CN117170334B - 用于药剂快速融合的智能控制方法及系统 - Google Patents
用于药剂快速融合的智能控制方法及系统 Download PDFInfo
- Publication number
- CN117170334B CN117170334B CN202311446102.1A CN202311446102A CN117170334B CN 117170334 B CN117170334 B CN 117170334B CN 202311446102 A CN202311446102 A CN 202311446102A CN 117170334 B CN117170334 B CN 117170334B
- Authority
- CN
- China
- Prior art keywords
- optimizing
- temperature
- medicament
- result
- control
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000003814 drug Substances 0.000 title claims abstract description 161
- 230000004927 fusion Effects 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 70
- 229940079593 drug Drugs 0.000 title claims abstract description 29
- 238000006243 chemical reaction Methods 0.000 claims abstract description 58
- 230000001360 synchronised effect Effects 0.000 claims abstract description 49
- 238000005457 optimization Methods 0.000 claims abstract description 46
- 238000003756 stirring Methods 0.000 claims abstract description 41
- 230000000694 effects Effects 0.000 claims abstract description 31
- 238000004458 analytical method Methods 0.000 claims description 29
- 230000008569 process Effects 0.000 claims description 27
- 238000004364 calculation method Methods 0.000 claims description 22
- 238000013507 mapping Methods 0.000 claims description 21
- 238000002156 mixing Methods 0.000 claims description 15
- 238000011217 control strategy Methods 0.000 claims description 14
- 238000012937 correction Methods 0.000 claims description 12
- 238000000354 decomposition reaction Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 10
- 230000006978 adaptation Effects 0.000 claims description 6
- 230000005283 ground state Effects 0.000 claims description 6
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 238000007499 fusion processing Methods 0.000 abstract description 13
- 238000004519 manufacturing process Methods 0.000 abstract description 7
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 239000002699 waste material Substances 0.000 abstract description 3
- 239000003795 chemical substances by application Substances 0.000 description 23
- 230000006870 function Effects 0.000 description 13
- 238000012549 training Methods 0.000 description 7
- 238000013019 agitation Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 5
- 238000010438 heat treatment Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000002068 genetic effect Effects 0.000 description 4
- 239000002245 particle Substances 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000035484 reaction time Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000005536 corrosion prevention Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005485 electric heating Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000008177 pharmaceutical agent Substances 0.000 description 1
- 230000009257 reactivity Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Feedback Control In General (AREA)
Abstract
本申请提供了用于药剂快速融合的智能控制方法及系统，涉及药剂融合技术领域，所述方法包括：设定药剂融合的温度极限空间，然后在空间内进行药剂的拟合控制，并对拟合结果执行控制寻优，对反应釜进行性能效果寻优，生成寻优空间，然后读取药剂数据，并基于药剂数据和寻优空间配置药剂剂量和添加顺序，将其作为融合基础数据，确定温度控制空间，执行搅拌参数的同步寻优，并完成智能控制。本申请主要解决了传统的药剂融合依赖人工操作和管理，存在操作不规范、精度不够等问题，可能导致药品的质量不稳定的问题。通过反应釜进行性能寻优，再通过对药剂融合过程的实时监测和控制，可以减少药品生产过程中的浪费和损失，提高药品生产的产量和质量。
Description
技术领域
本发明涉及药剂融合技术领域，具体涉及用于药剂快速融合的智能控制方法及系统。
背景技术
随着制药行业的不断发展，对药品生产的高效和安全性要求也越来越高。传统的药剂融合过程可能存在效率低下、安全风险大等问题，需要进行改进和升级。在制药过程中，药剂融合是一个关键步骤，它影响到药品的质量、安全性和有效性。目前，如何实现高效、安全、环保的药剂融合已经成为制药行业的重要任务。
但本申请发明人在实现本申请实施例中发明技术方案的过程中，发现上述技术至少存在如下技术问题：
传统的药剂融合过程往往依赖人工操作和管理，存在操作不规范、精度不够等问题，可能导致药品的质量不稳定，甚至可能影响到患者的治疗效果。
发明内容
本申请主要解决了传统的药剂融合依赖人工操作和管理，存在操作不规范、精度不够等问题，可能导致药品的质量不稳定的问题。
鉴于上述问题，本申请提供了用于药剂快速融合的智能控制方法及系统，第一方面，本申请实施例提供了用于药剂快速融合的智能控制方法，所述方法包括：设定药剂融合的温度极限空间，所述温度极限空间通过交互药剂的基础数据后，执行需求适配构建而成。在所述温度极限空间内进行药剂融合的拟合控制，并对拟合结果执行控制寻优，其中，寻优约束包括速度约束、纯度约束，生成温度控制的寻优结果。建立反应釜的基础数据集，所述基础数据集包括尺寸数据、搅拌参数、温度调控参数。通过所述基础数据集进行反应釜的性能效果寻优，生成寻优空间。读取药剂数据，并基于药剂数据和所述寻优空间配置药剂剂量和添加顺序，将其作为融合基础数据，其中，所述药剂数据为药剂比例数据。确定温度控制空间，并以所述寻优结果作为均衡温度数据，执行温度调控参数和搅拌参数的同步寻优。根据同步寻优结果和所述融合基础数据完成智能控制。
第二方面，本申请提供了用于药剂快速融合的智能控制系统，所述系统包括：温度极限空间设定模块，所述温度极限空间设定模块用于设定药剂融合的温度极限空间，所述温度极限空间通过交互药剂的基础数据后，执行需求适配构建而成。寻优结果生成模块，所述寻优结果生成模块用于在所述温度极限空间内进行药剂融合的拟合控制，并对拟合结果执行控制寻优，其中，寻优约束包括速度约束、纯度约束，生成温度控制的寻优结果。反应釜的基础数据集建立模块，所述反应釜的基础数据集建立模块用于建立反应釜的基础数据集，所述基础数据集包括尺寸数据、搅拌参数、温度调控参数。寻优空间生成模块，所述寻优空间生成模块用于通过所述基础数据集进行反应釜的性能效果寻优，生成寻优空间。药剂数据读取模块，所述药剂数据读取模块用于读取药剂数据，并基于药剂数据和所述寻优空间配置药剂剂量和添加顺序，将其作为融合基础数据，其中，所述药剂数据为药剂比例数据。温度控制空间确定模块，所述温度控制空间确定模块用于确定温度控制空间，并以所述寻优结果作为均衡温度数据，执行温度调控参数和搅拌参数的同步寻优。智能控制模块，所述智能控制模块用于根据同步寻优结果和所述融合基础数据完成智能控制。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
本申请提供了用于药剂快速融合的智能控制方法及系统，涉及药剂融合技术领域，所述方法包括：设定药剂融合的温度极限空间，然后在空间内进行药剂的拟合控制，并对拟合结果执行控制寻优，对反应釜进行性能效果寻优，生成寻优空间，然后读取药剂数据，并基于药剂数据和寻优空间配置药剂剂量和添加顺序，将其作为融合基础数据，确定温度控制空间，执行搅拌参数的同步寻优，并完成智能控制。
本申请主要解决了传统的药剂融合依赖人工操作和管理，存在操作不规范、精度不够等问题，可能导致药品的质量不稳定的问题。通过反应釜进行性能寻优，再通过对药剂融合过程的实时监测和控制，可以减少药品生产过程中的浪费和损失，提高药品生产的产量和质量。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其他目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
为了更清楚地说明本公开或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供了用于药剂快速融合的智能控制方法流程示意图；
图2为本申请实施例提供了用于药剂快速融合的智能控制方法中，根据映射结果完成温度调控参数和搅拌参数的同步寻优的方法流程示意图；
图3为本申请实施例提供了用于药剂快速融合的智能控制方法中，基于节点寻优结果整合获得所述同步寻优结果的方法流程示意图；
图4为本申请实施例提供了用于药剂快速融合的智能控制系统的结构示意图。
附图标记说明：温度极限空间设定模块10，寻优结果生成模块20，反应釜的基础数据集建立模块30，寻优空间生成模块40，药剂数据读取模块50，温度控制空间确定模块60，智能控制模块70。
具体实施方式
本申请主要解决了传统的药剂融合依赖人工操作和管理，存在操作不规范、精度不够等问题，可能导致药品的质量不稳定的问题。通过反应釜进行性能寻优，再通过对药剂融合过程的实时监测和控制，可以减少药品生产过程中的浪费和损失，提高药品生产的产量和质量。
为了更好地理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述方案进行详细介绍：
实施例一
如图1所示用于药剂快速融合的智能控制方法，所述方法包括：
设定药剂融合的温度极限空间，所述温度极限空间通过交互药剂的基础数据后，执行需求适配构建而成；
具体而言，药剂的物理和化学性质：不同的药剂可能对温度的耐受度不同。一些药剂可能在高温下不稳定，而另一些可能需要在低温下才能保持稳定。收集和整理数据：首先，需要收集和整理关于药剂的基础数据，这可能包括各种药剂的化学性质、物理性质、热稳定性、热反应性等。这些数据通过实验或文献调研获得。设定预测模型：基于这些基础数据，设定一个预测模型，这个模型可以预测在不同温度下，不同药剂的融合效果。模型为神经网络、决策树、支持向量机等。训练模型：使用一部分已经获得的基础数据来训练模型，调整模型的参数，使得模型可以尽可能准确地预测药剂融合的效果。验证模型：使用另一部分数据来验证模型的准确性。如果模型的预测结果与实际结果差距较大，可能需要调整模型的参数，或者重新选择模型。人工智能和机器学习的作用是帮助我们快速、准确地预测药剂融合的效果，从而可以更有效地设定温度极限空间。
在所述温度极限空间内进行药剂融合的拟合控制，并对拟合结果执行控制寻优，其中，寻优约束包括速度约束、纯度约束，生成温度控制的寻优结果；
具体而言，拟合控制：基于所述模型，使用拟合算法（例如梯度下降法、粒子群优化算法等）来找到一个最优的控制策略，使得药剂融合的速度和纯度都达到最优。拟合过程中需要考虑温度极限空间内的约束条件。执行控制寻优：基于已定义的寻优约束，可以使用优化算法对模型进行寻优。涉及梯度下降、遗传算法、粒子群优化等算法。优化的目标是找到一个或多个控制策略，使得药剂融合过程在满足速度约束和纯度约束的前提下，达到最优的效果。优化寻优结果：基于实际效果，对控制策略进行微调，进一步优化寻优结果。寻优约束包括速度约束、纯度约束：在寻优过程中，需要考虑一些特定的约束，这些约束可能包括“速度约束”和“纯度约束”。速度约束指的是药剂融合的速度要快，或者是达到某个目标的速度要快。纯度约束可能指的是药剂融合后的产品纯度要高，或者是纯度的变化要小。生成温度控制的寻优结果：在控制寻优完成后，可以生成温度控制的寻优结果。这可能包括最佳的反应温度、最佳的升温/降温速度等。这些结果可以直接用于实际的药剂融合过程。
建立反应釜的基础数据集，所述基础数据集包括尺寸数据、搅拌参数、温度调控参数；
具体而言，反应釜尺寸数据：反应釜的容积、釜体支撑种类、外壳顶层防腐蚀标准、外壳顶层结合数据、外壳304顶封、内衬喷嘴法兰耦合点支撑螺栓螺母衬垫等。搅拌参数：搅拌参数包括搅拌方式、搅拌速度和搅拌功率。不同的搅拌方式和速度适用于不同的反应物质和反应条件。搅拌功率则需要根据反应釜的容积和实际需求进行选择。温度调控参数：温度调控参数包括加热方式、温度范围和控温精度。加热方式可以是电加热、蒸汽加热或油加热等，需要根据反应物质和反应条件进行选择。温度范围是指反应釜能够承受的最高温度和最低温度。
通过所述基础数据集进行反应釜的性能效果寻优，生成寻优空间；
具体而言，确定寻优目标：首先需要确定寻优的目标，例如，提高产物的纯度、缩短反应时间、降低能源消耗等。定义约束条件：确定寻优过程中的约束条件，例如反应釜的最大工作压力、最大温度、搅拌速度范围等。这些约束条件将限制寻优的空间，确保寻优结果的可行性。选择优化算法：根据目标函数和约束条件，使用遗传算法、粒子群优化算法、梯度下降法进行寻优。这些算法能够根据给定的数据，自动寻找最优解。构建性能指标函数：基于寻优目标和约束条件，构建性能指标函数。这个函数将用于评估不同方案下的性能效果，并为优化算法提供优化目标。进行寻优计算：使用选择的优化算法，对性能指标函数进行寻优计算。这个计算过程将通过多次迭代，寻找最优解。分析寻优结果：分析寻优计算的结果，研究不同方案下的性能效果。根据结果，可以得出最优的反应釜设计方案或优化空间。生成寻优空间：基于寻优结果，生成寻优空间。寻优空间将包括多个参数的组合及其对应的性能效果。这个空间可以用于指导反应釜的设计和优化，为后续研究和应用提供参考。
读取药剂数据，并基于药剂数据和所述寻优空间配置药剂剂量和添加顺序，将其作为融合基础数据，其中，所述药剂数据为药剂比例数据；
具体而言，读取药剂数据：从数据库或文件中读取药剂比例数据，该数据应包括各种药剂的名称、比例以及它们在混合过程中的顺序。这些数据可以通过实验或从文献中获得。确定药剂剂量：根据读取的药剂数据，确定每种药剂的剂量。药剂剂量可以根据其比例和其他因素（如混合物的总重量）来确定。配置添加顺序：根据读取的药剂数据的顺序，配置药剂的添加顺序。这个顺序可以根据药剂的特性和混合过程的要求来确定。确定融合基础数据：将配置的药剂剂量和添加顺序作为融合基础数据。这些数据可以用于后续的混合过程，并指导药剂的融合。利用寻优空间：利用前面生成的寻优空间，对融合基础数据进行优化。这可以包括调整药剂剂量和添加顺序，以获得更好的混合效果。生成优化后的融合数据：基于寻优空间，优化融合基础数据，生成优化后的融合数据。这些数据可以用于实际的混合过程，以获得更好的药剂融合效果。
确定温度控制空间，并以所述寻优结果作为均衡温度数据，执行温度调控参数和搅拌参数的同步寻优；
具体而言，确定温度控制空间：根据反应釜的特性和混合过程的要求，确定一个温度控制空间。这个空间可以是一个范围，包括最高和最低温度，也可以是一个具体的数值。提取均衡温度数据：从前面的寻优结果中，提取出最佳的均衡温度数据。设定目标函数：设定一个目标函数，用于评估不同温度调控参数和搅拌参数组合下的混合效果。目标函数可以是基于混合物的均匀度、产物的纯度、反应时间等因素的数学表达式。选择优化算法：选择一个优化算法，例如遗传算法、粒子群优化算法、梯度下降法等，用于寻找最佳的温度调控参数和搅拌参数组合。进行同步寻优：使用选择的优化算法，对目标函数进行寻优计算。在这个过程中，同时优化温度调控参数和搅拌参数，寻找最佳的组合。评估寻优结果：评估同步寻优的结果，研究不同组合下的混合效果。生成优化后的控制策略：基于同步寻优的结果，生成一个优化后的温度控制策略。这个策略可以包括最佳的温度调控参数和搅拌参数，用于指导实际的混合过程。
根据同步寻优结果和所述融合基础数据完成智能控制。
具体而言，提取控制参数：从同步寻优结果中，提取出最佳的温度调控参数和搅拌参数。设定控制策略：根据提取的控制参数，设定一个智能控制策略。这个策略可以包括如何调整温度、如何改变搅拌速度等控制规则。构建控制模型：基于设定的控制策略，构建一个智能控制模型。这个模型可以是一个数学模型，也可以是一个机器学习模型，用于预测和控制药剂融合过程。执行智能控制：使用构建的智能控制模型，对融合基础数据进行控制。这可以包括实时监测混合过程的数据，如温度、搅拌速度等，并根据模型预测的结果进行调整。监控与调整：在执行智能控制的过程中，需要实时监控药剂融合的效果。如果效果不理想，可能需要调整控制策略或模型参数。记录与优化：记录执行智能控制过程中的数据和结果，并根据这些数据进行模型的优化和调整。这可以包括对模型进行训练、更新模型参数等。生成最终控制方案：基于记录的数据和结果，生成一个最终的智能控制方案。这个方案可以包括最佳的控制策略、模型参数等，用于指导实际的混合过程。通过以上步骤，可以根据同步寻优结果和融合基础数据完成智能控制，实现药剂融合过程的自动化和优化。
进一步而言，如图2所示，本申请方法还包括：
基于所述融合基础数据配置N个分布计算节点，其中每一分布计算节点对应一药剂添加节点；
通过N个分布计算节点进行温度差值的混合效果节点计算；
基于计算结果生成节点温度寻优结果，并建立与对应温度节点的映射；
根据映射结果完成温度调控参数和搅拌参数的同步寻优。
具体而言，配置计算节点：基于融合基础数据，配置N个分布计算节点。每个计算节点可能对应一个特定的药剂添加节点。进行混合效果计算：通过这N个分布计算节点，进行温度差值的混合效果计算。利用一些模型或算法，如有限元分析、数值模拟等，来预测不同温度差值下的混合效果。生成寻优结果：基于这些计算的结果，生成每个节点的温度寻优结果。包括了最佳的温度调控参数和搅拌参数。建立映射：将这些寻优结果与对应的温度节点建立映射关系。将每个节点的寻优结果存储起来，以供后续使用。根据映射结果完成温度调控参数和搅拌参数的同步寻优：根据建立的映射关系，我们可以得到对应的温度调控参数和搅拌参数的同步寻优结果。这些结果可以直接应用于实际的药剂融合过程，以优化温度控制和搅拌效果。
进一步而言，如图3所示，本申请方法还包括：
建立同步寻优模型，其中，所述同步寻优模型的隐含层包括节点寻优网络；
将所述映射结果和所述融合基础数据同步至所述同步寻优模型；
通过所述同步寻优模型将所述映射结果和所述融合基础数据分解，生成约束时长、温度寻优值、药剂量，并将分解结果发送至所述节点寻优网络；
通过所述节点寻优网络进行分解结果的温度调控参数和搅拌参数的节点寻优，基于节点寻优结果整合获得所述同步寻优结果。
具体而言，选择网络结构：选择合适的神经网络结构作为同步寻优模型的基础。选择卷积神经网络（CNN）、循环神经网络（RNN），或者更复杂的变分自编码器（VAE）等。设定隐含层：在所选的神经网络结构中设定一个隐含层，该隐含层将用于节点寻优网络。可以根据实际需要设定隐含层的神经元数量和激活函数。训练模型：使用相关训练算法（如反向传播算法、变分推断等）对模型进行训练。训练过程中，需要选择合适的损失函数，并确定训练周期和批次大小。调整节点寻优网络：根据训练结果，可能需要对节点寻优网络进行调整。例如，可以调整隐含层神经元的权重和偏置，或者改变激活函数等。节点寻优网络可以是一种神经网络结构，用于在每个药剂添加节点上进行寻优操作。同步映射结果和融合基础数据：将映射结果和融合基础数据同步到同步寻优模型。将这两个数据集合并，并将其输入到同步寻优模型中。分解数据：通过同步寻优模型，将映射结果和融合基础数据分解成约束时长、温度寻优值、药剂量等部分。应用一些特定的算法或模型，如卷积神经网络、循环神经网络或其他深度学习模型，来处理这些数据并生成分解结果。发送分解结果：将分解结果发送到节点寻优网络。将分解结果作为输入传递给节点寻优网络，以便在其上进行进一步的寻优操作。节点寻优：通过节点寻优网络进行分解结果的温度调控参数和搅拌参数的节点寻优。在每个药剂添加节点上应用一些优化算法，如梯度下降、遗传算法等，来寻找最佳的温度调控参数和搅拌参数。整合寻优结果：基于节点寻优的结果，整合获得同步寻优结果。将每个节点的寻优结果合并起来，形成一个整体的优化结果。
进一步而言，本申请方法还包括：
获取第一节点寻优网络，其中，所述第一节点寻优网络为第一药剂添加节点对应的寻优网络，且所述第一节点寻优网络通过第一约束时长、第一温度寻优值和第一药剂量构建而成；
将所述第一节点寻优网络作为基态网络，执行顺序叠加增量学习，其中，增量数据为上一被覆盖网络的温度寻优值和已存药剂总量；
通过增量学习结果完成剩余N-1个节点寻优网络构建；
根据全部的构建结果获得所述节点寻优网络。
具体而言，获取第一节点寻优网络：构建一个第一节点寻优网络，这个网络由第一药剂添加节点对应，并通过第一约束时长、第一温度寻优值和第一药剂量构建而成。作为基态网络：将第一节点寻优网络用作基态网络，也就是作为后续增量学习的起点。执行顺序叠加增量学习：以第一节点寻优网络作为基态网络，执行顺序叠加增量学习。使用一些增量学习算法，如随机梯度下降（SGD）或其他优化算法，来更新网络权重和偏置。增量数据包括上一被覆盖网络的温度寻优值和已存药剂总量。这种增量学习过程允许网络在不需要重新训练整个模型的情况下，对新数据进行有效的适应。完成剩余节点寻优网络构建：通过上述增量学习结果，完成剩余N-1个节点寻优网络的构建。包括将第一节点寻优网络的输出与新数据结合，并使用相关算法更新其余节点的权重和偏置。获得节点寻优网络：根据全部构建结果，获得最终的节点寻优网络。这可能包括所有节点的权重、偏置和其他参数。
进一步而言，本申请方法还包括：
在反应釜空间内配置M个温度反馈点；
执行药剂融合的智能控制过程中，读取M个温度反馈点的实时反馈数据；
通过所述实时反馈数据进行温度均衡分析，基于温度均衡分析结果和反馈时间节点生成补偿控制信息；
基于所述补偿控制信息进行药剂融合的优化控制管理。
具体而言，在反应釜空间内配置M个温度反馈点：在反应釜的工作区域内，设置M个温度反馈点。这些反馈点可以按照特定的空间分布排列，例如线性排列、网格排列等，以确保能够全面反映反应釜内的温度情况。执行药剂融合的智能控制过程中，读取M个温度反馈点的实时反馈数据：在药剂融合的过程中，通过一定的设备或传感器，实时读取M个温度反馈点的数据，从而了解当前反应釜内的温度状况。通过所述实时反馈数据进行温度均衡分析：利用实时反馈的数据，进行温度均衡分析。这个分析可以基于统计学的温度分布模型，或者是人工智能的温度预测模型，来预测未来一段时间内的温度变化趋势。基于温度均衡分析结果和反馈时间节点生成补偿控制信息：根据温度均衡分析的结果，以及每个温度反馈点的时间节点，生成相应的补偿控制信息。这些信息包括对特定区域的温度进行调节，或者改变搅拌速度等控制策略。基于所述补偿控制信息进行药剂融合的优化控制管理：根据生成的补偿控制信息，对药剂融合过程进行优化控制管理。这包括调整温度调节装置，改变搅拌速度，或者是调整药剂添加的时间和顺序等。
进一步而言，本申请方法还包括：
以N个分布计算节点建立绝限时间节点；
在所述反馈时间节点进行温度控制的理论拟合，生成拟合结果；
基于所述拟合结果和所述实时反馈数据确定温度偏差，并以绝限时间节点和反馈时间节点的时间差值和温度偏差进行补偿分析；
基于补偿分析结果生成所述补偿控制信息。
具体而言，以N个分布计算节点建立绝限时间节点：在分布计算节点上建立绝限时间节点，这是为了设定一个最终的时间阈值，以控制优化过程的终止时间。在所述反馈时间节点进行温度控制的理论拟合，生成拟合结果：在每个反馈时间节点上，利用过去和当前的温度反馈数据进行温度控制的理论拟合。使用一种或多种拟合模型（如线性回归、支持向量回归等）来预测未来的温度趋势。基于所述拟合结果和所述实时反馈数据确定温度偏差：利用拟合结果和实时反馈数据计算出实际的温度偏差。这是通过比较实际测得的温度和预测的温度之间的差异来计算的。以绝限时间节点和反馈时间节点的时间差值和温度偏差进行补偿分析：将绝限时间节点和反馈时间节点的时间差值与计算出的温度偏差相结合，进行补偿分析。对时间差值和温度偏差之间的关系进行建模，以预测如何调整温度调控参数和搅拌参数以优化药剂融合过程。基于补偿分析结果生成所述补偿控制信息：基于补偿分析的结果，生成补偿控制信息。包括如何调整温度调控参数和搅拌参数的具体建议，以达到优化药剂融合过程的目的。
进一步而言，本申请方法还包括：
调用所述反应釜的历史数据，基于所述历史数据对所述反应釜进行连续控制分析，生成连续控制的稳态衰减结果；
基于所述稳态衰减结果生成修正系数；
通过所述修正系数进行反应釜的开机阶梯补偿。
具体而言，调用所述反应釜的历史数据：反应釜的历史数据包括了各种参数，如温度、压力、液位、搅拌速度等，以及这些参数随时间变化的历史记录。这些数据可以用于了解反应釜的特性，以及历史操作情况。基于所述历史数据对所述反应釜进行连续控制分析：使用历史数据对反应釜进行连续控制分析，使用一些方法如自适应控制、模糊控制等，以预测未来可能的控制需求。生成连续控制的稳态衰减结果：基于历史数据和分析结果，可以预测出连续控制下的稳态衰减情况。这个结果包括了各种参数的稳态值，以及这些稳态值随时间变化的情况。基于所述稳态衰减结果生成修正系数：根据稳态衰减结果，可以计算出修正系数。这个修正系数可能用来调整控制策略，以补偿反应釜的衰减情况。通过所述修正系数进行反应釜的开机阶梯补偿：使用生成的修正系数，可以进行反应釜的开机阶梯补偿。调整温度调节装置、搅拌器等设备的运行参数，以实现更好的控制效果。
实施例二
基于与前述实施例用于药剂快速融合的智能控制方法相同的发明构思，如图4所示，本申请提供了用于药剂快速融合的智能控制系统，所述系统包括：
温度极限空间设定模块10，所述温度极限空间设定模块10用于设定药剂融合的温度极限空间，所述温度极限空间通过交互药剂的基础数据后，执行需求适配构建而成；
寻优结果生成模块20，所述寻优结果生成模块20用于在所述温度极限空间内进行药剂融合的拟合控制，并对拟合结果执行控制寻优，其中，寻优约束包括速度约束、纯度约束，生成温度控制的寻优结果；
反应釜的基础数据集建立模块30，所述反应釜的基础数据集建立模块30用于建立反应釜的基础数据集，所述基础数据集包括尺寸数据、搅拌参数、温度调控参数；
寻优空间生成模块40，所述寻优空间生成模块40用于通过所述基础数据集进行反应釜的性能效果寻优，生成寻优空间；
药剂数据读取模块50，所述药剂数据读取模块50用于读取药剂数据，并基于药剂数据和所述寻优空间配置药剂剂量和添加顺序，将其作为融合基础数据，其中，所述药剂数据为药剂比例数据；
温度控制空间确定模块60，所述温度控制空间确定模块60用于确定温度控制空间，并以所述寻优结果作为均衡温度数据，执行温度调控参数和搅拌参数的同步寻优；
智能控制模块70，所述智能控制模块70用于根据同步寻优结果和所述融合基础数据完成智能控制。
进一步地，该系统还包括：
药剂添加节点计算模块，是基于所述融合基础数据配置N个分布计算节点，其中每一分布计算节点对应一药剂添加节点；
节点计算模块，用于通过N个分布计算节点进行温度差值的混合效果节点计算；
节点映射模块，是基于计算结果生成节点温度寻优结果，并建立与对应温度节点的映射；
同步寻优模块，用于根据映射结果完成温度调控参数和搅拌参数的同步寻优。
进一步地，该系统还包括：
寻优模型建立模块，用于建立同步寻优模型，其中，所述同步寻优模型的隐含层包括节点寻优网络；
融合数据同步模块，用于将所述映射结果和所述融合基础数据同步至所述同步寻优模型；
结果发送模块，用于通过所述同步寻优模型将所述映射结果和所述融合基础数据分解，生成约束时长、温度寻优值、药剂量，并将分解结果发送至所述节点寻优网络；
同步寻优结果获取模块，用于通过所述节点寻优网络进行分解结果的温度调控参数和搅拌参数的节点寻优，基于节点寻优结果整合获得所述同步寻优结果。
进一步地，该系统还包括：
寻优网络获取模块，用于获取第一节点寻优网络，其中，所述第一节点寻优网络为第一药剂添加节点对应的寻优网络，且所述第一节点寻优网络通过第一约束时长、第一温度寻优值和第一药剂量构建而成；
增量学习执行模块，用于将所述第一节点寻优网络作为基态网络，执行顺序叠加增量学习，其中，增量数据为上一被覆盖网络的温度寻优值和已存药剂总量；
网络构建模块，用于通过增量学习结果完成剩余N-1个节点寻优网络构建；
寻优网络获取模块，用于根据全部的构建结果获得所述节点寻优网络。
进一步地，该系统还包括：
温度反馈点配置模块，用于在反应釜空间内配置M个温度反馈点；
反馈数据读取模块，用于执行药剂融合的智能控制过程中，读取M个温度反馈点的实时反馈数据；
补偿控制信息生成模块，用于通过所述实时反馈数据进行温度均衡分析，基于温度均衡分析结果和反馈时间节点生成补偿控制信息；
控制管理优化模块，是基于所述补偿控制信息进行药剂融合的优化控制管理。
进一步地，该系统还包括：
绝限时间节点建立模块，用于以N个分布计算节点建立绝限时间节点；
拟合结果生成模块，用于在所述反馈时间节点进行温度控制的理论拟合，生成拟合结果；
补偿分析模块，是基于所述拟合结果和所述实时反馈数据确定温度偏差，并以绝限时间节点和反馈时间节点的时间差值和温度偏差进行补偿分析；
补偿控制信息生成模块，是基于补偿分析结果生成所述补偿控制信息。
进一步地，该系统还包括：
衰减结果生成模块，用于调用所述反应釜的历史数据，基于所述历史数据对所述反应釜进行连续控制分析，生成连续控制的稳态衰减结果；
修正系数生成模块，是基于所述稳态衰减结果生成修正系数；
阶梯补偿模块，用于通过所述修正系数进行反应釜的开机阶梯补偿。
说明书通过前述用于药剂快速融合的智能控制方法的详细描述，本领域技术人员可以清楚地知识本实施例中用于药剂快速融合的智能控制系统，对于实施例公开的系统而言，由于其与实施例公开装置相对应，所以描述得比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其他实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.用于药剂快速融合的智能控制方法，其特征在于，所述方法包括：
设定药剂融合的温度极限空间，所述温度极限空间通过交互药剂的基础数据后，执行需求适配构建而成，包括：基于基础数据，设定一个预测模型，预测模型预测在不同温度下，不同药剂的融合效果；
在所述温度极限空间内进行药剂融合的拟合控制，并对拟合结果执行控制寻优，其中，寻优约束包括速度约束、纯度约束，生成温度控制的寻优结果，包括：拟合控制：基于所述模型，使用拟合算法找到一个最优的控制策略，使得药剂融合的速度和纯度都达到最优；执行控制寻优：基于已定义的寻优约束，使用优化算法对模型进行寻优；
建立反应釜的基础数据集，所述基础数据集包括尺寸数据、搅拌参数、温度调控参数；
通过所述基础数据集进行反应釜的性能效果寻优，生成寻优空间；
读取药剂数据，并基于药剂数据和所述寻优空间配置药剂剂量和添加顺序，将所述药剂剂量和添加顺序作为融合基础数据，其中，所述药剂数据为药剂比例数据；
确定温度控制空间，并以所述寻优结果作为均衡温度数据，执行温度调控参数和搅拌参数的同步寻优，其中，根据反应釜的特性和混合过程的要求，确定一个温度控制空间；
根据同步寻优结果和所述融合基础数据完成智能控制。
2.如权利要求1所述的方法，其特征在于，所述方法还包括：
基于所述融合基础数据配置N个分布计算节点，其中每一分布计算节点对应一药剂添加节点；
通过N个分布计算节点进行温度差值的混合效果节点计算；
基于计算结果生成节点温度寻优结果，并建立与对应温度节点的映射；
根据映射结果完成温度调控参数和搅拌参数的同步寻优。
3.如权利要求2所述的方法，其特征在于，所述方法还包括：
建立同步寻优模型，其中，所述同步寻优模型的隐含层包括节点寻优网络；
将所述映射结果和所述融合基础数据同步至所述同步寻优模型；
通过所述同步寻优模型将所述映射结果和所述融合基础数据分解，生成约束时长、温度寻优值、药剂量，并将分解结果发送至所述节点寻优网络；
通过所述节点寻优网络进行分解结果的温度调控参数和搅拌参数的节点寻优，基于节点寻优结果整合获得所述同步寻优结果。
4.如权利要求3所述的方法，其特征在于，所述方法还包括：
获取第一节点寻优网络，其中，所述第一节点寻优网络为第一药剂添加节点对应的寻优网络，且所述第一节点寻优网络通过第一约束时长、第一温度寻优值和第一药剂量构建而成；
将所述第一节点寻优网络作为基态网络，执行顺序叠加增量学习，其中，增量数据为上一被覆盖网络的温度寻优值和已存药剂总量；
通过增量学习结果完成剩余N-1个节点寻优网络构建；
根据全部的构建结果获得所述节点寻优网络。
5.如权利要求4所述的方法，其特征在于，所述方法还包括：
在反应釜空间内配置M个温度反馈点；
执行药剂融合的智能控制过程中，读取M个温度反馈点的实时反馈数据；
通过所述实时反馈数据进行温度均衡分析，基于温度均衡分析结果和反馈时间节点生成补偿控制信息；
基于所述补偿控制信息进行药剂融合的优化控制管理。
6.如权利要求5所述的方法，其特征在于，所述方法还包括：
以N个分布计算节点建立绝限时间节点；
在所述反馈时间节点进行温度控制的理论拟合，生成拟合结果；
基于所述拟合结果和所述实时反馈数据确定温度偏差，并以绝限时间节点和反馈时间节点的时间差值和温度偏差进行补偿分析；
基于补偿分析结果生成所述补偿控制信息。
7.如权利要求1所述的方法，其特征在于，所述方法还包括：
调用所述反应釜的历史数据，基于所述历史数据对所述反应釜进行连续控制分析，生成连续控制的稳态衰减结果；
基于所述稳态衰减结果生成修正系数；
通过所述修正系数进行反应釜的开机阶梯补偿。
8.用于药剂快速融合的智能控制系统，其特征在于，所述系统包括：
温度极限空间设定模块，所述温度极限空间设定模块用于设定药剂融合的温度极限空间，所述温度极限空间通过交互药剂的基础数据后，执行需求适配构建而成，包括：基于基础数据，设定一个预测模型，预测模型预测在不同温度下，不同药剂的融合效果；
寻优结果生成模块，所述寻优结果生成模块用于在所述温度极限空间内进行药剂融合的拟合控制，并对拟合结果执行控制寻优，其中，寻优约束包括速度约束、纯度约束，生成温度控制的寻优结果，包括：拟合控制：基于所述模型，使用拟合算法找到一个最优的控制策略，使得药剂融合的速度和纯度都达到最优；执行控制寻优：基于已定义的寻优约束，使用优化算法对模型进行寻优；
反应釜的基础数据集建立模块，所述反应釜的基础数据集建立模块用于建立反应釜的基础数据集，所述基础数据集包括尺寸数据、搅拌参数、温度调控参数；
寻优空间生成模块，所述寻优空间生成模块用于通过所述基础数据集进行反应釜的性能效果寻优，生成寻优空间；
药剂数据读取模块，所述药剂数据读取模块用于读取药剂数据，并基于药剂数据和所述寻优空间配置药剂剂量和添加顺序，将所述药剂剂量和添加顺序作为融合基础数据，其中，所述药剂数据为药剂比例数据；
温度控制空间确定模块，所述温度控制空间确定模块用于确定温度控制空间，并以所述寻优结果作为均衡温度数据，执行温度调控参数和搅拌参数的同步寻优，其中，根据反应釜的特性和混合过程的要求，确定一个温度控制空间；
智能控制模块，所述智能控制模块用于根据同步寻优结果和所述融合基础数据完成智能控制。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311446102.1A CN117170334B (zh) | 2023-11-02 | 2023-11-02 | 用于药剂快速融合的智能控制方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311446102.1A CN117170334B (zh) | 2023-11-02 | 2023-11-02 | 用于药剂快速融合的智能控制方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117170334A CN117170334A (zh) | 2023-12-05 |
| CN117170334B true CN117170334B (zh) | 2024-03-08 |
Family
ID=88945338
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311446102.1A Active CN117170334B (zh) | 2023-11-02 | 2023-11-02 | 用于药剂快速融合的智能控制方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117170334B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117680026B (zh) * | 2024-02-01 | 2024-04-30 | 深圳市盘古环保科技有限公司 | 一种垃圾渗滤液膜浓缩液的处理设备 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102222128A (zh) * | 2011-05-05 | 2011-10-19 | 杭州电子科技大学 | 一种废塑料炼油燃烧优化的方法 |
| CN103309371A (zh) * | 2013-06-08 | 2013-09-18 | 浙江大学 | 一种基于控制变量参数化方法的间歇反应釜控制系统 |
| CN108121387A (zh) * | 2017-12-13 | 2018-06-05 | 江南大学 | 一种放热反应过程的自动开车及优化控制方法 |
| CN108710299A (zh) * | 2018-05-30 | 2018-10-26 | 重庆邮电大学 | 一种连续搅拌釜反应器催化剂补料最优控制系统及方法 |
| CN110941186A (zh) * | 2019-12-26 | 2020-03-31 | 华润电力技术研究院有限公司 | 基于神经网络与万有引力搜索算法的汽温控制寻优方法 |
| CN112216354A (zh) * | 2020-09-17 | 2021-01-12 | 江苏集萃工业过程模拟与优化研究所有限公司 | 一种基于cfd数值模拟和机器学习的智能加药系统和方法 |
| CN115481554A (zh) * | 2022-09-22 | 2022-12-16 | 重庆大学 | 炸药熔铸固化过程热扩散数字孪生模型、温度场实时优化控制模型及方法 |
| CN116222198A (zh) * | 2023-03-22 | 2023-06-06 | 北京市永康药业有限公司 | 一种药品干燥控制方法及系统 |
| CN116638166A (zh) * | 2023-07-21 | 2023-08-25 | 苏州松德激光科技有限公司 | 一种用于高精度焊接加工的温度智能控制方法及系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1618372A2 (en) * | 2003-04-14 | 2006-01-25 | Cellular Process Chemistry, Inc. | System and method for determining optimal reaction parameters using continuously running process |
| RU2640976C1 (ru) * | 2017-05-05 | 2018-01-12 | Компания "Сахалин Энерджи Инвестмент Компани Лтд." | Способ управления процессом сжижения природного газа |
-
2023
- 2023-11-02 CN CN202311446102.1A patent/CN117170334B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102222128A (zh) * | 2011-05-05 | 2011-10-19 | 杭州电子科技大学 | 一种废塑料炼油燃烧优化的方法 |
| CN103309371A (zh) * | 2013-06-08 | 2013-09-18 | 浙江大学 | 一种基于控制变量参数化方法的间歇反应釜控制系统 |
| CN108121387A (zh) * | 2017-12-13 | 2018-06-05 | 江南大学 | 一种放热反应过程的自动开车及优化控制方法 |
| CN108710299A (zh) * | 2018-05-30 | 2018-10-26 | 重庆邮电大学 | 一种连续搅拌釜反应器催化剂补料最优控制系统及方法 |
| CN110941186A (zh) * | 2019-12-26 | 2020-03-31 | 华润电力技术研究院有限公司 | 基于神经网络与万有引力搜索算法的汽温控制寻优方法 |
| CN112216354A (zh) * | 2020-09-17 | 2021-01-12 | 江苏集萃工业过程模拟与优化研究所有限公司 | 一种基于cfd数值模拟和机器学习的智能加药系统和方法 |
| CN115481554A (zh) * | 2022-09-22 | 2022-12-16 | 重庆大学 | 炸药熔铸固化过程热扩散数字孪生模型、温度场实时优化控制模型及方法 |
| CN116222198A (zh) * | 2023-03-22 | 2023-06-06 | 北京市永康药业有限公司 | 一种药品干燥控制方法及系统 |
| CN116638166A (zh) * | 2023-07-21 | 2023-08-25 | 苏州松德激光科技有限公司 | 一种用于高精度焊接加工的温度智能控制方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 有机过氧化物自加速分解温度的预测模型研究;赵朝阳;《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117170334A (zh) | 2023-12-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Coordinated load frequency control of multi-area integrated energy system using multi-agent deep reinforcement learning | |
| JP4002305B2 (ja) | 重合プロセス制御装置 | |
| Sachs et al. | Process control system for VLSI fabrication | |
| US10666076B1 (en) | Using battery state excitation to control battery operations | |
| CN117170334B (zh) | 用于药剂快速融合的智能控制方法及系统 | |
| CN113552797A (zh) | 一种基于改进粒子群优化的加热炉炉温控制方法和系统 | |
| Goharimanesh et al. | Diabetic control using genetic fuzzy-PI controller | |
| Dutta et al. | A survey and comparative evaluation of actor‐critic methods in process control | |
| CN117952256A (zh) | 可再生能源系统管理方法、装置、设备及存储介质 | |
| CN113110341B (zh) | 一种基于潜变量过程迁移模型的批次过程分层优化方法 | |
| CN105955032A (zh) | 基于蝙蝠算法优化极限学习机的逆变器控制方法 | |
| CN117234083A (zh) | 基于灰箱模型的闸门自适应预测控制方法 | |
| CN113075883B (zh) | 一种制水业中混凝投药优化方法 | |
| Basha et al. | Enhanced optimal insulin regulation in post-operative diabetic patients: an adaptive cascade control compensation-based approach with diabetic and hypertension | |
| Jovan et al. | Use of key performance indicators in production management | |
| Soukkou et al. | Optimal control of a CSTR process | |
| Kuhlmann et al. | Robust operation of fed batch fermenters | |
| CN118331352A (zh) | 一种用于消毒剂生产温度的智能调控方法及系统 | |
| Wang et al. | Multi-model based real-time final product quality control strategy for batch processes | |
| Duran-Villalobos et al. | Iterative learning modelling and control of batch fermentation processes | |
| CN118707916B (zh) | 基于多数据融合的水产品加工搅拌方法及装置 | |
| Mirlekar et al. | An integrated biomimetic control strategy with multi-agent optimization for nonlinear chemical processes | |
| CN116436013B (zh) | 配电系统功率分配方法、系统、计算机设备及存储介质 | |
| Chew et al. | Review on Determinant Parameters of Genetic Algorithm for the Optimized Closed Loop Control | |
| CN114020063B (zh) | 一种基于模糊神经网络的中药饮片润药温度预测控制方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |