[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

说明书

技术领域

本发明属中药生产过程测量方法，涉及一种中药生产过程的软测量方法，尤其是一种丹参注射液浓缩过程浓缩液密度的软测量方法，包括基于多元线性回归(MLR)、主成分回归(PCR)、偏最小二乘(PLS)以及人工神经网络(ANN)多种多变量分析方法的软测量模型。

背景技术

中药制药过程包含提取、浓缩、醇沉等基本步骤。浓缩工序是中药生产的一个重要环节，它将提取工序获取的药液进行蒸发浓缩使药液的密度达到生产的要求，因此该环节直接关系到中药产品的质量。传统的浓缩工序主要依靠人工观察的办法，通过提取药液与浓缩后药液比例进行估计，这样难以保证不同批次的药品成份的稳定性。很多制药企业已将在线密度计用于实时监控浓缩液的密度。由于密度计是接触式的传感器，而浓缩罐是密封的，不利于密度传感器的安装。大多采用从浓缩罐引出一条流通管道，将密度计安装于管道中。由于中药浓缩液是粘稠状的液体，随着浓缩液密度的增加，其流动性较差，导致浓缩液残留在密度计探头上，使探头的灵敏度下降。一般的解决办法是定时清洗，但传感器拆卸不便，清洗频次较高，会影响生产中密度的实时测定。

软测量技术近年来在过程控制和检测领域涌现出的一种新技术，它主要是通过间接测量的思路，利用易于获得的其他测量信息，通过计算机来实现被检测量的估计。利用这一技术，我们可以依据易测得的过程变量(温度、压力、进液量等)与密度之间的数学关系，建立密度的软测量模型。目前国内尚未有针对注射液浓缩过程的软测量方面的专利成果。

发明内容

针对上述问题，本发明的目的是提供一种丹参注射液生产浓缩过程密度的软测量方法。利用丹参浓缩过程中的历史数据，从中选取与密度相关程度较高的易于获得的过程变量，筛选出具有代表性的数据集，使用多变量分析方法，包括多元线性回归(MLR)、主成分回归(PCR)、偏最小二乘(PLS)以及人工神经网络(ANN)方法建立密度的软测量模型，并利用软测量模型对密度进行实时预测，控制浓缩过程。提供了多种基于多变量分析技术的快速的密度软测量方法，充分利用了生产过程中得到的历史数据，有利于丹参注射液生产的质量控制。

本发明通过以下步骤实现：

(1)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}：首先是采集历史数据，丹参注射液生产浓缩过程在减压浓缩蒸发收膏装置中进行，使用传感器在线采集注射液生产浓缩过程c(c≥3)个批次，每个批次采集k个时刻的样本(k≥30)，得到历史数据集{X，D}。其中，X为各传感器数据，包括加热器、进液流量、蒸发器真空度、气相温度、液相温度、液位、缓冲罐压力和冷却上水流量，D为浓缩液的实测密度值，使用密度计采集得到。

(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。选择主要的过程变量，通过相关系数法计算各变量与密度D的相关程度，得到主要的过程变量X_m＝(T_g，T_l，P，L)，其中T_g为气相温度、T_l为液相温度、P为蒸发器真空度和L为浓缩液液位；再去除数据集中的奇异样本，保留具有代表性的数据，将其划分为训练样本和预测样本。

(3)建立软测量模型：分别使用多种多变量分析方法，包括多元线性回归(MLR)、主成分回归(PCR)、偏最小二乘(PLS)以及人工神经网络(ANN)方法，将(2)中选取的过程变量作为输入，密度值作为输出，使用训练样本训练建立密度的软测量模型。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。

使用预测样本对模型进行评价；

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