简介

基本原理

相关研究

简介

罐批发酵又称倒种接种法，是对增大接种量发酵法的改进，是提高菌浓的有效、快捷的方法，但由于种子罐的体积已定，无法通过加大种子培养液的体积来增大接种量，因此选择通过倒种增大接种量，在生产实践中检验模型的预测能力。将对照与倒种的罐批发酵前期的菌群浓度与pH的最高值和最低值输入模型，预测60小时的价效，其结果见表三，相对误差为-2.5687%~+9.3267%，通过倒种法60小时价效比对照提高了35.3%，放罐时价效为33773价效单位/毫升，比对照组提高了11.8%。

基本原理

实现发酵生产过程的优化操作和控制，单凭经验或经典试验数据是无法满足要求的，因此有必要建立模型指导发酵过程的优化。一些难于在线检测的重要变量、如菌体浓度，底物浓度和产物浓度等可借助于已建立的数学模型，通过测量与其相关的其它可在线测量的变量，如废气中的氧气、氮氧化物和二氧化碳的含量、发酵液的温度、pH值和容氧浓度的变化等，得到在线的最优化估计。

相关研究

罐批发酵法从自发现开始，研究人员已行进了大量的改进，有关罐批发酵的相关究研文献综述如下：

产黄头孢霉(Acremonium chrysogenum)生长与头孢菌素C合成的数学模型最早是由Matsumura提出来的，建立了头孢菌素C合成与形态分化，内源甲硫氨酸诱导头孢菌素C合成与葡萄糖代谢物阻滞效应的结构离散型(segregated)模型。鉴于抗生素发酵难以建立精确的数学模型，无需精确模型的智能控制策略在抗生素发酵过程控制中得到了应用。

基于误差反向传播(Back propagation，BP)算法的多层前向神经网络(BP网络)已广泛用于发酵工业的培养基优化，连续搅拌反应器神经网络估计，分批发酵及补料分批发酵过程建模与控制优化。

Cruz等建立模型描述葡萄糖与蔗糖的利用速率与头孢菌素C的合成的关系，利用神经网络以早期的菌浓预测整个发酵过程的菌量。

Sliva等运用杂交神经网络，根据在线检测尾气中二氧化碳和氧的浓度，预测Cephalosporium acremonium发酵过程的菌体浓度，估计细胞的生长速率、底物的消耗速率和产物的生成速率。

李运锋等利用基于神经网络的滚动学习预报技术，实现了头孢菌素C产量、产物质量浓度和效益函数的超前预测，为发酵过程的动态控制和调度优化提供了理论支持。

有关头孢菌素C的合成已建立了很多模型，而且用发酵早期的菌浓进行预测也已有研究，但只用发酵早期的菌浓预测后期的菌量，并没有与产物合成关联起来。在头孢菌素C发酵过程放大的研究中，发现菌体早期的生长与产素的关系密切，因此本文采用BP神经网络技术利用发酵前期的大量数据建立效价的预估模型，实现了对头孢菌素C效价的预测，同时将该模型应用于实际生产。