本文提出一種基于深度學(xué)習(xí)的制藥器械功能檢測(cè)方法。該方法可實(shí)時(shí)監(jiān)控制藥器械的核心參數(shù)，系統(tǒng)自動(dòng)提取特征并進(jìn)行狀態(tài)分類(lèi)，從而確保設(shè)備在不同工況下實(shí)現(xiàn)精準(zhǔn)監(jiān)控。實(shí)驗(yàn)結(jié)果表明，該方法在精確率、召回率和檢測(cè)延遲等關(guān)鍵指標(biāo)上均顯著優(yōu)于傳統(tǒng)檢測(cè)方法，能夠有效保障設(shè)備的穩(wěn)定運(yùn)行與工藝的連續(xù)性。??
Part.01檢測(cè)方法
1.1設(shè)備功能狀態(tài)監(jiān)測(cè)
設(shè)備功能狀態(tài)監(jiān)測(cè)通過(guò)實(shí)時(shí)采集設(shè)備的核心參數(shù)，保障各生產(chǎn)環(huán)節(jié)順暢進(jìn)行。對(duì)于反應(yīng)釜，溫度和壓力傳感器可監(jiān)測(cè)反應(yīng)過(guò)程中的物理參數(shù)，確保工藝條件保持在設(shè)定的范圍內(nèi)；混合機(jī)則依賴(lài)轉(zhuǎn)速和扭矩監(jiān)測(cè)，以評(píng)估攪拌過(guò)程的均勻性；灌裝設(shè)備的流量傳感器用于實(shí)時(shí)監(jiān)控灌裝速度和劑量精度，以防止堵塞或灌裝不足等問(wèn)題的發(fā)生。為確保數(shù)據(jù)的準(zhǔn)確性，傳感器在使用前需經(jīng)過(guò)嚴(yán)格校準(zhǔn)，并定期維護(hù)，以防數(shù)據(jù)漂移影響監(jiān)測(cè)結(jié)果[1]。監(jiān)控環(huán)境中存在的干擾因素，可通過(guò)算法修正和物理屏蔽措施予以消除，從而確保數(shù)據(jù)的穩(wěn)定性。系統(tǒng)根據(jù)設(shè)備的特性動(dòng)態(tài)調(diào)整數(shù)據(jù)采集頻率，既能捕捉關(guān)鍵變化，又不會(huì)產(chǎn)生冗余數(shù)據(jù)。監(jiān)測(cè)系統(tǒng)與深度學(xué)習(xí)模型實(shí)時(shí)聯(lián)動(dòng)，分析各類(lèi)設(shè)備的運(yùn)行狀態(tài)，一旦檢測(cè)到異常，系統(tǒng)立即觸發(fā)報(bào)警。采集到的監(jiān)測(cè)數(shù)據(jù)為即時(shí)判斷提供支持，并同步上傳至云端數(shù)據(jù)庫(kù)，用于進(jìn)一步分析和模型優(yōu)化。
1.2數(shù)據(jù)處理流程優(yōu)化
數(shù)據(jù)處理流程的優(yōu)化能夠確保從設(shè)備采集的運(yùn)行數(shù)據(jù)有效支持模型的分析與判斷。對(duì)于灌裝設(shè)備、過(guò)濾設(shè)備以及自動(dòng)包裝設(shè)備等，系統(tǒng)會(huì)對(duì)溫度、壓力、流速等監(jiān)測(cè)數(shù)據(jù)進(jìn)行清洗，去除缺失值、噪聲和異常點(diǎn)，以保證輸入數(shù)據(jù)的準(zhǔn)確性。隨后，數(shù)據(jù)需經(jīng)過(guò)歸一化處理，將不同設(shè)備和傳感器的數(shù)據(jù)轉(zhuǎn)化為統(tǒng)一尺度，從而保障模型在多樣化數(shù)據(jù)環(huán)境中的穩(wěn)定性。針對(duì)數(shù)據(jù)量不足或設(shè)備工況復(fù)雜的情況，系統(tǒng)采用數(shù)據(jù)增強(qiáng)技術(shù)，利用隨機(jī)插值、模擬擾動(dòng)等方式擴(kuò)展樣本，增強(qiáng)模型的魯棒性并降低過(guò)擬合風(fēng)險(xiǎn)[2]。為確保模型訓(xùn)練全面有效，數(shù)據(jù)按比例劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集，并根據(jù)設(shè)備的實(shí)際運(yùn)行狀態(tài)調(diào)整分割方案，以適應(yīng)不同工藝流程和監(jiān)測(cè)需求。整個(gè)數(shù)據(jù)處理流程高度自動(dòng)化，減少了人工干預(yù)，并支持實(shí)時(shí)更新。
1.3功能特征提取
功能特征提取使系統(tǒng)能夠識(shí)別各類(lèi)設(shè)備的運(yùn)行狀態(tài)并及時(shí)發(fā)現(xiàn)異常。對(duì)于自動(dòng)包裝設(shè)備，系統(tǒng)從包裝速度和封口溫度中提取關(guān)鍵特征，判斷包裝是否合格并識(shí)別封口不嚴(yán)的問(wèn)題；滅菌設(shè)備的監(jiān)測(cè)主要提取溫度和濕度特征，在設(shè)定的滅菌時(shí)間內(nèi)確保達(dá)到工藝要求，防止滅菌不足或過(guò)度；噴霧干燥器的數(shù)據(jù)特征包括氣流速度、顆粒濕度和排氣溫度，模型據(jù)此判斷干燥過(guò)程是否穩(wěn)定，并檢測(cè)產(chǎn)品是否符合水分含量要求。在特征提取過(guò)程中，應(yīng)用時(shí)域分析從數(shù)據(jù)的波動(dòng)幅度和變化趨勢(shì)中捕捉電流或壓力的突增或突降異常；頻域分析通過(guò)傅里葉變換將信號(hào)轉(zhuǎn)換為頻率域，從頻率特征中發(fā)現(xiàn)設(shè)備運(yùn)行狀態(tài)的潛在問(wèn)題。深度學(xué)習(xí)模型將特征提取與分類(lèi)過(guò)程相結(jié)合，實(shí)現(xiàn)自動(dòng)化檢測(cè)。系統(tǒng)實(shí)時(shí)處理傳感器數(shù)據(jù)，動(dòng)態(tài)捕捉設(shè)備的關(guān)鍵特征參數(shù)，減少人工分析的誤差。在特征提取過(guò)程中，模型不斷優(yōu)化特征選擇，提高檢測(cè)效率，確保設(shè)備在復(fù)雜運(yùn)行環(huán)境中的狀態(tài)變化能夠被及時(shí)識(shí)別。通過(guò)多層數(shù)據(jù)篩選與處理，系統(tǒng)提取出對(duì)功能檢測(cè)最具代表性的特征輸入模型，增強(qiáng)模型的檢測(cè)準(zhǔn)確性和適應(yīng)性。
1.4功能狀態(tài)分類(lèi)檢測(cè)
功能狀態(tài)分類(lèi)與檢測(cè)針對(duì)制藥器械在各生產(chǎn)環(huán)節(jié)的具體需求，確保設(shè)備在不同工序中的關(guān)鍵狀態(tài)得到精準(zhǔn)識(shí)別與監(jiān)控。系統(tǒng)引入深度學(xué)習(xí)模型，將器械的運(yùn)行數(shù)據(jù)分類(lèi)為“正常”或“異常”狀態(tài)。在壓片機(jī)中，模型可根據(jù)振動(dòng)頻率和壓力變化判斷設(shè)備是否出現(xiàn)片劑壓制不均；在凍干機(jī)的監(jiān)控中，系統(tǒng)分析溫濕度的變化情況，檢測(cè)是否存在凍干過(guò)程異常；過(guò)濾設(shè)備的數(shù)據(jù)監(jiān)控則聚焦于流速和壓差，識(shí)別可能發(fā)生的過(guò)濾堵塞或泄漏。分類(lèi)模型利用設(shè)備的實(shí)時(shí)數(shù)據(jù)和歷史記錄進(jìn)行判斷，保障生產(chǎn)過(guò)程的連續(xù)性與安全性。檢測(cè)系統(tǒng)在獲取設(shè)備運(yùn)行數(shù)據(jù)后，模型會(huì)自動(dòng)分析關(guān)鍵參數(shù)，生成狀態(tài)分類(lèi)結(jié)果，并在檢測(cè)到異常時(shí)立即觸發(fā)報(bào)警。此外，系統(tǒng)還會(huì)生成詳細(xì)的檢測(cè)報(bào)告，為設(shè)備的維護(hù)和故障處理提供依據(jù)。分類(lèi)邏輯基于數(shù)據(jù)驅(qū)動(dòng)的學(xué)習(xí)，使模型能夠適應(yīng)多種設(shè)備的運(yùn)行模式，并根據(jù)不同工藝要求調(diào)整分類(lèi)標(biāo)準(zhǔn)，確保結(jié)果的準(zhǔn)確性。
1.5模型自適應(yīng)更新
模型的自適應(yīng)更新驅(qū)動(dòng)系統(tǒng)及時(shí)適應(yīng)制藥器械在生產(chǎn)過(guò)程中的狀態(tài)變化及潛在異常。隨著設(shè)備使用時(shí)間的增長(zhǎng)及工藝流程的調(diào)整，器械的運(yùn)行特性可能發(fā)生改變，如制藥反應(yīng)器的溫度和壓力參數(shù)偏移、混合器的轉(zhuǎn)速下降或灌裝設(shè)備的流量不穩(wěn)定。系統(tǒng)引入實(shí)時(shí)數(shù)據(jù)上傳和學(xué)習(xí)機(jī)制，捕捉這些變化并及時(shí)更新模型，從而保持檢測(cè)的高效性和精準(zhǔn)性。新增的生產(chǎn)數(shù)據(jù)被定期納入訓(xùn)練集，以?xún)?yōu)化分類(lèi)標(biāo)準(zhǔn)與檢測(cè)邏輯，提升系統(tǒng)在動(dòng)態(tài)環(huán)境中的適應(yīng)能力。自適應(yīng)更新采用在線(xiàn)學(xué)習(xí)機(jī)制，在不影響設(shè)備正常運(yùn)行的情況下完成模型迭代。針對(duì)不同工序中的設(shè)備，系統(tǒng)會(huì)根據(jù)設(shè)備的運(yùn)行環(huán)境和歷史數(shù)據(jù)調(diào)整模型參數(shù)，確保生產(chǎn)中的細(xì)微異常能夠被快速識(shí)別。更新后的模型能夠及時(shí)發(fā)現(xiàn)新的故障模式，并與以往的數(shù)據(jù)匹配，優(yōu)化對(duì)未知問(wèn)題的檢測(cè)能力。系統(tǒng)利用云端與本地同步的框架，實(shí)時(shí)更新模型與數(shù)據(jù)，確保各類(lèi)設(shè)備在生產(chǎn)過(guò)程中的狀態(tài)監(jiān)控保持全面且準(zhǔn)確。
Part.02檢測(cè)過(guò)程與結(jié)果
2.1檢測(cè)準(zhǔn)備
檢測(cè)實(shí)驗(yàn)數(shù)據(jù)集涵蓋了制藥設(shè)備在不同工藝環(huán)節(jié)中的運(yùn)行數(shù)據(jù)，總計(jì)采集了約18.4萬(wàn)條記錄，包括正常運(yùn)行數(shù)據(jù)和多種常見(jiàn)故障數(shù)據(jù)。檢測(cè)周期為6個(gè)月，每月進(jìn)行一次模型參數(shù)優(yōu)化和系統(tǒng)更新，以確保模型適應(yīng)設(shè)備在長(zhǎng)期運(yùn)行中的狀態(tài)變化。數(shù)據(jù)集通過(guò)每天24 h不間斷監(jiān)控的方式采集，系統(tǒng)實(shí)時(shí)分析設(shè)備狀態(tài)，并在設(shè)備出現(xiàn)潛在故障時(shí)立即報(bào)警。
2.2檢測(cè)過(guò)程
檢測(cè)過(guò)程基于前文提出的深度學(xué)習(xí)模型框架，通過(guò)對(duì)設(shè)備的關(guān)鍵數(shù)據(jù)進(jìn)行實(shí)時(shí)采集、特征提取和狀態(tài)分類(lèi)，實(shí)現(xiàn)設(shè)備功能的全面監(jiān)控。首先，系統(tǒng)從設(shè)備傳感器采集溫度、壓力、流速和轉(zhuǎn)速等數(shù)據(jù)，經(jīng)過(guò)數(shù)據(jù)清洗和歸一化處理后輸入檢測(cè)模型；模型自動(dòng)從數(shù)據(jù)中提取時(shí)域與頻域特征，并對(duì)設(shè)備狀態(tài)進(jìn)行分類(lèi)，將其判定為“正常”或“異常”。若檢測(cè)到異常狀態(tài)，系統(tǒng)立即觸發(fā)報(bào)警，并生成詳細(xì)的檢測(cè)報(bào)告。
2.3檢測(cè)結(jié)果分析
根據(jù)上述檢測(cè)準(zhǔn)備和檢測(cè)過(guò)程，我們選取三個(gè)常用的評(píng)價(jià)指標(biāo)，將基于深度學(xué)習(xí)的制藥器械功能檢測(cè)方法與基于規(guī)則的檢測(cè)方法進(jìn)行對(duì)比實(shí)驗(yàn)。
表1展示了精確率的對(duì)比情況。結(jié)果表明，深度學(xué)習(xí)檢測(cè)方法在所有設(shè)備上的表現(xiàn)均優(yōu)于規(guī)則方法，改善幅度在20%至25%之間，平均效果達(dá)到了23.01%。尤其是在復(fù)雜設(shè)備（如噴霧干燥器和過(guò)濾設(shè)備）中，提升效果更為顯著，表明該方法能夠更精準(zhǔn)地識(shí)別設(shè)備狀態(tài)，從而減少誤判風(fēng)險(xiǎn)。
表1精確率對(duì)比
表2展示了召回率的對(duì)比情況。結(jié)果表明，深度學(xué)習(xí)方法在召回率方面表現(xiàn)出色，尤其在噴霧干燥器、自動(dòng)包裝設(shè)備和滅菌設(shè)備的檢測(cè)中，召回率的改善幅度超過(guò)25%，而平均改善幅度達(dá)到了24.07%。這表明該方法能夠更有效地捕捉設(shè)備的異常狀態(tài)，減少漏報(bào)情況，從而提高檢測(cè)的全面性。
表2召回率對(duì)比
表3展示了檢測(cè)延遲的對(duì)比情況。結(jié)果表明，深度學(xué)習(xí)方法在響應(yīng)速度上具有顯著優(yōu)勢(shì)，檢測(cè)延遲的平均改善幅度達(dá)到了62.82%。特別是在灌裝機(jī)、過(guò)濾設(shè)備和滅菌設(shè)備的檢測(cè)中，延遲縮短幅度超過(guò)65%，這表明該方法能夠更快地識(shí)別并處理設(shè)備異常，從而提高生產(chǎn)過(guò)程的穩(wěn)定性和效率。
表3檢測(cè)延遲對(duì)比
Part.03結(jié)束語(yǔ)
本文針對(duì)制藥器械提出了一種基于深度學(xué)習(xí)的功能檢測(cè)方法，實(shí)現(xiàn)了對(duì)多種設(shè)備的高效監(jiān)控與異常檢測(cè)。
實(shí)驗(yàn)結(jié)果表明，深度學(xué)習(xí)模型在多個(gè)指標(biāo)上顯著優(yōu)于傳統(tǒng)的檢測(cè)方法，能夠確保生產(chǎn)過(guò)程的穩(wěn)定性與安全性。未來(lái)，我們將進(jìn)一步拓展應(yīng)用場(chǎng)景，增強(qiáng)模型的可解釋性，為制藥行業(yè)的智能化發(fā)展奠定基礎(chǔ)。
參考文獻(xiàn)[1] 毛媛，秦琴.基于自編碼器的醫(yī)療器械設(shè)備異常狀態(tài)預(yù) 警方法[J].北京生物醫(yī)學(xué)工程，2024，43（4）：391-397.[2] 康海燕，鄧婕.面向醫(yī)療數(shù)據(jù)安全存儲(chǔ)的增強(qiáng)混合加密 方法[J].北京理工大學(xué)學(xué)報(bào)，2021，41（10）：1058-1068.
京公網(wǎng)安備11010802046783號(hào)
