1. 生物过程控制工程导论
生物制造的核心挑战，在于我们面对的是一个“活”的生产系统。与化工过程中组分明确、反应机理相对清晰的体系不同，生物过程的主角是细胞或酶，它们对温度、pH、溶氧、底物浓度和代谢副产物极其敏感，并且会随培养时间发生生理状态迁移。这意味着控制对象不是静态的，而是具有时变、非线性、强耦合和显著滞后的动态系统。理解这些特性，是讨论任何控制策略的前提。
一、生物过程的四个关键特性
1. 非线性与饱和效应。细胞生长对底物浓度通常呈Monod型饱和关系：底物过低限制生长，过高则可能产生抑制。补料速率与比生长速率之间不是线性比例，控制增益会随操作点漂移。
2. 时变与状态迁移。同一批发酵中，菌体从延滞期、对数生长期到稳定期，其比生长速率、维持系数和产物合成能力持续变化。上午调好的PID参数，下午可能已经不再适用。
3. 大滞后与多变量耦合。溶氧受搅拌转速、通气量、罐压和菌体耗氧共同影响；pH受补碱、补酸和代谢产酸共同影响。改变一个操纵变量，往往同时扰动多个被控变量。
4. 测量受限与软测量需求。关键变量如细胞浓度、产物浓度、比生长速率往往无法在线直接测量，只能通过溶氧、尾气CO₂、pH、补料量等可测信号间接推断。
二、控制目标的分层
生物制造的控制目标通常分为三层。底层是安全与设备约束：温度、压力、液位、搅拌功率不越限，避免染菌和失稳。中层是环境变量调节：将pH、溶氧、温度、补料速率稳定在设定值附近，为细胞提供稳定环境。顶层是生理与代谢目标：控制比生长速率、维持底物浓度在低限、抑制副产物积累、提高产物得率与体积生产率。
传统PID主要解决中层问题，对顶层目标往往力不从心。原因在于：顶层目标通常没有直接对应的设定值，且需要同时协调多个操纵变量。例如，要让比生长速率稳定在0.15 h⁻¹，需要根据当前细胞浓度和底物消耗速率动态调整补料泵，而细胞浓度本身又依赖补料历史。这是一个典型的带约束、多变量、有模型依赖的控制问题。
三、MPC在生物制造中的定位
模型预测控制（MPC）的核心思想是：利用过程模型预测未来一段时间内的输出轨迹，在满足约束的前提下，求解一组最优操纵变量序列，并只执行第一个控制量，下一时刻重新预测和优化。它天然适合处理多变量、有约束、有滞后和非线性的对象。
在生物制造中，MPC的定位可以概括为三点：
- 约束协调器：把溶氧下限、补料泵上限、代谢副产物上限等硬约束显式写入优化问题，避免传统控制中“先超限再报警”的被动局面。
- 多变量解耦器：同时协调补料、通气、搅拌、补碱等操纵变量，使pH、溶氧、比生长速率等目标同步趋近。
- 软测量与状态估计的载体：结合扩展卡尔曼滤波或滚动时域估计，把不可测的细胞浓度、产物浓度纳入预测模型，实现“估计—预测—优化”闭环。
需要强调的是，MPC不是替代PID，而是叠加在底层回路之上的监督层。底层PID负责快速执行流量、压力、温度等基础调节，MPC负责在分钟级时间尺度上优化设定值和补料策略。两者分工明确，才能兼顾响应速度与全局优化。
四、一个可理解的示例：补料分批培养中的比生长速率控制
假设某大肠杆菌补料分批培养，目标比生长速率 μ_set = 0.15 h⁻¹。可在线测量尾气CO₂释放率（CER）和补料速率 F，离线采样获得细胞浓度 X。简化模型采用：
dX/dt = μ·X − k_d·X
dS/dt = F·S_f/V − μ·X/Y_xs − m·X
μ = μ_max·S/(K_s + S)其中 S_f 为补料底物浓度，Y_xs 为细胞得率，m 为维持系数。MPC在每个采样时刻（例如每5分钟）执行以下步骤：
- 用当前估计的 X 和 S，以及模型参数，预测未来30分钟内的 μ 轨迹。
- 以 μ 与 μ_set 的偏差最小为目标，同时约束 F ∈ [0, F_max]、S ≤ S_inhibit、溶氧 ≥ 20%。
- 求解得到未来6个控制步的补料速率序列，只执行第一个值。
- 下一时刻用新的测量更新状态估计，重新优化。
与固定指数补料相比，MPC能在细胞浓度偏高时自动降低补料，避免底物积累和乙酸生成；在细胞浓度偏低时适度提高补料，缩短培养周期。这种“边预测边修正”的机制，正是MPC在生物过程中最有价值的工程属性。
五、为什么现在值得学MPC
过去MPC在生物过程应用受限，主要因为模型获取困难、在线计算资源不足、软测量精度不够。如今三个条件都在改善：机理模型与数据驱动混合建模降低了建模门槛；工业边缘控制器可以承载非线性优化求解；拉曼光谱、近红外等在线分析技术提供了更多实时信息。MPC正从“论文里的方法”变成“产线上的选项”。