3. 混合模型基本原理
在生物工艺中，机理模型（Mechanistic Model）与数据驱动模型（Data-Driven Model）各有其不可替代的优势，也各有其难以回避的局限。混合模型（Hybrid Model）的核心思想，正是把两者组织到同一个建模框架中，让机理知识提供外推能力与结构约束，让数据驱动部分补偿未建模动态、参数漂移与批次差异。理解混合模型，关键不在于“把两个模型加起来”，而在于搞清楚融合发生在哪一层、信息以什么形式传递、以及这种融合在什么条件下才成立。
一、为什么需要融合：两类模型的互补性
机理模型基于质量平衡、能量平衡、Monod动力学、Luedeking-Piret方程等先验知识构建，参数具有物理意义，能在训练数据范围之外给出合理预测，适合描述细胞生长、底物消耗、产物生成的主干趋势。但生物系统的复杂性使机理模型往往存在结构性误差：未建模的代谢旁路、氧传递限制、混合不均、细胞状态异质性、以及随传代或设备变化而漂移的动力学参数，都会让纯机理模型在长期运行中偏离实际。
数据驱动模型（如PLS、SVR、随机森林、LSTM、高斯过程回归）不依赖显式机理，能从历史批次数据中学习输入输出映射，对非线性、多变量耦合和未建模效应有很强的拟合能力。但它需要足够覆盖工况的数据，外推能力弱，且当工艺条件、原料批次或设备状态改变时，预测可靠性会显著下降。
两者的互补关系可以概括为：机理模型负责“结构正确、趋势可信”，数据驱动模型负责“局部精确、残差补偿”。混合模型的目标，是在保持机理可解释性的同时，获得接近纯数据模型的预测精度。
二、融合策略的分类
按照数据驱动模块在建模链条中的位置与作用方式，混合模型通常分为三类，其结构差异直接决定了适用条件。
1. 串联式融合（Serial / Residual Hybrid）：机理模型先给出预测，数据驱动模型学习机理预测与实际观测之间的残差。即 ŷ = f_mech(x, θ) + g_data(x)，其中 g_data 只负责补偿机理模型的系统性偏差。这种结构最易实现，机理模型保持独立可解释，数据模块任务明确。适用于机理主干清晰、误差主要来自少数未建模效应的场景，例如产物生成速率受微量代谢副产物影响的情况。
2. 并联式融合（Parallel Hybrid）：机理模型与数据驱动模型各自独立预测，再通过加权、堆叠或贝叶斯融合得到最终输出。ŷ = w·f_mech + (1−w)·g_data，权重可固定、可随工况切换，也可由数据学习。适用于两类模型在不同工况区间各有优势的场景，例如补料初期机理模型更可靠、后期数据模型更准确。
3. 嵌入式融合（Embedded / Parameter Hybrid）：数据驱动模型不直接输出预测值，而是用于估计机理模型中的关键参数或不可测状态，如比生长速率 μ、比产物生成速率 q_p、氧传递系数 k_La。此时 ŷ = f_mech(x, θ̂_data)，θ̂_data 由数据模型给出。这种融合保留了完整的机理结构，外推能力最强，但对数据质量和参数可辨识性要求最高，适合软传感与状态估计任务。
三、融合位置决定信息流与可解释性
三类策略的本质区别在于数据驱动模块“介入”的位置。串联式中，数据模块只接触残差，机理模型完全独立，因此机理可解释性最强，但数据模块无法修正机理结构本身的错误；并联式中，两类模型平行贡献，融合权重成为关键设计变量，可解释性取决于权重是否可解释；嵌入式融合中，数据模块的输出是物理参数，机理模型负责最终预测，因此既保留了机理结构，又让数据驱动部分承担了“参数自适应”的角色，是软传感场景中最常用的形式。
从信息流角度看，串联式是“机理→残差→输出”的单向补偿；并联式是“双通道→融合→输出”的并行汇聚；嵌入式是“数据→参数→机理→输出”的嵌套传递。选择哪种结构，取决于你更信任机理结构还是更信任数据拟合能力，以及你是否需要外推。
四、适用条件与选择依据
实际选择时，可以从四个维度判断：机理知识完备度、数据覆盖范围、外推需求、可解释性要求。机理知识越完备、外推需求越强，越应选择嵌入式或串联式；数据覆盖越广、工况分段越明显，并联式越有优势；若机理结构本身存在较大不确定性，则应优先考虑串联式，让数据模块承担更多补偿任务。
需要特别注意的是，混合模型并非“越复杂越好”。如果机理模型已经足够准确，引入数据模块可能带来过拟合风险；如果数据量不足以支撑参数估计，嵌入式融合反而会放大噪声。融合的前提是两类模型各自在其擅长范围内工作，而不是互相干扰。
五、一个简化的教学示例
假设某补料分批发酵中，机理模型基于Monod方程预测比生长速率 μ_mech = μ_max·S/(K_s+S)，但实际由于代谢副产物抑制，μ 在后期偏低。若采用串联式融合，可令残差模型 g_data 以副产物浓度 P 和培养时间 t 为输入，学习 Δμ = μ_obs − μ_mech，最终 μ̂ = μ_mech + g_data(P, t)。若采用嵌入式融合，则直接用数据模型估计 μ̂，再代入机理模型计算底物消耗与产物生成。两种方式都能提升预测精度，但串联式保留了Monod结构，嵌入式则完全依赖数据对 μ 的估计质量。
混合模型的价值，最终体现在它能否在“机理可信”与“数据精确”之间找到平衡点。理解融合策略的分类与适用条件，是后续软传感设计、参数估计与在线校正的基础。