Berulang Belajar Pengendalian polihidroksibutirat
Produksi dalam Reaktor Sequencing Batch
Seyong Jung, Jie Zhang
Sekolah Teknik Kimia dan Advanced Material
Newcastle University Newcastle
upon Tyne, UK
jie.zhang@newcastle.ac.uk
Abstrak Penelitian -Ini menyelidiki belajar berulang
kontrol reaktor sequencing batch untuk produksi polihidroksibutirat (PHB).
Untuk mengatasi efek dari ketidaksesuaian tanaman model dan gangguan yang
tidak diketahui, sebuah batch ke batch strategi pengendalian berulang
pembelajaran dengan model secara bertahap diperbarui dikembangkan. Batch
referensi diambil sebagai batch sebelumnya langsung dalam rangka mengatasi
nonlinier dan variasi proses. Setelah setiap batch, data proses operasi yang
baru diperoleh ditambahkan ke data base proses sejarah dan model linearised
diperbarui kembali diidentifikasi. Untuk mengatasi kolinearitas dalam data
modeling, komponen regresi pokok dan regresi kuadrat terkecil parsial
digunakan dalam mengidentifikasi model linearised batch-bijaksana. Teknik
yang diusulkan telah berhasil diterapkan untuk sequencing batch reactor untuk
produksi PHB.
Kata kunci-berulang kontrol belajar; PHB; proses batch yang; reaktor batch
sequencing; model linearised
SAYA. saya P ENDAHULUAN
Meningkatnya tren dalam penggunaan produk-produk yang tidak berbahaya
bagi lingkungan telah menyebabkan banyak studi yang menunjukkan bahwa
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
dengan keuntungan menjadi biodegradable. Beberapa bakteri hadir dalam buka
kultur campuran mikroorganisme dapat menyimpan jumlah intracellulary tinggi
PHB. polimer ini adalah senyawa karbon-storage, yang dapat digunakan
sebagai sumber karbon selama periode kurangnya substrat eksternal.
Pesta dan kelaparan rejimen adalah strategi dipelajari dengan baik untuk
pengayaan budaya mikroba campuran pada organisme yang mampu
menghasilkan jumlah tinggi PHB [1]. budaya disampaikan kepada bolak periode
ketersediaan substrat eksternal dan ketiadaan [2]. Pesta dan kelaparan strategi
menginduksi pemilihan kelompok yang relatif stabil populasi dengan kapasitas
penyimpanan yang tinggi dari PHB [3, 4]. Sayangnya, populasi dengan
pertumbuhan sel yang tinggi simultan dan tingkat spesifik yang tinggi sintesis
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
model mekanistik rinci digunakan dalam optimasi.
978-1-4799-8701-6 / 15 / $ 31.00 © 2015 IEEE.
rui Oliveira
Jurusan Kimia FCT / Universidade
Nova de Lisboa
2829-516, Caparica, Portugal
Kesulitan praktis yang dihadapi oleh industri
pelaksanaan strategi pengendalian yang optimal meliputi ketidaksesuaian tanaman model tidak dapat
dihindari dan adanya gangguan yang tidak diketahui. Baru-baru ini, berulang kontrol belajar (ILC) telah
digunakan dalam kontrol run-to-run proses batch untuk langsung memperbarui masukan lintasan [5-9]. ILC
berasal mengendalikan robot [10] dan telah dikembangkan sebagai teknik kontrol yang kuat untuk kontrol
proses berulang [11-13]. Ide dasar dari ILC adalah untuk memperbarui lintasan kontrol untuk menjalankan
batch baru menggunakan informasi dari berjalan bets sebelumnya sehingga output lintasan konvergen
asimtotik untuk lintasan referensi yang diinginkan. Penyempurnaan dari sinyal kontrol berdasarkan ILC
dapat secara signifikan meningkatkan kinerja pelacakan sistem kontrol. Zhang [7] mengusulkan batch
berbasis jaringan saraf untuk strategi pengendalian batch yang mana model linearised diperoleh dari
model jaringan saraf. Xiong dan Zhang [8] menyajikan jaringan saraf berdasarkan skema ILC berulang
untuk proses batch yang mana disaring berulang saraf 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 operasional proses. Xiong dan Zhang [8] menyajikan
jaringan saraf berdasarkan skema ILC berulang untuk proses batch yang mana disaring berulang saraf
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
operasional proses. Xiong dan Zhang [8] menyajikan jaringan saraf berdasarkan skema ILC berulang
untuk proses batch yang mana disaring berulang saraf kesalahan prediksi jaringan dari batch sebelumnya
ditambahkan dengan prediksi model untuk batch saat ini dan optimasi dilakukan berdasarkan prediksi
model varian gangguan yang diidentifikasi dari data operasional proses.
Makalah ini mengkaji menggunakan ILC untuk meningkatkan operasi
proses dalam reaktor batch sequencing untuk memproduksi PHB. Setiap batch
dari sequencing batch run terdiri dari beberapa siklus dalam urutan dengan
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
batch yang nonlinear,
hubungan antara
variabel dimanipulasi dan variabel kualitas produk kemudian dapat didekati
dengan model linier. model linearised diidentifikasi dari sequencing batch Data
operasi reaktor simulasi. Untuk mengatasi kolinearitas dalam mengolah data,
komponen regresi principal (RRC) dan kuadrat terkecil parsial (PLS) yang
digunakan dalam identifikasi model linearised.
Makalah ini disusun sebagai berikut. Bagian II menyajikan reaktor batch
sequencing untuk produksi PHB. Bagian III menyajikan batch ke batch control
belajar berulang berdasarkan model linearised. Hasil aplikasi untuk batch
sequencing
459
reaktor disajikan dalam Bagian IV. Bagian terakhir menarik beberapa Prinsip-prinsip reaktor sequencing batch ditunjukkan pada Gambar. 1.
kesimpulan.

II. SEBAGAI EQUENCING B ATCH R EACTOR UNTUK PHB

P roduksi

Sebuah sequencing batch reactor simulasi untuk produksi PHB dipelajari di

sini. Model reaktor dan simulasi diambil dari [1]. Sebuah sequencing batch
reactor digunakan untuk memproduksi PHB dalam sepuluh siklus per batch run.
Variabel yang dimanipulasi adalah asetat dan pakan amonia sebesar selama
Gambar. Prinsip 1 Operasi selama satu siklus dari proses SBR dasar
sepuluh siklus, dan kualitas produk adalah konten PHB pada akhir batch. SBR
dianggap mengisi dan menarik versi dari proses lumpur aktif yang dirancang
Reaksi metabolik untuk kultur campuran mikroorganisme yang digunakan dalam
untuk menerapkan dalam kondisi nonlinear, yang biasanya diterapkan ke dalam
pekerjaan ini terdiri dari reaksi berikut:
limbah dan pengolahan limbah. Karakteristik dari proses SBR terdiri dari
R 1: asetat Serapan
tahapan proses di seri berikut sebagai berikut: [14, 15]
CH 2
+ → CHO 0ATP
.5
+ O0. 5 2
OH
R 2: Pertumbuhan biomassa

1. 267 0. 5
+ 0. 2 +3 ATP K NH+ CHO
0. 3 2
OH→
1. Isi: Operasi mengisi melibatkan penambahan 1

substrat dan limbah untuk aktivitas mikroba. Siklus mengisi dapat

0 14 .
ON CH
02 .4
+ 0. 533 NADH 2
+ 0. 267 CO
2
ATP
dikendalikan oleh timer di sistem multi-reaktor, atau dengan float switch
R 3: Pernafasan
dengan volume yang ditentukan. Isi kali ini berbanding terbalik dengan laju
CHO + 0. 667 → CO OH + NADH 02 2+ .5 ATP
aliran masukan; sebagai hasilnya, modus diterapkan untuk mengendalikan 0. 5 2 2

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

tanaman yang memerlukan kontrol nutrisi. Sementara mempertahankan R 6: PHB Produksi

anaerobik atau bebas oksigen kondisi, mengisi statis akan melibatkan CHO 0. 5
+ 0. 25 2
→CH NADH
1.
O0 5 . 5
eksposur yang cukup mikroorganisme campuran dengan substrat. Kedua
R 7: degradasi PHB
pencampuran dan aerasi terjadi pada tahap pengisian reaksi.
1. 0 5. 5
+ ATP
0. 25O CH → CHO 0. 5
+ 0. 25 NADH 2

Model terpisah terdiri dari sejumlah populasi (NPOP) dengan konsentrasi

biomassa, X saya dan konten intraseluler PHB f PHB, i. Saldo bahan untuk
sequencing batch reactor adalah sebagai berikut. Dua persamaan pertama
2. Bereaksi: Tujuan dari langkah ini, yang terdiri dari pencampuran, adalah baik asetat dan amonia tingkat serapan masing-masing persamaan
aerasi, atau keduanya, adalah untuk menyelesaikan reaksi mengisi awal.
proses yang diinginkan mungkin memerlukan siklus bolak aerasi karena ini
terlibat dalam siklus mengisi. Panjang bereaksi fase mungkin tergantung
pada timer, kontrol level cairan dalam sistem multi-tangki atau ketika NPOP
s. aku PHB
.i
tingkat pengobatan yang diperlukan telah tercapai. = m+
Y q YM dt dS + s. aku
.X saya
(1)
BEI saya
=1
saya / / S
PHB
3. Settle: ini mirip dengan operasi konvensional dari
clarifier akhir, di mana pemisahan padat-cair terjadi pada fase NPOP
1
penyelesaian. Jumlah kondisi diam dalam SBR dapat menunjukkan =-
dt dN ( .
μ adalah . i ). X
μ + PHB saya
(2)
efisiensi yang lebih tinggi dari pemukim mengalir terus. Y / NX =1
saya

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
U k ( t) dan y k ( t) pada waktu pengambilan sampel yang berbeda dan v k = [ v kT ( 0),
v kT ( 1), ..., v kT ( N- 1)] T adalah vektor dari suara pengukuran.
Linearising non-linear model proses batch yang dijelaskan oleh Persamaan (4)
sehubungan dengan U s sekitar lintasan nominal ( U s,
Y s), berikut ini dapat diperoleh.
Ketika variabel masukan model berkorelasi, persamaan (14) memberikan
diandalkan estimasi parameter model sejak ( X T X) dekat dengan tunggal. Dalam hal ini
parameter model dapat diperkirakan dengan menggunakan PCR atau PLS.
Matriks X dapat didekomposisi menjadi jumlah dari serangkaian peringkat
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

1 = Xp 1). Komponen utama kedua adalah bahwa kombinasi linear dari

dimana b j adalah koefisien dari regresi linier dalam antara j variabel
kolom di X
laten th t j dan u j, yaitu

menjelaskan jumlah terbesar berikutnya variabilitas ( t 2 = Xp 2)

tunduk pada kondisi bahwa itu adalah ortogonal untuk komponen utama
utuu
jTj
pertama. komponen utama yang diatur dalam urutan penurunan b = (23)
j
variabilitas menjelaskan. Karena kolom di jTj
X sangat berkorelasi, yang beberapa komponen utama pertama dapat menjelaskan
sebagian dari variabilitas data dalam X.
Dengan cara ini, linear PLS menyediakan dekomposisi bilinear dari X dan
T Ti
k Y matriks menjadi beberapa peringkat-satu matriks. dekomposisi dapat
= kk + pt = EPTX i +E (16) didefinisikan sebagai produk antara setiap pasangan masukan nilai
=1
saya
vektor, t, dan diprediksi skor keluaran vektor, u, dan satu set yang sesuai
dimana T k = [ t 1 t 2 ... t k], P k = [ p 1 p 2 ... p k], k mewakili jumlah komponen utama untuk
input dan output beban vektor p dan q. Jumlah variabel laten tetap dapat
mempertahankan, dan E adalah matriks residual variasi unfitted.
ditentukan melalui validasi salib sebagai pemilihan jumlah komponen
utama dalam PCR.
Jika dulu k komponen utama memadai dapat merepresentasikan himpunan
data asli X, maka regresi dapat dilakukan pada pertama k komponen utama. Model
output diperoleh sebagai kombinasi linear dari yang pertama k komponen utama
B. Batch ke batch kontrol belajar berulang
dari X sebagai
Dalam merumuskan batch ke batch strategi pengendalian berulang belajar,
ˆ = XP w TY w (17) fungsi tujuan kuadrat berikut dianggap.
k= k

dimana w adalah vektor dari parameter model dalam hal komponen utama.

Kuadrat estimasi paling w aku s: J = min[2

1 + Qe e Δ+ 1
Tk
Δ URU ] (24)
k +1 + Tk 1 k +1 k +1
ΔU k +1

-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)

sehubungan dengan perubahan masukan Δ kU dan

+1
Jumlah komponen utama, k, untuk dipertahankan dalam model biasanya
ditentukan melalui cross-validasi [18]. Data ditetapkan untuk membangun melalui manipulasi langsung, hukum ILC berikut dapat diperoleh
model dipartisi menjadi satu set data training dan data uji. model PCR dengan
nomor yang berbeda dari komponen utama yang dikembangkan pada data
pelatihan dan kemudian diuji pada data pengujian. Model dengan kesalahan
=Δ = [e KU + -1 ] ts
QGRGQG (25)
k +1 Ts k s
pengujian terkecil kemudian dianggap memiliki jumlah yang tepat dari
komponen utama.
dimana G ˆs adalah model linearised diidentifikasi dari data operasi
proses sejarah. Hukum ILC untuk lintasan kontrol dapat ditulis sebagai
PLS memproyeksikan X dan Y matriks di atas untuk subset dari variabel laten, t dan
u, masing-masing.

+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

PHB akhir (C-mmol / l)

80
105

70

120
60

50 115
Asetat (C-mmol / l)

40

110
0 5 10 15 20 25 30
30
batch

20

Gambar. 2 Data historis untuk PHB akhir

10

Gambar. 3 menunjukkan kinerja pelacakan kesalahan dari ILC

30

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

siklus mol-ATP / (C-mol) 3,

masing-masing. Nilai-nilai parameter kinetik yang berbeda dari nilai-nilai nominal
1.3 yang sesuai dari 0,083 C-mol / (C-mol · h) dan 0,02 mol-ATP / (C-mol) 3. Gambar. 3
1.2 jelas menunjukkan bahwa ILC berdasarkan model MLR tidak dapat memberikan
1.1
kinerja yang memuaskan dalam hal itu gagal untuk melacak target yang diinginkan.
ILC berdasarkan PCR atau model PLS dapat meningkatkan konsentrasi PHB akhir
0,9 1
dari batch ke batch dan secara bertahap mendekati nilai target yang diinginkan. Hal
Amonia (N-mmol / l)

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

Gambar. 1 Data historis untuk asetat (atas) dan amonia (bawah)

141

Hal ini dapat dilihat bahwa jumlah maksimum PHB adalah

138.1595 C-mmol / l pada 20 th menjalankan batch. Dari data historis, data 140,5

pengujian diasumsikan dari 1 sampai 20 th

menjalankan batch dan data pengujian memberikan sisanya. 20 th kualitas 140
Yk (cmol / cmol)

produk didefinisikan sebagai data referensi. Dalam kondisi seperti model

dapat dibangun oleh tiga metode regresi, khususnya MLR, PCR dan 139,5

PLS. Program simulasi dikembangkan di MATLAB dengan kendala

makan tertentu dan model LTV. 139

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.

dinamis makanan kondisi". bioteknologi dan

Bioteknologi. 87 (2), hlm. 145-160, 2004. [4] LS Serafim, PC Lemos, C. Torres,
MAM Reis, AM Ramos, “Pengaruh parameter proses pada karakteristik
+ : MLR; *: PCR; o: PLS; ..:target polyhydroxyalkanoates yang dihasilkan oleh kultur campuran”. Makromolekul
141.5 Bioscience. 8 (4), pp.355-66, 2008. [5] F. Gao, Y. Yang, C. Shao, “Robust control
berulang belajar dengan aplikasi untuk proses injection molding”, Teknik Kimia Sains,
141 56, pp. 7025-7034, 2001. [6]

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