4. 生物过程数据采集与实验设计
软测量模型的质量上限，几乎在数据采集阶段就已经被决定。一个再精巧的回归或神经网络，如果训练数据没有覆盖真实的操作区间、缺少关键变量的同步记录、或者激励信号过于单一，最终都只能得到“在训练集上好看、在产线上失效”的模型。本节围绕在线传感器、离线化验、批次实验、激励信号设计与数据记录规范五个环节，说明如何为软测量模型构建一份“可建模、可复现、可验证”的数据资产。
在线传感器：软测量的高频骨架
在线传感器提供的是秒级到分钟级的时间序列，是软测量模型的主要输入来源。以典型的发酵过程为例，常用的在线量包括：温度（PT100，±0.1 ℃）、pH（玻璃电极，±0.02）、溶解氧（极谱式或荧光式，% 饱和度）、尾气 O₂/CO₂（顺磁或红外，分辨率 0.01%）、补料质量（称重传感器，±0.1% FS）、搅拌转速与通气流量。这些量共同刻画了细胞的“即时生理状态”。
采集在线数据时，有三个容易被忽视的工程细节。第一是采样周期与时间戳对齐：不同传感器的扫描周期不同（如 pH 1 s、尾气 5 s、称重 1 s），必须统一到同一时间基准，通常做法是以 1 s 或 10 s 为基准周期，对慢变量做零阶保持或线性插值。第二是信号滤波与延迟：pH 电极响应存在数十秒滞后，尾气分析仪有管路传输延迟（约 10～30 s），若直接与离线化验对齐，会引入系统性偏差。第三是量程与单位一致性：同一变量在不同批次中若单位不同（如 DO 用 % 与 mg/L），必须在入库前统一。
离线化验：稀疏但关键的“标签”
软测量要预测的对象——菌体浓度（DCW）、产物浓度、底物残留、比生长速率等——大多无法在线直接测量，只能通过离线化验获得。离线数据的特点是采样稀疏、时间不规律、存在化验误差。例如每 2 h 取样一次测 DCW，每次取样 5 mL，离心、洗涤、烘干称重，误差约 ±3%。
离线化验与在线数据之间必须建立明确的对应关系。推荐做法是：在化验记录中同时记录取样时刻与化验完成时刻，建模时以取样时刻为准，将离线值作为该时刻的标签，再与在线序列按时间戳对齐。若取样后经过稀释或预处理，需在记录中注明稀释倍数，避免标签被系统性缩放。
批次实验：覆盖操作空间的样本来源
软测量模型的泛化能力，取决于训练数据是否覆盖了实际生产中可能出现的操作条件。单一批次的数据只能反映一条轨迹，无法支撑模型外推。因此需要设计批次实验矩阵，有意识地改变关键操作变量，使数据在操作空间中分布均匀。
以补料分批发酵为例，可考虑的操作变量包括：初始糖浓度（如 20、30、40 g/L）、补料速率（如 5、10、15 g/L/h）、诱导温度（如 25、30 ℃）、诱导时机（如 OD₆₀₀ = 10、20、30）。若全因子组合，4 个变量各 3 水平共 81 批，成本过高。实际中常用部分因子设计或拉丁超立方采样，在 12～20 批内覆盖主要变化方向。每批实验应至少包含一次“中心点”条件，用于评估重复性。
激励信号设计：让数据“有信息”
如果所有批次都按同一条“标准曲线”操作，在线变量之间高度共线，模型无法区分不同变量的贡献。激励信号设计的目的，就是让输入变量在时间上产生可辨识的变化。常见做法包括：
- 阶跃激励：在某一时刻将补料速率从 8 g/L/h 突变为 12 g/L/h，观察 DO、尾气 CO₂ 的响应，用于辨识过程增益与时间常数。
- 脉冲激励：短时加入一定量底物，观察底物残留与 DO 的恢复过程，用于估计比消耗速率。
- 伪随机二进制序列（PRBS）：在补料速率上叠加 ±10% 的随机切换，使输入信号在频域上覆盖较宽范围，适合辨识动态模型。
激励幅度需权衡：太小则响应淹没在噪声中，太大则可能冲击细胞代谢、改变生理状态。一般建议阶跃幅度不超过稳态值的 20%～30%，并在激励前后各保留一段稳态数据用于基线校正。
数据记录规范：让数据可复现、可追溯
数据记录不是“把数存下来”这么简单。一份合格的软测量数据集，应包含以下层次：
| 层次 | 内容 | 示例字段 |
|---|---|---|
| 批次元数据 | 批次编号、菌株、培养基、反应器编号、操作人、日期 | batch_id, strain, medium, reactor_id |
| 在线时序 | 时间戳、变量名、数值、单位、质量标记 | timestamp, pH, DO, CER, feed_rate |
| 离线化验 | 取样时刻、化验项目、数值、单位、稀释倍数、误差范围 | sample_time, DCW, product, dilution |
| 事件日志 | 补料开始/停止、诱导、取样、异常报警 | event_time, event_type, note |
在文件组织上，推荐每个批次一个独立目录，内含 online.csv、offline.csv、events.csv 和 meta.json。所有时间戳统一为 ISO 8601 格式并注明时区，数值列保留原始精度，不做提前舍入。对于缺失值，用空字段而非 0 填充，并在质量标记中注明缺失原因（如“电极校准”“取样中断”）。
batch_20240512_A/
├── meta.json
├── online.csv # timestamp,pH,DO,CER,feed_rate
├── offline.csv # sample_time,DCW,product,dilution
└── events.csv # event_time,event_type,note从采集到建模：一条完整的数据链
把上述环节串起来，可以看到软测量数据采集的完整链路：在线传感器提供高频骨架，离线化验提供稀疏标签，批次实验扩展操作空间，激励信号增加动态信息，数据记录规范保证可追溯。任何一个环节缺失，都会在建模阶段以“预测偏差大”“外推失效”“无法复现”等形式暴露出来。
在实际项目中，建议把上述链路固化为一份数据采集检查清单：每批实验开始前确认传感器校准状态与采样周期；实验中按事件日志记录每一次操作；实验结束后 24 h 内完成离线化验并录入；入库前检查时间戳对齐、单位一致、缺失值标记。只有把数据采集当作工程规范来执行，软测量模型才有可靠的上限。