Použití multiagentního systému pro řízení bioprocesů Biogenes II
V článku je popsán konkrétní způsob použití multiagentního řídicího systému Biogenes II k řízení výroby pekařského droždí jako referenčního bioprocesu v laboratorních podmínkách. Jsou zde uvedeny vlastnosti a funkce základní řídicí úrovně systému i jeho dohlížecí úrovně, která je tvořena skupinou spolupracujících agentů pro klasifikaci metabolických stavů a řízení daného biotechnologického procesu. Práce navazuje na článek [1], věnovaný celkové struktuře systému Biogenes II a použitým metodám komunikace, koordinace a kooperace agentů.
1. Úvod
Vzhledem k charakteru biotechnologických procesů je snaha využívat pro jejich řízení všechny dostupné znalosti, a to i znalosti kvalitativní, často vyjádřené pouze neurčitě. Práci s různými typy takových znalostí lze efektivně organizovat v řídicích systémech s multiagentní strukturou. Jedním z nich je řídicí systém Biogenes II, navržený pro oblast řízení různých produkčních a degradačních bioprocesů.
Jak již bylo uvedeno v [1], je zmíněný systém tvořen dvěma úrovněmi. Na základní úrovni jsou v programovatelném automatu (Programmable Logic Controller – PLC) realizovány všechny úlohy řízení vyžadující činnost v reálném čase, zatímco nadřazená znalostní úroveň obsahuje jednotlivé samostatné moduly pro klasifikaci stavu procesu a znalostní řízení, vytvořené v různých programovacích prostředích. Obě úrovně komunikují s databází reálného času Industrial SQL server z balíku FactorySuite 2000 firmy Wonderware. Do ní zapisují a z ní vybírají všechny potřebné údaje. Operátorské rozhraní je realizováno v prostředích InTouch a ActiveFactory, také z FactorySuite 2000.
V dalších odstavcích je popsáno použití řídicího systému Biogenes II k řízení referenčního procesu kultivace pekařského droždí v laboratorním bioreaktoru v laboratoři řízení bioprocesů ÚPŘT VŠCHT Praha.
2. Základní řídicí úroveň
Centrálním zařízením laboratoře je bioreaktor newMBR s pracovním objemem pět litrů. Jeho přístrojové vybavení i ostatní přístroje v laboratoři jsou připojeny k PLC typu Compact od firmy Schneider Electric. V něm jsou v reálném čase vykonávány základní řídicí úlohy. Celkový pohled do laboratoře řízení bioprocesů je na obr. 1.
Obr. 1. Laboratoř řízení bioprocesů ÚPŘT VŠCHT – celkový pohled (přístroje: A – bioreaktor newMBR, B – mikrofiltrační jednotka Fabio 300, C – programovatelný automat Compact, D – řídicí jednotka IMCS 2000 a dále analyzátory složení odpadních plynů: E – Servomex 1400B (koncentrace CO2), F – Servomex 1100A (O2), G – Metrex (koncentrace etanolu), H – Cellex (koncentrace biomasy), I – HPLC chromatograf Waters, J – regulátor průtoku vzduchu, K – dávkovací čerpadlo živného média DP 200, L – peristaltická čerpadla)
Původní přístroje v řídicí jednotce IMCS 2000 umožňují standardní měření a řízení teploty, pH, otáček míchadla, výšky pěny v bioreaktoru a měření koncentrace rozpuštěného kyslíku. Průtok vzduchu do bioreaktoru je stabilizován dalším regulátorem. Samostatnými analyzátory jsou měřeny koncentrace biomasy v médiu a koncentrace kyslíku, oxidu uhličitého a etanolu v odcházejících plynech. Nová mikrofiltrační jednotka a k ní připojený HPLC chromatograf dovolují automaticky provádět on-line chromatografické analýzy a v součinnosti s PLC regulovat koncentraci biomasy a výšku hladiny média v bioreaktoru. Pro dávkování živného média, kyseliny, zásady a odpěňovacího oleje jsou použity peristaltické pumpy, jejichž činnost (průtok) systém monitoruje. Ke komunikaci automatu Compact s databází InSQL Server je využíván OPC server a vnitřní protokol FactorySuite2000, nazývaný SuiteLink. Data jsou přenášena s periodou 100 ms. Počítač pro vyhodnocování chromatografických analýz je k InSQL Server připojen prostřednictvím samostatného modulu (agentu) přes rozhraní ODBC a s periodou 20 min do databáze předává informace o složení média k následnému využití pro řízení procesu.
Program PLC, napsaný v prostředí Concept, snímá a převádí na fyzikální jednotky analogové signály z měřicích sond a přístrojů, počítá čas od počátku kultivace, řídí analyzátor koncentrace biomasy a čerpadlo pro dávkování živného média. Dále ovládá regulátory otáček míchadla, teploty i pH a realizuje číslicovou a dvoupolohovou regulaci. Číslicovými PSD regulátory nebo regulátory založenými na Maršíkově adaptivním algoritmu [2] je možné regulovat koncentraci oxidu uhličitého nebo etanolu v odcházejících plynech. Řídit lze na konstantní hodnotu nebo podle lineárního profilu určovaného operátorem nebo poradním expertním modulem BioCLIPS. Akční veličinou přitom ve všech případech je průtok živného roztoku. Dvoupolohově jsou řízeny výška hladiny a koncentrace biomasy v bioreaktoru. Kromě jiných funkcí zajišťuje PLC také výpočet mnoha odvozených veličin charakterizujících fyziologický stav kultury, např. respiračního kvocientu. Podrobnější popis základní úrovně systému Biogenes II lze nalézt v článcích [3] a [4].
3. Znalostní řídicí úroveň
Pro účely znalostního řízení bioprocesů bylo v databázi InSQL Server definováno celkem 296 analogových, digitálních a textových proměnných, jejichž hodnoty jsou přístupné v tabulkách Live (aktuální hodnoty) a History (historické hodnoty). Ve spolupracujícím MS SQL Server byly definovány tabulky BP_Parameters a BP_ExpertParamete pro veličiny a parametry základní, resp. řídicí úrovně, obsahující 33 a 72 proměnných, a tabulka BP_HistParMap pro předepisování archivace činnosti agentů obsahující celkem jedenáct proměnných.
Klasifikační a řídicí funkce dohlížecí úrovně znalostního systému jsou realizovány v množině samostatných a nezávislých agentů komunikujících přes databázi. V současnosti jsou do systému Biogenes II připojeny následující agenty (viz také obr. 1 v [1]):
FT: klasifikace metabolického stavu biomasy využívající metody fuzzy rozhodovacích stromů (fuzzy decision tree),
FNN: klasifikace metabolického stavu biomasy využívající fuzzy logiku a neuronové sítě,
BioCLIPS: klasifikace metabolického stavu biomasy a dohlížecí řízení,
MBPC: prediktivní řízení založené na matematickém modelu procesu,
K: určování optimálního okamžiku ukončení procesu,
HPLC: vyhodnocování chromatografických analýz.
Všechny moduly kromě agentu K obsahují znalosti o referenčním modelovém procesu kultivace kvasinek Saccharomyces cerevisiae. První dva moduly byly vytvořeny pouze pro průběžný odhad metabolických stavů tohoto procesu. Pravidlový modul BioCLIPS je určen jednak pro klasifikaci a jednak pro dohlížecí řízení v podobě návrhů směrnic žádaných hodnot veličin regulovaných regulátory na základní úrovni. Byl převzat z předcházejícího monolitického znalostního řídicího systému Biogenes, jehož funkce je popsána např. v [5] a [6]. Agent MBPC slouží pro prediktivní řízení s modelem, agent K pro určování konce vsádkového biodegradačního procesu bramborových odpadů a konečně agent HPLC pro vyhodnocování chromatogramů a přenos výsledků chromatografických analýz do centrální databáze.
Vzhledem k tomu, že informace o okamžitém metabolickém stavu kultivovaného mikroorganismu jsou pro znalostní řízení bioprocesů klíčové, byla věnována velká pozornost různým metodám on-line klasifikace těchto stavů. Výsledky induktivního učení byly realizovány jako fuzzy stromová struktura v modulu FT. K vytvoření této klasifikační struktury chování bioprocesu s předem daným počtem metabolických stavů byla použita metoda shlukové analýzy K-means a pro navazující naučení rozhodovacího stromu se jako nejvhodnější ukázal algoritmus C4.5. Při vlastní klasifikaci se vychází z měření koncentrací oxidu uhličitého, kyslíku a etanolu v odcházejících plynech a spotřeby kyseliny a zásady při regulaci pH média. Z nich se počítá tzv. fyziologický stavový vektor, obsahující tři odvozené veličiny, a to respirační kvocient, derivaci (trend) koncentrace etanolu a rozdíl derivací spotřeb kyseliny a zásady [7]. Agent FT je implementován v prostředí WinScript.
Další klasifikátory on-line metabolických stavů byly vytvořeny pomocí fuzzy, neuro a fuzzy-neuro přístupů a implementovány v modulu FNN. Ten obsahuje celkem šest různých klasifikačních metod a jednu nadřazenou proceduru, která z jejich výsledků v každém kroku určuje nejpravděpodobnější metabolický stav. Všechny metody využívají jako fyziologický stavový vektor tři veličiny: respirační kvocient, koncentraci etanolu v odcházejících plynech a její derivaci. Výstupy jsou čísla odvozených metabolických stavů. Agent FNN byl realizován v prostředí Matlab a pracuje s těmito klasifikátory:
fuzzy inferenční systém, navržený na základě znalostí a zkušeností biotechnologa,
dopředná neuronová síť s topologií 3-6-5-1, trénovaná na provozních datech,
fuzzy inferenční systém, vygenerovaný modifikovanou Wangovou-Mendelovou metodou použitím provozních dat a funkcí příslušnosti získaných metodou shlukové analýzy fuzzy C-means z provozních dat,
fuzzy inferenční systém, vygenerovaný prostřednictvím fuzzy neuronové sítě LinFNS, popsané v [8], užitím provozních dat a funkcí příslušnosti určených na základě znalostí biotechnologa,
fuzzy inferenční systém, vygenerovaný s pomocí fuzzy neuronové sítě ANFIS použitím provozních dat a funkcí příslušnosti určených na základě znalostí biotechnologa.
Klasifikace metabolických stavů tvoří rovněž součást modulu BioCLIPS pracujícího v prostředí pravidlového expertního systému CLIPS.
Obr. 2. Operátorské zobrazení s objektem ActiveFactory zobrazujícím časový průběh klasifikace metabolického stavu biomasy různými agenty (BioCLIPS, FT a FNN), jejichž výstupy jsou uloženy v databázi
Základní úloha odhadu okamžitého metabolického stavu kultury je tak řešena paralelně několika různými metodami. To umožňuje zvyšovat úspěšnost a důvěryhodnost řešení této úlohy porovnáváním jejich výsledků a představuje také typický příklad kooperace agentů v multiagentním prostředí. V současnosti jsou výstupy všech těchto klasifikátorů pouze ukládány do databáze a zobrazovány na obrazovce, přičemž konečné rozhodnutí o tom, který stav skutečně nastal, je ponecháno na operátorovi. Do budoucna se počítá s vytvořením dalšího agentu, který bude schopen na základě výsledků různých klasifikačních agentů samostatně vybrat nejpravděpodobnější odhad metabolického stavu a zveřejnit jej pro další úlohy. Tuto informaci bude možné využít např. v modulu pro odhad koncentrace biomasy, jejíž měření on-line je v praxi obtížné, nebo v dohlížecím modulu navrhujícím směrnice žádaných hodnot pro regulátory základní úrovně. Příklad uživatelského zobrazení s výsledky odhadů metabolických stavů jednotlivými klasifikátory je na obr. 2.
Zbývající moduly K a MBPC představují agenty realizující vlastní řídicí úlohy. Agent K obsahuje specifické znalosti pro zjišťování optimálního konce bioprocesu termofilní degradace bramborových odpadů a navrhuje zastavení procesu při jeho dosažení.
Naproti tomu agent MBPC pro prediktivní řízení kultivace pekařského droždí pracuje s klasickým nelineárním matematickým modelem procesu a určuje hodnoty akční veličiny, kterou je průtok živného média na bázi roztoku glukózy. Model se skládá ze soustavy šesti obyčejných nelineárních diferenciálních rovnic, které popisují kinetiku tří hlavních reakcí probíhajících v procesu. Těmito reakcemi jsou oxidační růst na glukóze, redukční růst na glukóze a oxidační růst na etanolu. První část modelu popisuje chování kvasinek Saccharomyces cerevisiae při jejich růstu na dvou hlavních substrátech, kterými jsou glukóza a etanol, přičemž etanol je produkován buňkami kvasinek při redukčním růstu na glukóze. Druhá část modelu popisuje přestup hmoty mezi plynnou a kapalnou fází v bioreaktoru. Model je využíván pro prediktivní řízení průběhu koncentrace oxidu uhličitého v odcházejících plynech. V optimalizační části agentu, která pracuje se standardní funkcí programu Matlab pro optimalizaci s omezujícími podmínkami fmincon, je minimalizováno kritérium založené na kvadrátu regulační odchylky. Predikční i řídicí horizont byly zvoleny jako desetinásobek periody řízení, která je jedna minuta. Agent MBPC s databází komunikuje standardně přes rozhraní ODBC, jak je tomu u všech ostatních agentů. Příklad chování tohoto agentu při prediktivním řízení kultivace podle žádaného průběhu koncentrace oxidu uhličitého ve výstupních plynech je uveden na obr. 3. Průběh žádané koncentrace CO2 byl volen tak, aby byla funkce modulu MBPC vyzkoušena v různých metabolických stavech. Až do desáté hodiny pokusu je možné pozorovat malé odchylky od žádaných hodnot. V desáté hodině pokusu byl spotřebován veškerý etanol vzniklý degradací glukózy a následně vzrostlo pH. Na to zareagoval regulátor pH přidáváním roztoku kyseliny do fermentoru. Tak došlo k vytěsnění CO2 z roztoku a výraznému zvýšení jeho koncentrace v odchozích plynech. Tato porucha odezněla během jedné hodiny. Poté regulátor až do konce pokusu opět udržoval žádaný průběh koncentrace CO2.
4. Závěr
Vývoj multiagentního systému Biogenes II je v současnosti doveden do stadia prototypu, který prošel experimentálními testy na referenčním procesu produkce pekařského droždí. Současně byla zvládnuta i metodika rozšiřování tohoto systému o nové agenty vytvořené v různých prostředích nejvhodnějších pro reprezentaci jednotlivých typů znalostí. V praxi se ukázalo, že multiagentní přístup k distribuovanému řešení složitých úloh řízení bioprocesů pomocí skupiny kooperujících agentů pracujících s centrální databází jako s tabulí je perspektivní. Je tomu tak proto, že poskytuje jinak nedosažitelnou otevřenost a robustnost řízení.
Systém bude postupně rozvíjen směrem k řízení dalších bioprocesů a implementaci potřebných agentů, neboť zde zmíněné metody realizace agentů jsou obecně použitelné. Předpokládá se např. začlenění řady dalších modulů využívajících znalosti pro řízení termofilních biodegradací průmyslových potravinářských odpadů a perspektivně také aplikace systému v čističkách odpadních vod.
Poděkování
Popsaný výzkum byl podporován grantem 5. rámcového programu Evropské komise Enhanced, Intelligent Processing of Food and Related Wastes using Thermophilic Populations, QLK3-CT-1999-00004, a Výzkumným záměrem MŠMT MSM 223400007.
Literatura:
[1] NÁHLÍK, J. – VOVSÍK, J. – ŠINDELÁŘ, J.: Multiagentní systém pro řízení bioprocesů Biogenes II. Automa, 2004, roč. 10, č. 5, s. 24–26.
[2] VOVSÍK, J. – HRNČIŘÍK, P. – NÁHLÍK, J.: Adaptivní řízení přítokovaných kultivací pekařského droždí. Automatizace, 2003, roč. 46, č. 10, s. 664–669.
[3] PISKO, M. – NÁHLÍK, J. – VOVSÍK, J.: Vizualizace v řídicím systému Biogenes II. Automatizace, 2002, roč. 45, č. 1, s. 35–37.
[4] VANĚK, M. – VOVSÍK, J. – ŠINDELÁŘ, J. – NÁHLÍK, J. – PISKO, M.: Řídicí systém bioprocesů Biogenes II. Automatizace, 2002, roč. 45, č. 1, s. 31–34.
[5] NÁHLÍK, J.: BIOGENES – znalostní řídicí systém pro řízení bioprocesů. Automa, 1999, roč. 5, č. 7-8, s. 46–49.
[6] HRNČIŘÍK, P. – NÁHLÍK, J. – VOVSÍK, J.: The BIOGENES system for knowledge-based bioprocess control. Expert Systems with Applications, 2002, 23, s. 145–153.
[7] PISKO, M. – NÁHLÍK, J. – VOJTA, V. – VOVSÍK, J.: Physiological State Inferring Module of Baker‘s Yeast Cultures in Fed-Batch Cultivation. In: Proceedings of the 14th International Conference on Process Control ’03. (CD-ROM), Štrbské Pleso, Slovakia, 2003.
[8] HRNČIŘÍK, P. – VOVSÍK, J. – NÁHLÍK, J.: On-line recognition of metabolic state of baker‘s yeast culture. In: Preprints of CAB9 Computer Applications in Biotechnology, 9th International Symposium. (CD-ROM), Nancy, France, 2004.
doc. Ing. Jan Náhlík, CSc.,
Ing. Jaroslav Vovsík,
Ing. Jan Šindelář, Ph.D.,
Ing. Jiří Hůla,
ústav počítačové a řídicí techniky,
Vysoká škola chemicko-technologická v Praze
(nahlikj@vscht.cz)
|