发酵过程现代自动化控制技术[精选].ppt

发酵过程现代自动化控制技术 什么是发酵过程自动化控制？ 所谓发酵过程自动控制，就是在没有人直接参与的情况下，通过控制器使发酵过程过程自动地按照预定的规律运行。 内容 一、绪论 二、发酵过程的参数检测 1、物理参数检测 2、化学参数检测 3、间接参数检测 三、发酵过程的自动化控制技术 1、基本的自动控制系统 2、发酵自动控制系统的硬件组成 一、绪论 1. 生物过程控制的重要性 2. 传统过程和生物过程控制和优化理论的区别 3. 生物过程控制与优化的目的及研究内容 4. 发酵过程控制概论 1. 生物过程控制的重要性 生物（酶）过程的优点与不足： 优点：高效、高选择性、反应条件温和 不足：体积反应速率慢，产物浓度和生产强度向目的产物转化率也比较低！ 解决途径：菌种改良；过程控制与优化。 2. 传统过程和生物过程控制和优化理论的区别 传统过程控制与优化：基于过程动力学模型基础，可用过程的状态变量对时间的微分方程式表示；多可以用线性微分方程形式表示。 生物过程的特征：复杂；动力学模型高度非线性；时变性强甚至难以定量描述；状态变量在线测量难度大；反应过程响应速率慢、在线测量时间滞后大。 2. 传统过程和生物过程控制和优化理论的区别 PID等传统控制理论和基于线性动力学模型基础上的过程优化理论可以满足化工、机械、电子等领域的过程的控制与优化要求。 生物过程控制与优化特点：控制精度不需太高（T、pH感受性强的生物过程除外）；间接；经验和知识影响大（人为影响） 3. 生物过程控制与优化的目的及研究内容 目的：以生物反应工程、发酵工程、生物化学、微生物学等学科的原理和知识为基础，以自动控制理论、过程控制和优化理论、工程数学以及人工智能技术为手段，将目的生物过程控制在最优的操作环境之下，以提高生物过程生产水平。 目标函数：浓度；生产效率或强度；转化率 3. 生物过程控制与优化的目的及研究内容 研究内容：目标函数确定；状态变量、操作变量、和可测量变量确定 ；过程动力学数学模型（定性模型）建立；优化算法的确定。 过程控制和优化的目标函数是？ 有没有能够描述过程动力特征的数学模型可以利用？如何建立？ 为实现优化目标，需要掌握什么样的情报?需要计测哪些状态变量？ 用来实现优化与控制的操作变量是？ 可以在线计量的状态变量是？据此推定的不可测状态变量、过程特性或模型参数和环境条件？ 可能的过程外部干扰？对控制与优化的影响？ 实现控制与优化的有效算法是？如何利用算法求解最优控制条件？ 控制与优化算法能否及时解决由于环境因子或细胞生理状态的变化而造成的最优控制条件的偏移，实现过程的在线最优化？ 4. 发酵过程控制概论 定义：把发酵过程的某些状态变量控制在某一期望的恒定水平上或时间轨道上。分为离线控制和在线控制 离线控制：典型的开回路-前馈控制方式，利用已知非构造式动力学模型或其他已知方式计算和确定控制变量。 在线控制：典型的闭回路-反馈方式，至少有一个状态必须可在线测量。 反馈控制器根据测量值与被测量值的偏差自动对操作变量进行调整与修改，将测量值迅速和稳定的控制在设定值附近。 反馈控制器的建立与调整离不开有效的数学模型。 控制系统按数学模型分类 PID控制系统：非构造式动力学模型 在线自适应控制系统：基于状态变量和操作变量时间序列数据的黑箱性质模型； 模糊逻辑控制：经验型的、以语言为中心的定性模型。 5. 发酵过程的状态变量、操作变量和可测量变量 状态变量（State variables）：显示过程状态及其特征的参数，生物浓度、活性及反应速率；菌体浓度、DO、μ等 操作变量（Input variables ）：环境因子或操作条件，其改变导致状态变量改变；温度、压力、pH等 测量变量（Measurement variables）：可测量的状态变量。包括直接测量（一级）变量和间接测量（二级）变量。后者可根据前者利用公式计算得到 6. 用于发酵过程控制和优化的各类数学模型 合适的数学模型是实现过程控制与优化的基础； 能够直接反映操作参数和过程状态参数间的关系、将复杂反应体系的限速步骤单独提取出来加以模型化的、低元次的统合性质的模型 1. 构造性模型： 包含代谢网络模型在内，考虑到细胞内构成成分变化。最真实可靠，难建模，不能直接应用； 2. 黑箱性质模型： 完全基于生物过程状态变量和操作变量时间序列数据。含 1）回归模型：用于构建在线自适应控制系统和在线最优化控制系统； 2）人工神经网络：用于过程状态预测、模式识别、过程输入和输出变量的非线性回归。 3. 非构造式数学模型 把生物过程的理论定量与经验公式相结合的统合形式的模型；建模相对简单，为基于Pontryagi