★江中药业股份有限公司黄磊，罗小荣，刘协斌，刘伟，彭伟

关键词：智能制造；制药设备；参数调整；自适应控制；深度学习

制药设备的运行参数直接影响药品质量与生产效率。传统的人工参数调整存在反应滞后与精度不足等问题，难以满足现代制药工业精细化的需求。人工智能技术的发展使深度学习应用于制药设备参数调控成为现实。目前制药设备参数自适应调整面临参数耦合度高、响应时间长与调整精度低等技术难题。针对这些问题，本文构建了一套基于深度学习的参数自适应调整系统。该系统通过构建深度学习模型预测参数变化趋势，采用强化学习算法优化调整策略，实现参数精准调控。深度学习模型采用长短时记忆网络结构，引入注意力机制增强特征提取能力。强化学习算法基于深度Q网络设计，通过经验回放提升算法性能。系统在实际生产环境中运行验证，显示出了良好应用效果。

1　基于人工智能的制药设备参数分析

1.1　制药设备参数数据采集与处理

制药设备运行过程中产生大量参数数据，通过布设温度、压力与速度等多类传感器实现数据采集。采集系统采用分布式架构，确保数据实时性与可靠性。数据预处理环节重点解决数据缺失、异常值与噪声干扰问题。系统运用滑动平均法对异常数据进行平滑处理，采用多元线性回归方法对缺失数据进行修复。为提升数据质量，系统建立了基于标准差的异常值检测机制，通过小波变换实现数据降噪。在数据标准化过程中，系统根据不同参数的量纲特征，分别采用最大最小值标准化与Z-score标准化方法，使数据分布更适合深度学习模型训练，并通过搭建工业物联网平台，实现参数数据的统一存储与管理，为后续模型训练提供了高质量数据支撑^[1]。

1.2　深度学习模型构建与参数分析

针对制药设备参数特征，本文设计了基于LSTM的深度学习模型结构。模型输入层包含温度、压力与速度等多维参数数据，通过两层LSTM隐藏层提取参数时序特征，每层神经元数量分别为128与64。为防止过拟合，在LSTM层之间添加Dropout层，丢弃率设为0.3。输出层采用全连接层，实现对目标参数的预测。模型训练采用Adam优化器，学习率初始值设为0.001，采用余弦退火策略动态调整，通过交叉验证方法确定最优模型参数。使用均方根误差评估模型性能，在参数分析环节，利用注意力机制识别关键参数^[2]。

2　制药设备参数自适应调整方法

2.1　参数动态预测与关联分析

制药设备参数的动态预测采用改进的长短时记忆网络模型，通过引入注意力机制增强模型对关键时序特征的捕捉能力。在模型结构设计中，将时间窗口大小设为24、时间步长设为5分钟，使模型能够充分学习参数变化规律。在特征工程环节，除原始参数外，还构建了参数变化率与参数均值等统计特征，丰富了模型的输入信息。参数间的关联强度采用改进的互信息方法计算，如式（1）所示。

该方法可有效识别参数间的非线性关联。研究表明，温度与压力参数的互信息值达0.78，表现出显著相关性，搅拌速度与物料粘度的互信息值为0.65。通过格兰杰因果检验进一步验证参数变化的因果关系，构建参数影响图谱，为后续参数协同调整提供理论依据。预测过程中，采用滑动窗口技术实现参数的连续预测，预测时长可达120分钟，预测精度达到92.5%^[3]。

2.2　自适应调整算法设计

参数自适应调整算法基于强化学习框架设计，采用改进的深度Q网络实现参数调整策略的优化（图1）。算法将参数调整问题建模为马尔可夫决策过程，状态空间包含当前参数值及其变化趋势，动作空间定义为参数的调整量，核心优化目标为式（2）：

式中，e为参数偏差，Δu为调整量，w1与w2为权重系数。

该奖励函数平衡了调整精度与调整幅度两个目标。为提升算法的收敛性能，采用优先经验回放机制，将重要的调整经验以更高概率进行学习，同时引入双Q网络结构降低Q值估计的偏差。目标网络的更新周期设为1000步，为解决连续动作空间的探索问题，结合高斯噪声实现参数调整的探索与利用平衡。算法迭代过程中，根据参数预测结果动态调整探索噪声的方差，提高算法的自适应能力。经过10,000轮训练迭代，算法收敛性能显著提升，能将关键参数的调整时间控制在45秒内，调整精度达到±0.3%^[4]。

图1自适应调整算法流程图

2.3　多参数协同优化

多参数协同优化基于多目标优化理论构建了参数调整的优化目标函数。目标函数综合考虑产品质量指标、生产效率与能源消耗，通过引入权重系数实现多目标的动态平衡。优化过程采用改进的粒子群算法，粒子群规模设为100，最大迭代次数为200。为提高算法的全局搜索能力，我们设计了自适应惯性权重策略，权重范围为0.4到0.9。在速度更新方面，我们引入柯西变异算法增加粒子群的多样性，变异概率设为0.1。考虑到参数间的耦合关系，我们建立了基于约束传播的参数调整序列优化方法，通过参数影响度分析确定调整优先级。优化过程中，设置参数变化率约束，确保调整过程的平稳性。同时，我们建立了基于模糊规则的参数调整约束机制，将专家经验转化为具体的调整规则，在优化过程的不同阶段，动态调整参数约束范围，提高优化效率。实验结果显示，协同优化方法可使系统在15分钟内达到最优运行状态，比传统方法提前30%，且能耗降低12.3%^[5]。

3　智能调参系统实验验证研究

3.1　实验环境与方案设计

实验平台选用某制药企业年产10,000吨的固体制剂生产线，设备包括混合机、制粒机与干燥机等核心设备（图2），实验数据采集周期为3个月，涵盖不同批次与不同产品的生产过程。采集系统采用分布式架构，在关键设备节点部署工业级传感器，采样频率为100Hz，数据采集内容包括温度（0～120℃）、压力（0～10MPa）、转速（0～1500rpm）与物料含水率等工艺参数。实验分为参数预测验证与自适应调整验证两个阶段，每个阶段设置5组对照实验。预测验证阶段重点考察模型对不同工况下参数变化的预测准确性，自适应调整验证阶段着重测试系统对工艺波动的响应性能。为保证实验数据的可比性，对每组实验的初始条件进行标准化设置，包括物料配方、环境温度与设备运行状态等因素。实验过程中，通过人为引入工艺波动，测试系统的抗干扰能力。同时，设置参数突变工况，验证系统的快速响应能力。

图2制药设备参数调控系统工程图

3.2　参数调整效果评估

参数调整效果评估采用多维度指标体系，从调整精度、响应时间与稳定性三个方面进行量化分析。调整精度评估采用均方根误差（RMSE）与平均绝对百分比误差（MAPE）两个指标。通过连续20批次生产数据计算得出，温度参数的RMSE为0.35℃，MAPE为0.42%；压力参数的RMSE为0.08MPa，MAPE为0.38%；转速参数的RMSE为5.2rpm，MAPE为0.45%。响应时间评估基于阶跃响应实验，分别测试系统对大、中与小幅度参数波动的调整时间。结果显示，对于10%幅度的参数波动，系统平均响应时间为28秒，调整时间为42秒；对于30%幅度的参数波动，系统平均响应时间为35秒，调整时间为58秒。稳定性评估通过计算参数波动方差与超调量进行量化。在连续48小时的稳定性测试中，关键参数的波动方差控制在目标值的±0.5%以内，超调量最大不超过5%。

3.3　系统性能测试与分析

系统性能测试从计算效率、可靠性与实用性三个维度展开（表1）。计算效率测试重点评估参数预测模型与自适应调整算法的运行性能。在搭载Intel i7处理器与16GB内存的工控机上，单次参数预测平均耗时0.12秒，参数调整决策计算时间为0.28秒，满足实时控制需求。可靠性测试持续进行30天，累计处理数据量超过2TB，系统运行稳定，无数据丢失与系统崩溃现象。通过注入网络延迟与数据包丢失等故障，测试系统的容错能力，结果显示系统可在95%的故障场景下维持正常运行。实用性评估通过对比分析，系统应用后生产效率提升18.3%，产品一次合格率提高3.2%，能耗降低15.6%，操作人员培训时间由传统的2周缩短至3天，参数调整经验迁移时间由5天缩短至1天，显著提升了生产线的智能化水平。

表1系统性能测试数据对比表

标注：响应时间与调整时间在标准工控机环境下测试（Intel i7/16GB RAM）；系统稳定性基于30天连续运行数据统计；调整精度针对温度、压力与速度等关键参数的平均值；所有数据为多次测试平均值。

4　结语

本文基于深度学习构建了参数预测模型，并结合强化学习设计了自适应调整算法，实现了制药设备关键参数的智能调控。参数预测模型在不同工况下准确率达92.5%，自适应调整算法将参数波动控制在±0.5%范围内，对突发工况响应时间缩短至45秒。多参数协同优化算法有效解决了参数耦合问题，系统稳定运行超过90天，无故障发生。系统在实际生产线运行稳定，提升生产效率18.3%，降低能耗15.6%，操作人员培训时间由2周缩短至3天。参数智能调控技术改变了传统制药设备运行模式，为制药工业智能化升级开辟了新途径。未来将进一步优化算法性能，扩展应用场景，构建多设备协同调控网络，探索群智能参数优化方法，推动制药工业向智能制造迈进。

作者简介：

黄　磊（1986-），男，江西南昌人，本科，现就职于江中药业股份有限公司，研究方向为制药设备。

参考文献：

[1] 于秀玲, 时鹏飞, 马军. 基于工程认证的课程目标达成评价方法研究-以制药设备与车间设计课程为例[J]. 生物化工, 2024, 10 (6) : 152 - 155 + 161.

[2] 王志霞, 吴彤珊. 基于化工设备自动化控制的制药工艺优化策略研究[J]. 流程工业, 2024, (12) : 64 - 68.

[3] 龙勇涛, 冷胡峰, 李龙坤, 等. 基于蒸汽蓄热器的制药提取设备节能技术研究与应用[J]. 设备管理与维修, 2024, (22) : 194 - 196.

[4] 韩永萍, 刘红梅, 李可意. "一体两翼三段驱动" 线上线下混合教学模式探索与实践-以 "制药设备与车间工艺设计" 课程为例[J]. 广东化工, 2024, 51 (17) : 229 - 231.

[5] 高建德, 范凌云, 余琰, 等. 一流课程建设背景下中药制药工艺学课程的建设与探讨[J]. 广东化工, 2024, 51 (12) : 229 - 231.

摘自《自动化博览》2025年7月刊