عنوان پایان‌نامه
طراحی حسگر نرم در میلی بیوراکتور بر اساس نظریه ترکیب اطلاعات
- رشته تحصیلی
- مهندسی برق-کنترل
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس 2 فنی شماره ثبت: E 2203;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 56802
- تاریخ دفاع
- ۲۴ دی ۱۳۹۱
- دانشجو
- آرمان اشک تراب
- استاد راهنما
- قاسم عموعابدینی
- چکیده
- در فرآیندهای زیستی، پارامترهای وابسته به وضعیت رشد سلولی از اهمیت زیادی برخوردارند. در میان این پارامترها، غلظت سلولی به دلیل داشتن رابطه ی مستقیم با میزان و کیفیت محصول نهایی و مقدار اکسیژن مورد نیاز دارای اهمیت ویژه ای می¬باشد. بنابراین پایش غلظت سلولی برای رسیدن به شرایط بهینه تولید محصول و همچنین کمینه کردن اکسیژن مورد نیاز بسیار مهم می-باشد. اما اندازه¬گیری وزن خشک سلولی که قدیمی ترین و موثق ترین روش می¬باشد، بسیار زمانگیر است. از طرفی روش¬های دیگر مانند: فلوروسنس ، سنجش امپدانس و یا اندازه گیری اکسیژن محلول که به مرور زمان مطرح شدند، علاوه بر پیچیده¬ ¬گی در اندازه¬گیری، هزینه بالایی نیز به همراه دارند. در نتیجه استفاده از حسگر نرم به عنوان یک جایگزین با ارزش برای حسگر¬های واقعی در پایش پارامتر مورد نظر به صورت غیر مستقیم با هزینه کم و سرعت بالا بسیار سودمند می¬باشد. روش چگالی نوری یکی از مناسب¬ترین و پرکاربردترین روش¬های اندازه¬گیری غلظت سلولی است که علاوه بر انطباق خوبی که با وزن خشک سلولی دارد امکان استفاده در مقیاس¬های کوچک را نیز دارد. اما استفاده از این روش در پایش غلظت سلولی دشوار و پرهزینه است. در این پایان نامه برای اولین بار، ویژگی تغییر رنگ محیط کشت سلولی را مدنظر گرفته شده و با پردازش تصاویر گرفته شده از نمونه¬های آزمایشگاهی و استفاده از شبکه عصبی MLP، حسگر نرمی برای تخمین مقدار چگالی نوری ابداع شده است. همچنین در روشی مجزا، از فیلتر کالمن که یکی از روش¬های اصلی در نظریه ترکیب اطلاعات می¬باشد، برای اندازه¬گیری برخط غلظت توده زیستی در میلی¬بیوراکتور با ترکیب هم¬افزای اطلاعات بدست آمده از حسگرهای اکسیژن و دی اکسید کربن استفاده شده است.
- Abstract
- In the biological process, dependent parameters to cell growth status are very important. Among these parameters, cell density and cell viability are the most important parameters, because of direct relation with amount and quality of final product. Therefore, online monitoring of this parameter is very beneficial for regulating growth steps and production conditions, achieving efficient production and minimizing required oxygen. Cell dry weight (CDW) measurement is one of the oldest and most reliable methods, but this method needs sampling, drying, and weighing, so this is very time consuming method. So, CDW measurement is not suitable for online monitoring and small scale. In the recent years, many methods like: Fluorescence, impedance measurement or dissolved oxygen measurement have developed for cell growth monitoring but they have several drawbacks likes: cost, sample destruction, discrete-time measurements (instead of continuous ones), processing delay, sterilization, disturbances in the hydrodynamic conditions inside the bioreactor, etc. It is therefore of interest to use soft-sensors which reconstruct some component concentration. Generally, soft-sensors can be divided into model-driven and data-driven categories. The first group of soft-sensors is based on the physical and chemical principles of the process, so these models are also called white-box models. These approaches need a knowledgeable person in the process, but this knowledge is not always available. Conversely, data-driven models are designed according to empirical data and the relationship between the variables. The design procedure does not require any knowledge of the process. This type of soft-sensors also called black-box models. One of the best methods for cell density measurement is the optical density method, which in addition to good correspondence with CDW measurement, would be useable in small scales. However, the response of this method is linear only in certain concentration ranges and in the higher concentration range needs dilution. Hence, the automatization and utilization of this method for on-line monitoring is very complicated and difficult. Also, the image processing method is a relatively new method for on-line monitoring of cell growth which can be applied to small-scales. The purpose of this thesis is to design a soft-sensor which estimates optical density of culture media from color image processing of images captured by an ordinary camera and Multi-Layer Perceptron neural network has been used as the model. This sensor estimate optical density of system as a representative of cell density. Also Kalman Filter as a one of the main methods in Data fusion concept has been used for biomass on-line monitoring based on Synergistic Combination of the output data of oxygen and carbon dioxide sensors.
