4. 生物过程数据预处理与质量保障

生物过程数据来自在线传感器（pH、溶氧、温度、尾气CO₂/O₂）、离线取样（细胞密度、代谢物浓度、效价）以及补料/通气等操作记录。这些数据在进入数字孪生模型前，必须经过一套质量保障流程，否则异常值、缺失、噪声、批次差异和时间错位会被模型当作真实规律学习，导致状态估计漂移、软测量失效甚至控制决策错误。本节围绕异常值检测、缺失值插补、滤波与平滑、批次效应校正、数据对齐与时间同步五个环节，说明实际怎么做以及如何判断处理是否合理。

异常值检测：先定义“正常”的边界

异常值检测不是简单删除离群点，而是先建立正常工况的参考。常用三类方法：基于统计的3σ或稳健Z分数（用中位数与MAD替代均值与标准差，避免异常值污染阈值）、基于物理范围的硬约束（如pH在6.6～7.2、溶氧不低于5%空气饱和度）、基于时间序列的突变检测（相邻采样点变化率超过工艺允许上限）。以某批次pH序列为例，采样间隔1 min，正常波动标准差约0.02，若某点相对前一分钟跳变0.35且持续单点，则判定为传感器尖峰。处理策略应分级：单点尖峰可标记并插补；连续多点越界需检查电极标定或补料阀状态，不能直接覆盖。

缺失值插补：区分随机缺失与结构性缺失

缺失分两类：随机缺失（如通信丢包、单次取样失败）和结构性缺失（如离线取样间隔长、某传感器整段未启用）。随机缺失且缺口短（≤3个采样点）时，线性插值或三次样条即可；缺口较长或参数间强相关时，用同批次其他变量做回归插补，例如用尾气CO₂释放率与补料速率回归估计细胞密度。结构性缺失不能靠插补“造”出高频信息，应降采样到真实可用的时间分辨率，或将该变量作为低频观测单独进入模型。插补后需检查插补段是否引入虚假平滑：若插补段方差显著低于相邻真实段，说明插补过度，应改用带过程噪声的卡尔曼平滑。

滤波与平滑：抑制噪声但保留动态

在线传感器噪声会放大微分项，影响比生长速率等派生量。常用方法：滑动平均（窗口5～15点，适合缓变信号）、Savitzky-Golay滤波（多项式拟合，保留峰形，适合代谢物浓度曲线）、一阶低通滤波（y_k=αy_{k-1}+(1-α)x_k，α取0.7～0.9）、卡尔曼滤波（有过程模型时最优）。选择依据是信号带宽与噪声水平：pH和温度变化慢，可用较大窗口；溶氧在通气切换时变化快，窗口过大会掩盖真实响应。判断滤波是否合适，可对比滤波前后残差是否接近白噪声，以及关键拐点（如补料启动、溶氧反弹）是否被延迟超过2个采样周期。

批次效应校正：让不同批次可比

不同批次的传感器标定、接种状态、原材料差异会引入系统性偏移。校正目标是保留批次内真实动态，只去除批次间不可解释的偏移。常用做法：选取一个参考批次（质量最完整、过程最标准），计算各批次在相同生理阶段（如对数中期）的变量中位数，用差值或比值将其他批次对齐到参考批次。对于乘性效应（如效价整体偏低20%），用比例因子校正；对于加性效应（如pH整体偏移0.1），用偏移量校正。校正后必须检查：参考批次曲线不变，其他批次在校正后与参考批次的同阶段差异应显著缩小，但批次内的时间趋势和拐点位置不能改变。

数据对齐与时间同步：统一时间轴

多源数据的时间基准不同：在线传感器用采集系统时钟，离线取样用人工记录时间，操作事件用DCS时间戳。对齐步骤：第一，将所有时间戳转换为统一基准（建议用批次相对时间，以接种时刻为0）；第二，确定统一重采样网格，例如5 min，网格间隔应不高于最快动态的1/5；第三，对高频在线数据用聚合（均值或中位数）落到网格，对低频离线数据用插值或保持（零阶保持）落到网格；第四，校正离线取样的死时间，例如取样管路延迟2 min、离心和检测耗时15 min，则实际代表时刻应回退17 min；第五，操作事件对齐到最近网格，并生成事件指示变量。对齐后应检查因果性：补料事件之后溶氧和pH的响应方向是否符合工艺预期，若响应出现在事件之前，说明时间戳或滞后补偿有误。

可执行的质量保障检查清单

完成上述处理后，数据才具备进入数字孪生建模的基本条件：异常值有标记、缺失有合理来源、噪声被适度抑制、批次间可比、时间轴一致。后续的特征工程、状态估计和模型训练都应基于这份经过质量保障的数据集，而不是原始导出数据。