DD277701A1 - Verfahren zur automatischen steuerung von prozessen der biotechnischen stoffwandlung auf der basis eines wissensbasierten on-line-steuerungssystems - Google Patents
Verfahren zur automatischen steuerung von prozessen der biotechnischen stoffwandlung auf der basis eines wissensbasierten on-line-steuerungssystems Download PDFInfo
- Publication number
- DD277701A1 DD277701A1 DD32275688A DD32275688A DD277701A1 DD 277701 A1 DD277701 A1 DD 277701A1 DD 32275688 A DD32275688 A DD 32275688A DD 32275688 A DD32275688 A DD 32275688A DD 277701 A1 DD277701 A1 DD 277701A1
- Authority
- DD
- German Democratic Republic
- Prior art keywords
- knowledge
- knowledge base
- control
- base
- control system
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 81
- 230000008569 process Effects 0.000 title claims abstract description 59
- 238000004519 manufacturing process Methods 0.000 title description 2
- 238000001514 detection method Methods 0.000 claims abstract description 15
- 244000005700 microbiome Species 0.000 claims abstract description 12
- 238000000855 fermentation Methods 0.000 claims abstract description 9
- 230000004151 fermentation Effects 0.000 claims abstract description 9
- 239000000463 material Substances 0.000 claims abstract description 6
- 238000006243 chemical reaction Methods 0.000 claims abstract description 5
- 238000001228 spectrum Methods 0.000 claims abstract description 5
- 238000004891 communication Methods 0.000 claims abstract description 3
- 230000004044 response Effects 0.000 claims abstract description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 14
- 238000004088 simulation Methods 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 10
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 7
- 229910052799 carbon Inorganic materials 0.000 claims description 7
- 229910052757 nitrogen Inorganic materials 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 5
- 230000001973 epigenetic effect Effects 0.000 claims description 5
- 229910052760 oxygen Inorganic materials 0.000 claims description 5
- 239000001301 oxygen Substances 0.000 claims description 5
- 238000004393 prognosis Methods 0.000 claims description 5
- 238000013461 design Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 230000002503 metabolic effect Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 230000001276 controlling effect Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 claims description 2
- 238000012512 characterization method Methods 0.000 claims description 2
- 239000002131 composite material Substances 0.000 claims description 2
- 230000001143 conditioned effect Effects 0.000 claims description 2
- 238000012821 model calculation Methods 0.000 claims description 2
- 238000012986 modification Methods 0.000 claims description 2
- 230000004048 modification Effects 0.000 claims description 2
- 230000001105 regulatory effect Effects 0.000 claims description 2
- 230000026676 system process Effects 0.000 claims description 2
- 230000002123 temporal effect Effects 0.000 claims description 2
- 239000002551 biofuel Substances 0.000 claims 1
- 230000007257 malfunction Effects 0.000 claims 1
- 238000007726 management method Methods 0.000 claims 1
- 238000004886 process control Methods 0.000 abstract description 9
- 230000007613 environmental effect Effects 0.000 abstract description 4
- 230000004807 localization Effects 0.000 abstract description 3
- 230000000737 periodic effect Effects 0.000 abstract description 2
- 239000000758 substrate Substances 0.000 description 10
- 239000002028 Biomass Substances 0.000 description 5
- 239000000243 solution Substances 0.000 description 5
- 238000011138 biotechnological process Methods 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 3
- 230000022131 cell cycle Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000006378 damage Effects 0.000 description 3
- 235000015097 nutrients Nutrition 0.000 description 3
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 2
- 229930006000 Sucrose Natural products 0.000 description 2
- CZMRCDWAGMRECN-UGDNZRGBSA-N Sucrose Chemical compound O[C@H]1[C@H](O)[C@@H](CO)O[C@@]1(CO)O[C@@H]1[C@H](O)[C@@H](O)[C@H](O)[C@@H](CO)O1 CZMRCDWAGMRECN-UGDNZRGBSA-N 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000008103 glucose Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000005720 sucrose Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- BPPVUXSMLBXYGG-UHFFFAOYSA-N 4-[3-(4,5-dihydro-1,2-oxazol-3-yl)-2-methyl-4-methylsulfonylbenzoyl]-2-methyl-1h-pyrazol-3-one Chemical compound CC1=C(C(=O)C=2C(N(C)NC=2)=O)C=CC(S(C)(=O)=O)=C1C1=NOCC1 BPPVUXSMLBXYGG-UHFFFAOYSA-N 0.000 description 1
- 241000222128 Candida maltosa Species 0.000 description 1
- 241001091551 Clio Species 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 240000004808 Saccharomyces cerevisiae Species 0.000 description 1
- 241001178520 Stomatepia mongo Species 0.000 description 1
- 238000005273 aeration Methods 0.000 description 1
- 230000001580 bacterial effect Effects 0.000 description 1
- WQZGKKKJIJFFOK-VFUOTHLCSA-N beta-D-glucose Chemical compound OC[C@H]1O[C@@H](O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-VFUOTHLCSA-N 0.000 description 1
- 230000004071 biological effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000012267 brine Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229940041514 candida albicans extract Drugs 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- HPALAKNZSZLMCH-UHFFFAOYSA-M sodium;chloride;hydrate Chemical compound O.[Na+].[Cl-] HPALAKNZSZLMCH-UHFFFAOYSA-M 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 235000013619 trace mineral Nutrition 0.000 description 1
- 239000011573 trace mineral Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 239000012138 yeast extract Substances 0.000 description 1
Landscapes
- Apparatus Associated With Microorganisms And Enzymes (AREA)
Abstract
Die Erfindung betrifft ein Verfahren zur automatischen Steuerung von Prozessen der biotechnischen Stoffwandlung auf der Basis eines wissensbasierten on-line-Steuerungssystems, an denen Mikroorganismen beteiligt sind. Zur Bestimmung des Umschaltzeitpunktes bei Aenderungen des Prozesszustandes und bei periodischer Prozessfuehrung kommt ein wissensbasiertes on-line-Steuerungssystem zur Anwendung, das in parallel arbeitenden Echtzeit- und Dialog-/Beratungsmodul mit jeweils spezifischen Aufgabenspektrum strukturiert ist und drei Wissensbasen umfasst, wobei die Wissensbasis-I die Kommunikationsbasis der beiden Module bildet, die Wissensbasis-II die Regeln und Fakten zur Stoerungserkennung und -ursachenlokalisierung enthaelt und die Wissensbasis-III zur Bestimmung des optimalen Steuervektors dient. Durch dieses Steuerungssystem wird ein flexibles Reagieren auf biologische Variationen bzw. sich aendernde Umweltbedingungen in komplexen Fermentationssystem ermoeglicht.
Description
Yd = Yk(D-Yk(2).
12. Verfahren nach Anspruch 10, dadurch gekennzeichnet, daß als lernfähiger Klassifikator ein Trennebenenklassifikator (Klassifikator auf der Basis von Hyperf lachen) eingesetzt wird, wobei als die Entscheidung des Klassifikators bewertende Größe die aktuelle Differenz der entsprechenden Klassenzugehörigkeitswerte <Yo> in die Entscheidungsfindung einbezogen wird.
Der Wert <Yd> wird nach folgender Beziehung bestimmt:
Yo = Xt* W- B- A.
13. Verfahren nach Anspruch 1 bis 11 oder 1 bis 10 und 12, dadurch gekennzeichnet, daß vorzugsweise die Führungsgrößen Nährstoff zufuhr (Zufuhr von C- und Energiequelle, O2-, Nährsalz und Spurenelementezufuhr) und/oder Temperatur, pH-Wert im Fermentationsmedium, Energieeintrag, Verweilzeit, Menge des Fermentationsmediums im Reaktor, Menge und Zusammensetzung des Gaseintrags in den Fermontor Verwendung finden.
Dio Erfindung betrifft ein Verfahren zur automatischen Steuerung von Prozessen der biotechnischen Stoffwandlung, an denen Mikroorganismen, dio auch genetisch vorändert sein können, in Rein- odor Mischku'iur beteiligt sind. Diese Prozesse können der Gewinnung von Biomasso, dor Gowinnung von P.odukten, der Bosoitigung von Abfällen oder der Gewinnung von Enorgieträgorn dienon.
Es sind Vorfahren der biotechnischen Stoffwandlung bekannt, bei denen durch eine alternierende allmähliche Änderung der Kohlenstoffsubstratkonzentration im Fermontationssystem, wobei die Dauer der Perioden der Länge dor Phasen des Zellzyklus angepaßt ist, eine Vorbosserunn der Effektivität des Prozesses, speziell eine Verminderung des Rohstoffeinsatzes erreicht wird. (DDPS 140150, DD-PS 219035).
Diese Zeitplansteuerung einer partiell synchronisierten Mikrnornanismennnnulatinn arbeitet mit fest eingestellten Perioden, das heißt, dieses Steuerungsprinzip berücksichtigt nicht die auftretenden Eingangsstörungen des Fermentationssystems, wie zum Beispiel Änderungen der Temperatur, Eingangssloffkonzentrationen, Zuflußmengen und Rohstoffqualität auf die metabolische Aktivität der Mikroorganismen im Fermentor. Außerdem kann die Variabilität der biologischen Eigenschaften, wie z. B. der Dauer der Phasen des Zellzyklus, nicht berücksichtigt werden. Diese Störungen und Variabilitäten bedingen jedoch verschiedene Periodendauern für eine günstige Prozeßführung. Diese Forderung können die oben beschriebenen Lösungen nicht oder bei einer off-line-Steuerung nur mit stark erhöhtem Aufwand erfüllen.
Des weiteren sind Verfahren zur automatischen Steuerung von Prozessen der biotechnischen Stoffwandlung bekannt bzw. vorgeschlagen, die die oben gestellte Forderung nach Adaption der Prozeßführung infolge Störungen und Variabilitäten des Fermentationssystems in gewissem Umfang erfüllen (DD-WP 243296 und DD-WPC 12Q/306778.3). Da die Prozeßanpassung im ersten Steuerungssystem (DD-WP 243296) nur durch einen Prognosefilter realisiert wird, treten bei diesem Verfahren erhebliche Probleme hinsichtlich Zuverlässigkeit und Adaptionsqualität, d. h. exakter Bestimmung der Prozeßzustandsänderungen, auf, die zu Produktivitäts- und Effektivitätsverlusten führen. Diener Sachverhalt trifft auch, jedoch in geringerem Maße, auf das vorgeschlagene hierarchische Steuerungssystem (DD-WPC 12Q/306778.3) zu, vor allem, weil die Ergebnisse der Situationserkennung ohne Prüfung ihrer biologischen Sinnfälligkeit als gegeben angenommen werden. Die begrenzte Flexibilität der Situationserkennungsalgorithmen, insbesondere des Prognosefilters, und mangelnde Robustheit beim Auftreten von Störungen in der Meßwerterfassung schränken die Anwendbarkeit dieser Steuerungen ein und erfordern einen hohen Aufwand für das Einfahren dieser automatischen Prozeßführung. Weitere Produktivitäts- und Effektivitätsverluste sind darauf zurückzuführen, daß diese Systeme keinen Operatoreingriff in spezifischen Prozeßsituationen ohne Unterbrechung der Steuerung erlauben und es nicht ermöglichen, gesichertes Erfahrungswissen zur optimalen Prozeßführung in Form von Regeln bzw. Fakten (keine Algorithmen) und off-line zu gewinnende Anaiysenwerte in die Bestimmung der optimalen Steuerung zu integrieren.
In bekannten Lösungen sind Maßnahmen zur Störungserkennung sowie -Ursachenbestimmung nicht bzw. in zu geringem Maße berücksichtigt, obwohl bekannt ist, daß in ungünstigen Fällen bereits kurzzeitige Änderungen der Milieubedingungen in Bioreaktoren zu irreversiblen Schädigungen der Mikroorganismen bzw. zu unerwünschten Prozeßverläufen führen können.
Ziel der Erfindung
Ziel der Erfindung ist die Erhöhung des stofflichen und energetischen Wirkungsgrades und/oder der Produktivität des Prozesses, die Verbesserung der Stabilität, die Verminderung der Störanfälligkeit sowie die Einsparung von Arbeitskräften für die Prozeßführung.
Des weiteren soll im Falle des Auftretens nichtausregelbarer Störungen im Bioreaktor (defekte Meßwertgeber oder Regelkreise) ein Schaden für Prozeß und Reaktor abgewendet bzw. so gering wie möglich gehalten werden.
Die Erfindung bezweckt außerdem, den Aufwand für das Einfahren der automatischen Steuerung bzw. für die Berücksichtigung technologisch bedingter konstruktiver oder/und verfahrenstechnischer Änderungen erheblich zu senken.
Wesen der Erfindung
Der Erfindung liegt die Aufgabe zugrunde, ein solches lernfähiges on-line-Steuerungssystem zu gestalten, das durch flexibles Reagieren auf biologische Variationen bzw. sich ändernde Umweltbedingungen im komplexen Fermentationssystem (hierarchischer Aufbau) eine optimale und zuverlässige Bestimmung des Umschaltzeitpunktes bei Prozeßzustandsänderungen und periodischen Prozoßführungen ermöglicht. Dabei muß die Steuerung zu jedem Zeitpunkt durch deh Operator beeinflußbar sein. Das betrifft sowohl die Bestimmung des Steuervektors als auch die Veränderung von Modellparametern sowie Parametern der Situationserkennung während der Prozeßführung, um den Einfahraufwand der automatischen Steuerung zu minimieren. Des weiteren muß gewährleistet werden, Erfahrungswissen zur optimalen Prozeßführung in Form von Regeln und Fakten sowie off-line-Analysenwerte in die Bestimmung der optimalen Steuerung einzubeziehen. Nichtausregelbare Störungen im Fermentationssystem (Störungen dor Meßwertgeber, Regelkreise) sind schnell zu erfassen, ihre Ursache(n) zu determinieren und gegebenenfalls Redundanzen zu aktivieren. Wesentlich ist, daß das komplexe Steuerungssystem eine große Flexibilität aufweist, d. h. eine hohe Adaptivität bezüglich verschiedenartiger biotechnologischer Prozesse sowie technologischer Zielstellungen. Im Falle einer Havarie im Bereich der Stellglieder muß die wissensbasierte Steuerung im ofMine-Betrieb als Beratungssystem funktionstüchtig sein.
Erfitidungsgemäß wird die Aufgabe so gelöst, daß ein wissensbasiertes (d. h. auf Elementen der künstlichen Intelligenz beruhendes) on-line-Steuerungssystom zur Anwendung kommt, das in Echtzeit- und Dialog- bzw. Beratungsmodulen strukturiert ist und drei Wissensbasen (bzw. relativ selbständige Komponenten einer Wissensbasis) umfaßt, wobei die Wissensbasis-I als übergeordnete dynamische Wissensbasis ausgelegt ist und das deklarative Wissen ?ur Charakterisierung aller Prozoßgrößon und des aktuellen Prozeßzustandes aufnimmt, die Wissens- (Regel-) basis-ll die Regeln und Fakten zur Störungserkonnurig und -ursachenlokalisierung enthält und die Wissens- (Regel-) basis-Ill unter Verwendung algorithmischer Software (Situationsorkennung, Modellsimulation) zur Bestimmung des optimalen Steuervoktors dient. Das Wosen dor Systomstruktur bostoht in ü<" -r^, Jlolon Arbeit von Echtzeit- und Dialog-/Beratungsmodulen und ihrer Kommunikation übor diegomoinsamo dyne nischo Wissensbasis, woboi zudem auf oinem dritten Kanal Modellsimulationen zur Bestimmung dor optimalon Steuerung durchgeführt werdon, deren Ergebnisse dor ontsprechondon Regelbasis (III) ständig zur Vorfügung stohon. Für clio Implementierung dor Steuerung ist doshalb ein Multitaskingrechnerbetriebssystem mit mindestens drei Kanälon odor oino äquivalonto hardwaroseitige Lösung vorzusohon
Dom Echtzeitmodul sind dio folgonden Aufgaben zuzuordnen:
- schnollo Datenerfassung und gegobonenfalls Primärdatonverarboitung,
- Aiuoigo und Speicherung der Daton (Moßworto, Regelgrößen),
- Störungserkonnung und -ursachenbestimmung auf der Grundlage dor entsprechenden Wissensbasis (II),
- Bestimmung der optimalen Steuerung auf der Grundlage der speziellen Wissensbasis (III), wobei durch die erfindungsgemäße Gestaltung dieser Wissensbasis sowohl die epigeneiischw und metabolische Regulationsebene der Mikroorganismen als auch kurzzeitige Störungen im Fermentationssystem, die unter anderem die Verweilzeit der Mikroorganismen im Fermentor beeinflussen können, berücksichtigt werden und
- Ausgabe des Steueivektors.
Das Dialcgmodul gewährleistet das folgende Aufgabenspektrum:
- Eingabe und Speicherung der aktuellen Prozeßdaten (z.B. Sollwerte),
- Eingabe von off-line ermittelten Analysenwerten (mit Zeitpunkt der Probennahme),
- Steuereingriffe durch den Operator (zum beliebigen Zeitpunkt), wie Umschalten der Betriebsart, technologisch bedingte Parameteränderungen (z. B. Fördarmengen von Pumpen, Sollwerte) und Änderung der Modellparameter bzw. der Kenngrößen der Situationserkennung,
- Ausgabe von Störungsmeldungen mit Angabe der möglichen Fehlerursache(n),
- grafische Auswertungen zum Prozeßverlauf,
- Beratung bei Änderung des Prozeßzustandes und
- Führen eines aktiven Dialogs (Rechneranfrage/Bedienerantwort) im Falle eines durch das Steuerungssystem nicht eindeutig bestimmbaren Prozeß- bzw. Reaktorzustandes.
Die erfindungsgemäße Steuerungsstruktur erweist sich allen anderen bekannten bzw. vorgeschlagenen Steuerungen überlegen, weil das beschriebene komplexe Aufgaben- bzw. Funktionsspektrum von Echtzeit- und Dialogmodul parallel unter Echtzeitbedingungen realisiert wird bei Gewährleistung einer hohen Flexibilität bezüglich des Einsatzes sowohl zur Steuerung verschiedenartiger biotechnologischer Prozesse als auch bei sich ändernden technologischen Zielstellungen, was si :h unter anderem in einem stark reduzierten Einfahraufwand dieses Steuerungssystems widerspiegelt.
Das qualitative und quantitative Wissen zu den einzelnen Prozeßgrößen wird durch die Definition zusammengesetzte Objekte frameartig strukturiert, wobei die Framestruktur der zeitlichen Gültigkeit der Informationen Rechnung trägt. In der gemeinsamen dynamischen Wissensbasis (I) werden die Kategorien (Prädikate) „Konstant", „Relativ" und „Variabel" unterschieden. Die Kategorie „Konstant" beinhaltet Informationen mit dauerhaftem Charakter, wie die Auflistung aller Prozeßgrößen mit Name, Einheit, Art (Regel-, on üne-Meßgröße oder off-line-Analysenwert), Kennzeichnung als Modellparameter, wenn zutreffend, und technologisch bzw. physikalisch/technischen Angaben, die der Störungserkennung sowie -lokalisation dienen, wie z. B. technologisch bedingte Grenzwerte, maximale Anstiegsgeschwindigkeit sowie Toleranzbereich bei Regelgrößen. Änderungen sind hier nur erforderlich, wenn neue Regelkreise oder Meßstellen in das Reaktorsystem integriert, neue Analysenmethoden eingeführt oder größere technologische Umbauten am Bioreaktor vorgenommen werden. Diese Änderungen können über beliebige Textverarbeitungssysteme vorgenommen werden und bedürfen keiner speziellen Kenntnis des Steuerungssystems. Die Kategorie „Relativ" umfaßt Daten zu den in „Konstant" aufgeführten Prozeßgrößen, die auch während der Prozeßführung änderbar sein müssen, wie Sollwerte zu den Regelungen, Korrekturfaktoren für Meßgrößen und die Kennzeichnung einer Prozeßgröße als Merkmal für die Situationserkennung, d. h. den Prognosefilter und/oder einen lernfähigen Klassifikator (/1/ Möckel, B.; Bley, Th.; Böhme, B.; Heinritz, B.; Gerhardt, M.: Verfahren zur automatischen Steuerung von Prozessen der
biotechnischen Stoffwandlung auf der Basis einer hierarchischen Steuerstrategie. DD-VVPC12 Q/306778.3. 121 Möckel, B.; Bley, Th.; Böhme, B.: Cyclic control of continuous biotechnological processes on the basis of a hierarchical controlsystem. In: J.Systems Analysis-Modelling-Simulation (3) 1989).
Des weiteren enthält diese Kategorie alle Angaben zum aktuellen Prozeßzustand, wie Betriebsart (Batch-, Fedbatch-. Kontinuierlicher Betrieb), Steuerregime, Störungsmeldungen und Entscheidungshilfen (Beratung). In der Kategorie „Variabel" sind neben den aktuellen Werten der in „Konstant" aufgeführten Prozeßgrößen eine prozeßspezifische Anzahl vergangener Werte zur Trendermittlung enthalten.
Die Regelbasis-Il enthält das prozedurale Wissen zur Verarbeitung der in der gemeinsamen dynamischen Wissensbasis gespeicherten Informationen im Sinne einer umfassenden Störungserkennung und -Ursachenbestimmung (spezifische Sinnfälligkeitstests für alle Prozeßgrößen, Toleranztest für Regelgrößen und komplexe Auswertung der Einzelergebnisse). Treten Störungen in der Erfassung von Prozeßgrößen auf, die als Merkmale der Situationserkennung oder als Modellparameter spezifiziert sind, werden diese automatisch als Merkmale gestrichen bzw. der letzte sinnfällige Wert als Modellparameter beibehalten, um Fehlentscheidungen des Steuerungssystems zu vermeiden.
Eine wesentliche Grundlage für die Wissensbasis zur Bestimmung des optimalen Steuervektors (III) bilden Informationen, die über die Situationserkennung (Prognosefilter, lernfähiger Klassifikator) und Modellsimulatiorien gewonnen werden. Den Systemen wird zu den Abtastzeitpunkten gleichzeitig der in der gemeinsamen dynamischen Wissensbasis spezifizierte Merkmalbzw. Modellparametervektor übergeben. Durch die Modellberechnungen wird im wesentlichen die epigenetische Regulationsebene erfaßt, wogegen die Si'untionserkennung sowohl auf epigenetische und metabolische Regulationen als auch kurzzeitige Störungen der Milieubedingungen im Fermentor (z.B. Schwankungen im Substrat- oder Laugenzufluß), die unter anderem Einfluß auf die Verweilzeit der Mikroorganismen im Fermentor bzw. die Dauer der Phasen im Zellzyklus haben, reagiert. Als Prognosefilter wird im erfindungsgemäßen Verfahren der für den Einsatz unter Echtzeitbedingungen besonders geeignete Gaußliltor mit spoziellom Auslösemechanismus eingesetzt. Dieser Auslösemechanismus, der auf Änderungen des Trends der oinzelnon Prozoßgrößen anspricht, beruht auf der ständigen Bestimmung von Prognose- <SP(i)> und aktueller Stondardabwoichung <S(i)> allor Merkmale sowie dem Vergleich des Quotiontien <Q> dieser beiden Größen bezüglich des gosamton Morkmalvoktors mit oinom entsprechend dor Fishorvertoilung vorgegebenen Gronzwert <Q>.
Dor lornfähigo Klassifikator, dor oinon aktuellen Morkmalvektor oinor typischen Prozeßsituation zuordnet, kann im orfindungsgornäßon Vorfahren sowohl als Schworpunkt- als auch als Tronnobenonklassifikator gestaltet sein.
AIIo Elemonto dor Situationsorkonnung sind in /1/ und /2/ detailliert beschrieben.
Für dio Bestimmung dor oplimolon zyklischen Steuerung nach Modell werden in diesem Vorfahren ein strukturiertes Zustandsmodoll odor ein ähnliches, din Dynamik von Mikroorganismenpopulationen ausreichend beschreibendes Modoll, das zudem unter Echtzoitbedingungon mathematisch handhabbar ist, eingesetzt {121 sowie /3/ Bley, Th.; State-structure models of mlcrobial growth. Acta Biotechnol. 7 [1987|, S. 173).
Diirch-den Einsatz des erfindungsgemäßen wissensbasierten Steuerungssystems mit der oben beschriebenen Struktur (Multitaskingbetrieb der Strukturelemente) wird es möglich, komplexere, den Prozeß adäquater beschriebener Modelle anzuwenden, deren Abarbeitungszoiten für Simulationsrechnungen zur Bestimmung der opitmalen Steuerung bedeutend größer als die Abtastzeit sein können, wobei die Aussagen der Modellberechnung vom wissensbasierten System in Abhängigkeit vom Alter des Ergebnisses gewlchtet in die Entscheidungsfingung einbezogen werden. Im erfindungsgemäßen Verfahren besteht die Hauptaufgabe der Wissensbasislll zur Bestimmung der optimalen Steuerung in der komplexen Bewertung und Interpretation der durch die Situationserkennung und Modellsimulation erhaltenen Aussagen unter Einbeziehung von gesichertem heuristischen Wissen (Erfahrungswissen), das in Form von Regeln gespeichert ist sowie dor Auswertung von wichtigen auf den speziellen Prozeß abgestimmten Elementebilanzen biotechnischer Prozesse, wie vor allem Kohlenstoff-, Stickstoff- und Sauerstoff bilanz. Durch Berücksichtigung des prozeßspezifischen Wissens gelingt es, insbesondere die biologische Sinnfälligkeit von Steuerentscheidungen zu prüfen.
Diese Wissensbasis nutzt ein spezifisches Bewertungsschema (Punkttabelle), das die Gültigkeit bzw. Qualität der Aussagen der Teilsysteme quantifiziert.
Um ein kontinuierliches Bewertungsspektrum der Teilsysteme der Situationserkennung zu erreichen, werden neben der Ja-/Nein-Entscheidung bezüglich Zustandsänderungen des Prozesses beim Prognosefilter der jeweils aktuelle Wert des oben beschriebenen Quotienten (Q) und bei den lernfähigen Klassifikatoren die aktuelle Differenz der entsprechenden Klassenzugehörigkeitswerte Yo (vgl. IM, 121) in dieEntscheidungsfindung einbezogen. Der Wert γο wird nach folgender Beziehung bestimmt, beim unscharfen Schwerpunktklassifikator:
Y0 = Yk(D -Yk(2) mit
1 ti~H O)* -
1+Z UXi C j)-Ck, « (JMZf)* i*l,...XMAX
{Ck,i(i = 1 ...XMAX; k = 1....2,XMAX: Anzahl der Merkmale/Schwerpunkt des Elements Xt des Merkmalvektors bezüglich Klasse K), F (symmetrische Ausdehnung der Xi (i = 1... XMAX)), B (Faktur, um den sich der Zugehörigkeitswert an der Klassengrenze des Modalwertes verringert hat) und D (Pai ameter für den Grad der Unscharfe)) und beim Trennebenenklassifikator:
Yo = XT*W-B-A
{X: aktueller Meßwertvektor (Merkmalsvektor), W: Normalenvektor der Trennebene, B: Schwellenkomponente und A:
Ruckweisungszone}.
Kann durch sich widersprechende Informationen der zur Bestimmung des optimalen Steuervektors beteiligten Teilsysteme keine sichere Aussage zum Prozeßzustand und demzufolge zu Steuerung getroffen werden, erfolgt die Ausgabe eines Steuervorschlags über das Dialogmodul in Verbindung mit der Alarmierung/Aufforderung des Operators zur Bewertung dieses Vorschlags (Ablehnung/Annahme).
Der Operator ist jederzeit in der Lage, die automatische Ausgabe des Steuervekto's auf unbestimmte Zeit zu unterbrechen, so daß das System im off-line-Betrieb arbeitet, ohne den Steuervektor zu modifizieren.
Die Erfindung wird durch folgende Beispiele erläutert:
Der Hefestamm Candida maltosa wurde auf Saccharose in einem 10-l-Fermentur aerob und kontinuierlich gezüchtet. Die Saccharose wurde dem Formentor in wäßriger 5%iger Lösung zugeführt. Die wäßrige Nährsalzlösung enthielt pro Liter
8 000mg N als NH4CI 800mg K als K2CO3 800mg P als H3PO4 (85%) 160 mg Mg als MgSO4-7 H2O
und Spurensalzverbindungen in ausreichander Menge. Die Temperatur betrug 320C, der pH-Wert 4,2. Als Belüftungsrate wurden 501/kg h gowählt. Die Verweilzoit lag bei 4h. Nach einer partiellen Synchronisation durch ein Zeitregime (vgl.
WP DD 219036) erfolgte eine Steuerung mit dem erfindungsgemäßen Verfahren.
Es wurdon folgendo Prozeßgrößen durch das System ständig erfaßt und verarbeitet bzw. überwacht: Temperatur, Rührordrorunhl, Luftmongo, Masso; pH-Wort, Geiöstsauorstoffkonzentration und Biomassekonzentration im Fermentor, CO;- und O1-GoMaIt der Abluft, Durchflußmonge dor Substrat- und Laugenpumpe. Des weiteren gingen als off-line-Anolysonworlo dor gravimetrisch bestimmte HTS-Wert und die Substratkonzentration im Fermentor sowie die in der Wissensbasis III integrierte Kohlenstoff- und Sauerstoffbilanz in die Bestimmung der optimalen Steuerung ein.
Dio Wissonsbasislll zur Bosümmung der optimalen Steuerung konnte außerdem sowohl auf Ergebnisse der Modellsimulation zurückgroifon, woboi ein 3dimonsionales retardiertes Differentialgleichungssystem (vgl. BLEY et al., stud, hiophys. 98 (1983)
119) zur Anwondung kam, als auch dio Informationen dor Situationserkennung berücksichtigen.
Die Parameter des eingesetzten Gaußfilters lagen bei - R = 12 H = 4 Z = 3 V = 6-8
und die Parameter des Trennflächenklassifikators waren j
S = 2 N = 0,3
Trotz auftretender Prozeßstörungen konnte der Synchronisationsgrad der Population von 0,26 (boim Zeitregime) auf 0,35 erhöht werden. ;
Der Prozeß zeichnete sich durch eine schnelles Erreichen stabiler Perioden nach diesen Prozeßstörungen aus. In dan stabilsierten Phasen lag der Ertragskoeffizient bei Y = 0,55.
Die extrem thermophile Bakterienpopulation TP5/85 ZIMET 11093 wurde in einem Fermentor von 41 Nettovolumen
kontinuierlich im Chemostaten zur Biomassebildung fermentiert.
Das Medium hatte folgende Zusammensetzung:
| (NH4I2SO4 | 6,0 | g/i |
| KH2PO4 | 2,1 | g/i |
| MgSO4 χ 7 H2O | 1.1 | g/i |
| Hefeextrakt | 0,5 | g/i |
| Glucose | 30,0 | g/i |
| CuSO4X 5H2O | 0,14 | g/i |
| MnSO4 χ 4H2O | 0,12 | g/i |
| ZnCI2 | 0,07 | g/i |
| CoSO4 χ 7 H2O | 0,06 | g/i |
| FeCI3 | 0,001 g/l |
Die Temperatur betrug 70°C, der pH-Wert 6,9. Der Sauerstoffeintrag wurde bei einer Rührerdrehzahl von 1250min ' und einem l.uftdrucksatz von 100l/kgh Normluft gewährleistet.
Fermentiert wurde bei einer durchschnittlichen Durchflußrate von 0,83 h"' (nmax = 1,63 h~') und einer Substratrestkonzentration von 0,9-1,1, g/kg (K, = 2,2g/l).
Da es bei Prozeßstörungen zu Schwankungen bei der Kohlenstoffsubstratauszehrung kommen kann, wurde über die
Dosierpumpen die Verweilzeit gesteuert. Des weiteren sind Stickstofflimitationen möglich, die durch Steuerung der
Stickstoffsubstratdosierung schnell überwunden werden müssen.
Es wurden folgende Prozeßgrößen durch das System ständig erfaßt und verarbeitet Lvw. überwacht: Temperatur,
Rührerdrehzahl, Luftmenge, Masse; pH-Wert, Gelöstsauerstoffkonzentration und Biomassekonzentration im Fermentor,
CO2- und O2-Gehalt der Abluft, Durchflußmenge der Kohlenstoffsubstrat-, Stickstoffsubstrat- und Laugenpumpe. Des weiteren gingen als off-line-Analysenwerte der gravimetrisch bestimmte BTS-Wert, die Glukose-, Phosphor- und Stickstoffkonzentration im Fermentor sowie die in der Wissensbasis III integrierte Kohlenstoff-, Stickstoff- und Sauerstoffbilanz in die Bestimmung der optimalen Steuerung sin.
Die Wissensbasis-Ill zur Bestimmung der optimalen Steuerung erhielt ständig die Ergebnisse der Modellsimulation, wobei ein gewöhnliches dreidimensionales Differentialgleichungssystem verwendet (vgl. BLEY, Th. et al. stud, biophys. 78 [1980111)
wurde und die Meldungen der Situationserkennung.
Die Parameter des Gaußfilters waren:
R = 10 H = 3 Z = 3 V = 7
Die Parameter für den unscharfen Schwerpunktklassifikator lauten: B = 0,5 D - 2 F = 0,6
Folgende Prozeßkennziffern wurden erreicht:
Produktivität: r„ = 10,95g/kgh
Ertragskoeffizient·. Yx/S = 0,45 g/g
Biomassekonzentration: X = 13,14g/l
Substratrestkonzentration: S, = 0,8g/l
Claims (11)
1. Verfahren zur automatischen Steuerung von Prozessen der biotechnischen Stoffwandlung durch kontinuierliche oder teilweise kontinuierliche Züchtung von natürlich vorkommenden oder genetisch manipulierten Zellen auf allen verwertbaren C- und Energiequellen, dadurch gekennzeichnet, daß ein wissensbasiertes (d. h. auf Elementen der künstlichen Intelligenz beruhendes) on-line-Steuerungssystem, das in parallel arbeitenden Echtzeit- und Dialog-/ Beratungsmodulen mit jeweils spezifischem Aufgabenspektrum strukturiert ist und drei Wissensbasen (bzw. relativ selbständige Komponenten einer Wissensbasis) umfaßt, wobei die Wissensbasis-I als übergeordnete dynamische Wissensbasis die Kommunikationsbasis der beiden Module bildet und das deklarative Wissen zur Charakterisierung aller Prozeßgrößen und des aktuellen Prozeßzustandes aufnimmt, die Wissens- (Regel-) basis-ll die Regeln und Fakten zur Störungserkennung und -Ursachenlokalisierung enthält und die Wissens- (Regel-) basis-Ill unter Verwendung algorithmischer Software (Situationserkennung, Modellsimulation) zur Bestimmung des optimalen Steuervektors dient, zuverlässig Prozeßzustandsänderungen erkennt und flexibel im Sinne einer optimalen Prozeßführung auf diese reagiert bzw. die optimale Periodendauer bei Prozessen mit zyklisch angesteuerten Führungsgrößen bestimmt.
2. Verfahren nach Anspruch 1, gekennzeichnet durch ein Echtzeitmodul folgender Funktionen:
- schnelle Datenerfassung und gegebenenfalls Primärdatenverarbeitung,
- Anzeige und Speicherung der Daten (Meßwerte, Regelgrößen),
- Störungserkennung und -Ursachenbestimmung auf der Grundlage der entsprechenden Wissensbasis (II),
- Bestimmung der optimalen Steuerung auf der Grundlage der speziellen Wissensbasis (III), wobei durch die erfindungsgemäße Gestaltung dieser Wissensbasis sowohl die epigenetische und metabolische Regulationsebene der Mikroorganismen als auch kurzzeitige Störungen im Fermentationssystem, die unter anderem die Verweilzeit der Mikroorganismen im Fermentor bzw. die Dauer der Phasen im Zeüzyklus beeinflussen können, berücksichtigt werden und
- Ausgabe des Steuervektors.
3. Verfahren nach Anspruch !,gekennzeichnet durch ein Dialog-/Beratungsmodul folgender Funktionen:
Funktionen ermöglicht bzw. umfaßt:
- Eingabe und Speicherung der aktuellen Prozeßdaten (z. B. Sollwerte),
- Eingabe von off-line ermittelten Analysenwerten (mit Zeitpunkt der Probennahme),
- Steuereingriffe durch den Operator (zum beliebigen Zeitpunkt), wie Umschalten der Betriebsart, technologisch bedingte Parameteränderungen (z. B. Fördermengen von Pumpen, Sollwerte) und Änderung der Modellparameter bzw. der Kenngrößen der Situationserkennung,
- Ausgabe von Störungsmeldungen mit Angabe der möglichen Fehlerursache(n).
- grafische Auswertungen zum Prozeßverlauf,
- Beratung bei Änderung des Prozeßzustandes und
- Führen eines aktiven Dialogs (Rechneranfrage/Bedienerantwort) im Falle eines durch das Steuerungssystem nicht eindeutig bestimmbaren Prozeß- bzw. Reaktorzustandes.
4. Verfahren nach Anspruch 1 bis 3, ? jdurch gekennzeichnet, daß zur Implementierung der Steuerung ein Multitasking- oder dchtzeitbetriebssystem mit mindestens drei Kanälen oder eine äquivalente hardwareseitige Lösung eingesetzt wird.
5. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß in der gemeinsamen dynamischen Wissensbasis (I) das qualitative und quantitative Wissen zu den einzelnen Prozeßgrößen durch die Definition zusammengesetzter Objekte frameartig strukturiert gespeichert ist, wobei die Framestruktur der zeitlichen Gültigkeit der Informationen Rechnung trägt.
6. Verfahren nach Anspruch 1 und 5, dadurch gekennzeichnet, daß auf der Grundlage einer zweiten spezifischen Wissens- bzw. Regelbasis (II), die das prozedurale Wissen zur Verarbeitung der in der gemeinsamen dynamischen Wissensbasis enthaltenen aktuellen Prozeßinformation (aktueller Meßwertvektor, Prozeßzustand) und technologisch sowie physikalisch/technischen Angaben zu den einzelnen Prozeßgrößen enthält, eine umfassende Störungserkennung und -Ursachenlokalisierung durchgeführt wird.
7. Verfahren nach Anspruch 1,5 und 6, dadurch gekennzeichnet, daß auf der Grundlage einer dritten spezifischen Wissensbasis (III) der optimale Steuervektor automatisch bestimmt bzw. in technologisch-oder störungsbedingten Grenzfällen (nicht eindeutig bestimmbarer Prozeßzustand) dem Operator ein begründeter Vorschlag zur Steuerung offeriert wird, wobei die Bestimmung des optimalen Steuervektors auf der komplexen Bewertung und Interpretation der durch die Situationserkennung und Modellsimulation erhaltenen Aussagen unter Einbeziehung von gesichertem heuristischen Wissen (Erfahrungswissen), das in Form von Regeln gespeichert ist sowie der Auswertung von wichtigen auf den speziellen Prozeß abgestimmten Elementebilanzen biotechnischer Prozesse, wie vor allem Kohlenstoff-, Stickstoff- und Sauerstoffbiianz.
8. Verfahren nach Anspruch 1 bis 7, dadurch gekennzeichnet, daß bei Simulationsrechnungen zur Bestimmung der optimalen Steuerung als Modelle strukturierte Modelle, vorzugsweise Zustandsmodelle, eingesetzt werden, die die Dynamik einer Mikroorganismenpopulation speziell in der epigenetischen Reguldtionsebene ausreichend beschreiben und die Aussagen der Modellberechnung von der entsprechenden Wissensbasis (III) in Abhängigkeit vom Alter des Ergebnisses gewichtet in die Entscheidungsfindung einbezjgen werden.
9. Verfahren nach Anspnch 1 bis 8, dadurch gekennzeichnet, daß als lernfähige Elemente (Teilsysteme) der Situationserkennung ein Prognosefilter und ein Klassifikator zur Anwendung kommen, wobei zum Erreichen eines kontinuierlichen Bewertungsspektrums der Aussagequalität (-sicherheit) dieser Teilsysteme neben der eigentlichen Ja-/Nein-Entscheidung bezüglich Zustandsänderungen des Prozesses eine weitere, diese Entscheidung bewertende Größe in die Entscheidungsfindung einbezogen wird.
10. Verfahren nach Anspruch 10, dadurch gekennzeichnet, daß als Prognosefilter ein Gaußfilter (vgl. /1 /, 121) eingesetzt wird, wobei der jeweils aktuelle Wert des Quotienten <Q> als die Entscheidung des Gaußfilters bewertende Größe fungiert.
11. Verfahren nach Anspruch 10, dadurch gekennzeichnet, daß als lernfähiger Klassifikator ein Schwerpunktklassifikator (auf der Grundlage der Fuzzy-Theorie nach Zadeh) eingesetzt wird, wobei als die Entscheidung des Klassifikators bewertende Größe die aktuelle Differenz der entsprechenden Klassenzugehörigkeitswerte <Yd> in die Entscheidungsfindung einbezogen wird. Der Wert <Yd> wird nach folgender Beziehung bestimmt:
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| DD32275688A DD277701A1 (de) | 1988-12-07 | 1988-12-07 | Verfahren zur automatischen steuerung von prozessen der biotechnischen stoffwandlung auf der basis eines wissensbasierten on-line-steuerungssystems |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| DD32275688A DD277701A1 (de) | 1988-12-07 | 1988-12-07 | Verfahren zur automatischen steuerung von prozessen der biotechnischen stoffwandlung auf der basis eines wissensbasierten on-line-steuerungssystems |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| DD277701A1 true DD277701A1 (de) | 1990-04-11 |
Family
ID=5604715
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| DD32275688A DD277701A1 (de) | 1988-12-07 | 1988-12-07 | Verfahren zur automatischen steuerung von prozessen der biotechnischen stoffwandlung auf der basis eines wissensbasierten on-line-steuerungssystems |
Country Status (1)
| Country | Link |
|---|---|
| DD (1) | DD277701A1 (de) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE10354406A1 (de) * | 2003-11-19 | 2005-06-30 | Esa Patentverwertungsagentur Sachsen-Anhalt Gmbh | Anordnung zur Prozesszustandsklassifikation bei der Messdatenverarbeitung träger Eingangsgrößen |
| EP1624051A3 (de) * | 2004-08-03 | 2006-05-03 | Hochschule für abgewandte Wissenschaften Hamburg | Verfahren zur Vergärung von Biomasse |
| CN113454202A (zh) * | 2019-02-15 | 2021-09-28 | Cj第一制糖株式会社 | 确定生物反应器的操作条件的设备和方法 |
-
1988
- 1988-12-07 DD DD32275688A patent/DD277701A1/de not_active IP Right Cessation
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE10354406A1 (de) * | 2003-11-19 | 2005-06-30 | Esa Patentverwertungsagentur Sachsen-Anhalt Gmbh | Anordnung zur Prozesszustandsklassifikation bei der Messdatenverarbeitung träger Eingangsgrößen |
| DE10354406B4 (de) * | 2003-11-19 | 2013-07-11 | Steffen Patzwahl | Verfahren zur Prozesszustandsklassifikation bei der Messdatenverarbeitung träger Prozessgrößen |
| EP1624051A3 (de) * | 2004-08-03 | 2006-05-03 | Hochschule für abgewandte Wissenschaften Hamburg | Verfahren zur Vergärung von Biomasse |
| CN113454202A (zh) * | 2019-02-15 | 2021-09-28 | Cj第一制糖株式会社 | 确定生物反应器的操作条件的设备和方法 |
| CN113454202B (zh) * | 2019-02-15 | 2024-03-08 | Cj第一制糖株式会社 | 确定生物反应器的操作条件的设备和方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| DE69001174T2 (de) | Aerobe abwasserbehandlung mit alkalinitaetssteurung. | |
| Man et al. | Dissolved oxygen control strategies for the industrial sequencing batch reactor of the wastewater treatment process in the papermaking industry | |
| EP3296387A1 (de) | Verfahren zur überwachung von bioprozessen | |
| CN116393261B (zh) | 一种煤浆产品灰分智能调节与控制的系统及其控制方法 | |
| Honda et al. | Fuzzy control of bioprocess | |
| Baeza et al. | Knowledge-based supervision and control of wastewater treatment plant: a real-time implementation | |
| DD277701A1 (de) | Verfahren zur automatischen steuerung von prozessen der biotechnischen stoffwandlung auf der basis eines wissensbasierten on-line-steuerungssystems | |
| EP0414182B1 (de) | Vorrichtung zur Bestimmung der biochemischen Sauerstoffverbrauchsrate und deren Verwendung | |
| DE3139310C2 (de) | System zur Steuerung der Kultivierung von Mikroorganismen | |
| DE4415602C2 (de) | Prozeßführung der aeroben Abwasserbehandlung mit Hilfe eines Verfahrens und einer Anlage, die eine an der Substratabbaurate der Organismen ausgerichtete Steuerung/Regelung ermöglicht | |
| WO2012175701A1 (de) | Verfahren zur biogaserzeugung | |
| Motina et al. | Reducing over-consumption of acid during skim latex coagulation in cameroon’s rubber processing factories | |
| Hrnčiřı́k et al. | The BIOGENES system for knowledge-based bioprocess control | |
| EP2162527A1 (de) | Verfahren zur fermentation von zellkulturen | |
| Singh et al. | Understanding the role of multi-agent technology on quality of manufacturing organizations: A hybrid MCDM analysis | |
| DD264234A1 (de) | Verfahren zur automatischen steuerung von prozessen der biotechnischen stoffwandlung | |
| Eremenko et al. | Neural network based identification of ore processing units to develop model predictive control system | |
| EP0889950B1 (de) | Verfahren zur analyse von eigenschaften eines biologischen systems | |
| CN119717712B (zh) | 基于尾矿灰分在线反馈的浮选柱工艺智能控制方法及系统 | |
| DE10106312A1 (de) | Regelungsverfahren | |
| WO1999058479A1 (en) | Learning-based controller for biotechnology processing, and method of using | |
| WO2025224276A1 (de) | Verfahren und vorrichtung zum erzeugen von biogas | |
| Thornhill | Detecting faults in fermentation processes | |
| DE19917955A1 (de) | Verfahren und Vorrichtung zur Überwachung aerober umweltbiotechnologischer Prozesse | |
| Babu et al. | QFT Organizer Design for Class of Nonlinear Uncertain System Using Curve Shaping Technique |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| ENJ | Ceased due to non-payment of renewal fee |