[发明专利]2-酮基-L-古龙酸工业发酵过程的补料优化方法有效
申请号: | 201010566182.0 | 申请日: | 2010-11-30 |
公开(公告)号: | CN102477465A | 公开(公告)日: | 2012-05-30 |
发明(设计)人: | 袁景淇;崔蕾;米造吉;崔永涛;谢萍;郭威;张志雄;王涛;许媛媛;颜英 | 申请(专利权)人: | 河北维尔康制药有限公司;上海交通大学 |
主分类号: | C12Q3/00 | 分类号: | C12Q3/00;C12P7/60 |
代理公司: | 上海航天局专利中心 31107 | 代理人: | 郑丹力 |
地址: | 050031 河*** | 国省代码: | 河北;13 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 酮基 古龙酸 工业 发酵 过程 优化 方法 | ||
技术领域
本发明涉及一种生物发酵过程优化补料的方法,具体涉及一种2-酮基-L-古龙酸发酵过程L-山梨糖的补料控制方法。
背景技术
维生素C(即L-抗坏血酸)是人体必需的营养物质,广泛用作辅助药物、食品、饮料和饲料添加剂。我国维生素C生产采用的是具有自主知识产权的二步法发酵工艺。第一步发酵过程中,L-山梨醇被黑醋酸杆菌转变为L-山梨糖。L-山梨糖在第二步发酵过程中经巨大芽孢杆菌(俗称大菌)和氧化葡萄糖酸杆菌(俗称小菌)混菌发酵生成维生素C的前体2-酮基-L-古龙酸(简称2-KGA)。最后,2-KGA经过化学烯醇化酸化被转化为维生素C。
第二步混菌发酵生产2-KGA是提高转化率和生产率的关键,也是本发明的研究对象。该发酵过程机理复杂、可重复性差,生产过程的波动大,使优化发酵的实施具有现实可行性。在传统2-KGA工业发酵过程中,初始发酵液含一定质量的山梨糖,发酵中期补糖一次,全程通过流加碱液来调节pH值,当发酵液中山梨糖浓度(残糖浓度)低于1g/L时发酵终止。其中,分配给各发酵批次的山梨糖量均相同,而不考虑该批次具体的发酵水平。
经过对现有技术的检索发现,中国专利CN 1431292A于2003年07月23日公开了一种生物发酵批过程的调度优化方法,该方法首先根据描述过程创利水平的定量评价指标-效益函数-对现行批次进行分类,确定参与调度的具体候选批次,确定下一既定停罐时刻应该优先停罐的批次。对于2-KGA发酵过程,停罐时间是由残糖浓度决定的,因此中国专利CN 1431292A不适用于该发酵过程的优化。但本发明采用了中国专利CN 1431292A中效益函数的概念。
发明内容
针对现有技术存在的上述不足,本发明所要解决的技术问题是提供一种2-酮基-L-古龙酸工业发酵过程的补料优化控制方法。补料优化控制是指在给定资源(如山梨糖、设备、通气量等)条件下,以最短生产时间获得最多的产物或效益,使给定资源得到最有效利用。本发明改变了传统的、各批次补料量固定(山梨糖资源平均分配)的生产方式(见附图1),重新确定山梨糖在各个运行批次中的补料方案,每个发酵批次通过对其重要过程变量的超前预报进行在线状态评估,获得发酵过程的在线运行状态,利用状态反馈信息来确定或调节该批次的补糖量。优势批次将进行第二次补料操作,分配更多的山梨糖,而对劣势批次将减少补糖量并及早停罐,从而使多反应器并列运行车间的碳源得到最有效利用。本发明改进后的发酵工艺流程图见附图2。
本发明是通过以下技术方案实现的,本发明应用基于人工神经网络的滚动学习预报技术获得发酵过程的重要变量,即产量以及效益函数的超前预报,然后根据效益函数的计算值和预报值评估发酵过程的运行状态,利用状态反馈信息来确定或调节该批次的补糖操作,即确定是否实施二次补料操作。
本发明具体包括以下步骤:
第一步、通过一步发酵罐进行发酵,生成山梨糖,流加给各个二步发酵罐作为二步发酵的底物。
第二步、通过二步发酵罐进行发酵,实时采集发酵过程的在线测量变量(如发酵液体积、pH值、通气量等)和离线分析数据(如残糖浓度、2-KGA浓度),通过数据处理和物料衡算,计算出反映发酵过程状态的关键变量-产量、效益函数。
第三步、通过对发酵过程关键状态变量-产量、效益函数的超前预报手段对发酵过程运行状态实时评估,分别确定出优势批次和劣势批次。
第四步、针对第三步中的优势批次的发酵对象实施补糖优化进行第二次补糖操作,具体步骤如下:首先预估第二次补料的量和如果进行补糖优化后的效益函数预报曲线,然后得出如果对发酵过程实施补料优化将产生的效益价格单位增量,若其值为正,则实施补糖优化进行第二次补糖操作。类似地,针对第三步中的劣势批次,减少该批次的补糖量及早停止发酵。发酵优化方法的实施步骤见附图3。
所述的对产量和效益函数进行提前预报是指:运用基于人工神经网络的滚动学习-预报技术对2-KGA发酵过程的关键状态变量-产量和效益函数-进行提前4h、8h预报,其中:神经网络训练库由历史批次的所有输入-输出向量对和当前被预报批次可获得的输入-输出向量对构成,随着被预报批次的发酵过程的进行,该批次新的向量对被充实到训练数据库中,即在线滚动更新训练库,进行新一轮学习与预报,当该批次发酵结束时依据统计分析原则离线更新历史训练库。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于河北维尔康制药有限公司;上海交通大学,未经河北维尔康制药有限公司;上海交通大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201010566182.0/2.html,转载请声明来源钻瓜专利网。
- 上一篇:用于籽晶轴传动装置的辅助驱动机构
- 下一篇:制备罗汉果苷Ⅳ的方法