Panossyöttökasvatuksen tilastollinen prosessinohjaus

No Thumbnail Available
Journal Title
Journal ISSN
Volume Title
Kemian tekniikan korkeakoulu | Master's thesis
Ask about the availability of the thesis by sending email to the Aalto University Learning Centre oppimiskeskus@aalto.fi
Date
2016-06-14
Department
Major/Subject
Biotekniikka ja elintarviketekniikka
Mcode
KE3002
Degree programme
KEM - Kemian tekniikan koulutusohjelma
Language
fi
Pages
70 + 20
Series
Abstract
Teollisuusentsyymejä valmistetaan tavallisesti homeiden tai bakteerien panossyöttökasvatusten avulla. Panossyöttökasvatusprosessiin vaikuttavat monet tekijät, kuten ympäristö, tuotantolaitteet, operaattorit ja raaka-aineet, joista jokainen muodostaa prosessiin vaihtelua. Yksinkertaisimmillaan prosessia voidaan valvoa tilastollisen prosessinohjauksen menetelmien avulla seuraamalla, että prosessin kannalta tärkeimmät muuttujat saavat arvoja tavoitearvojen lähellä niin, että vaihtelu ei kasva liian suureksi. Prosessin luonnollinen vaihtelu ja poikkeava erityisvaihtelu voidaan tunnistaa valvontakuvaajien avulla. Tämän diplomityön tarkoituksena oli selvittää, miten tilastollista prosessinohjausta voitiin soveltaa Roal Oy:n panossyöttökasvatusprosesseihin. Työn kirjallisuusosassa käsiteltiin panossyöttöprosessin ja tilastollisen prosessinohjauksen periaatteita. Tarkastelun kohteena oli myös prosessin tilastollinen monimuuttujaohjaus, jonka menetelmät sopivat kasvatusprosessien valvontaan. Monimuuttujamenetelmät hyödyntävät projisointitekniikoita, kuten pääkomponenttianalyysiä ja PLS-regressiota. Työn soveltavassa osassa kuvattiin Roal Oy:n entsyymituotantoprosessi fytaasia tuottavan Trichoderma reesei -homekasvatusten osalta. Homekasvatusten prosessi- ja laadunvalvontamittausten aineistosta muodostettiin PLS-regressiomallit, joita voitiin käyttää prosessin valvontakuvaajien muodostamiseen. Uusien tuotantoerien valvonnassa monimuuttujamallin valvontakuvaajiin voidaan soveltaa tilastollisen prosessinohjauksen periaatteita. Kasvatusten prosessi- ja laadunvalvontamittausten aineistoa käytettiin sekä havaintotason PLS-regressiomallin muodostamiseen, jossa vasteena käytettiin kasvatuksen kypsyyttä, että erätason PLS-regressiomallin muodostamiseen, jossa kasvatuksen syöttövaiheen mittausaineistolla pyrittiin ennustamaan loppunäytteen entsyymiaktiivisuutta. Mallien muodostamiseen käytettiin 10 kasvatuserän aineistoa. Mallien validointiin käytettiin 15 kasvatusta vuosien 2014 ja 2015 ajalta. PLS-regressioanalyysin avulla syöttövaiheen aineisto voitiin tiivistää kuudelle latentille muuttujalle, kun alkuperäisiä valvottavia muuttujia oli 12. Validointierissä olevia prosessipoikkeamia voitiin havaita latenttien muuttujien valvontakuvaajia tarkastelemalla. Havaintotason mallien avulla ei kuitenkaan löydetty kasvatusaineistosta sellaisia muuttujien yhteisvaikutuksesta johtuvia tekijöitä, jotka selittäisivät kasvatuksen loppuaktiivisuuden vaihtelun. Erätason PLS-regressiomallin avulla homekasvatuksen syöttövaiheen 12 muuttujan aineisto voitiin tiivistää kolmelle latentille muuttujalle. Erätason PLS-regressiomallin avulla validointierille lasketut entsyymiaktiivisuuden ennusteet poikkesivat keskimäärin 6,7 % todellisista aktiivisuuden arvoista. Mallin ennustuskyvyn arvioiminen vaatii kuitenkin jatkotutkimuksia ja uusien tuotantoerien käyttöä mallin validoimista varten.

Fed-batch fermentation is a commonly used method for cultivating bacteria or fungi to produce industrial enzymes. Many factors, like environment, production machinery, operators and raw materials, contribute to fed-batch process variation. Statistical process control (SPC) can be used to monitor the process when deviation of the key variables are investigated. By using control limits, the natural variation of the process (common cause) can be separated from the assignable cause, which is abnormal variation and distance from the mean value. The objective of this thesis was to investigate how statistical process control could be utilized for Roal Oy’s fed-batch fermentation processes. In the literature part, principles of statistical process control and fed-batch process were discussed. The extension of SPC called multivariate statistical process control (MSPC), which is suitable for batch processes, was also reviewed. MPSC is based on multivariate projection methods such as principal component analysis (PCA) and PLS-regression (partial least squares regression). In the experimental part, the fed-batch cultivation process of Trichoderma reesei strain for phytase production was studied. Fermentation process parameters and quality control data were used to develop PLS-regression model. The multivariate models were used to create control chart for process monitoring. New fermentation batches can be monitored through multivariate monitoring charts which are consistent with the principles of statistical process control. The original process and quality control data were used to develop an observation level PLS-regression model, where the original data were regressed against the local batch time. The process and quality control data of fermentation fed-phase were also used to develop a batch level PLS-regression model, where the original data were regressed against the final enzyme activity. Data from 10 batches were used to develop the models. The models were validated against 15 data sets from years 2014 and 2015. By using the training data from the fermentation fed-phase to develop the observation level PLS-regression model, it was possible to reduce the 12 original variables to 6 latent variables. Process deviations from validation batches were detected by investigating latent variables from multivariate control charts. Correlation pattern was not found between the original process data values and variation of the enzyme activity at the end of the batch with the observation level models. Training data from the fermentation fed-phase were regressed against the final enzyme activity, and 3 latent variables were extracted from the original 12 variables. When using the validation batches, the mean difference between the predicted and observed enzyme activity values was 6.7 %. More studies and new validation batches are needed to evaluate the prediction capability of the model.
Description
Supervisor
Oinas, Pekka
Thesis advisor
Eerikäinen, Tero
Kujala, Arni
Keywords
panossyöttökasvatus, fermentointi, tilastollinen prosessinohjaus, prosessin tilastollinen monimuuttujaohjaus, MSPC, PLS-regressio
Other note
Citation