2. 数字孪生技术栈概览
生物工艺放大之所以难，核心在于“尺度变了，机理没变，但表现变了”。一个在 2 L 生物反应器里表现良好的补料策略，放大到 2000 L 后可能因为混合时间从几秒变成几十秒、氧传递系数 kLa 下降、局部 pH 与溶氧梯度增大而失效。数字孪生要解决的，正是把这种“尺度—机理—表现”的关系显式地建出来，并在运行中持续校正。要做到这一点，单靠一种模型是不够的，它需要一套分层协作的技术栈：物理模型提供机理骨架，数据驱动模型补偿未知与漂移，混合模型把两者耦合，实时数据流保证状态同步，计算架构决定这套系统能否在放大周期内跑得动、跑得稳。
物理模型：机理骨架与可外推性
物理模型是数字孪生的“骨骼”，它用守恒方程描述生物反应器内的物质与能量平衡。以补料分批培养为例，常用的状态方程可写成：
dX/dt = μ(S,DO,pH,T)·X − (F/V)·X
dS/dt = −(μ/Yxs)·X + (F/V)·(Sf − S)
dP/dt = qp·X − (F/V)·P
dV/dt = F
μ = μmax·(S/(Ks+S))·(DO/(Kdo+DO))·I(pH)·I(T)其中 X 为细胞浓度，S 为限制性底物浓度，P 为产物浓度，V 为体积，F 为补料流率，Sf 为补料液底物浓度。这类模型的价值在于参数具有物理意义，可以跨尺度外推：kLa 随通气量与搅拌功率变化，混合时间随体积与几何相似准则变化，传热面积随高径比变化。放大时，工程师通常先固定单位体积功率输入 P/V 或氧传递能力 kLa，再反推搅拌转速与通气量，这就是物理模型给出的“可解释的放大依据”。但物理模型的短板同样明显：μmax、Ks、qp 等参数往往随细胞状态、培养基批次、代谢漂移而变化，模型一旦偏离真实过程，预测就会系统性偏错。
数据驱动模型：从历史批次中学习偏差
数据驱动模型不要求写出机理方程，而是从历史批次数据中学习输入与输出之间的映射。在生物工艺中，常见的输入包括温度、pH、DO、补料速率、通气量、搅拌转速，输出包括活细胞密度、产物滴度、代谢副产物、糖基化分布等。典型做法是先用偏最小二乘（PLS）或主成分分析（PCA）做降维与异常检测，再用随机森林、梯度提升或长短期记忆网络（LSTM）做软测量与趋势预测。例如，用在线拉曼光谱结合 PLS 模型，可以在不取样的情况下预测葡萄糖与乳酸浓度，采样周期从数小时缩短到分钟级。数据驱动模型的优势是能捕捉物理模型难以刻画的非线性与批次差异，但它依赖数据覆盖范围，遇到从未出现过的工况（如新细胞株、新培养基）时外推能力弱，容易给出“看似合理但错误”的预测。
混合模型：机理与数据的耦合方式
混合模型是数字孪生真正落地的关键。它把物理模型作为结构先验，把数据驱动模型作为残差补偿或参数估计器。常见的耦合方式有三种：串联式、并联式和嵌入式。串联式中，物理模型先给出基线预测，数据模型再对残差建模；并联式中，两者独立预测后加权融合；嵌入式则把数据模型嵌入物理模型内部，用于估计随时间变化的参数，例如用递归贝叶斯或扩展卡尔曼滤波在线更新 μmax 与 qp。以一批 2000 L 补料分批培养为例，物理模型给出产物滴度的基线预测为 4.2 g/L，但实际在线拉曼与离线取样显示代谢漂移，数据模型估计出比生长速率偏低约 12%，混合模型据此修正补料曲线，使滴度预测误差从 ±18% 收敛到 ±6% 以内。这里的数值属于教学示例，用于说明耦合逻辑，并非实测结果。
实时数据流：让孪生体与真实反应器保持同步
数字孪生不是离线模型，它必须与真实反应器保持状态同步。实时数据流的关键环节包括采集、清洗、时间对齐、状态估计与反馈。在线传感器（pH、DO、温度、尾气 CO₂/O₂）通常以秒级频率采集，离线取样（VCD、滴度、代谢物）则以小时或天级频率返回。两类数据时间尺度差异大，必须先做时间戳对齐与插值，再送入状态估计器。工程上常用扩展卡尔曼滤波（EKF）或滚动时域估计（MHE）把物理模型预测与在线观测融合，输出当前状态的最优估计。例如，当尾气 CO₂ 释放率突然上升而 DO 仍稳定时，EKF 会判断比生长速率可能偏高，进而提示补料速率需要下调。若数据清洗不到位，一个未标记的取样延迟就可能让状态估计滞后半小时，导致补料决策失准。
计算架构：边缘、平台与云的分工
计算架构决定数字孪生能否在放大周期内稳定运行。边缘层负责毫秒级控制与传感器预处理，保证 pH、DO 等关键回路的实时性；工艺平台层运行物理模型、混合模型与状态估计器，承担批次管理与报警逻辑；云端负责历史数据存储、模型训练与跨批次分析。三层之间通过 OPC UA、MQTT 或工业数据总线通信。一个常见的工程约束是：混合模型中的 EKF 每步计算量不大，但若把 LSTM 软测量也放在边缘层，算力可能不足；更合理的做法是把 LSTM 推理放在平台层，边缘层只做数据缓存与安全联锁。放大到 2000 L 时，采样点从几十个增加到数百个，数据吞吐与时间同步压力显著上升，架构设计必须提前考虑冗余与降级策略。
把上述五层放在一起看，数字孪生的技术栈并不是“选一个模型”，而是“让机理、数据、实时流与算力各司其职”。物理模型回答“为什么这样放大”，数据驱动模型回答“这批和上批差在哪”，混合模型回答“现在该怎么调”，实时数据流回答“当前状态是什么”，计算架构回答“这套系统能不能稳定跑起来”。理解这五层的关系，是后续逐层深入建模、部署与验证的前提。