谷氨酸发酵过程菌体浓度监测系统的设计(味精厂)

谷氨酸发酵过程菌体浓度监测系统的设计赵起1，王贵成2，王晓健1，韩瑜2，张占胜2王兰刚1（1.沈阳红梅企业集团有限责任公司，沈阳110026；2.沈阳化工学院信息工程学院，沈阳110142）摘要谷氨酸发酵过程菌体浓度是影响发酵转化率的重要参数。监测系统是将训练好的软测量模型用程序实现在计算机控制系统中，将现场采集到的工艺数据作为软测量模型的输入，菌体浓度作为输出，软测量模型程序可以实现对菌体浓度的在线估计，从而提高谷氨酸产量，降低生产成本，提高经济效益。关键字发酵过程；软测量；菌体浓度；神经网络DesignofMonitoringSystemofgermconcentrationforglutamicacidfermentationprocessZhaoQi1,WangGuicheng2,WangXiaojian1,HanYu2,ZhangZhansheng2,wanglangang1（1.ShenyangHongmeiGroupCo.,LTD.,Shenyang110026,China;2.ShenyangInstituteofChemicalTechnology,Shenyang,110142,China）AbstractGermconcentrationofglutamicacidfermentationprocessistheimportantparametersthataffecttheyieldofmonosodiumglutamate.Therealizationofmonitoringsystemisfirstlythetrainedsoft-sensingmodelusedincomputercontrolsystembyprogram.Itwillbecollectedtheprocessdataofindustrialfieldastheinputofsoft-sensing,andgermconcentrationasoutput,sothatitcanbeachievedgermconcentrationon-lineestimatebysoft-sensingmodelprogram,therebyitisenhancingtheproductionofglutamicacidandreducingproductioncostandincreasingeconomicefficiency.Keywordsfermentationprocess;soft-sensing;germconcentration;neuralnetwork1引言谷氨酸发酵过程是一个复杂的、不确定的、非线性的动态过程，其影响因素很多，机理十分复杂，其中菌体浓度是影响发酵过程及产品质量的重要的生物量参数，但目前尚无满足要求的在线检测仪表。菌体浓度传统的检测方法是离线的，而离线测量带来两个问题：一方面取样过程容易染菌；另一方面是给发酵自动控制带来困难。因此，研究一种菌体浓度实时在线检测的新技术是非常必要的。随着现代控制理论水平和计算机技术的不断提高，使得采用软测量技术获取一些生产过程参数成为可能。软测量技术是根据某种最优准则，选择一组既与主导变量有密切联系又易检测的变量，即二次变量，通过构造某种数学关系，用计算机软件实现对主导变量的估计。它是对传统测量手段的补充，可以解决有关产品质量、生产效益等关键性生产参数无法直接测量的问题，并且相对于硬件检测设备，软仪表开发成本低，配置较灵活，维护相对容易，各种变量检测可以集中于一台工业控制计算机上，无需为每个待测变量配置新的硬件，因此软测量技术成为过程控制应用中的一个热点[1]。采用软测量技术[2]，利用可在线测量的过程参数，如温度、压力、PH值等，建立菌体细胞浓度的软测量模型，进而实现对其的在线估计。生物发酵软测量技术的发展无疑是生物界的又一次革命，它将对提高产物的质量，降低产物的成本，提高生产效率有着不可估计的作用。近年来软测量技术得到了突飞猛进的发展，它已涉及到自动控制理论中的建模、系统辨识和数据处理等许多重要领域，对其的研究已经历了从线性到非线性，从静态到动态，从无校正功能到有校正功能的发展过程。2软测量技术软测量技术就是选择与被估计变量相关的一组可测变量，构造某种以可测变量为输入、被估计变量为输出的数学模型，用计算机软件实现重要过程变量的估计。软测量估计值可作为控制系统的被控变量或反映过程特征的工艺参数，为优化控制与决策提供重要信息。这种方法响应迅速，能够连续给出主导变量信息，且具有投资低、维护保养简单等优点。软测量模型如图1所示。图1软测量的数学模型图中d1表示可测扰动，d2表示不可测扰动，u表示控制量输入，y表示主导变量估计值，各变量之间的关系可以用如下函数表示y=f(d1,d2,u)由此可见，软测量模型主要反映了在线可测参量和不可直接测量参量之间的关系。3谷氨酸发酵工艺过程介绍谷氨酸发酵过程为间歇过程，是将碳源、氮源、无机盐等加入发酵罐内，接入一定数量的菌种，菌种在合适的培养基、PH、温度和通风搅拌等发酵条件下，进行生长和合成谷氨酸的代谢活动。来自连消塔的谷氨酸培养基（糖液等）在流量的监控下进入灭菌后的谷氨酸发酵罐，经罐内蛇管换热器将培养基冷却至34度，接入菌种，通入无菌空气，谷氨酸发酵过程逐渐开始。发酵前期为长菌阶段，为了形成有利于谷氨酸向外渗透的细胞膜，需使磷脂合成不充分，因而必须要控制生物素亚适量。谷氨酸发酵刚刚开始时，因菌体数量少，释放的热量少；而当菌种进入生长旺盛时期，呼吸加强，放出大量热量，温度上升，可利用蛇管内的冷水使罐内温度保持在34度。同时，在菌体生长期，供氧必须满足菌体呼吸的需氧量，否则将抑制菌体生长，所以要控制通风量以控制溶氧量的大小，发酵前期采用低风量适宜；谷氨酸发酵在正常情况下，为了保证足够的氮源，发酵前期应控制PH值在7.0-7.2左右，可采用流加液氨方法来控制PH值。发酵中后期为产酸期，为了补充在菌体生长期消耗的糖液，需要流加糖来按需补充微生物生长所需的碳源、氮源等；约12小时后，菌体已分裂完成，光密度（OD）不再上升，PH在短暂升高后下降至6.8左右，这时应流加氨来补充氨根离子，流加后PH值上升至7.0以上；约经六小时，由于氨根离子被用于合成谷氨酸，同时谷氨酸溶于培养基中，使发酵液PH值再次下降，这是需再次流加液氨，调整PH值。以后每当PH值下降时，仍需流加液氨，直至发酵接近结束。发酵产酸的最适宜温度为34～38度，可通过控制冷水流量的大小来调节发酵液的温度，来提高产酸量；发酵中期（细胞开始转型至高产酸期）以高风量为宜；发酵后期又应适当减少风量，以促进谷氨酸的生成[3-4]。在发酵的各个阶段，分别满足温度、PH值、通风量以及补糖量等条件，在经过发酵周期约32小时后，发酵过程结束。谷氨酸发酵是一个复杂的微生物生长过程，要使菌体生长迅速、代谢正常、多出产物，必须为其提供良好的生长环境。一般主要控制参数有通风量或溶解氧、发酵液PH值、发酵温度、罐压、补料等。而菌体浓度的监测尤为重要。4谷氨酸发酵过程菌体浓度的软测量检测发酵过程中菌体生长状态至关重要，它将决定整个发酵的产酸水平。生化反应过程一般可以描述为：菌种在合适的环境及底物组分的条件下，先是利用底物中的营养物质进行菌体的大量生长和繁殖，并维持在一个较高的浓度上，然后是菌体的产物的分泌期。细胞体除了利用一定量底物来维持自身的活力和浓度以外，绝大部分底物中的营养成分被用于产物的生成，这往往也是生产的目的，即获取尽可能多的菌体代谢产物。正是因为有了大量的活细胞的参与，使生化过程的非线性、确定性尤为明显。神经网络建模主要以BP网络的应用最为广泛。它利用前向网络的结构特点，随着“模式顺传播”与“误差逆传播”过程的反复进行，网络的实际输出逐渐向各自所对应的希望输出逼近，它是建立在梯度下降法基础上的有导师学习算法。在谷氨酸发酵中，训练样本集来自谷氨酸发酵车间的报表数据。实际主要选用PH值、温度、通风量、补糖量作为模型的输入量。对于这四个参数都有其各自的控制系统，在发酵过程的各个软测量模型d1d2uy阶段要严格控制温度、PH值、通风量以及补糖量，使其满足生产要求，这样才能保证发酵过程的正常运行。另外发酵过程具有一定的阶段性，各个参数值随着时间的变化而有所不同，因此将时间作为模型输入。综上所述可得神经网络的输入层为X={X1X2X3X4X5}={时间，PH值，补糖量，温度，通风量}；输出层为Y={菌体浓度}。这样BP神经网络的输入节点数为5个，输出节点数为1个[5]。通过训练获取合理的软测量模型参数。5软测量模型在上位机中的实现在实际生产中，要实现软测量模型对谷氨酸发酵过程菌体浓度的估计，经分析需要四个步骤：（1）获取学习样本数据，即获得影响菌体浓度的四个过程参数的值，PH值、温度、通风量和补糖量，并将其保存到上位机数据库中；（2）建立软测量模型，并用获取的学习样本对模型进行训练，以PH值、温度、通风量、补糖量和时间五个量作为模型的输入量，以实际菌体浓度的值作为网络目标的输出量，建立输入量和输出量之间的内在关系；（3）测试训练好的软测量模型，只有满足性能要求的软测量模型才能使用，提取模型参数；（4）将训练好的软测量模型编程实现在计算机控制系统中，通过实时采集现场数据，实现对菌体浓度的在线估计。系统实现框图如图2所示。+图2系统实现框图按照上面步骤先训练神经网络，建立软测量模型，然后在计算机监控系统中，编程实现。现场计算机控制系统是WINCC+PLC设计，在WINCC中通过编程实现软测量计算过程，现场数据通过PLC采集，实现在线实时估计，其中重要因素是软测量模型的准确性。监测界面设计过程如图3所示。图3监测界面设计过程运行测试画面如图4所示。上位计算机Wincc组态软件（监控和菌体浓度的估计）学习样本及软测量模型参数数据库软测量模型程序学习样本采集控制命令学习样本软测量模型参数信息学习样本通讯卡PLC控制系统图4运行测试界面6结论本文提出针对谷氨酸发酵过程菌体浓度的软测量方法，软测量模型通过神经网络建立。训练好的软测量模型用WinCC软件通过编程实现在计算机控制系统中，通过实时采集现场工艺数据，在线估计谷氨酸发酵过程的菌体浓度，对监视味精生产发酵过程的运行提供了一种可行方法。参考文献[1]王贵成，张敏，徐心和．GA-BP网络在谷氨酸菌体浓度软测量中的应用[J]．华东理工大学学报(自然科学版)，2007，33(3):410-413．[2]王贵成，李凌，张敏，等．软测量技术在谷氨酸发酵过程中的应用．烟台大学学报（自然科学与工程版），2006，19:545-549．[3]王贵成，张敏，徐心和，等．发酵过程自学习模糊神经元控制器的设计．系统仿真学报，2007，19(6):1269-1273．[4]姜长洪，王贵成．谷氨酸发酵过程先进控制．化工自动化及仪表,2004，31(2):28-30．[5]孙蕾，王贵成，王海军.谷氨酸发酵过程菌体浓度的监测方法研究．仪器仪表学报,2008，29(4)增:302-304．