Biotechnologie
 

Für die Fermentation des Bakteriums Streptococcus thermophilus wurde ein mathematisches Modell entwickelt, das das Bakterienwachstum während des Prozessverlaufes sowie die Aufnahme des Substrates Lactose und die Ausscheidung des Stoffwechselproduktes Lactat beschreibt. Berücksichtigt wird zusätzlich die Veränderung des Prozessverlaufes bei unterschiedlichen pH-Werten des Mediums.

Mathematische Modelle biotechnologischer Systeme sind häufig hochgradig nichtlinear und beinhalten eine große Anzahl unbekannter Parameter. So besteht das Fermentationsmodell von Streptococcus thermophilus aus drei nichtlinearen Differentialgleichungen, in denen es 13 unbekannte Parameter zu schätzen gilt.

Methoden der nichtlinearen Optimierung scheitern oftmals an dieser Aufgabe. Ihr großer Nachteil ist, dass ein Anfangswert für die gesuchten Parameter benötigt wird, um zu verhindern, dass der Algorithmus ein nur lokales Optimum findet. Genetische Algorithmen dagegen finden aufgrund des randomisierten Suchalgorithmus häufig eine globale Lösung des Optimierungsproblems und bieten dabei eine hohe Robustheit auch bei Nichlinearitäten in der Zielfunktion.

Die Genetischen Algorithmen lösen das gestellte Problem, indem eine Anfangsmenge möglicher Lösungen aufgestellt wird, die mit Hilfe der Prinzipien der Evolution, wie Selektion, Crossover, Mutation und Überleben des Besten, schließlich zu einer optimalen Lösung führen.

Für das vorliegende Problem der Parameteridentifizierung im Fermentationsmodell des Bakteriums Streptococcus thermophilus konnten Genetische Algorithmen unter Verwendung der Matlab Toolbox „Genetic Algorithms and Direct Search“ erfolgreich eingesetzt werden.

Bei der industriellen Herstellung von Starterkulturen sind geeignete Prozess- überwachungsmethoden notwendig, um den aktuellen Prozesszustand darzustellen. Für die Fermentation von Milchsäure spielen hierfür die zeitlichen Verläufe der Substratkonzentration, der Produktkonzentration und insbesondere der Biomassekonzentration eine wichtige Rolle. Diese Zustandsgrößen sind online nicht direkt messbar, sondern werden auf Basis von während der Fermentation genommenen Proben offline bestimmt. Mit diesen Analyseresultaten kann erst nach der Fermentation eine Aussage über den Prozessverlauf gemacht werden.

Um die zeitlichen Verläufe der Zustandsgrößen online darzustellen, werden modellbasierte Beobachter eingesetzt. Diese schätzen die nicht messbaren Zustandsgrößen anhand messbarer Prozessgrößen.

Ein Ansatz für einen Zustandsschätzer ist der Einsatz von Künstlichen Neuronalen Netzen (KNN). Der Vorteil dieses Ansatzes liegt darin, dass kein explizites Prozessmodell erforderlich ist. KNN erlernen das Systemverhalten mit a posteriori gemessenen Prozessdatensätzen. Ein erfolgreich trainiertes KNN kann das vorgegebene Eingangs-, Ausgangsverhalten reproduzieren und eine Assoziation für eine unbekannte, ähnliche Eingabe vornehmen. Mit diesem Ansatz konnten bereits sehr gute Ergebnisse für die online-Schätzung wichtiger Zustandsgrößen bei der Fermentation des Bakteriums Streptococcus thermophilus  erzielt werden.

Im Rahmen eines Projektes mit einem Kooperationspartner aus der Industrie soll die Methodik der KNN als Zustandsschätzer in eine Prozessführungsstrategie integriert werden, um die Produktivität bei der Herstellung von Starterkulturen zu verbessern.