專利名稱：一種基于神經網絡系統的流化床配方自動生成方法
技術領域：
本發明涉及一種自動生產技術，具體涉及一種基于神經網絡系統的流化床配方自動生成方法。
背景技術：
目前，制粒工藝的配方對制藥產品的性能有著重要的影響。通常配方基本上依靠試驗和工人的經驗來獲取，這就使得制藥過程的設計有很大的盲目性。因此，用有效的模型來自動獲取配方參數，不但可以提高產品的性能，而且提高生產效率。由于制粒工藝配方和制藥過程的各項參數之間存在復雜的非線性關系，多數情況只能靠長期的試驗摸索，由工人感覺得到，缺乏科學性和準確性，經驗掌握周期長，也容易出現系統誤差。神經網絡(Neural Network，NN)是由人工建立的以有向圖為拓撲結構的動態系統，它通過對連續或斷續的輸入作狀態相應而進行信息處理，具有容錯、聯想、推測、記憶、 自適應和自處理等特點，能較好的完成復雜輸入和輸出的非線性映射，并行處理能力強。在結構上，可以把一個神經網絡劃分為輸入層、輸出層和隱含層，如圖2所示。輸入層的每個節點對應一個個的輸入變量，輸出層的節點對應輸出變量，可有多個。在輸入層和輸出層之間是隱含層(對神經網絡的使用者來說不可見)，隱含層的層數和每層節點的個數決定了神經網絡的復雜度。通過訓練決定神經網絡結構的隱含層極其所含節點的個數，以及節點之間的連接方式，建立輸入變量和輸出變量之間的非線性關系。因此神經網絡特別適用于研究制粒參數和配方之間的非線性關系模型。經過現有技術的文獻檢索發現，目前尚無流化床配方生成方法方面的技術方案。
發明內容
本發明提供了一種基于神經網絡系統的流化床配方自動生成方法，提高產品的性能和生產效率，提高制粒工藝配方或制藥過程參數的科學性和準確性。為實現上述目的，本發明公開一種基于神經網絡系統的流化床配方生成方法，其特點是，該方法包含以下步驟
步驟1神經網絡系統采集用于流化床的神經網絡的訓練樣本；
步驟1.1現實的流化床模擬運行；
步驟1. 2系統設定流化床運行的原料參數；
步驟1. 3系統根據流化床的運行過程，給出與原料參數相對應的配方參數； 步驟1. 4神經網絡系統存儲流化床相對應的原料參數與配方參數，獲得用于訓練神經網絡的訓練樣本；
步驟2神經網絡系統仿真訓練用于流化床的神經網絡；
步驟2. 1神經網絡系統導入訓練樣本中的各原料參數，作為神經網絡的輸入層神經
元；
步驟2. 2神經網絡系統導入訓練樣本中的各配方參數，作為神經網絡的輸出層神經兀；
步驟2.3神經網絡系統計算出隱層神經元的數目，隱層神經元數目N=訓練樣本數 /2+e, e隨機取0到9之間的整數值；
步驟2. 4神經網絡系統利用訓練樣本進行仿真訓練，確定神經網絡的權值和閾值； 步驟2. 5神經網絡系統正向傳播輸入層輸入的訓練樣本原料參數，并判斷輸出層的輸出是否與導入輸出層的訓練樣本的配方參數一致，若是，則跳轉到步驟2. 8，若否，則跳轉到步驟2. 6 ；
步驟2. 6神經網絡系統反向傳播誤差，并進行學習，修改或迭代各層各節點的權重和閾值，減小代價函數；
步驟2. 7神經網絡系統判斷代價函數是否能再減小，若是，則完成了輸入層與輸出層的映射，則跳轉到步驟2. 6，若否，并跳轉到步驟2. 8 ；
步驟2. 8神經網絡系統仿真訓練完成，建立輸入層神經元與輸出層神經元之間的關
系；
步驟3神經網絡系統應用，自動生成流化床的配方； 步驟3. 1神經網絡系統輸入原料參數至神經網絡輸入層； 步驟3. 2神經網絡系統對原料參數進行處理，輸出層生成配方參數； 步驟3. 3神經網絡系統輸出神經網絡生成的配方參數，控制流化床運作。上述的步驟1. 3中的原料參數包含原料種類、原料密度、原料粒度、漿液粘度、漿液比例、漿液溫度和親水性。上述的步驟1. 3中的配方參數包含低攪轉速、高攪轉速、低粒轉速、高粒轉速、總時間、高攪開始、低粒開始、高粒開始、噴漿時長、噴漿開始、終點電流。本發明一種基于神經網絡的流化床配方自動生成系統及其生成方法和現有技術相比，其優點在于，本發明通過神經網絡技術設定生產配方，以原料參數自動生成控制流化床運作的生產配方參數，不需要有經驗的配方工程師以經驗設定配方，提高產品性能和生產效率，提高配方設定的科學性和準確性。
圖1為本發明一種基于神經網絡系統的流化床配方自動生成系統的生成方法的方法流程圖2為神經網絡的結構示意圖3為本發明一種基于神經網絡系統的流化床配方自動生成系統的生成方法的仿真訓練方法的方法流程圖。
具體實施例方式以下結合
本發明的具體實施方式
。本發明說明了一種基于神經網絡系統的流化床配方自動生成方法。可自動根據原料參數生成控制流化床運作的配方。以下結合圖1和圖3說明本發明一種基于神經網絡系統的流化床配方生成方法， 該方法包含以下步驟。
步驟1神經網絡系統采集用于流化床的BP神經網絡的訓練樣本。步驟1. 1現實的流化床模擬運行。步驟1. 2設定流化床運行的原料參數。步驟1. 3系統根據流化床及其流化床控制系統運行過程，給出與上述設定的原料參數相對應的配方參數。步驟1.4系統將用于控制流化床運作的相對應的原料參數與配方參數一個個對應起來，并存儲起來作為用于訓練神經網絡的訓練樣本。該訓練樣本包含流化床所要處理原料的原料參數，以及與原料參數相對應的流化床控制系統控制流化床運作的配方參數。其中，原料參數包含原料種類、原料密度、原料粒度、漿液粘度、漿液比例、漿液溫度和親水性。配方參數是指低攪轉速、高攪轉速、低粒轉速、 高粒轉速、總時間、高攪開始、低粒開始、高粒開始、噴漿時長、噴漿開始、終點電流。步驟2神經網絡系統導入上述獲得的訓練樣本，對用于流化床的BP神經網絡進行仿真訓練。如圖2所示，神經網絡包含輸入層、隱層和輸出層。在進行仿真訓練前，先設定一個閾值，如果代價函數大于這個閾值，則神經網絡繼續訓練，小于等于這個閾值，說明代價函數不用再減小了。該閾值小，并說明訓練樣本輸出的配方參數與訓練得到的配方參數非常接近。步驟2. 1神經網絡系統導入訓練樣本中的各原料參數，每一個原料參數作為神經網絡的一個輸入層的神經元，其神經元數目即訓練樣本中的各原料參數的數目。步驟2. 2神經網絡系統導入訓練樣本中的各配方參數，每一個配方參數作為神經網絡的一個輸出層的神經元，其神經元數目即訓練樣本中的各配方參數的數目。步驟2. 3神經網絡系統計算出神經網絡隱層神經元的數目，神經網絡的隱層神經元數目N=訓練樣本數Λ+e (e取0到9之間的整數值，該e的值由神經網絡系統隨機產生)。步驟2. 4神經網絡系統利用上述訓練樣本仿真訓練基于流化床配方生成的BP神經網絡，確定BP神經網絡的權值和閾值。其中初始學習速率為0. 02，動量系統為0. 98，網絡的誤差為0. 01，采用帶動量的批處理梯度下降法來訓練BP神經網絡，其仿真訓練方法是目前應用最廣泛且理論較成熟的一種方法，它使用梯度搜索技術使代價函數最小化，以完成從輸入層到輸出層的映射。梯度搜索技術是一種對某個準則函數的迭代尋優算法。設 Ha)是準則函數，α為一向量。VJfaft ；)是JpjsJ在盧的梯度，為一向量，其方向是
增長最快的方向；負梯度方向，則是Jp)減小最快的方向。因此，若求某函數的極大
值，沿梯度方向走，可最快地達到最大點；反之，沿負梯度方向走，可最快地達到最小點，梯度搜索技術是求函數極小值的迭代算法。代價函數采用均方誤差，即誤差的平方和的平均值的平方根。在本發明中將訓練樣本中的原料參數(原料種類、原料密度、原料粒度、漿液粘度、漿液比例、漿液溫度和親水性)輸入神經網絡的輸入層，神經網絡的輸出層就會輸出相應的配方參數(低攪轉速、高攪轉速、低粒轉速、高粒轉速、總時間、高攪開始、低粒開始、高粒開始、噴漿時長、噴漿開始、終點電流)，這個配方參數和訓練樣本中的對應配方參數的差值的平方和的平均值的平方根就是流化床的代價函數。步驟2. 5神經網絡系統將輸入層輸入的訓練樣本的原料參數在神經網絡在已有權重和閾值下正向傳播。初始的權重和閾值為隨機非零值，這個值在接下來會不斷根據算法調整到輸出和訓練樣本中的輸出之間的誤差不大時為止。正向傳播是指輸入信號從輸入層經隱層傳向輸出層。神經網絡系統并判斷經過隱層處理得到輸出層的輸出參數是否與導入輸出層的訓練樣本的配方參數相一致，若是，則跳轉到步驟2. 8，若否，沒有得到期望的輸出，則跳轉到步驟2. 6。步驟2. 6神經網絡系統反向傳播誤差，反向傳播就是將誤差信號(訓練樣本輸出的配方參數與神經網絡輸出的配方參數)按原連接通路反向計算，進行學習，由梯度下降法修改或迭代各層神經元和各節點的權值和閾值，使代價函數減小，該代價函數即是上述的均方誤差。步驟2. 7神經網絡系統將代價函數與仿真訓練前設定的閾值相比較，判斷代價函數是否能再減小，若是，則代價函數大于事先設定的閾值，則經網絡繼續訓練，并跳轉到步驟2. 6，若否，則代價函數小于或等于事先設定的這個閾值，則說明代價函數不用再減小了， 即完成了輸入層與輸出層的映射，并跳轉到步驟2. 8。步驟2. 8基于流化床配方生成的BP神經網絡仿真訓練完成，建立輸入層神經元與輸出層神經元之間的關系。步驟3 —種用于流化床配方生成的神經網絡系統訓練好后，將其應用于現實工作中流化床的配方參數的獲取，實現生產過程中配方工藝的自動生成。步驟3. 1神經網絡系統輸入原料參數至神經網絡。神經網絡系統將各原料參數作為神經網絡輸入層的一個神經元。原料參數包含原料種類、原料密度、原料粒度、漿液粘度、 漿液比例、漿液溫度和親水性，神經網絡的每一個輸入層的變量對應原料一種參數。根據原料參數，設定神經網絡輸入層神經元變量的值。步驟3. 2神經網絡系統對輸入層輸入的原料參數進行處理，采用正向傳播計算神經網絡輸出層的輸出，由輸出層生成配方參數。神經網絡根據上述仿真訓練時建立的輸出層神經元與輸出層神經元之間的關系， 自動根據輸入層的原料參數，改變輸出參數的值，通過輸出層的神經元輸出配方參數。這些輸出變量和所需的配方一一對應，由輸出層變量的值，就可以得到低攪轉速、高攪轉速、低粒轉速、高粒轉速、總時間、高攪開始、低粒開始、高粒開始、噴漿時長、噴漿開始、終點電流的值。設輸入層為向V:
權利要求
1.一種基于神經網絡系統的流化床配方生成方法，其特征在于，該方法包含以下步驟步驟1神經網絡系統采集用于流化床的神經網絡的訓練樣本； 步驟2神經網絡系統仿真訓練用于流化床的神經網絡； 步驟3神經網絡應用，自動生成流化床配方。
2.如權利要求1所述的基于神經網絡系統的流化床配方生成方法，其特征在于，所述的步驟1包含以下步驟步驟1. 1現實的流化床模擬運行； 步驟1. 2系統設定流化床運行的原料參數；步驟1. 3系統根據流化床的運行過程，給出與原料參數相對應的配方參數； 步驟1. 4神經網絡系統存儲流化床相對應的原料參數與配方參數，獲得用于訓練神經網絡的訓練樣本。
3.如權利要求2所述的基于神經網絡系統的流化床配方生成方法，其特征在于，所述的步驟1. 3中所述的原料參數包含原料種類、原料密度、原料粒度、漿液粘度、漿液比例、漿液溫度和親水性。
4.如權利要求2所述的基于神經網絡系統的流化床配方生成方法，其特征在于，所述的步驟1. 3中所述的配方參數包含低攪轉速、高攪轉速、低粒轉速、高粒轉速、總時間、高攪開始、低粒開始、高粒開始、噴漿時長、噴漿開始、終點電流。
5.如權利要求1所述的基于神經網絡系統的流化床配方生成方法，其特征在于，所述的步驟2包含以下步驟步驟2. 1神經網絡系統導入訓練樣本中的各原料參數，作為神經網絡的輸入層神經元；步驟2. 2神經網絡系統導入訓練樣本中的各配方參數，作為神經網絡的輸出層神經元；步驟2. 3神經網絡系統計算出隱層神經元的數目，隱層神經元數目N=訓練樣本數 /2+e, e隨機取0到9之間的整數值；步驟2. 4神經網絡系統利用訓練樣本進行仿真訓練，確定神經網絡的權值和閾值； 步驟2. 5神經網絡系統正向傳播輸入層輸入的訓練樣本原料參數，并判斷輸出層的輸出是否與導入輸出層的訓練樣本的配方參數一致，若是，則跳轉到步驟2. 8，若否，則跳轉到步驟2. 6 ；步驟2. 6神經網絡系統反向傳播誤差，并進行學習，修改或迭代各層各節點的權重和閾值，減小代價函數；步驟2. 7神經網絡系統判斷代價函數是否能再減小，若是，則完成了輸入層與輸出層的映射，則跳轉到步驟2. 6，若否，并跳轉到步驟2. 8 ；步驟2. 8神經網絡系統仿真訓練完成，建立輸入層神經元與輸出層神經元之間的關系。
6.如權利要求1所述的基于神經網絡系統的流化床配方生成方法，其特征在于，所述的步驟3方法包含以下步驟步驟3. 1神經網絡系統輸入原料參數至神經網絡的輸入層；步驟3. 2神經網絡系統對原料參數進行處理，輸出層生成配方參數； 步驟3. 3神經網絡系統輸出神經網絡生成的配方參數，控制流化床運作。
全文摘要
本發明公開一種基于神經網絡系統的流化床配方生成方法，該方法包含以下步驟1、神經網絡系統采集神經網絡的訓練樣本，存儲于數據存儲模塊；2、神經網絡系統仿真訓練；3、神經網絡系統應用，自動生成配方。本發明采用神經網絡技術設定生產配方，以原料參數自動生成控制流化床運作的生產配方參數，不需要有經驗的配方工程師以經驗設定配方，提高產品性能和生產效率，提高配方設定的科學性和準確性。
文檔編號B01J2/16GK102258960SQ20111013863
公開日2011年11月30日 申請日期2011年5月26日 優先權日2011年5月26日
發明者方圓, 方正 申請人:浙江迦南科技股份有限公司