Smart Fermenter 智能发酵预测系统 - 项目概述与架构解析

发酵工程是生物制药、食品加工、酿酒等行业的核心技术。传统发酵过程依赖人工经验调控，效率低且容易出现批次间差异。Smart Fermenter 是一个基于深度学习的智能发酵预测系统，通过 LSTM/RNN 模型对发酵过程中的 OD600（光密度）等关键指标进行预测，实现智能化调控。

项目简介

Smart Fermenter 是一个端到端的发酵过程预测解决方案，具有以下核心功能：

多模型支持：LSTM 和 RNN 两种时间序列预测模型
数据源灵活：支持 Excel 和 MySQL 两种数据源
API 服务：提供 RESTful API 用于实时数据接入和预测
参数优化：基于遗传算法自动优化模型参数
数据库管理：完整的数据采集、存储和管理体系

系统架构

┌─────────────────────────────────────────────────────────────────────┐
│                        Smart Fermenter 系统架构                       │
├─────────────────────────────────────────────────────────────────────┤
│                                                                     │
│  ┌─────────────┐     ┌─────────────┐     ┌─────────────┐            │
│  │   数据采集   │ ──▶ │   API 服务  │ ──▶ │  数据库存储  │            │
│  │ (传感器)    │     │  (Flask)   │     │  (MySQL)   │            │
│  └─────────────┘     └─────────────┘     └─────────────┘            │
│                           │                                       │
│                           ▼                                       │
│  ┌─────────────┐     ┌─────────────┐     ┌─────────────┐            │
│  │   Web界面   │ ◀──▶ │   主程序    │ ──▶ │   模型训练  │            │
│  │  (PyQt5)   │     │  (CLI)     │     │  (PyTorch) │            │
│  └─────────────┘     └─────────────┘     └─────────────┘            │
│                           │                                       │
│                           ▼                                       │
│                    ┌─────────────┐                                 │
│                    │  参数优化   │                                 │
│                    │ (遗传算法)  │                                 │
│                    └─────────────┘                                 │
└─────────────────────────────────────────────────────────────────────┘

核心模块说明

1. 模型层 (core/)

# 核心模型定义 - LSTM 预测器
class LSTMPredictor(nn.Module):
    def __init__(self, input_dim, hidden_dim, output_dim, n_layers):
        self.pre_fc = nn.Linear(input_dim, hidden_dim)
        self.lstm = nn.LSTM(input_size=hidden_dim, hidden_size=hidden_dim, 
                           num_layers=n_layers, batch_first=True)
        self.fc = nn.Linear(hidden_dim, output_dim)

2. 数据处理 (core/dataset.py)

发酵数据采用滑动窗口切片处理：

参数	说明	默认值
`ws`	窗口大小(时间步数)	20
`stride`	滑动步长	5
`x_var`	输入特征	dm_air, m_ls_opt_do, m_ph 等
`y_var`	预测目标	od_600

3. API 服务 (api/)

基于 Flask 提供：

/api/health - 健康检查
/api/status - 系统状态
/api/raw_data - 原始数据提交
/api/raw_data/latest - 获取最新数据

4. 数据库层 (database/)

采用双数据库设计：

fermenter_raw_data - 存储传感器原始数据
fermenter_predictions - 存储预测结果

使用连接池技术实现高效数据库访问，支持 pymysql 和 mysql.connector 两种驱动。

技术栈

层级	技术选型
深度学习框架	PyTorch
数据处理	Pandas, NumPy, scikit-learn
Web 框架	Flask
数据库	MySQL
数据库驱动	pymysql / mysql-connector-python
可视化	Weights & Biases (wandb)
CLI	argparse

使用方式

系统通过命令行统一调度：

# 训练模型
python main.py train --run_name experiment_01 --model lstm --num_epochs 100

# 启动 API 服务
python main.py api --host 0.0.0.0 --port 5000

# 遗传算法优化
python main.py optimize --weights logs/run_name/weights_best.tar

# 数据库操作
python main.py db --init      # 初始化数据库
python main.py db --backup    # 备份数据库
python main.py db --status    # 查看状态

适用场景

生物制药：抗体药物、疫苗生产过程中的细胞培养监控
食品发酵：酸奶、酿酒、酱油等发酵过程的智能调控
能源环保：沼气发酵、污水处理过程中的参数优化
学术研究：发酵动力学建模、过程优化研究

后续博客将详细介绍各个模块的实现原理，敬请期待。

参考项目：