基于趨勢(shì)分析的發(fā)酵過(guò)程監(jiān)控

李艷坡， 陳進(jìn)東， 潘 豐

(江南大學(xué)輕工過(guò)程先進(jìn)控制教育部重點(diǎn)實(shí)驗(yàn)室，江蘇無(wú)錫214122)

在補(bǔ)料分批發(fā)酵過(guò)程中，由于初始條件(包括菌體質(zhì)量濃度、菌體的初始活性等)和操作條件(例如補(bǔ)料速率)的不同，各批次之間的過(guò)程變量的大小往往會(huì)有不同;另外，即使在同批次發(fā)酵過(guò)程的各個(gè)階段(生長(zhǎng)階段、產(chǎn)酸階段等)之間，過(guò)程變量的自身特性和變量之間的相互關(guān)系也會(huì)變化［1-2］，這些都給發(fā)酵狀態(tài)的識(shí)別和診斷帶來(lái)很大困難。以往的研究中，如數(shù)學(xué)模型法、基于數(shù)據(jù)的主元分析法，由于是以發(fā)酵的整個(gè)過(guò)程為基礎(chǔ)建模，很難準(zhǔn)確反映每個(gè)階段的狀態(tài)，甚至?xí)霈F(xiàn)同樣的參數(shù)設(shè)置在其中一個(gè)階段運(yùn)行正常，而在另一個(gè)階段則出現(xiàn)誤判或漏報(bào)的情況［3］。

為此，很多學(xué)者以發(fā)酵階段識(shí)別為基礎(chǔ)對(duì)發(fā)酵的監(jiān)控策略做了改進(jìn)。Soumen K Maiti以主元分析法得到的主元之間的相關(guān)系數(shù)為基礎(chǔ)辨識(shí)出發(fā)酵過(guò)程的各個(gè)階段，但該方法未考慮隨機(jī)波動(dòng)的影響［4］。文獻(xiàn)［5］以谷氨酸發(fā)酵過(guò)程中CO2的生產(chǎn)速率和—NH3消耗量在各個(gè)發(fā)酵階段的特性，及時(shí)間范圍為基礎(chǔ)實(shí)現(xiàn)對(duì)各個(gè)階段進(jìn)行識(shí)別。然而，當(dāng)菌體活性異常時(shí)將直接影響上述判斷。文獻(xiàn)［6-7］通過(guò)當(dāng)前批次當(dāng)前時(shí)段過(guò)程變量的變化趨勢(shì)與之前預(yù)定義的狀態(tài)模式比較，判斷出當(dāng)前的發(fā)酵生理狀態(tài)，并以此實(shí)現(xiàn)發(fā)酵階段的識(shí)別和相應(yīng)控制策略，但作者沒(méi)有找到設(shè)定當(dāng)前時(shí)段長(zhǎng)度的通用方法。

通過(guò)上述分析，文中提出以當(dāng)前時(shí)段變量的變化趨勢(shì)為基礎(chǔ)的發(fā)酵過(guò)程監(jiān)控方法，并實(shí)現(xiàn)對(duì)非正常發(fā)酵狀態(tài)的識(shí)別和初步診斷。

1 趨勢(shì)分析原理

根據(jù)文獻(xiàn)［8］的分析，發(fā)酵的階段檢測(cè)可以歸結(jié)為是對(duì)能充分反映發(fā)酵狀態(tài)信息的在線變量的拐點(diǎn)的檢測(cè)。根據(jù)文獻(xiàn)［9-10］對(duì)代謝流向的分析和菌體對(duì)氧氣利用量的關(guān)系，文中選擇尾氣中的O2含量來(lái)反映當(dāng)前發(fā)酵的狀態(tài)信息。用數(shù)理統(tǒng)計(jì)中的線性相關(guān)分析［11］可以實(shí)現(xiàn)對(duì)平滑曲線拐點(diǎn)的檢測(cè)。

線性相關(guān)分析是對(duì)X，Y兩組數(shù)據(jù)的線性關(guān)系程度分析的一種有效手段，其相關(guān)性大小由相關(guān)系數(shù)表示:

在發(fā)酵過(guò)程中，在線測(cè)量的參數(shù)通常會(huì)因各種干擾而造成參數(shù)的實(shí)時(shí)曲線伴隨不規(guī)則的波動(dòng)，如果不加處理，會(huì)因此干擾對(duì)拐點(diǎn)的判斷。由于發(fā)酵過(guò)程的大滯后性，采用普通濾波(yout=a×yk－1+(1－a)×yk，a為濾波系數(shù))時(shí)，如果濾波系數(shù)太小，則濾波效果不明顯，如果太大，則會(huì)帶來(lái)明顯的滯后，而基于小波分析濾波方法在時(shí)間窗長(zhǎng)度和核函數(shù)的選擇上存在不確定性［1］。其實(shí)，普通濾波只是考慮到了當(dāng)前值和上一時(shí)刻值之間的連續(xù)性，而發(fā)酵的當(dāng)前值是和前一時(shí)段不僅僅是和前一時(shí)刻有關(guān)聯(lián)，即要考慮當(dāng)前值和前一時(shí)段之間的慣性，以此濾除期間隨機(jī)的波動(dòng)。如果采用和小波分析類(lèi)似的移動(dòng)時(shí)間窗法，則可以將對(duì)當(dāng)前時(shí)刻數(shù)值的分析拓展到對(duì)當(dāng)前時(shí)段的分析。因此，文中以時(shí)間窗的時(shí)間跨度為單位，通過(guò)對(duì)該時(shí)段的參數(shù)(O2)組成的向量和時(shí)間序列組成的向量做線性擬合，獲取參數(shù)當(dāng)前的變化趨勢(shì)。線性擬合方程如下:

其中，X為固定時(shí)間長(zhǎng)度為n的時(shí)間序列向量;Y為O2在當(dāng)前時(shí)間窗時(shí)段內(nèi)組成的向量;b為截距，K為線性擬合系數(shù)，ε為線性擬合誤差。K即是該參數(shù)的當(dāng)前變化趨勢(shì)。由于發(fā)酵過(guò)程的連續(xù)性，相對(duì)于O2的曲線，K的曲線會(huì)平滑很多，可以通過(guò)相關(guān)系數(shù)識(shí)別其中的拐點(diǎn)。拐點(diǎn)識(shí)別的整個(gè)過(guò)程流程如圖1所示。

圖1 階段識(shí)別過(guò)程流程Fig.1 Process of phase identification

由于發(fā)酵過(guò)程伴有不確定的干擾，當(dāng)前時(shí)段設(shè)定的越長(zhǎng)，越有利于分析出參數(shù)的真正變化趨勢(shì)，而不至于被干擾所誤導(dǎo)。但如果當(dāng)前時(shí)段設(shè)定的太長(zhǎng)，會(huì)因慣性太大而引發(fā)滯后，綜合濾波和實(shí)時(shí)性的考慮，且谷氨酸發(fā)酵的每個(gè)階段的時(shí)間長(zhǎng)度都大于350 min。文中多次比較后在優(yōu)先保證濾波效果的基礎(chǔ)上，將當(dāng)前時(shí)段長(zhǎng)度n設(shè)定為180(從圖2b可以看出當(dāng)n設(shè)定為180時(shí)當(dāng)前時(shí)段的變化趨勢(shì)K已經(jīng)很平滑，太長(zhǎng)則會(huì)影響對(duì)每個(gè)發(fā)酵階段的及時(shí)識(shí)別)。則 Y= ［yi－179yi－178…yi－1yi］180。圖 1 中向量 Kt長(zhǎng)度的設(shè)定也是在保證對(duì)K曲線中拐點(diǎn)的識(shí)別不產(chǎn)生明顯滯后的前提下，盡可能減小Kt的長(zhǎng)度。

本次發(fā)酵的識(shí)別效果如圖2所示。在圖a中細(xì)線為發(fā)酵尾氣中O2含量的曲線，粗線為識(shí)別曲線，用I表示。在450 min左右的實(shí)線尖峰對(duì)應(yīng)I=3+18(為了使識(shí)別曲線和O2曲線范圍一致，加上18);圖b為識(shí)別過(guò)程，其中曲線1(實(shí)線)為O2變化趨勢(shì)K曲線，曲線2(虛線)為變化趨勢(shì)向量Kt和時(shí)間序列T的相關(guān)系數(shù)，如圖所示在斜率的拐點(diǎn)處相關(guān)系數(shù)出現(xiàn)了大幅跳躍。

圖2 O2拐點(diǎn)識(shí)別過(guò)程示意Fig.2 Process of inflection point identification

2 谷氨酸發(fā)酵過(guò)程特點(diǎn)

2.1 發(fā)酵培養(yǎng)條件

菌株采用實(shí)驗(yàn)室保存的谷氨酸棒狀桿菌S9114。發(fā)酵罐體積10 L，初始裝液量為5 L，接種量為體積分?jǐn)?shù)8%，初始葡萄糖質(zhì)量濃度為120 g/L。通過(guò)流加氨水將pH控制在7.2 ～7.3。通風(fēng)比固定為1.0。在長(zhǎng)菌階段，將溫度設(shè)為32℃，溶氧(DO)體積分?jǐn)?shù)控制在10% 左右;到產(chǎn)酸前期，將溫度升至34℃，同時(shí)將DO體積分?jǐn)?shù)逐步調(diào)整到15% ～25%;在產(chǎn)酸后期，將溫度設(shè)為36℃，將DO體積分?jǐn)?shù)逐步調(diào)整到10% ～20%。DO通過(guò)PID控制器調(diào)節(jié)攪拌轉(zhuǎn)速自動(dòng)控制。

2.2 發(fā)酵各個(gè)階段的特點(diǎn)

谷氨酸補(bǔ)料發(fā)酵過(guò)程可以分為5個(gè)階段，即長(zhǎng)菌階段、過(guò)渡階段、產(chǎn)酸前期、產(chǎn)酸后期和接近放罐階段。各個(gè)階段的特點(diǎn)及特征如下:

1)長(zhǎng)菌階段。當(dāng)菌體適應(yīng)發(fā)酵罐環(huán)境之后，由于此時(shí)底物充足，菌體開(kāi)始迅速生長(zhǎng)，耗氧量也隨之迅速增加。為了維持DO的穩(wěn)定，需要不斷提高攪拌速度。由于進(jìn)氣量恒定，整個(gè)階段的轉(zhuǎn)速接近直線上升，發(fā)酵液中溶解的氧氣增多，對(duì)應(yīng)逃逸到尾氣中O2的含量會(huì)直線下降。

2)過(guò)渡階段。由于菌體開(kāi)始轉(zhuǎn)向生產(chǎn)谷氨酸副產(chǎn)物需要暫時(shí)調(diào)整，菌體活性暫時(shí)降低，耗氧量隨之下降，為了維持DO恒定，對(duì)應(yīng)轉(zhuǎn)速也會(huì)下降，空氣溶解到發(fā)酵液中的量下降，故逃逸到尾氣中的O2含量開(kāi)始上升。因此，在過(guò)渡開(kāi)始時(shí)，尾氣中O2會(huì)出現(xiàn)一個(gè)凹拐點(diǎn)。在菌體調(diào)整完成后隨著菌體活性的恢復(fù)，發(fā)酵液中需氧量的增加而使O2繼續(xù)下降。

3)產(chǎn)酸前期。這期間菌體活性很高，產(chǎn)酸速度也快，菌體耗氧量增加，對(duì)應(yīng)逃逸到尾氣中的O2總體上仍會(huì)持續(xù)下降。

4)產(chǎn)酸后期。隨著葡萄糖的限制，菌體含量開(kāi)始穩(wěn)定，菌體活性逐漸降低，轉(zhuǎn)速隨菌體需氧量的減少而降低，對(duì)應(yīng)逃逸到尾氣中的O2此時(shí)會(huì)緩慢上升。所以在該階段的初期，尾氣中O2也會(huì)出現(xiàn)一個(gè)凹拐點(diǎn)。

5)接近放罐階段。此時(shí)菌體含量開(kāi)始下跌，菌體活性明顯降低，轉(zhuǎn)速因維持DO的穩(wěn)定而進(jìn)一步降低，對(duì)應(yīng)逃逸到尾氣中的O2上升速度會(huì)比之前加快，所以在這一階段的初期，O2也會(huì)出現(xiàn)一個(gè)拐點(diǎn)。整個(gè)發(fā)酵過(guò)程幾個(gè)相關(guān)參數(shù)的變化趨勢(shì)如圖3所示。

2.3 各個(gè)階段O2特征的提取

為了實(shí)現(xiàn)對(duì)谷氨酸發(fā)酵過(guò)程的在線監(jiān)控，需要對(duì)當(dāng)前的發(fā)酵生理狀態(tài)做出實(shí)時(shí)判斷，因此首先需要找出每種生理狀態(tài)的正常變化范圍。根據(jù)以上分析的各個(gè)階段O2的基本特點(diǎn)以及多批次相同條件下發(fā)酵數(shù)據(jù)的統(tǒng)計(jì)，同時(shí)為了避免系統(tǒng)過(guò)于靈敏而造成誤判，對(duì)每個(gè)階段的O2正常狀態(tài)下的特征大致歸結(jié)如下:

第1階段記為K1＜0;第2階段記為K2，且K1/10＜K2＜0;第3階段記為 K3，且 K1/3＜K3＜K2;第4階段記為K4，且K4＞0;第5階段記為K5，且 K5＞ K4。

對(duì)每個(gè)階段整體線性擬合后可以得出每個(gè)階段的特征如圖3所示。圖中對(duì)各個(gè)變量的范圍做了拉伸處理，以使每條曲線都可以清楚顯示。

圖3 發(fā)酵過(guò)程中O2的變化特點(diǎn)Fig.3 Character of O2during fermentation process

3 谷氨酸異常發(fā)酵批次的識(shí)別

在實(shí)際生產(chǎn)中，常見(jiàn)的有染菌和因菌體代謝活性過(guò)低引起的低產(chǎn)兩種不正常類(lèi)型。如果能及時(shí)辨別出發(fā)酵過(guò)程中的異常狀態(tài)，則可以避免發(fā)酵的失敗或提早結(jié)束該批次，避免資源的浪費(fèi)。

3.1 發(fā)酵罐染菌的識(shí)別

由染菌的特點(diǎn)可知，在發(fā)酵罐染菌后由于雜菌(一般都是需氧型)旺盛的代謝能力會(huì)使得尾氣中O2含量持續(xù)下降(K'＜0)(這里假設(shè)雜菌尚未占絕對(duì)優(yōu)勢(shì)，即谷氨酸菌種在各個(gè)階段的過(guò)渡過(guò)程表現(xiàn)出的拐點(diǎn)特征仍可以通過(guò)O2的變化反映)。并且其坡度(K')會(huì)小于正常值(人工操作時(shí)的判別依據(jù))。K'的獲取如圖4所示。基于趨勢(shì)分析識(shí)別染菌批次的過(guò)程和結(jié)果如圖5所示。圖6為3種不同批次的產(chǎn)酸量對(duì)比(采樣間隔為2 h)。

從圖5中可以看出，在第2階段末(第2條豎直線，約14 h處)趨勢(shì)法已識(shí)別出染菌癥狀。由于染菌后的主要特征為產(chǎn)酸量降低［12］，根據(jù)圖6中染菌批次的離線數(shù)據(jù)分析，只有在18 h后才能識(shí)別出染菌，比趨勢(shì)法晚約4 h。

3.2 低產(chǎn)批次的識(shí)別

對(duì)于低產(chǎn)批次，通常由于在產(chǎn)酸階段菌體活性過(guò)低，對(duì)O2的需求降低，尾氣中O2的坡度(K'值)相對(duì)于正常批次會(huì)增加至正常范圍之外(人工操作的判別依據(jù))。識(shí)別的過(guò)程和結(jié)果如圖7所示。可以看出，在第2階段末(第2條豎直線，約14 h處)趨勢(shì)法已識(shí)別出低產(chǎn)特征，與圖6中的離線分析結(jié)果(第12～14 h之間出現(xiàn)明顯低產(chǎn))比較接近。

圖7 低產(chǎn)批次的識(shí)別結(jié)果Fig.7 Identification of batch of low product

4 結(jié)語(yǔ)

挖掘O2等可在線測(cè)量變量中蘊(yùn)含的發(fā)酵狀態(tài)信息，是研究發(fā)酵過(guò)程在線監(jiān)控的重要內(nèi)容。文中在總結(jié)現(xiàn)場(chǎng)人員的操作規(guī)律基礎(chǔ)上通過(guò)線性擬合找出一種基于趨勢(shì)的定性分析法，并成功用于谷氨酸發(fā)酵階段的識(shí)別。以此為基礎(chǔ)，根據(jù)谷氨酸發(fā)酵的特點(diǎn)對(duì)各個(gè)階段的尾氣中O2含量的特征做了總結(jié)，進(jìn)而定義每個(gè)階段的正常狀況，最后通過(guò)與非正常發(fā)酵特征的對(duì)比實(shí)現(xiàn)了對(duì)非正常發(fā)酵過(guò)程的初步診斷。

文中的方法從人工操作的規(guī)律入手，屬于知識(shí)工程范疇，它對(duì)于實(shí)現(xiàn)人工經(jīng)驗(yàn)轉(zhuǎn)換到程序式的自動(dòng)控制做了進(jìn)一步嘗試。由于該方法只是從操作經(jīng)驗(yàn)入手，針對(duì)不同的菌種發(fā)酵，只需要根據(jù)操作人員的經(jīng)驗(yàn)做相應(yīng)調(diào)整即可，因此具有比較好的推廣性。

［1］Sebastien Regis，Andrei Doncescu，Jacky Desachy.Detection and characterization of physiological states in bioprocesses based on Holder exponent［J］.Knowledge-Based Systems，2008，21:70-79.

［2］WEI Su-na，YAN Men-ga，Ahmet Palazoglu，et al.A method for multiphase batch process monitoring based on auto phase identification［J］.Journal of Process Control，2011，21:627-638.

［3］Graells M，Venkatasubramanian V.Fault diagnosis of a benchmark fermentation process:a comparative study of feature extraction and classification techniques［J］.Bioprocess and Biosystem Engineering，2012，35:689-704.

［4］Soumen K Maiti，Rajesh K Srivastav，Mani Bhushan，et al.Real time phase detection based online monitoring of batch fermentation processes［J］.Process Biochemistry，2009，44:799-811.

［5］史仲平，潘豐.發(fā)酵過(guò)程解析控制與檢測(cè)技術(shù)［M］.2版.北京:化學(xué)工業(yè)出版社，2010.

［6］Konstantin B Konstantinov，Toshiomi Yoshida.Real-time qualitative analysis of the temporal shapes of(Bio)process variables［J］.AICHE Journal，1992，38(11):1703-1705.

［7］Konstantin B Konstantinov，Toshiomi Yoshida.A knowledge-based pattern recognition approach for real-time diagnosis and control of fermentation processes as variable structure plants［J］.IEEE Transactions on Systems Man and Cybernetics，1991，21(4):908-914.

［8］Kashyap Muthuswamy，Rajagopalan Srinivasan.Phase-based supervisory control for fermentation process development［J］.Process Control，2003，13:367-382.

［9］肖杰.基于呼吸商在線監(jiān)測(cè)的谷氨酸發(fā)酵過(guò)程控制研究［D］.無(wú)錫:江南大學(xué)，2008.

［10］儲(chǔ)矩，李友榮.現(xiàn)代工業(yè)發(fā)酵調(diào)控學(xué)［M］.北京:化學(xué)工業(yè)出版社，2001.

［11］肖繼先.概率論與數(shù)理統(tǒng)計(jì)［M］.北京:科學(xué)出版社，2012.

［12］付丙勇.谷氨酸生產(chǎn)染菌的原因及對(duì)策［J］.發(fā)酵科技通訊，2012，41(1):23-26.FU Bin-yong.Causes and countermeasures of bacterial contamination during glumute acid production［J］.Fermentation Technology Communication，2012，41(1):23-26.(in Chinese)