3. 生物反应器数据预处理

生物反应器的在线与离线数据在进入建模流程之前，几乎不可能直接使用。pH、溶氧（DO）、温度、搅拌转速、补料质量、尾气 CO₂/O₂ 等信号来自不同采样频率的仪表，离线取样测得的活细胞密度（VCD）、葡萄糖、乳酸、效价又带有各自的取样延迟与化验误差。若不做预处理，后续软测量、动力学参数辨识或批次间比较都会被系统性偏差污染。本节围绕六件事展开：缺失值处理、异常值检测、滤波与平滑、时间对齐、批次轨迹标准化、数据质量评估指标。

缺失值：先判断机制，再决定策略

缺失通常分三类：完全随机缺失（如网络丢包）、随机缺失（如某探头在特定 pH 区间漂移导致无效）、非随机缺失（如高黏度时取样失败）。处理前先给每个变量打标签，记录缺失比例与连续缺失长度。示例：某 2000 L 批次 DO 信号采样周期 5 s，共 17280 点，缺失 312 点（1.8%），最长连续缺失 9 点。对短缺口（≤3 点）用线性插值；对中等缺口（4～20 点）用三次样条或 Savitzky-Golay 局部拟合；对长缺口（>20 点）不插值，标记为 NaN 并在建模时用掩码排除。切勿用全局均值填补时间序列，那会抹平补料、诱导等关键动态。

异常值：物理边界 + 统计 + 过程一致性三重校验

异常值检测不能只靠 3σ。推荐三层：第一层物理边界，如 pH 合理区间 6.5～7.4、温度 36.5～37.5 ℃、DO 0～100%；第二层统计检测，对滑动窗口用 Hampel 滤波（中位数 ± 3×MAD）或 IQR 法；第三层过程一致性，如补料速率突增但 DO 未下降、pH 未变化，则怀疑流量计跳变。示例：某批次 pH 在 120 h 出现单点 9.2，物理边界直接判为无效；某批次搅拌功率在 80 h 连续 5 点偏离中位数 4 倍 MAD，标记为异常段。异常值不直接删除，而是置为 NaN 后按缺失值策略处理，保留可追溯标记。

滤波与平滑：按信号带宽选方法

在线信号常含高频噪声。pH 与 DO 噪声幅度小但频率高，可用一阶低通或移动平均；温度惯性大，宜用指数加权移动平均（EWMA）；尾气 CO₂ 有脉冲噪声，宜用中值滤波。示例：对 DO 采用窗口 7 的 Savitzky-Golay 二次多项式平滑，既降噪又保留补料引起的下降沿；对 pH 采用 α=0.15 的 EWMA。注意滤波会引入相位滞后，若用于闭环控制，滞后应小于过程时间常数的 1/10。平滑后应保留原始列，便于回溯。

时间对齐：把多源数据放到同一时间轴

在线数据时间戳通常准确，离线化验时间戳对应“取样时刻”，但化验结果在数小时后才返回。对齐时以在线时间轴为基准，将离线值按取样时刻对齐，并显式记录“化验延迟”。若离线值代表取样到化验之间的平均状态，可将其视为该时间窗的中点。示例：在 96 h 取样测得葡萄糖 12.3 g/L，化验延迟 4 h，则将该值对齐到 96 h，并在建模时把 96～100 h 的在线特征与之关联。对频率不同的在线信号，统一重采样到 1 min 网格，用前向填充加时间加权插值。

批次轨迹标准化：让不同批次可比

批次间时长、接种密度、补料策略不同，直接比较原始曲线会失真。常用两种标准化：一是时间归一化，将批次时间映射到 [0,1] 或统一到“发酵小时”；二是幅度标准化，对每个变量按批次内均值和标准差做 z-score，或按参考批次的稳态值做比例缩放。示例：将 5 个批次的 VCD 曲线按发酵时长归一化到 0～100%，再对每条曲线做 z-score，得到可叠加的轨迹带。标准化参数必须只用训练批次估计，避免信息泄漏。

数据质量评估指标：用数字决定是否可用

建议为每个批次计算一组质量指标：缺失率、异常率、信噪比（SNR）、时间对齐偏差、轨迹标准化后的批次间离散度（如平均标准差）。示例阈值：缺失率 <5%、异常率 <2%、SNR >20 dB、对齐偏差 <2 个采样周期、批次间离散度 <0.3。任一指标越界则标记为“需复核”，不直接进入建模。下表给出一个可填写的质量评估示例。

把上述流程固化为脚本后，每个批次进入建模前都会得到一份质量报告。若某批次缺失率 6.2%、异常率 3.1%，则先复核探头与取样记录，而不是强行插值。只有质量指标全部通过的批次，才进入后续的软测量与动力学建模。预处理不是一次性动作，而是随数据积累不断迭代的工程习惯。