1. 生物过程数字孪生导论
生物过程数字孪生（Biopharmaceutical Process Digital Twin）是数字孪生理念在生物制药、发酵工程、细胞培养等领域的工程化落地。它并不是把实验室数据搬进电脑做一张漂亮的曲线图，而是为一条真实存在的生物工艺建立与之持续同步的虚拟副本：这个副本能接收真实过程的输入，能按机理与数据混合的方式推演过程状态，还能把推演结果反馈给操作者或控制系统，用于判断、预测和决策。
一、数字孪生的定义与三要素
数字孪生最早由 Grieves 在 2003 年提出，其核心是"物理实体—虚拟模型—双向连接"三要素。放到生物过程语境中，可以这样理解：
- 物理实体：一台 2000 L 搅拌式生物反应器，连同其 pH、溶氧（DO）、温度、补料泵、通气流量等执行与测量单元，以及罐内正在培养的 CHO 细胞或大肠杆菌。
- 虚拟模型：由机理方程（Monod 生长动力学、Luedeking-Piret 产物生成、氧传递 kLa 模型）与数据驱动模型（PLS、LSTM 软测量）耦合而成的可计算对象。
- 双向连接：真实罐的传感器数据实时写入模型，模型输出的未来状态（如 6 h 后葡萄糖浓度、乳酸累积趋势）回传给操作者或 APC 控制器。
缺少任何一环，都只能称为"模型"或"仿真"，而不是数字孪生。这是本章最需要建立的第一判断标准。
二、生物过程数字孪生的核心特征
生物过程与机械、航空对象不同，其状态变量（活细胞密度 Xv、比生长速率 μ、产物比生成速率 qp）大多不可直接在线测量，且过程具有强非线性、时变性和批次间差异。因此，生物过程数字孪生具备四个区别于通用数字孪生的特征：
- 软测量驱动：以 pH、DO、尾气 CO₂、补料速率等易测信号为输入，反推 Xv、μ、qp 等关键状态量。
- 机理与数据混合：纯机理模型难以覆盖细胞代谢的复杂性，纯数据模型外推能力差，混合建模是主流路线。
- 批次尺度同步：孪生体需在批次运行中持续更新，而非仅在批次结束后做回顾性拟合。
- 可解释的预测：预测结果必须能追溯到具体参数（如 μmax、Ks、Yx/s），才能被工艺人员信任并用于放行决策。
三、与传统模型、仿真的区别
传统生物过程建模常见两类：一类是离线参数拟合模型，用一批历史数据回归出 μmax、Ks，用于写批记录或做论文；另一类是 CFD 或代谢网络仿真，用于理解局部混合或代谢通量分布。它们与数字孪生的关键差异在于是否与运行中的物理过程保持实时数据闭环。
| 对比维度 | 传统模型/仿真 | 生物过程数字孪生 |
|---|---|---|
| 数据流向 | 单向：数据→模型 | 双向：数据↔模型↔控制 |
| 时间尺度 | 离线、批次后 | 在线、批次中持续更新 |
| 状态估计 | 已知输入求输出 | 由可测信号反推不可测状态 |
| 典型用途 | 论文、回顾性分析 | 实时监控、预测、放行辅助 |
四、典型应用场景与工程价值
在生物制药车间，数字孪生最常落在四个场景：
- 补料策略优化：孪生体预测未来 4 h 葡萄糖消耗，提前调整补料泵速率，避免葡萄糖耗尽或抑制性累积。
- 批次放行辅助：以实时 Xv、qp 预测终点滴度，缩短等待实验室检测的时间。
- 偏差调查：当 DO 出现异常跌落时，用孪生体回放并对比"正常轨迹"，定位是通气故障还是细胞耗氧突增。
- 工艺转移与放大：在 200 L 孪生体上先验证放大后的补料曲线，再执行到 2000 L。
其工程价值可归纳为：把"批次结束后才知道结果"变成"批次进行中就能预判结果"，从而降低失败批次成本、缩短放行周期、提升工艺稳健性。
五、本节知识结构图
下图把数字孪生的三要素、生物过程的四个特征、与传统模型的差异以及四类应用场景组织为一张关系图，便于建立整体认知框架。
六、一个可操作的入门示例
假设某 CHO 补料批次，初始工作体积 2000 L，目标活细胞密度 12×10⁶ cells/mL。孪生体以 5 min 为采样周期接收 pH、DO、尾气 CO₂ 与补料泵累计流量，用简化 Monod 模型估计比生长速率：
μ = μmax · S / (Ks + S) · Ki / (Ki + L)
其中示例参数：μmax = 0.035 h⁻¹，Ks = 2.5 g/L，
Ki = 45 g/L（乳酸抑制常数），S 为葡萄糖浓度，L 为乳酸浓度。当孪生体预测 4 h 后 S 将降至 0.8 g/L（低于设定下限 1.5 g/L）时，输出补料速率上调建议；操作者确认后执行。批次结束后对比预测 Xv 与实际离线检测 Xv，若偏差在 ±10% 以内，说明当前参数集可用于下一批次的在线预测。这就是一个最小可用的数字孪生闭环。