Abstrak Penelitian -Ini menyelidiki belajar berulang Kesulitan praktis yang dihadapi oleh industri
kontrol reaktor sequencing batch untuk produksi polihidroksibutirat (PHB). pelaksanaan strategi pengendalian yang optimal meliputi ketidaksesuaian tanaman model tidak dapat
Untuk mengatasi efek dari ketidaksesuaian tanaman model dan gangguan yang dihindari dan adanya gangguan yang tidak diketahui. Baru-baru ini, berulang kontrol belajar (ILC) telah
tidak diketahui, sebuah batch ke batch strategi pengendalian berulang digunakan dalam kontrol run-to-run proses batch untuk langsung memperbarui masukan lintasan [5-9]. ILC
pembelajaran dengan model secara bertahap diperbarui dikembangkan. Batch berasal mengendalikan robot [10] dan telah dikembangkan sebagai teknik kontrol yang kuat untuk kontrol
referensi diambil sebagai batch sebelumnya langsung dalam rangka mengatasi proses berulang [11-13]. Ide dasar dari ILC adalah untuk memperbarui lintasan kontrol untuk menjalankan
nonlinier dan variasi proses. Setelah setiap batch, data proses operasi yang
batch baru menggunakan informasi dari berjalan bets sebelumnya sehingga output lintasan konvergen
baru diperoleh ditambahkan ke data base proses sejarah dan model linearised
asimtotik untuk lintasan referensi yang diinginkan. Penyempurnaan dari sinyal kontrol berdasarkan ILC
diperbarui kembali diidentifikasi. Untuk mengatasi kolinearitas dalam data
dapat secara signifikan meningkatkan kinerja pelacakan sistem kontrol. Zhang [7] mengusulkan batch
modeling, komponen regresi pokok dan regresi kuadrat terkecil parsial
berbasis jaringan saraf untuk strategi pengendalian batch yang mana model linearised diperoleh dari
digunakan dalam mengidentifikasi model linearised batch-bijaksana. Teknik
model jaringan saraf. Xiong dan Zhang [8] menyajikan jaringan saraf berdasarkan skema ILC berulang
yang diusulkan telah berhasil diterapkan untuk sequencing batch reactor untuk
untuk proses batch yang mana disaring berulang saraf kesalahan prediksi jaringan dari batch sebelumnya
produksi PHB.
ditambahkan dengan prediksi model untuk batch saat ini dan optimasi dilakukan berdasarkan prediksi
diperbarui. Xiong dan Zhang [9] mengusulkan batch ke batch strategi ILC menggunakan linearised waktu
model varian gangguan yang diidentifikasi dari data operasional proses. Xiong dan Zhang [8] menyajikan
Kata kunci-berulang kontrol belajar; PHB; proses batch yang; reaktor batch jaringan saraf berdasarkan skema ILC berulang untuk proses batch yang mana disaring berulang saraf
sequencing; model linearised kesalahan prediksi jaringan dari batch sebelumnya ditambahkan dengan prediksi model untuk batch saat
ini dan optimasi dilakukan berdasarkan prediksi diperbarui. Xiong dan Zhang [9] mengusulkan batch ke
batch strategi ILC menggunakan linearised waktu model varian gangguan yang diidentifikasi dari data
SAYA. saya P ENDAHULUAN
operasional proses. Xiong dan Zhang [8] menyajikan jaringan saraf berdasarkan skema ILC berulang
Meningkatnya tren dalam penggunaan produk-produk yang tidak berbahaya untuk proses batch yang mana disaring berulang saraf kesalahan prediksi jaringan dari batch sebelumnya
bagi lingkungan telah menyebabkan banyak studi yang menunjukkan bahwa ditambahkan dengan prediksi model untuk batch saat ini dan optimasi dilakukan berdasarkan prediksi
produk-produk petrokimia bisa diganti dengan polimer biodegradable. Polihidroksibutirat
diperbarui. Xiong dan Zhang [9] mengusulkan batch ke batch strategi ILC menggunakan linearised waktu
(PHB) adalah termoplastik dengan sifat yang mirip dari polypropylene tetapi model varian gangguan yang diidentifikasi dari data operasional proses.
dengan keuntungan menjadi biodegradable. Beberapa bakteri hadir dalam buka
Makalah ini mengkaji menggunakan ILC untuk meningkatkan operasi
kultur campuran mikroorganisme dapat menyimpan jumlah intracellulary tinggi
proses dalam reaktor batch sequencing untuk memproduksi PHB. Setiap batch
PHB. polimer ini adalah senyawa karbon-storage, yang dapat digunakan
dari sequencing batch run terdiri dari beberapa siklus dalam urutan dengan
sebagai sumber karbon selama periode kurangnya substrat eksternal.
kondisi awal yang berbeda dan kontrol. Dalam rangka mengatasi nonliearity
dalam reaktor sequencing batch, penyimpangan variabel proses dari lintasan
nonlinier nominal dianggap dalam pemodelan. Dengan menghapus lintasan
Pesta dan kelaparan rejimen adalah strategi dipelajari dengan baik untuk batch yang nonlinear,
pengayaan budaya mikroba campuran pada organisme yang mampu hubungan antara
menghasilkan jumlah tinggi PHB [1]. budaya disampaikan kepada bolak periode variabel dimanipulasi dan variabel kualitas produk kemudian dapat didekati
ketersediaan substrat eksternal dan ketiadaan [2]. Pesta dan kelaparan strategi dengan model linier. model linearised diidentifikasi dari sequencing batch Data
menginduksi pemilihan kelompok yang relatif stabil populasi dengan kapasitas operasi reaktor simulasi. Untuk mengatasi kolinearitas dalam mengolah data,
penyimpanan yang tinggi dari PHB [3, 4]. Sayangnya, populasi dengan komponen regresi principal (RRC) dan kuadrat terkecil parsial (PLS) yang
pertumbuhan sel yang tinggi simultan dan tingkat spesifik yang tinggi sintesis digunakan dalam identifikasi model linearised.
PHB yang belum dilaporkan dalam literatur. Dias [1] menyajikan sebuah studi
tentang penggunaan optimasi multi-tujuan dalam menemukan urutan kontrol
optimal dalam reaktor batch sequencing untuk memproduksi PHB. Sebuah Makalah ini disusun sebagai berikut. Bagian II menyajikan reaktor batch
model mekanistik rinci digunakan dalam optimasi. sequencing untuk produksi PHB. Bagian III menyajikan batch ke batch control
belajar berulang berdasarkan model linearised. Hasil aplikasi untuk batch
sequencing
P roduksi
1. 267 0. 5
+ 0. 2 +3 ATP K NH+ CHO
0. 3 2
OH→
1. Isi: Operasi mengisi melibatkan penambahan 1
siklus mengisi umumnya sederhana, dan berdasarkan volume reaktor. R 4: Fosforilasi oksidatif ATP
Banyak tahapan operasi termasuk dalam fase ini. Isi dapat statis dengan NADH 2
+ 0. 5 →2 2
OHO
+δ
berbagai modus kontrol, atau campuran, sesuai dengan reaksi dan
R 5: Pemeliharaan
mengisi. fill statis melibatkan pengenalan masuknya limbah tanpa aerasi
atau pencampuran. Pendekatan ini adalah yang paling umum pada
ATP M
→ ATP
4. Menggambar: Fase ini tuang mengklarifikasi limbah dari Dua persamaan terakhir adalah biomassa dan isi PHB intraseluler
reaktor. Hal ini dapat dicapai paling sering oleh mengambang atau bendung
masing-masing:
disesuaikan.
dX
5. Menganggur: ini adalah fase terakhir digunakan dalam aplikasi multi-basin. = ( .
μ+ μ PHB
. isi
- .
). XKiidi (3)
Hal ini ditujukan untuk sistem multi-basin untuk menyelesaikan siklus dt
mengisi sebelum beralih ke unit lain. Selain itu, akan ada bio-padat
pemborosan yang dihasilkan selama fase menganggur.
460
.
μ
PHB i PHB i PHB .i
∂ ( )
= Y q dt df+ m -- = sk
+ UUUUFYY
( - )+ + vw
KKSK
(10)
. i PHB X PHB
(4) ∂ kk
/ U s
( .
μ+ μ ). f
PHB. i PHB i S .i dimana w k = [ w kT ( 1), w kT ( 2), ..., w kT ( N)] T adalah urutan kesalahan Model karena
untuk i = 1, 2, ..., NPOP linearisasi (yaitu, karena negalecting lebih tinggi oder istilah) dan v k merupakan
efek dari kebisingan dan gangguan yang tidak terukur. Menentukan model
Ini saldo massa mendukung seluruh model yang ini bagian dari pekerjaan linearised G s sebagai
didasarkan pada dan persamaan diselesaikan untuk bekerja di luar parameter
kunci, seperti biomassa dan konsentrasi PHB intraseluler. ( )
s
(11)
∂=
∂ UUFG
U SKK
AKU AKU AKU. B ATCH TO B ATCH C Ontrol BERDASARKAN L INEARISED Struktur G s dibatasi untuk bentuk blok-segitiga lebih rendah untuk mengikuti
M odels karena kausalitas.
The batch ke batch berulang strategi pengendalian pembelajaran dikembangkan oleh
Xiong dan Zhang [9] dan secara singkat diperkenalkan di sini.
20 10
00
ggg
21
0
G = (12)
SEBUAH. model linearised untuk proses batch yang
s
Mempertimbangkan proses batch yang mana panjang menjalankan batch ( t f) adalah tetap
0 NN1
ggg
NN -1
dan terdiri dari N interval sampling (yaitu N = t f / h, dengan h
menjadi waktu sampling). Kualitas produk variabel (output), Model linearised dapat diidentifikasi dari data proses operasi historis
y ∈ R n ( n ≥ 1), dapat diperoleh off-line dengan menganalisis sampel yang diambil selama menggunakan MLR [9]. Untuk mengatasi proses drift, model linearised dapat
menjalankan batch dan variabel dimanipulasi, u ∈ R m
kembali diidentifikasi setelah setiap batch dengan data dari batch terbaru
( m = 1 di pekerjaan ini), dapat diukur pada baris setiap waktu sampling on. Kualitas ditambahkan ke data proses sejarah. Selanjutnya, lintasan kontrol dan variabel
produk dan kontrol lintasan didefinisikan, masing-masing, sebagai kualitas lintasan dari batch terbaru dapat digunakan sebagai lintasan referensi.
Y k = [ y kT ( 1), y kT ( 2), ..., y kT ( N)] T (5) Dalam banyak proses batch, kebijakan kontrol biasanya ditentukan untuk
mengoptimalkan kualitas produk pada akhir batch. Oleh karena itu, tindakan
U k = [ u k ( 0), u k ( 1), ..., u k ( N- 1)] T (6)
kontrol selama tahap-tahap yang berbeda dari batch biasanya berkorelasi. Dalam
dimana subscript yang k menunjukkan indeks batch. lintasan referensi yang kasus tersebut, model yang linearised yang tepat tidak dapat diperoleh dari MLR
diinginkan kualitas produk didefinisikan sebagai karena pengkondisian penganiayaan dari matix regressor data. Untuk mengatasi
kolinearitas antar variabel regresi, PCR atau PLS [17] dapat digunakan untuk
Y d = [ y dT ( 1), y dT ( 2), ..., y dT ( N)] T (7) mendapatkan model linearised lebih tepat.
Sebuah operasi batch biasanya dimodelkan dengan model dinamis, tapi itu
akan mudah untuk mempertimbangkan fungsi statis yang berkaitan urutan Sebuah pengantar singkat dari PCR dan PLS diberikan di sini. Rincian tentang
kontrol ke urutan kualitas produk selama durasi bets seluruh [16]. Karena PCR dan PLS dapat ditemukan di [17]. Mempertimbangkan model linear berikut
kausalitas, variabel kualitas produk pada waktu t, y k ( t), adalah fungsi non-linear
dari semua tindakan kontrol sampai dengan saat t, U k ( t) = [u k ( 0), u k ( 1), ..., u k ( t
y = x 1 θ 1 + x 2 θ 2 + ... + x n θ n (13)
1)] T, yaitu dimana y adalah keluaran model, x 1 untuk x n adalah input model, dan θ 1
untuk θ n adalah parameter model.
y k ( t) = f t ( U k ( t)) + v k ( t), t = 1, 2, ..., N, y k ( 0) = y 0 (8)
Mengingat satu set input dan output data, X dan Y masing-masing, parameter
dimana f t ( ⋅) merupakan fungsi non-linear antara U k ( t) model dapat diperoleh dari MLR sebagai
dan y k ( t) dan v k ( t) adalah pengukuran kebisingan pada waktu t. Persamaan (8) dapat ditulis dalam T - 1 T
= ( ) YXXX (14)
bentuk matriks sebagai
dimana = θ2 θ
(
θ n)
T
adalah vektor dari model estimasi
1
Y k = F (U k) + v k (9) parameter.
dimana F ( ⋅) merupakan fungsi statis non-linear antara Ketika variabel masukan model berkorelasi, persamaan (14) memberikan
U k ( t) dan y k ( t) pada waktu pengambilan sampel yang berbeda dan v k = [ v kT ( 0), diandalkan estimasi parameter model sejak ( X T X) dekat dengan tunggal. Dalam hal ini
v kT ( 1), ..., v kT ( N- 1)] T adalah vektor dari suara pengukuran. parameter model dapat diperkirakan dengan menggunakan PCR atau PLS.
Linearising non-linear model proses batch yang dijelaskan oleh Persamaan (4)
sehubungan dengan U s sekitar lintasan nominal ( U s, Matriks X dapat didekomposisi menjadi jumlah dari serangkaian peringkat
Y s), berikut ini dapat diperoleh. satu matriks melalui komponen utama dekomposisi.
461
k
Tj
= +2 1 1X
TT
+ ... +
TN
ptptpt (15) = quj Y + F (21)
2 N
j=1
Dalam persamaan di atas, t saya dan p saya adalah saya vektor skor th dan
Tujuan dari prosedur PLS adalah untuk menyesuaikan hubungan
pemuatan vektor masing-masing. Vektor skor yang ortogonal, juga
linear antara independen dan variabel dependen dengan melakukan
pemuatan vektor, selain mereka adalah satuan panjang. Pemuatan
biasa kuadrat regresi antara setiap pasangan yang sesuai t dan u vektor
vektor p 1 mendefinisikan arah variabilitas terbesar dan vektor skor t 1, juga
laten:
dikenal sebagai komponen utama pertama, merupakan proyeksi setiap
kolom X atas p 1. Komponen utama pertama adalah demikian bahwa
ˆ = btu j = 1, 2, ..., k (22)
kombinasi linear dari kolom di X menjelaskan jumlah terbesar variabilitas ( t jjj
dimana w adalah vektor dari parameter model dalam hal komponen utama.
-1 -1 TT
wkk T)k ) XP
T
= ( = (
YTTT kk TT k
XP YXP (18) dimana e k + 1 = Y d - Y k adalah kesalahan pelacakan untuk ( k + 1) th batch,
Q dan R adalah matriks yang pasti positif. Perhatikan bahwa fungsi tujuan, Persamaan
Parameter model pada persamaan (14) dihitung melalui PCR kemudian (11), memiliki jangka penalti pada perubahan masukan
Δ kU (=+U1 k + 1 - U k) antara dua berjalan batch yang berdekatan, algoritma memiliki
tindakan yang tidak terpisahkan sehubungan dengan indeks bets k [ 9].
-1 TT
= Pk w = ( XP )XPP
kk TT kk
YXP (19)
Dengan menemukan turunan parsial dari fungsi tujuan kuadrat Persamaan (24)
+1
= + ˆ e kk
KUU (26)
k k
Tj
= ptj X + E (20)
j=1
462
IV. R ESULTS rate dan koefisien pemeliharaan pada ATP yang mengalami gangguan.
Tiga puluh batch sejarah disimulasikan untuk produksi PHB. Jumlah
makan asetat dan amonia pada awal setiap siklus dalam satu batch run
dipilih sebagai sekitar 21, 33, 63, 47, 60, 21, 33, 63, 47 dan 60 C-mmol / l 140
untuk ADDHA dan sekitar 1 , 0,5, 1, 0,5, 1, 1, 0,5, 1, 0,5 dan 1 N- mmol / l
untuk ADDN. Waktu siklus yang ditetapkan untuk 5, 12, 9, 7, 3, 135
12, 9, 7 dan 3 jam. Data historis simulasi ditunjukkan pada Gambar. 1. 130
konsentrasi akhir dari PHB yang dihasilkan pada akhir setiap reaksi batch yang
ditunjukkan pada Gambar. 2. 125
70
120
60
50 115
Asetat (C-mmol / l)
40
110
0 5 10 15 20 25 30
30
batch
20
batch
10 20
berdasarkan model LTV tetap dengan gangguan terukur. Sini, PHB, max dan m ATP untuk
0
8 9 10
batch dengan gangguan dipilih sebagai 0,06 C-mol / (C-mol · h) dan 0,04
1 2 3 4 5 6 7
0,8
ini disebabkan fakta bahwa model MLR tidak tepat karena kolinearitas yang kuat
0,7
dalam data masukan model. Karena kehadiran gangguan yang tidak diketahui dari
0,6
16 th batch, dapat dilihat bahwa konsentrasi produk menurun dalam 16 th batch.
0,5
Namun, batch untuk ILC bets berdasarkan PCR atau PLS model berhasil
0,4
meningkatkan konsentrasi PHB akhir dari batch ke batch.
10 20 30
batch
0 9 10
1 2 3 4 5 6 7 8
+: MLR; *: PCR; o: PLS; ..:target
siklus
141.5
138,5
Nilai kualitas produk yang diinginkan ditetapkan pada 141 C- mmol / l,
yang sedikit lebih tinggi dari kualitas produk referensi. gangguan yang tidak
138
diketahui diterapkan dari 16 th batch yang dijalankan dengan memberikan nilai 0 5 10 15 20 25 30
Nomor batch
yang berbeda dalam parameter kinetik termasuk produksi PHB spesifik
maksimum Gambar. Konsentrasi 3 PHB bawah ILC berdasarkan model LTV tetap
463
[1] JML Dias, Metabolik Modeling dan Optimalisasi Polyhydroxyalkanoates Produksi
Gambar. 4 menunjukkan bahwa kinerja ILC dengan model batch-bijaksana Budaya Mikroba Campuran. PhD Thesis, Universidade Nova de Losboa, 2008. [2] M.
diperbarui. Hal ini dapat dilihat bahwa ILC berdasarkan PCR atau PLS model memberikan Majone, K. Dircks, JJ beun, “penyimpanan aerobik dalam kondisi dinamis dalam
kinerja pelacakan yang sangat baik. ILC berdasarkan model MLR bijaksana diperbarui proses lumpur aktif. The keadaan seni”. Sains air dan Teknologi. 39 (1), pp. 61-73,
batch-memberikan kinerja kontrol yang lebih baik dari itu berdasarkan model MLR tetap, 1999. [3] LS Serafim, PC Lemos, R. Oliveira, MAM Reis, “Optimasi produksi
meskipun tidak sebagus yang didasarkan pada batch-bijaksana diperbarui PCR atau PLS polihidroksibutirat oleh kultur campuran diserahkan kepada aerob
model.
140,5
IS Chin, KS Lee, JH Lee, “Sebuah teknik untuk pengendalian terpadu kualitas, kontrol
profil, dan kendala penanganan untuk proses batch”, Ind. Eng. Chem. Res., 39, pp.
140
693-705, 2000. [7] Zhang J., “A saraf strategi berbasis jaringan untuk batch-to-terpadu
Yk (cmol / cmol)
139,5
kontrol batch dan dalam kendali batch proses batch”, Transaksi dari Institut
Pengukuran dan Kontrol, 27 (5), pp. 391-410, 2005. [8] Xiong Z., J. Zhang,
139 “Batch-to-batch control optimasi berulang berdasarkan
pada model jaringan saraf berulang”, Journal of Process Control, 15 (1), pp. 11-21, 2005.
138,5
[9] Z. Xiong, J. Zhang, “Kualitas produk lintasan tracking dalam proses batch dengan
menggunakan kontrol belajar berulang berdasarkan model gangguan waktu bervariasi”, Ind.
Eng. Chem. Res., 42 (26), pp. 6802-6814,
138
0 5 10 15 20 25 30
Nomor batch 2003.
[10] S. Arimoto, S. Kawamura, dan F. Miyazaki, “memperbaiki operasi robot dengan belajar,”
Gambar. Konsentrasi 4 PHB bawah ILC berdasarkan model LTV yang diperbarui
J. Robot. Syst., 1, pp. 123-140, 1984. [11] KL Moore, Iteratif Kontrol Belajar untuk
Deterministic Systems. London: Springer-Verlag, 1993. [12] DA Bristow, M. Tharayil, dan
AG Alleyne, “Sebuah survei kontrol belajar berulang”. IEEE Sistem Pengendalian
Magazine, 26, pp. 96-114,
V. C ONCLUSIONS
2006.
Batch ke batch kontrol belajar berulang produksi PHB dalam reaktor
[13] K. Galkowski, E. Rogers, S. Xu, J. Lam, DH Owens, “LMIS - Sebuah alat fundamental
sequencing batch dikaji dalam tulisan ini. ILC dilakukan berdasarkan dalam analisis dan kontroler desain untuk proses berulang-ulang diskrit linier”,
batch-bijaksana model linearised diperbarui diidentifikasi dari data Transaksi IEEE pada Sirkuit dan Sistem I: Teori Fundamental dan Aplikasi, 49 (6), pp.
operasional proses. PCR dan PLS dapat mengatasi kolinearitas mungkin 768-778, 2002. [14] M. Singh, dan RK Srivastava, “teknologi reaktor Sequencing batch
antara tindakan kontrol selama tahap-tahap yang berbeda dari batch dan biologi pengolahan air limbah: review”., Asia-Pacific Journal of Teknik Kimia, 6 (1), pp
3-13, 2011. [15] LK Wang, dan NK Shammas, “teknologi reaktor Sequencing batch”,
mengidentifikasi model yang lebih sesuai. Melalui update batch-bijaksana
Lingkungan Bioteknologi, 10, pp. 721-747, 2010. [16] KS Lee, IS Chin, HJ Lee, dan JH
dari model linearised, model dapat beradaptasi dengan proses variasi dan
Lee, Model teknik kontrol prediktif dikombinasikan dengan kontrol belajar berulang
lebih tepat untuk kondisi operasi saat ini. untuk batch yang memproses AIChE J., 45, pp. 2175-2187, 1999. [17] P. Geladi dan
BR Kowalski, “Partial kuadrat regresi: tutorial”., Analytica Chimica Acta, 185, pp 1-17,
1986. [18] S. Wold, “estimasi validatory Salib jumlah komponen dalam faktor dan
SEBUAH CKNOWLEDGMENT pokok model komponen”, Technometrics, 20, pp. 397-
Karya ini sebagian didukung oleh Uni Eropa (Project ada. 026515- 2 dan
PIRSES-GA-2.013-612.230).
404, 1978.
R EFERENCES
464