Modelado, identificación y control de bioprocesos

Abstract

Los procesos químicos y en particular los bioprocesos poseen algunas o varias de las siguientes características: son altamente no lineales, multivariables, poseen dinámicas singulares y secundarias, poseen variables de difícil o imposible medición, entre las más importantes. La última característica remarca entonces, la necesidad de poseer estimaciones confiables de algunas variables involucradas en numerosos procesos, las cuales no se pueden obtener a través de sensores físicos reales. Además, en el área de control de procesos, frecuentemente se presentan objetivos de control que se contraponen, y por esta razón, las acciones de control deben ser acotadas, debido a la sensibilidad del sistema a los cambios de ciertas variables y en las condiciones de operación. Esta tesis se enfoca en un proceso biotecnológico, la producción de un metabolito secundario: La obtención de δ-endotoxinas de Bacillus thuringiensis(Bt). Debido a las características del proceso y a la problemática respecto de la medición de la biomasa en este proceso, surge la necesidad de aplicar técnicas de control y de estimación u observación de estados adecuadas. En este trabajo se completa el modelo de un bioproceso real, la producción de δ-endotoxinas de Bacillus thuringiensis. A tal fin se desarrolla un modelo fenomenológico para caracterizar la dinámica del oxígeno disuelto (OD), incorporando de esta manera la dinámica complementaria e importante a los efectos de la estimación de la biomasa y a fines de control del bioproceso. El modelo que se propone, es un modelo linealmente parametrizado basado en primeros principios. El desempeñoo del mismo es validado con datos experimentales de fermentaciones batch de Bt. Posteriormente se proponen diferentes estructuras de estimadores de estado, con la finalidad de alcanzar una estima adecuada de la biomasa. Los observadores de estado propuestos surgen de la utilización y aplicación de diversas herramientas: i) Balances basados en primeros principios; ii) Redes neuronales artificiales; iii) Fusión sensorial de los observadores a través de un Filtro de Kalman Descentralizado y iv) Regresión Bayesiana por medio de Procesos Gaussianos. Finalmente, se propone una estructura de control basada en la dinámica del oxígeno disuelto modelada anteriormente, de manera de optimizar el desempeño del proceso. El controlador se diseña utilizando métodos convencionales de Lyapunov de tal manera que se pueda asegurar la estabilidad asintótica del sistema de control.

Chemical processes and particularly biochemical process have some or several of the following distinctive characteristics: they are highly nonlinear, multivariable, have singular and secondary dynamics, and have variables that are difficult or impossible to measure. This last feature indicates the need to obtain reliable estimations of some variables involved in bioprocess, which cannot be obtained from physical sensors. Furthermore, when dealing with biochemical process control, frequently with contrasting control objectives; and for this reason control actions should be bounded due to the system sensitivity to the changes in certain variables and related to certain operating conditions. This Thesis focuses on a particular biotechnological process: the production of a secondary metabolite, namely, the delta endotoxin of Bacillus thuringiensis (Bt) production. Due to the process characteristics and the issues regarding its biomass measurement, it emerges the need to implement appropriate estimation techniques for the uncertain states in order to implement control algorithms. This work completes the model of a real bioprocess: the δ-endotoxin production of Bacillus thuringiensis. To this aim, it is proposed a phenomenological model to characterize the dissolved oxygen dynamics (DO) by incorporating a new complementary and important dynamic. This DO dynamics are considered for two purposes: biomass estimation and for bioprocess control. This dissolved oxygen model is a linearly parameterized model based on first principles. The control system performance is studied with experimental data from Bt batch fermentations. Next, different states estimators are proposed in order to achieve adequate biomass estimations. These proposed state observers are based on the application of various tools: i) first principles balances, ii) Artificial Neural Networks; iii) sensory fusion through a Decentralized Kalman Filter and; iv) Bayesian Regression with Gaussian Processes. Finally, it is proposed a control structure based on the dissolved oxygen dynamics to optimize the process performance. The controller is designed using conventional Lyapunov methods securing the control system asymptotic stability.