作则将调节第一PH增量参数大小,直至所述第一数据输出值与第二数据输出值的输出差值小于或等于预设第一差值阈值,并输出调节后第一PH增量参数,并将第二温度增量参数和调节后第一PH增量参数作为第二PH增量参数和第三温度增量参数输出;
在一个实施例中,若设置了两种固定量(即将第一PH增量参数设置为固定量后又将第二温度增量参数设为固定量),则还包括:比较将第一PH增量参数设置为固定量时最终得到第一数据输出值与第二数据输出值的输出差值与将第二温度增量参数设置为固定量时最终得到第一数据输出值与第二数据输出值的输出差值的大小,若将第一PH增量参数设置为固定量时最终得到第一数据输出值小于第二数据输出值的输出差值与将第二温度增量参数设置为固定量时最终得到第一数据输出值与第二数据输出值的输出差值,则将第一PH增量参数作为第二PH增量参数,并将第二温度增量参数作为第三温度增量参数进行输出;反之,若将第一PH增量参数设置为固定量时最终得到第一数据输出值大于第二数据输出值的输出差值与将第二温度增量参数设置为固定量时最终得到第一数据输出值与第二数据输出值的输出差值,则将第二温度增量参数和调节后第一PH增量参数作为第二PH增量参数和第三温度增量参数;
S23:基于所述反应监测数据、第三目标参数数据、第二PH增量参数和第三温度增量参数进行第三控制参数分析,根据第三控制参数分析以获取控制参数分析结果;
具体地,所述第三控制参数分析的具体过程如下:
S231:将所述反应监测数据输入预搭建第三神经网络模型中,得到第一DO参数数据;并计算所述第三目标参数数据与所述第一DO参数数据的DO偏差值,将所述DO偏差值作为第一DO增量参数;
需要说明的是:在本步骤还包括对DO偏差值与预设DO偏差阈值的比较判断,其过程与上述第一温度偏差值、第二温度偏差值与预设温度偏差阈值的过程也一致,且所述第三神经网络模型的修正也与上述第一神经网络模型也一致,因此,本申请不做过多赘述,同理可参照上述第一控制参数分析的具体过程和详述;
S232:将第一DO增量参数、第二PH增量参数和第三温度增量参数输入预构建数字孪生模型中进行二次仿真模拟分析,以获取控制参数分析结果;
具体地,所述二次仿真模拟分析的具体过程如下:
根据第二PH增量参数和第三温度增量参数对数字孪生模型进行PH值和温度调节控制,并获取数字孪生模型中对应反应监测数据的第三数据输出值;
根据第一DO增量参数对数字孪生模型进行DO调节控制,并获取调节后数字孪生模型中对应反应监测数据的第四数据输出值;
计算第三数据输出值与第四数据输出值的输出差值,并判断所述输出差值是否小于或等于预设第二差值阈值,若小于或等于,则将第一DO增量参数、第二PH增量参数和第三温度增量参数作为控制参数分析结果;
若大于,则将所述第二PH增量参数和第三温度增量参数设置为固定量,调节第一DO增量参数大小,并持续计算第三数据输出值与第四数据输出值的输出差值,直至所述第三数据输出值与第四数据输出值的输出差值小于或等于预设第二差值阈值,并输出调节后第一DO增量参数;
将第二PH增量参数、第三温度增量参数以及调节后第一DO增量参数作为控制参数分析结果;
在一个实施例中,所述固定量也可以为第一DO增量参数,若将第一DO增量参设为固定量,则对应后续操作则将调节第二PH增量参数和第三温度增量参数大小(该过程具体参见上述对第一PH增量参数和第二温度增量参数的固定调节过程),直至所述第三数据输出值与第四数据输出值的输出差值小于或等于预设第二差值阈值,并输出调节后的第二PH增量参数和第三温度增量参数;并将第一DO增量参数以及调节第二PH增量参数和第三温度增量参数作为控制参数分析结果;
在一个实施例中,若又设置了两种固定量(即第二PH增量参数和第三温度增量参数设置为固定量后又将第一DO增量参数设为固定量),则又还包括:比较将第二PH增量参数设置为固定量时最终得到第三数据输出值与第四数据输出值的输出差值与将第二PH增量参数和第三温度增量参数设置为固定量时最终得到第三数据输出值与第四数据输出值的输出差值的大小,其与比较将第一PH增量参数设置为固定量时最终得到第一数据输出值与第二数据输出值的输出差值与将第二温度增量参数设置为固定量时最终得到第一数据输出值与第二数据输出值的输出差值的大小的具体过程一致,在此不做过多赘述;通过多次的输出差值比较本申请能够获得多参数下的最优控制解,即最优温度增量参数、最优PH增量参数和最优DO增量参数,从而有利于实现对人参皂甙生产装置的精细化控制,进而有利于提高人参皂甙的生产产量和品质;
执行控制模块130,用于获取控制参数分析结果,并根据其对所述人参皂甙生产装置的对应组件进行动态调节控制,所述控制参数分析结果包括最优温度增量参数、最优PH增量参数和最优DO增量参数;
需要说明的是:所述增量包含正向和负向,举例来说就是:假设所述人参皂甙生产装置在某一时刻下的温度为Q,通过数据分析得到预测温度应当为G,若G大于或等于Q,则将温度TH(TH=G-Q)作为温度增量参数,并根据温度增量参数进行正向温度调节;反之,若G小于Q,则将温度TH(TH=G-Q)作为温度增量参数,并根据温度增量参数进行负向温度调节;
二次判断模块140,用于将T时刻后的时间标记为T+n时刻,判断T+n时刻下所述人参皂甙生产装置内人参细胞培养对象是否达到细胞最优生长周期的细胞生长状态临界值;若未达到,则返回一次判断及数据分析模块120进行再次分析处理,直至调节控制人参细胞培养对象达到细胞最优生长周期的细胞生长状态临界值;
需要说明的是:所述数据获取模块110、一次判断及数据分析模块120、执行控制模块130和二次判断模块140通过有线方式电性连接或通过无线方式通信连接;
还需要说明的是:所述最优生长周期的细胞生长状态临界值为最优生长周期的某一细胞生长状态临界值或综合细胞生长状态临界值;所述细胞生长状态包括活细胞密度、细胞活率和细胞单位生产率;
又需要说明的是:所述n时刻具体为根据控制参数分析结果对所述人参皂甙生产装置的对应组件进行动态调节控制的时间范围,当对T时刻下达到细胞一般生长周期的细胞生长状态临界值的人参细胞培养对象进行二次判断时,n取零;
进一步需要说明的是:当T+n时刻下所述人参皂甙生产装置内人参细胞培养对象达到细胞最优生长周期的细胞生长状态临界值时,则结束对所述人参皂甙生产装置的对应组件进行动态调节控制,需要进一步说明的是,该动态调节控制的结束是指对细胞生长周期内的调节停止,而不是整个人参皂甙生产过程的停止,其表明人参细胞培养对象进入衰减周期,则采用另一衰减控制策略进行控制,在此,本申请不做过多赘述。
实施例二
请参阅图1示,本实施例公开提供了基于干细胞培养法的人参皂甙生产装置的控制方法,包括:
S1:数据获取:通过预设传感器获取T时刻下人参皂甙生产装置内人参细胞培养对象的反应监测数据以及对应时刻下的实测参数数据;所述实测参数数据包括第一目标参数数据、第二目标参数数据和第三目标参数数据;
应当说明的是:在本申请中所述人参皂甙生产装置具体为生物反应器;所述预设传感器包括温度传感器、PH传感器和DO(溶解氧)传感器;
具体地,所述反应监测数据包括细胞生长速率、细胞代谢速率和细胞生产质量;所述细胞生产质量包括细胞数量、细胞形态和细胞大小;所述第一目标参数数据为温度,所述第二目标参数数据为PH值,所述第三目标参数数据为溶解氧量;
S2:一次判断及数据分析:判断T时刻下所述人参皂甙生产装置内的所述人参细胞培养对象是否达到细胞一般生长周期的细胞生长状态临界值;若未达到,则基于所述反应监测数据和实测参数数据进行控制参数分析;
应当了解的是:人参细胞培养对象的培养过程包括生长周期和衰减周期,其依据细胞生长状态界定,进一步解释就是,每当某一或多种细胞生长状态呈下降趋势时,则表明该人参细胞培养对象从生长周期过渡到了衰减周期;还需说明的是,不同人参细胞培养对象的生长周期还根据其特定属性(如人参细胞培养量、细胞培养类型等)具体确定,而每种特定属性下的人参细胞培养对象都有它的一般生长周期或最优生长周期;
还应当了解的是:人参细胞培养对象的生长周期的细胞生长状态与培养温度、PH值以及DO值存在密切关系,目前在对细胞培养过程中,大部分的人参细胞培养对象一般在达到一般生长周期的细胞生长状态临界值时(即还未达到最优生长周期)就过早进行衰减周期,从而使得培养得到的人参皂甙的生产产量和品质不高;
需要说明的是:所述一般生长周期的细胞生长状态临界值为一般生长周期的某一细胞生长状态临界值或综合细胞生长状态临界值;所述细胞生长状态包括活细胞密度、细胞活率和细胞单位生产率;
需要注意的是:若所述T时刻下所述人参皂甙生产装置内的人参细胞培养对象达到一般生长周期的细胞生长状态临界值,则跳转到步骤S4进行二次判断;
具体地,所述控制参数分析的具体过程如下:
S21:基于所述反应监测数据和第一目标参数数据进行第一控制参数分析,根据第一控制参数分析以获取第一温度增量参数;
具体地,所述第一控制参数分析的具体过程如下:
S211:将反应监测数据输入预搭建第一神经网络模型中,得到第一温度参数数据;
S212:计算所述第一目标参数数据与所述第一温度参数数据的第一温度偏差值,若所述第一温度偏差值大于预设温度偏差阈值,则将第一目标参数数据输入所述第一神经网络模型进行训练,得到训练后的第一神经网络模型;
需要注意的是:若所述第一温度偏差值小于或等于预设温度偏差阈值,则将所述第一温度偏差值作为第一温度增量参数;
S213:将所述反应监测数据输入训练后的第一神经网络模型,得到第二温度参数数据;
S214:计算所述第一目标参数数据与所述第二温度参数数据的第二温度偏差值,若所述第二温度偏差值小于或等于预设温度偏差阈值,则将所述第二温度偏差值输出为第一温度增量参数;
需要说明的是:若所述第二温度偏差值大于预设温度偏差阈值,则继续将第一目标参数数据作为训练集数据输入至训练后的第一神经网络模型中进行再次训练,以重新得到训练后的第一神经网络模型,可以理解的是,继续将第一目标参数数据作为训练集数据输入至训练后的第一神经网络模型中后对训练后的第一神经网络模型进行再次矫正,以重新获取训练后的第一神经网络模型;进一步理解就是,这个训练过程是可以持续的,直至将第一目标参数数据至训练后的第一神经网络模型中所得到的所述第二温度偏差值小于或等于预设温度偏差阈值时,此时,停止模型训练;
S22:基于所述反应监测数据、第二目标参数数据和第一温度增量参数进行第二控制参数分析,根据第二控制参数分析以获取第二PH增量参数和第三温度增量参数;
具体地,所述第二控制参数分析的具体过程如下:
S221:将所述反应监测数据输入预搭建第二神经网络模型中,得到第一PH参数数据;并计算所述第二目标参数数据与所述第一PH参数数据的PH偏差值,将所述PH偏差值作为第一PH增量参数;
需要说明的是:在本步骤还包括对PH偏差值与预设PH偏差阈值的比较判断,其过程与上述第一温度偏差值、第二温度偏差值与预设温度偏差阈值的过程一致,且所述第二神经网络模型的修正也与上述第一神经网络模型也一致,因此,本申请不做过多赘述,同理可参照上述第一控制参数分析的具体过程和详述;
S222:将第一PH增量参数和第二温度增量参数输入预构建数字孪生模型中进行一次仿真模拟分析,以获取第二PH增量参数和第三温度增量参数;
需要说明的是:预构建的所述数字孪生模型具体为人参皂甙生产装置的虚拟仿真模型,其根据不同人参细胞培养对象的历史实测数据生成,并基于若干传感器进行实时数据更新和模型更新,所述历史实测数据包括K时刻下的细胞生长状态和对应时刻下的温度、PH、DO数据以及人参皂甙生产装置的构建信息和对应人参细胞培养对象的状态信息;
具体地,所述一次仿真模拟分析的具体过程如下:
根据第一PH增量参数对数字孪生模型进行PH值调节控制,并获取数字孪生模型中对应反应监测数据的第一数据输出值;
需要说明的是:所述数字孪生模型中对应反应监测数据具体为细胞生长速率、细胞代谢速率和细胞生产质量中的一种;
根据第二温度增量参数对数字孪生模型进行温度调节控制,并获取调节后数字孪生模型中对应反应监测数据的第二数据输出值;
计算第一数据输出值与第二数据输出值的输出差值,并判断所述输出差值是否小于或等于预设第一差值阈值,若小于或等于,则将第一PH增量参数作为第二PH增量参数,并将第二温度增量参数作为第三温度增量参数进行输出;
若大于,则将所述第一PH增量参数设置为固定量,调节第二温度增量参数大小,并持续计算第一数据输出值与第二数据输出值的输出差值,直至所述第一数据输出值与第二数据输出值的输出差值小于或等于预设第一差值阈值,并输出调节后第二温度增量参数;
将第一PH增量参数和调节后第二温度增量参数作为第二PH增量参数和第三温度增量参数输出;
需要说明的:所述固定量是指固定不变的参数值;
在一个实施例中,所述固定量也可为第二温度增量参数,若将第二温度增量参数设为固定量则对应后续操作则将调节第一PH增量参数大小,直至所述第一数据输出值与第二数据输出值的输出差值小于或等于预设第一差值阈值,并输出调节后第一PH增量参数,并将第二温度增量参数和调节后第一PH增量参数作为第二PH增量参数和第三温度增量参数输出;
在一个实施例中,若设置了两种固定量(即将第一PH增量参数设置为固定量后又将第二温度增量参数设为固定量),则还包括:比较将第一PH增量参数设置为固定量时最终得到第一数据输出值与第二数据输出值的输出差值与将第二温度增量参数设置为固定量时最终得到第一数据输出值与第二数据输出值的输出差值的大小,若将第一PH增量参数设置为固定量时最终得到第一数据输出值小于第二数据输出值的输出差值与将第二温度增量参数设置为固定量时最终得到第一数据输出值与第二数据输出值的输出差值,则将第一PH增量参数作为第二PH增量参数,并将第二温度增量参数作为第三温度增量参数进行输出;反之,若将第一PH增量参数设置为固定量时最终得到第一数据输出值大于第二数据输出值的输出差值与将第二温度增量参数设置为固定量时最终得到第一数据输出值与第二数据输出值的输出差值,则将第二温度增量参数和调节后第一PH增量参数作为第二PH增量参数和第三温度增量参数;
S23:基于所述反应监测数据、第三目标参数数据、第二PH增量参数和第三温度增量参数进行第三控制参数分析,根据第三控制参数分析以获取控制参数分析结果;
具体地,所述第三控制参数分析的具体过程如下:
S231:将所述反应监测数据输入预搭建第三神经网络模型中,得到第一DO参数数据;并计算所述第三目标参数数据与所述第一DO参数数据的DO偏差值,将所述DO偏差值作为第一DO增量参数;
需要说明的是:在本步骤还包括对DO偏差值与预设DO偏差阈值的比较判断,其过程与上述第一温度偏差值、第二温度偏差值与预设温度偏差阈值的过程也一致,且所述第三神经网络模型的修正也与上述第一神经网络模型也一致,因此,本申请不做过多赘述,同理可参照上述第一控制参数分析的具体过程和详述;
S232:将第一DO增量参数、第二PH增量参数和第三温度增量参数输入预构建数字孪生模型中进行二次仿真模拟分析,以获取控制参数分析结果;
具体地,所述二次仿真模拟分析的具体过程如下:
根据第二PH增量参数和第三温度增量参数对数字孪生模型进行PH值和温度调节控制,并获取数字孪生模型中对应反应监测数据的第三数据输出值;
根据第一DO增量参数对数字孪生模型进行DO调节控制,并获取调节后数字孪生模型中对应反应监测数据的第四数据输出值;
计算第三数据输出值与第四数据输出值的输出差值,并判断所述输出差值是否小于或等于预设第二差值阈值,若小于或等于,则将第一DO增量参数、第二PH增量参数和第三温度增量参数作为控制参数分析结果;
若大于,则将所述第二PH增量参数和第三温度增量参数设置为固定量,调节第一DO增量参数大小,并持续计算第三数据输出值与第四数据输出值的输出差值,直至所述第三数据输出值与第四数据输出值的输出差值小于或等于预设第二差值阈值,并输出调节后第一DO增量参数;
将第二PH增量参数、第三温度增量参数以及调节后第一DO增量参数作为控制参数分析结果;
在一个实施例中,所述固定量也可以为第一DO增量参数,若将第一DO增量参设为固定量,则对应后续操作则将调节第二PH增量参数、第三温度增量参数大小(该过程具体参见上述对第一PH增量参数和第二温度增量参数的固定调节过程),直至所述第三数据输出值与第四数据输出值的输出差值小于或等于预设第二差值阈值,并输出调节后的第二PH增量参数和第三温度增量参数;并将第一DO增量参数以及调节第二PH增量参数和第三温度增量参数作为控制参数分析结果;
在一个实施例中,若又设置了两种固定量(即第二PH增量参数和第三温度增量参数设置为固定量后又将第一DO增量参数设为固定量),则又还包括:比较将第二PH增量参数设置为固定量时最终得到第三数据输出值与第四数据输出值的输出差值与将第二PH增量参数和第三温度增量参数设置为固定量时最终得到第三数据输出值与第四数据输出值的输出差值的大小,其与比较将第一PH增量参数设置为固定量时最终得到第一数据输出值与第二数据输出值的输出差值与将第二温度增量参数设置为固定量时最终得到第一数据输出值与第二数据输出值的输出差值的大小的具体过程一致,在此不做过多赘述;通过多次的输出差值比较本申请能够获得多参数下的最优控制解,即最优温度增量参数、最优PH增量参数和最优DO增量参数,从而有利于实现对人参皂甙生产装置的精细化控制,进而有利于提高人参皂甙的生产产量和品质;
S3:执行控制:获取控制参数分析结果,并根据其对所述人参皂甙生产装置的对应组件进行动态调节控制,所述控制参数分析结果包括最优温度增量参数、最优PH增量参数和最优DO增量参数;
需要说明的是:所述增量包含正向和负向,举例来说就是:假设所述人参皂甙生产装置在某一时刻下的温度为Q,通过数据分析得到预测温度应当为G,若G大于或等于Q,则将温度TH(TH=G-Q)作为温度增量参数,并根据温度增量参数进行正向温度调节;反之,若G小于Q,则将温度TH(TH=G-Q)作为温度增量参数,并根据温度增量参数进行负向温度调节;
S4:二次判断:将T时刻后的时间标记为T+n时刻,判断T+n时刻下所述人参皂甙生产装置内人参细胞培养对象是否达到细胞最优生长周期的细胞生长状态临界值;若未达到,则跳转回步骤S2~步骤S3,直至调节控制人参细胞培养对象达到细胞最优生长周期的细胞生长状态临界值;
需要说明的是:所述最优生长周期的细胞生长状态临界值为最优生长周期的某一细胞生长状态临界值或综合细胞生长状态临界值;所述细胞生长状态包括活细胞密度、细胞活率和细胞单位生产率;
还需要说明的是:所述n具体为根据控制参数分析结果对所述人参皂甙生产装置的对应组件进行动态调节控制的时间,当对T时刻下达到细胞一般生长周期的细胞生长状态临界值的人参细胞培养对象进行二次判断时,n取零;
进一步需要说明的是:当T+n时刻下所述人参皂甙生产装置内人参细胞培养对象达到细胞最优生长周期的细胞生长状态临界值时,则结束对所述人参皂甙生产装置的对应组件进行动态调节控制,需要进一步说明的是,该动态调节控制的结束是指对细胞生长周期内的调节停止,而不是整个人参皂甙生产过程的停止,其表明人参细胞培养对象进入衰减周期,则采用另一衰减控制策略进行控制,在此,本申请不做过多赘述。
实施例三
在本实施例中,为了更好地对本发明方法中采用的技术效果加以验证说明,本实施例采用传统PID控制方法和本申请控制方法对某一同类型的人参干细胞培养基分别进行控制培养,并将传统PID控制方法的控制过程作为对照组,而本申请控制方法的控制过程分为实施组1、实施组2和实施组3,并获取各自控制培养后的人参干细胞样品,以及实时监测其各自细胞生产状态-活细胞密度(VCD)和生长周期(如图3-4所示),同时利用色谱柱分离,高效液相色谱-紫外检测器检测,外标法定量测定人参皂苷各组分的含量,并根据各自生产效果进行对比测试,以科学论证的手段对比试验结果,以验证本方法所具有的真实效果,其具体实验数据如下(见表1):
表1:实验效果数据表
由图3-4以及上述表1能够看出:本申请控制方法通过获取多参数下的最优控制解,能够有效避免人参细胞培养过早进入衰退周期,同时能够有效提高人参皂苷的生产产量和品质,从而有利于满足现有人参皂苷工业化生产的要求,能够为人参皂甙的大规模生产提供可靠的手段,进而可以弥补现有市场对人参皂甙的大量需求。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (8)
1.基于干细胞培养法的人参皂甙生产装置的控制方法,其特征在于,包括:
S1:数据获取:通过预设传感器获取T时刻下人参皂甙生产装置内人参细胞培养对象的反应监测数据以及对应时刻下的实测参数数据;所述反应监测数据包括细胞生长速率、细胞代谢速率和细胞生产质量;所述实测参数数据包括第一目标参数数据、第二目标参数数据和第三目标参数数据;所述第一目标参数数据为温度,所述第二目标参数数据为PH值,所述第三目标参数数据为溶解氧量;
S2:一次判断及数据分析:判断T时刻下所述人参皂甙生产装置内的所述人参细胞培养对象是否达到细胞一般生长周期的细胞生长状态临界值;若未达到,则基于所述反应监测数据和实测参数数据进行控制参数分析;
所述控制参数分析的具体过程如下:
S21:基于所述反应监测数据和第一目标参数数据进行第一控制参数分析,根据第一控制参数分析以获取第一温度增量参数;
S22:基于所述反应监测数据、第二目标参数数据和第一温度增量参数进行第二控制参数分析,根据第二控制参数分析以获取第二PH增量参数和第三温度增量参数;
S23:基于所述反应监测数据、第三目标参数数据、第二PH增量参数和第三温度增量参数进行第三控制参数分析,根据第三控制参数分析以获取控制参数分析结果;
S3:执行控制:获取控制参数分析结果,并根据其对所述人参皂甙生产装置的对应组件进行动态调节控制,所述控制参数分析结果包括最优温度增量参数、最优PH增量参数和最优DO增量参数;
S4:二次判断:将T时刻后的时间标记为T+n时刻,判断T+n时刻下所述人参皂甙生产装置内人参细胞培养对象是否达到细胞最优生长周期的细胞生长状态临界值;若未达到,则跳转回步骤S2~步骤S3,直至调节控制人参细胞培养对象达到细胞最优生长周期的细胞生长状态临界值。
2.根据权利要求1所述的基于干细胞培养法的人参皂甙生产装置的控制方法,其特征在于,所述第一控制参数分析的具体过程如下:
S211:将反应监测数据输入预搭建第一神经网络模型中,得到第一温度参数数据;
S212:计算所述第一目标参数数据与所述第一温度参数数据的第一温度偏差值,若所述第一温度偏差值大于预设温度偏差阈值,则将第一目标参数数据输入所述第一神经网络模型进行训练,得到训练后的第一神经网络模型;
S213:将所述反应监测数据输入训练后的第一神经网络模型,得到第二温度参数数据;
S214:计算所述第一目标参数数据与所述第二温度参数数据的第二温度偏差值,若所述第二温度偏差值小于或等于预设温度偏差阈值,则将所述第二温度偏差值输出为第一温度增量参数。
3.根据权利要求2所述的基于干细胞培养法的人参皂甙生产装置的控制方法,其特征在于,若所述第一温度偏差值小于或等于预设温度偏差阈值,则将所述第一温度偏差值作为第一温度增量参数。
4.根据权利要求3所述的基于干细胞培养法的人参皂甙生产装置的控制方法,其特征在于,所述第二控制参数分析的具体过程如下:
S221:将所述反应监测数据输入预搭建第二神经网络模型中,得到第一PH参数数据;并计算所述第二目标参数数据与所述第一PH参数数据的PH偏差值,将所述PH偏差值作为第一PH增量参数;
S222:将第一PH增量参数和第二温度增量参数输入预构建数字孪生模型中进行一次仿真模拟分析,以获取第二PH增量参数和第三温度增量参数。
5.根据权利要求4所述的基于干细胞培养法的人参皂甙生产装置的控制方法,其特征在于,所述一次仿真模拟分析的具体过程如下:
根据第一PH增量参数对数字孪生模型进行PH值调节控制,并获取数字孪生模型中对应反应监测数据的第一数据输出值;
根据第二温度增量参数对数字孪生模型进行温度调节控制,并获取调节后数字孪生模型中对应反应监测数据的第二数据输出值;
计算第一数据输出值与第二数据输出值的输出差值,并判断所述输出差值是否小于或等于预设第一差值阈值,若小于或等于,则将第一PH增量参数作为第二PH增量参数,并将第二温度增量参数作为第三温度增量参数进行输出;
若大于,则将所述第一PH增量参数设置为固定量,调节第二温度增量参数大小,并持续计算第一数据输出值与第二数据输出值的输出差值,直至所述第一数据输出值与第二数据输出值的输出差值小于或等于预设第一差值阈值,并输出调节后第二温度增量参数;
将第一PH增量参数和调节后第二温度增量参数作为第二PH增量参数和第三温度增量参数输出。
6.根据权利要求5所述的基于干细胞培养法的人参皂甙生产装置的控制方法,其特征在于,所述第三控制参数分析的具体过程如下:
S231:将所述反应监测数据输入预搭建第三神经网络模型中,得到第一DO参数数据;并计算所述第三目标参数数据与所述第一DO参数数据的DO偏差值,将所述DO偏差值作为第一DO增量参数;
S232:将第一DO增量参数、第二PH增量参数和第三温度增量参数输入预构建数字孪生模型中进行二次仿真模拟分析,以获取控制参数分析结果。
7.根据权利要求6所述的基于干细胞培养法的人参皂甙生产装置的控制方法,其特征在于,所述二次仿真模拟分析的具体过程如下:
根据第二PH增量参数和第三温度增量参数对数字孪生模型进行PH值和温度调节控制,并获取数字孪生模型中对应反应监测数据的第三数据输出值;
根据第一DO增量参数对数字孪生模型进行DO调节控制,并获取调节后数字孪生模型中对应反应监测数据的第四数据输出值;
计算第三数据输出值与第四数据输出值的输出差值,并判断所述输出差值是否小于或等于预设第二差值阈值,若小于或等于,则将第一DO增量参数、第二PH增量参数和第三温度增量参数作为控制参数分析结果;
若大于,则将所述第二PH增量参数和第三温度增量参数设置为固定量,调节第一DO增量参数大小,并持续计算第三数据输出值与第四数据输出值的输出差值,直至所述第三数据输出值与第四数据输出值的输出差值小于或等于预设第二差值阈值,并输出调节后第一DO增量参数;
将第二PH增量参数、第三温度增量参数以及调节后第一DO增量参数作为控制参数分析结果。
8.基于干细胞培养法的人参皂甙生产装置的控制系统,其基于权利要求1-7任意一项所述的基于干细胞培养法的人参皂甙生产装置的控制方法实现,其特征在于,所述系统包括:
数据获取模块,用于通过预设传感器获取T时刻下所述人参皂甙生产装置内人参细胞培养对象的反应监测数据以及对应时刻下的实测参数数据;所述反应监测数据包括细胞生长速率、细胞代谢速率和细胞生产质量;所述实测参数数据包括第一目标参数数据、第二目标参数数据和第三目标参数数据;所述第一目标参数数据为温度,所述第二目标参数数据为PH值,所述第三目标参数数据为溶解氧量;
一次判断及数据分析模块,用于判断T时刻下所述人参皂甙生产装置内的所述人参细胞培养对象是否达到细胞一般生长周期的细胞生长状态临界值;若未达到,则基于所述反应监测数据和实测参数数据进行控制参数分析;
所述控制参数分析的具体过程如下:
基于所述反应监测数据和第一目标参数数据进行第一控制参数分析,根据第一控制参数分析以获取第一温度增量参数;
基于所述反应监测数据、第二目标参数数据和第一温度增量参数进行第二控制参数分析,根据第二控制参数分析以获取第二PH增量参数和第三温度增量参数;
基于所述反应监测数据、第三目标参数数据、第二PH增量参数和第三温度增量参数进行第三控制参数分析,根据第三控制参数分析以获取控制参数分析结果;
执行控制模块,用于获取控制参数分析结果,并根据其对所述人参皂甙生产装置的对应组件进行动态调节控制,所述控制参数分析结果包括最优温度增量参数、最优PH增量参数和最优DO增量参数;
二次判断模块,用于将T时刻后的时间标记为T+n时刻,判断T+n时刻下所述人参皂甙生产装置内人参细胞培养对象是否达到细胞最优生长周期的细胞生长状态临界值;若未达到,则返回一次判断及数据分析模块进行再次分析处理,直至调节控制人参细胞培养对象达到细胞最优生长周期的细胞生长状态临界值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310573276.8A CN116300479B (zh) | 2023-05-22 | 2023-05-22 | 基于干细胞培养法的人参皂甙生产装置的控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310573276.8A CN116300479B (zh) | 2023-05-22 | 2023-05-22 | 基于干细胞培养法的人参皂甙生产装置的控制方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116300479A CN116300479A (zh) | 2023-06-23 |
CN116300479B true CN116300479B (zh) | 2023-08-22 |
Family
ID=86818946
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310573276.8A Active CN116300479B (zh) | 2023-05-22 | 2023-05-22 | 基于干细胞培养法的人参皂甙生产装置的控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116300479B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108138111A (zh) * | 2015-10-30 | 2018-06-08 | 豪夫迈·罗氏有限公司 | 监测生物反应器中的状态偏差 |
JP2018117567A (ja) * | 2017-01-25 | 2018-08-02 | 株式会社日立製作所 | 細胞培養装置 |
CN109154588A (zh) * | 2016-05-17 | 2019-01-04 | 自动化合作关系(剑桥)有限公司 | 自动化生物过程开发 |
CN110499252A (zh) * | 2018-05-18 | 2019-11-26 | 华赛公司 | 自动化细胞培养 |
CN112662551A (zh) * | 2020-12-29 | 2021-04-16 | 上海药明生物医药有限公司 | 一种细胞培养控制方法以及系统 |
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 |
WO2022161442A1 (zh) * | 2021-01-28 | 2022-08-04 | 深圳先声科技发展有限公司 | 一种人参皂苷含量高的人参细胞培养方法 |
CN115175982A (zh) * | 2020-02-21 | 2022-10-11 | 赛多利斯司特蒂姆数据分析公司 | 用于模拟细胞培养过程的计算机执行的方法、计算机程序产品和系统 |
CN115657541A (zh) * | 2022-10-24 | 2023-01-31 | 山东科技大学 | 一种基于数字孪生精细化建模的空压机监管系统及方法 |
CN115862009A (zh) * | 2023-02-24 | 2023-03-28 | 山东卫康生物医药科技有限公司 | 一种精密化培养人参干细胞的数据处理方法及系统 |
CN115910192A (zh) * | 2022-09-14 | 2023-04-04 | 吉林农业科技学院 | 一种人参皂苷合成虚拟仿真实验系统及实验方法 |
CN115975789A (zh) * | 2022-12-29 | 2023-04-18 | 浙江金仪盛世生物工程有限公司 | 基于pid控制的生物反应器控制设备、方法、装置和系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11542564B2 (en) * | 2020-02-20 | 2023-01-03 | Sartorius Stedim Data Analytics Ab | Computer-implemented method, computer program product and hybrid system for cell metabolism state observer |
-
2023
- 2023-05-22 CN CN202310573276.8A patent/CN116300479B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108138111A (zh) * | 2015-10-30 | 2018-06-08 | 豪夫迈·罗氏有限公司 | 监测生物反应器中的状态偏差 |
CN109154588A (zh) * | 2016-05-17 | 2019-01-04 | 自动化合作关系(剑桥)有限公司 | 自动化生物过程开发 |
JP2018117567A (ja) * | 2017-01-25 | 2018-08-02 | 株式会社日立製作所 | 細胞培養装置 |
CN110499252A (zh) * | 2018-05-18 | 2019-11-26 | 华赛公司 | 自动化细胞培养 |
CN115175982A (zh) * | 2020-02-21 | 2022-10-11 | 赛多利斯司特蒂姆数据分析公司 | 用于模拟细胞培养过程的计算机执行的方法、计算机程序产品和系统 |
CN112662551A (zh) * | 2020-12-29 | 2021-04-16 | 上海药明生物医药有限公司 | 一种细胞培养控制方法以及系统 |
WO2022161442A1 (zh) * | 2021-01-28 | 2022-08-04 | 深圳先声科技发展有限公司 | 一种人参皂苷含量高的人参细胞培养方法 |
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 |
CN115910192A (zh) * | 2022-09-14 | 2023-04-04 | 吉林农业科技学院 | 一种人参皂苷合成虚拟仿真实验系统及实验方法 |
CN115657541A (zh) * | 2022-10-24 | 2023-01-31 | 山东科技大学 | 一种基于数字孪生精细化建模的空压机监管系统及方法 |
CN115975789A (zh) * | 2022-12-29 | 2023-04-18 | 浙江金仪盛世生物工程有限公司 | 基于pid控制的生物反应器控制设备、方法、装置和系统 |
CN115862009A (zh) * | 2023-02-24 | 2023-03-28 | 山东卫康生物医药科技有限公司 | 一种精密化培养人参干细胞的数据处理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116300479A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210379552A1 (en) | Systems methods and computational devices for automated control of industrial production processes | |
JP6824050B2 (ja) | 細胞培養装置 | |
CN102965272B (zh) | 发酵联动装置及发酵联动的实现方法 | |
Mazaheri et al. | Mathematical models for microbial kinetics in solid-state fermentation: a review | |
CN108251299A (zh) | 一种厌氧培养装置及其应用 | |
CN116300479B (zh) | 基于干细胞培养法的人参皂甙生产装置的控制方法及系统 | |
CN110447509A (zh) | 一种植物基质栽培的营养液灌溉控制系统与方法 | |
Sonnleitner et al. | High-performance bioreactors: a new generation | |
CN107766880B (zh) | 基于ba-lssvm的光合细菌发酵过程关键参量的软测量方法 | |
Dairaku et al. | optimal quality control of bakers' yeast fed‐batch culture using population dynamics | |
CN116543838B (zh) | 一种生物基因选择表达概率的数据分析方法 | |
CN113528710B (zh) | 一种用于抗体药物生产的温度调控方法 | |
CN103810403B (zh) | 一种基于基因互作的植物生长预测调控方法及系统 | |
Saarela et al. | Modelling of a fed-batch enzyme fermentation process | |
CN116225092A (zh) | 一种黄酒发酵过程的智能温度控制方法及装置 | |
CN207281541U (zh) | 一种小型营养液自动调节装置 | |
CN116187112B (zh) | 基于大数据的提高单晶生长热对流分布均匀的方法及系统 | |
CN116384897A (zh) | 基于立体式数据状态监测的饲料生产系统 | |
Castelló et al. | Bioethanol industrial production optimization | |
Dorresteijn et al. | Current good manufacturing practice in plant automation of biological production processes | |
CN117229905B (zh) | 一种生物饲料发酵管控方法及系统 | |
Altuntaş et al. | Discrete-Tıme Modelling of The Cheese Whey Drink Production and Servo Control of Ph | |
CN109055336A (zh) | 一种磁场诱变双岐杆菌高产耐高温β-半乳糖苷酶的方法 | |
CN202924999U (zh) | 发酵联动装置 | |
CN118151620A (zh) | 一种适用于果酒发酵生产的智能储存监测系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |