片剂生产与温室自动化的智能控制策略

### 片剂生产与温室自动化的智能控制策略 #### 片剂生产过程的建模与优化 在片剂生产过程中，要对工艺参数、原材料特性和压片过程质量（如封盖系数 CC、质量标准差、抗压强度标准差）之间的关系进行建模。由于系统特性依赖于许多随机过程（如颗粒重排、变形类型、摩擦、颗粒间的键合等），使用描述压片机操作的物理定律进行建模并不合理，因为这样的模型对于工艺参数优化来说过于复杂。鉴于有相对较大的数据库可用，采用基于数据的计算智能方法更为合适。 ##### 局部模型网络 为了对系统特性进行建模，采用了局部模型网络方法，根据输出的不同，输入数量为 2 到 4 个。对于每个输出（CC、抗压强度标准差、质量标准差），都构建了一个单独的神经模糊模型。 局部模型网络的输出 $\hat{y}$ 可以通过对 $M$ 个局部模型输出 $\hat{y}_i$ 的插值来计算： $\hat{y} = \sum_{i = 1}^{M} \hat{y}_i(u) \Phi_i(u)$ 其中，$\Phi_i(\cdot)$ 被称为插值、有效性或加权函数。这些有效性函数描述了局部模型有效的区域，以及每个局部模型对输出的贡献。从模糊逻辑的角度来看，上述公式实现了一组 $M$ 条模糊规则，其中 $\Phi_i(\cdot)$ 代表规则前提，$\hat{y}_i$ 是相关的规则结论。为了实现局部模型之间的平滑过渡，有效性函数是 0 到 1 之间的平滑函数，并且所有有效性函数之和为 1，即 $\sum_{i = 1}^{M} \Phi_i(u) = 1$。 在选择局部模型时，线性参数化的模型类是非常有益的，最常见的选择是多项式。0 次多项式（常数）产生具有单例的神经模糊系统或归一化径向基函数网络；1 次多项式（线性）产生局部线性模型结构，这是最受欢迎的选择。随着多项式次数的增加，达到一定精度所需的局部模型数量会减少。 本文仅处理线性类型的局部模型： $\hat{y}_i(u) = w_{i,0} + w_{i,1}u_1 + w_{i,2}u_2 + \cdots + w_{i,p}u_p$ ##### 数据预处理 每个原材料批次的颗粒组成都是独特的，其生产无法完全重复。原材料特性可以通过粒度分布来表征。模型输出是片剂成分、主压缩压力 $P$、预压缩压力 $p_p$ 和压片速度 $v$ 的函数。片剂成分和原材料特性由粒度分布给出，粒度被分为 8 个子组：0 - 0.045、0.045 - 0.071、0.071 - 0.125、0.125 - 0.25、0.25 - 0.5、0.5 - 0.71、0.71 - 1.0 和 1.0 - 1.25mm。作为训练数据，有 9 种不同的片剂成分可用。由于训练数据稀疏，假设原材料特性可以用粒度分布的平均值 $\mu$ 唯一描述。为了简化，输入和输出被归一化为区间 $[0, 1]$。 ##### 模型结构 由于有先验知识，代表片剂质量的三个不同模型输出依赖于不同的输入变量集。因此，构建三个独立的单输入多输出（MISO）模型，每个模型使用相关的输入是有利的。使用单个多输入多输出（MIMO）模型会忽略这些知识，从而导致次优结果。需要建模的三个输出维度分别是：封盖系数 CC、片剂质量标准差 $\sigma_m$ 和抗压强度标准差 $\sigma_{cs}$。 ```mermaid graph LR A[输入变量] --> B[MISO 模型 1] A --> C[MISO 模型 2] A --> D[MISO 模型 3] B --> E[CC] C --> ```