CN115645972B - 一种化工制药用提取设备 - Google Patents

Abstract

本发明属于提取装置技术领域，公开了一种化工制药用提取设备，制药箱体外部固定有支撑架，支撑架固定在地面上，制药箱体底部通过过滤装置连接有蒸馏装置，蒸馏装置一侧连接有导管，通过导管连接提取装置，提取装置下端连接有离心装置，离心装置连接有质量检测装置和故障诊断装置；制药箱体为漏斗形箱体，制药箱体上端固定有驱动电机，驱动电机线性连接嵌入式单片机，嵌入式单片机固定在制药箱体一侧，驱动电机下端连接有转轴，转轴表面固定有搅拌棒；通过故障诊断模块根据噪声数据可以实现对制药提取设备故障状态的有效判断，可有效解决现有技术无法实时有效判断制药提取设备故障的技术问题，达到了有效及时准确确定制药提取设备故障的技术效果。

Description

一种化工制药用提取设备

技术领域

本发明属于提取装置技术领域，尤其涉及一种化工制药用提取设备。

背景技术

目前，提取罐是医药化工中常用的浸出提取设备特别适合于植物产物所含成分的浸出提取。结构具有罐体，罐体内轴向位置装置的螺旋推进器或旋浆推进器，与罐体外的转动轴盘连接，其特征是具有一组斜卧的连续逆流浸出提取单罐，相互之间出料口与进料口相连接构成一连通器，每一个单罐体的低端上部具有进料口，下部具有残液排出口，罐体高端上部具有进液口或排气口，下部具出料口；然而，现有化工制药用提取设备不能根据患者病情进行配药；同时，如果制药提取设备突然发生故障无法使用，不能及时对设备故障进行诊断。

通过上述分析，现有技术存在的问题及缺陷为：

(1)现有化工制药用提取设备不能根据患者病情进行配药。

(2)如果制药提取设备突然发生故障无法使用，不能及时对设备故障进行诊断。

发明内容

针对现有技术存在的问题，本发明提供了一种化工制药用提取设备。

本发明是这样实现的，一种化工制药用提取设备设置有：

制药箱体；

所述制药箱体外部固定有支撑架，所述支撑架固定在地面上，所述制药箱体底部通过过滤装置连接有蒸馏装置，所述蒸馏装置一侧连接有导管，通过导管连接提取装置，所述提取装置下端连接有离心装置，所述离心装置连接有质量检测装置和故障诊断装置；

所述制药箱体为漏斗形箱体，所述制药箱体上端固定有驱动电机，所述驱动电机线性连接嵌入式单片机，所述嵌入式单片机固定在制药箱体一侧，所述驱动电机下端连接有转轴，所述转轴表面固定有搅拌棒；

所述制药箱体内侧固定有加热棒，所述加热棒外部固定有绝缘塑料保护膜，所述加热棒线性连接嵌入式单片机，所述制药箱体底部通过螺纹连接有过滤装置，所述过滤装置内部固定有多层过滤棉，所述过滤装置底部固定有控制开关，所述控制开关通过管道连接底部的蒸馏装置；

所述蒸馏装置内部固定有加热棒和蒸馏箱，所述加热棒固定在蒸馏箱的底部，所述蒸馏箱一侧通过导管连接冷凝装置，所述冷凝装置为制冷棒，所述制冷棒固定在导管的外部；

所述制药箱体的一侧固定有离心机，所述离心机一侧固定有扬声器，所述扬声器线性连接嵌入式单片机，

所述嵌入式单片机连接有显示屏和控制按键。

进一步，所述嵌入式单片机设有配药模块、原料混合搅拌模块、加热模块、蒸馏模块、离心模块、质量检测模块、故障诊断模块；

配药模块，与原料混合搅拌模块连接，用于根据患者病情数据进行配药；

原料混合搅拌模块，与配药模块、加热模块连接，用于通过控制搅拌电机将配药原料进行混合搅拌；

加热模块，与原料混合搅拌模块、蒸馏模块连接，用于通过控制加热棒对药物进行加热；

蒸馏模块，与加热模块、离心模块连接，用于通过控制蒸馏装置内的加热棒对药物进行蒸馏操作；

离心模块，与蒸馏模块、质量检测模块连接，用于通过控制离心机对蒸馏药物进行离心获得提取物。

进一步，所述配药模块配药方法如下：

(1)配置医疗设备工作参数，通过医疗设备采集当前病患者病情诊断数据，将数据预处理后，传输给配药服务器；所述数据预处理是将病情诊断数据归档，整理成有结构化的数据；所述结构化的数据依据病患者姓名、性别、年龄、病史情况、体测数据、病因、治疗数据、药物使用情况、持续时间和现状进行分类记录和归档；

(2)配药服务器采用基于深度学习的智能配药制药算法输出不同病患者所需药品的药量的配比表；

(3)配药服务器定期通过医疗设备实时对病患者采集数据预处理后的病情诊断数据，采用本发明提出的一种基于深度学习的智能配药制药算法对病患者的所需药品的药量配比进行变更，并将变更后的药量配比表传输给病患者或者医生。

进一步，所述基于深度学习的智能配药制药算法包括以下步骤：

步骤B1：随机分别初始化Actor网络和Critic网络的参数w和θ；

步骤B2：判断当前时刻t是否小于预设的迭代周期T，若是，则转步骤B3，否则转步骤B10；

步骤B3：初始化状态集S，经过数据预处理后，得到其特征向量φ(S)；

步骤B4：Actor网络用φ(S)作为数据输入，输出当前时刻相应的行为集A，基于行为集A得到下一时刻状态S′和Critic网络的立即奖赏R；

步骤B5：Critic网络分别使用φ(S)，φ(S′)作为数据输入，得到输出的当前状态的总累计奖赏V(S)和后续状态的总累计奖赏V(S′)，其中，依据式(1)和式(2)分别计算V(S)和V(S’)：

V(S′)＝R(t)+βV[S′，argmaX_AV(S′，A′)丨w丨θ] (2)

其中，R(t)表示t时刻的即刻奖赏，β表示折扣因子，A′表示下一时刻的行为，St和At分别表示t时刻的状态和行为；

步骤B6：Critic网络从回放缓存池中随机抽取D个样本，根据式(3)计算误差函数δ：

δ＝R(t)+aV(S′)-V(s) (3)

其中，α表示更新率，其范围为[0，1]；

步骤B7：Critic网络根据式(4)作为损失函数L(w)，根据式(5)计算损失函数的梯度，根据式(6)更新Critic网络参数w，用于对Critic网络参数的梯度更新：

其中，k表示样本计数的统计变量，γ表示学习步长，表示学习的速率，其范围是[0，1]；

步骤B8：根据式(7)更新Actor的网络参数θ：

其中，为学习步长，即学习率，范围为[0，1]；π表示Actor网络在状态S下，采取行为A所依据的策略，/>表示关于参数θ的梯度；

步骤B9：输出Actor网络的策略集π；

步骤B10：中止循环。

进一步，所述配药服务器是能够运行基于深度学习的智能配药制药算法的APP和硬件设备，所述的APP是一种应用程序，执行与硬件设备上的应用软件，所述的硬件设备指计算机或者手机所包括的硬件设备。

进一步，所述药量配比表至少包括以下两项：药物名称和所需药量。

进一步，所述故障诊断模块诊断方法如下：

1)通过噪声检测器获取制药提取设备运行过程中的噪声数据；将所述噪声数据输入故障识别模型进行制药提取设备故障识别；

2)将识别结果作为所述制药提取设备的故障信息。

进一步，所述在将所述噪声数据输入故障识别模型进行制药提取设备故障识别之前，所述方法还包括：

按照以下步骤训练得到所述故障识别模型：

获取一组噪声数据样本，其中，所述一组噪声数据样本已进行故障类型标定；

将所述一组噪声数据样本分解至多个频域区间，并获取所述一组噪声数据样本在所述多个频域区间中各个频域区间的能量值；

求取所述各个频域区间的能量值与该组噪声数据样本的总能量值的比值；

将所述各个频域区间的能量值与该组噪声数据样本的总能量值的比值，按照频域区间进行顺序排序；

将排序后的结果确定为所述一组噪声数据样本对应的能量特征向量；

将所述一组噪声数据样本对应的能量特征向量和预先为所述一组噪声数据样本标定的故障类型，作为一个训练样本对所述故障识别模型进行训练。

进一步，所述将所述一组噪声数据样本分解至多个频域区间，包括：

通过小波变换将所述一组噪声数据样本分解至多个频域区间。

进一步，所述将所述噪声数据输入故障识别模型进行制药提取设备故障识别，包括：

从所述噪声数据中提取能量特征向量；

将提取的能量特征向量作为所述故障识别模型的输入数据，输入所述故障识别模型中进行制药提取设备故障识别。

进一步，所述获取制药提取设备运行过程的噪声数据，包括：

通过网络从所述制药提取设备上安装的声音采集装置实时获取所述制药提取设备运行过程中的噪声数据。

结合上述的技术方案和解决的技术问题，请从以下几方面分析本发明所要保护的技术方案所具备的优点及积极效果为：

第一、针对上述现有技术存在的技术问题以及解决该问题的难度，紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等，详细、深刻地分析本发明技术方案如何解决的技术问题，解决问题之后带来的一些具备创造性的技术效果。具体描述如下：

本发明通过配药模块对医疗设备端所采集的病患者病情诊断数据进行数据预处理，将处理后的数据传输给配药服务器，配药服务器采用基于深度学习的智能配药制药算法进行训练学习，经过训练的网络模型，用于对后续时刻未知的数据采用精准化分析，输出不同病患者所需药品的药量的配比表，配药服务器定期接收预处理后的病患者数据，及时跟踪和调整病患者所需药品的药量的配比表，从而对病患者实现差异化和定制化的药品配置服务；同时，通过故障诊断模块根据噪声数据可以实现对制药提取设备故障状态的有效判断，且噪声数据可以在制药提取设备运行中获得，无需停机检测等，因此可以有效解决现有技术中无法实时有效判断制药提取设备故障的技术问题，达到了有效及时准确确定制药提取设备故障的技术效果。

第二，把技术方案看做一个整体或者从产品的角度，本发明所要保护的技术方案具备的技术效果和优点，具体描述如下：

本发明通过配药模块对医疗设备端所采集的病患者病情诊断数据进行数据预处理，将处理后的数据传输给配药服务器，配药服务器采用基于深度学习的智能配药制药算法进行训练学习，经过训练的网络模型，用于对后续时刻未知的数据采用精准化分析，输出不同病患者所需药品的药量的配比表，配药服务器定期接收预处理后的病患者数据，及时跟踪和调整病患者所需药品的药量的配比表，从而对病患者实现差异化和定制化的药品配置服务；同时，通过故障诊断模块根据噪声数据可以实现对制药提取设备故障状态的有效判断，且噪声数据可以在制药提取设备运行中获得，无需停机检测等，因此可以有效解决现有技术中无法实时有效判断制药提取设备故障的技术问题，达到了有效及时准确确定制药提取设备故障的技术效果。

附图说明

图1是本发明实施例提供的化工制药用提取设备结构示意图；

图2是本发明实施例提供的配药模块配药方法流程图；

图3是本发明实施例提供的故障诊断模块诊断方法流程图；

图中：1、配药模块；2、原料混合搅拌模块；3、加热模块；4、蒸馏模块；5、离心模块；6、质量检测模块；7、故障诊断模块。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

一、解释说明实施例。为了使本领域技术人员充分了解本发明如何具体实现，该部分是对权利要求技术方案进行展开说明的解释说明实施例。

制药箱体外部固定有支撑架，所述支撑架固定在地面上，所述制药箱体底部通过过滤装置连接有蒸馏装置，所述蒸馏装置一侧连接有导管，通过导管连接提取装置，所述提取装置下端连接有离心装置，所述离心装置连接有质量检测装置和故障诊断装置；

所述制药箱体为漏斗形箱体，所述制药箱体上端固定有驱动电机，所述驱动电机线性连接嵌入式单片机，所述嵌入式单片机固定在制药箱体一侧，所述驱动电机下端连接有转轴，所述转轴表面固定有搅拌棒；

所述制药箱体内侧固定有加热棒，所述加热棒外部固定有绝缘塑料保护膜，所述加热棒线性连接嵌入式单片机，所述制药箱体底部通过螺纹连接有过滤装置，所述过滤装置内部固定有多层过滤棉，所述过滤装置底部固定有控制开关，所述控制开关通过管道连接底部的蒸馏装置；

所述蒸馏装置内部固定有加热棒和蒸馏箱，所述加热棒固定在蒸馏箱的底部，所述蒸馏箱一侧通过导管连接冷凝装置，所述冷凝装置为制冷棒，所述制冷棒固定在导管的外部；

所述制药箱体的一侧固定有离心机，所述离心机一侧固定有扬声器，所述扬声器线性连接嵌入式单片机，

所述嵌入式单片机连接有显示屏和控制按键。

如图1所示，本发明实施例提供的化工制药用提取设备包括：配药模块1、原料混合搅拌模块2、加热模块3、蒸馏模块4、离心模块5、质量检测模块6、故障诊断模块7。

配药模块1，与原料混合搅拌模块2连接，用于根据患者病情数据进行配药；

原料混合搅拌模块2，与配药模块1、加热模块3连接，用于通过搅拌器将配药原料进行混合搅拌；

加热模块3，与原料混合搅拌模块2、蒸馏模块4连接，用于通过加热器对药物进行加热；

蒸馏模块4，与加热模块3、离心模块5连接，用于通过蒸馏器对药物进行蒸馏操作；

离心模块5，与蒸馏模块4、质量检测模块6连接，用于通过离心机对蒸馏药物进行离心获得提取物；

质量检测模块6，与离心模块5、故障诊断模块7连接，用于对药物提取物质量进行检测；

故障诊断模块7，与质量检测模块6连接，用于对提取设备故障进行诊断。

本发明通过配药模块对医疗设备端所采集的病患者病情诊断数据进行数据预处理，将处理后的数据传输给配药服务器，配药服务器采用基于深度学习的智能配药制药算法进行训练学习，经过训练的网络模型，用于对后续时刻未知的数据采用精准化分析，输出不同病患者所需药品的药量的配比表，配药服务器定期接收预处理后的病患者数据，及时跟踪和调整病患者所需药品的药量的配比表，从而对病患者实现差异化和定制化的药品配置服务；同时，通过故障诊断模块根据噪声数据可以实现对制药提取设备故障状态的有效判断，且噪声数据可以在制药提取设备运行中获得，无需停机检测等，因此可以有效解决现有技术中无法实时有效判断制药提取设备故障的技术问题，达到了有效及时准确确定制药提取设备故障的技术效果。

如图2所示，本发明提供的配药模块1配药方法如下：

S201：配置医疗设备工作参数，通过医疗设备采集当前病患者病情诊断数据，将数据预处理后，传输给配药服务器；

具体为，数据预处理是将病情诊断数据归档，整理成有结构化的数据；所述结构化的数据依据病患者姓名、性别、年龄、病史情况、体测数据、病因、治疗数据、药物使用情况、持续时间和现状进行分类记录和归档；

S202:配药服务器采用基于深度学习的智能配药制药算法输出不同病患者所需药品的药量的配比表；

S203:配药服务器定期通过医疗设备实时对病患者采集数据预处理后的病情诊断数据，

具体为采用本发明提出的一种基于深度学习的智能配药制药算法对病患者的所需药品的药量配比进行变更，并将变更后的药量配比表传输给病患者或者医生。

本发明通过配药模块对医疗设备端所采集的病患者病情诊断数据进行数据预处理，将处理后的数据传输给配药服务器，配药服务器采用基于深度学习的智能配药制药算法进行训练学习，经过训练的网络模型，用于对后续时刻未知的数据采用精准化分析，输出不同病患者所需药品的药量的配比表，配药服务器定期接收预处理后的病患者数据，及时跟踪和调整病患者所需药品的药量的配比表，从而对病患者实现差异化和定制化的药品配置服务。

本发明提供的基于深度学习的智能配药制药算法包括以下步骤：

步骤B1：随机分别初始化Actor网络和Critic网络的参数w和θ；

步骤B2：判断当前时刻t是否小于预设的迭代周期T，若是，则转步骤B3，否则转步骤B10；

步骤B3：初始化状态集S，经过数据预处理后，得到其特征向量φ(S)；

步骤B4：Actor网络用φ(S)作为数据输入，输出当前时刻相应的行为集A，基于行为集A得到下一时刻状态S′和Critic网络的立即奖赏R；

步骤B5：Critic网络分别使用φ(S)，φ(S′)作为数据输入，得到输出的当前状态的总累计奖赏V(S)和后续状态的总累计奖赏V(S′)，其中，依据式(1)和式(2)分别计算V(S)和V(S’)：

V(S′)＝R(t)+βV[S′，argmaX_AV(S′，A′)丨w丨θ] (2)

其中，R(t)表示t时刻的即刻奖赏，β表示折扣因子，A′表示下一时刻的行为，St和At分别表示t时刻的状态和行为；

步骤B6：Critic网络从回放缓存池中随机抽取D个样本，根据式(3)计算误差函数δ：

δ＝R(t)+αV(S′)-V(S) (3)

其中，α表示更新率，其范围为[0，1]；

步骤B7：Critic网络根据式(4)作为损失函数L(w)，根据式(5)计算损失函数的梯度，根据式(6)更新Critic网络参数w，用于对Critic网络参数的梯度更新：

其中，k表示样本计数的统计变量，γ表示学习步长，表示学习的速率，其范围是[0，1]；

步骤B8：根据式(7)更新Actor的网络参数θ：

其中，为学习步长，即学习率，范围为[0，1]；π表示Actor网络在状态S下，采取行为A所依据的策略，/>表示关于参数θ的梯度；

步骤B9：输出Actor网络的策略集π；

步骤B10：中止循环。

本发明提供的配药服务器是能够运行基于深度学习的智能配药制药算法的APP和硬件设备，所述的APP是一种应用程序，执行与硬件设备上的应用软件，所述的硬件设备指计算机或者手机所包括的硬件设备。

本发明提供的药量配比表至少包括以下两项：药物名称和所需药量。

如图3所示，本发明提供的故障诊断模块7诊断方法如下：

S301，通过噪声检测器获取制药提取设备运行过程中的噪声数据；将所述噪声数据输入故障识别模型进行制药提取设备故障识别；

S302，将识别结果作为所述制药提取设备的故障信息。

本发明通过故障诊断模块根据噪声数据可以实现对制药提取设备故障状态的有效判断，且噪声数据可以在制药提取设备运行中获得，无需停机检测等，因此可以有效解决现有技术中无法实时有效判断制药提取设备故障的技术问题，达到了有效及时准确确定制药提取设备故障的技术效果。

本发明提供的在将所述噪声数据输入故障识别模型进行制药提取设备故障识别之前，所述方法还包括：

按照以下步骤训练得到所述故障识别模型：

获取一组噪声数据样本，其中，所述一组噪声数据样本已进行故障类型标定；

将所述一组噪声数据样本分解至多个频域区间，并获取所述一组噪声数据样本在所述多个频域区间中各个频域区间的能量值；

求取所述各个频域区间的能量值与该组噪声数据样本的总能量值的比值；

将所述各个频域区间的能量值与该组噪声数据样本的总能量值的比值，按照频域区间进行顺序排序；

将排序后的结果确定为所述一组噪声数据样本对应的能量特征向量；

将所述一组噪声数据样本对应的能量特征向量和预先为所述一组噪声数据样本标定的故障类型，作为一个训练样本对所述故障识别模型进行训练。

本发明提供的将所述一组噪声数据样本分解至多个频域区间，包括：

通过小波变换将所述一组噪声数据样本分解至多个频域区间。

本发明提供的将所述噪声数据输入故障识别模型进行制药提取设备故障识别，包括：

从所述噪声数据中提取能量特征向量；

将提取的能量特征向量作为所述故障识别模型的输入数据，输入所述故障识别模型中进行制药提取设备故障识别。

本发明提供的获取制药提取设备运行过程的噪声数据，包括：

通过网络从所述制药提取设备上安装的声音采集装置实时获取所述制药提取设备运行过程中的噪声数据。

本发明工作时，首先，通过配药模块1根据患者病情数据进行配药；通过原料混合搅拌模块2利用搅拌器将配药原料进行混合搅拌；其次，通过加热模块3利用加热器对药物进行加热；通过蒸馏模块4利用蒸馏器对药物进行蒸馏操作；通过离心模块5利用离心机对蒸馏药物进行离心获得提取物；然后，通过质量检测模块6对药物提取物质量进行检测；最后，通过故障诊断模块7对提取设备故障进行诊断。

二、应用实施例。为了证明本发明的技术方案的创造性和技术价值，该部分是对权利要求技术方案进行具体产品上或相关技术上的应用实施例。

本发明实施例一种化工制药用提取设备，应用在化工药物的蒸馏提纯中。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (9)

1.一种化工制药用提取设备，其特征在于，所述化工制药用提取设备设置有：

制药箱体；

所述制药箱体外部固定有支撑架，所述支撑架固定在地面上，所述制药箱体底部通过过滤装置连接有蒸馏装置，所述蒸馏装置一侧连接有导管，通过导管连接提取装置，所述提取装置下端连接有离心装置，所述离心装置连接有质量检测装置和故障诊断装置；

所述制药箱体为漏斗形箱体，所述制药箱体上端固定有驱动电机，所述驱动电机线性连接嵌入式单片机，所述嵌入式单片机固定在制药箱体一侧，所述驱动电机下端连接有转轴，所述转轴表面固定有搅拌棒；

所述制药箱体内侧固定有加热棒，所述加热棒外部固定有绝缘塑料保护膜，所述加热棒线性连接嵌入式单片机，所述制药箱体底部通过螺纹连接有过滤装置，所述过滤装置内部固定有多层过滤棉，所述过滤装置底部固定有控制开关，所述控制开关通过管道连接底部的蒸馏装置；

所述蒸馏装置内部固定有加热棒和蒸馏箱，所述加热棒固定在蒸馏箱的底部，所述蒸馏箱一侧通过导管连接冷凝装置，所述冷凝装置为制冷棒，所述制冷棒固定在导管的外部；

所述制药箱体的一侧固定有离心机，所述离心机一侧固定有扬声器，所述扬声器线性连接嵌入式单片机，

所述嵌入式单片机连接有显示屏和控制按键；

所述嵌入式单片机设有配药模块、原料混合搅拌模块、加热模块、蒸馏模块、离心模块、质量检测模块、故障诊断模块；

配药模块，与原料混合搅拌模块连接，用于根据患者病情数据进行配药；

所述配药模块配药方法如下：

(1)配置医疗设备工作参数，通过医疗设备采集当前病患者病情诊断数据，将数据预处理后，传输给配药服务器；所述数据预处理是将病情诊断数据归档，整理成有结构化的数据；所述结构化的数据依据病患者姓名、性别、年龄、病史情况、体测数据、病因、治疗数据、药物使用情况、持续时间和现状进行分类记录和归档；

(2)配药服务器采用基于深度学习的智能配药制药算法输出不同病患者所需药品的药量的配比表；

(3)配药服务器定期通过医疗设备实时对病患者采集数据预处理后的病情诊断数据，采用基于深度学习的智能配药制药算法对病患者的所需药品的药量配比进行变更，并将变更后的药量配比表传输给病患者或者医生；

原料混合搅拌模块，与配药模块、加热模块连接，用于通过控制搅拌电机将配药原料进行混合搅拌；

加热模块，与原料混合搅拌模块、蒸馏模块连接，用于通过控制加热棒对药物进行加热；

蒸馏模块，与加热模块、离心模块连接，用于通过控制蒸馏装置内的加热棒对药物进行蒸馏操作；

离心模块，与蒸馏模块、质量检测模块连接，用于通过控制离心机对蒸馏药物进行离心获得提取物。

2.如权利要求1所述化工制药用提取设备，其特征在于，所述基于深度学习的智能配药制药算法包括以下步骤：

步骤B1：随机分别初始化Actor网络和Critic网络的参数w和θ；

步骤B2：判断当前时刻t是否小于预设的迭代周期T，若是，则转步骤B3，否则转步骤B10；

步骤B3：初始化状态集S，经过数据预处理后，得到其特征向量φ(S)；

步骤B4：Actor网络用φ(S)作为数据输入，输出当前时刻相应的行为集A，基于行为集A得到下一时刻状态S′和Critic网络的立即奖赏R；

步骤B5：Critic网络分别使用φ(S)，φ(S′)作为数据输入，得到输出的当前状态的总累计奖赏V(S)和后续状态的总累计奖赏V(S′)，其中，依据式(1)和式(2)分别计算V(S)和V(S’)：

V(S′)＝R(t)+βV[S′，argmaX_AV(S′，A′)/w/θ] (2)

其中，R(t)表示t时刻的即刻奖赏，β表示折扣因子，A′表示下一时刻的行为，St和At分别表示t时刻的状态和行为；

步骤B6：Critic网络从回放缓存池中随机抽取D个样本，根据式(3)计算误差函数δ：

δ＝R(t)+aV(S′)-V(s) (3)

其中，α表示更新率，其范围为[0，1]；

步骤B7：Critic网络根据式(4)作为损失函数L(w)，根据式(5)计算损失函数的梯度，根据式(6)更新Critic网络参数w，用于对Critic网络参数的梯度更新：

其中，k表示样本计数的统计变量，γ表示学习步长，表示学习的速率，其范围是[0，1]；

步骤B8：根据式(7)更新Actor的网络参数θ：

其中，为学习步长，即学习率，范围为[0，1]；π表示Actor网络在状态S下，采取行为A所依据的策略，/>表示关于参数θ的梯度；

步骤B9：输出Actor网络的策略集π；

步骤B10：中止循环。

3.如权利要求1所述化工制药用提取设备，其特征在于，所述配药服务器是能够运行基于深度学习的智能配药制药算法的APP和硬件设备，所述的APP是一种应用程序，执行与硬件设备上的应用软件，所述的硬件设备指计算机或者手机所包括的硬件设备。

4.如权利要求1所述化工制药用提取设备，其特征在于，所述药量配比表至少包括以下两项：药物名称和所需药量。

5.如权利要求1所述化工制药用提取设备，其特征在于，所述故障诊断模块诊断方法如下：

1)通过噪声检测器获取制药提取设备运行过程中的噪声数据；将所述噪声数据输入故障识别模型进行制药提取设备故障识别；

2)将识别结果作为所述制药提取设备的故障信息。

6.如权利要求5所述化工制药用提取设备，其特征在于，所述在将所述噪声数据输入故障识别模型进行制药提取设备故障识别之前，所述方法还包括：

按照以下步骤训练得到所述故障识别模型：

获取一组噪声数据样本，其中，所述一组噪声数据样本已进行故障类型标定；

将所述一组噪声数据样本分解至多个频域区间，并获取所述一组噪声数据样本在所述多个频域区间中各个频域区间的能量值；

求取所述各个频域区间的能量值与该组噪声数据样本的总能量值的比值；

将所述各个频域区间的能量值与该组噪声数据样本的总能量值的比值，按照频域区间进行顺序排序；

将排序后的结果确定为所述一组噪声数据样本对应的能量特征向量；

将所述一组噪声数据样本对应的能量特征向量和预先为所述一组噪声数据样本标定的故障类型，作为一个训练样本对所述故障识别模型进行训练。

7.如权利要求6所述化工制药用提取设备，其特征在于，所述将所述一组噪声数据样本分解至多个频域区间，包括：

通过小波变换将所述一组噪声数据样本分解至多个频域区间。

8.如权利要求5所述化工制药用提取设备，其特征在于，所述将所述噪声数据输入故障识别模型进行制药提取设备故障识别，包括：

从所述噪声数据中提取能量特征向量；

将提取的能量特征向量作为所述故障识别模型的输入数据，输入所述故障识别模型中进行制药提取设备故障识别。

9.如权利要求5所述化工制药用提取设备，其特征在于，所述获取制药提取设备运行过程的噪声数据，包括：

通过网络从所述制药提取设备上安装的声音采集装置实时获取所述制药提取设备运行过程中的噪声数据。