【儀表網 研發快訊】在生物制造領域，發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。傳統生物乙醇發酵依賴人工離線采樣和補料操作，不僅效率低、誤差大，還難以實現連續動態調控，成為制約發酵產業智能化升級的瓶頸。
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，聯合桂林電子科技大學阮銀蘭研究員團隊，創新性地將在線拉曼光譜分析與深度學習技術融合，研發出一套基于拉曼光譜的智能反饋控制系統(圖1)。該系統通過構建“實時監測–智能預測–自動調控”的閉環架構，實現了生物乙醇發酵過程中碳源濃度的精準動態控制，為傳統發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
研究團隊基于自研的光譜-時間拼接卷積神經網絡(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據流，解決了傳統單時刻預測滯后、標注數據匱乏等核心問題。該系統的主要創新包括：(1)引入時間序列拼接機制，整合連續多條拉曼光譜數據，捕捉發酵過程中的動態變化趨勢；(2)結合偽標簽數據擴增策略，利用支持向量回歸(SVR)對大量未標注數據進行半監督學習，實現訓練樣本規模擴大100倍，從而大幅提升模型泛化性能；(3)嵌入卡爾曼濾波模塊，增強系統在光譜漂移、探頭波動等復雜條件下的魯棒性與穩定性。
圖2 發酵系統與STC-CNN算法示意圖
在生物乙醇發酵實際運行中，該系統展現出顯著優勢(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，相較傳統批次發酵(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，較傳統最高提升64.6%(表1)。系統控制響應時間提升2.4倍，整體發酵周期縮短15%-20%。
圖3 不同控糖策略下模型預測葡萄糖濃度與實測數據比較
表1 不同控糖策略下生物乙醇發酵參數比較
該成果不僅解決了生物乙醇生產過程中的控糖精度難題，更為發酵工業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驗的依賴，提升了工藝穩定性和生產效率。更重要的是，該系統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、蛋白表達等多類發酵場景中開展適配驗證，具備面向食品、生物醫藥、綠色能源等多行業推廣的廣闊前景。
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合培養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計劃、山東省泰山學者青年專家等項目的資助與支持。
所有評論僅代表網友意見，與本站立場無關。