流加发酵过程机器学习阶段建模与两层优化策略研究

微生物/基因制药是战略性的高附加值产业，而流加发酵是其工业化培养的主要方式。如何对流加补料进行建模与优化控制，是提高发酵效率和收率的关键。本课题提出基于机器学习理论的自适应建模与"快-慢"两层补料优化策略：根据发酵过程呈现明显阶段性的特点，利用小样本数据驱动的Kernel机器学习理论，建立反映微生物培养局部特性的阶段模型，其技术特点是自动生成模型网络结构和确定阶段模型的切换条件；补料优化的求解则通过实时优化模块和自优化控制器的配合来完成，即仅在阶段模型发生失配和生产扰动时，才触发大计算量的实时优化回路（慢频率优化），以重新计算和调整离线补料策略。其余情况仅需小计算量的自优化控制回路（快频率调节）来确保优化环节的最优性条件得到满足，进而保证补料的最优化。内容涉及多个学科领域，对促进信息、计算技术与生物制药技术的进一步结合，提升我国制药行业的技术装备水平和产品竞争力，具有重要理论和现实意义。