1. 发酵过程数据特征与建模任务界定

发酵过程的数据建模，第一步不是选算法，而是把“数据长什么样”和“建模要解决什么问题”说清楚。发酵罐里同时发生着菌体生长、基质消耗、产物合成和代谢副产物积累，传感器每几秒到几分钟采集一次温度、pH、溶氧、搅拌转速、通气量、尾气二氧化碳与氧气、补料称重等信号，实验室还会间歇取样测定菌体浓度、残糖、产物效价。这些数据共同构成了一个多变量、强耦合、随时间漂移、批次之间又不完全一致的对象。若忽视这些特性直接套用回归或神经网络，模型往往在训练集上表现良好，一到新批次就失效。

一、发酵数据的四个基本特征

多变量与强耦合。一个50 L或500 L发酵罐通常有十余路在线信号，加上离线检测指标，变量维度可达二十以上。它们并非独立变化：提高搅拌转速会同时改变溶氧、剪切力和传热；补糖速率上升会推高耗氧，进而拉低溶氧，pH也可能因代谢产酸而下降。建模时若把变量当作彼此独立的列，就会丢失这种耦合信息，因此需要关注变量间的相关结构、滞后关系和共同驱动因素。

非线性。菌体生长在低浓度基质下近似一级，在高浓度下受抑制；产物合成常与比生长速率呈非单调关系；溶氧对摄氧率的响应在临界氧浓度附近出现明显拐点。这些关系用线性模型难以刻画，通常需要非线性回归、分段模型或带非线性激活的机器学习模型。

时变与漂移。同一批次内，菌体生理状态从延滞期、对数期、稳定期到衰亡期不断变化，模型参数并非恒定；跨批次看，原料批次差异、种子活力、电极老化、罐体清洗状态都会造成缓慢漂移。因此建模要区分“批次内动态”和“批次间差异”，前者适合状态空间或时序模型，后者需要批次效应校正或迁移学习。

批次差异与数据不均衡。不同批次的时长、补料策略、终点效价各不相同，采样点也不对齐；正常批次多、异常批次少，故障或染菌样本稀缺。这决定了评价时不能只看整体误差，还要看对关键阶段和少数异常批次的识别能力。

二、把建模任务说清楚：目标、输入、输出

建模任务界定要回答四个问题。第一，预测目标是什么：是预测发酵终点效价、当前菌体浓度、残糖下降趋势，还是提前若干小时预警异常？目标不同，标签构造方式完全不同。第二，输入信号有哪些：在线信号采样频率高但噪声大，离线检测准确但稀疏，操作变量（补料速率、搅拌设定）反映人为干预，必须纳入。第三，输出形式与粒度：是单点值、带置信区间的估计、未来若干小时的趋势曲线，还是“正常/异常”类别？第四，约束条件：模型能否在工控机上实时运行，报警允许的延迟是多少，是否需要可解释性以说服工艺人员。

以头孢菌素C发酵为例，一个合理的任务界定是：以发酵前48小时的在线信号（pH、溶氧、补糖速率、尾气CO₂释放率）和两次离线菌浓为输入，预测第72小时的产物效价，输出为点估计加80%预测区间，评价采用留批交叉验证的RMSE和区间覆盖率。这样定义后，数据预处理、特征构造和模型选择才有明确方向。

三、从原始数据到可建模样本

实际数据到手后，先做三件事。其一是时间对齐：在线信号按分钟聚合，离线检测按取样时刻插值或保持，操作变量按事件记录对齐到时间轴。其二是缺失与异常处理：电极漂移造成的溶氧突降、补料称重跳变，应结合工艺知识判断是真实事件还是测量故障，不能一律用均值填补。其三是批次样本构造：将每个批次整理为“时间×变量”的矩阵，并附上批次级标签（终点效价、是否染菌），形成可做留批验证的数据集。

四、评价维度不能只看误差

对趋势预测类任务，除RMSE、MAE外，还应关注趋势方向一致性和拐点提前量。例如预测溶氧下降趋势，若模型提前2小时给出下降信号，工艺人员才有调整补料或通气的窗口；若滞后到已经触底才报警，精度再高也失去意义。对异常预警任务，则要同时看误报率和漏报率，并结合批次不均衡问题采用召回率、F1或代价敏感指标。泛化性方面，建议至少做留一批次验证和跨罐验证，观察指标下降幅度，判断模型是否过度依赖某一批次的特定操作轨迹。

把这些维度在建模开始前写成一张简短的“任务卡”，记录目标变量、输入清单、输出形式、验证方案和验收阈值，后续每次迭代都对照检查，可以避免模型越做越复杂却偏离实际需求。发酵过程建模的难点往往不在算法本身，而在于是否把数据特性和业务目标界定清楚。