基于DO/pH测量的微生物流加培养过程的在线模式识别和控制的研究

摘要

本论文在pH-Stat法和DO-Stat法的基础之上建立起了一种新型的用于微生物营养物质流加的反馈流加方式：我们收集了大量pH-Stat法和DO-Stat法培养大肠杆菌和毕赤酵母时不同振动模式的pH和DO数据以及人为造成的基质过量时pH和DO的数据，为了得到DO和pH所有可能出现的变化模式，提高神经网络的通用性，在获得的pH和DO的数据上添加了大量随机噪音。将这些数据进行归一化后，利用Matlab数据处理软件建立起了两个人工神经网络(ANNs)识别模型，分别识别出了微生物流加培养过程中DO和pH的变化模式。利用人工神经网络识别模型对DO和pH变化模式的识别结果，依据设定的一套规则，较好地判别出了培养过程中葡萄糖是过剩还是匮乏。依据上述判别结果，编程利用程序可控蠕动泵在线自适应地调整营养物质的流加速率。离线的监测数据验证该种反馈流加方式可以较好地控制培养过程中葡萄糖的浓度。将该流加策略先后用于E.coliK12和PichiaPastorisKM71表达植酸酶基因工程菌的高密度培养，与pH-Stat流加方法相比较，在相同培养时间内，该种流加方式使得大肠杆菌菌体密度从36gDCW/L提高到56.7gDCW/L，菌体密度提高了50％；毕赤酵母菌体密度在诱导开始前提高了21％，植酸酶的表达量也有所提高。该种控制方法不需要昂贵的检测仪器，只需要pH和DO电极。这两种电极已普遍应用于工业生产中，操作简单、性能可靠。故该种流加方法易于用于工业化生产，有望为工业化生产外源蛋白提供一种新型的微生物高密度培养的方法。

目录

文摘

英文文摘

独创性声明及关于论文使用授权的说明

第一章 绪论

第二章建模数据的获取和ANN模式识别模型的建立

第三章ANN-PR-控制方式的建立

第四章ANN-PR-控制方式在毕赤酵母高密度培养中的应用

第五章结论与展望

参考文献

论文发表和撰写一览表

致谢

附录