一种基于人工智能的中药生产调优系统技术方案

一种基于人工智能的中药生产调优系统，包括中药生产数据采集和数据库模块、中药生产数据分析模块、智能反馈调优模块。针对现有中药生产过程控制水平低、质量不稳定、生产过程信息数据难以及时反馈等行业难题，利用云平台数据库、启发式的多目标优化算法和用户反馈系统进行结合，实现基于生产数据、人工智能技术和人机交互的中药生产全周期动态调度和调优，保证所生产产品的质量，为人民群众的健康提供有力保障。力保障。力保障。

【技术实现步骤摘要】
一种基于人工智能的中药生产调优系统


[0001]本专利技术涉及药品生产领域，具体地说，涉及一种基于人工智能的中药生产调优系统。

技术介绍

[0002][0003]中医药产业作为我国医药产业的重要组成部分，是我国最重要的民族产业之一。中药生产工艺较为繁琐，每一步生产操作都会影响最终产品的质量，因此需要对每一步生产工艺进行精细化管控，以保障最终产品的质量。中药生产过程的工艺参数对最终产品的安全性、有效性、稳定性、均一性等起着至关重要的作用。中药生产过程通常以标准生产操作规程为基准，实际操作中仍依赖人工经验，以工艺参数为唯一控制点，从而导致批次间产品质量差异性较大。

技术实现思路

[0004]本专利技术的目的在于提供一种基于人工智能的中药生产调优系统，以解决上述
技术介绍
中提出的问题。
[0005]为实现上述目的，提供了一种基于人工智能的中药生产调优系统，包括中药生产数据采集和数据库模块、中药生产数据分析模块，智能反馈调优模块；
[0006]S1.以生产中药产品为应用目标，在中药产品配方和生产工艺的基础上，采集中药生产全周期的生产数据，并统一存储至中药生产管理系统数据库，建立各类生产数据与中药产品质量的关联模型；
[0007]S2.基于各类生产数据与中药产品质量的关联模型中的参数及其计算方式，构建多元启发式的人工智能算法，将系统数据库中的信息作为算法模型的训练集，增加数据量避免出现过拟合现象；
[0008]S3.将训练好的算法部署至中药生产管理平台上，以物料信息数据和实时的生产数据为输入，输出单位工段内所得中间品和成品的质量预测值；
[0009]S4.结合目标中药产品内控质量标准为依据，如果预测的质量不在规定范围内，则对生产参数进行反向的动态调整，直至使得单位工段内的中间品和成品质量满足要求；
[0010]S5.将符合生产要求的中药生产信息数据成批制录入系统数据库，以此作为提供给智能反馈调优模块的数据依据；
[0011]S6.将专家调优系统中的专家意见反馈至中药产品生产管理平台和数据展示平台，实时更新数据展示，为管理者提供决策支持，构建智能化的中药产品生产机制和系统。
[0012]进一步的，所述S1中采集中药产品生产全周期的生产数据，主要包括：所需物料的信息数据，生产过程工艺的参数数据和单位工段内所得药品的质量参数数据。
[0013]进一步的，所述S1中中药生产管理系统数据库，主要是以关系型数据库为依据，特别指的是基于Linux，Windows和IOS操作系统的计算机平台下的Python，Java，C语言类的编
程应用所构建的MySQL数据库。
[0014]进一步的，所述S1中建立各类生产数据与中药产品质量的关联模型，是在权力要求2的基础上，构建所需物料的信息数据，生产过程工艺的参数数据和单位工段内所得药品的质量参数数据之间的函数关系，基于多数据融合的方式，得到影响中药产品质量的综合函数，详细过程如下：
[0015](1)并行时序遍历。当数据录入后，根据数据类别、数据间的关联性，分多批数据按时序进行多线程校验，既可发现数据缺失及数据异常的问题，又可提高校验效率。
[0016](2)指标范围。对于大部分所需物料的信息数据、生产过程工艺的参数数据以及单位工段内所得药品的质量参数数据，，其数值范围存在一定的合理区间，正常值范围为:
[0017]X
i，min
≤X
i，t
≤X
i，max
[0018]其中，X
i,t
为数据指标i(所需物料的信息数据、生产过程工艺的参数数据以及单位工段内所得药品的质量参数数据等)在t时刻的数据值；X
i,min
与X
i,max
分别为i指标下限、上限，不在范围内则为异常数据。
[0019](3)拉依达准则。大部分物料的信息数据、生产过程工艺的参数数据以及单位工段内所得药品的质量参数数据近似服从正态分布的统计学特征，对此可通过拉依达准则对时序数据进行校验，即数据不宜与时序均值相差3倍标准差以上，正常值范围为
[0020][0021]其中，为指标i的时序数据均值；σ
i
为指标i的时序数据标准差。超过则视为异常数据。
[0022](4)逻辑关联。部分不同时间序列的数据存在一定的逻辑关联性，可通过相关公式进行换算，可概括为
[0023]F(X
i,t
,X
2,t
,
…
,X
n,t
,δ)＝0
[0024]其中，F为各类数据之间应满足的各种物理关联关系，δ为误差阈值，在分析判断流程中为逻辑关联计算的允许误差，根据不同类型的数据关联计算取用适宜的数值；在缺失填补和异常修复流程中取为0，通过已知数据对缺失或异常数据进行预估。通过逻辑关联可进行数据的分析判断和部分数据的缺失补充及异常修复。
[0025](5)序列均值。对于缺失或偏离合理区间的单个数据值均可通过序列均值进行修补，以增加数据的完整性和准确性。
[0026](6)临近修补。对于短时间不易发生剧烈变化的缺失或偏离合理区间的单个数据值，当这些数据出现缺失或发生异常时，则取临近合规数据作为修补。
[0027](7)药物质量预测。基于自调整遗传算法(AdaptiveGeneticAlgorithm简称AGA)对支持向量机回归(SupportVectorRegression简称SVR)进行参数优选的药物质量预测模型，通过所采集的物料的信息数据、生产过程工艺的参数数据以及单位工段内所得药品的质量参数，对所缺失的数据集进行填补。
[0028]本专利技术使用适应度函数作为算法中药物质量在既定条件下的适应状况指标，根据多目标适应度函数，可以从多个方面优化路径。本文将所需物料的信息数据、生产过程工艺的参数数据以及单位工段内所得药品的质量参数数据三个因素作为依据。适应度函数表示为：
[0029][0030]其中，D(k)是所需物料的信息数据，S(k)生产过程工艺的参数数据，E(k)是单位工段内所得药品的质量参数数据。ρ1、ρ2、ρ3分别为三个指标对应的系数。
[0031]自适应交叉变异操作为算法中自适应调整的主要操作，需要在维持算法种群多样性的同时，尽可能使得交叉后的群体优于交叉之前，同时保证获得更优种群与加快种群收敛速度。由于全自适应交叉变异概率对处于中等适应度群体的影响较小，同时增加了算法的计算复杂度，本专利技术通过分段阈值thresh来平衡交叉变异概率自适应性与计算复杂度的影响。本专利技术采用根据个体适应度大小自适应变化的自适应方式，不受迭代次数的影响，每次迭代都进行相同的自适应操作，根据个体适应度值更改其交叉率；第一段针对适应度较差个体自适应提高其交叉变异概率，中间一段为数量最多的群体，采用固定的交叉变异概率。最后一段针对高适应度个体，通过降低其交叉变异概率以减小高适应度个体流失的概率。
[0032][0033]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的中药生产调优系统，其特征在于，包括中药生产数据采集和数据库模块、中药生产数据分析模块和智能反馈调优模块；所述调优系统的工作步骤如下：S1.以生产中药产品为应用目标，在中药产品配方和生产工艺的基础上，采集中药生产全周期的生产数据，并统一存储至中药生产管理系统数据库，建立各类生产数据与中药产品质量的关联模型；S2.基于各类生产数据与中药产品质量的关联模型中的参数及其计算方式，构建多元启发式的人工智能算法，将系统数据库中的信息作为算法模型的训练集，增加数据量避免出现过拟合现象；S3.将训练好的算法部署至中药生产管理平台上，以物料信息数据和实时的生产数据为输入，输出单位工段内所得中间品和成品的质量预测值；S4.结合目标中药产品内控质量标准为依据，如果预测的质量不在规定范围内，则对生产参数进行反向的动态调整，直至使得单位工段内的中间品和成品质量满足要求；S5.将符合生产要求的中药生产信息数据成批制录入系统数据库，以此作为提供给智能反馈调优模块的数据依据；S6.将专家调优系统中的专家意见反馈至中药产品生产管理平台和数据展示平台，实时更新数据展示，为管理者提供决策支持，构建智能化的中药产品生产机制和系统。2.根据权利要求1所述一种基于人工智能的中药生产调优系统，其特征在于，所述S1中采集中药产品生产全周期的生产数据，主要包括：原辅料、中间品物料信息数据，生产过程工艺的参数数据和单位工段内所得药品的质量参数。3.根据权利要求1所述一种基于人工智能的中药生产调优系统，其特征在于，所述S1中中药生产管理系统数据库，主要是以关系型数据库为依据，包括基于Linux，Windows和IOS操作系统的计算机平台下的Python，Java，C语言中的一类编程应用所构建的MySQL数据库。4.根据权利要求1所述一种基于人工智能的中药生产调优系统，其特征在于，所述S1中建立各类生产数据与中药产品质量的关联模型，是在权利要求2的基础上，构建所需物料的信息数据，生产过程工艺的参数数据和单位工段内所得药品的质量参数数据之间的函数关系，基于多数据融合的方式，得到影响中药产品质量的综合函数，详细过程如下：(1)并行时序遍历：当数据录入后，根据数据类别、数据间的关联性，分多批数据按时序进行多线程校验；(2)指标范围：对于大部分所需物料的信息数据、生产过程工艺的参数数据以及单位工段内所得药品的质量参数数据；(3)拉依达准则：大部分物料的信息数据、生产过程工艺的参数数据以及单位工段内所得药品的质量参数数据近似服从正态分布的统计学特征，对此可通过拉依达准则对时序数据进行校验；(4)序列均值：对于缺失或偏离合理区间的单个数据值均可通过序列均值进行修补，以增加数据的完整性和准确性；(5)临近修补：对于短时间不易发生剧烈变化的缺失或偏离合理区间的单个数据值，当这些数据出现缺失或发生异常时，则取临近合规数据作为修补；(6)药物质量预测：基于自调整遗传算法对支持向量机回归进行参数优选的药物质量预测模型，通过所采集的物料的信息数据、生产过程工艺的参数数据以及单位工段内所得药品的质量参数，对所缺失的数据集进行填补；使用适应度函数作为算法中药物质量在既定条件下的适应状况指标；通过分段阈值thresh平衡交叉变异概率自适应...

【专利技术属性】
技术研发人员：赵胜，朱晓倩，王加兵，涂祥军，韩超，张贺，
申请(专利权)人：华润三九枣庄药业有限公司，
类型：发明
国别省市：