★江中藥業股份有限公司黃磊，羅小榮，劉協斌，劉偉，彭偉

關鍵詞：智能制造；制藥設備；參數調整；自適應控制；深度學習

制藥設備的運行參數直接影響藥品質量與生產效率。傳統的人工參數調整存在反應滯后與精度不足等問題，難以滿足現代制藥工業精細化的需求。人工智能技術的發展使深度學習應用于制藥設備參數調控成為現實。目前制藥設備參數自適應調整面臨參數耦合度高、響應時間長與調整精度低等技術難題。針對這些問題，本文構建了一套基于深度學習的參數自適應調整系統。該系統通過構建深度學習模型預測參數變化趨勢，采用強化學習算法優化調整策略，實現參數精準調控。深度學習模型采用長短時記憶網絡結構，引入注意力機制增強特征提取能力。強化學習算法基于深度Q網絡設計，通過經驗回放提升算法性能。系統在實際生產環境中運行驗證，顯示出了良好應用效果。

1　基于人工智能的制藥設備參數分析

1.1　制藥設備參數數據采集與處理

制藥設備運行過程中產生大量參數數據，通過布設溫度、壓力與速度等多類傳感器實現數據采集。采集系統采用分布式架構，確保數據實時性與可靠性。數據預處理環節重點解決數據缺失、異常值與噪聲干擾問題。系統運用滑動平均法對異常數據進行平滑處理，采用多元線性回歸方法對缺失數據進行修復。為提升數據質量，系統建立了基于標準差的異常值檢測機制，通過小波變換實現數據降噪。在數據標準化過程中，系統根據不同參數的量綱特征，分別采用最大最小值標準化與Z-score標準化方法，使數據分布更適合深度學習模型訓練，并通過搭建工業物聯網平臺，實現參數數據的統一存儲與管理，為后續模型訓練提供了高質量數據支撐^[1]。

1.2　深度學習模型構建與參數分析

針對制藥設備參數特征，本文設計了基于LSTM的深度學習模型結構。模型輸入層包含溫度、壓力與速度等多維參數數據，通過兩層LSTM隱藏層提取參數時序特征，每層神經元數量分別為128與64。為防止過擬合，在LSTM層之間添加Dropout層，丟棄率設為0.3。輸出層采用全連接層，實現對目標參數的預測。模型訓練采用Adam優化器，學習率初始值設為0.001，采用余弦退火策略動態調整，通過交叉驗證方法確定最優模型參數。使用均方根誤差評估模型性能，在參數分析環節，利用注意力機制識別關鍵參數^[2]。

2　制藥設備參數自適應調整方法

2.1　參數動態預測與關聯分析

制藥設備參數的動態預測采用改進的長短時記憶網絡模型，通過引入注意力機制增強模型對關鍵時序特征的捕捉能力。在模型結構設計中，將時間窗口大小設為24、時間步長設為5分鐘，使模型能夠充分學習參數變化規律。在特征工程環節，除原始參數外，還構建了參數變化率與參數均值等統計特征，豐富了模型的輸入信息。參數間的關聯強度采用改進的互信息方法計算，如式（1）所示。

該方法可有效識別參數間的非線性關聯。研究表明，溫度與壓力參數的互信息值達0.78，表現出顯著相關性，攪拌速度與物料粘度的互信息值為0.65。通過格蘭杰因果檢驗進一步驗證參數變化的因果關系，構建參數影響圖譜，為后續參數協同調整提供理論依據。預測過程中，采用滑動窗口技術實現參數的連續預測，預測時長可達120分鐘，預測精度達到92.5%^[3]。

2.2　自適應調整算法設計

參數自適應調整算法基于強化學習框架設計，采用改進的深度Q網絡實現參數調整策略的優化（圖1）。算法將參數調整問題建模為馬爾可夫決策過程，狀態空間包含當前參數值及其變化趨勢，動作空間定義為參數的調整量，核心優化目標為式（2）：

式中，e為參數偏差，Δu為調整量，w1與w2為權重系數。

該獎勵函數平衡了調整精度與調整幅度兩個目標。為提升算法的收斂性能，采用優先經驗回放機制，將重要的調整經驗以更高概率進行學習，同時引入雙Q網絡結構降低Q值估計的偏差。目標網絡的更新周期設為1000步，為解決連續動作空間的探索問題，結合高斯噪聲實現參數調整的探索與利用平衡。算法迭代過程中，根據參數預測結果動態調整探索噪聲的方差，提高算法的自適應能力。經過10,000輪訓練迭代，算法收斂性能顯著提升，能將關鍵參數的調整時間控制在45秒內，調整精度達到±0.3%^[4]。

圖1自適應調整算法流程圖

2.3　多參數協同優化

多參數協同優化基于多目標優化理論構建了參數調整的優化目標函數。目標函數綜合考慮產品質量指標、生產效率與能源消耗，通過引入權重系數實現多目標的動態平衡。優化過程采用改進的粒子群算法，粒子群規模設為100，最大迭代次數為200。為提高算法的全局搜索能力，我們設計了自適應慣性權重策略，權重范圍為0.4到0.9。在速度更新方面，我們引入柯西變異算法增加粒子群的多樣性，變異概率設為0.1。考慮到參數間的耦合關系，我們建立了基于約束傳播的參數調整序列優化方法，通過參數影響度分析確定調整優先級。優化過程中，設置參數變化率約束，確保調整過程的平穩性。同時，我們建立了基于模糊規則的參數調整約束機制，將專家經驗轉化為具體的調整規則，在優化過程的不同階段，動態調整參數約束范圍，提高優化效率。實驗結果顯示，協同優化方法可使系統在15分鐘內達到最優運行狀態，比傳統方法提前30%，且能耗降低12.3%^[5]。

3　智能調參系統實驗驗證研究

3.1　實驗環境與方案設計

實驗平臺選用某制藥企業年產10,000噸的固體制劑生產線，設備包括混合機、制粒機與干燥機等核心設備（圖2），實驗數據采集周期為3個月，涵蓋不同批次與不同產品的生產過程。采集系統采用分布式架構，在關鍵設備節點部署工業級傳感器，采樣頻率為100Hz，數據采集內容包括溫度（0～120℃）、壓力（0～10MPa）、轉速（0～1500rpm）與物料含水率等工藝參數。實驗分為參數預測驗證與自適應調整驗證兩個階段，每個階段設置5組對照實驗。預測驗證階段重點考察模型對不同工況下參數變化的預測準確性，自適應調整驗證階段著重測試系統對工藝波動的響應性能。為保證實驗數據的可比性，對每組實驗的初始條件進行標準化設置，包括物料配方、環境溫度與設備運行狀態等因素。實驗過程中，通過人為引入工藝波動，測試系統的抗干擾能力。同時，設置參數突變工況，驗證系統的快速響應能力。

圖2制藥設備參數調控系統工程圖

3.2　參數調整效果評估

參數調整效果評估采用多維度指標體系，從調整精度、響應時間與穩定性三個方面進行量化分析。調整精度評估采用均方根誤差（RMSE）與平均絕對百分比誤差（MAPE）兩個指標。通過連續20批次生產數據計算得出，溫度參數的RMSE為0.35℃，MAPE為0.42%；壓力參數的RMSE為0.08MPa，MAPE為0.38%；轉速參數的RMSE為5.2rpm，MAPE為0.45%。響應時間評估基于階躍響應實驗，分別測試系統對大、中與小幅度參數波動的調整時間。結果顯示，對于10%幅度的參數波動，系統平均響應時間為28秒，調整時間為42秒；對于30%幅度的參數波動，系統平均響應時間為35秒，調整時間為58秒。穩定性評估通過計算參數波動方差與超調量進行量化。在連續48小時的穩定性測試中，關鍵參數的波動方差控制在目標值的±0.5%以內，超調量最大不超過5%。

3.3　系統性能測試與分析

系統性能測試從計算效率、可靠性與實用性三個維度展開（表1）。計算效率測試重點評估參數預測模型與自適應調整算法的運行性能。在搭載Intel i7處理器與16GB內存的工控機上，單次參數預測平均耗時0.12秒，參數調整決策計算時間為0.28秒，滿足實時控制需求。可靠性測試持續進行30天，累計處理數據量超過2TB，系統運行穩定，無數據丟失與系統崩潰現象。通過注入網絡延遲與數據包丟失等故障，測試系統的容錯能力，結果顯示系統可在95%的故障場景下維持正常運行。實用性評估通過對比分析，系統應用后生產效率提升18.3%，產品一次合格率提高3.2%，能耗降低15.6%，操作人員培訓時間由傳統的2周縮短至3天，參數調整經驗遷移時間由5天縮短至1天，顯著提升了生產線的智能化水平。

表1系統性能測試數據對比表

標注：響應時間與調整時間在標準工控機環境下測試（Intel i7/16GB RAM）；系統穩定性基于30天連續運行數據統計；調整精度針對溫度、壓力與速度等關鍵參數的平均值；所有數據為多次測試平均值。

4　結語

本文基于深度學習構建了參數預測模型，并結合強化學習設計了自適應調整算法，實現了制藥設備關鍵參數的智能調控。參數預測模型在不同工況下準確率達92.5%，自適應調整算法將參數波動控制在±0.5%范圍內，對突發工況響應時間縮短至45秒。多參數協同優化算法有效解決了參數耦合問題，系統穩定運行超過90天，無故障發生。系統在實際生產線運行穩定，提升生產效率18.3%，降低能耗15.6%，操作人員培訓時間由2周縮短至3天。參數智能調控技術改變了傳統制藥設備運行模式，為制藥工業智能化升級開辟了新途徑。未來將進一步優化算法性能，擴展應用場景，構建多設備協同調控網絡，探索群智能參數優化方法，推動制藥工業向智能制造邁進。

作者簡介：

黃　磊（1986-），男，江西南昌人，本科，現就職于江中藥業股份有限公司，研究方向為制藥設備。

參考文獻：

[1] 于秀玲, 時鵬飛, 馬軍. 基于工程認證的課程目標達成評價方法研究-以制藥設備與車間設計課程為例[J]. 生物化工, 2024, 10 (6) : 152 - 155 + 161.

[2] 王志霞, 吳彤珊. 基于化工設備自動化控制的制藥工藝優化策略研究[J]. 流程工業, 2024, (12) : 64 - 68.

[3] 龍勇濤, 冷胡峰, 李龍坤, 等. 基于蒸汽蓄熱器的制藥提取設備節能技術研究與應用[J]. 設備管理與維修, 2024, (22) : 194 - 196.

[4] 韓永萍, 劉紅梅, 李可意. "一體兩翼三段驅動" 線上線下混合教學模式探索與實踐-以 "制藥設備與車間工藝設計" 課程為例[J]. 廣東化工, 2024, 51 (17) : 229 - 231.

[5] 高建德, 范凌云, 余琰, 等. 一流課程建設背景下中藥制藥工藝學課程的建設與探討[J]. 廣東化工, 2024, 51 (12) : 229 - 231.

摘自《自動化博覽》2025年7月刊