人工智能化学辅助实时监测托发酵过程,使用传感器融合策略
Xiaobo Ma1, Mengyin Tian1, Ruiqi Huang1
1NMPA Key Laboratory for Technology Research and Evaluation of Drug Products, School of Pharmaceutical Sciences, Cheeloo College of Medicine, Shandong University, Jinan, Shandong 250012, China.
本研究介绍了用于监测托发酵的AI-化学计量,使用机器学习和传感器融合进行实时质量控制. 它确保在食品发酵过程中产品质量的一致,稳定和可控制.
科学领域:
- 生物技术是生物技术.
- 食品科学 食品科学 食品科学
- 化学测量 化学测量 化学测量
背景情况:
- 氨酸是一种必需的氨基酸,对神经元功能,新陈代谢,免疫力和肠道健康至关重要.
- 微生物发酵是生产托的主要方法,需要精确控制质量和产量.
- 目前的监测方法可能缺乏复杂发酵过程所需的综合实时功能.
研究的目的:
- 开发一个综合监测系统,使用AI-化学测量来监测托微生物发酵.
- 在线近红外 (NIR) 预测模型中应用机器学习.
- 建立一个多变量统计过程控制 (MSPC) 模型,使用合并的传感器数据来加强质量控制.
主要方法:
- 利用机器学习,特别是高斯过程回归,为关键发酵参数构建在线NIR预测模型.
- 实施传感器融合策略,整合来自五个直线传感器的数据.
- 开发了一个MSPC模型,用于协同分析和实时异常检测.
主要成果:
- 高斯过程回归模型对细菌光密度 (RPD=5.686),残糖 (RPD=3.297) 和酸盐度 (RPD=3.130) 显示出高的预测准确度.
- 基于特征级传感器融合的MSPC图表,可以实时同时检测多源异常.
- 综合方法在监测和控制发酵过程中被证明是有效的.
结论:
- 人工智能化学和传感器融合为食品发酵的综合实时质量控制提供了有效的策略.
- 这种方法确保了在托生产过程中产品质量的一致,稳定和可控制.
- 开发的方法提供了一个强大的框架,用于优化工业发酵过程.
更多相关视频
11:51Engineering 'Golden' Fluorescence by Selective Pressure Incorporation of Non-canonical Amino Acids and Protein Analysis by Mass Spectrometry and Fluorescence
Published on: April 27, 2018
12:07Chemical Modification of the Tryptophan Residue in a Recombinant Ca2+-ATPase N-domain for Studying Tryptophan-ANS FRET
Published on: October 9, 2021
相关概念视频
Bioreactor Design and Operational System
Bioreactor Controls-I
Bioreactor Controls-II
Microbial Biosensors
