CN101484572A - 使产物收率最大化的补料-分批发酵设备的在线优化方法 - Google Patents

Abstract

公开了含细菌和营养素的补料－分批发酵设备的在线优化方法。定时估算用于优化计算的发酵罐模型参数，以减少装置和计算值之间的错配。最新的发酵罐模型用于计算最佳糖补料速率，以使产物收率最大化。该方法/发酵罐模型按照PC中软件程序而被执行，为了在实际装置环境中在线配置，可将该PC界面连接至装置控制***中。在线优化***对装置操作人员是有用的，以使补料－分批发酵设备的产率最大化。

Description

使产物收率最大化的补料-分批发酵设备的在线优化方法

发明背景

发明领域

本发明涉及补料-分批发酵设备的在线优化。该发酵设备具有基于计算机的数据采集和控制***，以最佳方式控制底物补料速率曲线(profile)，以使发酵罐的产物收率最大化。

先有技术的描述

发酵工艺广泛地用于食品和制药工业中，以生产各种产品如酒精、酶、抗生素、维生素等。这些过程包含微生物的生长、使用供给的底物和/或营养素和期望的产品的形成。在精确控制的工艺条件如温度、pH和溶解的氧下，在搅拌罐或其它类型的生物反应器中进行这些过程。由于在细胞内发生复杂的生化反应，将底物和/或营养素控制在合适的水平对于产品的形成是必需的。许多发酵过程以补料-分批方式进行，其中在整个发酵时期将底物连续补料进入反应器，而不取出任何发酵发酵液。已发现了该类型的底物补料克服了效应例如底物对产率的抑制。通常的工业实践是基于操作经验发展底物补料速率的参考曲线，在装置中通过合适的调节实施它，以说明发酵罐的实际条件。该方法在本质上完全根据经验和依赖操作者，导致产率的变化。或者，将发酵过程的数学模型用于离线计算最佳底物流速曲线，在实际发酵设备中实施它以使产物收率最大化。

文献报导了用于使补料-分批工艺的产率最大化的许多不同的优化方法和策略。依靠计算最佳补料曲线的详细数学模型的优化方法和考虑发酵过程中存在的动力学和传送现象的模型已经用于发酵设备的优化。用来使产率最大化的控制变量一般为在恒定底物浓度时的底物(如糖)补料速率。

Modak和Lim[1]阐明了基于奇异控制理论的用于补料-分批发酵工艺的补料速率的反馈优化，并在简化的发酵罐模型上试验。因为发酵过程表现出时变行为，所以反馈控制方案的成功取决于模型参数的可靠性，参数的不确定性导致优化方案的性能退化。

Cuthrell和Biegler，[9]提出了基于在有限元件上的SQP(分段二次编程)和正交配置的同步优化和解决策略，得到的结果与用于模拟的补料-分批发酵罐模型的基于变分法的传统方法得到的结果类似。该考虑的模型不包括溶解的氧对生物量生长和产物形成速率的影响。

Kurtanjek[6]提出了基于正交配置技术的方法，将其应用于最佳补料速率、进料底物浓度和温度的计算，并将约束赋予控制变量和状态变量。该考虑的发酵罐模型包括温度对比生长速率常数的影响。

Foss等，[10]遵循基于操作者制度的建模方法，以在几个局部线性模型中表达发酵罐模型，使用SQP以优化平均产物形成速率。该方法在局部线性模型的阐明方面需要相当大的努力，参数的估算所需的数据大约几百个，比非线性模型的识别所需的数据明显的多很多。Hilaly等，[11]通过执行得自庞特里雅金氏最大原则的优化策略，证实了实验室补料-分批发酵罐设备的实时优化。报导了与常规补料-分批发酵相比改善的产率和生产力。用于优化计算的发酵罐模型为简化模型，其中假定底物的比消耗速率和产物的比形成速率和生物量的比生长速率成线性关系，独立于发酵液中的溶解的氧浓度。该假定在实际装置环境中是无效的。Van Impe和Bastin，[4]提出了用于最佳适应控制的方法论，并在补料-分批发酵罐的模拟模型上试验。然而，该方法仅适用于特征为在生物量生长和产物形成之间去耦的发酵过程。

Banga等，[7]使用随机直接搜索法，以计算用于补料-分批发酵工艺的最佳补料速率，并报导了在模拟研究中改善了的性能。然而，由于干扰的存在和发酵过程的时变行为，这样的开环最佳控制策略在实际情况中是不够的。在这样的情况下，模型参数需要在线更新，最佳路线需要基于最新模型和状态信息重新计算。

Mahadevan等，[12]提出了基于平面的优化方案，并通过在简化的补料-分批发酵罐模型上模拟而试验该优化方案。在真的发酵罐上实施这样的优化方案需要进一步的工作，因为模型比在他们的研究中考虑的模型更复杂。

Dhir等，[2]在实验室规模的生物反应器中从补料-分批的杂交细胞培养中处理细胞质量和单克隆抗体产量最大化的问题。他们使用现象学模型以表现发酵罐的行为，使用基于模糊逻辑的方法以更新模型参数，从而使模型预测与装置数据相匹配。阐明了最佳控制算法，该算法计算各取样时间的过程模型错配、在整个分批发酵过程中动态更新模型参数和再优化底物浓度。控制变量为葡萄糖和谷氨酰胺的补料速率。使用模糊逻辑技术进行动态参数调节，同时试探性随机优化程序优化补料速率。最新的参数为乳酸盐与葡萄糖的比生长速率和产率系数，选自灵敏度分析。在实验室规模的生物反应器中进行的研究显示通过动态再优化和参数调节，反应器生产力得到实质性改善。基于模糊逻辑的方法包括反复试验过程，该过程包括调节许多参数，对于在线配制不是很方便。

Iyer MS等，[5]建立了用于补料-分批发酵罐的控制方案，该控制方案包括指令(recipe)的离线优化、在线模型再参数化和在线再优化。它使用严格的现象学模型，使用一步更新技术和同时用于离线优化和在线优化的探试性随机优化器调节其参数。目标函数为使期望的产物的总平均生产率最大化。当每5小时调节模型以保持其对过程真实时，由于缓慢的过程动力学，每4200分钟(2天加22小时)只进行一次在线再优化。进行再优化以确定新的分批发酵时间和从当时的普遍条件开始的补料速率。从任何现有的***状态进行再优化以确定发酵的补料速率和剩余时间，以便将目标函数最大化。在进行的模拟研究中，当与离线优化相比时在线优化获得10-14％的生产力改善。

Soni和Parker[3]用底物补料速率作为控制变量，开发了开环最佳控制策略以使分批发酵结束时的产物浓度最大化。执行基于缩小范围二次动态矩阵控制(SNQDMC)的标称控制器，以跟踪由开环优化确定的参考轨迹。模拟研究显示当达到最终的分批发酵产物浓度时在跟踪参考轨迹和扰动抑制方面的良好性能。SNQDMC算法仅为在优化中使用非线性发酵罐模型的良好逼近，而没有在任何实验或实际装置中试验。

Bruemmer Bernd等[15]使用发酵罐模型以达到在线测量的工艺参数如氧分压、传导率和折射率的期望值。通过控制容器中的搅拌器每分钟转数(RPM)、进气量、生长培养基输入量和头部压力来修正这些工艺变量与期望值的任何偏差。当由于发酵过程行为的一些变化而在模型和实际装置之间发生错配时，该方法为不适当的。

虽然对于优化补料-分批发酵工艺中的底物补料速率报导了不同方法/算法，但该方法没有解决工业补料-分批发酵设备的在线优化的要求。优化方案经常使用简化的发酵罐模型，没有充分地解决模型参数的时变性质的问题，特别是在工业环境中方法的在线配制期间。一些方法使用试探性随机优化技术和模型参数估算的近似方法。解决所有这些问题的最佳途径为使用充分代表发酵罐中存在的现象的模型，使用非线性优化技术以估算模型参数和计算最佳的底物补料速率，以使产物收率最大化。基于装置测量和实验室分析结果定时在线进行参数估算和优化的该方案。这确保用于优化计算的模型逼近实际发酵设备的行为。

现在的工作

上述的补料-分批发酵设备的优化是减少模型错配和优化底物补料曲线的近似方法。因素例如原材料质量的变化、初始加入的培养基的特征和在工艺条件中的干扰引起模型和实际装置之间的错配，不利地影响发酵罐优化***的性能。解决这些问题的最佳途径是使用非线性优化技术，在线更新模型和优化底物补料曲线，以使产物收率最大化。

发明概述

本发明的目的是提供以下的新方法：基于实时装置数据和最新模型计算最佳的底物补料速率，以使补料-分批发酵工艺的产物收率最大化。因为发酵过程为高度非线性的且其行为随时变化，所以在现在的工作中在线更新模型参数和状态，以使装置模型失配最小化。为了优化策略的更好结果，该方法将确保用于计算最佳补料速率的模型更逼近于实际装置行为。非线性优化技术用于参数估算和底物补料速率的优化。在线优化器将未来的时间范围划分成阶段，在每一阶段中将控制变量的最佳轨迹分段地描述为常数。

该在线优化方法包括以下步骤：

·从控制***和发酵液的实验室分析读取发酵测量数据

·基于测量的和实验室分析的数据，估算现在的模型参数

·对于未来的分批时间范围解决最佳控制问题

·将计算的最佳轨迹第一阶段值应用至糖进料流量控制器

随着分批发酵进行，在缩减的时间范围内的各取样周期，重复上述计算步骤。

在本发明的方法中，与工业发酵罐通常遵循的底物补料速率策略相比，期望产物收率提高约5-10％。

在补料-分批发酵操作中，调节底物补料曲线以维持批产物收率。由于缺少合适的工具，基于试探和操作经验调节底物补料曲线。补料-分批发酵罐通常遭受初始条件的变化和在工艺条件中的干扰，而导致随时间的动力学行为的变化，不得不调节模型参数以更好地代表过程。本发明提供更新模型参数的新方法，在补料-分批发酵设备中使用最新的模型优化底物补料速率曲线。基于优化计算的结果，在发酵设备中改变成底物补料速率以使产率最大化。在连接到装置控制***的计算机中执行所有相关的数学计算，该装置控制***提供装置测量的实时反馈，如底物补料流速、发酵液体积、空气流量或搅拌器RPM、发酵液中的溶解的氧和发酵设备排出气体中的氧气和二氧化碳百分比。

在提出的在线优化策略的执行中，典型步骤如下：

1、该方法开始于将培养基装入发酵容器、启动搅拌器和使气流开始通过发酵液。

2、测量所有装置操作参数如空气流速、搅拌器RPM、发酵液水平等，储存于控制***中，用于计算。

3、定时收集发酵液样品，在实验室中分析生物量产率的体积百分比、糖和产物的浓度及粘度。分析结果储存于装置计算机控制***中。

4、用初始条件(发酵液体积、生物量浓度、产物浓度、糖浓度)计算包括开始时间的最佳糖补料速率曲线。

5、当分批发酵进行时，执行以下步骤：

i.在发酵启动的预定方案完成之后，基于从装置和实验室分析收集的实际工艺数据，进行发酵罐模型参数的在线估算。通过使发酵液中的生物量、产物、糖、溶解的氧浓度和排出气体组成(O₂和CO₂)的测量值和预测值之间的误差最小化，来估算参数。使用非线性优化技术使预测值和测量值之间的误差最小化。

ii.将新估算的参数和最新的状态变量(得自控制***的糖、生物量和产物浓度及发酵液体积的定时实验室分析)用于计算最佳糖补料速率曲线。

iii.将对应于未来时间范围第一阶段的计算的最佳糖流速指定为位于装置控制***中的糖流量控制器的设定值，其保证糖流速维持在最佳设定值。

iv.在每一优化计算时期执行步骤(i-iii)的上述顺序。

在分批发酵进行时，进行模型参数的该定时重估和更新状态变量，因为它有助于减少装置-模型错配，导致优化器性能的改善。

附图简述

图1为发酵设备的示意图。

图2为发酵罐设备的在线优化示意图。

优选的实施方案的描述

图1举例说明具有以下自动控制方案的标准发酵设备，该方案通常在发酵罐设备控制***中执行：

·通过控制碱流速的pH控制

·通过控制冷却剂流率的发酵罐温度控制

·用于底物添加的流量控制

·通过控制排出气体阀的压力控制

·用于进气的流量控制

·通过变速驱动的搅拌器RPM的调节

图1中显示的发酵罐设备的不同部分的细节如下：

1-发酵罐发酵液pH变送器。

2-发酵罐发酵液pH指示控制器。

3-发酵罐反压变送器。

4-搅拌器电动机。

5-发酵罐反压指示控制器。

6-发酵罐容器。

7-发酵罐卸料阀。

8-发酵罐温度指示控制器。

9-发酵罐温度变送器。

10-气流指示控制器。

11-气流变送器。

12-底物流量变送器。

13-底物流量指示控制器。

发酵方法包括的各步骤给出如下：

·将来自实验室接种前容器的生物量和培养基装入主发酵罐中，该主发酵罐装备有测量pH、温度、溶解的氧、发酵液体积、蒸汽空间压力和氧气与二氧化碳的排出气体分析的在线传感器。

·pH控制器自动调节碱溶液的流速以将发酵罐pH维持在期望值。

·在一段时间之后，将无菌水添加至发酵罐以避免溶解的氧(DO)饥饿。

·在添加无菌水之后，添加营养素以提供细胞生长的营养素。

·当发酵液中的糖浓度低于期望值时，开始添加底物如糖溶液，继续添加糖溶液直至分批发酵结束。一旦启动优化器，通过在线优化器软件确定开始的时间和底物的流速。

·在操作过程中，可进行发酵液的一或两次中间抽取以回收产物。

·将气流维持在预定的流量设定值。

·将搅拌器RPM维持在两个不同的水平：开始是低速和分批发酵维持期间是高速。

每几个小时，取发酵液样品，在实验室中分析生物量产率的体积百分比、糖浓度、碱浓度、粘度和产物浓度。

图2为发酵罐设备的在线优化的示意图。将优化计算执行为***800xA的动态优化***扩展(DOSE)中的软件应用，***800xA是由ABB基于过程自动化***的设计和操作的面向对象方法的概念开发的标准过程自动化***。DOSE为可用于***800xA的软件框架，它提供用于基于模型的应用的工具集合。按照参考手册[13]中描述的方法，在DOSE中执行上述发酵罐优化方法。DOSE提供模拟和模型参数估算所需的方程求解器和非线性优化程序。将DOSE和***800xA的标准特征用于在发酵罐模型的模拟和参数估算期间所得结果的配置、执行、显示和储存。

图2、第14、14(a)和14(b)部分所示的DOSE可与控制***和支持用于数据通信的过程控制标准的对象连接和嵌入[本文称为OPC(用于过程控制的对象连接和嵌入)标准]的任何其它软件***界面连接。这将有助于执行由外部***提供数据读取/写入设备的在线发酵罐模型。如图2、第14(b)部分所示，DOSE提供用于基于模型的应用如模拟、参数估算和优化的工具集合。电子表格插件提供界面，以配置进行模拟、估算或优化和储存计算结果所需的数据。

本文后面也论述用于发酵罐设备的在线优化以使产物收率最大化的示意***。

控制***中在线发酵罐优化***的执行：

在本发明的情况下，将非结构化的[用单个量如细胞密度(g干重/L)]和未分离的[观察由相同的细胞(具有一些一般特征)组成的整个细胞群]模型方法用于模拟发酵过程，因为该模拟方法更服从于在线应用如估算和优化。

在开发模型时作以下假设：

·假定发酵发酵液的密度与水的密度(1gm/ml)相同。

·糖和氧浓度影响细胞生长。用Contois动力学模拟对糖和氧气的依赖性，Contois动力学为Monod氏动力学的扩展[14]。

·糖和氧浓度影响产物形成速率，糖对生产速率施加抑制型控制。

·通过细胞生长、产物形成和维持解释糖消耗。

·搅拌速度、供气速率和粘度影响氧气的传质速率。

·细胞生长遵循延缓期、生长期和维持期或衰减期的顺序，在模型中考虑该顺序。

·在发酵罐中充分混合。

·发酵罐中的温度和pH维持在恒定值，该模型不包括这些变量对发酵罐性能的影响。

如上所述，已发现通过定时优化糖补料曲线可使发酵罐的产物收率最大化。基于实际装置测量和实验室分析定时在线更新用于优化计算的模型参数，以解释分批发酵过程的非线性行为和时变行为。在图2、第14(a)部分描述了优化器。通过使变量如产物浓度、糖浓度、生物量、溶解的氧和排出气体中的O₂和CO₂浓度的测量值和预测值之间的误差最小化，获得参数。使用约束的非线性优化技术使误差最小化。如图2、第15部分所示，每隔几小时从实验室分析获得发酵液中生物量浓度、产物浓度和糖浓度的测量值，如图2、第16部分所示，每隔几分钟从控制***中获得排出气体组成和溶解的氧浓度的测量。

使用***800ax中存在的动态优化***扩展框架，作为软件应用模块来执行图2、第14(b)部分所示发酵罐模型以及所需的方程求解器和优化程序。这有助于界面连接发酵罐模型软件与支持数据传输OPC标准的任何其它软件***。在被加料至图2、第17部分所示发酵装置之前，将优化器的输出显示在图2、第18部分所示控制***显示器上。

下面给出发酵设备数学模型的简要描述。

通常在精确控制工艺条件如温度、pH和溶解的氧的搅拌罐型生物反应器中，以补料-分批操作进行发酵过程。这些发酵设备通常遭受不可测的干扰，导致产物收率的大变化。可使用数学模型更好地理解发酵过程，也可改善操作以减少产物可变性和可用资源的最佳利用。

本发明涉及补料-分批发酵工艺的在线优化以使产物收率最大化。发酵过程的特征在于微生物的高度非线性、时变响应，在线重估一些模型参数以使模型误差最小化，以便用于优化计算的模型接近实际的装置行为。使用约束的非线性优化技术以计算补料-分批发酵设备的最佳糖补料速率曲线。

在计算机中执行优化计算，该计算机与用于发酵设备操作和控制的基于微处理器的***界面连接。在以下部分给出发酵罐模型的细节和优化策略。

总质量：

补料-分批工艺操作引起发酵罐中的体积变化。这由以下方程计算：

$\frac{d}{\mathrm{dt}}\left(V\right)=F_{\mathrm{in}}+F_{\mathrm{str}}-F_{\mathrm{out}}-F_{\mathrm{loss}}$

其中V为发酵罐发酵液的体积，F_in为进入发酵罐的糖流速，F_out说明溢出量，而F_loss说明发酵期间的蒸发损失量。以F_str包括无菌水和营养素添加项。

通过以下方程，确定发酵罐发酵液中的细胞质量(cell mass)：

$\frac{d}{\mathrm{dt}}\left(\mathrm{xV}\right)=F_{\mathrm{in}}{x}_{\mathrm{in}}-F_{\mathrm{out}}x+{\mathrm{\μ}}_D\mathrm{xV}-K_{\mathrm{dx}}\mathrm{xV}$

其中x为任何时间发酵液中生物量的浓度，x_in为糖溶液中生物量的浓度，比生长速率μ_D由以下方程给出：

${\mathrm{\μ}}_D={\mathrm{\μ}}_{\max }\frac{S}{K_{S}X+S}\frac{C_L}{K_{O}X+C_L}$

S和C_L为发酵液中糖和溶解的氧的浓度。

发酵罐发酵液中的产物：

通过非生长相关的产物形成动力学，描述产物的形成。在速率表达式中也包括产物的水解。

$\frac{d}{\mathrm{dt}}\left(\mathrm{pV}\right)=F_{\mathrm{in}}{p}_{\mathrm{in}}-F_{\mathrm{out}}p+{\mathrm{\π}}_R\mathrm{xV}-k_d\mathrm{pV}$

其中，P为任何时间发酵液中的产物浓度，P_in为糖溶液中的产物浓度，π_R为比产物形成速率，其定义为：

${\text{\π}}_R={\mathrm{\π}}_{\max }\frac{S}{K_{\mathrm{SP}}+S+K_i{S}^2}\frac{C_L}{K_{\mathrm{OP}}X+C_L}$

发酵罐发酵液中的糖：

假定糖的消耗由生物量生长和具有恒定收率的产物形成和维持微生物的需要而引起。

$\frac{d}{\mathrm{dt}}\left(\mathrm{SV}\right)=F_{\mathrm{in}}{S}_F-{\mathrm{\σ}}_D\mathrm{XV}-F_{\mathrm{out}}S$

其中S_F为糖溶液中的糖浓度，σ_D为比耗糖率，其定义为：

${\mathrm{\σ}}_D=\frac{{\mathrm{\μ}}_D}{Y_{X/D}}+\frac{{\mathrm{\π}}_R}{Y_{R/D}}+m_D$

发酵罐发酵液中的溶解的氧：

假定氧气的消耗由生物量生长和具有恒定收率的产物形成和维持微生物的需要引起。气相的氧被连续传送至发酵的发酵液。

$\frac{d}{\mathrm{dt}}\left(C_{L}V\right)=F_{\mathrm{in}}{C}_{L,\mathrm{in}}-F_{\mathrm{out}}{C}_L+k_{L}a(C_L^{*}-C_L)V-1000{\mathrm{\σ}}_O\mathrm{XV}$

其中C_L，in和C_L分别为进入糖溶液中的和发酵液中的溶解的氧浓度。σ_o为比耗氧率，其定义为：

${\mathrm{\σ}}_O=\frac{{\mathrm{\μ}}_D}{Y_{X/O}}+\frac{{\mathrm{\π}}_R}{Y_{P/O}}+m_O$

假定总传质系数k_La为搅拌速度(rpm)、气流速率(F_air)、粘度(μ)和发酵发酵液体积的函数，其定义为：

$k_{L}a={\left(k_{L}a\right)}_0{\left(\frac{\mathrm{rpm}}{{\mathrm{rpm}}_0}\right)}^a{\left(\frac{F_{\mathrm{air}}}{F_{\mathrm{air},0}}\right)}^b{\left(\frac{{\mathrm{\μ}}_0}{\mathrm{\μ}}\right)}^c{\left(\frac{V_0}{V}\right)}^d$

其中下标0指标称条件。溶解的氧的饱和浓度C_L ^*与氧分压p_O2有关，使用亨利定律(Henry′s law)：

$C_L^{*}=\frac{p_{O2}}{h}$

$\mathrm{DO}2=(C_L/C_L^{*})*100$

其中DO2为可得自装置测量的溶解的氧测量值。

气相氧：

假定气相被充分混合，假定气流速率为恒定。

$\frac{d}{\mathrm{dt}}\left(\frac{v_g{\mathrm{Py}}_{O2}}{\mathrm{RT}}\right)=\frac{F_{\mathrm{air}}{P}_0}{R{T}_0}(y_{O2,\mathrm{in}}-y_{O2})-\frac{k_{L}a}{1000\×32}(C_L^{*}-C_L)V$

其中y_O2，in和y_O2为空气和发酵罐排出气体中的氧气摩尔分数，P和T为发酵罐中蒸汽空间的压力和温度，P₀和T₀为标准条件下的压力和温度，R为气体常数，V_g为发酵罐中蒸汽空间的体积。

气相二氧化碳：

引入易于测量同时其信息量重要的变量，非常有助于预测其它重要的工艺变量。一个这样的变量为CO₂释放，从其中可高精度地预测细胞质量。在该工作中，假定CO₂释放是由于生长、产物生物合成和维持需要。二氧化碳释放由以下方程给出：

$\frac{d}{\mathrm{dt}}\left(\frac{V_g{\mathrm{Py}}_{\mathrm{CO}2}}{\mathrm{RT}}\right)=\frac{F_{\mathrm{air}}{P}_0}{R{T}_0}(y_{\mathrm{CO}2,\mathrm{in}}-y_{\mathrm{CO}2})+\frac{{\mathrm{\σ}}_{\mathrm{CO}2}}{44}\mathrm{XV}$

其中y_CO2，in和y_CO为空气和发酵罐排出气体中的二氧化碳摩尔分数，σ_CO2为比二氧化碳释放率(specific carbon dioxide evolution rate)，其定义为：

σ_CO2＝Y_CO2/Xμ_D+Y_CO2/Pπ_R+m_CO2

优化策略

目的为在分批发酵结束时使产物收率最大化，相关的目标函数定义为：

$J=\underset{t=t_0}{\overset{t_f}{\∫}}(p.v).\mathrm{dt}$

相对于糖补料速率曲线并根据上述发酵罐模型，将上面的目标函数最大化。

根据以下约束条件计算最佳糖补料速率：

0<F_in<F_max

V_min<V<V_max

δF_min<ΔF_in<δF_max

其中

t₀初始批时间

t_f最终批时间

F_in优化器计算的糖/底物的补料速率

F_max允许的糖流速最大值

V_min发酵液的最小体积

V_max发酵液的最大值

δF_minF_in变化率的最小值

δF_maxF_in变化率的最大值

下面列出用于该模型的各种动力学参数目录：

动力学参数：

生长

最大比生长速率：μ_max(h^-1)

Contois饱和常数：K_s

生长的氧气限制常数K_o(mg/L)

细胞衰减速率常数：K_dx(h^-1)

产物形成

比生产率：II_max(g/L/h)

Contois常数：K_sp(L^-2/g^-2)

产物形成的抑制常数：K_i(g/l)

产物的氧气限制常数：K_OP(mg/L)

产物水解速率常数：K_d(h^-1)

糖消耗

细胞产率常数：Y_X/D(g细胞质量/g糖)

产物收率常数：Y_P/D(g产物/g糖)

糖的维持系数：m_D(h^-1)

氧消耗

细胞产率常数：Y_X/O(g细胞质量/g氧气)

产物收率常数：Y_P/O(g产物/g氧气)

氧气的维持系数：m_O(h^-1)

氧传递

标称传质系数：k_La₀(h^-1)

标称rpm：rpm₀

标称空气流速：F_air，0(m³/h)

标称粘度：μ₀(cP)

标称体积：V₀(L)

亨利常数：h

常数：a，b，c，d

气相氧：

标准压力：P₀(atm)

气相体积：V_g(L)

气体常数：R(atm m³gmol^-1K^-1)

标准温度：T₀(K)

气相二氧化碳：

细胞产率常数：Y_CO2/x(g二氧化碳/g细胞质量)

产物收率常数：Y_CO2/P(g二氧化碳/g产物)

氧气的维持系数：m_CO2(每小时)

最初，用离线模式的装置数据估算DOSE中发酵罐模型的参数，并调整以与实际装置数据匹配。使用调整的模型来优化糖补料速率，以使发酵罐的产物收率最大化。

在在线模式中，模型每隔几小时一次接收实时数据如来自装置控制***的气流速率、搅拌器RPM、糖流速、溶解的氧和排出气体组成(氧气和二氧化碳)，也接收来自实验室的发酵发酵液分析数据(生物量收率的体积百分比、糖浓度、碱浓度和产物浓度)。使用实时工艺数据和离线实验室数据的组合来估算模型参数。模型参数的定时重估减少了模型错配，使模型行为更接近于发酵罐的实际操作条件。使用最新的模型计算最佳糖补料速率曲线。实时地定时重复在装置控制***中的参数估算、最佳糖补料速率曲线的计算和最佳糖流速的执行的这个循环。

参考文献

1.Modak JM和HC Lim，＂补料-分批发酵的反馈优化＂，Biotechnology and Bio Engineering，30，528-540，1987.

2.Dhir等，＂补料-分批生物反应器中杂交瘤生长的动态优化＂，Biotechnology and Bioengineering，67(2)，197-205，2000.

3.Soni AS和RS Parker，＂补料-分批生物反应器的闭环控制：收缩逼近＂，Ind.Eng.Chem Res.，43，3381-3393，2004.

4.Van Jmpe JF和G Bastin，＂补料-分批发酵工艺的最佳适应控制＂，Control Eng.Practice，3，939-954，1995.

5.Iyer MS等，＂补料-分批发酵罐的动态再优化＂，Biotechnologyand Bioengineering，63(1)，10-21，1999.

6.Kurtanjek K，＂补料-分批发酵的最佳非奇异控制＂，Biotechnology and Bioengineering，37，814-823，1991.

7.Banga JR等，＂分批生物过程和半连续生物过程的随机动态优化＂，Biotechnol.Prog.，13，326-335，1997.

8.Chen C和C Hwang，＂具有一般约束的微分代数过程***的优化控制计算＂，Chem.Eng.Comm.，97，9-26，1990.

9.Cuthrell JE和LT Biegler，＂用于分批反应器控制曲线(profiles)的同步优化和解决方法＂，Computers Chem.Eng.，13，49-62，1989.

10.Foss BA et al.，＂使用局部模型的非线性预先控制—应用至分批发酵过程＂，Control Eng.Practice，3，389-396，1995.

11.Hilaly AK等，＂补料-分批重组埃希氏大肠杆菌(escherichia coli)发酵的实时优化研究＂，Control Eng.Practice，3，485-493，1995.

12.Mahadevan等，＂基于微分平面的补料-分批生物反应器的非线性预报控制＂，Control Engineering Practice，9，889-899，2001.

13. 1KGC 003 952 Dynamic Optimization Reference Manual V.2.1.1，2005.

14.ML Schuler和F Kargi，＂Biochemical Engineering BasicConcepts＂，Prentice Hall，2002.

15.专利号DE3927856，1991-02-28.＂细胞培养发酵和生产的过程控制-使用氧分压、传导率和折射率控制和优化相对于模型预报的过程＂

权利要求书(按照条约第19条的修改)

1.一种补料-分批发酵设备的在线优化方法，所述方法包括：

a.装置参数的在线测量，例如搅拌器速度、气流速率、水平测量、糖补料速率、排出气体中的CO₂和O₂百分比和发酵液中的溶解的氧；

b.在线测量/装置数据以及实验室分析结果在连接到装置控制***的计算机中的储存；

c.基于过去的和现在的装置数据的发酵罐模型参数再估算，以便减少装置数据和模型计算之间的错配；

d.基于目前的装置数据和发酵罐未来行为的预测的最佳糖补料速率的在线计算，以便使产物收率最大化。

2.权利要求1的补料-分批发酵设备的在线优化方法，其中通过以下步骤估算所述模型参数：

a.通过实验室分析，每隔几小时测量发酵液中生物量、产物和糖的浓度值；

b.每隔几分钟测量所述控制***的排出气体组成和溶解的氧浓度。

3.权利要求1的发酵设备的在线优化方法，其中使用连接到所述控制***的计算机，在完成发酵启动的预定方案之后，开始发酵罐模型参数的在线估算，并且用该启动阶段期间收集的实际工艺数据估算所述参数。

4.权利要求1的补料-分批发酵设备的在线优化方法，其中通过使用非线性优化技术，使发酵液中生物量、产物、糖、溶解的氧的浓度和排出气体组成(O₂和CO₂)的测量值和预测值之间的误差最小化，估算所述模型参数。

5.权利要求1的补料-分批发酵设备的在线优化方法，其中使用目前的操作条件(发酵液体积、产物浓度、糖浓度、溶解的氧)和气流速率的未来平均曲线以及搅拌器RPM，计算最佳糖补料速率，并作为控制***中糖进料流量控制器的设定值定时下载。

6.权利要求1的补料-分批发酵设备的在线优化方法，其中所述发酵罐的数学模型预测未来的产物收率和其他操作参数，如溶解的氧、生物量和产物的浓度、排出气体中二氧化碳和氧气的百分比。

Claims (5)

1.一种补料-分批发酵设备的在线优化方法，所述方法包括：

a.装置参数的在线测量，例如搅拌器速度、气流速率、水平测量、糖补料速率、排出气体中的CO₂和O₂百分比和发酵液中的溶解的氧；

b.在线测量/装置数据以及实验室分析结果在连接到装置控制***的计算机中的储存；

c.发酵罐模型参数的再估算，以便减少装置数据和模型计算之间的错配；

d.基于目前的和过去的装置数据的最佳糖补料速率的在线计算，以便使产物收率最大化。

2.权利要求1的补料-分批发酵设备的在线优化方法，其中通过以下步骤估算所述模型参数：

a.如图2、第15部分所示，通过实验室分析，每隔几小时测量发酵液中生物量、产物和糖的浓度值；

b.如图2、第16部分所示，每隔几分钟测量所述控制***的排出气体组成和溶解的氧浓度。

3.权利要求1的发酵设备的在线优化方法，其中使用连接到所述控制***的计算机，在完成发酵启动的预定方案之后，开始发酵罐模型参数的在线估算，并且用该启动阶段期间收集的实际工艺数据估算所述参数。

4.权利要求1的补料-分批发酵设备的在线优化方法，其中通过使用非线性优化技术，使发酵液中生物量、产物、糖、溶解的氧的浓度和排出气体组成(O₂和CO₂)的测量值和预测值之间的误差最小化，估算所述模型参数。

5.权利要求1的补料-分批发酵设备的在线优化方法，其中使用目前的操作条件(发酵液体积、产物浓度、糖浓度、溶解的氧)和气流速率的未来平均曲线以及搅拌器RPM，计算最佳糖补料速率，并作为控制***中糖进料流量控制器的设定值定时下载。

Images