【技術實現(xiàn)步驟摘要】
本專利技術屬于風險預測，具體涉及一種用于藥劑灌裝機的灌裝口藥液泄露風險預測方法。
技術介紹
1、藥劑灌裝機是制藥工業(yè)中關鍵的設備之一，其主要功能是將液態(tài)藥物精確且安全地灌裝到藥瓶、安瓿、注射器或其他容器中，灌裝過程的精確性和穩(wěn)定性對于保證藥品質(zhì)量和生產(chǎn)效率至關重要，然而，藥劑灌裝過程中可能會出現(xiàn)藥液泄露的風險，這不僅會造成藥物浪費，增加生產(chǎn)成本，還可能對操作人員和生產(chǎn)環(huán)境造成危害，甚至影響藥品的質(zhì)量和患者的安全。
2、為了有效地預測和防止藥液泄露，現(xiàn)代灌裝機通常配備了多種傳感器和監(jiān)控系統(tǒng)，如壓力傳感器、流量傳感器、液位傳感器、溫度傳感器，這些傳感器和監(jiān)控系統(tǒng)能夠?qū)崟r監(jiān)測灌裝過程中的各種參數(shù)，及時發(fā)現(xiàn)異常情況，并通過數(shù)據(jù)分析和機器學習算法，預測可能的泄露風險，提前采取預防措施。
3、綜上所述，藥劑灌裝機的灌裝口藥液泄露問題不僅影響生產(chǎn)效率和藥品質(zhì)量，更關系到生產(chǎn)安全和環(huán)境保護，因此，針對這一問題進行深入研究和有效管理，對于提升制藥工業(yè)的整體水平具有重要意義。
技術實現(xiàn)思路
1、本專利技術的主要目的在于提供了一種用于藥劑灌裝機的灌裝口藥液泄露風險預測方法，旨在利用數(shù)據(jù)監(jiān)測和分析技術進行泄露風險預測，有助于建立科學的設備管理和維護體系，提升企業(yè)的管理水平和技術能力，推動制藥行業(yè)的智能化和數(shù)字化發(fā)展。
2、為實現(xiàn)上述目的，本專利技術的技術解決方案是：一種用于藥劑灌裝機的灌裝口藥液泄露風險預測方法，所述方法包括：
3、s1、使用傳感器收集藥劑灌
4、s2、對灌裝口藥液泄露有關數(shù)據(jù)進行處理，包括數(shù)據(jù)集缺失值填補與歸一化，確定數(shù)據(jù)質(zhì)量與一致性；
5、s3、傳感器檢測藥劑灌裝機環(huán)境以及灌裝機設備的歷史數(shù)據(jù)，并提出屬性系數(shù)分析法acam確定各個關鍵屬性的權(quán)重，剔除權(quán)重較低的屬性；
6、s4、構(gòu)建狀態(tài)優(yōu)化模塊som，在藥劑灌裝機場景下，利用當前設備狀態(tài)和操作條件對特征進行調(diào)整，動態(tài)的調(diào)整特征的權(quán)重，使模型能夠更加關注關鍵特征；
7、s5、構(gòu)建序列整合模塊sim，用于從其他時間步聚合信息，生成數(shù)據(jù)時間序列局部細節(jié)的嵌入；
8、s6、構(gòu)建跨對象聚合模塊ceam，用來計算灌裝機間的瞬時相關性，聚合其它灌裝機的局部嵌入；
9、s7、構(gòu)建時序融合模塊tfm，對每個藥劑灌裝機，最后一個時間步的嵌入從所有歷史時間嵌入中查詢，從而生成綜合嵌入；
10、s8、構(gòu)建基于深度學習的灌裝口藥液泄露風險預測模型，模型依次由輸入、設備狀態(tài)轉(zhuǎn)換模塊、序列整合模塊、跨對象聚合模塊、時序融合模塊、輸出組成；
11、s9、使用灌裝口藥液泄露數(shù)據(jù)集進行灌裝口藥液泄露風險預測模型訓練，在訓練過程中，所述預測模型逐漸提高灌裝口藥液泄露風險預測的能力。
12、進一步的，所述步驟s3中，具體包括：灌裝口藥液泄露歷史數(shù)據(jù)有：壓力數(shù)據(jù)、流量數(shù)據(jù)、液位數(shù)據(jù)、溫度數(shù)據(jù)、濕度數(shù)據(jù)、震動數(shù)據(jù)、灌裝速度、設備使用頻率以及設備維修狀態(tài)，除此之外，不同設備之間的網(wǎng)絡延遲、電力情況也會影響灌裝口藥液的泄露；ahp通過將復雜問題分解為多個層次，利用專家判斷和數(shù)學計算相結(jié)合的方法來確定各屬性的重要性權(quán)重，具體步驟如下：
13、s31、構(gòu)建屬性關聯(lián)矩陣：根據(jù)專家的判斷，對各屬性進行兩兩比較，構(gòu)建屬性關聯(lián)矩陣，矩陣元素表示一個屬性相對于另一個屬性的重要性；屬性關聯(lián)矩陣為一個的矩陣，屬性關聯(lián)矩陣如下：
14、；
15、式中，元素表示第個屬性相對于第個屬性的重要性；
16、s32、計算權(quán)重向量：通過計算屬性關聯(lián)矩陣的特征向量，特征向量經(jīng)過歸一化處理后得到各屬性的權(quán)重向量，公式如下：
17、；
18、；
19、式中，為矩陣的特征向量，為矩陣的最大特征值；為特征向量的第個元素，為特征向量的元素數(shù)，為特征向量歸一化處理后的值；
20、s33、權(quán)重可行性檢驗：檢查屬性關聯(lián)矩陣的可行性，如果權(quán)重可行性檢驗通過，則權(quán)重向量有效，否則需要調(diào)整屬性關聯(lián)矩陣；本專利技術使用可行性比率來衡量矩陣是否具有可行性，公式如下：
21、；
22、；
23、式中，為矩陣的可行性指標，為矩陣的隨機可行性指標，一般表示矩陣具有可行性。
24、通過所述步驟s3中各分步驟，最終可以使用acam確定各個關鍵屬性的權(quán)重；對于重要的屬性給予更大的權(quán)重，權(quán)重較低的屬性進行剔除，從而降低計算成本與減少網(wǎng)絡訓練時間。
25、進一步的，所述步驟s4中，構(gòu)建狀態(tài)優(yōu)化模塊som，具體步驟如下：
26、s41、首先構(gòu)建狀態(tài)向量，狀態(tài)向量用表示，其中p為藥劑灌裝機的灌裝口藥液數(shù)據(jù)集的壓力數(shù)據(jù)，t為溫度數(shù)據(jù)，s為灌裝速度數(shù)據(jù)，h為環(huán)境濕度數(shù)據(jù)；
27、s42、隨后，通過線性變換和softmax激活函數(shù)，計算特征的權(quán)重，計算公式如下：
28、；
29、式中，f是特征維度，為可訓練的權(quán)重矩陣，為偏置項；
30、s43、最后，將特征向量與縮放系數(shù)逐元素相乘，動態(tài)的調(diào)整特征的權(quán)重，使模型能夠更加關注關鍵特征，計算過程如下：
31、；
32、式中，⊙?為哈達瑪積，輸入特征向量為時間步t的設備u的特征向量。
33、進一步的，所述步驟s5中，構(gòu)建序列整合模塊sim，在每個時間步，從其他時間步聚合信息，形成局部嵌入，保留時間序列的局部細節(jié)；具體步驟如下：
34、s51、首先進行特征編碼，使用線性變換將縮放后的特征向量映射到高維空間，使用的映射公式如下：
35、；
36、式中，為特征編碼后的向量，為特征編碼的權(quán)重矩陣，為步驟s4狀態(tài)優(yōu)化模塊后的特征向量，為偏置項；
37、s52、隨后，雙向長短期記憶網(wǎng)絡bilstm同時考慮時間序列的前向和后向信息，可以更好地捕捉序列中的依賴關系，bilstm包括兩個lstm層，一個處理正向序列，另一個處理反向序列；其中，正向lstm從時間步1到t，公式如下：；
38、式中，為正向lstm在時間步t的隱狀態(tài)，為特征編碼后的向量作為輸入；反向lstm從時間步t到1，公式如下：
39、；
40、式中，為反向lstm在時間步t的隱狀態(tài)；
41、s53、最終，將正向lstm與反向lstm的輸出進行拼接，構(gòu)成雙向lstm的輸出，公式如下：
42、；
43、式中，為雙向lstm在時間步t的輸出，包含正向和反向隱狀態(tài)的拼接結(jié)果；最終的輸出形式為，式中，為設備u在所有時間步上的局部嵌入矩陣，每個包含正向和反向隱狀態(tài)的拼接結(jié)果，維度為2d，其中d是lstm隱狀態(tài)的維度；正向lstm和反向lstm分別處理序列數(shù)據(jù)，將每個時間步的輸出拼接起來，生成包含前后文信息的局部嵌入，有助于更準確地預測藥本文檔來自技高網(wǎng)...
【技術保護點】
1.一種用于藥劑灌裝機的灌裝口藥液泄露風險預測方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的一種用于藥劑灌裝機的灌裝口藥液泄露風險預測方法，其特征在于，在步驟S3中，灌裝口藥液泄露歷史數(shù)據(jù)有：壓力數(shù)據(jù)、流量數(shù)據(jù)、液位數(shù)據(jù)、溫度數(shù)據(jù)、濕度數(shù)據(jù)、震動數(shù)據(jù)、灌裝速度、設備使用頻率以及設備維修狀態(tài)，除此之外，不同設備之間的網(wǎng)絡延遲、電力情況也會影響灌裝口藥液的泄露；AHP通過將復雜問題分解為多個層次，利用專家判斷和數(shù)學計算相結(jié)合的方法來確定各屬性的重要性權(quán)重，首先，構(gòu)建屬性關聯(lián)矩陣，根據(jù)專家的判斷，對各屬性進行兩兩比較，矩陣元素表示一個屬性相對于另一個屬性的重要性；屬性關聯(lián)矩陣為一個的矩陣，屬性關聯(lián)矩陣為，式中，元素表示第個屬性相對于第個屬性的重要性；隨后，計算權(quán)重向量，通過計算屬性關聯(lián)矩陣的特征向量，特征向量經(jīng)過歸一化處理后得到各屬性的權(quán)重向量，公式為，，式中，為矩陣的特征向量，為矩陣的最大特征值，為特征向量的第個元素，為特征向量的元素數(shù)，為特征向量歸一化處理后的值；最后，進行權(quán)重可行性檢驗，檢查屬性關聯(lián)矩陣的可行性，如果權(quán)重可行性檢驗通過，則權(quán)重向量有效，否則
3.根據(jù)權(quán)利要求1所述的一種用于藥劑灌裝機的灌裝口藥液泄露風險預測方法，其特征在于，在步驟S4中，構(gòu)建狀態(tài)優(yōu)化模塊SOM，首先構(gòu)建狀態(tài)向量，狀態(tài)向量用表示，其中P為藥劑灌裝機的灌裝口藥液數(shù)據(jù)集的壓力數(shù)據(jù)，T為溫度數(shù)據(jù)，S為灌裝速度數(shù)據(jù)，H為環(huán)境濕度數(shù)據(jù)；隨后，通過線性變換和Softmax激活函數(shù)，計算特征的權(quán)重，計算公式為，式中，F(xiàn)是特征維度，為可訓練的權(quán)重矩陣，為偏置項；最后，將特征向量與縮放系數(shù)逐元素相乘，動態(tài)的調(diào)整特征的權(quán)重，使模型能夠更加關注關鍵特征，計算過程為，式中，⊙?為哈達瑪積，輸入特征向量為時間步t的設備u的特征向量。
4.根據(jù)權(quán)利要求1所述的一種用于藥劑灌裝機的灌裝口藥液泄露風險預測方法，其特征在于，在步驟S5中，首先進行特征編碼，使用線性變換將縮放后的特征向量映射到高維空間，使用的映射公式為，式中，為特征編碼后的向量，為特征編碼的權(quán)重矩陣，為步驟S4狀態(tài)優(yōu)化模塊后的特征向量，為偏置項；隨后，雙向長短期記憶網(wǎng)絡BiLSTM同時考慮時間序列的前向和后向信息，可以更好地捕捉序列中的依賴關系，BiLSTM包括兩個LSTM層，一個處理正向序列，另一個處理反向序列，其中，正向LSTM從時間步1到T，公式為，式中，為正向LSTM在時間步t的隱狀態(tài)，為特征編碼后的向量作為輸入，反向LSTM從時間步T到1，公式為，式中，為反向LSTM在時間步t的隱狀態(tài)；最終，將正向LSTM與反向LSTM的輸出進行拼接，構(gòu)成雙向LSTM的輸出，拼接公式為，式中，為雙向LSTM在時間步t的輸出，包含正向和反向隱狀態(tài)的拼接結(jié)果；最終的輸出形式為，式中，為設備u在所有時間步上的局部嵌入矩陣，每個包含正向和反向隱狀態(tài)的拼接結(jié)果，維度為2d，其中d是LSTM隱狀態(tài)的維度；正向LSTM和反向LSTM分別處理序列數(shù)據(jù)，將每個時間步的輸出拼接起來，生成包含前后文信息的局部嵌入，有助于更準確地預測藥液泄露風險，可以用于后續(xù)的跨對象聚合和時序融合步驟。
5.根據(jù)權(quán)利要求1所述的一種用于藥劑灌裝機的灌裝口藥液泄露風險預測方法，其特征在于，在步驟S6中，對不同的設備進行不同的權(quán)重調(diào)整，從而捕捉更復雜的關系，位置編碼為每個時間步添加位置編碼信息，使得模型能夠捕捉時間步之間的相對位置關系；首先對每個設備進行位置編碼，公式為，，式中，pos為位置，表示序列中某個時間步的索引，i為維度索引，d是特征維度，對每個位置pos，生成一個包含特征維度d的位置編碼向量，最后的位置編碼為；將位置編碼加到輸入上，以捕捉時間步信息，計算公式為，式中，為輸入的局部嵌入矩陣，為每個時間步對應的位置信息；隨后，引入自動調(diào)整權(quán)重機制的多頭注意力機制計算不同的設備狀態(tài)之間的相關性，對輸入的局部嵌入進行線性變換得到查詢、鍵和值矩陣，查詢、鍵和值矩陣計算公式為，，，式中，為加入位置編碼的局部嵌入矩陣，、、為局部嵌入進行線性變換的權(quán)重矩陣，將線性變換后的矩陣進行注意力頭計算，計算公式為，式中，為設備u的注意力頭的輸出，為鍵矩陣的維度；自動調(diào)整權(quán)重機制的權(quán)重計算過程為，結(jié)合自動調(diào)整權(quán)重機制和注意力頭的輸出，得到的注意力機制輸出，式中，u為設備編號，并且；最終得到的自動調(diào)整權(quán)重機制的多頭注意力機制的輸出，式中，Concat為將每個設備的注意力機制輸出進行...
【技術特征摘要】
1.一種用于藥劑灌裝機的灌裝口藥液泄露風險預測方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的一種用于藥劑灌裝機的灌裝口藥液泄露風險預測方法，其特征在于，在步驟s3中，灌裝口藥液泄露歷史數(shù)據(jù)有：壓力數(shù)據(jù)、流量數(shù)據(jù)、液位數(shù)據(jù)、溫度數(shù)據(jù)、濕度數(shù)據(jù)、震動數(shù)據(jù)、灌裝速度、設備使用頻率以及設備維修狀態(tài)，除此之外，不同設備之間的網(wǎng)絡延遲、電力情況也會影響灌裝口藥液的泄露；ahp通過將復雜問題分解為多個層次，利用專家判斷和數(shù)學計算相結(jié)合的方法來確定各屬性的重要性權(quán)重，首先，構(gòu)建屬性關聯(lián)矩陣，根據(jù)專家的判斷，對各屬性進行兩兩比較，矩陣元素表示一個屬性相對于另一個屬性的重要性；屬性關聯(lián)矩陣為一個的矩陣，屬性關聯(lián)矩陣為，式中，元素表示第個屬性相對于第個屬性的重要性；隨后，計算權(quán)重向量，通過計算屬性關聯(lián)矩陣的特征向量，特征向量經(jīng)過歸一化處理后得到各屬性的權(quán)重向量，公式為，，式中，為矩陣的特征向量，為矩陣的最大特征值，為特征向量的第個元素，為特征向量的元素數(shù)，為特征向量歸一化處理后的值；最后，進行權(quán)重可行性檢驗，檢查屬性關聯(lián)矩陣的可行性，如果權(quán)重可行性檢驗通過，則權(quán)重向量有效，否則需要調(diào)整屬性關聯(lián)矩陣，本發(fā)明使用可行性比率來衡量矩陣是否具有可行性，公式為，，式中，為矩陣的可行性指標，為矩陣的隨機可行性指標，一般表示矩陣具有可行性；使用acam確定各個關鍵屬性的權(quán)重，對于重要的屬性給予更大的權(quán)重，權(quán)重較低的屬性進行剔除。
3.根據(jù)權(quán)利要求1所述的一種用于藥劑灌裝機的灌裝口藥液泄露風險預測方法，其特征在于，在步驟s4中，構(gòu)建狀態(tài)優(yōu)化模塊som，首先構(gòu)建狀態(tài)向量，狀態(tài)向量用表示，其中p為藥劑灌裝機的灌裝口藥液數(shù)據(jù)集的壓力數(shù)據(jù)，t為溫度數(shù)據(jù)，s為灌裝速度數(shù)據(jù)，h為環(huán)境濕度數(shù)據(jù)；隨后，通過線性變換和softmax激活函數(shù)，計算特征的權(quán)重，計算公式為，式中，f是特征維度，為可訓練的權(quán)重矩陣，為偏置項；最后，將特征向量與縮放系數(shù)逐元素相乘，動態(tài)的調(diào)整特征的權(quán)重，使模型能夠更加關注關鍵特征，計算過程為，式中，⊙?為哈達瑪積，輸入特征向量為時間步t的設備u的特征向量。
4.根據(jù)權(quán)利要求1所述的一種用于藥劑灌裝機的灌裝口藥液泄露風險預測方法，其特征在于，在步驟s5中，首先進行特征編碼，使用線性變換將縮放后的特征向量映射到高維空間，使用的映射公式為，式中，為特征編碼后的向量，為特征編碼的權(quán)重矩陣，為步驟s4狀態(tài)優(yōu)化模塊后的特征向量，為偏置項；隨后，雙向長短期記憶網(wǎng)絡bilstm同時考慮時間序列的前向和后向信息，可以更好地捕捉序列中的依賴關系，bilstm包括兩個lstm層，一個處理正向序列，另一個處理反向序列，其中，正向lstm從時間步1到t，公式為，式中，為正向lstm在時間步t的隱狀態(tài)，為特征編碼后的向量作為輸入，反向lstm從時間步t到1，公式為，式中，為反向lstm在時間步t的隱狀態(tài)；最終...
【專利技術屬性】
技術研發(fā)人員：張君利，付琳媛，鄒海鵬，
申請(專利權(quán))人：山東黃海智能裝備有限公司，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。