一種在線預測發酵裝置未來性能的方法
2023-07-23 20:37:21
專利名稱：一種在線預測發酵裝置未來性能的方法
技術領域：
本發明涉及預測具有基於計穀幾的數據採集和控制系統的發酵體的未來 性能，尤其是參數，例如分批式/補料分批式發酵裝置的生物質、糖和產物的濃度。
2. 現有技術描述
發酵過程包括微生物的生長、利用所提供的底物和/或營養物和目標產物 的生成。這些過程在攪拌槽或其他類型的生物反應器中，在對工藝條件例如溫 度、PH和溶解氧的精密控制下實施。由於在細胞(cell)中運作的複雜代謝網 絡及其調節，所以控制底物和/或營養物在適當的水平對產物的生成是重要的。 經常地，發酵過程以分批/補料分批模式實施，主要是考慮減少批次之間的性 能和產量的變化。
典型地在分批式發酵裝置中，肉湯樣品每數小時在實驗室中分析生物質、 產物和底物的濃度，以獲得對該裝置的性能了解。這種方法緩慢，基於系統在 線監測的模型將幫助適時地發現錯誤並實施合適的校正性動作以維持所需的性 能。調整工藝變量如糖進料速率以維持該批次的性能在所需水平。因素如初始 填充培養基特徵的改變、使用的原材料質量的改變、和工藝條件的變化，影響 著發酵體的性能，從而導甜比次產量的相當大的變化。因此，基於真實的操 作數據預測發酵批次的未來性能的模型，在工業發酵器的操作中是非常有用的 工具。
不同的方法已經被用來為分批式/補料分批式發酵體粒模型。
驅動模型
基於多變量統計算法(主元分析法一PCA和部分最小二乘法一PLS)和人 工祌經網絡(ANN)的發酵罐模型已經被報導(IgnovaM寧1997)， Lennox等 (2000)， KarimMN寧2003) Lopes箏2002), Lennox寧2002))[參考文獻1至 5])用於監測和預測分批式/補料分批式發酵裝置的性能。
基於多變量統計技術如PCA和PLS和ANN的方法，當被應用至分mX藝
中時效果是有限的，歸咎於下面的原因
參分ftt工藝是高度非線性的並圍繞預先指定的軌道操作，而不是在固定的
水平操作；
參批次 集被典型地存儲在3維陣列中，並且會需要大量的努力和近似 以將該三維分批數據轉化為二維陣列，適合於模型開發。
參婁鄉集的運行長度(run length)和相應大小對於針批次是不同的。
參使用數據驅動模型進行在線監測需要所有的未^1程測量值(從當前時 間至該批次結束)可用於計算。
ANN為基礎的模型為了模型調整和驗證需要大量的數據並且不能輕易地 外推至不同的操作條件。這樣，數據驅動建模技術不適合開發用於分批式發酵 裝置的在線性能監測的模型。
3!輯模型
基於第一原理、考慮了發酵過程中出現的動力學和傳輸現象的發mi模型， 也已經在文獻中被報導。
Dhir等["Dynamic Optimization of Hybridoma growth in a fed batch Bioreactor", Biotechnology and Bioengineering, 67(2), 197-205,2000][參考文獻6]已經應用王嫁 邏輯模型來表示發酵器的行為，利用模糊邏輯為基礎的方法更新模型參數，使 模型預測與車間數據相匹配。模糊邏輯為基礎的方法^ffl涉及調徵艮多參數的 反覆iSi^過禾呈。Iyer MS等["Dynamic Reoptimization of a Fed-Batch Fermentor", Biotechnology and Bioengineering, 63(1), 10-21, 1999][參考文獻7] iM非迭代單 步驟Newton方法更新l^f輯模型的模型參數。這種方法幫助減少模型誤匹配 但是不能使它降到最低。這兩種方法都在模擬的模型和實驗室發酵器上測試， 並沒有以真實的工業規模發酵器作為基礎。
本發明的工作
如上面描述的以現象邏輯方法為基礎的發 1模型，目標並不題過使車 間數據和模型預測之間的誤差最小化來估測模型參數。他們可以被認為是解決
模型誤匹配問題的好的近似方法。解決這個問題的最好方法是利用非統性優化 技術，通過使車間i^和模型預測之間的誤差最小化來估測模型參數。
相應地，本發明的目標是提供一種使用現象邏輯模型(phenomenological model)來預測分批式/補料分批式發酵過程的未來性能的新方法。由於發酵過 程是高度非線性的並且其行為是隨時間變化的，所以在本發明工作中模型參數 被在線重新估測，以將車間模型誤匹配減到最少。這種方法將確保模型預測接 近於真實的車間行為並且能被用於改善分批式發酵裝置的操作性能。
在本發明方法中，對發酵器肉湯中的生物質和產物濃度的預測誤差的平均 百分數，分別大約是15%和10%。
被在線重新估測的參數是
最大比生"Kd^率(maximum specific growth rate): jUmax Contois常數Ksp Contois飽和常數Ks 名義傳質係數K^ao
產品收率常數YP/D
細胞衰變常數(cell decay constant):
在分批發酵操作中，過程條件和動態行為隨時間而變，模型參數必須被調 整以更好地表示該過程。本發明提供了新的更新模型參數的方法，並使用該更 新的模型預測分批式/補料分批式發酵裝置中的產物未來濃度的方法。它提供 了有關該批次未來過程的有用信息，並且根據這些預測，可以選擇來調整操作 斜牛例如發酵裝置的糖進料流速、空氣流或攪拌器RPM，以提高產品收率。更 新後的模型可以被用以最優化發,的操作劍牛以使產率達到最大。
在所提出的在線監測和控制系統的實施中典型步驟如下
該過禾，始於將培養基裝入發酵容器中，啟動攪拌器並且開始在肉湯中
通入氣流。
參測量所有的車間操作參數如空氣流速、攪拌器RPM、肉湯水平等並且 存儲在控制系統中並且可用於計算。
參周期性地，收集肉湯樣品並且在實驗室中分析生物質產率(體積百分
數)、糖&產物的濃度、和粘度。分析結果被存儲在車間計算機控制系統中。
參利用初始條件(肉湯體積、產物濃度、糖濃度、溶解氧)、以及氣^il 度、攪拌器RPM和糖進料料率的平均分布(average profile),計算並顯示在發 酵罐肉湯中產物、生物質、糖和溶解氧的未來濃度和排放氣體的組成。
參發l^l模型參數的在線估測在發酵啟動的預定鵬完成後開始。在這個 啟動階段收集的實際過程 ，採用與控制系統連接的計算機來估測這些參數。 這些參數通過將肉湯中的生物質、產物、糖、溶解氧的濃度和排出氣體的組成 (02和C02)的觀糧值和預測值之間的誤差減到最小而被評估。非線性優化技 術被用於將預測值和測量值之間的誤差減到最小。
參新的評估後的參數被存儲在計穀幾中並且被用於計算未來性能參數。 參在謝比次完成之前，在該批次在進程中的同時進行數7煩模型參數的這 種在線再評估，這有助於幫助減少車間一模型誤匹配，使得對性能參數的預測 改進。
附圖簡述
圖1是發酵裝置的圖示。
圖2是發im裝置性能參數的在線預測的圖示。
優選實施方式描述
圖1舉例說明了標準的發酵裝置，具有下面的通常在發,裝置控制系統
中實現的自動控制方案
參ffl31操縱術腿來控制PH
M操縱冷凍劑箭litt控制發ll^Mit 參對糖;忝加的流量控制
參M^縱排氣閥來控制壓力
參對進口空氣的流量控制
參fflil可變速度驅動來調整攪拌器RPM 顯示在圖1中的發,裝置的不同部分的細節如下
1— 發酵器肉湯pH傳感器
2— 發麟肉湯pH值指示劑控制器
3— 發,背壓傳感器
4一攪拌器發動機
5 —發麟背壓指示器控制器
6— 發麟容器
7— 發,排料閥
8— 發mi溫度指示，制器
9— 發麟鵬專感器
10— 空氣流量指示器控制器 ll一空氣流量傳感器
12— 糖流量傳感器
13— 糖流量指示器控制器
發酵過程中涉及的各種步驟如下
參來自實驗室預植種容器(pre seed vessel)的生物質和培養基被裝入主發 麟中，所述主發麟配有測量肉湯的pH、糹鵬、溶解氧、#^只、蒸氣空間壓 力和對排放氣體進行氧氣和二氧化碳分析的在線傳感器。
參pH控制器，自動調節鹼溶液的流量以維持發麟pH在所需值。 參若干時間後，無菌水被加入至發酵器中以避免溶解氧(DO)耗盡。
加入無菌7K後，加入營養物以提供細胞生長所需的營養物。 參當肉湯中的糖濃度低於所需值時開始加入糖溶液，並且繼續加入糖溶液 直至該批次結束。
參在操作的過程中，可能中間取回肉湯一次或兩次以回收產物。 參氣流被維持在預定的流速設定點。
參攪拌器RPM被維持在兩種不同的水平最初的低速和該批剩餘階段的
高速o
每幾小時，肉湯樣品被取樣並且在實驗室中分析生物質產率(體積百分率)、 糖&鹼的濃度、和粘度和產物濃度。
圖2是在線預測發麟裝置的性能參數的圖示。發^l模型在Dynamic Optimization System Extension (DOSE) of System 800xA中被用作軟體應用禾歸， 它是由ABB開發的標準過程自動化系統，基於面向對象方法來設計和操作過程 自動化系統的概念。DOSE是可以在System 800xA中利用的軟體框架，並且它
提供了針對基於模型的應用程式的工具集合。上面描述的發酵器數學模型在
DOSE中按照在參考手冊中[參考文獻8]中描述的程序實施。DOSE提供模擬和 模型參數預測所需要的方程式解算器和非統性優化程序。DOSE和System800xA 的標準特徵可用來構型、執行、顯示和存儲在發^^莫型的模擬和參數評估過 程中獲得的結果。
DOSE如圖2所示的部分14、 14 (a)和14 (b)所示，可以與控制系統以 及支持數據通訊用的Object Linking and embedding for Process Control標準[在此 稱作OPC (用於過程控制的對^^接和^A)標準]的任何其它軟體系統接口 。這 將幫助實現發mi模型便利地與外部系統在線數據讀/寫。DOSE提供了用於 基於模型的應用禾聘如模擬、參數評估和優化的工具集，圖2的部分14 (b)所 示。電子數據表格插件提供了用於配置執行模擬、評估或優化以及存儲計算結 果所需要的數據的接口。
在線預測性能參數如生物質、糖的濃度和發醇器肉湯的產物濃度的示意系 統在此後也被討論。
在控制系統中在線發隨性能監觀孫統的實現
在本情況中，非結構化的陶胞用單量如細胞密度(g千燥wt/L)表示]和 無隔離的[將整個細胞群體看作由相同細胞(具有一些平均特性)組成]模型方法 被用於對發酵過程進行建模，因為這種模型方法更加適於在線應用如評估、模 擬和優化。
當粒該模型時作如下的假設
參假設發酵肉湯的密度與7ja目同(lgm/ml)。
參細胞生長受糖和氧濃度的影響。對糖和氧的依賴性用Contois動力學模
擬，它是Monod's動力學的擴展[參考文獻9]。
參產物生成速率受糖和氧濃度的影響，糖對生產速率發揮抑制型控制。
參糖消耗是細胞生長、產物生成和維持的原因。
參氧傳質速率受攪拌速率、空氣供繊率和粘度的影響。
參細胞生長按照延遲期、生長期和維持或衰減期的順序，並且在該模型中
這點被考慮。
參在發酵器中完美混合。
在發酵器中的溫度和pH被維持在恆定值並且該模型不包括這些變量對
發Stl性能的影響。
如上所述，發現改進的肉湯濃度預觀何以通過在線更新模型參數以考慮分 批發酵過程的非線性並且隨時間變化的行為來完成。該預測器在圖2的部分14
(a)中被描述。參數通過將變量如產物濃度、糖濃度、生物質、溶解氧和排放 氣體中的02和C(V濃度的測量值和預期值之間的誤差降到最小來獲得。限制型 非線性優化技術用於把誤差降到最小。肉湯中的生物質、產物和糖的濃度的測 量值，可以從每隔數小時的實驗室分析中得到，如圖2的部分15所示，並且排 放氣體的組成和溶解氧濃度的測量可以每隔數^H中從控制系統得到，如圖2的 部分16所示。
發mi模型，如圖2的部分14 (b)所示，連同需要的方程幼軍算器和優 化禾歸，被採用在System 800 ax中可以獲得的Dynamic Optimization System Extensmn框架作為軟體應用程式模塊實施。這有益於發^l模型軟體與^(壬何其 他支持OPC數據傳送標準的軟體系統相接口。如圖2的部分17所示，在被進 料到發酵車間之前，預觀醞的輸出被顯示在控制系統顯示器上，如圖2的部分 緒示。
發酵裝置的數學模型的簡要描述如下。
發酵過程通常在攪拌槽鄉的生物反應器中以分批或補料分批操作形式， 在精密控制過程劍牛例如^Jt、 pH和溶解氧下被實現。分批/補料分批發酵裝 置通常受到不可測量的擾亂，從而導致成品收率的巨大變化。數學模型可以用 於更好地理解發酵過程並且也可以改善操作以減少產物變化性和最優化使用可 用資源。
本發明涉及建立針對分批/補料分批發酵過程的所述模型，以育詢多在線預 測重要的過程變量如生物質和產物的濃度。發酵過程具有的特徵是微生物的高 度非線性的、隨時間變化的響應，並且一些模型參數被在線重新評估以將模擬 誤差降到最小，使得模型預測接近於真實的車間行為。該模型考慮發酵過程中 產生的動力學和輸送現象。該模型假定發酵器中完美混合，並且細胞生長和產 物生成速率受肉湯中的糖和氧濃度影響。糖消耗是細胞生長、產物生成和維持 的原因。氧傳質速率受攪拌速率、空氣供糹魏率和粘度的影響。
模型計算在計算機中被實現，所述計算機與用於操作和控制發酵裝置的微 處理器基系統接口 。車間操作數據被該模型使用以預測發酵器肉湯的未來產物濃度，使得操作員可以對過程條件作出適合的變化以保持分批發酵裝置的所需 收率。發^l模型的細節在下面的部分中給出。
總質量
分批/補料分批過程操作弓胞發麟中的體積變化。它M下面計算
其中v是發酵器肉湯的體積，Fm是糖ax發醇器的流速，F。^說明的是發
酵過程中的溢出量而F^說明的是發酵過程中的蒸發損失。無菌水禾暗養物添 加項被包括itt作為F^。
發酵器肉湯中的細胞質量fflil下面的等式被確定 鬥- ^x," - F。j + ///^ - UV
其中X是肉湯中任何時間的生物質的濃度，Xm是生物質在糖溶液中的濃度，
並且比生^il率化為
一 s c￡
〃° = ^咖i^X + "oZ + (^
S和CL是肉湯中糖和溶解氧的濃度。
發,肉湯中的產物
產物形成通過非一生長相關的產物形成動力學(non-growth associated product formation kinetics)被描述。產物的7JC解作用也被包括在形成率的表達中formula see original document page 11
其中，P是任意時間肉湯中產物的濃度，Pin是糖溶液中產物的濃度，W是 比產物生成率，定義為
= s__c丄
發酵器肉湯中的糖
糖的消耗被假定為由菌體生長和恆定產量的產物形成和微生物維持需要弓I
叾
其中SF是糖溶液中糖的濃度，而CTd是比糖消耗率，定義為:
發,肉湯中的溶解氧
氧的消耗被假定為由生物質生長和以恆定產率的產物生成和微生物維持需 要引起。來自氣相的氧被不斷地傳遞至發^肉湯中。
formula see original document page 12
其中Q^和CL分別^iSA糖溶液和肉湯中的溶解氧的濃度。ao是比氧消
耗率，定義為
總體質量轉移係數，ka被假定為攪拌速度(rpm)、氣流速度(Fj、粘度 和發酵肉湯體積的函數，被定義為
formula see original document page 12
其中下標o是指額定劍牛。溶解氧濃度的飽和值，o;，和氧分壓，po2，
相關，使用亨利定律(Henry's law): 廣.
formula see original document page 12
其中D02 ，是來自車間觀糧的溶解氧的測量值。
氣相氧
氣相被假定為充分混合，並且氣流速度被假定為恆定。
formula see original document page 12
其中yo2沖和yo2是空氣中和發,排放氣體中氧的摩爾分數，P和T是發
醇器中蒸氣空間的壓力和溫度，Po和To是額定劍牛下的壓力和溫度，並且R是
氣體常數而vg是發酵器中蒸氣空間的體積。
氣相二氧化碳
引入這些容易測量同時其信息內割艮重要的變量是非常有助於預測其他重
要的過程變量的。
一個所述變量是C02，根據它可以高精度地預觀蜘胞質量。 在這個工作中，C02的析出被假定為是由於生長、產物的生物合成和維持需要。
二氧化碳的析出如下給出-
C02
燈
44
其中ycoyn和yco2是空氣中和發,排放氣體中二氧化碳的摩爾分數，並
且acQ2是比二氧化碳析出率，定義為
模型中應用的各種動態參數的列表在下面列出
動態參數
生長
最大比生皿率M^(h—"
Contois飽和常數Ks 生長的氧限制常數Ko(m^L) 細胞衰減率常數K4h—、
產物生成
比生產率:
n陋(g闊
Contois常數Ksp (L2/g-2) 產物生成的抑制常數IQ (M) 產物的氧限制常數Kop (mg/L) 產物水解率常數IQ(h—"
糖消耗
細胞產率常數Yx/d (g細胞質量/ g糖) 產物收率常數Yp/d (g產物/ g糖) 糖的維持係數mD(h—1)
氧消耗
細胞產率常數Yx/o (g細胞質量/ g氧) 產物收率常數YP/0 (g產物/ g氧)
氧的維持係數mo(h—1)
氧傳遞
額定質量轉移係數KL3o(h—、
額定rpm: rpmo 額定空氣^3I: F礎(m3/h) 額定粘度Mo (cP)
額定體積Vo(L) 亨利常數h
常量a^b,c,d
氣相氧
正常壓力Po (atm) 氣相體積Vg (L) 氣體常數R (atmr^gmol-'K-1) 正常溫度Tq (K)
氣相二氧化碳
細胞產率常數Ycq2/x (g 二氧化碳g細胞質量) 產物收率常數Ycq2/p (g 二氧化敏g產物) 氧的維持係數mcQ2(每h)
最初，DOSE中的發im模型的參數用離線模式中的車間數據評估，並且
被調整以與真實的車間數據相匹配。調整的模型將被用於預觀撥麟的性育^參數。
在在線模式中，模型將從車間控制系統收到實時的數據如空氣流速、攪拌
器RPM、糖流率、溶解氧和排放氣體組成(氧氣和二氧化碳)，並且每數小時
一次從實驗室也收到對發酵肉湯的分析(生物質產率(體積百分比)、糖、鹼和 產物的濃度)。這種實時過程數據和離線實驗室數據相結合用於〗妙;f述測量相一
致(reconcile the measurements)和評估模型參數。模型參數的周斯性在評估減 少模型的誤匹配並且使模型行為更接近於真實的發,操作條件。該更新的模 型將被用於預測性能參數。這種參數評估和性能預測的循環，為了實時監測發 ,盼性能而被周期性地重複。
參考文獻:
1. Ignova M et al., " Multivariate statistical methods in bioproeess fault detection and performance forecasting", 7V。肌組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.
權利要求
1.在線預測發酵裝置未來性能，尤其是參數例如生物質、糖和產物的濃度，的方法，包括a. 在線測量車間參數例如攪拌器速度、氣流速度、水平測量、糖進料速率、肉湯溫度、排放氣體中的二氧化碳和氧氣的％、肉湯中的溶解氧；b. 將所述在線測量/車間數據以及實驗室分析結果存儲入與所述車間控制系統相連接的計算機中；c. 參數被再估值，以減少所述車間數據和所述模型計算之間的誤匹配；d. 基於目前的和過去的車間數據，在線預測發酵肉湯中生物質、糖、產物、溶解氧以及排放氣體中氧氣和二氧化碳的未來濃度，以致於能夠利用所述預測結果控制所述參數例如糖流動速率、空氣流速和溫度。
全文摘要
本發明公開了在線預測發酵裝置性能尤其是參數如包含細菌和營養物的分批/補料分批發酵裝置的肉湯中的產物、生物質、糖的濃度的方法。計算機模型根據當前的車間數據預測未來產物的濃度。當該批次在進行中時，模型參數根據車間數據進行在線調整以減少車間和模型之間的誤匹配。該方法/發酵器模型在PC中作為軟體程序實施，所述PC能夠和用於在現實的車間環境中在線部署的車間控制系統相接口。在線性能監測系統對車間操作人員是有用的，用於預先知道該批次的性能以預先實現任何所需的矯正措施，以預先改善/維持該性能在所需水平。
文檔編號C12M1/36GK101370926SQ200680051859
公開日2009年2月18日 申請日期2006年1月28日 優先權日2006年1月28日
發明者B·巴迪斯裡尼瓦薩, J·莫達克莫雷施沃 申請人:Abb研究有限公司