片剂生产与温室自动化的智能优化方案

### 片剂生产与温室自动化的智能优化方案 在工业生产和农业种植领域，如何实现高效、精准的生产过程一直是研究的重点。本文将介绍片剂生产过程中参数优化的方法，以及温室环境自动化控制的解决方案。 #### 片剂生产过程参数建模与优化 在片剂生产过程中，要建立过程参数、原材料特性与压片过程质量（如封盖系数CC、质量标准差、抗压强度标准差）之间的关系模型。由于系统特性依赖于许多随机过程，使用描述压片机操作的物理定律来建模并不合理，而基于数据的计算智能方法更为合适。 - **局部模型网络** - 采用局部模型网络方法，根据输出不同，使用2到4个输入。为每个输出（CC、抗压强度标准差、质量标准差）构建单独的神经模糊模型。 - 局部模型网络的输出 ˆy 可通过对M个局部模型输出 ˆyi 进行插值计算得出： \[ \hat{y} = \sum_{i = 1}^{M} \hat{y}_i(u) \Phi_i(u) \] 其中，\(\Phi_i(\cdot)\) 是插值、有效性或加权函数，描述了局部模型的有效区域和对输出的贡献。为实现局部模型之间的平滑过渡，\(\Phi_i(\cdot)\) 是0到1之间的平滑函数，且需满足： \[ \sum_{i = 1}^{M} \Phi_i(u) = 1 \] - 局部模型可选择任意类型，线性参数化的模型类（如多项式）较为有利。常见的选择有0次多项式（常数）、1次多项式（线性）等。随着多项式次数增加，达到一定精度所需的局部模型数量减少。本文主要使用线性局部模型： \[ \hat{y}_i(u) = w_{i,0} + w_{i,1}u_1 + w_{i,2}u_2 + \cdots + w_{i,p}u_p \] - **数据预处理** - 每个原材料批次的颗粒组成独特，其特性可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pp和压片速度v的函数。 - 将粒度分为8个子组：0 - 0.045、0.045 - 0.071、0.71 - 0.125、0.125 - 0.25、0.25 - 0.5、0.5 - 0.71、0.71 - 1.0和1.0 - 1.25mm。由于训练数据稀疏，假设原材料特性由粒度分布的平均值µ唯一描述，并将输入和输出归一化到区间[0, 1]。 - **模型结构** - 由于先验知识表明，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）模型更为有利，而使用单多输入多输出（MIMO）模型会丢弃这些知识，导致次优结果。 - 任务是对封盖系数CC、片剂质量标准差\(\sigma_m\)和抗压强度标准差\(\sigma_{cs}\)这三个输出维度进行建模。 以下是片剂生产过程建模与优化的流程图： ```mermaid graph LR A[数据收集] --> B[数据预处理] B --> C[构建局部模型网络] C --> D[模型训练] D --> E[模型验证] E --> F[优化过程参数] F --> G[得出最优参数] ``` #### 结果 - **建模** - 使用LOLIMOT算法对局部模型网络进行训练，该算法的一个优点是只需训练一次即可获得可靠且可重复的结果。最终训练使用了整个数据集，以检查是否存在过拟合。 - 对于质量标准差\(\sigma_m\)的建模使用了3个局部模型，抗压强度标准差\(\sigma_{cs}\)使用了4个局部模型，封盖