夜雨聆风本账号致力于构建一个工业发酵知识体系，赋能每一位从业者，加速创新技术从实验室走向产业，为社会创造更健康、更绿色、更可持续的未来。欢迎做生物发酵相关的朋友关注交流。
发酵控制的最新趋势，是从依赖离线取样与人工经验，转向基于在线传感融合、自适应状态推断与整合式监督架构的智能闭环控制。
在系统性地阐述了建模方法、状态估计与各类高级控制策略之后，读者自然要问：这些理论框架若要真正落地于工业发酵过程，还需要怎样的技术支撑？答案指向两个关键维度——更丰富的过程信息获取手段，以及更完善的监督与整合架构。近年来，多个领域的技术突破正为这一目标开辟新的可能，新型传感技术、软件传感器以及整合式监督控制方案的协同发展，正在逐步弥合过程认知不足与实时控制需求之间的鸿沟。
以下小节将围绕这些最新进展展开，重点介绍荧光检测与微传感器阵列如何推动传感系统向小型化、多场景适配方向演进，阐述软件传感器（状态观测器）如何借助数学模型与在线测量数据还原无法直接测量的关键变量，并最终呈现一个将建模、自适应技术与过程监督融为一体的整合式控制方法体系。
过程中的全部可用信息，包括环境变量（温度、pH、搅拌速率等）与控制回路信号，都需要被充分利用，以保障发酵过程在设定条件下稳定运行。对于发酵过程而言，监督控制是提升系统可靠性、可用性与安全性的核心环节。但受限于过程认知不足、可靠传感器缺失，以及微生物行为的不可预测性，这项工作难度极高，有时甚至超出人工操作员的能力范围。 目前已有多种适用于不同领域（化工过程、石油加工、废水处理等）的监督控制方案被提出（Antsaklis and Passino, 1993; Aguilar-Martín, 1996; Dojat et al., 1998），但所有方案的通用逻辑都可通过下图的架构概括。
图 监督控制架构
根据Koch（1993）的定义，监督系统包含两项核心任务：过程监控与监督控制。过程监控模块通过数据采集与信号处理，判断过程是否处于异常状态、是否需要执行校正操作；这类干预动作结合故障诊断，共同构成监督控制的核心工作。
在此框架下，发酵过程的整合式控制方法正逐步向「过程建模-自适应技术-过程监督」融合的方向发展。通过增设监督控制模块（见以下框图），构建了一套完整的过程控制方法体系。该模块负责采集全流程数据（测量值、报警信息、工况复位记录等）与过程控制参数；换言之，它会整合并利用来自建模、参数估计、状态观测、控制回路、环境条件，以及过程专家知识的全部信息。
图 整合式过程控制方法体系
1. 新型传感器技术
直接在线检测发酵产物得率，是发酵技术人员与研究人员长期以来的核心目标。新型传感器搭配简易光纤连接即可装入发酵罐，检测染料中荧光强度的动态变化：特定波长的激发光触发荧光信号，再通过荧光法定量检测。
将目标产物的表达与荧光检测系统耦合，可直接、在线获取与产物得率相关的测量数据。检测器输出的模拟信号可接入过程控制软件，进而调控其他被测参数，实现产量最大化。
该系统还可用于检测常规参数（如pH、溶解氧、溶解二氧化碳浓度）。荧光检测单元既可以整合在传感器探针内部，也可以做成独立的微型「贴片」，放置在微孔板等一次性耗材中，或加装在培养摇瓶上。这实现了小体积样品的快速筛选：仅通过培养环境的部分指示数据，就能初步判断菌株的放大潜力，为后续工艺放大与数据积累提供依据。
另一项技术推动力是微量过滤系统的实时检测技术：它可实现细胞与上清培养液的在线分离，分离后的培养液可直接输送至外置分析仪检测。这类方案的核心是分离系统，而非分析过程本身；其共同特点是可实时输出数据，用于指导补料策略，优化产物得率，延长代谢物或菌体的生产周期。
此外，大量传感器正朝着微型化方向发展，催生出微传感器阵列。这类微型器件尤其适配生物过程场景，可捕捉过程的瞬态变化，响应生产工况波动。其技术原理基于纳升级体积的核酸、蛋白质或其他细胞组分处理方法，再通过微型电子器件完成分析。
2.软件传感器
反应物与产物浓度（如生物量）无法在线测量，是发酵过程优化与控制的核心限制。一种有效的解决方案是软件传感器，也常被称为「状态观测器」：它利用已有的在线检测信息，结合数学模型，在线预测过程的状态变量。
生物过程中常用的软件传感器分为两类：
1.第一类基于精确的模型结构（如龙伯格观测器、卡尔曼观测器），优势是收敛速度快，缺点是对参数不确定性高度敏感。
2.第二类是渐近观测器，仅基于物料衡算与能量衡算构建，这是其核心优势；但相应地，这类观测器的收敛周期通常更长。
总体而言，软件传感器对底物浓度、生长速率等部分过程状态的估算精度较高；但在产物合成等阶段，估算精度往往会下降。原因是细胞的全部代谢机制尚未被完全阐明，因此需要开发鲁棒性更强的模型，以覆盖这类代谢波动。
针对这一问题，自适应滤波与参数估计技术（统称软件传感器）是目前公认的优化方向（Ben Youssef, 1996; Ben Youssef et al., 1996; Nejjari et al., 1999a, b）。其核心目标是：结合在线测量数据、离线实验数据，以及过程的物理化学模型，还原无法直接测量的过程变量。
发酵过程具有强非线性、非稳态的特性，加之活微生物的动态作用，使得基于线性方法的估算程序存在明显局限。针对这类过程，我们选择基于非线性自适应技术，开发估算方法与软件传感器算法。模型通过实验数据拟合得到。 如前文所述，发酵过程控制的两大核心难题：一是部分生物变量无法直接测量，二是动力学参数与模型方程存在显著的时变性。为最小化测量噪声带来的误差，我们采用滤波技术，结合可测参数（如底物浓度）与非结构化模型的信息，联合估算过程的状态与参数。下图为该改进算法的原理框图。
本文提出的软件传感器利用可用数据，重构过程的状态变量和/或待估算的动力学参数。估算器（即通过观测数据计算待估量的算法）的逻辑如下图所示。
图 自适应估算方案
Zeng等人（1993b）提出的方法被应用于三种发酵模式：分批、补料分批与连续模式。
图 分批发酵模式下的参数估算
上图展示了自适应估计算法输出的菌体浓度、产物浓度与比生长速率估算值。估算结果与离线分析得到的菌体、产物浓度实测值（图中符号标记）吻合度良好。
图 补料分批发酵模式下的参数估算
受控补料分批发酵的结果如上图所示：过程通过调控底物补料速率，将反应器内底物浓度稳定在44 g/dm³，进料底物浓度Sin(t)设定为160 g/dm³。菌体浓度、产物浓度与比生长速率的估算结果如图所示，在线估算值与离线分析实测值（符号标记）一致性良好。
图 连续发酵模式下的参数估算
受控连续发酵过程的结果如上图所示：该工况下，通过调节稀释率D(t)与进料底物浓度Sin(t)，实现对底物浓度S(t)与菌体浓度X(t)的控制。估算的菌体浓度、产物浓度与比生长速率的变化趋势如图所示，估算结果同样与离线菌体分析数据（符号标记）吻合良好。
综上所述，发酵控制领域的最新进展正沿着“更精确地感知”与“更智能地推断”两条主线协同推进。新型传感器技术——荧光检测、微传感器阵列及微量过滤系统——使得发酵过程的在线测量从宏观环境参数逐步延伸至产物得率等更为本质的生理指标，而小型化与多场景适配的特性更将其应用范围拓展至微孔板与摇瓶体系，为菌株筛选与工艺放大提供了前所未有的数据获取能力。与此同时，软件传感器（状态观测器）的出现，为那些至今仍无法直接在线测量的关键变量——如生物量浓度与比生长速率——开辟了一条间接但有效的还原路径：通过将可测数据与过程数学模型相融合，以非线性自适应估计技术实现对不可测状态的实时推断，从而弥补了硬件传感的固有局限。
读者应当认识到，正是这些传感与估算技术的持续突破，与监督控制架构的日趋成熟，共同推动着发酵工业从一个严重依赖离线取样与人工经验的操作范式，迈向一个基于在线信息融合、自适应状态感知与故障自动诊断的新阶段。当全部环境变量、控制回路信号、离线实验数据与过程专家知识被整合至统一的监督控制框架之下，发酵过程的可靠性、可用性与安全性便获得了制度性的保障。可以预见，随着传感技术精度的进一步提升与软件传感器模型鲁棒性的持续增强，那些长期困扰发酵工程的过程认知盲区将逐步被照亮，工业发酵的自动控制水平也必将迈上一个新的台阶。
内容引用《Fermentation Microbiology and Biotechnology, Fourth Edition》（发酵微生物学与生物技术，第四版）由E.M.T. El-Mansi、Jens Nielsen、David Mousdale、Tony Allman和Ross Carlson共同编辑。
【往期精选】
免责声明：本号对所有原创、转载文章陈述与观点均保持中立，内容仅供读者学习和交流。文章、图片等版权归原作者享有，如有侵权，请留言联系更正或删除。
