基于人工神经网络软传感器的补料分批生物过程比生长速率高精度控制

《Fermentation》：Advanced Soft Sensor for High-Precision Control of Growth Rate in Fed-Batch Bioprocesses

　　

本研究提出了一种先进的控制系统，用于调控补料分批培养中鼠李糖乳杆菌（*Lactobacillus rhamnosus*）的比生长速率，采用了先进的软传感器方法。研究人员开发了一个预测性人工神经网络（artificial neural network, ANN）模型，利用包括总细胞密度、摄氧速率、二氧化碳释放速率、溶解氧和生物反应器体积在内的输入变量，实时估算生长速率。该ANN模型表现出较高的精度，验证子集的均方根误差（root mean square error, RMSE）为0.073 h^?1，决定系数（R²）为0.99。为提高控制稳定性，研究人员将预测的生长速率集成到闭环比例积分（proportional-integral, PI）控制器中，该控制器动态调节底物补料速率。控制器参数采用Ziegler-Nichols方法优化，在不同生长速率设定点下实现了18.2% ± 5.26%的平均控制误差。与传统控制方法相比，该实施方案降低了过程变异性并提高了控制精度。这些发现凸显了基于ANN的预测模型在改善生物过程自动化方面的潜力，并表明基于ANN的预测模型有望用于生物过程自动化，但需在工业条件下进行验证。

**论文解读：基于ANN软传感器的补料分批生物过程生长速率控制研究**

**1. 研究背景与问题**

补料分批培养是工业生物技术中的核心策略，通过调控碳源、氮源等营养物的供给来维持微生物或哺乳动物细胞的最佳生理状态。比生长速率（μ）是这一过程中的关键变量，直接影响产物得率、副产物形成及过程效率。精确调控μ既能避免代谢溢出和生长抑制，又能延长培养周期、提高产量。然而，当前过程分析技术难以提供实时可靠的生物量信号，间接测量信号通常含有噪声，导致生长速率估计不确定，限制了反馈控制的应用。尽管可采用Savitzky–Golay滤波或Kalman滤波等信号处理方法，但滤波必然在噪声抑制和测量延迟之间权衡，对控制系统不利。已有的生长速率估计模型可分为机理模型、数据驱动模型和混合模型三类。机理模型虽具有可解释性和物理一致性，但参数辨识实验工作量大，难以适应复杂多变量系统；数据驱动模型（如人工神经网络ANN）擅长捕捉非线性关系，但依赖大量高质量训练数据；混合模型则试图兼顾两者。现有技术仍难以实现可靠的实时μ估计，因此需要一种能够降低信号噪声、提升控制器性能的数据驱动软测量方案。

**2. 研究目标与意义**

本研究旨在通过构建软测量控制系统改善补料分批过程中比生长速率的控制质量。该系统将用于预测μ的ANN与基于Dabros等提出的非线性结构比例积分（PI）控制器相结合，并在以乳制品为基础的培养基中培养鼠李糖乳杆菌（*Lactobacillus rhamnosus*）LRH30菌株上进行验证。该工作作为概念验证，探索了将神经网络预测模型与标准模型控制策略整合于微生物培养的可行性，并建立了可复用的计算框架。

**3. 研究开展的内容与主要结论**

研究人员利用在KLF和RALF两种生物反应器中开展的12组实验数据（涵盖批量与补料分批模式）训练了一个单隐层前馈ANN模型，输入变量包括培养基体积、溶解氧、累计碱添加量、摄氧速率（OUR）、二氧化碳释放速率（CER）和总细胞密度（TCD）。在验证子集上，模型RMSE为0.073 h^?1，R²为0.99。通过SHAP分析，CER是影响预测最重要的特征。将训练好的ANN与由Ziegler-Nichols方法整定参数的PI控制器集成，闭环实验表明该系统能够将μ控制在设定值附近，平均控制误差为18.2% ± 5.26%，且与传统方法相比具有更低变异性。外部验证实验（实验13）中，ANN预测的RMSE为0.1461 h^?1，与开发实验的误差范围一致，同时ANN输出信号的信噪比（SNR）最高。研究的意义在于证明基于ANN的软传感器为补料分批过程提供了一种更稳定的生长速率估计途径，有助于改善生物过程自动化和控制精度。

**4. 关键技术方法概述**

（1）**反应器系统**：使用1.8 L台式生物反应器（RALF, BioEngineering AG），配备在线TCD光学传感器（880 nm）、尾气分析仪（Tandem Pro）和自动pH控制系统。（2）**信号处理**：TCD信号经Savitzky–Golay滤波（窗口121点，一阶多项式）以降低噪声。（3）**ANN模型开发**：采用Keras 3构建单隐层前馈网络，输入为6个过程变量，输出为比生长速率；使用Adam优化器，MSE作为损失函数，早停法防止过拟合，并进行最小-最大归一化。（4）**控制器设计**：采用Dabros等提出的结合前馈-反馈的指数型PI控制器，输出控制补料泵的流速。控制器参数由开环实验和Ziegler-Nichols方法整定。研究中使用了12组实验数据，其中8组来自KLF生物反应器（来自S?rensen等），4组来自作者在RALF反应器中的实验；实验13作为外部验证数据集。

**5. 研究结果**

**5.1 生长速率预测模型开发结果**

ANN模型在验证子集上获得RMSE为0.073 h^?1、R²为0.99。模型训练在第40个epoch达到最低验证损失。SHAP分析表明，CER是影响预测最重要的输入特征，其次是碱添加量、TCD和体积。在开环实验中，ANN预测的μ在批量阶段达到峰值后进入平台期，补料开始后μ上升但峰值低于批量阶段。ANN预测与离线干重（DCW）比较显示，TCD信号在高设定点下更准确，而ANN在低设定点下更准；但Wilcoxon检验（W = 6，p = 0.813）未显示显著差异。ANN输出信号的信噪比显著高于TCD信号，表明其变异性更低。外部验证实验中，ANN的RMSE为0.1461 h^?1，处于开发实验误差范围内，且SNR最高。

**5.2 软测量控制器开发结果**

闭环实验包括一个三段设定点实验（0.25、0.10、0.05 h^?1）和一个恒设定点实验（0.20 h^?1）。控制器能够调节μ至设定点附近，在恒设定点实验中，系统在17–20 h期间维持稳定控制，之后因细胞死亡和毒素积累导致生长速率下降。整体平均控制误差为18.2% ± 5.26%，与文献中报道的基于介电谱的PI控制器（23% ± 6%）、基于量热法的控制器（15% ± 3%）等性能相当，且变异性更小。设定点从0.25 h^?1切换至0.10 h^?1时，超调量和响应时间较大（平均超调19%，平均响应时间42 min），但响应时间小于微生物倍增时间（约2 h），保证了控制稳定性。

**6. 讨论与结论**

讨论指出，ANN模型精度与文献报道一致，但TCD信号在多数情况下误差更低，统计上两者无显著差异，这可能与训练数据规模有限有关。TCD信号在复杂乳制品培养基中受粘度增加和凝胶形成影响，噪声增大；ANN虽不直接消除对TCD的依赖，但通过整合其他过程变量提供了更稳定的估计。pH控制中的碱添加事件会引起CER的瞬时波动，进而影响ANN预测；不过由于中和反应不产生CO₂，且培养过程中未添加酸，因此碱添加不可能作为持续的非生物CO₂源，但局部瞬态效应仍可能存在，需通过非生物对照实验进一步解析。此外，模型训练数据仅12个独立批次，外部验证仅1批，限制了对泛化能力的强结论；未来应采用留一批交叉验证。控制器的局限包括：当设定点超出训练数据范围时性能恶化，且控制仅限底物添加，无法补偿氧传递限制或pH波动。研究结论认为，所提出的基于ANN的软测量控制策略在特定反应器构型、培养基和操作条件下，验证了其调节补料分批过程中比生长速率的可行性，性能与已有文献策略相当，且变异性更低。该方法为智能生物制造提供了概念验证，但距离工业应用仍需大量额外验证，包括非生物对照实验、消融分析及批次间交叉验证。