基于數(shù)據(jù)驅(qū)動(dòng)的制藥干燥過(guò)程智能控制技術(shù)研究進(jìn)展*

王鐾璇，司夢(mèng)蘭，繆培琪，于 洋，所同川，李 正

（天津中醫(yī)藥大學(xué)中藥制藥工程學(xué)院，天津 301617）

隨著計(jì)算機(jī)、5G、大數(shù)據(jù)、區(qū)塊鏈等現(xiàn)代信息技術(shù)的不斷發(fā)展，人類社會(huì)正逐步向數(shù)字化、信息化、智能化轉(zhuǎn)型。智能制造也成為國(guó)際競(jìng)爭(zhēng)的熱點(diǎn)領(lǐng)域。隨著德國(guó)發(fā)布“工業(yè)4.0”計(jì)劃[1]，中國(guó)也發(fā)布了“中國(guó)制造2025”的重大戰(zhàn)略規(guī)劃，規(guī)劃提出制造工業(yè)需在堅(jiān)持可持續(xù)發(fā)展的制造理念的指導(dǎo)下盡快向數(shù)字化、智能化、綠色化、服務(wù)化等方向轉(zhuǎn)型[2-6]。

中藥制藥工業(yè)發(fā)展由于歷史的原因，以及中藥本身的復(fù)雜性，其智能化轉(zhuǎn)型面臨著若干關(guān)鍵難題。根據(jù)現(xiàn)階段行業(yè)現(xiàn)狀分析，較為突出的問(wèn)題如下：1）當(dāng)今中國(guó)的大多數(shù)中藥制藥企業(yè)仍處于傳統(tǒng)管道化與自動(dòng)化階段，各個(gè)制造環(huán)節(jié)雖有過(guò)程數(shù)據(jù)的積累，但由于相互之間存在交流阻礙，形成了信息孤島，無(wú)法實(shí)現(xiàn)數(shù)據(jù)的綜合利用。2）中藥的復(fù)雜性造成了中藥制藥過(guò)程質(zhì)量傳遞機(jī)理不清，對(duì)于生產(chǎn)運(yùn)行過(guò)程中各種關(guān)鍵工藝參數(shù)（CPP）辨識(shí)不明，缺乏科學(xué)的過(guò)程控制方法。3）控制模型存在時(shí)滯、靜態(tài)的問(wèn)題，難以實(shí)現(xiàn)自適應(yīng)自優(yōu)化控制。針對(duì)以上問(wèn)題，眾多文獻(xiàn)[7-14]中均提出了相關(guān)的理論指導(dǎo)，即大數(shù)據(jù)時(shí)代中藥產(chǎn)業(yè)的質(zhì)量控制技術(shù)的發(fā)展創(chuàng)新離不開(kāi)智能化、數(shù)字化技術(shù)的融合與應(yīng)用。

數(shù)據(jù)驅(qū)動(dòng)式智能控制技術(shù)可以有效利用生產(chǎn)中產(chǎn)生的大量數(shù)據(jù)，從中挖掘有效信息，實(shí)現(xiàn)數(shù)據(jù)的綜合利用，提高控制模型的自適應(yīng)能力，提升產(chǎn)品質(zhì)量與模型控制效率[15-17]。故本文將以制藥單元工藝中常見(jiàn)的干燥過(guò)程為例，綜述基于數(shù)據(jù)驅(qū)動(dòng)的過(guò)程建模方法在干燥過(guò)程中的應(yīng)用及其發(fā)展趨勢(shì)。

2 干燥過(guò)程問(wèn)題描述

2.1 干燥過(guò)程描述及其優(yōu)化目標(biāo) 干燥過(guò)程作為制藥過(guò)程中的常見(jiàn)單元操作，擁有多變量、非線性、強(qiáng)耦合的特征。干燥過(guò)程常以保證出口物料具有穩(wěn)定的含水率作為控制標(biāo)準(zhǔn)。其作為制劑生產(chǎn)中的中間環(huán)節(jié)，對(duì)最終的產(chǎn)品質(zhì)量有較強(qiáng)的影響。在工業(yè)生產(chǎn)中，常采用連續(xù)操作方式的對(duì)流干燥，并以不飽和的熱空氣作為干燥介質(zhì)。整個(gè)對(duì)流干燥過(guò)程可分為以下幾個(gè)步驟[18-19]：1）空氣通過(guò)預(yù)熱器加熱，變成不飽和高溫空氣，通入干燥器內(nèi)。2）濕物料遇到高溫干燥介質(zhì)，介質(zhì)將熱量傳遞給濕物料，物料表面水分溫度升高發(fā)生汽化，水分從物料表面擴(kuò)散至濕空氣中。3）物料表面水分濃度降低，與內(nèi)部水分形成濃度差，物料內(nèi)部水分向表面進(jìn)行擴(kuò)散。4）熱空氣不斷地帶走物料表面水分，物料逐漸干燥至恒重。

綜上可知，干燥過(guò)程是一個(gè)非常復(fù)雜的過(guò)程，傳熱和傳質(zhì)發(fā)生耦合作用。干燥狀態(tài)的穩(wěn)定，不只與干燥介質(zhì)的性質(zhì)有關(guān)，其更易受到干燥時(shí)間，干燥溫度，干燥空氣的流速，被干燥物料的物性等多種因素的影響。因不同物料具有不同性質(zhì)，這造成干燥過(guò)程對(duì)工藝需求的復(fù)雜多樣性。物料含水率是干燥工藝質(zhì)量的輸出的核心需求，亦是干燥過(guò)程中優(yōu)化的核心目標(biāo)[20-23]。同時(shí)，在保證干燥產(chǎn)品質(zhì)量穩(wěn)定的前提下，盡量降低能耗，提高效益，是干燥過(guò)程控制需要實(shí)現(xiàn)的效益目標(biāo)之一[24-25]。

2.2 傳統(tǒng)干燥機(jī)制建模方法 傳統(tǒng)干燥過(guò)程控制，一般使用機(jī)制建模的方式進(jìn)行控制，模型的優(yōu)劣決定了預(yù)測(cè)結(jié)果的精度。根據(jù)機(jī)制模型的復(fù)雜程度，將其分為5個(gè)層次：

1）只有簡(jiǎn)單的熱質(zhì)平衡數(shù)據(jù)，不提供設(shè)備尺寸與性能等其他信息。

2）基于一些簡(jiǎn)單假設(shè)做出干燥器關(guān)鍵參數(shù)的范圍界定計(jì)算或近似計(jì)算。

3）通過(guò)中小型實(shí)驗(yàn)所得干燥曲線進(jìn)行比例計(jì)算，進(jìn)而給出干燥器相關(guān)參數(shù)特征。

4）追蹤氣液兩相在干燥過(guò)程中的實(shí)時(shí)狀態(tài)，并基于此建立增量模型。

5）基于計(jì)算流體動(dòng)力學(xué)（CFD）的過(guò)程模型，能模擬氣液兩相的局部狀態(tài)條件[26-28]。

其中1～3級(jí)的模型屬于宏觀尺度上的集成性參數(shù)模型，將干燥過(guò)程看做一個(gè)整體或簡(jiǎn)要分割成幾大區(qū)域進(jìn)行宏觀分析，并提煉出相對(duì)較少的參數(shù)用以描述整個(gè)干燥過(guò)程。而4級(jí)和5級(jí)模型屬于微觀尺度上的分散性參數(shù)模型，通過(guò)追蹤干燥粒子在整個(gè)過(guò)程中的運(yùn)動(dòng)狀態(tài)，分析干燥設(shè)備的局部狀態(tài)條件進(jìn)行更為細(xì)致的建模，同時(shí)也需要更多的輸入數(shù)據(jù)（包括干燥對(duì)象或干燥介質(zhì)的部分物性數(shù)據(jù)）與更長(zhǎng)的計(jì)算時(shí)間[29-31]。

干燥過(guò)程作為一種強(qiáng)非線性，強(qiáng)耦合的過(guò)程對(duì)象，傳統(tǒng)的機(jī)理建模方法是否能較好的模擬過(guò)程狀態(tài)是一個(gè)值得思考的問(wèn)題。首先，機(jī)理建模所用數(shù)據(jù)的精確程度直接決定了模型的性能，數(shù)據(jù)測(cè)量誤差能否被接受是一個(gè)需要考慮的問(wèn)題。其次，建模理論要求具有全面性，要求盡可能的考慮過(guò)程中存在的潛在因素。同時(shí)，簡(jiǎn)化模型所用假設(shè)條件是否合理，也是判斷一個(gè)參數(shù)模型是否具有實(shí)用性的標(biāo)準(zhǔn)。最后，建立詳細(xì)的過(guò)程模型，需要更為詳細(xì)的多元數(shù)據(jù)作為基礎(chǔ)，詳細(xì)的數(shù)據(jù)收集與測(cè)量方面具有較大的難度。

因此，數(shù)據(jù)驅(qū)動(dòng)的建模方法選擇從數(shù)據(jù)出發(fā)，建模門(mén)檻較低，建模方法多樣，能在一定程度上彌補(bǔ)傳統(tǒng)參數(shù)建模的缺點(diǎn)。

3 基于多元信息融合的干燥過(guò)程質(zhì)量監(jiān)測(cè)

3.1 基于多元統(tǒng)計(jì)的信息融合 在當(dāng)今工業(yè)實(shí)際應(yīng)用過(guò)程中，使用較多的信息融合手段就是將過(guò)程分析技術(shù)（Process analysis technology，PAT），結(jié)合多元統(tǒng)計(jì)回歸算法進(jìn)行建模，從而實(shí)現(xiàn)快速定性定量分析，用于產(chǎn)品質(zhì)量預(yù)測(cè)或過(guò)程終點(diǎn)判斷[32]。全智慧[33]使用近紅外光譜數(shù)據(jù)，進(jìn)行PLS定量建模，快速預(yù)測(cè)噴干粉的目標(biāo)物質(zhì)含量與水分含量。邱志芳[34]也利用了近紅外漫反射光譜結(jié)合PLS統(tǒng)計(jì)方法，建立了多種物質(zhì)快速定量模型。吳繼忠等[35]同樣利用上述方法實(shí)現(xiàn)干燥后產(chǎn)品水分含量的快速檢測(cè)。這種預(yù)測(cè)模型相較于傳統(tǒng)離線檢測(cè)方法而言，最大的優(yōu)勢(shì)是快速，但其預(yù)測(cè)的精準(zhǔn)性也時(shí)常被質(zhì)疑。預(yù)測(cè)模型的優(yōu)劣過(guò)于依賴原始數(shù)據(jù)集的狀態(tài)，致使其對(duì)建模數(shù)據(jù)要求較高。同時(shí)，由于其主要針對(duì)特定工藝參數(shù)下的過(guò)程進(jìn)行模擬與評(píng)價(jià)，這也說(shuō)明了其靈活性與泛化能力較差。在故障診斷方面，Wolfdh等[36]通過(guò)使用多元統(tǒng)計(jì)過(guò)程控制手段對(duì)噴霧干燥過(guò)程進(jìn)行工藝參數(shù)軌跡刻畫(huà)與故障診斷。但由于多變量之間復(fù)雜的相關(guān)性，基于統(tǒng)計(jì)方法形成的過(guò)程監(jiān)控并不能很好的反映故障偏差來(lái)源。Ingvarsson等[37]使用多元統(tǒng)計(jì)方法識(shí)別并量化了噴霧干燥過(guò)程中的工藝參數(shù)及其對(duì)產(chǎn)品關(guān)鍵屬性的影響。Radnik等[38]使用拉曼光譜與X射線散射相互耦合，從而詳細(xì)解釋了從原子到納米尺度的噴霧干燥和結(jié)晶過(guò)程中的動(dòng)態(tài)變化過(guò)程。

3.2 基于機(jī)器視覺(jué)的信息融合 機(jī)器視覺(jué)作為人工智能領(lǐng)域的一支熱門(mén)分支，現(xiàn)已廣泛應(yīng)用于化工[39-41]、農(nóng)業(yè)[42-44]、食品生產(chǎn)[45-47]過(guò)程。機(jī)器視覺(jué)旨在通過(guò)機(jī)器對(duì)圖像的辨識(shí)，提取過(guò)程關(guān)鍵信息，進(jìn)而代替人工檢視。其在提高生產(chǎn)自動(dòng)化程度方面，擁有十分廣闊的發(fā)展前景[48]。Martynenko[49]將圖片信息引入質(zhì)量評(píng)價(jià)過(guò)程中，通過(guò)在線圖像的分析判斷物料的干燥度，通過(guò)顏色的辨識(shí)判斷其酶變情況，利用圖像特征信息參與辨識(shí)生產(chǎn)狀態(tài)，輔助生成控制策略，從而實(shí)現(xiàn)實(shí)時(shí)控制。Martynenko等[50]結(jié)合高光譜圖像以及神經(jīng)網(wǎng)絡(luò)算法對(duì)植物的非等溫干燥控制進(jìn)行建模，實(shí)現(xiàn)了質(zhì)量屬性的實(shí)時(shí)估計(jì)。Lee等[51]對(duì)噴霧干燥器進(jìn)行窄管改造，利用一維增量模型與掃描電鏡圖像結(jié)合進(jìn)行噴霧干燥歷史數(shù)據(jù)的分析，較好的描述物質(zhì)在干燥過(guò)程中形態(tài)的變化，從而實(shí)現(xiàn)對(duì)噴霧顆粒粒徑的預(yù)測(cè)。Somayeh等[52]通過(guò)將圖像處理技術(shù)與神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)結(jié)合，實(shí)現(xiàn)對(duì)微波干燥產(chǎn)品收縮率的實(shí)時(shí)預(yù)測(cè)，并連接功率調(diào)節(jié)程序?qū)崿F(xiàn)對(duì)微波功率的調(diào)節(jié)。Souraya等[53]利用干燥產(chǎn)品彩色圖片結(jié)合PCA、偏最小二乘回歸分析法（PLS-DA）統(tǒng)計(jì)方法進(jìn)行分析，得到定性模型用以判斷產(chǎn)品褐變程度，進(jìn)而實(shí)現(xiàn)產(chǎn)品質(zhì)量?jī)?yōu)劣分類。機(jī)器視覺(jué)方法的應(yīng)用，是過(guò)程控制領(lǐng)域異源數(shù)據(jù)融合的又一創(chuàng)新。其較好的利用了傳統(tǒng)生產(chǎn)數(shù)據(jù)以外的信息協(xié)助判斷過(guò)程狀況，提高了整個(gè)控制系統(tǒng)的集成性，并為未來(lái)發(fā)展生產(chǎn)全流程監(jiān)控提供了可能性。

4 干燥過(guò)程建模方法

4.1 基于神經(jīng)網(wǎng)絡(luò)的過(guò)程建模 對(duì)于機(jī)理模糊不清的復(fù)雜過(guò)程，數(shù)據(jù)驅(qū)動(dòng)一直是公認(rèn)的最為合適的建模方法。其中神經(jīng)網(wǎng)絡(luò)模擬人類神經(jīng)系統(tǒng)的結(jié)構(gòu)，擁有較高的學(xué)習(xí)與計(jì)算能力，在處理變量間的非線性關(guān)系方面有著廣泛的應(yīng)用[54-55]。Du等[46]使用神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)細(xì)化了干燥過(guò)程的半經(jīng)驗(yàn)動(dòng)力學(xué)模型，使用序列二次規(guī)劃算法得到了動(dòng)力學(xué)模型參數(shù)，進(jìn)一步優(yōu)化了干燥工藝。Erenturk等[57]通過(guò)對(duì)比回歸分析與前饋神經(jīng)網(wǎng)絡(luò)在動(dòng)態(tài)干燥行為預(yù)測(cè)方面的表現(xiàn)，說(shuō)明了相較于傳統(tǒng)回歸分析模型，神經(jīng)網(wǎng)絡(luò)擺脫了對(duì)數(shù)學(xué)模型的依賴，且具有更高的預(yù)測(cè)精度。而在此基礎(chǔ)上，Martynenko等[58]則針對(duì)干燥過(guò)程中存在的冗余信息與多因素交互等問(wèn)題，進(jìn)一步說(shuō)明了神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì)。作者使用多元線性回歸模型與神經(jīng)網(wǎng)絡(luò)模型分別對(duì)干燥過(guò)程中的水分含量進(jìn)行在線估計(jì)。對(duì)比顯示，神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)可以較好的解決過(guò)程多變量與水分含量之間的非線性問(wèn)題。同時(shí)，神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)對(duì)于冗余信息以及多因素交互問(wèn)題的敏感度較低，有較強(qiáng)的泛化能力。Karimi等[59]通過(guò)比較響應(yīng)面法與反向傳播人工神經(jīng)網(wǎng)絡(luò)在多響應(yīng)工藝優(yōu)化上的表現(xiàn)，結(jié)果說(shuō)明了人工神經(jīng)網(wǎng)絡(luò)雖然在非線性函數(shù)逼近的問(wèn)題上具有優(yōu)勢(shì)，但其本質(zhì)仍是黑箱結(jié)構(gòu)，并不能通過(guò)求解過(guò)程說(shuō)明各獨(dú)立變量與因變量之間的作用關(guān)系，也并不能產(chǎn)生新的建模知識(shí)。故Martynenko等[60]利用人工神經(jīng)網(wǎng)絡(luò)對(duì)傳統(tǒng)干燥過(guò)程經(jīng)驗(yàn)方程結(jié)合進(jìn)行參數(shù)優(yōu)化，建立了擁有物理常數(shù)參數(shù)的神經(jīng)網(wǎng)絡(luò)模型，使用不同的參數(shù)對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行調(diào)整，使其可以預(yù)測(cè)不同物性條件下的物料干燥速率。Ireneusz等[61]中針對(duì)人工神經(jīng)網(wǎng)絡(luò)外推困難的問(wèn)題，提出了將神經(jīng)網(wǎng)絡(luò)作為混合模型的一部分，建立無(wú)量綱網(wǎng)絡(luò)結(jié)構(gòu)，將外推問(wèn)題轉(zhuǎn)化為外部插值引入至網(wǎng)絡(luò)中，從而提高神經(jīng)網(wǎng)絡(luò)的泛化能力。

4.2 基于軟測(cè)量法的過(guò)程建模 過(guò)程建模對(duì)數(shù)據(jù)的狀態(tài)一直要求較高。模型的精度在一定程度上受數(shù)據(jù)精度的影響。利用工藝變化數(shù)據(jù)與設(shè)備運(yùn)行數(shù)據(jù)，構(gòu)建過(guò)程預(yù)測(cè)模型的軟測(cè)量法在此方面應(yīng)用較廣[62]。軟測(cè)量技術(shù)旨在通過(guò)構(gòu)建目標(biāo)變量與檢測(cè)變量之間的數(shù)學(xué)關(guān)系，實(shí)現(xiàn)對(duì)主變量的在線估計(jì)與預(yù)測(cè)[63]。Serena等[64]在藥物冷凍干燥過(guò)程中通過(guò)對(duì)定點(diǎn)的溫度檢測(cè)，估計(jì)干燥過(guò)程中的產(chǎn)品溫度分布并建立時(shí)間函數(shù)，實(shí)現(xiàn)了更短的干燥周期，且無(wú)需使用最小二乘優(yōu)化來(lái)求解模型參數(shù)，提高系統(tǒng)的魯棒性。但缺陷是軟傳感器需要使用熱電偶進(jìn)行溫度測(cè)量，具有一定的侵入性。而基于壓力上升實(shí)驗(yàn)?zāi)Ｐ偷臏y(cè)量工具，不具有侵入性，但易產(chǎn)生產(chǎn)品過(guò)熱問(wèn)題，需要設(shè)置安全余量。在此基礎(chǔ)上，Serena等[65]設(shè)計(jì)了一種新型的無(wú)線傳感器，用于測(cè)量小瓶不同位置的溫度分布，建立估計(jì)殘冰余量和熱質(zhì)傳遞系數(shù)的軟傳感器。并使用拓展卡爾曼濾波器對(duì)模型進(jìn)行誤差校正，實(shí)現(xiàn)了對(duì)干燥溫度的有效控制[66-67]。Lauri等[68]提出了基于高增益概念的軟測(cè)量傳感器，將單點(diǎn)溫度測(cè)量結(jié)果與干燥過(guò)程中的溫度動(dòng)態(tài)進(jìn)行關(guān)聯(lián)，用以實(shí)現(xiàn)冷凍干燥產(chǎn)品瓶底溫度的在線連續(xù)測(cè)量監(jiān)控。并將高增益模型與基于卡爾曼濾波器的模型進(jìn)行對(duì)比，發(fā)現(xiàn)盡管兩種傳感器在質(zhì)量評(píng)估方面所得結(jié)果大致相同，基于卡爾曼濾波器的模型計(jì)算時(shí)間更長(zhǎng)，且高增益模型的調(diào)參相對(duì)更簡(jiǎn)單，對(duì)噪聲的敏感度也更低。在模型簡(jiǎn)化的問(wèn)題上加入適當(dāng)?shù)恼`差補(bǔ)償可以更好的保證模型的精準(zhǔn)度。

5 干燥過(guò)程的自適應(yīng)優(yōu)化控制

傳統(tǒng)過(guò)程控制模型由于擁有靜態(tài)特性，故存在模型性能退化的問(wèn)題。利用歷史數(shù)據(jù)建立的控制模型，其精準(zhǔn)度會(huì)隨著時(shí)間的推移而逐漸下降，因此為維持模型的性能，就需要對(duì)建模數(shù)據(jù)進(jìn)行定期更新[69]。Yliniemil等[70]以旋轉(zhuǎn)干燥機(jī)為例，使用神經(jīng)網(wǎng)絡(luò)法，神經(jīng)模糊法、模糊聚類法、語(yǔ)言方程法對(duì)其進(jìn)行自適應(yīng)過(guò)程建模。不同方法所得控制律在產(chǎn)品質(zhì)量預(yù)測(cè)上均表現(xiàn)良好。模糊自適應(yīng)模型因?yàn)槠洳恍枰魏蔚南闰?yàn)知識(shí)的支持，對(duì)于過(guò)程的不確定性也能處理的很好，但需要根據(jù)數(shù)據(jù)的狀態(tài)確定模型結(jié)構(gòu)，以確保模型的精度。王宇[71]針對(duì)流化床干燥過(guò)程流化倉(cāng)的溫度控制建立簡(jiǎn)化數(shù)學(xué)模型，結(jié)合模糊算法生成模糊PID控制器，較好的解決了控制過(guò)程的純滯后與時(shí)變性的問(wèn)題。馮顏[72]通過(guò)在傳統(tǒng)遺傳算法中引入交叉變異自適應(yīng)策略，使改進(jìn)后的遺傳算法具有自適應(yīng)性，并利用自適應(yīng)遺傳算法建立了噴霧干燥過(guò)程的自適應(yīng)PID控制器。Elena[73]采用了將自適應(yīng)進(jìn)化差分算法與反向傳播算法（BP算法）相結(jié)合的方式，實(shí)現(xiàn)了神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)的同時(shí)優(yōu)化，進(jìn)而用于預(yù)測(cè)藥品冷凍干燥過(guò)程中產(chǎn)品的變化，優(yōu)化控制策略。Georgiev[74]將自適應(yīng)時(shí)間步進(jìn)的方法代替時(shí)間間隔統(tǒng)一離散的方式，從而實(shí)現(xiàn)對(duì)凍干模型的自適應(yīng)化改進(jìn)。自適應(yīng)優(yōu)化可以存在于建模過(guò)程的各個(gè)步驟，其基本原理是在模型中引入時(shí)間序列，或加入自優(yōu)化算法，從而實(shí)現(xiàn)模型的自我更新。但不論是引入時(shí)間特性，或是加入自適應(yīng)算法，都會(huì)在一定程度上增加計(jì)算時(shí)間與計(jì)算成本。

6 總結(jié)與展望

中國(guó)制造工業(yè)正處在智能化轉(zhuǎn)型的關(guān)鍵時(shí)期，大數(shù)據(jù)融合與數(shù)據(jù)驅(qū)動(dòng)等基于數(shù)據(jù)的優(yōu)化技術(shù)是實(shí)現(xiàn)生產(chǎn)全生命周期數(shù)字化服務(wù)的必要手段?！爸嗅t(yī)藥發(fā)展‘十三五’規(guī)劃”中也明確指出[75]，要加快實(shí)施中藥振興發(fā)展工程，提升中藥工業(yè)自動(dòng)化、信息化、智能化水平，建立綠色高效的中藥先進(jìn)制造體系。

基于數(shù)據(jù)驅(qū)動(dòng)的過(guò)程建模是實(shí)現(xiàn)過(guò)程質(zhì)量在線監(jiān)測(cè)與實(shí)時(shí)運(yùn)行優(yōu)化的重要手段。由于其數(shù)據(jù)依賴的特點(diǎn)，對(duì)于機(jī)理復(fù)雜模糊的過(guò)程建模有較強(qiáng)的優(yōu)勢(shì)。根據(jù)中藥工業(yè)生產(chǎn)過(guò)程中現(xiàn)存的關(guān)鍵問(wèn)題，使用數(shù)據(jù)驅(qū)動(dòng)的方法可以有效地解決或改善。以干燥過(guò)程為例，在信息融合方面，多元統(tǒng)計(jì)融合與機(jī)器視覺(jué)技術(shù)均可以簡(jiǎn)便快速的構(gòu)建質(zhì)量預(yù)測(cè)模型，但統(tǒng)計(jì)模型存在靜態(tài)與泛化能力差的問(wèn)題；機(jī)器視覺(jué)技術(shù)則被要求過(guò)程前后產(chǎn)品需有形態(tài)學(xué)上的差異才可進(jìn)行輔助判斷。在控制優(yōu)化方面，基于神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與軟測(cè)量技術(shù)的過(guò)程建模均能較好的優(yōu)化工藝參數(shù)，實(shí)現(xiàn)過(guò)程關(guān)鍵參數(shù)的估計(jì)和測(cè)量，但神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)并不能實(shí)現(xiàn)過(guò)程知識(shí)的挖掘，同時(shí)神經(jīng)網(wǎng)絡(luò)建模具有專屬性，外推范圍小。而軟測(cè)量模型通常還是基于簡(jiǎn)單經(jīng)驗(yàn)?zāi)Ｐ徒＿M(jìn)行預(yù)測(cè)，需要輔助變量數(shù)據(jù)用于降低誤差，提高精準(zhǔn)度。針對(duì)過(guò)程自適應(yīng)優(yōu)化方面，提高控制系統(tǒng)的自適應(yīng)性可以從過(guò)程控制的各個(gè)方面入手，常見(jiàn)的是對(duì)控制器或是控制律的升級(jí)改造。

雖然現(xiàn)有的各數(shù)據(jù)驅(qū)動(dòng)建模技術(shù)均存在一定的局限性，但因其具有的快速、在線、模糊、自優(yōu)化等特性，在提高模型精度性能方面的能力十分出眾，故在中藥工業(yè)的過(guò)程控制領(lǐng)域仍會(huì)有較為廣闊的發(fā)展前景。如圖1所示，針對(duì)中藥工業(yè)過(guò)程優(yōu)化，基于數(shù)據(jù)驅(qū)動(dòng)技術(shù)的干燥過(guò)程建模，未來(lái)仍需要解決的問(wèn)題有：1）多目標(biāo)過(guò)程優(yōu)化。現(xiàn)有的過(guò)程優(yōu)化大多以關(guān)鍵質(zhì)量指標(biāo)定義模型性能，在保證質(zhì)量穩(wěn)定的基礎(chǔ)上，進(jìn)一步考慮產(chǎn)量、能耗等經(jīng)濟(jì)成本問(wèn)題的優(yōu)化模型相對(duì)較少，若能同時(shí)實(shí)現(xiàn)經(jīng)濟(jì)與產(chǎn)品質(zhì)量的雙重標(biāo)準(zhǔn)，將能大大的提高干燥效率與質(zhì)量均一性。2）大數(shù)據(jù)-機(jī)理融合建模。在過(guò)程知識(shí)挖掘方面，數(shù)據(jù)驅(qū)動(dòng)模型具有過(guò)程的專一性，無(wú)法獲得可靠的過(guò)程知識(shí)，將其與傳統(tǒng)機(jī)理建模技術(shù)相結(jié)合，可在獲取過(guò)程特征的同時(shí)實(shí)現(xiàn)模型的更新與進(jìn)化。3）生成預(yù)測(cè)性高的過(guò)程故障檢測(cè)模型?；谄渌鞒坦I(yè)案例示范可知利用數(shù)字孿生、機(jī)器學(xué)習(xí)等智能化技術(shù)可以較好的提升過(guò)程故障診斷模型的預(yù)測(cè)能力[76-79]。綜上可知，數(shù)據(jù)驅(qū)動(dòng)技術(shù)在中藥工業(yè)過(guò)程優(yōu)化方向仍有十分巨大的潛能。

圖1 基于數(shù)據(jù)驅(qū)動(dòng)的中藥制藥過(guò)程智能控制技術(shù)