[go: up one dir, main page]

CN118136139B - 基于预测模型的去氧氟尿苷用固液相平衡生产管理方法 - Google Patents

基于预测模型的去氧氟尿苷用固液相平衡生产管理方法 Download PDF

Info

Publication number
CN118136139B
CN118136139B CN202410533003.5A CN202410533003A CN118136139B CN 118136139 B CN118136139 B CN 118136139B CN 202410533003 A CN202410533003 A CN 202410533003A CN 118136139 B CN118136139 B CN 118136139B
Authority
CN
China
Prior art keywords
data
production process
quality
parameter
parameter data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202410533003.5A
Other languages
English (en)
Other versions
CN118136139A (zh
Inventor
高峰
宋雁鹏
孙洪勋
高祥明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zibo Wanjie Pharmacy Co ltd
Zibo Huaqin Information Technology Service Co ltd
Original Assignee
Zibo Wanjie Pharmacy Co ltd
Zibo Huaqin Information Technology Service Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zibo Wanjie Pharmacy Co ltd, Zibo Huaqin Information Technology Service Co ltd filed Critical Zibo Wanjie Pharmacy Co ltd
Priority to CN202410533003.5A priority Critical patent/CN118136139B/zh
Publication of CN118136139A publication Critical patent/CN118136139A/zh
Application granted granted Critical
Publication of CN118136139B publication Critical patent/CN118136139B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/10—Analysis or design of chemical reactions, syntheses or processes
    • C—CHEMISTRY; METALLURGY
    • C07—ORGANIC CHEMISTRY
    • C07H—SUGARS; DERIVATIVES THEREOF; NUCLEOSIDES; NUCLEOTIDES; NUCLEIC ACIDS
    • C07H1/00—Processes for the preparation of sugar derivatives
    • C—CHEMISTRY; METALLURGY
    • C07—ORGANIC CHEMISTRY
    • C07H—SUGARS; DERIVATIVES THEREOF; NUCLEOSIDES; NUCLEOTIDES; NUCLEIC ACIDS
    • C07H19/00—Compounds containing a hetero ring sharing one ring hetero atom with a saccharide radical; Nucleosides; Mononucleotides; Anhydro-derivatives thereof
    • C07H19/02—Compounds containing a hetero ring sharing one ring hetero atom with a saccharide radical; Nucleosides; Mononucleotides; Anhydro-derivatives thereof sharing nitrogen
    • C07H19/04—Heterocyclic radicals containing only nitrogen atoms as ring hetero atom
    • C07H19/06—Pyrimidine radicals
    • C07H19/067—Pyrimidine radicals with ribosyl as the saccharide radical
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/90—Programming languages; Computing architectures; Database systems; Data warehousing

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Organic Chemistry (AREA)
  • Computing Systems (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Software Systems (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Databases & Information Systems (AREA)
  • Educational Administration (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Biochemistry (AREA)
  • Biotechnology (AREA)
  • Genetics & Genomics (AREA)
  • Molecular Biology (AREA)
  • Manufacturing & Machinery (AREA)
  • Primary Health Care (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Analytical Chemistry (AREA)

Abstract

本发明公开了基于预测模型的去氧氟尿苷用固液相平衡生产管理方法，属于去氧氟尿苷生产管理技术领域；本发明通过对去氧氟尿苷固液相平衡生产过程进行监测，实时获取生产过程中Apelblat模型反应参数数据的变化情况；将反应参数数据划分为正常数据和异常数据；将反应参数数据的准确程度以及生产过程中各个参数之间的一致性进行综合分析，评估去氧氟尿苷固液相平衡生产过程中的反应参数数据的质量；根据评估结果，将生产过程中的反应参数数据划分为高质量数据级别、一般质量数据级别和低质量数据级别，高质量数据可直接用于Apelblat模型的建立和优化，以指导实时生产过程的调整，确保产品质量和生产效率的稳定提升。

Description

基于预测模型的去氧氟尿苷用固液相平衡生产管理方法
技术领域
本发明涉及去氧氟尿苷生产管理技术领域，具体涉及基于预测模型的去氧氟尿苷用固液相平衡生产管理方法。
背景技术
基于预测模型的去氧氟尿苷用固液相平衡生产管理是指在去氧氟尿苷的固液相平衡生产过程中，利用Apelblat模型来预测物质的溶解度随温度和组分变化的规律，以指导生产过程的控制和优化。通过该模型，可以对固液相平反应的条件进行调节，以最大化产物的产量和质量，并确保生产过程的稳定性和经济性。
在实际操作中，基于预测模型的生产管理包括了对生产过程中各项参数的实时监测和调整，以确保反应条件处于最佳状态。同时，还需要对原料质量、设备运行状态等因素进行监控，及时发现和解决生产过程中可能出现的问题，以确保去氧氟尿苷的生产能够按时、高效、稳定地进行。
但是，利用预测模型对去氧氟尿苷用固液相平衡生产管理时， Apelblat模型的预测结果高度依赖于所使用的参数数据，如果所使用的数据质量参差不齐，可能会导致模型预测的准确性降低，无法准确指导生产过程中的调整和优化，影响生产效率和产品质量。
发明内容
本发明的目的是提供一种基于预测模型的去氧氟尿苷用固液相平衡生产管理方法，能够指导实时生产过程的调整，确保产品质量和生产效率的稳定提升。
为了实现上述目的，本发明提供如下技术方案：基于预测模型的去氧氟尿苷用固液相平衡生产管理方法，包括以下步骤：
S1：对去氧氟尿苷固液相平衡生产过程进行监测，实时获取生产过程中Apelblat模型反应参数数据的变化情况，并将监测到的反应参数数据进行预处理；
S2：构建数据匹配模型，将预处理后的反应参数数据与历史数据进行匹配，根据匹配结果将反应参数数据划分为正常数据和异常数据；
S3：当反应参数数据为正常数据时，判断生产过程中去氧氟尿苷产品质量的稳定程度，评估此时的反应参数数据的准确程度，对反应参数数据的变化幅度进行分析，评估生产过程中各个参数之间的一致性；
S4：将反应参数数据的准确程度以及生产过程中各个参数之间的一致性进行综合分析，评估去氧氟尿苷固液相平衡生产过程中的反应参数数据的质量；
S5：根据评估结果，将生产过程中的反应参数数据划分为高质量数据级别、一般质量数据级别和低质量数据级别，对不同质量级别的反应参数数据进行相应的处理和利用。
本发明主要适用于去氧氟尿苷用固液相平衡生产的过程中，也可适用于其他产品的生产，适当的调整本发明中的参数即可。
作为本发明的优选方案，S2中，通过曼哈顿距离将预处理后的反应参数数据与历史数据进行匹配，根据匹配结果将反应参数数据划分为正常数据和异常数据，具体包括：
获取预处理后的反应参数数据，对于每个预处理后的实时数据点，计算其与历史数据集中每个数据点的曼哈顿距离；
将获取到的实时数据点的特征向量标记为x，历史数据点的特征向量标记为y，具体的计算表达式为：；式中，d(x,y)为实时数据点与历史数据点之间的曼哈顿距离，n是特征向量的维度，xi为第i个实时数据点，yi为第i个历史数据点；
根据历史数据的分布情况和实际需求，设定相似度阈值；
对于每个实时数据点，将计算得到的曼哈顿距离与设定的相似度阈值进行比较；如果d(x,y)小于相似度阈值，则将该数据点划分为正常数据；如果d(x,y)大于相似度阈值，则将该数据点划分为异常数据。
作为本发明的优选方案，S3中，根据生产过程中去氧氟尿苷产品质量的不同稳定程度，分别获取对应条件下的反应参数精度异常指数，反应参数精度异常指数的获取方法为：
将反应参数A与产品质量B之间的关系建模为线性关系，对模型的参数进行建模，模型的参数为θ=(θ0,θ1,...,θn)，其中，θ0是截距，θ1,...,θn是斜率，对于每个参数θi，i=1,...,n，获取其正态分布，即，其中，μi和是参数的均值和方差；
根据观测数据，利用贝叶斯定理更新参数的后验分布，通过后验分布，计算参数的置信区间的宽度，即计算反应参数精度异常指数，对于线性回归模型，似然函数假设误差项ϵ符合正态分布，具体的计算表达式为：；nkr为反应参数精度异常指数，Bx是模型预测值，具体的计算表达式为：Bx=θ0+θ1*A1+θ2*A2+...+θn*An；是误差的方差，即为参数为误差；N为数据点的数量，Bi为第i个产品质量值，A1、A2、...、An分别为反应参数的标号。
作为本发明的优选方案，S3中，对生产过程中各个参数数据的变化幅度进行持续监测，判断不同参数数据之间的相互干扰程度，获取各个参数之间的参数幅度干扰指数，参数幅度干扰指数的获取方法为：
将生产过程中的参数数量标记为m，对生产过程中的各项参数进行标准化处理，具体的计算表达式为：；式中，Zij表示标准化后的参数数据，Xij表示第i个参数在第j个样本点的取值，Xi是第i个参数的均值，ki是第i个参数的标准差；
计算标准化后的参数数据之间的协方差矩阵，；式中，Cov为协方差矩阵，表示Zij的转置，n为矩阵数量；对协方差矩阵进行特征值分解，得到特征值和对应的特征向量，Cov*v=λ*v；其中，v为特征向量，表示主成分的方向，λ为特征值，表示主成分的方差；
将标准化后的参数数据与所选的主成分进行线性组合，得到参数加载量，具体的计算表达式为：；式中，Wij为参数加载量，表示参数对主成分的贡献程度，vij表示第i个参数对第j个主成分的特征向量，计算参数幅度干扰指数，具体的计算表达式为：；式中，ECg为参数幅度干扰指数。
作为本发明的优选方案，S4中，将反应参数数据的准确程度以及生产过程中各个参数之间的一致性进行综合分析，评估去氧氟尿苷固液相平衡生产过程中的反应参数数据的质量，具体为：
将反应参数精度异常指数以及参数幅度干扰指数进行归一化处理，通过归一化处理后的反应参数精度异常指数以及参数幅度干扰指数计算去氧氟尿苷固液相平衡生产过程中的反应参数数据的质量评估系数。
作为本发明的优选方案，S5中，根据评估结果，将生产过程中的反应参数数据划分为高质量数据级别、一般质量数据级别和低质量数据级别，具体为：
将获取到的去氧氟尿苷固液相平衡生产过程中的反应参数数据的质量评估系数与梯度标准阈值进行比较，梯度标准阈值包括第一标准阈值和第二标准阈值，且第一标准阈值小于第二标准阈值，将去氧氟尿苷固液相平衡生产过程中的反应参数数据的质量评估系数分别与第一标准阈值和第二标准阈值进行对比；
若去氧氟尿苷固液相平衡生产过程中的反应参数数据的质量评估系数大于第二标准阈值，将反应参数数据标记为高质量数据，此时不生成异常信号；
若去氧氟尿苷固液相平衡生产过程中的反应参数数据的质量评估系数大于等于第一标准阈值且小于等于第二标准阈值，将反应参数数据标记为一般质量数据，此时生成二级异常信号；
若去氧氟尿苷固液相平衡生产过程中的反应参数数据的质量评估系数小于第一标准阈值，将反应参数数据标记为低质量数据，此时生成一级异常信号。
本发明还提供了一种基于预测模型的去氧氟尿苷用固液相平衡生产管理系统，用于实现上述的管理方法，包括数据预处理模块、数据匹配模块、质量评估模块、综合分析模块以及分级处理模块；
数据预处理模块：对去氧氟尿苷固液相平衡生产过程进行监测，实时获取生产过程中Apelblat模型反应参数数据的变化情况，并将监测到的反应参数数据进行预处理；
数据匹配模块：构建数据匹配模型，将预处理后的反应参数数据与历史数据进行匹配，根据匹配结果将反应参数数据划分为正常数据和异常数据；
质量评估模块：当反应参数数据为正常数据时，判断生产过程中去氧氟尿苷产品质量的稳定程度，评估此时的反应参数数据的准确程度，对反应参数数据的变化幅度进行分析，评估生产过程中各个参数之间的一致性；
综合分析模块：将反应参数数据的准确程度以及生产过程中各个参数之间的一致性进行综合分析，评估去氧氟尿苷固液相平衡生产过程中的反应参数数据的质量；
分级处理模块：根据评估结果，将生产过程中的反应参数数据划分为高质量数据级别、一般质量数据级别和低质量数据级别，对不同质量级别的反应参数数据进行相应的处理和利用。
在上述技术方案中，本发明提供的技术效果和优点：
1、本发明通过对生产过程中的反应参数数据进行全面的监测、预处理、匹配和评估，从而划分出高、中（一般）、低质量的数据级别。这样的综合分析能够有效提升数据的质量和可靠性，确保所使用的数据对Apelblat模型的准确性和预测性有良好的支持。
2、本发明通过对数据质量的评估和划分，可以有针对性地对不同质量级别的反应参数数据进行处理和利用。高质量数据可以直接用于Apelblat模型的建立和优化，指导生产过程的调整，从而提高生产过程的稳定性和产品质量；而对于一般和低质量数据，则可以根据具体情况进行进一步的清洗、修正或剔除，以提高数据的质量，从而降低因数据质量问题而导致的生产效率下降和产品质量波动。
附图说明
图1为本发明的方法流程图；
图2为本发明的系统模块图。
具体实施方式
下面结合附图对本发明实施例中的技术方案进行清楚、完整地描述。
实施例1，如图1所示，本实施例所述基于预测模型的去氧氟尿苷用固液相平衡生产管理方法，包括以下步骤：
S1：对去氧氟尿苷固液相平衡生产过程进行监测，实时获取生产过程中Apelblat模型反应参数数据的变化情况，并将监测到的反应参数数据进行预处理；
S2：构建数据匹配模型，将预处理后的反应参数数据与历史数据进行匹配，根据匹配结果将反应参数数据划分为正常数据和异常数据；
S3：当反应参数数据为正常数据时，判断生产过程中去氧氟尿苷产品质量的稳定程度，评估此时的反应参数数据的准确程度，对反应参数数据的变化幅度进行分析，评估生产过程中各个参数之间的一致性；
S4：将反应参数数据的准确程度以及生产过程中各个参数之间的一致性进行综合分析，评估去氧氟尿苷固液相平衡生产过程中的反应参数数据的质量；
S5：根据评估结果，将生产过程中的反应参数数据划分为高质量数据级别、一般质量数据级别和低质量数据级别，对不同质量级别的反应参数数据进行相应的处理和利用。
反应参数数据是指在去氧氟尿苷固液相平衡生产过程中，记录和监测的与反应相关的各项参数，包括但不限于反应温度、压力、物料浓度、反应速率等。这些数据反映了生产过程中反应系统的状态和性能变化情况。
其中，在S1中，对去氧氟尿苷固液相平衡生产过程进行监测，实时获取生产过程中Apelblat模型反应参数数据的变化情况，并将监测到的反应参数数据进行预处理，具体为；
在基于预测模型的去氧氟尿苷用固液相平衡生产管理中，将监测到的反应参数数据进行预处理的目的是提高数据的质量和可用性，以便后续的数据分析和处理。具体包括：
清洗数据以去除错误值、异常值或不合理的数据点。这涉及到检测和删除采样设备故障、传感器漂移、人为干扰或其他噪声源引入的异常数据。
数据平滑，平滑数据以减少数据的波动和噪声。常用的平滑技术包括移动平均、加权移动平均、指数平滑等，这些方法可以使数据变得更加稳定，更容易识别趋势和模式。
数据插值，插值是指利用已有数据估算缺失数据的值。在生产过程中，可能会出现由于传感器故障或通信问题导致的数据缺失。通过插值技术，可以根据已有数据的趋势和模式推断出缺失数据的可能取值，从而填补数据缺失的部分。
数据标准化，将不同量纲或不同单位的数据转换为统一的标准形式，以便进行比较和分析。标准化可以消除数据之间的量纲影响，使得不同数据具有可比性。
异常值处理，针对检测到的异常值，可以根据实际情况进行处理，例如将异常值剔除、用相邻值进行替代或者进行修正。
数据采样与重采样，对于采样频率不均匀或者需要与其他数据同步的情况，可以对数据进行采样或者重采样，以使得数据具有一致的时间间隔或者与其他数据同步。
S2：构建数据匹配模型，将预处理后的反应参数数据与历史数据进行匹配，根据匹配结果将反应参数数据划分为正常数据和异常数据。
其中，数据匹配模型包括：特征提取器，这一部分负责从反应参数数据中提取有用的特征或特征向量，这些特征能够反映出数据的重要信息。特征可以包括数据的统计特性（如均值、方差、峰度、偏度等）、频域特征、时域特征等。
相似度度量器，相似度度量器用于衡量当前实时数据与历史数据之间的相似程度。常用的相似度度量方法包括欧氏距离、曼哈顿距离、余弦相似度等。这些度量方法能够表示数据之间的差异或相似度。
历史数据存储器，这部分存储了历史生产过程中的反应参数数据。历史数据的存储形式可以是数据库、数据仓库或者简单的数据文件。
异常检测器，异常检测器负责根据相似度度量结果判断当前数据是否异常。如果当前数据与历史数据的相似度低于某个阈值，那么可以判断当前数据为异常数据。异常检测器可以采用基于阈值的方法、基于统计学方法或者基于机器学习方法。
反馈调整器，在一些情况下，如果当前数据被判断为异常数据，反馈调整器可以采取一些自动化的措施来调整生产过程，以使得数据逐渐恢复到正常状态。
通过曼哈顿距离将预处理后的反应参数数据与历史数据进行匹配，然后根据匹配结果将反应参数数据划分为正常数据和异常数据的具体包括：获取预处理后的反应参数数据，对于每个预处理后的实时数据点，计算其与历史数据集中每个数据点的曼哈顿距离。将获取到的实时数据点的特征向量标记为x，历史数据点的特征向量标记为y，具体的计算表达式为：；式中，d(x,y)为实时数据点与历史数据点之间的曼哈顿距离，n是特征向量的维度，xi为第i个实时数据点，yi为第i个历史数据点。
根据历史数据的分布情况和实际需求，设定相似度阈值，用于判断数据之间的相似程度。
对于每个实时数据点，将计算得到的曼哈顿距离与设定的相似度阈值进行比较。如果d(x,y)小于相似度阈值，则将该数据点划分为正常数据；如果d(x,y)大于相似度阈值，则将该数据点划分为异常数据。
S3：当反应参数数据为正常数据时，判断生产过程中去氧氟尿苷产品质量的稳定程度，评估此时的反应参数数据的准确程度，对反应参数数据的变化幅度进行分析，评估生产过程中各个参数之间的一致性。
根据生产过程中去氧氟尿苷产品质量的不同稳定程度，分别获取对应条件下的反应参数精度异常指数，反应参数精度异常指数的获取方法为：
建立一个线性回归模型，将反应参数A与产品质量B之间的关系建模为线性关系。对模型的参数进行建模，模型的参数为θ=(θ0,θ1,...,θn)，其中，θ0是截距，θ1,...,θn是斜率。对于每个参数θi，获取其正态分布，即，其中，μi和是参数的均值和方差。
根据观测数据，利用贝叶斯定理更新参数的后验分布，通过后验分布，计算参数的置信区间的宽度，即参数的后验分布在一定置信水平下的范围，即计算反应参数精度异常指数，对于线性回归模型，似然函数通常假设误差项ϵ符合正态分布，具体的计算表达式为：；nkr为反应参数精度异常指数，Bx是模型预测值，具体的计算表达式为：Bx=θ0+θ1*A1+θ2*A2+...+θn*An；是误差的方差，即为参数为误差；N为数据点的数量，Bi为第i个产品质量值，A1、A2、...、An分别为反应参数的标号。
当反应参数精度异常指数越大时，说明去氧氟尿苷固液相平衡生产过程中的反应参数数据的质量越差，存在更大程度的异常或不确定性。
高异常指数表明反应参数数据的变异性较大，与历史数据或预期值偏离较远，因此数据的准确性可能受到影响。这可能是由于实验误差、设备故障或操作不当等因素导致的。
反应参数的异常指数增加可能反映了生产过程的不稳定性，即反应条件的波动或变化较大。这可能导致产品质量的波动或偏离预期，增加了生产过程的风险。
反应参数精度异常指数的增加可能会降低生产过程的可控性和可调整性，使得及时有效地调整反应条件以保持产品质量变得更加困难。这可能需要更频繁地进行监测和调整，并采取更加复杂的控制策略。
对反应参数数据的变化幅度进行分析，评估生产过程中各个参数之间的一致性，具体为：
对反应参数数据的变化幅度进行分析是为了了解各个参数在生产过程中的波动程度。通过监测和分析参数的变化幅度，可以识别出生产过程中的波动或异常情况，进而及时采取措施进行调整或修正，以保持生产过程的稳定性。
生产过程中涉及多个参数，它们可能相互影响或相互依赖。评估参数之间的一致性意味着分析这些参数之间是否存在相关性或一致性。如果参数之间存在一致性，即它们的变化趋势或波动模式相似，则说明生产过程中这些参数之间存在一定的关联性。反之，如果参数之间的变化不一致或相互矛盾，则可能需要进一步调整生产过程或控制参数，以提高生产过程的稳定性和一致性。
对生产过程中各个参数数据的变化幅度进行持续监测，判断不同参数数据之间的相互干扰程度，获取各个参数之间的参数幅度干扰指数，参数幅度干扰指数的获取方法为：
将生产过程中的参数数量标记为m，对生产过程中的各项参数进行标准化处理，具体的计算表达式为：；式中，Zij表示标准化后的参数数据，Xij表示第i个参数在第j个样本点的取值，Xi是第i个参数的均值，ki是第i个参数的标准差。
计算标准化后的参数数据之间的协方差矩阵，；式中，Cov为协方差矩阵，反映了参数之间的线性关系，表示Zij的转置，n为矩阵数量，n为矩阵数量；对协方差矩阵进行特征值分解，得到特征值和对应的特征向量，Cov*v=λ*v；其中，v为特征向量，表示主成分的方向，λ为特征值，表示主成分的方差。主成分为特征值最大的前几个特征向量，例如可以取特征值最大的前3个特征向量作为主成分。
将标准化后的参数数据与所选的主成分进行线性组合，得到参数加载量，具体的计算表达式为：；式中，Wij为参数加载量，表示参数对主成分的贡献程度，vij表示第i个参数对第j个主成分的特征向量，计算参数幅度干扰指数，具体的计算表达式为：；式中，ECg为参数幅度干扰指数。
当参数幅度干扰指数越大时，意味着该参数对主成分的贡献程度越大，也就是说该参数对整体生产过程的影响越显著。在去氧氟尿苷固液相平衡生产管理中，这可能表示该参数在反应过程中的波动或变化幅度较大，与其他参数之间的干扰程度较高。换句话说，反应参数数据的质量可能存在较大的不稳定性和波动性。
S4：将反应参数数据的准确程度以及生产过程中各个参数之间的一致性进行综合分析，评估去氧氟尿苷固液相平衡生产过程中的反应参数数据的质量。
将反应参数精度异常指数以及参数幅度干扰指数进行归一化处理，通过归一化处理后的反应参数精度异常指数以及参数幅度干扰指数计算去氧氟尿苷固液相平衡生产过程中的反应参数数据的质量评估系数。
例如，可以采用如下公式进行去氧氟尿苷固液相平衡生产过程中的反应参数数据的质量评估系数的计算，具体的计算表达式为：，式中，rhk为质量评估系数，nkr为反应参数精度异常指数，ECg为参数幅度干扰指数，a1、a2为反应参数精度异常指数，参数幅度干扰指数的比例系数，且a2>a1>0。
由计算表达式可知，反应参数精度异常指数以及参数幅度干扰指数与质量评估系数均呈反比关系，且随着反应参数精度异常指数以及参数幅度干扰指数的增大，质量评估系数降低，说明去氧氟尿苷固液相平衡生产过程中的反应参数数据的质量在下降。
S5：根据评估结果，将生产过程中的反应参数数据划分为高质量数据级别、一般质量数据级别和低质量数据级别，对不同质量级别的反应参数数据进行相应的处理和利用。
将获取到的去氧氟尿苷固液相平衡生产过程中的反应参数数据的质量评估系数与梯度标准阈值进行比较，本实施例中的梯度标准阈值包括第一标准阈值和第二标准阈值，且第一标准阈值小于第二标准阈值，将去氧氟尿苷固液相平衡生产过程中的反应参数数据的质量评估系数分别与第一标准阈值和第二标准阈值进行对比；
若去氧氟尿苷固液相平衡生产过程中的反应参数数据的质量评估系数大于第二标准阈值，说明去氧氟尿苷固液相平衡生产过程中的反应参数数据的质量越高，Apelblat模型的稳定性越强，将反应参数数据标记为高质量数据，此时不生成异常信号；
若去氧氟尿苷固液相平衡生产过程中的反应参数数据的质量评估系数大于等于第一标准阈值且小于等于第二标准阈值，说明去氧氟尿苷固液相平衡生产过程中的反应参数数据的质量一般，Apelblat模型的稳定性一般，将反应参数数据标记为一般质量数据，此时生成二级异常信号；
若去氧氟尿苷固液相平衡生产过程中的反应参数数据的质量评估系数小于第一标准阈值，说明去氧氟尿苷固液相平衡生产过程中的反应参数数据的质量越低，Apelblat模型的稳定性越低，将反应参数数据标记为低质量数据，此时生成一级异常信号。
其中，高质量数据可直接用于Apelblat模型的建立和优化，以指导实时生产过程的调整。一般质量数据可用于辅助分析和决策，需谨慎使用。低质量数据需要进一步清洗、修正或剔除，以提高数据质量。
在此需要说明的是，一级预警信号的重要程度高于二级预警信号，相关领域人员可以根据预警信号的级别判断反应参数数据的质量。
本实施例中，通过对去氧氟尿苷固液相平衡生产过程进行监测，实时获取生产过程中Apelblat模型反应参数数据的变化情况；将反应参数数据划分为正常数据和异常数据；判断生产过程中去氧氟尿苷产品质量的稳定程度，评估此时的反应参数数据的准确程度，对反应参数数据的变化幅度进行分析，评估生产过程中各个参数之间的一致性；将反应参数数据的准确程度以及生产过程中各个参数之间的一致性进行综合分析，评估去氧氟尿苷固液相平衡生产过程中的反应参数数据的质量；根据评估结果，将生产过程中的反应参数数据划分为高质量数据级别、一般质量数据级别和低质量数据级别，高质量数据可直接用于Apelblat模型的建立和优化，以指导实时生产过程的调整。一般质量数据可用于辅助分析和决策，需谨慎使用。低质量数据需要进一步清洗、修正或剔除，以提高数据质量。对生产过程进行优化和调整，确保产品质量和生产效率的稳定提升。
实施例2，如图2所示，本实施例提供了基于预测模型的去氧氟尿苷用固液相平衡生产管理系统，用于实现实施例1的管理方法，包括数据预处理模块、数据匹配模块、质量评估模块、综合分析模块以及分级处理模块；
数据预处理模块：对去氧氟尿苷固液相平衡生产过程进行监测，实时获取生产过程中Apelblat模型反应参数数据的变化情况，并将监测到的反应参数数据进行预处理；
数据匹配模块：构建数据匹配模型，将预处理后的反应参数数据与历史数据进行匹配，根据匹配结果将反应参数数据划分为正常数据和异常数据；
质量评估模块：当反应参数数据为正常数据时，判断生产过程中去氧氟尿苷产品质量的稳定程度，评估此时的反应参数数据的准确程度，对反应参数数据的变化幅度进行分析，评估生产过程中各个参数之间的一致性；
综合分析模块：将反应参数数据的准确程度以及生产过程中各个参数之间的一致性进行综合分析，评估去氧氟尿苷固液相平衡生产过程中的反应参数数据的质量；
分级处理模块：根据评估结果，将生产过程中的反应参数数据划分为高质量数据级别、一般质量数据级别和低质量数据级别，对不同质量级别的反应参数数据进行相应的处理和利用。
上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数由本领域的技术人员根据实际情况进行设置。本发明中涉及到的分析计算可以通过电子设备执行，电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，通过处理器执行程序实现上述的算法。

Claims (2)

1.基于预测模型的去氧氟尿苷用固液相平衡生产管理方法，其特征在于：包括以下步骤；
S1：对去氧氟尿苷固液相平衡生产过程进行监测，实时获取生产过程中Apelblat模型反应参数数据的变化情况，并将监测到的反应参数数据进行预处理；
S2：构建数据匹配模型，将预处理后的反应参数数据与历史数据进行匹配，根据匹配结果将反应参数数据划分为正常数据和异常数据；
获取预处理后的反应参数数据，对于每个预处理后的实时数据点，计算其与历史数据集中每个数据点的曼哈顿距离；
将获取到的实时数据点的特征向量标记为x，历史数据点的特征向量标记为y，具体的计算表达式为：d(x，y)＝∑i n ＝1|xi-yi|；式中，d(x，y)为实时数据点与历史数据点之间的曼哈顿距离，n是特征向量的维度，xi为第i个实时数据点，yi为第i个历史数据点；
根据历史数据的分布情况和实际需求，设定相似度阈值；
对于每个实时数据点，将计算得到的曼哈顿距离与设定的相似度阈值进行比较；如果d(x,y)小于相似度阈值，则将该数据点划分为正常数据；如果d(x,y)大于相似度阈值，则将该数据点划分为异常数据；
S3：当反应参数数据为正常数据时，判断生产过程中去氧氟尿苷产品质量的稳定程度，评估此时的反应参数数据的准确程度，对反应参数数据的变化幅度进行分析，评估生产过程中各个参数之间的一致性；
根据生产过程中去氧氟尿苷产品质量的不同稳定程度，分别获取对应条件下的反应参数精度异常指数，则反应参数精度异常指数的获取方法为：
将反应参数A与产品质量B之间的关系建模为线性关系，对模型的参数进行建模，模型的参数为θ＝(θ0,θ1,...,θn)，其中，θ0是截距，θ1,...,θn是斜率，对于每个参数θi，获取其的正态分布，即θi～N(μi,σi 2)，其中，μi和σi 2是参数的均值和方差；
根据观测数据，利用贝叶斯定理更新参数的后验分布，通过后验分布，计算参数的置信区间的宽度，即计算反应参数精度异常指数，对于线性回归模型，似然函数假设误差项∈符合正态分布，具体的计算表达式为：nkr为反应参数精度异常指数，Bx是模型预测值，具体的计算表达式为：Bx＝θ0+θ1*A1+θ2*A2+...+θn*An；σi 2是误差的方差，N为数据点的数量，Bi为第i个产品质量值，A1、A2、...、An分别为反应参数的标号；
对生产过程中各个参数数据的变化幅度进行持续监测，判断不同参数数据之间的相互干扰程度，获取各个参数之间的参数幅度干扰指数，则参数幅度干扰指数的获取方法为：
将生产过程中的参数数量标记为m，对生产过程中的各项参数进行标准化处理，具体的计算表达式为：式中，Zij表示标准化后的参数数据，Xij表示第i个参数在第j个样本点的取值，Xi是第i个参数的均值，ki是第i个参数的标准差；
计算标准化后的参数数据之间的协方差矩阵，式中，Cov为协方差矩阵，Zij T表示Zij的转置，n为矩阵数量；对协方差矩阵进行特征值分解，得到特征值和对应的特征向量，Cov*v＝λ*v；其中，v为特征向量，表示主成分的方向，λ为特征值，表示主成分的方差；
将标准化后的参数数据与所选的主成分进行线性组合，得到参数加载量，具体的计算表达式为：Wij＝vij*Zij；式中，Wij为参数加载量，表示参数对主成分的贡献程度，vij表示第i个参数对第j个主成分的特征向量，计算参数幅度干扰指数，具体的计算表达式为：ECg＝∑Wij*Xij；式中，ECg为参数幅度干扰指数；
S4：将反应参数数据的准确程度以及生产过程中各个参数之间的一致性进行综合分析，评估去氧氟尿苷固液相平衡生产过程中的反应参数数据的质量；
将反应参数精度异常指数以及参数幅度干扰指数进行归一化处理，通过归一化处理后的反应参数精度异常指数以及参数幅度干扰指数计算去氧氟尿苷固液相平衡生产过程中的反应参数数据的质量评估系数；
S5：根据评估结果，将生产过程中的反应参数数据划分为高质量数据级别、一般质量数据级别，低质量数据级别，对不同质量级别的反应参数数据进行相应的处理和利用；
将获取到的去氧氟尿苷固液相平衡生产过程中的反应参数数据的质量评估系数与梯度标准阈值进行比较，梯度标准阈值包括第一标准阈值和第二标准阈值，且第一标准阈值小于第二标准阈值，将去氧氟尿苷固液相平衡生产过程中的反应参数数据的质量评估系数分别与第一标准阈值和第二标准阈值进行对比；
若去氧氟尿苷固液相平衡生产过程中的反应参数数据的质量评估系数大于第二标准阈值，将反应参数数据标记为高质量数据，此时不生成异常信号；
若去氧氟尿苷固液相平衡生产过程中的反应参数数据的质量评估系数大于等于第一标准阈值且小于等于第二标准阈值，将反应参数数据标记为一般质量数据，此时生成二级异常信号；
若去氧氟尿苷固液相平衡生产过程中的反应参数数据的质量评估系数小于第一标准阈值，将反应参数数据标记为低质量数据，将反应参数数据标记为低质量数据，此时生成一级异常信号。
2.基于预测模型的去氧氟尿苷用固液相平衡生产管理系统，用于实现权利要求1所述的基于预测模型的去氧氟尿苷用固液相平衡生产管理方法，其特征在于：包括数据预处理模块、数据匹配模块、质量评估模块，综合分析模块以及分级处理模块；
数据预处理模块：对去氧氟尿苷固液相平衡生产过程进行监测，实时获取生产过程中Apelblat模型反应参数数据的变化情况，并将监测到的反应参数数据进行预处理；
数据匹配模块：构建数据匹配模型，将预处理后的反应参数数据与历史数据进行匹配，根据匹配结果将反应参数数据划分为正常数据和异常数据；
质量评估模块：当反应参数数据为正常数据时，判断生产过程中去氧氟尿苷产品质量的稳定程度，评估此时的反应参数数据的准确程度，对反应参数数据的变化幅度进行分析，评估生产过程中各个参数之间的一致性；
综合分析模块：将反应参数数据的准确程度以及生产过程中各个参数之间的一致性进行综合分析，评估去氧氟尿苷固液相平衡生产过程中的反应参数数据的质量；
分级处理模块：根据评估结果，将生产过程中的反应参数数据划分为高质量数据级别、一般质量数据级别，低质量数据级别，对不同质量级别的反应参数数据进行相应的处理和利用。
CN202410533003.5A 2024-04-30 2024-04-30 基于预测模型的去氧氟尿苷用固液相平衡生产管理方法 Active CN118136139B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410533003.5A CN118136139B (zh) 2024-04-30 2024-04-30 基于预测模型的去氧氟尿苷用固液相平衡生产管理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410533003.5A CN118136139B (zh) 2024-04-30 2024-04-30 基于预测模型的去氧氟尿苷用固液相平衡生产管理方法

Publications (2)

Publication Number Publication Date
CN118136139A CN118136139A (zh) 2024-06-04
CN118136139B true CN118136139B (zh) 2024-07-19

Family

ID=91230385

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410533003.5A Active CN118136139B (zh) 2024-04-30 2024-04-30 基于预测模型的去氧氟尿苷用固液相平衡生产管理方法

Country Status (1)

Country Link
CN (1) CN118136139B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115860579A (zh) * 2023-02-27 2023-03-28 山东金利康面粉有限公司 一种用于面粉加工的生产质量监测系统
CN117933808A (zh) * 2024-01-25 2024-04-26 广州博依特智能信息科技有限公司 基于生产过程监控的生产质量评估方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113255795B (zh) * 2021-06-02 2021-10-26 杭州安脉盛智能技术有限公司 一种基于多指标集群分析的设备状态监测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115860579A (zh) * 2023-02-27 2023-03-28 山东金利康面粉有限公司 一种用于面粉加工的生产质量监测系统
CN117933808A (zh) * 2024-01-25 2024-04-26 广州博依特智能信息科技有限公司 基于生产过程监控的生产质量评估方法及系统

Also Published As

Publication number Publication date
CN118136139A (zh) 2024-06-04

Similar Documents

Publication Publication Date Title
Bakdi et al. A new adaptive PCA based thresholding scheme for fault detection in complex systems
US11264121B2 (en) Real-time industrial plant production prediction and operation optimization
CN105700518B (zh) 一种工业过程故障诊断方法
Zhao et al. A sparse dissimilarity analysis algorithm for incipient fault isolation with no priori fault information
Jiang et al. Weighted kernel principal component analysis based on probability density estimation and moving window and its application in nonlinear chemical process monitoring
CN120063575B (zh) 高精度自适应压力变送器校准方法及系统
CN107831736B (zh) 使用用于造纸机或其它系统的模型参数数据群集的模型-工厂失配检测
CN119106259B (zh) 一种瓜果种植水肥消耗数据收集分析系统及方法
Zhao et al. Fine-scale modeling and monitoring of wide-range nonstationary batch processes with dynamic analytics
CN120196048A (zh) 一种基于人工智能的数控机床磨损自动检测与补偿方法
CN118249810A (zh) 用于多通道ad/da芯片测试的方法及系统
Tan et al. Monitoring statistics and tuning of kernel principal component analysis with radial basis function kernels
CN120178786A (zh) 五金零部件的数控加工实时误差控制系统
CN118482817B (zh) 一种基于数据分析的数字化纺织设备管理方法及系统
CN120122053A (zh) 一种电能表故障检测方法、装置、终端设备及计算机可读存储介质
CN120739687A (zh) 高可靠性多传感器融合泵站监测系统及智能预警控制方法
CN113505862B (zh) 混合型故障检测方法及装置
Casini et al. Continuous Record Asymptotics for Change‐Point Models
CN118136139B (zh) 基于预测模型的去氧氟尿苷用固液相平衡生产管理方法
US11378063B2 (en) System and method for detecting turbine underperformance and operation anomaly
Zhao et al. Sparse dissimilarity analysis based on distribution dissimilarity decomposition for online diagnosis of incipient faults
CN120252854B (zh) 一种监测高压气体继电器的方法、系统及存储介质
CN119247921B (zh) 一种针对缺失数据的工业过程故障检测方法及系统
CN120663186A (zh) 基于研磨频率监测的压电石英晶片研磨控制方法及系统
Tao et al. A novel approach for moving window size selection utilizing recursive PCA

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant