2. 生物过程数据采集与传感器体系
生物过程的多变量数据分析，第一步不是建模，而是把“过程里真实发生了什么”变成一条条带时间戳、带单位、带质量标记的数据。发酵或细胞培养过程中，pH、溶氧（DO）、温度、补料、尾气、光谱这几类变量分别由不同原理的传感器采集，它们的采样频率、响应延迟、安装位置和信号形态差异很大。如果忽略这些差异，后续的PCA、PLS或软测量模型会把“时间错位”误读成“过程相关”，得到看似合理却无法复现的结论。
在线变量与离线变量的分工
在线变量由过程分析技术（PAT）或控制系统直接连续采集，典型包括：pH（玻璃电极或ISFET，1 Hz～0.1 Hz）、DO（极谱或荧光电极，1 Hz～0.1 Hz）、温度（Pt100/热电偶，1 Hz）、补料质量或流量（称重传感器或科氏力流量计，0.2～1 Hz）、尾气O₂/CO₂（顺磁或NDIR，0.1～0.5 Hz）、近红外/拉曼光谱（0.05～0.2 Hz，单次扫描毫秒级但平均后输出慢）。离线变量由人工或自动取样后送分析，如细胞密度、葡萄糖/乳酸、氨基酸、效价、蛋白浓度，频率通常为每2～12 h一次，且存在取样到出结果的数十分钟到数小时延迟。
两类变量的核心区别不只是频率，而是“时间语义”：在线值代表采样瞬间的物理量，离线值代表取样时刻的样品状态，但结果在之后才可用。若把离线结果直接对齐到“结果返回时刻”，就会引入系统性滞后，使模型把“补料后3 h的葡萄糖”错误关联到“补料后5 h的细胞状态”。
频率、延迟与同步的三个层次
频率不匹配带来两个问题：一是降采样时若用简单抽取，会丢失尖峰（如pH瞬时波动）；二是升采样时若用线性插值，会制造不存在的平滑趋势。工程上更稳妥的做法是：先按“最慢关键变量”确定公共时间栅格，再对快变量做抗混叠滤波后聚合（均值、斜率、极值），对慢变量做零阶保持或按取样时刻标记，而不是统一插值。
延迟分三类：传感器响应延迟（DO电极的膜扩散，t90约10～60 s）、传输与处理延迟（尾气经管路到分析仪，数秒到数十秒）、离线分析延迟（取样到报告，0.5～4 h）。同步的目标不是把所有点“对齐到同一秒”，而是让每个变量携带“它实际代表的过程时刻”。常用做法是给每条记录加两列：sample_time（物理取样时刻）和available_time（数据可用时刻），建模时按available_time做因果对齐，避免未来信息泄漏。
一个可复现的同步示例
假设某批次培养，公共时间栅格设为1 min。pH、DO、温度原始1 Hz，先做5点滑动平均再取每分钟均值；补料称重0.5 Hz，取每分钟首值并计算累计补料量；尾气0.2 Hz，按管路体积与流量估算延迟约25 s，将CO₂曲线整体右移25 s后再聚合；离线葡萄糖每2 h取样，报告延迟约45 min，则记录sample_time=10:00、available_time=10:45，建模时该值从10:45起才允许使用。最终数据表每分钟一行，列包括pH_mean、DO_mean、T_mean、F_cum、CO2_lag、Glc_offline及Glc_flag（0=实测，1=保持，2=缺失）。
available_time而非sample_time。质量标记与缺失处理
传感器体系必须携带质量信息，否则多变量分析会把“电极漂移”“取样失败”“分析超量程”当成过程变化。建议至少保留三类标记：valid（正常）、hold（零阶保持，用于离线值在两次取样之间）、missing（缺失，用NaN）。对pH和DO，还要记录校准时间与斜率，若斜率低于阈值（如pH电极<85%），该时段数据应降权或标记为可疑。缺失比例超过20%的变量，在PCA中应谨慎解释其载荷。
从采集到分析的交接清单
| 检查项 | 要求 | 常见错误 |
|---|---|---|
| 时间戳 | 每条记录含sample_time与available_time | 只存一个时间，离线值按返回时刻对齐 |
| 频率 | 公共栅格≤最慢关键变量周期 | 直接抽取快变量，丢失尖峰 |
| 延迟 | 尾气、DO、离线分析分别补偿 | 忽略管路和分析延迟 |
| 单位 | 统一为g/L、%、h、L | 补料体积与质量混用 |
| 质量标记 | valid/hold/missing三态 | 用0填充缺失值 |
| 校准 | 记录校准时间与斜率 | 漂移数据未标记 |
把上述工作做扎实后，后续的多变量分析才有可靠输入。频率、延迟与同步不是数据预处理的小细节，而是决定模型能否反映真实生物过程的第一道关口。