Содержание к диссертации
Введение
Глава 1. Анализ подходов к решению задачи синтеза интеллектуальных систем управления биотехнологическими объектами стадии ферментации 27
1.1 Анализ факторов неопределенности информации при управлении процессом ферментации 27
1.2 Анализ особенностей процессов стерилизации и ферментации как объектов управления 30
1.3 Анализ и обоснование выбора задач управления процессами стерилизации и ферментации с учетом технологических рисков 34
1.4 Анализ состояния вопросов автоматического регулирования и управления процессами стерилизации и ферментации 48
1.5 Выбор и обоснование критериев оптимальности для решения задач управления процессами стерилизации и ферментации 62
1.6 Постановка задач исследований 67
Выводы по главе 1 71
Глава 2. Разработка САУ процессами ферментации с использованием метода аппроксимирующих преобразований 74
2.1 Выбор и обоснование критерия управления процессом ферментации 74
2.2 Метод аппроксимирующих преобразований в задачах управления и моделирования процессов ферментации 81
2.3 Синтез САУ подачей субстрата и отбором продукта в непрерывном ферментаторе с использованием аппроксимирующих нелинейных функций.. 93
2.4 Разработка САУ непрерывным процессом ферментации по каналам управления субстратом и продуктом с использованием комбинации аппроксимирующих нелинейных функций 100
2.5 Синтез робастной помехозащищенной системы стабилизации температуры в ферментаторе с нелинейностью на входе регулятора 104
2.6 Анализ функционирования нелинейной САУ с аппроксимирующей функцией управления и обоснование возможности адаптационной коррекции АНФ-регуляторов 118
Выводы по главе 2 132
Глава 3. Синтез и анализ интервальных САУ биотехнологическими объектами с запаздыванием в условиях неопределенности 135
3.1 Синтез и анализ робастной интервальной САУ процессом ферментации 135
3.2 Синтез интервальной САУ ферментатором по каналу регулирования температуры с параметрической адаптацией ПИД-регулятора 151
3.3 Метод построения робастной САУ интервальным БТО с переключаемым управлением с использованием принципа гарантируемой динамики.. 158
Выводы по главе 3 166
Глава 4. Разработка САУ процессом в ферментаторе периодического действия с нечеткими регуляторами 168
4.1 Анализ влияния функции принадлежности и базы правил на характеристики нечеткого регулятора 168
4.2 Аналитический метод синтеза нечетких регуляторов с применением аппроксимирующих нелинейных функций для построения САУ процессом ферментации 173
4.3 Синтез и анализ нечеткой САУ температурой ферментатора периодического действия 176
Выводы по главе 4 198
Глава 5. Построение интеллектуальных двухконтурных САУ процессами ферментации с использованием аппроксимирующего, нечеткого и нейросетевого управлений 202
5.1 Разработка двухконтурной САУ с регуляторами на базе нечеткой логики и с аппроксимирующим законом управления 202
5.2 Модифицированный метод идентификации регрессионной модели для анализа соотношения параметров нейронной сети и показателей качества процесса управления 211
5.3 Разработка двухконтурной САУ процессом ферментации с регулятором основного контура системы на базе нейросетевой технологии 218
5.3.1 Исследование программной двухконтурной САУ температурой процесса ферментации с нейросетевым регулятором во внешнем контуре 222
5.4 Анализ возможности построения основного контура САУ процессом ферментации с идентификатором переменных состояния при не измеряемых внешних возмущениях 230
Выводы по главе 5 237
Глава 6. Построение САУ биотехнологическими процессами с нейро-нечеткими регуляторами 239
6.1 Выбор типа гибридных нейро-нечетких систем для управления биотехнологическими процессами 239
6.2 Разработка нейро-нечеткой САУ подачей субстрата и отбором продукта в непрерывном процессе ферментации 242
6.3 Разработка нейро-нечеткой САУ температурой непрерывного процесса выращивания биомассы в ферментаторе 253
6.4 Разработка нейро-нечеткой САУ процессом аэрации в ферментаторе периодического действия с учетом дифференциации режимов роста биомассы и биосинтеза продукта 262
6.5 Разработка гибридной нейро-нечеткой системы управления процессом непрерывной стерилизации питательных сред 280
6.6 Рекомендации по применению методологических основ создания АСУ биотехнологическими процессами 290
6.7 Техническая реализация автоматизированной системы управления биотехнологическими процессами 297
Выводы по главе 6 304
Заключение 307
Список литературы 312
Приложение А. Модифицированный ПИД-регулятор 343
Приложение Б. Функциональная схема автоматизации периодического процесса ферментации 344
Приложение В. Функциональная схема автоматизации непрерывного процесса ферментации 345
Приложение Г. Структурная схема комплекса технических средств автоматизации периодического процесса ферментации 346
Приложение Д. Структурная схема АСУ периодическим процессом ферментации 347
Приложение Е. Акты об использовании и внедрении результатов диссертационной работы 348
- Анализ и обоснование выбора задач управления процессами стерилизации и ферментации с учетом технологических рисков
- Синтез и анализ робастной интервальной САУ процессом ферментации
- Модифицированный метод идентификации регрессионной модели для анализа соотношения параметров нейронной сети и показателей качества процесса управления
- Техническая реализация автоматизированной системы управления биотехнологическими процессами
Анализ и обоснование выбора задач управления процессами стерилизации и ферментации с учетом технологических рисков
Cтадия стерилизации питательных сред, которая осуществляется непрерывным способом в пароконтактном нагревателе и выдерживателе, представляет собой одну из начальных процессов стадии ферментации. Значительные капитальные и эксплуатационные вложения, характерные для систем ферментации производств фармацевтической, медицинской и микробиологической промышленности, связаны с использованием дорогостоящего оборудования и значительными энергетическими затратами. Поэтому синтез эффективных систем автоматического управления (САУ) процессами ферментации, особенно в производствах импортозамещающих лекарств и биопрепаратов, в условиях увеличения стоимости энергоносителей и сырья, является важной проблемой. В статье специалистов немецкой фирмы Sartorius BBI Systems GmbH [28] по анализу и управлению рисками, отмечено, что использование системы управления рисками, совместно с системой управления процессом ферментации, позволяет повысить эффективность управленческих решений. В то же время анализ существующих систем автоматизации и управления процессами ферментации показывает, что практически на этапе проектирования автоматизированных систем управления биотехнологическими процессами (АСУ БТП) при выборе и обосновании первоочередных задач по управлению не рассматриваются возможные риски от потери управления. В связи с чем не представляется возможным выявить влияние каждого из решений на общую эффективность в силу их агрегативного (совместного) влияния.
В таких случаях для проведения сравнительного анализа и выбора наиболее значимых задач управления в проектируемых АСУ БТП следует воспользоваться попарным сравнением рисков от потери управления.
Рассмотрим виды технологических рисков при управлении биотехнологическими процессами стадии ферментации [29, 30]. К настоящему времени выполнен ряд работ, посвящённых моделированию процессов ферментации и их оптимизации. В то же время не во всех работах учитывается то, что существенную часть времени ферментатор работает в нестационарном режиме, который не является оптимальным. Дифференциация этого режима обусловлена необходимостью проведения подготовительных операций и процессов, распределенных во времени и по аппаратам стадии ферментации. Системный анализ стадии ферментации периодического характера, выполненный на основе модульного принципа организации технологических систем [31, 32], позволил все технологические операции разделить на пять классов: тепловая стерилизация среды, охлаждение среды до оптимальной рабочей температуры ферментации, стерилизация оборудования и элементов обвязки ферментатора, собственно ферментация (биосинтез) и захола-живание содержимого в ферментаторе по окончанию процесса ферментации до температуры 18 0С. Для наглядности этапы биотехнологической системы представлены на рисунке 1.2.
Общность этих операций и процессов для периодических производств медицинской, фармацевтической и микробиологической промышленности дает основание унифицировать операции и процессы ферментации по функциональному признаку и обосновать перечень задач управления. К основному такому процессу стадии ферментации относится тепловая стерилизация питательной среды на установке непрерывной стерилизации (УНС), необходимая для обеспечения стерильных условий проведения процесса ферментации. К сожалению, в АСУ БТП ферментации, как правило, отсутствуют системы управления подготовительными процессами стадии ферментации, в том числе процессом стерилизации. Между тем нарушение стерильных условий процесса ферментации, приводящее к остановкам производства и проведению сверхнормативных операций стерилизации после остановок производства, связано со значительными затратами, а производственные потери ценного сырья и энергоресурсов от них могут быть велики.
Для крупнотоннажных производств тепловая стерилизация питательных сред и оборудования, вывод на оптимальный температурный режим путем доохлажде-ния среды в биореакторах перед началом ферментации оказывают заметное влияние на многие стороны функционирования системы ферментации. Неэффективная работа САУ процессами стерилизации и ферментации ведет к неоправданному износу технологического оборудования и нерациональному расходованию всех видов производственных ресурсов. Вместе с тем стадия стерилизации имеет весьма существенный резерв для повышения эффективности ферментации за счет оптимизации управления этой стадией. Обоснованием источников эффективности задач оптимизации режимов проведения стерилизации являются следующие критерии:
- повышение качества стерилизации за счет гибкости управления путем воздействия на входные потоки в нагреватель;
- снижение потерь прибыли, связанных с затратами, производственными потерями сырья и энергоресурсов в случае проведения сверхнормативных циклов стерилизации по причине инфицирования процесса ферментации и аварийного останова производства;
- оптимальное завершение цикла стерилизации питательной среды за счет минимизации времени охлаждения среды перед началом процесса ферментации при ограничении на управление и на величину перерегулирования по температуре среды в ферментаторе.
Оптимальные условия протекания процессов ферментации в промышленных аппаратах-ферментаторах создаются с помощью режимов, которые обеспечиваются функционированием систем управления на разных взаимосвязанных этапах ферментационного процесса (рисунок 1.2). При отклонении режимов от оптимальных на каждом из этапов ферментации возможны риски. Их можно разделить на следующие группы [32]:
1) риск инфицирования культуры посторонней микрофлорой в случае некачественной стерилизации питательной среды, ферментаторов и оборудования;
2) риск потери управления процессом ферментации в случае, когда скорость роста биомассы микроорганизмов лимитируется низкой концентрацией компонентов питательной среды, например, концентрацией углеродного субстрата, либо недостатком в среде растворенного кислорода для аэробных культур. Лимитирующим фактором при культивировании может быть избыток растворённого в среде газообразного продукта метаболизма - углекислого газа;
3) риск перегрева среды в ходе тепловой стерилизации и перегрева культуры микроорганизмов в ходе ферментации, сопровождающейся тепловыделением. Процесс стерилизации питательной среды производится на УНС подачей «острого» пара под давлением в нагреватель с последующей выдержкой в аппарате-выдерживателе. Важное требование к процессу тепловой стерилизации состоит в том, что питательная среда не должна быть перегрета, так как в противном случае происходит деструкция таких ее компонентов как витамины и аминокислоты, что приводит к замедлению роста культуры и падению продуктивности процесса ферментации. Стерилизация аппарата-ферментатора при невысоком качестве САУ УНС является главной причиной нестерильности или перегрева питательной среды, а ошибки оператора при стерилизации паром всех элементов обвязки ферментатора – основная причина нестерильности оборудования.
Рассмотренные выше риски связаны с заражением культуры в ферментаторе. Для этих рисков характерны наиболее серьезные экономические потери. Поэтому рассмотрим их более подробно. В качестве основных выделим следующие:
1. Риски, связанные с нестерильностью или «перегревом» питательной среды – R11.
2. Риски, связанные с заражением культуры в ферментаторе – R12.
3. Риски, связанные с отсутствием стерильности ферментатора – R13 .
4. Риски, связанные с нестерильностью обвязки ферментатора – R14.
5. Риски, связанные с нестерильностью воздуха, подаваемого на аэрацию в ферментатор – R15.
Обоснованный выбор рационального решения по управлению процессом связан с оценкой наиболее значимого риска из приведенных групп. Сравнение и получение оценок проведем с помощью метода анализа иерархий (МАИ) [33]. В МАИ для парного сравнения показателей использована шкала оценки, которая содержит в себе числовые показатели от 1 до 9 и обратные им величины [34]. Экспертные суждения выражаются в целых числах 9-ти балльной шкалы в соответствии с таблицей 1.1.
Синтез и анализ робастной интервальной САУ процессом ферментации
Для современных подходов к совершенствованию систем управления БТО характерным является многообразие требований к синтезируемой системе, неконтролируемость возмущений и неполнота информации, что неизбежно приводит к тому, что реальные задачи разработки систем приходится решать в условиях неопределенности. В связи с этим независимо от способа получения моделей все они являются приближенными и упрощенными. Неточность используемых моделей в реальных условиях обусловлена целым рядом причин. В частности, при построении модели обычно ограничиваются учетом наиболее существенных факторов, что приводит к огрублению модели. Например, при создании адаптивных систем управления выявляют один или два наиболее существенных параметра, изменение которых главным образом влияют на динамические свойства системы. В ряде случаев, в первую очередь, выделяют параметрическую неопределенность, которая означает, что неизвестными являются параметры математической модели. Проблема синтеза САУ в данных условиях является весьма актуальной, сложной и практически недоступной для классической теории и методов управления.
Интервальное представление факторов неопределенности отвечает широкому классу практических задач, в том числе задаче синтеза интервальной системы (ИС) управления процессом ферментации [140]. В интервальной форме диапазон возможных значений параметров модели задают в виде zi– zi zi+ , где zi– и zi+ – нижняя и верхняя границы неопределенного параметра (фактора). Приведенное неравенство означает, что zi может принимать любое значение из интервала [zi–, zi+] [141].
Синтез систем управления при любых значениях параметров из диапазона их возможных значений при таком условии можно осуществить методами обеспечения робастности [141]. Решение задач анализа и синтеза систем с использованием характеристических полиномов рассмотрено в [140, 142, 143]. Один из применяемых методов анализа робастной устойчивости ИС с использованием характеристических полиномов был разработан В.Л. Харитоновым [144]. В соответствии с теоремой Харитонова условия, необходимые и достаточные для устойчивости интервального полинома, требуют устойчивости четырех полиномов, составленных из нижних и верхних границ неопределенных параметров. Однако, как отмечено в [145], применение этой теоремы для полинома с приведенными интервальными коэффициентами не приводит к желаемым результатам.
Предложенная в [146] реберная теорема дает оценку робастной устойчивости системы при малом числе параметров интервала неопределенности. Но, как следует из работы [147], этого не достаточно для синтеза робастно устойчивой системы управления.
Решению задач робастного управления посвящено большое число работ отечественных и зарубежных ученых [148-152]. Однако дополнительные трудности при создании систем управления сложными биотехнологическими объектами связаны с нестационарностью и наличием существенного запаздывания по каналу управления. Наличие объекта управления с запаздыванием не обеспечивает гур-вицевость характеристического полинома и тем самым ограничивает применение теоремы Харитонова.
Формулировка требований к переходным процессам в системе, как правило, осуществляется с использованием показателей качества либо заданием какого-либо критерия оптимальности системы. Известно также [153], что требования, предъявляемые к системам можно задать расположением ее доминирующих полюсов. С учетом этого для обеспечения гарантируемой динамики системы с интервальными параметрами, в первую очередь, необходимо выбрать критерий, с помощью которого можно существенно повлиять на расположение этих полюсов. В большинстве случаев таким подходящим критерием для систем с запаздыванием является критерий максимальной степени устойчивости [154,155]. Результаты проведенных нами исследования подтвердили целесообразность получения желаемого расположения доминирующих полюсов на основе максимальной степени устойчивости. Так как коэффициенты характеристического полинома системы варьируются в пределах нижней и верхней границы неопределенности параметров, то значение максимальной степени устойчивости будет изменяться в зависимости от значений этих коэффициентов. В связи с этим синтез робастной системы по критерию максимальной степени устойчивости (КМСУ) целесообразно осуществлять при наихудшем из возможных сочетаний параметров модели интервальной системы, входящих в рассматриваемый интервал [156-159].
Можно также отметить [139], что синтез систем, разработанных на основе критерия апериодической или колебательной степени устойчивости, при прочих равных условиях, обеспечивает высокое быстродействие, малое перерегулирование и достаточный запас устойчивости. При анализе и синтезе робастных регуляторов интервальных САУ желательно исключить процедуры перебора вариантов анализируемых систем при всех возможных значениях интервальных параметров управляемого объекта. Такой перебор даже для объекта с передаточной функцией второго порядка с запаздыванием, имеющего 4 параметра, содержит 16 вариантов, т.е. N = 2n = 24 = 16 (n – количество параметров объекта, варьируемых на двух уровнях). Для объектов более высокого порядка исследовать все варианты практически невозможно. В связи с этим появляется потребность в выявлении доминирующих параметров модели объекта, позволяющих с помощью принципа гарантированной динамики [143] определить параметры робастного регулятора по КМСУ. Область оптимальных оценок значений переходных процессов можно отобразить на временную плоскость в виде области двух переходных процессов системы во времени х1(t) и х2(t), связанными с любой кривой переходного процесса хi(t) для возможных параметров объекта некоторыми неравенствами вида х1(t) хi(t) х2(t). Такие неравенства представляют собой достаточные условия робастной устойчивости, исключающие большие временные затраты на проведение перебора всевозможных вариантов при анализе и синтезе интервальных САУ.
При синтезе САУ биотехнологическими процессами и объектами с запаздыванием, имеющим интервально-неопределенные параметры, на основе принципа гарантируемой динамики [143, 160, 161], исходя из технологических и технических требований, задается некоторая допустимая область переходных процессов. Структура и параметры интервальной системы определяются так, чтобы переходные процессы, вызванные действием внешних задающих и возмущающих воздействий, не выходили за пределы заданной допустимой области [156]. Такой подход к синтезу САУ позволяет непосредственно учитывать инженерные требования к проектируемой системе, в частности, такие как точность и быстродействие. Основная идея при этом состоит в том, что при возможных допустимых вариациях параметров объекта переходные процессы в проектируемой САУ должны оставаться в пределах заданных допустимых областей гарантированным образом. Границы этих множеств задаются показателями качества.
Переходные процессы в системе описываются колебательными и апериодическими кривыми. Тогда, если отобразить на плоскость качество управления (точность, быстродействие) в виде допустимых отклонений от требуемых значений, возникающих при изменении интервальных параметров объекта, то получим область, ограниченную видом функций х1(t) и х2(t), уже не зависящих от неопределенных факторов, представленных на рисунке 3.1.
Рассматриваемую задачу синтеза робастной системы управления для интервального объекта можно сформулировать в следующем виде.
Найти параметры линейного типового регулятора для управления объектом с интервальными параметрами, обеспечивающего робастную устойчивость соответствующей замкнутой системы и выполнение соотношения (3.1) при наличии параметрических неопределенностей, т.е. для неточно известных значений параметров объекта из рассматриваемого интервала.
Для синтеза системы управления с заданными показателями качества при возможных допустимых вариациях параметров объекта воспользуемся следующим утверждением, доказательство которого приведено в [162]. Согласно этому изображение по Лапласу выражения LfaftJ ft)}, имеющее действительные и отрицательные полюсы ри [163] обеспечат нахождение переходного процесса x(t,fii) в системе управления в границах xjft) x(t,m) x2(t). Согласно [164], изображения Xi(p) и Х2(р), имеющие соответственно q действительных и отрицательных полюсов ри и т произвольных полюсов, дадут преобразование Лапласа Z(p) = L{x1(t)x2(t)j , которое будет иметь q т полюсов, смещенных влево на ри. Такое расположение полюсов обеспечивает протекание переходных процессов в допустимой области, т.е. xjft) x(t,in) x2(t). Следовательно, задача синтеза робастной системы управления интервальным объектом сводится к определению параметров регулятора при возможных допустимых вариациях параметров объекта, при которых переходные процессы в синтезируемой САУ должны оставаться в пределах заданных областей гарантированным образом.
Рассмотрим возможность параметрического синтеза линейного ПИД-регулятора, гарантирующего желаемое расположение доминирующих полюсов интервальной системы. Доминирующие корни характеристического уравнения замкнутой системы ри - это корни, оказывающие наибольшее влияние на качество управления. Одно из распространенных требований к расположению доминирующих полюсов ри , к = \пд , где пд - число доминирующих полюсов определяется выражением [139]
Модифицированный метод идентификации регрессионной модели для анализа соотношения параметров нейронной сети и показателей качества процесса управления
Для построения нейросетевого регулятора (НСР) необходимо оценить влияние параметров НС на качество процесса управления биотехнологическим объектом [210]. Поскольку критериями обучения (настройки) НС могут быть точность (ошибка обучения) или количество циклов обучения, то эти параметры НС могут быть использованы в качестве факторов плана активно-пассивного эксперимента (АПЭ) для построения регрессионной модели взаимосвязи параметров НС и показателей качества процесса управления. Эти факторы обуславливают неортогональность реализуемого плана эксперимента, что делает невозможным масштабирование (нормировку) фактических значений варьируемых факторов к интервалу [-1,1], из-за чего коэффициенты получаемого уравнения регрессии оказываются корреляционно связанными между собой. Устранить это можно путем искусственной доортогонализации матрицы АПЭ [168, 210, 211]. Особенностью алгоритма расчета, реализованного в [211], является справедливость гипотезы о случайных оценках значений целевой функции, которую при ограниченной выборке и отсутствии повторных экспериментов проверить невозможно. Кроме того, ряд уравнений системы вырождается в тождество, из-за чего значения соответствующих коэффициентов уравнений вычислить невозможно.
Модификация предложенного метода состоит в применении искусственной доортогонализации столбцов матрицы эксперимента. В одном случае для преобразования плана эксперимента в ортогональный к зависимости отклика от факторов в плане, реализующим полный факторный эксперимент (ПФЭ), перед i-м слагаемым добавляются соответствующие значения, причем в искомую функцию для каждой строки ПФЭ также добавляются соответствующие значения, получаемые с помощью информации из столбцов, содержащих неуправляемые факторы. В другом случае, когда одно или несколько уравнений обращаются в тождество, делая систему неопределенной, производится замена соответствующих столбцов матрицы другими, позволяющими после этого преобразовать исходную матрицу к ортогональной вышеописанным способом.
В ходе обучения нейронной сети (НС) алгоритмами градиентного спуска, Флетчера-Ривса и Левенберга-Марквардта можно определить параметры НС, минимизирующие значение ошибки обучения. Из полученной в работе [80] зависимости, представленной для наглядности на рисунке 5.6, видно, что при превышении одиннадцати нейронов наблюдается рост ошибки обучения.
На рисунке 5.7 представлены зависимости, показывающие, что с увеличением количества циклов обучения выше пятидесяти ошибка обучения незначительно снижается.
Однако достаточная точность настройки НС при обучении алгоритмами градиентного спуска не обеспечивается даже при довольно большом количестве циклов обучения (более 200 циклов).
Тем не менее, затраты времени на обучение у них незначительны и составляют 0,5 с на каждую итерацию, в то время как наибольшее время у ньютоновских алгоритмов обучения, например время обучения алгоритмом Левенберга-Марквардта составляет 1,24 с на одну итерацию. Несмотря на это, он считается наилучшим среди рассмотренных алгоритмов обучения НС, поскольку при его применении обеспечивается более высокая точность обучения с меньшим количеством циклов.
Поскольку приведенные зависимости являются нелинейными, то значения интервалов варьирования факторов оказываются несимметричными и приводят к неортогональному виду матрицы планирования, что служит основанием для до-ортогонализации матрицы ПФЭ.
Получим регрессионную модель, устанавливающую соотношения параметров нейронной сети и показателей качества процесса управления. В качестве факторов варьирования приняты: число нейронов в скрытом слое НС (Nc ), значение верхнего предела функционала (N2), внутри которого вычисляется мощность управления и число нейронов в выходном слое НС (Nв ). Функцией отклика является перерегулирование y. Матрица ПФЭ с одной управляемой Nc и двумя контролируемыми N2,Nв переменным и приведена в таблице 5.1.
Путем добавления новых значений к существующим значениям неуправляемых факторов получим новые переменные, позволяющие привести матрицу к ортогональному виду, представленную в таблице 5.3.
Расчетная величина колебательности во всех экспериментах, за исключением одного, не превышает 20 %, а демпфирование - выше 0,84, что приемлемо для большинства используемых в промышленности систем управления.
Следовательно, полученные уравнения регрессии являются удовлетворительными, а значит, их можно использовать в качестве начальных линейных приближений к более точным зависимостям. Анализ зависимостей показателей качества переходного процесса от параметров НСМ, используемых при настройке нейросетевого регулятора системы стабилизации температуры процесса стерилизации питательной среды, подтвердил эффективность рассмотренного модифицированного подхода к получению регрессионных уравнений при неортогональности исходного плана эксперимента.
Техническая реализация автоматизированной системы управления биотехнологическими процессами
Значительное усложнение технологических процессов, необходимость увеличения объемов производства и расширение номенклатуры продукции биосинтеза, оптимизация процессов и, как следствие, формирование жестких требований к обеспечению качества управления БТП приводят к необходимости проектирования более совершенных автоматизированных систем управления БТП (АСУ БТП).
Относительная автономность работы однотипных аппаратов стадии ферментации (стерилизаторов, инокуляторов, посевных аппаратов, ферментаторов), высокие требования к уровню автоматизации БТП, обусловленные условиями стерильности сред и ферментационного оборудования, территориальная рассредото-ченность агрегатов приводят к целесообразности использования децентрализованных АСУ БТП с иерархической структурой, представленной на рисунке 6.44 [7]. Типовая структура системы включает в себя три уровня иерархии управления.
На первом уровне иерархии располагается полевое оборудование, датчики для измерения и контроля следующих параметров: физических (температуры, давления, потребляемой мощности, скорости потоков); химических (pH среды, концентрации растворенных газов, субстратов, продуктов); биологических в отобранных пробах. Информация с этих датчиков (при необходимости посредством преобразователей) поступает на станцию оператора.
На среднем уровне располагаются программируемые логические контроллеры, в функции которых входит управление и обмен данными между подсистемой ввода/вывода и сетью управления. Подсистема ввода/вывода необходима для обработки информации от датчиков и выдачи управляющих команд на исполнительные устройства.
На верхнем уровне АСУ БТП располагаются серверы и станции оператора, которые предназначены для управления БТП и представления информации в виде мнемосхем. На мнемосхемах представлена информация о параметрах ввода/вывода, значениях переменных БТП, событиях, данных диагностики системы и т.д. На станции предусмотрена возможность ручного управления исполнительными механизмами оператором.
Функции контроля и управления каждым агрегатом (АГР) стадии производства реализованы на основе отдельного программно-технического комплекса (ПТК). Каждый ПТК (рисунок 6.44) включает регулирующий микропроцессорный контроллер и набор функциональных блоков для связи с объектом управления и пультом технолога-оператора (ПТО), объединенных внутриблочной интерфейсной магистралью.
Информация о ходе БТП в каждом АГР выводится на ПТО. Количество АГР, подключенных к одному пульту, определяется допустимой сенсорной нагрузкой на одного оператора. Микропроцессорный контроллер ПТО управляет мультиплексным обменом информации с ПТК подгруппы АГР, а также представляет информацию технологу-оператору и осуществляет взаимодействие с вышестоящим уровнем иерархии управления.
В качестве первоочередного этапа реализации АСУ БТП предлагается проектирование системы управления с помощью автономных АСР режимных параметров стерилизатора, инокулятора, посевного аппарата и ферментатора на базе цифровых технологий передачи информации и распределенного подхода к управлению. При этом САУ процессами стерилизации и ферментации рассматриваются как составная и необходимая часть (подсистема) АСУ БТП предприятия. Следует учитывать, что контроль и управление процессами биосинтеза, реализуемыми в периодическом или непрерывном режимах, не совсем идентичны. Например, культивирование микроорганизмов в периодическом режиме протекает со всеми фазами развития микроорганизмов (адаптации, экспоненциальной, стационарной, отмирания). Поэтому целевой продукт как продукт вторичного метаболизма будет не совсем равнозначным для той или иной фазы развития продуцента. В непрерывном режиме культивируемая популяция микроорганизмов находится, как правило, в одной определенной стационарной фазе. Это позволяет рассматривать непрерывный режим функционирования биосистемы в данном случае идентичным системам, функционирующим в периодических режимах, что является предпосылкой унификации алгоритмического обеспечения АСУ БТП [251,252]. С учетом этого в приложениях Б, В приведены схемы автоматизации отдельного ферментационного агрегата непрерывного действия и периодически функционирующих посевного аппарата и ферментатора, выполняющих непрерывное и достаточно качественное регулирование отдельных биотехнологических процессов.
В состав системы управления БТП ферментации, используемой на ФКП «Ставропольская биофабрика», входят измерительные преобразователи и регуляторы с интерфейсом RS-485, датчики давления ПД100, преобразователи температуры типа ТСМУ, преобразователи интерфейсов и др. Средства контроля с местным отсчетом параметров и первичные измерительные преобразователи с дистанционной передачей сигнала устанавливаются по месту. Вторичные преобразователи и аппаратура управления исполнительными механизмами размещены в местном шкафу управления (ШУ). Все местные ШУ стадий БТП подключаются к общей шине передачи данных промышленной сети, которая посредством протокола RS-485 передает информацию на автоматизированное рабочее место (АРМ) оператора. В состав АРМ входит компьютер, с установленным на нем программным обеспечением SCADA-системы. Структурная схема комплекса технических средств автоматизации периодического процесса ферментации приведена в приложении В.
Принятая в эксплуатацию разработанная САУ ферментатором с нечетким регулятором обеспечивает вывод аппарата на заданный температурный режим с последующей стабилизацией температуры в процессе выращивания микроорганизмов [253]. Фрагмент экспериментальной температурной диаграммы, полученной в САУ промышленной установкой МПФ-500 на ФПК «Ставропольская биофабрика», изображен на рисунке 6.45.
До внедрения указанной системы вывод на режим производился аппаратчиком вручную, в результате чего имело место перерегулирование температуры (перегрев среды) в аппарате, что при высокой температуре охлаждающей воды и тепловыделении процесса недопустимо. Стабилизация температуры в процессе выращивания микроорганизмов осуществлялась с помощью существующей системы двухпозиционного регулирования с амплитудой автоколебаний не ниже + 1,5 0С. С внедрением САУ вывод на режим и стабилизация температуры биосинтеза осуществляются автоматически без перенастройки закона (алгоритма) регулирования с использованием нечеткого регулятора, разработанного с использованием функций, аппроксимирующих релейные с зоной нечувствительности. В результате внедрения повысилось качество управления: вывод на режим осуществляется без перерегулирования, точность стабилизации температуры в установившемся режиме не ниже + 0,5 0С, что в свою очередь обеспечивает оптимальные условия выращивания микроорганизмов. Регулятор реализован с использованием алгоб-локов многофункционального регулирующего микропроцессорного контроллера TREI-5B и не требует дополнительных затрат на программирование алгоритма управления. При необходимости выпуска биопрепаратов, соответствующих эпизоотическому моменту производства ФПК, регулятор не требует перенастройки.
Структурная схема АСУ периодическим процессом ферментации представлена в приложении Е. Программирование контроллеров TREI-5B осуществляется с использованием инструментальной CASE-системы Unimod PRO, поддерживающей языки программирования PLC. Система Unimod PRO работает под управлением операционной системы MS Windows 2000/XP/Vista/8/10. Технологическое приложение компилируется в системно-независимый код (Target Independent CodeTIC), который загружается через локальную сеть «Ethernet» или через последовательный порт «СОМ» на целевую платформу контроллера TREI-5B для исполнения. При этом осуществляется возможность отечественного контроллера TREI-5B-05 (при необходимости и других типов ремиконтов) сопрягаться с разными БД и SCADA-системами верхнего уровня, например, Microsoft SQL Server, Genesis, iFIX, Wizcon, InTouch, Real Flex, Sitex, КРУГ-2000 и другими. Импортозамещение в АСУ ТП при реализации на базе отечественного ПТК, например КРУГ-2000, позволяет снизить стоимость внедрения и уменьшить срок окупаемости системы управления.