在生物制造領域，發(fā)酵過程中碳源濃度控制的實時性與精度是影響產物得率與工藝效率的關鍵因素。傳統(tǒng)生物乙醇發(fā)酵依賴人工離線采樣和補料操作，不僅效率低、誤差大，還難以實現(xiàn)連續(xù)動態(tài)調控，成為制約發(fā)酵產業(yè)智能化升級的瓶頸。
 

　　為解決這一難題，青島能源所智能生物制造研究組王冠副研究員，聯(lián)合桂林電子科技大學阮銀蘭研究員團隊，創(chuàng)新性地將在線拉曼光譜分析與深度學習技術融合，研發(fā)出一套基于拉曼光譜的智能反饋控制系統(tǒng)(圖1)。該系統(tǒng)通過構建“實時監(jiān)測–智能預測–自動調控”的閉環(huán)架構，實現(xiàn)了生物乙醇發(fā)酵過程中碳源濃度的精準動態(tài)控制，為傳統(tǒng)發(fā)酵向智能化制造轉型提供了新路徑。
 

圖1?基于拉曼光譜分析的智能反饋控制系統(tǒng)
 

　　研究團隊基于自研的光譜-時間拼接卷積神經(jīng)網(wǎng)絡(STC-CNN)模型(圖2)，結合高頻在線拉曼光譜探針采集的非破壞性數(shù)據(jù)流，解決了傳統(tǒng)單時刻預測滯后、標注數(shù)據(jù)匱乏等核心問題。該系統(tǒng)的主要創(chuàng)新包括：(1)引入時間序列拼接機制，整合連續(xù)多條拉曼光譜數(shù)據(jù)，捕捉發(fā)酵過程中的動態(tài)變化趨勢；(2)結合偽標簽數(shù)據(jù)擴增策略，利用支持向量回歸(SVR)對大量未標注數(shù)據(jù)進行半監(jiān)督學習，實現(xiàn)訓練樣本規(guī)模擴大100倍，從而大幅提升模型泛化性能；(3)嵌入卡爾曼濾波模塊，增強系統(tǒng)在光譜漂移、探頭波動等復雜條件下的魯棒性與穩(wěn)定性。
 

圖2?發(fā)酵系統(tǒng)與STC-CNN算法示意圖
 

　　在生物乙醇發(fā)酵實際運行中，該系統(tǒng)展現(xiàn)出顯著優(yōu)勢(圖3)。在以20 g/L葡萄糖設定點控制實驗中，模型預測值與離線HPLC測量值吻合度超過95%，預測最大偏差由傳統(tǒng)RR模型的8.3 g/L顯著下降至2.63 g/L。當設定點調整至30 g/L時，乙醇產量提升至140.68 g/L，相較傳統(tǒng)批次發(fā)酵(125.71 g/L)提升11.9%；同時副產物甘油濃度下降至6.72 g/L，乙醇/甘油比值提升至20.93，較傳統(tǒng)最高提升64.6%(表1)。系統(tǒng)控制響應時間提升2.4倍，整體發(fā)酵周期縮短15%-20%。
 

圖3?不同控糖策略下模型預測葡萄糖濃度與實測數(shù)據(jù)比較
 

　　表1?不同控糖策略下生物乙醇發(fā)酵參數(shù)比較
 

 

　　該成果不僅解決了生物乙醇生產過程中的控糖精度難題，更為發(fā)酵工業(yè)的智能化提供了關鍵支撐。其“一鍵式”智能補料控制架構降低了對人工經(jīng)驗的依賴，提升了工藝穩(wěn)定性和生產效率。更重要的是，該系統(tǒng)具備良好的技術通用性，所構建的STC-CNN架構與拉曼反饋控制體系已在檸檬酸、乳酸、蛋白表達等多類發(fā)酵場景中開展適配驗證，具備面向食品、生物醫(yī)藥、綠色能源等多行業(yè)推廣的廣闊前景。
 

　　相關研究成果以“Data-Augmented Deep Learning Algorithm for Accurate Control of Bioethanol Fermentation Using an Online Raman Analyzer”為題，發(fā)表于生物技術與生物工程領域核心期刊Biotechnology and Bioengineering上。論文第一作者為來自華東理工大學的聯(lián)合培養(yǎng)碩士生于曉飛和桂林電子科技大學碩士研究生紀凱迪，通訊作者為王冠和阮銀蘭。相關研究得到了國家重點研發(fā)計劃、山東省泰山學者青年專家等項目的資助與支持。