[发明专利]一种丹参注射液生产浓缩过程密度的软测量方法

权利要求书

1.一种丹参注射液生产浓缩过程密度的软测量方法，其特征在于该软测量方法包括以下步骤：

(1)采集数据集：采集丹参注射液生产浓缩过程中各传感器及密度计获取的数据集{X，D}；

(2)变量选择和代表性数据筛选：从各传感器数据集{X，D}中选取与密度D相关程度较高的过程变量，并去除其中的奇异样本，筛选出具有代表性的数据集{X_m，D}，划分为训练样本和预测样本；

(3)建立软测量模型：使用多变量分析方法，包括多元线性回归、主成分回归、偏最小二乘以及人工神经网络方法，将(2)中选取的过程变量作为输入，密度值作为输出，使用训练样本训练得到密度的软测量模型，并使用预测样本对模型进行评价，其中以X_m＝(T_g，T_l，P，L)为自变量，D为因变量，其中T_g为气相温度、T_l为液相温度、P为蒸发器真空度、L为浓缩液液位；使用训练数据集{X_{m_tr}，D_tr}建立模型；具体步骤为：

以X_m＝(T_g，T_l，P，L)为自变量，D为因变量，使用训练数据集{X_{m_tr}，D_tr}建立模型，预测数据集{X_{m_pred}，D_pred}进行模型评价，

①建立密度的MLR软测量模型如下：

D_tr＝X_{m_tr}b_MLR+e＝b₁T_g+b₂T_l+b₃P+b₄L+e

其中，e为误差项，由训练样本计算得到回归系数b_MLR＝(X_{m_tr}^TX_{m_tr})^-1X_{m_tr}^TD_tr，对预测集未知样本的模型估计为D_{pred_MLR}＝X_{m_pred}b_MLR；

②建立密度的PCR软测量模型如下：

D_tr＝T_{m_tr}b_PCR+e

其中，e为误差项，T_{m_tr}为主成分分解X_{m_tr}＝T_{m_tr}P_{m_tr}^T得到的得分矩阵，P_{m_tr}为载荷矩阵，计算可得主成分回归系数b_PCR＝(T_{m_tr}^TT_{m_tr})^-1T_{m_tr}^TD_tr，对预测集未知样本，首先计算其得分矩阵T_{m_pred}＝X_{m_pred}P_{m_tr}，然后由回归系数计算模型估计值为D_{pred_PCR}＝T_{m_pred}b_PCR＝X_{m_pred}P_{m_tr}b_PCR；

③建立密度的PLS软测量模型如下：

U_tr＝T_{m_tr}b+e

其中，e为误差项，T_{m_tr}为主成分分解X_{m_tr}＝T_{m_tr}P_{m_tr}^T得到的得分矩阵，U_tr由主成分分解D_tr＝U_trQ_tr^T得到，计算可得回归系数b＝(T_{m_tr}^TT_{m_tr})^-1T_{m_tr}^TU_tr，由主成分分解D_tr＝U_trQ_tr^T得可以建立D_tr与X_m之间的关系：

D_tr＝T_{m_tr}bQ_tr^T+eQ_tr^T＝X_{m_tr}P_{m_tr}bQ_tr^T+eQ_tr^T＝X_{m_tr}b_PLS+e’

对预测集未知样本，由PLS回归系数b_PLS即可计算模型估计值为D_{pred_PLS}＝X_{m_pred}b_PLS；

④将X_m作为输入，密度D作为输出，使用人工神经网络对训练样本建立密度的软测量模型，首先网络类型选择BP神经网络，

其次，确定网络结构及传递函数，网络层数n≥3，包括输入层、隐层和输出层，其中，输入层神经元数目即为X_m中变量的个数，输出层神经元数为1个，隐层数目及隐层包含的神经元个数通过不同的取值来选取最优值，输入层、中间隐层、输出层之间的传递函数分别选用tansig函数和purelin函数；

最后，训练网络模型，随机选取网络的初始权值，设定学习速率和终止条件，通过优化学习算法训练得到网络连接权值、阈值，使用训练好的模型对预测样本进行评价；

(4)在线采集过程生产浓缩变量X_m＝(T_g，T_l，P，L)，使用软测量模型对密度进行实时预测，控制浓缩过程；具体步骤为：

将模型应用于生产线，在线实时采集丹参注射液生产浓缩过程的过程变量X_m＝(T_g，T_l，P，L)，使用步骤(3)软测量模型预测浓缩液的密度值，实时监控浓缩过程进行质量控制。