專利名稱：一種丹參注射液生產(chǎn)濃縮過程密度的軟測量方法
技術(shù)領(lǐng)域：
本發(fā)明屬中藥生產(chǎn)過程測量方法，涉及一種中藥生產(chǎn)過程的軟測量方法， 尤其是一種丹參注射液濃縮過程濃縮液密度的軟測量方法，包括基于多元線性
回歸(MLR)、主成分回歸(PCR)、偏最小二乘(PLS)以及人工神經(jīng)網(wǎng)絡(ANN)
多種多變量分析方法的軟測量模型。
背景技術(shù)：
中藥制藥過程包含提取、濃縮、醇沉等基本步驟。濃縮工序是中藥生產(chǎn)的 一個重要環(huán)節(jié)，它將提取工序獲取的藥液進行蒸發(fā)濃縮使藥液的密度達到生產(chǎn) 的要求，因此該環(huán)節(jié)直接關(guān)系到中藥產(chǎn)品的質(zhì)量。傳統(tǒng)的濃縮工序主要依靠人 工觀察的辦法，通過提取藥液與濃縮后藥液比例進行估計，這樣難以保證不同 批次的藥品成份的穩(wěn)定性。很多制藥企業(yè)已將在線密度計用于實時監(jiān)控濃縮液 的密度。由于密度計是接觸式的傳感器，而濃縮罐是密封的，不利于密度傳感 器的安裝。大多采用從濃縮罐引出一條流通管道，將密度計安裝于管道中。由 于中藥濃縮液是粘稠狀的液體，隨著濃縮液密度的增加，其流動性較差，導致 濃縮液殘留在密度計探頭上，使探頭的靈敏度下降。 一般的解決辦法是定時清 洗，但傳感器拆卸不便，清洗頻次較高，會影響生產(chǎn)中密度的實時測定。
軟測量技術(shù)近年來在過程控制和檢測領(lǐng)域涌現(xiàn)出的一種新技術(shù)，它主要是 通過間接測量的思路，利用易于獲得的其他測量信息，通過計算機來實現(xiàn)被檢 測量的估計。利用這一技術(shù)，我們可以依據(jù)易測得的過程變量(溫度、壓力、 進液量等)與密度之間的數(shù)學關(guān)系，建立密度的軟測量模型。目前國內(nèi)尚未有 針對注射液濃縮過程的軟測量方面的專利成果。

發(fā)明內(nèi)容
針對上述問題，本發(fā)明的目的是提供一種丹參注射液生產(chǎn)濃縮過程密度的 軟測量方法。利用丹參濃縮過程中的歷史數(shù)據(jù)，從中選取與密度相關(guān)程度較高 的易于獲得的過程變量，篩選出具有代表性的數(shù)據(jù)集，使用多變量分析方法， 包括多元線性回歸(MLR)、主成分回歸(PCR)、偏最小二乘(PLS)以及人 工神經(jīng)網(wǎng)絡(ANN)方法建立密度的軟測量模型，并利用軟測量模型對密度進 行實時預測，控制濃縮過程。提供了多種基于多變量分析技術(shù)的快速的密度軟 測量方法，充分利用了生產(chǎn)過程中得到的歷史數(shù)據(jù)，有利于丹參注射液生產(chǎn)的質(zhì)量控制。
本發(fā)明通過以下步驟實現(xiàn) (1 )采集丹參注射液生產(chǎn)濃縮過程中各傳感器及密度計獲取的數(shù)據(jù)集(AT， D}:首先是采集歷史數(shù)據(jù)，丹參注射液生產(chǎn)濃縮過程在減壓濃縮蒸發(fā)收膏裝置 中進行，使用傳感器在線采集注射液生產(chǎn)濃縮過程6 (6^3)個批次，每個批
次采集&個時刻的樣本a》30)，得到歷史數(shù)據(jù)集(AT， D}。其中，AT為各傳 感器數(shù)據(jù)，包括加熱器、進液流量、蒸發(fā)器真空度、氣相溫度、液相溫度、液 位、緩沖罐壓力和冷卻上水流量，D為濃縮液的實測密度值，使用密度計采集 得到。
(2) 變量選擇和代表性數(shù)據(jù)篩選從各傳感器數(shù)據(jù)集(X， D)中選取與密
度D相關(guān)程度較高的過程變量，并去除其中的奇異樣本，篩選出具有代表性的 數(shù)據(jù)集(J^， "}，劃分為訓練樣本和預測樣本。選擇主要的過程變量，通過相
關(guān)系數(shù)法計算各變量與密度D的相關(guān)程度，得到主要的過程變量^^ = (7> 7)， P，丄)，其中7^為氣相溫度、7)為液相溫度、尸為蒸發(fā)器真空度和Z為濃縮液 液位；再去除數(shù)據(jù)集中的奇異樣本，保留具有代表性的數(shù)據(jù)，將其劃分為訓練 樣本和預測樣本。
(3) 建立軟測量模型分別使用多種多變量分析方法，包括多元線性回 歸(MLR)、主成分回歸(PCR)、偏最小二乘(PLS)以及人工神經(jīng)網(wǎng)絡(ANN) 方法，將(2)中選取的過程變量作為輸入，密度值作為輸出，使用訓練樣本 訓練建立密度的軟測量模型。以^^ = (&， 7)，尸，丄)為自變量，Z)為因變量， 使用訓練數(shù)據(jù)集{&， AJ建立模型，預測數(shù)據(jù)集{^^^， }進行模型評 價。
使用預測樣本對模型進行評價；
① 建立密度的MLR軟測量模型如下
Z\ = A^—frZjM^+e =Z>27)+ 63jP+ 其中，e為誤差項。由訓練樣本計算得到回歸系數(shù)Z^w-(A^/AT^)"J^/A,， 對預測集未知樣本的模型估計為mw = Xw，e》m^。
② 建立密度的PCR軟測量模型如下-
其中，e為誤差項，T^為主成分分解AT^-7V^V/得到的得分矩陣。計算
可得主成分回歸系數(shù)6pa^(7;」/7^)—7V/iV對預測集未知樣本，首先計 算其得分矩陣7V^^;^，^^—,,，然后由回歸系數(shù)計算模型估計值為ZV<PCT =③ 建立密度的PLS軟測量模型如下
仏=l」》+e
其中，e為誤差項，^,為主成分分解;^」,7v&iv/得到的得分矩陣，t^由 主成分分解Ar"必/得到。計算可得回歸系數(shù)& = /7v一"2v/ f4。由 主成分分解a^""/得可以建立與&之間的關(guān)系
對預測集未知樣本，由PLS回歸系數(shù)6piS即可計算模型估計值為
二X附j^e"6尸LS0
④ 將J^作為輸入，密度"作為輸出，使用人工神經(jīng)網(wǎng)絡對訓練樣本建立密度 的軟測量模型。首先選擇網(wǎng)絡類型，常用的用于預測建模的神經(jīng)網(wǎng)絡類型有
BP神經(jīng)網(wǎng)絡、RBF神經(jīng)網(wǎng)絡等。
其次，確定網(wǎng)絡結(jié)構(gòu)及傳遞函數(shù)。網(wǎng)絡層數(shù)"》3，包括輸入層、隱層和輸 出層。其中，輸入層神經(jīng)元數(shù)目即為^中變量的個數(shù)，輸出層神經(jīng)元數(shù)為1 個，隱層數(shù)目及隱層包含的神經(jīng)元個數(shù)通過不同的取值來選取最優(yōu)值，輸入層、 中間隱層、輸出層之間的傳遞函數(shù)可選常用的tora/g函數(shù)、/ww""函數(shù)、 G做m/朋函數(shù)、門限函數(shù)等。
最后，訓練網(wǎng)絡模型。隨機選取網(wǎng)絡的初始權(quán)值，設(shè)定學習速率和終止條 件，通過優(yōu)化學習算法訓練得到網(wǎng)絡連接權(quán)值、閾值。使用訓練好的模型對預 測樣本進行評價。
(4)將模型應用于生產(chǎn)線，在線實時采集丹參注射液生產(chǎn)濃縮過程的過 程變量:^ = (7;， 7)，尸，￡)，使用密度軟測量模型實時預測濃縮液的密度值， 實時監(jiān)控濃縮過程進行質(zhì)量控制，指導生產(chǎn)。
本發(fā)明的特點和有益的效果在于，其原理是通過容易獲得的丹參注射液生 產(chǎn)濃縮過程的過程變量，使用多變量分析方法，構(gòu)造數(shù)學模型，實現(xiàn)對難以在 線實時測量的濃縮液密度的軟測量。所建立的基于MLR的軟測量模型計算簡 單，適用于線性關(guān)系好的簡單體系，模型解釋能力強，具有實際物理化學含義; 所建立的基于PCR的軟測量模型可最大利用有用信息，通過忽略那些次要成 分，可抑制噪聲對模型的影響，進一步提高模型的預測能力；所建立的基于PLS 的軟測量模型不僅消除自變量中的噪聲信息，而且去除了因變量中的無用信 息，是多元線性回歸和主成分分析的結(jié)合，可顯著提高模型的預測能力；所建立的基于ANN的軟測量模型是非線性模型，具有自學習、自組織、自適應能 力，很強的容錯能力和并行處理信息的功能及高度非線性表達能力，這是其他 傳統(tǒng)方法所不具備的。訓練好的軟測量模型可使用篩選得到的過程變量對密度 值進行預測，為注射液的濃縮過程的優(yōu)化調(diào)控提供更合適的實現(xiàn)技術(shù)。該方法 不僅適用于丹參注射液濃縮過程，而且可推廣到其他的制藥過程，具有良好的 應用前景。


附圖1為丹參注射液濃縮過程密度的軟測量方法原理框圖。 附圖2為密度觀測值與PLS軟測量模型預測值的相關(guān)性曲線。 附圖3為密度觀測值與神經(jīng)網(wǎng)絡軟測量模型預測值的相關(guān)性曲線。 附圖4為測試集樣本密度的觀測值與神經(jīng)網(wǎng)絡軟測量模型預測值比較。
具體實施例方式
本發(fā)明結(jié)合附圖和實施例做進一步的解釋，但本發(fā)明不限于此實例。附圖 為本發(fā)明的實施例，兩個實施例分別使用線性PLS方法和非線性ANN方法建 立丹參注射液濃縮過程密度的軟測量模型。
實施例l:丹參注射液濃縮過程密度的線性軟測量方法(PLS) 本發(fā)明方法的原理參見圖1。
歷史數(shù)據(jù)集(X， 0}來自某制藥公司丹參注射液生產(chǎn)的濃縮工段，選取3 個批次的數(shù)據(jù)，每個批次采樣點數(shù)為60個，樣本的選取均勻分布整個濃縮過 程。其中，X為生產(chǎn)線容易由傳感器獲得且比較精確的過程變量數(shù)據(jù)，包括9 個過程變量加熱器(&)、進液流量(AT2)、進液累積量(AT3)、蒸發(fā)器真空 度OT4)、氣相溫度OT5)、液相溫度(X6)、液位CV7)、緩沖罐壓力(X8)和 冷卻上水流量(X9); D為濃縮液的實測密度值，使用在線密度計采集得到。 為減少系統(tǒng)誤差，數(shù)據(jù)進行4點采樣平均處理，得到每個批次的數(shù)據(jù)的采樣點 數(shù)為15個，得到A^(A， AT2， ...， J^)為45x9矩陣，Z)為45xl向量。
根據(jù)先驗知識選擇主要的過程變量，并通過相關(guān)系數(shù)法分別計算9個過程 變量&， X2， ...， X9與密度Z)的相關(guān)程度，保留主要的過程變量& = (7;， 7}， 尸，丄)，其中&為氣相溫度、r,為液相溫度、尸為蒸發(fā)器真空度和丄為濃縮液 液位。其次，去除數(shù)據(jù)集中的奇異樣本(過程開始階段系統(tǒng)不穩(wěn)定，應去除)， 保留具有代表性的數(shù)據(jù)，最后得到的數(shù)據(jù)^為30x4矩陣，A^為30x1向量。
數(shù)據(jù)集{^^ = (7^， r,，尸，zo， AJ將用于后續(xù)軟測量模型的建立。將數(shù)據(jù)集劃分為訓練樣本和預測樣本，方法如下按照密度值大小排列樣本，等間隔選取 2/3作為訓練集樣本，余下1/3作為預測樣本。使用訓練數(shù)據(jù)集(J^，， AJ建立
模型，預測數(shù)據(jù)集(;^,^ iv^進行模型評價。
建立密度的PLS軟測量模型如下
<formula>formula see original document page 9</formula>
其中，(-0.064, 0.121,-0.017, 0.008f為PLS回歸系數(shù)。對預測集未知樣本 的模型估計只需將J^^w帶入上式即可。圖2給出了密度觀測值與PLS軟測 量模型預測值的相關(guān)性曲線，其中訓練樣本的相關(guān)系數(shù)R: 0.9542，校正均方 根誤差RMSEC-2.36。/c，預測集樣本的相關(guān)系數(shù)Rpred = 0.9468，預測均方根 誤差RMSEP二2.75y。?？梢?，結(jié)果相關(guān)性較高，均方根誤差均小于3%，符合 工業(yè)現(xiàn)場應用要求。
此外，還建立了密度的其他線性軟測量模型
① MLR軟測量模型
Dfr = ATW ,力肌w+e = -0.0167^+ 0.1467) -0.089尸十0.007Z+1,151， 回歸系數(shù)6肌k = (-0.016, 0.146, -0.089, 0.007)7",對預測集未知樣本的模型估計只
需將；^^^帶入上式即可。
② PCR軟測量模型
<formula>formula see original document page 9</formula>
其中，r^為主成分分解;^^r^/v/得到的得分矩陣，戶"為載荷矩陣，
6尸o = (-0.024， -0.018,0.133， -0.104f為主成分回歸系數(shù)。該模型為主成分數(shù)m=4 時的模型，若需要主成分數(shù)小于4 (gPw<4)的模型，可將上式中i^^的后幾 列(4-m列)去除，相應的回歸系數(shù)&cw的后幾行(4-m行)去除即可。對預 測集未知樣本的模型估計只需將J^』w帶入上式即可。實施例2:丹參注射液濃縮過程密度的非線性軟測量方法(ANN)
歷史數(shù)據(jù)集(AT， 0}來自某制藥公司丹參注射液生產(chǎn)的濃縮工段，選取5 個批次的數(shù)據(jù)，每個批次采樣點數(shù)為80個，樣本的選取均勻分布整個濃縮過 程。其中，X為生產(chǎn)線容易由傳感器獲得且比較精確的過程變量數(shù)據(jù)，包括9 個過程變量加熱器(X)、進液流量(X2)、進液累積量(JV3)、蒸發(fā)器真空
度(a:4)、氣相溫度o:5)、液相溫度or6)、液位(x7)、緩沖罐壓力o:8)和
冷卻上水流量(AT9); D為濃縮液的實測密度值，使用在線密度計采集得到。 為減少系統(tǒng)誤差，數(shù)據(jù)進行4點采樣平均處理，得到每個批次的數(shù)據(jù)的采樣點 數(shù)為20個，得到X-(ATp AT2，…，X9)為100x9矩陣，Z)為100x1向量。
根據(jù)先驗知識選擇主要的過程變量，并通過相關(guān)系數(shù)法分別計算9個過程 變量&， X2， ...， A與密度D的相關(guān)程度，保留主要的過程變量;^ = (7^， 7}， 尸，丄)，其中7^為氣相溫度、7)為液相溫度、P為蒸發(fā)器真空度和￡為濃縮液 液位。其次，去除數(shù)據(jù)集中的奇異樣本(過程開始階段系統(tǒng)不穩(wěn)定，應去除)， 保留具有代表性的數(shù)據(jù)，最后得到的數(shù)據(jù)&為72x4矩陣，^為72x1向量。 數(shù)據(jù)集{^ = (7;， 7)， P，丄)，AJ將用于后續(xù)軟測量模型的建立。將數(shù)據(jù)集劃 分為訓練樣本、驗證樣本和測試樣本，方法如下按照密度值大小排列樣本， 等間隔選取l/2作為訓練樣本，1/4作為驗證樣本，余下的1/4作為測試樣本。 使用訓練數(shù)據(jù)集(^n)， AJ建立模型，驗證和測試數(shù)據(jù)集(A^』w， A^J進行 模型評價。
網(wǎng)絡類型選擇BP神經(jīng)網(wǎng)絡，網(wǎng)絡層數(shù)"=3，包括輸入層、 一個中間隱層和 輸出層。將J^作為輸入，密度D作為輸出，隨機選取網(wǎng)絡的初始權(quán)值，設(shè)定 學習速率"=0.8，終止條件為最大訓練次數(shù)A^1000,對訓練樣本建立密度的軟 測量模型。模型可用如下函數(shù)關(guān)系式表示
<formula>formula see original document page 10</formula>其中，輸入層神經(jīng)元數(shù)目即為J^中變量的個數(shù)4，輸出層神經(jīng)元數(shù)為1個， 中間隱層的神經(jīng)元個數(shù)通過不同的取值來選取最優(yōu)值，輸入層、中間隱層、輸 出層之間的傳遞函數(shù)分別用tom/g函數(shù)和pwe//"函數(shù)
<formula>formula see original document page 10</formula>從而上述函數(shù)關(guān)系式即為
其中，《為輸入變量，W/,為輸入層節(jié)點/與隱層節(jié)點y'之間的權(quán)值，^為隱層節(jié)點/的閾值，h^為隱層節(jié)點A與輸出層節(jié)點之間的權(quán)值，"為輸出層節(jié)點
的閾值。參數(shù)，、m;w、 ~和"均采用誤差反向傳播算法(BP)和 Levevberg-Marquardt學習算法訓練得到。
圖3給出了密度觀測值與神經(jīng)網(wǎng)絡軟測量模型預測值的相關(guān)性曲線，其中 訓練樣本的相關(guān)系數(shù)R^ 0.9459，校正均方根誤差RMSEC:2.51。/。，驗證集樣 本的相關(guān)系數(shù)Rva: 0.9135，驗證均方根誤差RMSEV = 3.11%，預測集樣本的 相關(guān)系數(shù)Rpred: 0.9348，預測均方根誤差RMSEP = 2.75%?？梢姡Y(jié)果相關(guān) 性較高，均方根誤差均小于4%。圖4給出了 18個樣本的預測結(jié)果，準確性較 高，滿足工業(yè)現(xiàn)場應用需求。
權(quán)利要求
1、一種丹參注射液生產(chǎn)濃縮過程密度的軟測量方法。其特征在于該軟測量方法包括以下步驟(1)采集數(shù)據(jù)集采集丹參注射液生產(chǎn)濃縮過程中各傳感器及密度計獲取的數(shù)據(jù)集{X，D}；(2)變量選擇和代表性數(shù)據(jù)篩選從各傳感器數(shù)據(jù)集{X，D}中選取與密度D相關(guān)程度較高的過程變量，并去除其中的奇異樣本，篩選出具有代表性的數(shù)據(jù)集{Xm，D}，劃分為訓練樣本和預測樣本；(3)建立軟測量模型使用多變量分析方法，包括多元線性回歸、主成分回歸、偏最小二乘以及人工神經(jīng)網(wǎng)絡方法，將(2)中選取的過程變量作為輸入，密度值作為輸出，使用訓練樣本訓練得到密度的軟測量模型，并使用預測樣本對模型進行評價，其中以Xm＝(Tg，Tl，P，L)為自變量，D為因變量，使用訓練數(shù)據(jù)集{Xm_tr，Dtr}建立模型；(4)在線采集過程生產(chǎn)濃縮變量Xm＝(Tg，Tl，P，L)，使用軟測量模型對密度進行實時預測，控制濃縮過程。
2、 根據(jù)權(quán)利要求1所述的一種丹參注射液生產(chǎn)濃縮過程密度的軟測量方法，其特征在于，步驟(1)所述數(shù)據(jù)集采集具體步驟為丹參注射液生產(chǎn)濃縮過程在減壓濃縮裝置中進行，使用傳感器在線采集注射液生產(chǎn)濃縮過程6 (6^3)個批次，每個批次采集A個時刻的樣本a ^30)，得到數(shù)據(jù)集(x， "}，其中，x為各傳感器數(shù)據(jù)，包括加熱器溫度、進液流量、 蒸發(fā)器真空度、氣相溫度、液相溫度、濃縮液液位、緩沖罐壓力和冷卻水流量，Z)為濃縮液的實測密度值，使用密度計采集得到。
3、 根據(jù)權(quán)利要求1所述的一種丹參注射液生產(chǎn)濃縮過程密度的軟測量方法，其特征是，步驟(2)所述數(shù)據(jù)集篩選具體步驟為篩選數(shù)據(jù)集(AT， "}，根據(jù)經(jīng)驗選擇主要的過程變量，驗證各變量與密度D 的相關(guān)程度，保留主要的過程變量& = (7^ "，尸，丄)，其中7^為氣相溫度、 T)為液相溫度、尸為蒸發(fā)器真空度和丄為濃縮液液位；去除數(shù)據(jù)集中的奇異樣 本，保留具有代表性的數(shù)據(jù)，將其劃分為訓練樣本和預測樣本；
4、 根據(jù)權(quán)利要求1所述的一種丹參注射液生產(chǎn)濃縮過程密度的軟測量方 法，其特征是，步驟(3)所述軟測量模型建立具體步驟為以A = (rg， 7}，戶，丄)為自變量，Z)為因變量，使用訓練數(shù)據(jù)集(J^j，AJ建立模型，預測數(shù)據(jù)集P^』W， D，J進行模型評價，① 建立密度的MLR軟測量模型如下<formula>formula see original document page 3</formula>其中，e為誤差項。由訓練樣本計算得到回歸系數(shù)<formula>formula see original document page 3</formula>對預測集未知樣本的模型估計為<formula>formula see original document page 3</formula>② 建立密度的PCR軟測量模型如下<formula>formula see original document page 3</formula>其中，e為誤差項，r^為主成分分解<formula>formula see original document page 3</formula>得到的得分矩陣，計算可得主成分回歸系數(shù)<formula>formula see original document page 3</formula>對預測集未知樣本，首先計算其得分矩陣乙^e^A^』^^w，，然后由回歸系數(shù)計算模型估計值為<formula>formula see original document page 3</formula>③ 建立密度的PLS軟測量模型如下-<formula>formula see original document page 3</formula>其中，e為誤差項，7V^為主成分分解<formula>formula see original document page 3</formula>得到的得分矩陣，t^由主成分分解<formula>formula see original document page 3</formula>得到，計算可得回歸系數(shù)<formula>formula see original document page 3</formula>由主成分分解A,C4込/得可以建立A,與XM之間的關(guān)系<formula>formula see original document page 3</formula>對預測集未知樣本，由PLS回歸系數(shù)^^即可計算模型估計值為i^w—PW④ 將J^作為輸入，密度"作為輸出，使用人工神經(jīng)網(wǎng)絡對訓練樣本建立密度 的軟測量模型，首先選擇網(wǎng)絡類型，常用的用于預測建模的神經(jīng)網(wǎng)絡類型有 BP神經(jīng)網(wǎng)絡、RBF神經(jīng)網(wǎng)絡等，其次，確定網(wǎng)絡結(jié)構(gòu)及傳遞函數(shù)。網(wǎng)絡層數(shù)"23，包括輸入層、隱層和輸 出層，其中，輸入層神經(jīng)元數(shù)目即為A中變量的個數(shù)，輸出層神經(jīng)元數(shù)為1 個，隱層數(shù)目及隱層包含的神經(jīng)元個數(shù)通過不同的取值來選取最優(yōu)值，輸入層、 中間隱層、輸出層之間的傳遞函數(shù)可選常用的函數(shù)、函數(shù)、 Gm/^/朋函數(shù)、門限函數(shù)等；最后，訓練網(wǎng)絡模型。隨機選取網(wǎng)絡的初始權(quán)值，設(shè)定學習速率和終止條 件，通過優(yōu)化學習算法訓練得到網(wǎng)絡連接權(quán)值、閾值，使用訓練好的模型對預 測樣本進行評價。
5、根據(jù)權(quán)利要求1所述的一種丹參注射液生產(chǎn)濃縮過程密度的軟測量方法，其特征在于，步驟(4)所述對濃縮過程密度實時預測具體步驟為將模型應用于生產(chǎn)線，在線實時采集丹參注射液生產(chǎn)濃縮過程的過程變量 xm = (rg， r,，戶，丄)，使用步驟(3)軟測量模型預測濃縮液的密度值，實時監(jiān) 控濃縮過程進行質(zhì)量控制。
全文摘要
本發(fā)明提供一種丹參注射液生產(chǎn)濃縮過程密度的軟測量方法，首先采集丹參濃縮過程中各傳感器及密度計的歷史數(shù)據(jù)，涉及濃縮液密度值和生產(chǎn)過程在線采集的傳感器數(shù)據(jù)；從各傳感器數(shù)據(jù)選取與密度相關(guān)程度較高的易于獲得的包括氣相溫度、液相溫度、壓力、濃縮液液位過程變量，篩選代表性的數(shù)據(jù)集；使用多變量分析方法，建立密度的軟測量模型；在線采集過程變量，使用軟測量模型對密度進行實時預測，控制濃縮過程。本發(fā)明針對丹參注射液生產(chǎn)的濃縮過程中密度難以實時監(jiān)測的問題，提供了一種具有高精度的快速密度軟測量方法，充分利用了生產(chǎn)過程中得到的各傳感器獲取的歷史數(shù)據(jù)，有利于提高丹參注射液生產(chǎn)的質(zhì)量控制。
文檔編號G05B19/048GK101673096SQ200910153700
公開日2010年3月17日 申請日期2009年10月26日 優(yōu)先權(quán)日2009年10月26日
發(fā)明者方利民, 瞿海斌, 程翼宇 申請人:浙江大學