1. 工业发酵批次数据全景认识

在工业发酵生产中，一个批次从灭菌、接种、发酵到放罐，会持续产生大量数据。这些数据分散在DCS控制系统、离线化验记录、设备日志和人工操作记录中。如果只盯着某一个参数看，很难判断发酵过程是否正常；只有把整个批次的数据放在一起，建立“从发酵罐到数据表”的整体认知，后续的清洗、建模和诊断才有可靠基础。本节先回答三个问题：数据从哪里来、长什么样、要用来做什么。

一、批次数据从哪里来

工业发酵批次数据通常由四类来源构成，它们的采样频率、可靠性和用途差异很大：

• 在线仪表与DCS数据：温度、pH、溶氧（DO）、搅拌转速、通气量、罐压、补料流量、尾气CO₂/O₂等，通常以秒级到分钟级连续采集，是批次数据的主体。
• 离线化验数据：菌体浓度、残糖、氨基氮、产物效价、副产物含量等，由化验室定时取样测定，采样间隔常为2～8小时，数据点稀疏但反映真实生化状态。
• 操作与事件记录：接种、补料策略切换、pH/DO设定值调整、消泡剂加入、取样、异常报警等，属于离散事件，是解释曲线变化的关键线索。
• 批次属性信息：菌种批号、种子罐培养时长、培养基配方、罐号、批次号等静态信息，用于批次间对比和追溯。

这四类数据在时间轴上并不对齐：在线数据密集、离线数据稀疏、事件记录只有时间点。把它们整合成一张以时间为行、以变量为列的数据表，是批次分析的第一步。

二、多变量结构与时间序列特性

一个典型的工业发酵批次，在线变量可达20～50个，加上离线指标和操作事件，整体是一个“多变量、多频率、不等长”的数据结构。理解它需要抓住三个特征：

第一，变量之间强相关。补料速率提高会带动溶氧下降、pH变化和尾气CO₂上升；搅拌转速调整会同时影响溶氧和剪切。变量不是独立变化的，分析时不能逐个孤立看待。

第二，时间序列具有明显的阶段性和趋势性。发酵过程可分为延滞期、对数生长期、稳定期和衰亡期，各阶段的参数水平和变化速率不同。同一变量在不同阶段的意义也不同，例如溶氧在生长期下降可能代表耗氧增加，在后期下降则可能与供气不足有关。

第三，批次之间存在差异。即使工艺相同，不同批次的时长、补料节奏和终点效价也会有波动。批次分析既要看单批内部的时序变化，也要看批次之间的横向对比。

三、从发酵罐到数据表的整体链路

下面这张图展示了批次数据从产生到形成分析表的整体结构，以及各环节的关键对象和关系：

图中左侧是物理发酵过程，中间是四类数据源，经过时间对齐和整合后形成右侧的分析数据表，最终服务于过程监控、批次对比、终点预测和根因追溯四类目标。这条链路说明：数据表不是天然存在的，而是由多源数据经过对齐和结构化处理得到的。

四、典型分析目标与分析前准备

工业发酵批次分析的目标通常集中在四个方面：过程监控（识别异常、判断所处阶段）、批次对比（找出批间差异和优劣批次）、终点预测（根据趋势判断放罐时机）、根因追溯（定位参数异常与事件的关系）。不同目标对数据的要求不同：过程监控依赖在线数据的时间连续性，批次对比要求批次间变量定义一致，终点预测需要离线效价数据作为标签，根因追溯则必须保留事件记录的时间戳。

在正式分析前，建议先完成三项准备。第一，建立变量清单：明确每个变量的单位、量程、采样频率和数据来源，避免把不同单位的数值混在一起。第二，统一时间基准：以接种时刻为批次起点（t=0），把在线数据、离线化验和事件记录都换算为相对时间，便于跨批次对齐。第三，标注阶段与事件：根据补料切换、pH调整、取样等记录，在时间轴上标记关键节点，为后续解释曲线变化提供依据。