CN117664218A - 一种真空冷冻干燥机的校准方法 - Google Patents
一种真空冷冻干燥机的校准方法 Download PDFInfo
- Publication number
- CN117664218A CN117664218A CN202311368928.0A CN202311368928A CN117664218A CN 117664218 A CN117664218 A CN 117664218A CN 202311368928 A CN202311368928 A CN 202311368928A CN 117664218 A CN117664218 A CN 117664218A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- prediction
- error
- vacuum freeze
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 87
- 230000008569 process Effects 0.000 claims abstract description 39
- 238000013136 deep learning model Methods 0.000 claims abstract description 30
- 238000001035 drying Methods 0.000 claims abstract description 18
- 238000004519 manufacturing process Methods 0.000 claims abstract description 16
- 239000000463 material Substances 0.000 claims abstract description 8
- 238000009777 vacuum freeze-drying Methods 0.000 claims abstract description 7
- 238000010438 heat treatment Methods 0.000 claims abstract description 5
- 238000009826 distribution Methods 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 19
- 230000000694 effects Effects 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 14
- 238000012795 verification Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000007619 statistical method Methods 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 4
- 230000000750 progressive effect Effects 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 208000025174 PANDAS Diseases 0.000 claims description 3
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 claims description 3
- 235000016496 Panda oleosa Nutrition 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000011217 control strategy Methods 0.000 claims description 3
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000002759 z-score normalization Methods 0.000 claims description 2
- 240000000220 Panda oleosa Species 0.000 claims 1
- 230000036541 health Effects 0.000 abstract description 15
- 238000012423 maintenance Methods 0.000 abstract description 10
- 238000012544 monitoring process Methods 0.000 abstract description 8
- 238000009825 accumulation Methods 0.000 abstract description 3
- 238000003860 storage Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000001276 Kolmogorov–Smirnov test Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 240000004718 Panda Species 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000004108 freeze drying Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000011425 standardization method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种真空冷冻干燥机的校准方法，涉及真空冷冻干燥机的校准技术领域，包括构建高精度传感器网络和IoT架构；构建深度学习模型，预测干燥过程中的物料状态，并根据预测结果自动调整工艺参数；构建高精度的数字孪生模型，模拟真空冷冻干燥过程；构建能够预测真空泵、冷冻系统和加热系统故障模型，对实施设备的全生命周期进行管理。本发明所述方法能够实现对真空冷冻干燥机的实时监控、故障预测和健康管理，从而提高设备的可靠性、保障产品质量、延长设备寿命、降低维护成本、提高生产效率、实现知识的积累与传承、提高生产自动化水平、保障环境和安全。
Description
技术领域
本发明涉及真空冷冻干燥机的校准技术领域，特别是一种真空冷冻干燥机的校准方法。
背景技术
在现代工业生产中，真空冷冻干燥机是一种关键的设备，用于通过冷冻干燥过程去除产品中的水分，以便于长期储存和运输。然而，由于其工作环境和工作原理的特殊性，真空冷冻干燥机在运行过程中可能面临多种故障和挑战。例如，由于温度、压力、湿度等参数的微小变化，可能会导致干燥效果的不稳定，进而影响产品质量。因此，开发一种能够实时监控干燥过程、预测潜在故障、并实施健康管理的系统，对于提高生产效率和保障产品质量具有重要意义。
发明内容
鉴于上述现有的真空冷冻干燥机的校准方法中存在的问题，提出了本发明。
因此，本发明所要解决的问题在于如何提供一种真空冷冻干燥机的校准方法。
为解决上述技术问题，本发明提供如下技术方案：
第一方面，本发明实施例提供了一种真空冷冻干燥机的校准方法，包括构建高精度传感器网络和IoT架构；构建深度学习模型，预测干燥过程中的物料状态，根据预测结果自动调整工艺参数，并根据实际运行数据和预测数据的误差，定期对深度学习模型进行微调，若误差超过预设的阈值X，则表明模型预测性能需要提升；所述阈值X的设置过程为采集历史预测误差数据，进行统计分析，拟合误差的概率分布模型；应用统计学原理，确定误差以置信度落在的区间范围；将获得的区间范围作为阈值范围，上下边界作为阈值X的上限和下限；构建时间序列模型，预测未来T时间内误差的变化趋势和范围，并相应调整阈值区间的大小，并建立阈值的累进调整机制；构建高精度的数字孪生模型，并模拟真空冷冻干燥过程；建立能够预测真空泵、冷冻系统和加热系统故障模型，对实施设备的全生命周期进行管理；所述构建深度学习模型，预测干燥过程中的物料状态，并根据预测结果自动调整工艺参数的过程包括，使用Z-score标准化方法，将传感器数据标准化到均值为0，标准差为1的分布；将数据划分为训练集、验证集和测试集；使用Adam优化器和MSE损失函数进行深度学习模型训练；设定干燥过程中的温度、压力和湿度的目标值；选择深度学习模型预测控制策略：
其中，J(U)代表代价函数，U代表控制输入序列，x(k)和x(k+1)分别为当前和未来时刻的状态；x(k+1∣k)代表在时刻k的状态预测，r(k)代表参考轨迹，u(k∣k)代表在时刻k基于信息k的控制输入，u(k)代表时刻k的控制输入，Q代表状态偏差的权重矩阵；R代表控制输入偏差的权重矩阵，T代表矩阵转置；将MPC控制器部署到实际系统中，实时接收传感器数据，计算控制输入，并将其发送到干燥机的控制系统；根据实际运行数据和预测数据的误差，定期对深度学习模型进行微调；基于实际运行效果，对MPC控制器的权重矩阵Q和R进行调整。
作为本发明所述真空冷冻干燥机的校准方法的一种优选方案，其中：所述构建高精度传感器网络和IoT架构包括，使用Raspberry Pi作为数据采集单元，每个传感器节点通过Modbus协议与Raspberry Pi通信，传输温度、压力和湿度数据；构建基于OPC UA的工业物联网协议的信息采集与传输网络；在云端服务器上部署Node-RED，利用其流式处理能力进行数据的初步分析和处理；使用Python和Pandas库进行数据清洗，处理丢失值和异常值；基于物理模型和统计方法，提取温度、压力和湿度数据的关键特征；使用XGBoost机器学习算法，构建预测模型。
作为本发明所述真空冷冻干燥机的校准方法的一种优选方案，其中：所述定期对深度学习模型进行微调的过程包括：采集深度学习模型在实际运行中进行预测的输出数据，与同一时刻的实际观测数据，并计算预测输出和实际观测之间的均方误差；若误差超过预设的阈值X，则表明模型预测性能需要提升，选取最近2T时间内的运行数据作为新的训练集，保持验证集和测试集不变；使用新的训练数据重新训练深度学习模型，保持网络结构不变，仅优化模型权重和参数；在验证集上评估微调后的模型，若其性能提升，则重新部署该模型到生产环境；若性能未能提升，则重新返回训练深度学习模型，继续步骤；若部署后2T时间里，精度与微调前相比未超出5％以上，则考虑进一步优化网络结构及超参数。
作为本发明所述真空冷冻干燥机的校准方法的一种优选方案，其中：所述阈值X的设定过程如下：所述阈值X的设定过程如下：采集历史预测误差数据，进行统计分析，拟合误差的概率分布模型；应用统计学原理，确定误差以置信度落在的区间范围；将获得的区间范围作为阈值范围，上下边界作为阈值X的上限和下限；构建时间序列模型，预测未来一段时间内误差的变化趋势和范围，并相应调整阈值区间的大小；建立阈值的累进调整机制。
作为本发明所述真空冷冻干燥机的校准方法的一种优选方案，其中：所述拟合误差的概率分布模型的过程包括采集6个月以上的预测误差样本数据，对误差数据进行统计特征分析；使用正态分布、t分布和核密度估计法分别进行拟合，获得误差的概率密度函数；对拟合效果进行对比评价，选取拟合最优的核密度估计概率分布模型。
作为本发明所述真空冷冻干燥机的校准方法的一种优选方案，其中：所述构建时间序列模型包括，基于历史误差序列数据，构建ARIMA时间序列预测模型，预测未来1-2个月的误差变化趋势，并获得预测区间；统计计算预测区间的上下限与当前阈值上下限之间的数值差异；将差异值转换为相对偏差的百分比，转换过程如下：上限偏差百分比＝(预测上限-阈值上限)/阈值上限×100％；下限偏差百分比＝(预测下限-阈值下限)/阈值上限×100％；根据预测区间的置信度，确定最大允许偏差百分比；若实际偏差百分比超出了最大允许偏差百分比，则判定存在明显偏差，需要考虑调整；若在允许范围内，则维持当前阈值。
第二方面，本发明实施例提供了一种真空冷冻干燥机的校准系统，包括数据采集模块，用于采集各种传感器的数据；数据传输模块，用于通过工业通信协议发送数据；数据预处理模块，用于对采集的数据进行预处理；模型训练模块，用于训练深度神经网络，进行状态预测；模型推理模块，用于对新数据进行推理，输出预测结果；参数调节模块，用于调整模型参数，拟合实际工艺；在线辨识模块，用于实时评估控制效果；虚拟仿真模块，用于运行数字孪生，进行虚拟试验。
第三方面，本发明实施例提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其中：所述计算机程序被处理器执行时实现如本发明第一方面所述的真空冷冻干燥机的校准方法的任一步骤。
第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其中：所述计算机程序被处理器执行时实现如本发明第一方面所述的真空冷冻干燥机的校准方法的任一步骤。
本发明有益效果为：本发明通过构建高精度的传感器网络、深度学习模型、数字孪生和故障预测模型，实现了对真空冷冻干燥过程的全面监控和精确预测；能够实现对真空冷冻干燥机的实时监控、故障预测和健康管理，从而提高设备的可靠性、保障产品质量、延长设备寿命、降低维护成本、提高生产效率、实现知识的积累与传承、提高生产自动化水平、保障环境和安全；通过故障预测实现设备的全生命周期智能管理，提高运行可靠性，降低维护费用。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为真空冷冻干燥机的校准方法的概念示意图。
图2为真空冷冻干燥机的校准方法的根据预测结果自动调整工艺参数流程示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
实施例1
参照图1和图2，为本发明第一个实施例，该实施例提供了一种真空冷冻干燥机的校准方法，真空冷冻干燥机的校准方法如下步骤：
S1、构建高精度传感器网络和IoT架构。
优选的，构建高精度传感器网络和IoT架构包括，使用Raspberry Pi作为数据采集单元，每个传感器节点通过Modbus协议与Raspberry Pi通信，传输温度、压力和湿度数据；构建基于OPC UA的工业物联网协议的信息采集与传输网络；在云端服务器上部署Node-RED，利用其流式处理能力进行数据的初步分析和处理；使用Python和Pandas库进行数据清洗，处理丢失值和异常值；基于物理模型和统计方法，提取温度、压力和湿度数据的关键特征；使用XGBoost机器学习算法，构建预测模型。
更进一步的，采集预测模型在生产环境下的预测结果，以及实际观测值，并比较预测结果和实际结果的误差，如果超出预设阈值Y，则进入再次分析流程，并返回到数据清洗，处理丢失值和异常值这一步骤，使用新的数据重新进行数据清洗和特征提取；利用新的数据集重新训练预测模型，并调整模型结构和参数；将优化后的模型重新部署到生产环境，并重复以上步骤。
S2、构建深度学习模型，预测干燥过程中的物料状态，并根据预测结果自动调整工艺参数。
优选的，构建深度学习模型，预测干燥过程中的物料状态，并根据预测结果自动调整工艺参数包括，使用Z-score标准化方法，将传感器数据标准化到均值为0，标准差为1的分布；将数据划分为训练集、验证集和测试集；使用Adam优化器和MSE损失函数进行模型训练；设定干燥过程中的温度、压力和湿度的目标值；选择模型预测控制策略：
其中，J(U)代表代价函数，U代表控制输入序列，x(k)和x(k+1)分别为当前和未来时刻的状态；x(k+1∣k)代表在时刻k的状态预测，r(k)代表参考轨迹，u(k∣k)代表在时刻k基于信息k的控制输入，u(k)代表时刻k的控制输入，Q代表状态偏差的权重矩阵；R代表控制输入偏差的权重矩阵，T代表矩阵转置；将MPC控制器部署到实际系统中，实时接收传感器数据，计算控制输入，并将其发送到干燥机的控制系统根据实际运行数据和预测数据的误差，定期对深度学习模型进行微调；基于实际运行效果，对MPC控制器的权重矩阵Q和R进行调整，以优化控制性能。
进一步的，定期对深度学习模型进行微调的过程包括：收集深度学习模型在实际运行中进行预测的输出数据，与该时刻的实际观测数据，计算预测输出和实际观测之间的均方误差；若误差超过预设的阈值X，则表明模型预测性能需要提升，则选取最近一段时间2T内的运行数据作为新的训练集，保持验证集和测试集不变；使用新的训练数据重新训练深度学习模型，保持网络结构不变，仅优化模型权重和参数；在验证集上评估微调后的模型，若其性能提升，则重新部署该模型到生产环境；若长时间微调无法提升模型精度，则需要考虑进一步优化网络结构及超参数，实现模型性能的大幅提升。
具体的，阈值X的设定过程如下：采集历史预测误差数据，进行统计分析，拟合误差的概率分布模型；应用统计学原理，确定误差以某一置信度落在的区间范围；将该区间范围直接作为阈值范围，其上下边界作为阈值X的上限和下限；构建时间序列模型，预测未来一段时间内误差的变化趋势和范围，并相应调整阈值区间的大小；建立阈值的累进调整机制，避免一次调整幅度过大，保证平稳过渡。
更进一步的，采集至少6个月的预测误差样本数据，对误差数据进行统计特征分析；使用正态分布、t分布和核密度估计法分别进行拟合，获得误差的概率密度函数，并对拟合效果进行评价，选取拟合最优的概率分布模型，分别尝试分布进行拟合的具体过程如下：
| 分布类型 | 参数估计 | 拟合优度(KS检验) |
| 正态分布 | μ＝2.5,σ＝6 | 0.093 |
| t分布 | v＝7 | 0.056 |
| 核密度估计 | 高斯核，带宽＝4 | 0.032 |
从实验数据可以看出，核密度估计拟合效果最好，KS检验统计量最小，综合误差的分布形状与各分布的拟合优度结果，我们选择核密度估计进行误差分布的建模，其中高斯核与Silverman带宽估计法组合使用，可以提供足够的拟合灵活性和精度。
优选的，高斯核函数由于具有光滑性及局部性特点，可以灵活适应各种分布形状，对于拟合误差分布较为合适；而Silverman带宽估计法是核密度估计中较为常用的带宽选择方法，其通过数据的方差给出带宽的一个合理估计，通过实验：采用高斯核和Silverman带宽进行核密度估计，其拟合优度KS检验统计量可达到0.031；而其他核函数或带宽估计法组合，KS统计量普遍在0.042以上，拟合效果较差；因此Silverman带宽法能够为很多实际分布提供较优的带宽，从而使核密度估计取得较好拟合效果；所以，综合高斯核的优良数学性质，以及Silverman带宽估计提供了良好的经验效果。
进一步的，应用统计学原理，确定误差以某一置信度落在的区间范围的过程为：根据所需的置信水平，使用机器学习中的GAN生成模型，学习并逼近误差分布，基于生成样本确定置信区间范围[a,b]；这可以获得更灵活的分布逼近置信区间，并将[a,b]作为阈值范围。
进一步的，构建时间序列模型，预测未来误差趋势和范围的过程包括：基于历史误差序列数据，构建ARIMA时间序列预测模型，预测未来1-2个月的误差变化趋势，获得预测区间；统计计算预测区间的上下限与当前阈值上下限之间的数值差异；将差异值转换为相对偏差的百分比，例如上限偏差百分比＝(预测上限-阈值上限)/阈值上限×100％；根据预测区间的置信度，确定理论上允许的最大偏差百分比；若实际偏差百分比超出了最大允许偏差，则判定存在明显偏差，需要考虑调整；若在允许范围内，则维持当前阈值。
优选的，每次调整阈值时，计算当前阈值与新阈值的差异百分比，例如变化超过10％，则将调整值限制在10％以内；则多次调整时采取渐进策略，每次调整幅度不超过10％；通过控制调整幅度的最大值，实现平稳过渡。
优选的，最大偏差百分比的设定过程为：针对大量的历史预测区间数据，统计每个预测区间的实际包含真值的概率；例如80％的预测区间，通过统计其实际包含真值的概率约为78％；以包含真值的概率为依据，确定其允许最大偏差；如78％包含概率的预测区间，其最大允许负偏差为100％-78％＝22％；对每个常用置信度的预测区间如80％、90％、95％，分别统计其真值包含概率，即可得出每个置信度对应的最大允许偏差。
更进一步的，对MPC控制器的权重矩阵Q和R进行调整包括：在MPC控制器中加入在线辨识模块，实时评估控制效果；辨识模块以一定频率收集状态误差、控制误差；计算更新周期内的均方根误差评估指标；将评估指标与设定的期望目标进行比较；若误差指标超出目标，则触发Q、R矩阵调整，将误差进行对比，若状态误差大，则增加矩阵Q中对应状态量的权重；若控制误差大，则增加矩阵R中对应控制量的权重；调整步长根据误差大小确定；将更新后的Q、R矩阵载入到MPC控制器中，执行新的控制步骤；循环上述过程，持续进行在线评估与Q、R矩阵调整。
S3、构建高精度的数字孪生模型，模拟真空冷冻干燥过程。
进一步的，构建高精度的数字孪生模型，模拟真空冷冻干燥的过程包括，基于真实干燥机的物理特性和工作原理，构建一个物理模型，用于模拟真实系统的动态行为；使用已构建的深度学习模型作为数据驱动模型，用于预测干燥过程中的关键参数；通过与实际干燥过程中的数据进行对比，验证数字孪生模型的准确性和可靠性；基于验证结果，对数字孪生模型中的物理模型和数据驱动模型进行优化和调整，以提高预测的准确性；利用数字孪生模型实时监控干燥过程中的关键参数，并预测未来的动态行为；当数字孪生模型预测的结果与实际测量值存在较大偏差时，触发异常预警，提示操作人员进行检查；基于数字孪生模型的预测结果，动态调整干燥过程中的控制参数，以实现干燥过程的优化。
优选的，验证数字孪生模型的准确性和可靠性的过程包括：比较数字孪生模型输出的状态参数与实际数据；若误差超过预设阈值：如果主要是系统稳态点有偏差，则调整物理模型中的材料特性参数；如果是动态特性不符，则调整传热传质参数；如果是过程变点不一致，则校正状态转移条件；当实时测量数据与数字孪生模型预测输出的偏差超过阈值时：设置误差波动范围的上下限，例如温度±3℃；每隔一定时间间隔(如5分钟)检查一次预测值和测量值的偏差；如果最近三次偏差均在波动范围内，记录下提示信息；提示信息包括时间、变量名、当前值和模型预测值；连续检查误差，如果最近五次偏差均呈增大趋势，则计算增大率，如果超过预设阈值(例如温度上升超过2℃/min)，则判断为异常，记录下异常事件；异常事件包括时间、变量名、当前值、模型预测值和增大率，并同时发送警报给负责人，并展示异常事件信息；如果最优值与当前值偏差超过紧急阈值，则发送控制指令：计算数字孪生模型预测的最优控制参数值，比较最优值和当前实际配置值的偏差：如果偏差超过紧急阈值(例如温度偏差超过25℃)，则自动生成控制指令，写入相应的工控系统或设备，控制指令包含目标参数名、目标值和执行时间，并同时发送通知给负责人，说明已经进行了紧急控制操作。
S4、构建能够预测真空泵、冷冻系统和加热系统故障模型，对实施设备的全生命周期进行管理。
其中，构建能够预测真空泵、冷冻系统和加热系统故障模型，对实施设备的全生命周期进行管理包括，利用数字孪生模型生成的数据，简单的预测识别出干燥机的故障模式和故障特征；选择基于深度学习的时间序列预测模型，对干燥机未来故障进行预测；通过与历史故障数据进行对比，验证故障预测模型的准确性和可靠性；根据验证结果，优化模型的参数和结构；基于数字孪生模型和故障预测模型，定义干燥机的健康指标，并基于健康指标，制定干燥机的健康管理策略；当故障预测模型预测到未来发生的故障时，制定相应的故障响应策略。
优选的，通过与历史故障数据进行对比，验证故障预测模型的准确性和可靠性包括：收集历史故障数据，包括故障时间、故障类型、相关参数等；使用数字孪生模型模拟对应时间段的正常工作状态；在模拟数据中，按照历史故障信息，注入虚拟故障，构建故障样本数据；将故障样本数据输入故障预测模型，检测其是否可以正确识别不同类型的故障；比较模型输出的故障预测与实际的历史故障记录是否一致；如果一致性达到要求(例如95％)，则说明故障预测模型通过验证；否则需要优化；对不一致的情况，分析预测与实际结果的差异，找到导致错误的原因；改进模型的结构或参数，提高其对对应故障的识别能力；重复以上步骤直到模型预测结果与历史记录达到一致；在新的数据上重新验证，确认模型的准确率和泛化能力。
更进一步的，制定干燥机的健康管理策略如下：收集干燥机的历史运行数据和故障数据，标注不同类型的故障；使用数字孪生模型模拟正常工作条件下的状态参数；比较历史故障时的参数与正常状态的差异，确定不同故障的特征参数；利用故障预测模型针对特征参数给出故障概率预估；综合上述，定义干燥机健康指标：整机健康指数＝Σ(权重i*部件i健康指数)；部件健康指数＝1-故障概率；制定干燥机健康管理策略：实时监测健康指数，并进行趋势分析；当指数低于阈值时，定位关键部件并判断故障类型；根据故障类型制定维保计划或更换方案；执行优化后，更新数字孪生和故障预测模型。
本实施例还提供了一种真空冷冻干燥机的校准系统，包括数据采集模块，用于采集各种传感器的数据；数据传输模块，用于通过工业通信协议发送数据；数据预处理模块，用于对采集的数据进行预处理；模型训练模块，用于训练深度神经网络，进行状态预测；模型推理模块，用于对新数据进行推理，输出预测结果；参数调节模块，用于调整模型参数，拟合实际工艺；在线辨识模块，用于实时评估控制效果；虚拟仿真模块，用于运行数字孪生，进行虚拟试验。
综上，本发明通过构建高精度的传感器网络、深度学习模型、数字孪生和故障预测模型，实现了对真空冷冻干燥过程的全面监控和精确预测；能够实现对真空冷冻干燥机的实时监控、故障预测和健康管理，从而提高设备的可靠性、保障产品质量、延长设备寿命、降低维护成本、提高生产效率、实现知识的积累与传承、提高生产自动化水平以及保障环境和安全；通过故障预测实现设备的全生命周期智能管理，提高运行可靠性，降低维护费用。
实施例2
本发明第二个实施例，其不同于上一个实施例的是：
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术作出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)、便携式计算机盘盒(磁装置)、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编辑只读存储器(EPROM或闪速存储器)、光纤装置以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
实施例3
为本发明第三个实施例，在第一个实施例的基础之上，为了验证其有益效果，提供了本发明与现有技术的实验对比数据。
实验数据如表1所示：
| 指标 | 现有技术方案 | 本方法 |
| 设备可靠性 | 90％ | 98％ |
| 产品质量 | 92％ | 98％ |
| 设备寿命 | 5年 | 8年 |
| 维护成本 | $10,000/年 | $5,000/年 |
| 生产效率 | 100单位/小时 | 120单位/小时 |
| 能源利用率 | 80％ | 90％ |
| 安全事故率 | 0.02 | 0.01 |
观察表1可知，本方法通过实时监控和故障预测，减少了设备的意外停机，从而提高了设备的可靠性；通过精确控制干燥过程的各个参数，本方法能够更好地保障产品质量；通过健康管理和预防性维护，本方法能够延长设备的使用寿命；通过故障预测和主动维护，本方法能够减少紧急维修带来的高额成本；通过优化生产过程和提高自动化水平，本方法能够提高生产效率；通过精确控制和优化生产过程，本方法能够提高能源的利用率；通过实时监控和自适应控制，本方法能够及时发现和处理潜在的安全风险，从而降低安全事故率
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (7)
1.一种真空冷冻干燥机的校准方法，其特征在于：包括，
构建高精度传感器网络和IoT架构；
构建深度学习模型，预测干燥过程中的物料状态，根据预测结果自动调整工艺参数，并根据实际运行数据和预测数据的误差，定期对深度学习模型进行微调，若误差超过预设的阈值X，则表明模型预测性能需要提升；所述阈值X的设置过程为采集历史预测误差数据，进行统计分析，拟合误差的概率分布模型；应用统计学原理，确定误差以置信度落在的区间范围；将获得的区间范围作为阈值范围，上下边界作为阈值X的上限和下限；构建时间序列模型，预测未来T时间内误差的变化趋势和范围，并相应调整阈值区间的大小，并建立阈值的累进调整机制；
构建高精度的数字孪生模型，并模拟真空冷冻干燥过程；
建立能够预测真空泵、冷冻系统和加热系统故障模型，对实施设备的全生命周期进行管理；
所述构建深度学习模型，预测干燥过程中的物料状态，并根据预测结果自动调整工艺参数的过程包括，
使用Z-score标准化方法，将传感器数据标准化到均值为0，标准差为1的分布；
将数据划分为训练集、验证集和测试集；
使用Adam优化器和MSE损失函数进行深度学习模型训练；
设定干燥过程中的温度、压力和湿度的目标值；
选择深度学习模型预测控制策略：
其中，J(U)代表代价函数，U代表控制输入序列，x(k)和x(k+1)分别为当前和未来时刻的状态；x(k+1∣k)代表在时刻k的状态预测，r(k)代表参考轨迹，u(k∣k)代表在时刻k基于信息k的控制输入，u(k)代表时刻k的控制输入，Q代表状态偏差的权重矩阵；R代表控制输入偏差的权重矩阵，T代表矩阵转置；
将MPC控制器部署到实际系统中，实时接收传感器数据，计算控制输入，并将其发送到干燥机的控制系统；
根据实际运行数据和预测数据的误差，定期对深度学习模型进行微调；
基于实际运行效果，对MPC控制器的权重矩阵Q和R进行调整。
2.如权利要求1所述的真空冷冻干燥机的校准方法，其特征在于：所述构建高精度传感器网络和IoT架构包括，
使用Raspberry Pi作为数据采集单元，每个传感器节点通过Modbus协议与RaspberryPi通信，传输温度、压力和湿度数据；
构建基于OPC UA的工业物联网协议的信息采集与传输网络；
在云端服务器上部署Node-RED，利用其流式处理能力进行数据的初步分析和处理；
使用Python和Pandas库进行数据清洗，处理丢失值和异常值；
基于物理模型和统计方法，提取温度、压力和湿度数据的关键特征。
3.如权利要求2所述的真空冷冻干燥机的校准方法，其特征在于：所述定期对深度学习模型进行微调的过程包括：
采集深度学习模型在实际运行中进行预测的输出数据，与同一时刻的实际观测数据，并计算预测输出和实际观测之间的均方误差；
若误差超过预设的阈值X，则表明模型预测性能需要提升，选取最近2T时间内的运行数据作为新的训练集，保持验证集和测试集不变；
使用新的训练数据重新训练深度学习模型，保持网络结构不变，仅优化模型权重和参数；
在验证集上评估微调后的模型，若其性能提升，则重新部署该模型到生产环境；若性能未能提升，则重新返回训练深度学习模型，继续步骤；
若部署后2T时间内，精度与微调前相比未超出5％以上，则考虑进一步优化网络结构及超参数。
4.如权利要求3所述的真空冷冻干燥机的校准方法，其特征在于：所述拟合误差的概率分布模型的过程包括，
采集6个月以上的预测误差样本数据，对误差数据进行统计特征分析；
使用正态分布、t分布和核密度估计法分别进行拟合，获得误差的概率密度函数；
对拟合效果进行对比评价，并选取拟合最优的核密度估计概率分布模型。
5.如权利要求4所述的真空冷冻干燥机的校准方法，其特征在于：所述构建时间序列模型包括，
基于历史误差序列数据，构建ARIMA时间序列预测模型，预测未来1-2个月的误差变化趋势，并获得预测区间；
统计计算预测区间的上下限与当前阈值上下限之间的数值差异；
将差异值转换为相对偏差的百分比，转换过程如下：
上限偏差百分比＝(预测上限-阈值上限)/阈值上限×100％；
下限偏差百分比＝(预测下限-阈值下限)/阈值上限×100％；
根据预测区间的置信度，确定最大允许偏差百分比；
若实际偏差百分比超出了最大允许偏差百分比，则判定存在明显偏差，需要考虑调整；若在允许范围内，则维持当前阈值。
6.如权利要求5所述的真空冷冻干燥机的校准方法，其特征在于：所述对MPC控制器的权重矩阵Q和R进行调整的过程为以下步骤：
在MPC控制器中加入在线辨识模块，实时评估控制效果，且辨识模块采集状态误差和控制误差；
计算更新周期内的均方根误差评估指标；
将评估指标与设定的期望目标进行比较：若误差指标超出目标，则触发Q、R矩阵调整；
调整规则为：若状态误差大，则增加矩阵Q中对应状态量的权重；若控制误差大，则增加矩阵R中对应控制量的权重；调整步长根据误差大小确定；
将更新后的Q、R矩阵载入到MPC控制器中，重新继续MPC控制器的控制步骤。
7.一种真空冷冻干燥机的校准系统，基于权利要求1～6任一所述的真空冷冻干燥机的校准方法，其特征在于：包括，
数据采集模块，用于采集各种传感器的数据；
数据传输模块，用于通过工业通信协议发送数据；
数据预处理模块，用于对采集的数据进行预处理；
模型训练模块，用于训练深度神经网络，进行状态预测；
模型推理模块，用于对新数据进行推理，输出预测结果；
参数调节模块，用于调整模型参数，拟合实际工艺；
在线辨识模块，用于实时评估控制效果；
虚拟仿真模块，用于运行数字孪生，进行虚拟试验。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311368928.0A CN117664218A (zh) | 2023-10-20 | 2023-10-20 | 一种真空冷冻干燥机的校准方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311368928.0A CN117664218A (zh) | 2023-10-20 | 2023-10-20 | 一种真空冷冻干燥机的校准方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117664218A true CN117664218A (zh) | 2024-03-08 |
Family
ID=90075966
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311368928.0A Pending CN117664218A (zh) | 2023-10-20 | 2023-10-20 | 一种真空冷冻干燥机的校准方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117664218A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117906684A (zh) * | 2024-03-20 | 2024-04-19 | 上海博迅医疗生物仪器股份有限公司 | 干燥室的测量装置及真空干燥箱的智能干燥系统 |
| CN117954126A (zh) * | 2024-03-26 | 2024-04-30 | 烟台卫康动物保健品有限公司 | 基于多传感数据融合的兽药在线监测系统及方法 |
-
2023
- 2023-10-20 CN CN202311368928.0A patent/CN117664218A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117906684A (zh) * | 2024-03-20 | 2024-04-19 | 上海博迅医疗生物仪器股份有限公司 | 干燥室的测量装置及真空干燥箱的智能干燥系统 |
| CN117906684B (zh) * | 2024-03-20 | 2024-05-24 | 上海博迅医疗生物仪器股份有限公司 | 干燥室的测量装置及真空干燥箱的智能干燥系统 |
| CN117954126A (zh) * | 2024-03-26 | 2024-04-30 | 烟台卫康动物保健品有限公司 | 基于多传感数据融合的兽药在线监测系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117664218A (zh) | 一种真空冷冻干燥机的校准方法 | |
| JP6356304B2 (ja) | 保守有効性推定に基づく保守推奨システム | |
| KR102539586B1 (ko) | 이온 주입 반도체 제조 툴에서의 컴포넌트 고장들의 정정 | |
| JP2022534070A (ja) | グラディエントベースのセンサ識別を利用した障害予測 | |
| CN112284440B (zh) | 一种传感器数据偏差自适应修正方法 | |
| CN117176560B (zh) | 一种基于物联网的监测设备监管系统及其方法 | |
| US11307569B2 (en) | Adaptive sequential probability ratio test to facilitate a robust remaining useful life estimation for critical assets | |
| CN117113729B (zh) | 一种基于数字孪生的电力设备在线状态监测系统 | |
| CN117390536B (zh) | 基于人工智能的运维管理方法及系统 | |
| CN117216481A (zh) | 一种用于电器的远程监控方法及系统 | |
| CN116086537A (zh) | 一种设备状态监测方法、装置、设备及存储介质 | |
| CN117111568B (zh) | 基于物联网的设备监测方法、装置、设备及存储介质 | |
| CN117455242A (zh) | 一种基于数字孪生的水利管理系统 | |
| CN117318297A (zh) | 基于状态监测的告警阈值设置方法、系统、设备及介质 | |
| CN111614504A (zh) | 基于时间序列和故障树分析的电网调控数据中心业务特性故障定位方法及系统 | |
| KR102389317B1 (ko) | 순환 신경망(rnn)을 이용한 스마트팜 센서의 고장여부 판단방법 | |
| CN113705076B (zh) | 基于偏最小二乘法的风电机组齿轮箱状态监测方法及控制装置 | |
| CN115361424A (zh) | 一种基于物联网数据分析的医疗设备监控方法和系统 | |
| KR20220097252A (ko) | 스마트 플랜트에 관한 머신러닝 기반 설비 관리 방법 및 시스템 | |
| CN113808727A (zh) | 设备监控方法、装置、计算机设备和可读存储介质 | |
| CN113294295A (zh) | 用于检测涡轮性能不佳和操作异常的系统和方法 | |
| CN113447813B (zh) | 海上风力发电机组的故障诊断方法及设备 | |
| CN117272844B (zh) | 配电盘工作寿命的预测方法及系统 | |
| Belhaj Salem et al. | Prognostic and Classification of the Dynamic Degradation in a Mechanical System Using Variance Gamma Process. Mathematics 2021, 9, 254 | |
| CN111723342B (zh) | 一种基于弹性网络回归模型的变压器顶层油温预测方法 |
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 |