反应器与传感器资料PPT课件

单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,第八章传感器与发酵过程控制,生化工程,Biochemical Engineering,Air-lift internal cross-flow bioreactor(30,150L),pilot plant,工业规模的气升式反应器,Sensors and probes,pH probe,Mettler Toledo,METTLER TOLEDO Process Analytics is specialized on the parameters pH,DO,conductivity,turbidity and CO,2,with a wide range of high quality products as sensors.,http:/,Biomass monitor 220,(Aber,UK),尾气分析,不分光红外,CO,2,分析仪,磁压氧分析仪,一、传感器的类型和原理,发酵过程检测的参数,温度,.,.,细胞生长,罐压,.,溶解氧 正压,空气流量,.,供养,搅拌转速,.,混合传质,黏度,.,菌体生长,装液量,.,发酵液性质,浊度,.,细胞生长,物理常数,泡沫，加消泡剂速率，加酸碱速率，补料速率,发酵过程化学常数,酸碱度,溶解氧,尾气,O2,尾气,CO2,氧化还原电位,总糖，葡萄糖，蔗糖,前体浓度,发酵过程生物学常数,菌体浓度,菌体,RNA DNA,菌体,ATP ADM AMP,菌体,NADH,产物浓度,细胞形态,pH传感器,能够进行原位灭菌的复合,pH,传感器（梅特勒）,探头：产生电压型号的电化学原件，玻璃膜,DO 溶解氧传感器,一般采用覆膜式溶氧探头，测定氧分压,特点：,不锈钢探头,透气性膜,电解液,生物反应,过程,上游,加工过程,加工过程,下游,成本经济学,原料,的生物,具有,应用价值,传统育种,基因工程,细胞工程,目的产物,大规模,工艺开发,设计思想,遗传学,生理学,工业发酵过程：,承上启下,发酵过程控制与最优化技术在发酵工程中的重要地位,发酵过程控制与最优化技术在发酵工程中的重要地位,发酵技术研究过程：关键工程技术,发酵过程的检测、控制、与最优化系统,Glucose,Pyruvate,NAD+,NADH,ADP,ATP,ethanol,Anaerobic,Aerobic,Mitochondrion,ATP,微生物细胞在发酵过程中生长和代谢始终处于最佳状态,发酵过程控制与最优化的目标,发酵过程控制与最优化的目标,稀溶液特征,高产量,便于下游处理,粮食原料为底物,高转化率,降低原料成本,分批操作为主,高生产强度,缩短生产周期,发酵过程经济性、科学性显著提高！,高产量,高底物转化率,高生产强度,相对统一,二、发酵过程控制的特征、参数及测量,发酵过程控制的特征,生物的自我调节、环境压力下的适应能力,发酵过程的易受控制特征是其相当长的时间常数,前馈控制策略,发酵监测仪器（,RQ,黏度。）,补料分批培养,葡萄糖生物传感器，在线葡萄糖,FIA,法监测，近红外测定甘油，在线气相色谱监测甲醇,发酵过程控制的主要常数,1.,生理特性数据 （,RQ,呼吸商）,酵母,RQ,代谢途径,1.0,以上,积累乙醇,1,0.9,氧化生长,0.8,0.7,内源呼吸,0.6,一下,乙醇被利用,酵母呼吸商与代谢途径关系,计算机对发酵过程生理特征测定与控制图,2.,发酵过程的生化特性数据,3.,发酵过程的物理数据,三、发酵过程的计算机控制策略,发酵过程的主要控制策略,1,、发酵过程的,PID,控制,PID,控制：调节器控制,比例积分微分控制,2,、发酵过程的推理控制,利用过程模型由可测输出变量将不可测的被控制过程的输出变量推算出来，实现反馈控制，或者将不可测扰动推算出来，以实现前馈控制的一种控制系统。,S,系统设定值，,u,控制动作,v,系统次级输出,y,系统初级输出,3,、发酵过程的适应性（预估）控制,利用适应性控制器替代,PID,回路，但是比较复杂,4.,发酵过程非线性控制,Bastin,：输入输出线性化控制法则,LIU,：基于神经网络的非线性自适应控制策略,用于发酵监督与控制的知识库系统（专家库）,特点：能应付不确定的事务，以启发式方法，给定量和定性或符号表达来再现训练有素的过程操作人员的操作。,实时专家系统软件,:Bio,SCAN(bioprocess supervision control and analysis),实例,-,丙酮酸发酵的分阶段溶解氧控制策略,不同,k,L,a,下发酵过程动力学曲线,高,k,L,a,下，丙酮酸产率较高，但葡萄糖消耗速度较慢,。,低,k,L,a,下，葡萄糖消耗速度加快，然而丙酮酸产率却明显下降。,恒定,k,L,a,发酵过程中不同阶段的碳平衡,分阶段供氧控制模式,发酵,0-16 h,控制,k,L,a,为,450 h,-1,，,16 h,后将,k,L,a,降低至20,0 h,-1,实现了,高产量,(69.4 g/L),、高产率,(0.636 g/g),和高葡萄糖消耗速度,(1.95 g/(L,h),的,相对统一,。,生产强度,(1.24 g/(L,h),比,k,L,a,恒定为,450,、,300,和,200 h,-1,的分批发酵过程分别,提高了,36%,、,23%,和,31%,。,分阶段供氧控制模式下的发酵研究,不同供氧控制模式下发酵过程参数比较,2,基于代谢网络模型的发酵过程在线控制和优化,研究思想,利用现存的生物化学理论，确立特定发酵过程的代谢网络模型,依据在线推定的结果，对发酵过程进行在线控制和优化,求解（在线推定）不同操作条件下不可测、着眼物质的浓度和生成模式,在线测定常见、易测的状态变量的速度参数（如,CO,2,生成速度）,通用性强、模型意义明确、建模相对容易。全新的控制模式,通用于主要代谢途径已为人们所知、以氨基酸、有机酸等为代表的、大宗发酵产品的生产,实例,基于代谢网络模型的谷氨酸发酵在线状态预测,谷氨酸发酵产酸期代谢网络和反应,EMP Glycolysis Pathway,r,1,:Glucose+ATP=Glu6P+ADP,r,2,:Glu6P=Fru6P,r,3,:Fru6P+ATP=2 G3P+ADP,r,5,:G3P+NAD+ADP=PEP+ATP+NADH,r,6,:PEP+ADP=PYR+ATP,PP Pentose Phosphate Pathway,r,4,:3 Glu6P+6 NADP=2 Fru6P+G3P+6 NADPH+3 CO,2,TCA Cycle,r,7,:PEP+CO,2,+ATP=OaA+ADP,r,9,:PYR+NAD=Ac-CoA+NADH+CO,2,10,:Ac-CoA+OaA=Isocit,r,11,:Isocit+NAD=,a-,KG+NADH+CO,2,r,13,:,a-,KG+NAD+ADP=Suc+NADH+ATP+CO,2,r,14,:Suc+FAD=Mal+2/3 NADH,r,15,:Mal+NAD=OaA+NADH,Glyoxylate Shunt,r,16,:Isocit=Suc+Glyoxy,r,17,:Ac-CoA+Glyoxy=Mal,Metabolic Products Formation,r,8,:PYR+NADH=Lactate+NAD,r,12,:,a-,KG+NH,3,+NADPH=Glutamate+NADP,Respiratory Chain&Oxidative Phosphorylation,r,18,:O,2,+2 NADH+2(P/O)ADP=2(P/O)ATP+2 NAD+2 H,2,O,r,19,:ATP=ADP+P,i,r,20,:O,2,+2(1+,)NADPH+2,NAD=2,NADH+2(1+,)NADP+2H,2,O,研究实例,基于代谢网络模型的谷氨酸发酵在线状态预测,代谢网络模型有效性和通用性在谷氨酸发酵中的验证,(a),谷氨酸,乳酸,谷氨酸,-,酮戊二酸,NH,4,-,基于代谢网络模型的发酵过程在线控制和最优化技术,在线最优化控制策略,(b),谷氨酸,乳酸,DO=50%,DO=10%,DO=50%,DO=10%,*物理意义,尽量降低,DO,水平，保持细胞产谷氨酸的生理活性；而当,DO,对乳酸积累的增益,K,的值过大时（乳酸严重积累），则提高,DO,的控制水平。,*增益,K,可以利用,DO,和（在线推定得到的）乳酸浓度时间序列数据，用最小二乘回归迭代法加以确定,自回归移动平均模型（,ARMA,）,。,3,基于智能识别模型的流加培养过程在线控制,研究思想,在线测定培养液中,DO,、,pH,等最易测量的状态变量的时间变化,依据在线生理状态的识别结果确定基质最优流加策略、实现微生物高密度培养、和相应遗传产物的高效表达。,利用人工神经网络（,ANN,）技术在线识别培养过程所处的生理状态,DO,和,pH,时间变化模式与流加培养过程生理状态存在一一对应关系,通用性强、生理意义明确、仅需测定,DO,和,pH,（或,RQ,）。全新的控制模式,通用于基因重组大肠杆菌、酵母等微生物高密度流加培养系统，表达生产具有高附加值的医药品或生物酶的发酵过程,大肠杆菌流加培养过程中,DO,和,pH,变化模式与生理状态的对应关系,DO,变化模式：,1,）振动,2,）非振动,pH,变化模式：,1,）“高位”振动,2,）“低位”振动,3,）不振动,状态,I,：基质过量；状态,II,：基质匮乏；状态,III,：基质浓度适中；,状态,IV,：矛盾状态。,不同的,DO,和,pH,的变化模式组合代表了不同的生理状态,实例,DO,时间变化模式的人工神经网络在线识别模型,以,DO-Stat,法为手段，生成,DO,时间变化的基本模式的实验数据，并在此基础上刻意地施加一定规模的人工模拟信号。得到可覆盖所有可能出现的模式、通用型的,ANN,在线识别模型。,将所有时间变化模式数据提供给,ANN,进行大规模的学习训练。输出层输出单元,O,(3),=O,1,(3),O,2,(3),为,1,0,时代表振动，,0,1,代表非振动。,实例,人工神经网络,(ANN),在线识别模型的识别结果,利用,ANN,模型的,E.coli,B,流加培养溶氧浓度时间变化模式识别的结果,实例,依据,在线识别结果的基质最优流加控制策略,E.coli,流加培养中、依据,DO,和,pH,时间变化模式的状态判定和基质流加控制策略,过程所处的生理状态（基质过量,/,匮乏,/,适中）与主泵,F,*,调节方向（,T,）的关系,DO,振动,不振动,pH,下限振动,状态,II,，基质,匮乏，,T=1,状态,I,，基质,过量，,T=-1,不振动,状态,II,，基质,匮乏，,T=1,状态,III,，基质浓度适中，,T=0,上限振动,状态,II,，基质,匮乏，,T=1,状态,II,，基质,匮乏，,T=1,流加主泵的调节方式,基质浓度调节的控制框图,依据模式识别结果确定过程所处的生理状态，并确定主泵调节方向,反馈控制器,（辅流加泵）,主流加泵,发酵罐,(,过程）,DO,pH,DO,pH,设定值,DO,pH,DO,模式识别器,pH,模式识别器,过程状态识别器,F*,F,F,5,基于系统观点的生物反应系统优化技术,研究思想,在某些生物反应过程中，,仅对反应单元进行优化,难以取得理想效果。,将生物反应视为一个系统，从优化系统,内部各要素的功能和相互间的关系、系统与环境的关系,入手,使系统的结构、性能和状态达到最优,实例,Production of glutathione by interspecific-Coupled System for ATP Regeneration,E.coli,Brevibacterium ammoniagenes,S.cerevisiae,实例,Performance Evaluation of Acetone-Butanol Continuous Flash Extractive F