1. 生物工艺混合模型与软传感工程导论

生物制药生产中的许多关键质量属性（如产物浓度、宿主细胞蛋白残留、糖基化分布）无法用在线硬件传感器直接连续测量，而离线取样又存在滞后、污染风险和成本问题。混合模型与软传感工程正是为解决这一矛盾而发展起来的技术体系：它把机理知识与数据驱动方法结合起来，用可测量的过程变量（温度、pH、溶氧、补料速率、尾气CO₂、拉曼光谱等）推断难以直接测量的目标量，从而支撑实时放行、过程分析和闭环控制。

课程要解决的核心问题

本课程围绕三个层层递进的问题展开。第一，如何把已知的生化反应机理（Monod动力学、物料衡算、能量平衡）写成可计算的状态方程，作为模型的骨架。第二，当机理模型存在未建模动态、参数漂移或批次差异时，如何用数据驱动模块（如高斯过程回归、神经网络、偏最小二乘）补偿残差，而不是用黑箱模型完全替代机理。第三，如何把混合模型部署为在线软传感器，并给出可靠的预测区间与故障判据，使其能被质量部门接受。

需要强调的是，软传感不是“用机器学习拟合一个浓度曲线”。它的工程价值在于：预测结果必须带不确定度、必须能追溯到输入信号质量、必须在超出训练域时给出告警。否则一个在历史批次上R²=0.98的模型，在放大到2000 L罐时可能完全失效。

技术框架：从信号到决策的四层结构

下图给出本课程贯穿始终的技术框架。它按信号链方向组织，从物理测量层出发，经特征与状态估计层、混合模型层，最终到达软传感输出与决策层。每一层都有明确的输入、输出和典型失效模式，后续章节将逐层展开。

机理模型与数据模型的结合方式

混合模型并非简单地把两个模型相加。工程上常见三种结合结构，本课程会逐一实现并比较。

• 串联结构：机理模型先给出预测，数据模型只学习其残差。优点是机理骨架保证外推趋势合理，数据模块只需拟合小量非线性偏差。例如用Monod方程预测μ，再用高斯过程回归修正因温度波动引起的偏差。
• 并联结构：机理项与数据项同时作用于输出，通过权重或贝叶斯融合。适合机理模型部分参数未知、但结构可信的场景。
• 参数嵌入结构：用数据模型在线估计机理模型中的时变参数（如最大比生长速率μmax、维持系数m）。这是最贴近工业实践的一种，因为它保留了机理模型的可解释性，同时允许参数随批次漂移。

以CHO细胞培养为例，若采用参数嵌入结构，状态方程可写为：

dX/dt = (μ - kd) · X
dS/dt = -qS · X + F/V · (Sf - S)
μ = μmax · S/(Ks + S) · Ki/(Ki + L)

其中 μmax 由在线数据模块每 30 min 更新一次，
输入特征为：温度、pH、累积补料量、尾气CO₂释放速率。

这里μmax不再是一个固定常数，而是被数据模块动态修正的量。这样既避免了纯黑箱模型无法解释的缺陷，也弥补了机理模型对细胞状态变化不敏感的不足。

软传感器的工程约束

把上述模型变成可用的软传感器，需要满足几项硬性约束，它们也是本课程后续实验和项目评审的检查点。

典型应用场景与课程路线

本课程选取四个典型场景作为贯穿案例：产物浓度软测量、代谢状态监测、质量属性预测、故障与异常检测。它们共用同一套四层信号链，但输出目标和评价指标不同。产物浓度关注均方根误差和区间覆盖率；代谢状态关注对代谢溢流等事件的提前预警时间；质量属性关注分类或回归的准确率与假阴性率；故障检测关注误报率和漏报率的平衡。

后续章节将按“数据获取与预处理 → 机理模型建立 → 数据模块训练 → 混合结构选择 → 不确定度量化 → 在线部署与监控”的顺序推进。每一部分都会给出具体的输入输出、示例参数和结果判读方法，使读者最终能够独立完成一个从原始过程数据到在线软传感器的完整实现。