一种在线预测发酵装置未来性能的方法

专利名称：一种在线预测发酵装置未来性能的方法
技术领域：
本发明涉及预测具有基于计穀几的数据采集和控制系统的发酵體的未来 性能，尤其是参数，例如分批式/补料分批式发酵装置的生物质、糖和产物的浓度。
2. 现有技术描述
发酵过程包括微生物的生长、利用所提供的底物和/或营养物和目标产物 的生成。这些过程在搅拌槽或其他类型的生物反应器中，在对工艺条件例如温 度、PH和溶解氧的精密控制下实施。由于在细胞(cell)中运作的复杂代谢网 络及其调节，所以控制底物和/或营养物在适当的水平对产物的生成是重要的。 经常地，发酵过程以分批/补料分批模式实施，主要是考虑减少批次之间的性 能和产量的变化。
典型地在分批式发酵装置中，肉汤样品每数小时在实验室中分析生物质、 产物和底物的浓度，以获得对该装置的性能了解。这种方法缓慢，基于系统在 线监测的模型将帮助适时地发现错误并实施合适的校正性动作以维持所需的性 能。调整工艺变量如糖进料速率以维持该批次的性能在所需水平。因素如初始 填充培养基特征的改变、使用的原材料质量的改变、和工艺条件的变化，影响 着发酵體的性能，从而导甜比次产量的相当大的变化。因此，基于真实的操 作数据预测发酵批次的未来性能的模型，在工业发酵器的操作中是非常有用的 工具。
不同的方法已经被用来为分批式/补料分批式发酵體粒模型。
驱动模型
基于多变量统计算法(主元分析法一PCA和部分最小二乘法一PLS)和人 工祌经网络(ANN)的发酵罐模型已经被报道(IgnovaM寧1997)， Lennox等 (2000)， KarimMN寧2003) Lopes箏2002), Lennox寧2002))[参考文献1至 5])用于监测和预测分批式/补料分批式发酵装置的性能。
基于多变量统计技术如PCA和PLS和ANN的方法，当被应用至分mX艺
中时效果是有限的，归咎于下面的原因
參分ftt工艺是高度非线性的并围绕预先指定的轨道操作，而不是在固定的
水平操作；
參批次 集被典型地存储在3维阵列中，并且会需要大量的努力和近似 以将该三维分批数据转化为二维阵列，适合于模型开发。
參娄鄉集的运行长度(run length)和相应大小对于針批次是不同的。
參使用数据驱动模型进行在线监测需要所有的未^1程测量值(从当前时 间至该批次结束)可用于计算。
ANN为基础的模型为了模型调整和验证需要大量的数据并且不能轻易地 外推至不同的操作条件。这样，数据驱动建模技术不适合开发用于分批式发酵 装置的在线性能监测的模型。
3!辑模型
基于第一原理、考虑了发酵过程中出现的动力学和传输现象的发mi模型， 也已经在文献中被报道。
Dhir等["Dynamic Optimization of Hybridoma growth in a fed batch Bioreactor", Biotechnology and Bioengineering, 67(2), 197-205,2000][参考文献6]已经应用王嫁 逻辑模型来表示发酵器的行为，利用模糊逻辑为基础的方法更新模型参数，使 模型预测与车间数据相匹配。模糊逻辑为基础的方法^ffl涉及调徵艮多参数的 反复iSi^过禾呈。Iyer MS等["Dynamic Reoptimization of a Fed-Batch Fermentor", Biotechnology and Bioengineering, 63(1), 10-21, 1999][参考文献7] iM非迭代单 步骤Newton方法更新l^f辑模型的模型参数。这种方法帮助减少模型误匹配 但是不能使它降到最低。这两种方法都在模拟的模型和实验室发酵器上测试， 并没有以真实的工业规模发酵器作为基础。
本发明的工作
如上面描述的以现象逻辑方法为基础的发 1模型，目标并不题过使车 间数据和模型预测之间的误差最小化来估测模型参数。他们可以被认为是解决
模型误匹配问题的好的近似方法。解决这个问题的最好方法是利用非统性优化 技术，通过使车间i^和模型预测之间的误差最小化来估测模型参数。
相应地，本发明的目标是提供一种使用现象逻辑模型(phenomenological model)来预测分批式/补料分批式发酵过程的未来性能的新方法。由于发酵过 程是高度非线性的并且其行为是随时间变化的，所以在本发明工作中模型参数 被在线重新估测，以将车间模型误匹配减到最少。这种方法将确保模型预测接 近于真实的车间行为并且能被用于改善分批式发酵装置的操作性能。
在本发明方法中，对发酵器肉汤中的生物质和产物浓度的预测误差的平均 百分数，分别大约是15%和10%。
被在线重新估测的参数是
最大比生"Kd^率(maximum specific growth rate): jUmax Contois常数Ksp Contois饱和常数Ks 名义传质系数K^ao
产品收率常数YP/D
细胞衰变常数(cell decay constant):
在分批发酵操作中，过程条件和动态行为随时间而变，模型参数必须被调 整以更好地表示该过程。本发明提供了新的更新模型参数的方法，并使用该更 新的模型预测分批式/补料分批式发酵装置中的产物未来浓度的方法。它提供 了有关该批次未来过程的有用信息，并且根据这些预测，可以选择来调整操作 斜牛例如发酵装置的糖进料流速、空气流或搅拌器RPM，以提高产品收率。更 新后的模型可以被用以最优化发,的操作劍牛以使产率达到最大。
在所提出的在线监测和控制系统的实施中典型步骤如下
该过禾，始于将培养基装入发酵容器中，启动搅拌器并且开始在肉汤中
通入气流。
參测量所有的车间操作参数如空气流速、搅拌器RPM、肉汤水平等并且 存储在控制系统中并且可用于计算。
參周期性地，收集肉汤样品并且在实验室中分析生物质产率(体积百分
数)、糖&产物的浓度、和粘度。分析结果被存储在车间计算机控制系统中。
參利用初始条件(肉汤体积、产物浓度、糖浓度、溶解氧)、以及气^il 度、搅拌器RPM和糖进料料率的平均分布(average profile),计算并显示在发 酵罐肉汤中产物、生物质、糖和溶解氧的未来浓度和排放气体的组成。
參发l^l模型参数的在线估测在发酵启动的预定鹏完成后开始。在这个 启动阶段收集的实际过程 ，采用与控制系统连接的计算机来估测这些参数。 这些参数通过将肉汤中的生物质、产物、糖、溶解氧的浓度和排出气体的组成 (02和C02)的观糧值和预测值之间的误差减到最小而被评估。非线性优化技 术被用于将预测值和测量值之间的误差减到最小。
參新的评估后的参数被存储在计穀几中并且被用于计算未来性能参数。 參在谢比次完成之前，在该批次在进程中的同时进行数7烦模型参数的这 种在线再评估，这有助于帮助减少车间一模型误匹配，使得对性能参数的预测 改进。
附图简述


图1是发酵装置的图示。
图2是发im装置性能参数的在线预测的图示。
优选实施方式描述
图1举例说明了标准的发酵装置，具有下面的通常在发,装置控制系统
中实现的自动控制方案
參ffl31操纵術腿来控制PH
M操纵冷冻剂箭litt控制发ll^Mit 參对糖;忝加的流量控制
參M^纵排气阀来控制压力
參对进口空气的流量控制
參fflil可变速度驱动来调整搅拌器RPM 显示在图1中的发,装置的不同部分的细节如下
1— 发酵器肉汤pH传感器
2— 发麟肉汤pH值指示剂控制器
3— 发,背压传感器
4一搅拌器发动机
5 —发麟背压指示器控制器
6— 发麟容器
7— 发,排料阀
8— 发mi温度指示，制器
9— 发麟鹏专感器
10— 空气流量指示器控制器 ll一空气流量传感器
12— 糖流量传感器
13— 糖流量指示器控制器
发酵过程中涉及的各种步骤如下
參来自实验室预植种容器(pre seed vessel)的生物质和培养基被装入主发 麟中，所述主发麟配有测量肉汤的pH、纟鹏、溶解氧、#^只、蒸气空间压 力和对排放气体进行氧气和二氧化碳分析的在线传感器。
參pH控制器，自动调节碱溶液的流量以维持发麟pH在所需值。 參若干时间后，无菌水被加入至发酵器中以避免溶解氧(DO)耗尽。
加入无菌7K后，加入营养物以提供细胞生长所需的营养物。 參当肉汤中的糖浓度低于所需值时开始加入糖溶液，并且继续加入糖溶液 直至该批次结束。
參在操作的过程中，可能中间取回肉汤一次或两次以回收产物。 參气流被维持在预定的流速设定点。
參搅拌器RPM被维持在两种不同的水平最初的低速和该批剩余阶段的
高速o
每几小时，肉汤样品被取样并且在实验室中分析生物质产率(体积百分率)、 糖&碱的浓度、和粘度和产物浓度。
图2是在线预测发麟装置的性能参数的图示。发^l模型在Dynamic Optimization System Extension (DOSE) of System 800xA中被用作软件应用禾歸， 它是由ABB开发的标准过程自动化系统，基于面向对象方法来设计和操作过程 自动化系统的概念。DOSE是可以在System 800xA中利用的软件框架，并且它
提供了针对基于模型的应用程序的工具集合。上面描述的发酵器数学模型在
DOSE中按照在参考手册中[参考文献8]中描述的程序实施。DOSE提供模拟和 模型参数预测所需要的方程式解算器和非统性优化程序。DOSE和System800xA 的标准特征可用来构型、执行、显示和存储在发^^莫型的模拟和参数评估过 程中获得的结果。
DOSE如图2所示的部分14、 14 (a)和14 (b)所示，可以与控制系统以 及支持数据通讯用的Object Linking and embedding for Process Control标准[在此 称作OPC (用于过程控制的对^^接和^A)标准]的任何其它软件系统接口 。这 将帮助实现发mi模型便利地与外部系统在线数据读/写。DOSE提供了用于 基于模型的应用禾聘如模拟、参数评估和优化的工具集，图2的部分14 (b)所 示。电子数据表格插件提供了用于配置执行模拟、评估或优化以及存储计算结 果所需要的数据的接口。
在线预测性能参数如生物质、糖的浓度和发醇器肉汤的产物浓度的示意系 统在此后也被讨论。
在控制系统中在线发隨性能监观孫统的实现
在本情况中，非结构化的陶胞用单量如细胞密度(g千燥wt/L)表示]和 无隔离的[将整个细胞群体看作由相同细胞(具有一些平均特性)组成]模型方法 被用于对发酵过程进行建模，因为这种模型方法更加适于在线应用如评估、模 拟和优化。
当粒该模型时作如下的假设
參假设发酵肉汤的密度与7ja目同(lgm/ml)。
參细胞生长受糖和氧浓度的影响。对糖和氧的依赖性用Contois动力学模
拟，它是Monod's动力学的扩展[参考文献9]。
參产物生成速率受糖和氧浓度的影响，糖对生产速率发挥抑制型控制。
參糖消耗是细胞生长、产物生成和维持的原因。
參氧传质速率受搅拌速率、空气供繊率和粘度的影响。
參细胞生长按照延迟期、生长期和维持或衰减期的顺序，并且在该模型中
这点被考虑。
參在发酵器中完美混合。
在发酵器中的温度和pH被维持在恒定值并且该模型不包括这些变量对
发Stl性能的影响。
如上所述，发现改进的肉汤浓度预观何以通过在线更新模型参数以考虑分 批发酵过程的非线性并且随时间变化的行为来完成。该预测器在图2的部分14
(a)中被描述。参数通过将变量如产物浓度、糖浓度、生物质、溶解氧和排放 气体中的02和C(V浓度的测量值和预期值之间的误差降到最小来获得。限制型 非线性优化技术用于把误差降到最小。肉汤中的生物质、产物和糖的浓度的测 量值，可以从每隔数小时的实验室分析中得到，如图2的部分15所示，并且排 放气体的组成和溶解氧浓度的测量可以每隔数^H中从控制系统得到，如图2的 部分16所示。
发mi模型，如图2的部分14 (b)所示，连同需要的方程幼军算器和优 化禾歸，被采用在System 800 ax中可以获得的Dynamic Optimization System Extensmn框架作为软件应用程序模块实施。这有益于发^l模型软件与^(壬何其 他支持OPC数据传送标准的软件系统相接口。如图2的部分17所示，在被进 料到发酵车间之前，预观醞的输出被显示在控制系统显示器上，如图2的部分 緒示。
发酵装置的数学模型的简要描述如下。
发酵过程通常在搅拌槽鄉的生物反应器中以分批或补料分批操作形式， 在精密控制过程劍牛例如^Jt、 pH和溶解氧下被实现。分批/补料分批发酵装 置通常受到不可测量的扰乱，从而导致成品收率的巨大变化。数学模型可以用 于更好地理解发酵过程并且也可以改善操作以减少产物变化性和最优化使用可 用资源。
本发明涉及建立针对分批/补料分批发酵过程的所述模型，以育詢多在线预 测重要的过程变量如生物质和产物的浓度。发酵过程具有的特征是微生物的高 度非线性的、随时间变化的响应，并且一些模型参数被在线重新评估以将模拟 误差降到最小，使得模型预测接近于真实的车间行为。该模型考虑发酵过程中 产生的动力学和输送现象。该模型假定发酵器中完美混合，并且细胞生长和产 物生成速率受肉汤中的糖和氧浓度影响。糖消耗是细胞生长、产物生成和维持 的原因。氧传质速率受搅拌速率、空气供纟魏率和粘度的影响。
模型计算在计算机中被实现，所述计算机与用于操作和控制发酵装置的微 处理器基系统接口 。车间操作数据被该模型使用以预测发酵器肉汤的未来产物浓度，使得操作员可以对过程条件作出适合的变化以保持分批发酵装置的所需 收率。发^l模型的细节在下面的部分中给出。
总质量
分批/补料分批过程操作弓胞发麟中的体积变化。它M下面计算
其中v是发酵器肉汤的体积，Fm是糖ax发醇器的流速，F。^说明的是发
酵过程中的溢出量而F^说明的是发酵过程中的蒸发损失。无菌水禾暗养物添 加项被包括itt作为F^。
发酵器肉汤中的细胞质量fflil下面的等式被确定 斗- ^x," - F。j + ///^ - UV
其中X是肉汤中任何时间的生物质的浓度，Xm是生物质在糖溶液中的浓度，
并且比生^il率化为
一 s c￡
〃° = ^咖i^X + "oZ + (^
S和CL是肉汤中糖和溶解氧的浓度。
发,肉汤中的产物
产物形成通过非一生长相关的产物形成动力学(non-growth associated product formation kinetics)被描述。产物的7JC解作用也被包括在形成率的表达中<formula>formula see original document page 11</formula>
其中，P是任意时间肉汤中产物的浓度，Pin是糖溶液中产物的浓度，W是 比产物生成率，定义为
= s__c丄
发酵器肉汤中的糖
糖的消耗被假定为由菌体生长和恒定产量的产物形成和微生物维持需要弓I
叾
其中SF是糖溶液中糖的浓度，而CTd是比糖消耗率，定义为:
发,肉汤中的溶解氧
氧的消耗被假定为由生物质生长和以恒定产率的产物生成和微生物维持需 要引起。来自气相的氧被不断地传递至发^肉汤中。
<formula>formula see original document page 12</formula>
其中Q^和CL分别^iSA糖溶液和肉汤中的溶解氧的浓度。ao是比氧消
耗率，定义为
总体质量转移系数，ka被假定为搅拌速度(rpm)、气流速度(Fj、粘度 和发酵肉汤体积的函数，被定义为
<formula>formula see original document page 12</formula>
其中下标o是指额定劍牛。溶解氧浓度的饱和值，o;，和氧分压，po2，
相关，使用亨利定律(Henry's law): 广.
<formula>formula see original document page 12</formula>
其中D02 ，是来自车间观糧的溶解氧的测量值。
气相氧
气相被假定为充分混合，并且气流速度被假定为恒定。
<formula>formula see original document page 12</formula>
其中yo2沖和yo2是空气中和发,排放气体中氧的摩尔分数，P和T是发
醇器中蒸气空间的压力和温度，Po和To是额定劍牛下的压力和温度，并且R是
气体常数而vg是发酵器中蒸气空间的体积。
气相二氧化碳
引入这些容易测量同时其信息内割艮重要的变量是非常有助于预测其他重
要的过程变量的。
一个所述变量是C02，根据它可以高精度地预观蜘胞质量。 在这个工作中，C02的析出被假定为是由于生长、产物的生物合成和维持需要。
二氧化碳的析出如下给出-
C02
灯
44
其中ycoyn和yco2是空气中和发,排放气体中二氧化碳的摩尔分数，并
且acQ2是比二氧化碳析出率，定义为
模型中应用的各种动态参数的列表在下面列出
动态参数
生长
最大比生皿率M^(h—"
Contois饱和常数Ks 生长的氧限制常数Ko(m^L) 细胞衰减率常数K4h—、
产物生成
比生产率:
n陋(g阔
Contois常数Ksp (L2/g-2) 产物生成的抑制常数IQ (M) 产物的氧限制常数Kop (mg/L) 产物水解率常数IQ(h—"
糖消耗
细胞产率常数Yx/d (g细胞质量/ g糖) 产物收率常数Yp/d (g产物/ g糖) 糖的维持系数mD(h—1)
氧消耗
细胞产率常数Yx/o (g细胞质量/ g氧) 产物收率常数YP/0 (g产物/ g氧)
氧的维持系数mo(h—1)
氧传递
额定质量转移系数KL3o(h—、
额定rpm: rpmo 额定空气^3I: F础(m3/h) 额定粘度Mo (cP)
额定体积Vo(L) 亨利常数h
常量a^b,c,d
气相氧
正常压力Po (atm) 气相体积Vg (L) 气体常数R (atmr^gmol-'K-1) 正常温度Tq (K)
气相二氧化碳
细胞产率常数Ycq2/x (g 二氧化碳g细胞质量) 产物收率常数Ycq2/p (g 二氧化敏g产物) 氧的维持系数mcQ2(每h)
最初，DOSE中的发im模型的参数用离线模式中的车间数据评估，并且
被调整以与真实的车间数据相匹配。调整的模型将被用于预观拨麟的性育^参数。
在在线模式中，模型将从车间控制系统收到实时的数据如空气流速、搅拌
器RPM、糖流率、溶解氧和排放气体组成(氧气和二氧化碳)，并且每数小时
一次从实验室也收到对发酵肉汤的分析(生物质产率(体积百分比)、糖、碱和 产物的浓度)。这种实时过程数据和离线实验室数据相结合用于〗妙;f述测量相一
致(reconcile the measurements)和评估模型参数。模型参数的周斯性在评估减 少模型的误匹配并且使模型行为更接近于真实的发,操作条件。该更新的模 型将被用于预测性能参数。这种参数评估和性能预测的循环，为了实时监测发 ,盼性能而被周期性地重复。
参考文献:
1. Ignova M et al., " Multivariate statistical methods in bioproeess fault detection and performance forecasting", 7V。肌组M7, 19， 271-279， 1997.
2. Karim MN et al., " Data based modeling and analysis of bioprocesses: Some real experiences", iVog， 19,1591-1605， 2003.
3. Lennox B et al., "Application of multivariate statistical process control to batch operations", Comp. Chem. Eng., 24， 291-296， 2000
4. Lennox et al ， "Automated production support for the bioproeess industry", Biotechnol. Prog.， 18,269-275, 2002.
5. Lopes JA et al.，" Multiblock PLS analysis of an industrial pharmaceutical process", Biotechology Bioeng， 80， 419-427,2002.
6. Dhir at al， "Dynamic Optimization of Hybridoma growth in a fed batch Bioreactor"，所ofec/mo/ogv am/5i'oe"g!'ween'wg, 67f", 797-205, 2000
7. Iyer MS et al,"Dynamic Reoptimization of a Fed-Batch Fermentor", Biotechnology and Bioengineering， 63(1)， 10-21,1999.
8. 8. 1KGC 003 952 Dynamic Optimization Reference Manual V.2丄l， 2005
9. 9. ML Schuler and F Kargi， "Biochemical Engineering Basic Concepts", Prentice Hall， 2002.
权利要求
1.在线预测发酵装置未来性能，尤其是参数例如生物质、糖和产物的浓度，的方法，包括a. 在线测量车间参数例如搅拌器速度、气流速度、水平测量、糖进料速率、肉汤温度、排放气体中的二氧化碳和氧气的％、肉汤中的溶解氧；b. 将所述在线测量/车间数据以及实验室分析结果存储入与所述车间控制系统相连接的计算机中；c. 参数被再估值，以减少所述车间数据和所述模型计算之间的误匹配；d. 基于目前的和过去的车间数据，在线预测发酵肉汤中生物质、糖、产物、溶解氧以及排放气体中氧气和二氧化碳的未来浓度，以致于能够利用所述预测结果控制所述参数例如糖流动速率、空气流速和温度。
全文摘要
本发明公开了在线预测发酵装置性能尤其是参数如包含细菌和营养物的分批/补料分批发酵装置的肉汤中的产物、生物质、糖的浓度的方法。计算机模型根据当前的车间数据预测未来产物的浓度。当该批次在进行中时，模型参数根据车间数据进行在线调整以减少车间和模型之间的误匹配。该方法/发酵器模型在PC中作为软件程序实施，所述PC能够和用于在现实的车间环境中在线部署的车间控制系统相接口。在线性能监测系统对车间操作人员是有用的，用于预先知道该批次的性能以预先实现任何所需的矫正措施，以预先改善/维持该性能在所需水平。
文档编号C12M1/36GK101370926SQ200680051859
公开日2009年2月18日 申请日期2006年1月28日 优先权日2006年1月28日
发明者B·巴迪斯里尼瓦萨, J·莫达克莫雷施沃 申请人:Abb研究有限公司