Simulieren, Observieren, Kontrollieren

  • Abb. 1: Mikroskopisches Bild einer Pilzhyphe (A0 wachsende Spitze; A0 produzierender Hyphenkörper) und vereinfachte Darstellung der mathematischen Beschreibung des Penicillium chrysogenum Stoffwechsels. Durch Messungen einzelner Komponenten kann der wahrscheinlichste innere Zustand bestimmt werden.Abb. 1: Mikroskopisches Bild einer Pilzhyphe (A0 wachsende Spitze; A0 produzierender Hyphenkörper) und vereinfachte Darstellung der mathematischen Beschreibung des Penicillium chrysogenum Stoffwechsels. Durch Messungen einzelner Komponenten kann der wahrscheinlichste innere Zustand bestimmt werden.
  • Abb. 1: Mikroskopisches Bild einer Pilzhyphe (A0 wachsende Spitze; A0 produzierender Hyphenkörper) und vereinfachte Darstellung der mathematischen Beschreibung des Penicillium chrysogenum Stoffwechsels. Durch Messungen einzelner Komponenten kann der wahrscheinlichste innere Zustand bestimmt werden.
  • Abb. 2: Schritte zur Implementierung eines modellbasierten Beobachters übersetzt aus (Golabgir and Herwig 2015). Modell und Messungen die ein beobachtbares System ergeben werden mittels Filteralgorithmus verknüpft um präzise Vorhersagen zu erreichen.
  • Abb. 3: Vorhersage von Penicillin und der spezifischen Wachstumsrate in zwei Prozessen mit unterschiedlichen Messszenarien. Oben wurden zur Vorhersage die lückenhaften und verzögerten Messungen (Offline) zur Vorhersage verwendet. Unten wurde Produkt einmal mittels Raman- Spektroskopie (Online) gemessen und zur Vorhersage mit dem Modell verbunden (Vorhersage). Neben dem geringen Fehler zeigt die modellbasierte Vorhersage in beiden Fällen einen rauscharmen Verlauf.

Biotechnologische Prozesse, in denen mithilfe lebender Organismen oder biochemischer Reaktionen Wertschöpfung geschaffen wird, werden mehr und mehr zur Konkurrenz zur rein chemischen Produktion. Neben Vorteilen wie der Nutzung nachwachsender Rohstoffe und der Vermeidung giftiger Nebenprodukte hat die biotechnologische Produktion jedoch einen entscheidenden Nachteil, ihre Komplexität. Die Folge dieser Komplexität ist fehlende Prozessstabilität, welche zu Umsatz-Einbußen bis hin zum Verlust des Produktes führt.

Viele Reaktionen laufen gleichzeitig ab und beeinflussen einander, zahlreiche Faktoren spielen eine Rolle, nicht alle sind einfach und direkt messbar. Zu diesen Einflussfaktoren gehören beispielsweise Umgebungsbedingungen wie Temperatur, pH-Wert, gelöste Sauer- und Nährstoffe, aber auch physiologische Zustände der Zellen. Modellbasierte Vorhersagen ermöglichen die Reglung auf Größen, die nicht direkt gemessen werden. Dadurch können komplexe biotechnologische Prozesse besser unter Kontrolle gehalten werden. Am Beispiel eines Penicillin-Produktionsprozesses soll dies hier gezeigt werden.

Das bekannte Antibiotikum „Penicillin“ wird großtechnisch aus Penicillium chrysogenum-Pilzen extrahiert. Während des Prozesses ist es wichtig, lebendes Pilzmyzel zu vermehren und dieses zur Produktion des bakteriellen Abwehrstoffes anzuregen. Um dies zu erreichen, müssen die genannten Prozessbedingungen optimal sein, was durch die biologische Komplexität dieser Prozesse erschwert wird. Die sich ständig ändernden Bedingungen im Reaktor und die Nutzung kosteneffektiver, komplexer Nährstoffquellen (Maisquellwasser, Melasse, Molke usw.) führen zu Produktionsschwankungen und -ausfällen. Durch genaue Charakterisierung und gezielte Zugabe dieser Nährstoffe kann dem entgegengewirkt und der Prozess wieder unter Kontrolle gebracht werden. Woher weiß man jedoch, wie viel von einer gewissen Substanz gerade benötigt wird? Eine Probe ziehen, analysieren und darauf reagieren ist nicht nur kostenintensiv, sondern auch zeitlich verzögert. Eine Intervention kann hier bereits zu spät sein.

Entwicklung eines Wachstumsmodells

Penicillium chrysogenum ist ein prominenter Vertreter in der Biotechnologie.

Bereits seit Jahrzehnten erforscht, sind die biochemischen Wege der Penicillin-Produktion und des Wachstumsverhaltens gut beschrieben. Dieses Vorwissen kann man sich zu Nutze machen. Verpackt in einer mathematischen Beschreibung des Prozesses und Formulierung in einem Wachstumsmodell (Abb. 1) sind Vorhersagen möglich, auf deren Grundlage auch gehandelt werden kann. In Kombination mit Messungen und geeigneter statistischer Methoden ist die Vorhersage dann auch die Wahrscheinlichste. Am Beispiel der Penicillin-Produktion kann so die Produktmenge und das Wachstumsverhalten bestimmt und darauf reagiert werden.

Zur makroskopischen Be-schreibung des Organismus wurde ein kinetisches Differentialgleichungsmodell verwendet. Reaktionskinetik wurde aus der Literatur [1] übernommen und Parameter auf historische Prozessdaten durch Minimierung des Modellfehlers angepasst. Als Filteralgorithmus wurde ein Partikel-Filter implementiert. Diese sequentielle Monte Carlo-Methode schätzt durch Annäherung der simulierten Partikel die Verteilung der einzelnen Zustände im Prozessverlauf. Um die Beobachtungssysteme an laufenden Prozessen anwenden zu können, wurden Daten über eine OPC-Kommunikationsschnittstelle in Matlab (Mathworks) importiert. Für die Einbindung der Verzögerten Offline-Messungen musste der Filteralgorithmus adaptiert werden, um historische Zustände zum Zeitpunkt der Probennahme mitberücksichtigen zu können.

Um eine modellbasierte Lö-sung zu entwickeln, sind die in Abbildung 2 gezeigten Schritte notwendig. Wichtigste Zutat eines sogenannten Beobachters oder Softsensors, eine Kombination aus Software und Messsensoren, ist das Prozessmodell. Literaturrecherche, Modellanalyse und gezielte Validierungsexperimente für die Parameterbestimmung sind wichtige Instrumente in der Modellentwicklungsphase. Das für diese Studie verwendete Modell ist in Abbildung 1 vereinfacht dargestellt. Das Grundgerüst stammt aus Literaturstelle [1], wurde leicht adaptiert und prozessspezifische Parameter wurden bestimmt.

Beobachtbarkeit des Systems

Ist das Ziel die Prozessüberwachung oder Kontrolle, so spielt die Beobachtbarkeit eine entscheidende Rolle, denn sie bestimmt, ob im modellierten System die Zustände durch die vorhandenen Messungen rekonstruiert werden können. So können in dem in Abbildung 1 gezeigten Modell durch Messung von Vorläufermolekül (Precursor, POX), Penicillin (PEN) und der CO2-Bildungsrate (rCO2) sowie der Sauerstoffverbrauchsrate (rO2) die anderen Zustände bestimmt werden.

Ist das System beobachtbar, kann ein Filteralgorithmus eingesetzt werden. Diese meist auf Wahrscheinlichkeitsrechnung basierenden Methoden verbinden Modell und Messungen. Unabhängig davon, welcher Algorithmus hierzu verwendet wird, führen die Erhöhung der Anzahl und der Genauigkeit der Messungen zu einer Verringerung des Schätzfehlers. Durch redundante Messungen und Überbestimmung ist es auch möglich, eine reine Messung in Genauigkeit und Präzision zu schlagen. Wird die gewünschte Genauigkeit (oder Präzision) nicht erreicht, können andere Filteralgorithmen bzw. bessere Messtechnik verwendet werden. Ist das verwendete Modell ungeeignet bzw. nicht beobachtbar, sollte das Modell weiterentwickelt werden.

Zwei verschiedene Beobachtungssysteme wurden durch Anwendung dieser Schritte für den beschriebenen Penicillin-Produktionsprozess aufgesetzt, um sowohl gemessene als auch nicht gemessen Zustände vorherzusagen. Neben der Messung der Sauerstoff- und Kohlenstoff-Umsetzungsraten (rCO2; rO2), die durch Messung der Abgaszusammensetzung (BlueSens GmbH) bestimmt wurden, ist für die Beobachtbarkeit auch Produktinformation notwendig. Im Prozess kann diese mittels Raman-Spektroskopie gemessen werden [3]. Spektrale Information wird hierzu durch multivariate Datenmodelle in Produktinformation umgesetzt. Diese Information kann direkt oder als Messeingang für die Online-Schätzung verwendet werden (Abb. 3, unten). Spektroskopische Methoden haben großes Potential in der Prozessüberwachung, da sie Information in Echtzeit liefern können. Die mangelnde Spezifität, die hohen Anschaffungskosten und das Erstellen und Nachkalibrieren der Datenmodelle stehen dem jedoch als Nachteile entgegen.

Gegenwärtig sind Messungen aus einer repräsentativen Stichprobe für die Qualitätssicherung und Prozessüberwachung noch sehr wichtig. Aufgrund des Zeitverzugs zwischen Messung und Ergebnis nicht ganz trivial, aber möglich ist die Einspeisung dieser offline und lückenhaft gewonnenen Information in ein Beobachtungssystem [2]. Auch diese Information wurde in den genannten Prozess miteingebunden (Abb. 3, oben).

Ergebnisse

Die Ergebnisse der zwei verschiedenen Konfigurationen sind in Abbildung 3 gegenübergestellt. Unter Vernachlässigung der leichten Unterschiede in den darunterliegenden Modellen zeigen beide Beobachtungssysteme ähnlich gute Ergebnisse. So liegt der Fehler für das Produkt bei ca. 6%. Bei der rein Raman-basierten Messung sieht man jedoch ein erhöhtes Rauschen. Durch Koppeln dieser spektralen Information mit dem kinetischen Prozessmodell kann das Rauschen erheblich reduziert werden. Im oberen Bild ist die Konfiguration mit den lückenhaften Offline-Messungen gezeigt. Hier sieht man eine Anpassung (kleiner Sprung) zum Probennahmezeitpunkt. Die modellbasierte Vorhersage zwischen den Proben scheint jedoch vertrauenswürdig.

Neben der Produktbildung spielt die Wachstumsrate eine wichtige Rolle, da diese oft direkten Einfluss auf die Produktivität hat und daher oft ein Kontrollziel ist, welches eine Messung bzw. Schätzung bedingt.

Durch Fehlerfortpflanzung kann die spezifische Wachstumsrate jedoch nur sehr ungenau bestimmt werden, auch hier zeigt sich durch die modellgestützte Schätzung ein glaubwürdiger und glatter Verlauf, der auch eine Regelung ermöglicht.

Vorhersagen basierend auf diesen Beobachtungsystemen werden erfolgreich eingesetzt, um Prozesse in Forschung und Entwicklung sowie in der Produktion besser zu steuern. Durch kontinuierliche und stabile Abschätzung der Zustände kann automatische Prozesskontrolle erst realisiert werden. Für die Prozessüberwachung unterstützt es TechnikerInnen, die richtigen Entscheidungen zu treffen, die Prozessstabilität zu erhöhen und wettbewerbsfähig zu bleiben.

Autoren
Julian Kager1, Christoph Herwig1

Zugehörigkeit
1Institut für Verfahrenstechnik, Umwelttechnik und technische Biowissenschaften, TU Wien, Wien, Österreich

Kontakt 
Dipl. Ing. Julian Kager
Institut für Verfahrenstechnik
Umwelttechnik und technische
Biowissenschaften
TU Wien
Wien, Österreich
julian.kager@tuwien.ac.at

Referenzen

[1] Paul, G. C., Syddall, M. T., Kent, C. A., & Thomas, C. R. (1998). A structured model for penicillin production on mixed substrates. Biochemical engineering journal, 2(1), 11-21.

[2] Kager, J., Herwig, C., & Stelzer, I. V. (2018). State estimation for a penicillin fed-batch process combining particle filtering methods with online and time delayed offline measurements. Chemical Engineering Science, 177, 234-244.

[3] Golabgir, A., & Herwig, C. (2016). Combining mechanistic modeling and Raman spectroscopy for real‐time monitoring of fed‐batch penicillin production. Chemie Ingenieur Technik, 88(6), 764-776.

Mehr zum Thema Bioprozesstechnik

Kontaktieren

TU Wien

Wien
Deutschland

Jetzt registrieren!

Die neusten Informationen direkt per Newsletter.

To prevent automated spam submissions leave this field empty.