基于机器学习的微生物发酵过程智能预测与优化方法

本发明涉及微生物发酵，尤其涉及基于机器学习的微生物发酵过程智能预测与优化方法。

背景技术：

1、微生物发酵过程是生物制造产业的核心环节，直接决定着抗生素、氨基酸、酶制剂等重要产品的产量与质量，这一过程的精准预测和优化对于提升生产效率、降低能耗和保障产品质量具有关键意义。

2、当前多数发酵调控方法主要依赖人工取样后的离线检测和经验调整，难以在生产过程中实时捕捉代谢变化，导致调控时机滞后，产物积累不稳定。

3、发酵液中含有大量代谢物，这些代谢物的浓度随时间动态变化，同时菌体形态和培养基成分也在不断演变，形成高度复杂的多维状态空间。

4、现有方法往往难以有效整合这些多维信息，尤其是对色谱图谱和质谱数据这类高维谱图的自动解析能力不足，造成特征提取不全面，关键生理参数与产物合成之间的关联关系难以被准确揭示。

5、更为复杂的是，这些谱图数据不仅维度高、噪声多，而且不同发酵阶段的谱图模式差异微妙，容易受到微小扰动影响，导致同一批次内或批次间的判别一致性差。

6、这种多维特征与高维谱图的紧密耦合，进一步放大了特征筛选的难度。

7、因为代谢物浓度、菌体形态和培养基成分共同构成了产物合成的生理基础，如果无法从海量数据中精准筛选出真正与产量密切相关的关键参数，就难以建立可靠的特征-产量关联，从而无法实现对发酵状态的及时判别和实时优化。

8、例如，在实际生产中，发酵进入平台期时，谱图上某些峰强度仅发生微小偏移，却可能预示着产物合成速率的快速下降，但现有手段往往在事后检测中才发现这一变化，已错过最佳干预窗口。

9、因此，如何在发酵过程中实时提取并整合多维生理特征与高维谱图信息，精准识别不同阶段的代谢状态，并筛选出与产物合成强相关的关键参数以支撑实时监控和优化，成为基于机器学习的微生物发酵过程智能预测与优化的关键问题。

技术实现思路

1、针对现有技术的不足，本发明提供了基于机器学习的微生物发酵过程智能预测与优化方法，可在发酵过程中实时提取并整合多维生理特征与高维谱图信息，精准识别不同阶段的代谢状态，并筛选出与产物合成强相关的关键参数。

2、为了达到上述目的，本发明的技术方案是：

3、基于机器学习的微生物发酵过程智能预测与优化方法，该方法包括：

4、通过传感器获取发酵液的实时多维状态数据和高维谱图数据，对多维状态数据和高维谱图数据进行噪声消除处理，得到清洁的状态序列和谱图序列；

5、根据清洁的状态序列和谱图序列，提取与发酵阶段相关的特征向量，对特征向量和状态序列进行时序建模，捕捉发酵过程的动态演变模式，确定产物合成速率的预测趋势；

6、根据预测趋势，调整发酵过程的调控变量，生成优化指令序列；

7、通过优化指令序列构建实时优化的发酵状态模型，对后续数据进行迭代更新，判断模型误差是否低于预设阈值，若低于预设阈值，则确定最终的产量预测值和优化路径。

8、优选的，所述通过传感器获取发酵液的实时多维状态数据和高维谱图数据，对多维状态数据和高维谱图数据进行噪声消除处理，包括：

9、通过传感器采集发酵液的实时数据，获取初始的多维状态数据集和高维谱图数据集；

10、采用滤波方法对初始的多维状态数据集和高维谱图数据集进行噪声去除，得到纯净的状态序列和谱图序列；

11、针对纯净的状态序列和谱图序列，应用预设阈值进行异常值检测，若数据点超出阈值范围，则标记为异常数据点；

12、根据标记结果分离异常数据点和正常数据点，获取分离后的正常状态序列和正常谱图序列；

13、通过对正常状态序列和正常谱图序列进行时间窗口划分，获取局部数据特征，确定局部特征集合。

14、优选的，所述根据清洁的状态序列和谱图序列，提取与发酵阶段相关的特征向量，包括：

15、对清洁的谱图序列进行标准化处理，获取处理后的谱图数据，并采用卷积神经网络对处理后的谱图数据进行深度特征提取，得到初步的谱图特征集合；

16、若初步的谱图特征集合中代谢物浓度峰值信号强度低于预设阈值，则对该部分数据进行信号增强处理，确定增强后的浓度峰值数据；

17、通过增强后的浓度峰值数据，提取与菌体形态相关的模式信息，获取形态模式特征子集；

18、根据形态模式特征子集和浓度峰值数据，构建与发酵阶段关联的谱图特征向量。

19、优选的，所述对特征向量和状态序列进行时序建模，捕捉发酵过程的动态演变模式，包括：

20、获取特征向量和状态序列中的生理参数数据，通过标准化处理得到统一的输入数据集，采用循环神经网络对输入数据集进行时序建模，分析动态变化，确定各时间点的特征表示；

21、根据特征表示，提取不同发酵阶段的动态变化模式，判断阶段性演变规律，若阶段性演变规律与预设阈值范围不符，则对数据进行额外时间窗口划分，获取细粒度变化模式，通过细粒度变化模式构建时序预测模型，确定产物合成速率的初步趋势估计。

22、优选的，所述根据预测趋势，调整发酵过程的调控变量，生成优化指令序列，包括：

23、获取实时发酵过程数据，包含产物合成速率和调控变量数据，采用时间序列预测模型对产物合成速率进行短期预测，得到预测趋势；

24、判断预测趋势中未来一段时间的变化方向，若预测趋势显示下降，则标记为下降趋势；

25、从发酵过程数据中提取调控变量数据，计算所述调控变量与产物合成速率的历史相关性，确定主要影响变量，根据主要影响变量，生成对应的优化指令序列。

26、优选的，所述通过优化指令序列构建实时优化的发酵状态模型，包括：

27、从优化指令序列中筛选与产量相关的指令片段，获取对应的生理参数数据，比对生理参数数据与历史记录，确定与产量关联的关键生理指标；

28、根据关键生理指标，采用支持向量机算法对实时发酵状态数据进行分类，判断当前状态是否偏离优化区间，若当前状态偏离优化区间，则提取调整策略，得到修正指令；

29、通过融合修正指令与原始指令序列，确定最终的优化指令组合，并根据优化指令组合构建发酵状态模型。

30、优选的，所述对后续数据进行迭代更新，判断模型误差是否低于预设阈值，包括：

31、通过发酵状态模型对后续高维谱图数据进行处理，获取更新后的特征数据集，对特征数据集进行误差评估，计算预测值与实际值的偏差；

32、若偏差高于预设阈值，则触发数据更新流程，获取新的高维谱图数据，若偏差低于预设阈值，则基于特征数据集生成产量预测结果，确定预测值范围；

33、根据预测值范围，计算发酵过程的优化路径，得到调整后的操作参数指引。

34、优选的，所述确定最终的产量预测值和优化路径，包括：

35、根据发酵状态模型的输出，获取状态预测值，判断发酵过程是否达到预期目标，若状态预测值未达到预期目标，则提取备用方案，融合新的生理参数数据，更新发酵状态模型；

36、通过更新后的发酵状态模型对发酵状态进行监测，获取实时优化的状态数据，根据实时优化的状态数据，确定最终的产量预测值；

37、通过产量预测值和状态数据，生成发酵过程的优化路径指引，根据优化路径指引，更新发酵状态监测框架中的数据输入，完成迭代分析。

38、本发明的技术效果和优点：

39、本技术提供的基于机器学习的微生物发酵过程智能预测与优化方法，针对发酵过程中代谢状态变化、产物合成速率预测及调控变量优化的复杂业务场景问题，通过实时获取多维状态数据和高维谱图数据，采用滤波方法去除噪声，结合卷积神经网络提取谱图特征向量，判断代谢状态变化并融合培养基成分数据确定关键生理参数，然后进一步利用循环神经网络进行时序建模，预测产物合成速率趋势，并通过调整温度、氧气供应等调控变量生成优化指令序列，最终构建实时优化的发酵状态模型，迭代更新数据以实现产量预测与路径优化。

40、本发明通过多维数据与深度学习技术的融合，显著提升了发酵过程的动态监控与调控精度，有效解决了代谢状态波动与产量优化之间的矛盾，实现了发酵效率与产物产量的双重提升。