CN117111551A - 一种基于ames***的药品生产质量监控方法及*** - Google Patents
一种基于ames***的药品生产质量监控方法及*** Download PDFInfo
- Publication number
- CN117111551A CN117111551A CN202310928043.5A CN202310928043A CN117111551A CN 117111551 A CN117111551 A CN 117111551A CN 202310928043 A CN202310928043 A CN 202310928043A CN 117111551 A CN117111551 A CN 117111551A
- Authority
- CN
- China
- Prior art keywords
- medicine
- data
- node
- processing
- quality
- 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
- 239000003814 drug Substances 0.000 title claims abstract description 928
- 238000000034 method Methods 0.000 title claims abstract description 336
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 210
- 238000012544 monitoring process Methods 0.000 title claims abstract description 102
- 230000008569 process Effects 0.000 claims abstract description 292
- 238000001035 drying Methods 0.000 claims abstract description 110
- 238000000605 extraction Methods 0.000 claims abstract description 69
- 238000007905 drug manufacturing Methods 0.000 claims abstract description 30
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims description 172
- 229940079593 drug Drugs 0.000 claims description 98
- 238000001514 detection method Methods 0.000 claims description 81
- 238000001914 filtration Methods 0.000 claims description 73
- 238000000855 fermentation Methods 0.000 claims description 62
- 230000004151 fermentation Effects 0.000 claims description 56
- 238000004364 calculation method Methods 0.000 claims description 48
- 230000002159 abnormal effect Effects 0.000 claims description 47
- 230000008859 change Effects 0.000 claims description 45
- 238000007689 inspection Methods 0.000 claims description 38
- 239000002994 raw material Substances 0.000 claims description 35
- 238000004458 analytical method Methods 0.000 claims description 34
- 238000004422 calculation algorithm Methods 0.000 claims description 32
- 230000000144 pharmacologic effect Effects 0.000 claims description 28
- 238000012706 support-vector machine Methods 0.000 claims description 26
- 238000005070 sampling Methods 0.000 claims description 24
- 238000004140 cleaning Methods 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 18
- 238000005516 engineering process Methods 0.000 claims description 17
- 239000004615 ingredient Substances 0.000 claims description 15
- 238000000746 purification Methods 0.000 claims description 15
- 239000012528 membrane Substances 0.000 claims description 14
- 238000011010 flushing procedure Methods 0.000 claims description 13
- 239000007788 liquid Substances 0.000 claims description 13
- 238000000108 ultra-filtration Methods 0.000 claims description 12
- 230000000007 visual effect Effects 0.000 claims description 12
- 239000000126 substance Substances 0.000 claims description 8
- 238000007621 cluster analysis Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 7
- 238000004088 simulation Methods 0.000 claims description 7
- 230000005856 abnormality Effects 0.000 claims description 6
- 239000000825 pharmaceutical preparation Substances 0.000 claims description 6
- 229940127557 pharmaceutical product Drugs 0.000 claims description 6
- 230000003068 static effect Effects 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 5
- 238000003066 decision tree Methods 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000013079 data visualisation Methods 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- 238000013468 resource allocation Methods 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 238000007599 discharging Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000004886 process control Methods 0.000 description 2
- 230000035484 reaction time Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 206010013496 Disturbance in attention Diseases 0.000 description 1
- 230000005526 G1 to G0 transition Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 239000000084 colloidal system Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010790 dilution Methods 0.000 description 1
- 239000012895 dilution Substances 0.000 description 1
- 238000011049 filling Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 229920002521 macromolecule Polymers 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 238000013097 stability assessment Methods 0.000 description 1
- 239000013076 target substance Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32368—Quality control
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Factory Administration (AREA)
Abstract
本发明涉及药品生产智能监控技术领域,尤其涉及一种基于AMES***的药品生产质量监控方法及***。所述方法包括以下步骤:通过传感器获取药品生产工艺流程数据;对药品生产工艺数据进行数据预处理处理,从而得到标准药品生产工艺数据,其中标准药品生产工艺数据包括药品提取工艺数据,药品浓缩工艺数据和药品干燥工艺数据;根据预设的药品生产工艺流程将药品提取工艺数据、药品浓缩工艺数据和药品干燥工艺数据进行优先级排序处理,将药品提取工艺数据标记为第一药品生产工艺数据;本发明通过对药品提取、浓缩和干燥流程中的重要流程步骤分别设置节点,并利用分布式节点调度模型对节点进行动态调度和预警,以实现一种基于AMES***的药品生产质量监控方法。
Description
技术领域
本发明涉及药品生产智能监控技术领域,尤其涉及一种基于AMES***的药品生产质量监控方法及***。
背景技术
随着医疗技术和医药工业的不断发展,药品生产的规模和复杂性不断提高,对药品质量的监控也变得尤为重要,分布式监控网络是指在一个***或过程中设置多个节点,并通过网络连接这些节点,以实现分布式监控和集中管理的网络结构。在药品生产质量监控方法中,分布式监控网络起到了重要的作用。它可以将监控任务分配到不同的节点上,从而实现对不同环节或参数的实时监控。每个监控节点可以独立地采集数据、分析数据并触发相应的操作。现有的分布式监控网络在药品生产质量监控中已经有广泛应用,但仍然存在一些缺陷。一方面,节点的配置往往需要人工干预,无法自动适应不同的生产工艺和要求,另一方面,节点的数量和位置选择通常是固定的,无法根据实际情况实时调整。
发明内容
基于此,有必要提供一种基于AMES***的药品生产质量监控方法及***,以解决至少一个上述技术问题。
为实现上述目的,一种基于AMES***的药品生产质量监控方法,所述方法包括以下步骤:
步骤S1:通过传感器获取药品生产工艺流程数据;对药品生产工艺数据进行数据预处理处理,从而得到标准药品生产工艺数据,其中标准药品生产工艺数据包括药品提取工艺数据,药品浓缩工艺数据和药品干燥工艺数据;
步骤S2:根据预设的药品生产工艺流程将药品提取工艺数据、药品浓缩工艺数据和药品干燥工艺数据进行优先级排序处理,将药品提取工艺数据标记为第一药品生产工艺数据;将药品浓缩工艺数据标记为第二药品生产工艺数据;将药品干燥工艺数据标记为第三药品生产工艺数据;
步骤S3:对第一药品生产工艺数据进行制药特征提取处理,从而得到药品原料数据;基于电子SOP***对药品原料数据进行质量检测处理,生成标准药品质量数据;对标准药品质量数据进行可视化处理,生成药品质量变幅数据;根据药品质量变幅数据进行药品提取工艺节点配置,从而生成第一药品工艺节点;
步骤S4:基于聚类分析算法对第二药品生产工艺数据进行数据过滤处理,得到药品浓缩过滤数据;其中药品浓缩过滤数据包括药品温度数据和药品热敏数据;利用药品成分流失检测公式对药品温度数据和药品热敏数据进行药品药理计算处理,生成药品浓缩药理数据;根据药品浓缩药理数据进行药品浓缩工艺节点配置,从而生成第二药品工艺节点;
步骤S5:利用预设的AMES***内的实时监控模块对第三药品工艺数据进行监控,从而获取监控时间数据;根据监控时间数据对第三药品工艺数据进行动态数据捕获处理,得到药品干燥动态变化数据;根据药品干燥动态变化数据进行药品浓缩工艺节点配置,从而生成第三药品工艺节点;
步骤S6:根据节点拥塞密度检测公式对第一药品工艺节点、第二药品工艺节点和第三药品工艺节点进行拥塞密度计算,生成节点拥塞密度数据;基于节点拥塞密度数据、第一药品工艺节点、第二药品工艺节点和第三药品工艺节点利用支持向量机技术进行分布式节点调度网络模型构建,生成分布式节点调度模型;
步骤S7:利用分布式节点调度模型进行节点进行异常检测处理,当分布式节点调度模型识别到异常节点时,进行节点数量增加并触发警报;当分布式节点调度模型未识别到异常节点时,执行节点数量减少策略。
本发明通过在药品生产工艺的关键节点上安装传感器,使用数据采集***或设备收集传感器生成的数据信号,可以以数字形式进行存储,以便后续的预处理和分析,对药品生产工艺数据进行数据预处理处理,可以去除数据中的异常值、噪声和错误,确保后续分析使用的数据是准确、一致和可靠的;根据预设的药品生产工艺流程将药品提取工艺数据、药品浓缩工艺数据和药品干燥工艺数据进行优先级排序处理,可以精确定位和解决潜在的问题,提高产品质量和生产效率,资源可以更集中地分配给具有更高优先级的环节,以实现更好的控制和优化,有助于建立规范的生产流程和标准操作程序,提高生产的一致性和稳定性,减少变异性,降低生产风险,并确保产品的一致性和质量;通过制药特征提取、质量检测和可视化处理,可以更好地理解药品生产过程中的质量特征和变化趋势,从而提高药品的质量稳定性和一致性,基于药品质量变幅数据和工艺节点配置,可以实现更加智能化和数据驱动的工艺优化,确保药品在每个工艺节点上达到预期的质量要求,提高生产效率和一致性,提高生产资源利用率,降低生产成本,并为决策提供依据;通过聚类分析算法进行数据过滤,可以帮助去除异常值和噪声,提高数据的准确性和可信度,有助于保证后续计算和分析的有效性,通过对药品温度数据和药品热敏数据进行药理计算处理,可以根据已有的药理模型推断药品的成分流失情况,有助于了解药品浓缩过程中的成分变化,通过根据药品浓缩药理数据进行工艺节点配置,可以优化药品浓缩过程,确保产品质量的稳定和一致,合理的工艺节点配置能够提高生产效率、减少成本,并确保药品符合质量标准和要求,减少质量变异,并确保每次生产的药品质量达到预期标准;通过实时监控***对第三药品工艺数据进行监控,能够及时发现工艺参数的异常变化,实现及时的过程控制和调整,有助于提高生产效率、减少生产风险,并确保工艺过程的稳定性,通过对工艺数据的动态捕获和记录,可以获得干燥过程中的实时变化情况,可以了解药品在干燥过程中的动态性质,帮助分析和优化干燥过程,以提高干燥效果和产品质量;通过计算节点的拥塞密度,可以了解每个节点的工作负荷和效率,提高生产效率和资源利用率,通过构建分布式节点调度模型,可以根据节点拥塞密度数据和节点信息,进行智能化的节点调度和任务分配决策,优化工艺节点的负载均衡,提高***的整体效率,并减少任务的等待时间和处理时间;通过分布式节点调度模型的异常检测功能,可以及时发现并处理潜在的异常节点,从而提高***的可靠性和稳定性,节点数量的调整能够避免节点过载或资源浪费,使***能够更好地适应动态的工作负载,当异常节点被识别时,触发警报可使相关人员能够及时采取适当的应对措施,以快速解决问题并最小化潜在的生产中断或数据损失风险,***可以更有效地利用资源,同时降低成本并提高能源效率。因此,本发明通过对生产工艺参数的分析,实现了节点配置的自动化和动态化,可以根据实际情况自动调整节点的数量和位置,以适应不同的生产工艺和要求。
本发明还提供一种基于AMES***的药品生产质量监控***,包括,
数据处理模块,用于通过传感器获取药品生产工艺流程数据;对药品生产工艺数据进行数据预处理处理,从而得到标准药品生产工艺数据,其中标准药品生产工艺数据包括药品提取工艺数据,药品浓缩工艺数据和药品干燥工艺数据;
药品工艺优先级排序模块,用于根据预设的药品生产工艺流程将药品提取工艺数据、药品浓缩工艺数据和药品干燥工艺数据进行优先级排序处理,将药品提取工艺数据标记为第一药品生产工艺数据;将药品浓缩工艺数据标记为第二药品生产工艺数据;将药品干燥工艺数据标记为第三药品生产工艺数据;
质量检测模块,用于对第一药品生产工艺数据进行制药特征提取处理,从而得到药品原料数据;基于电子SOP***对药品原料数据进行质量检测处理,生成标准药品质量数据;对标准药品质量数据进行可视化处理,生成药品质量变幅数据;根据药品质量变幅数据进行药品提取工艺节点配置,从而生成第一药品工艺节点;
药品浓缩药理计算模块,用于基于聚类分析算法对第二药品生产工艺数据进行数据过滤处理,得到药品浓缩过滤数据;其中药品浓缩过滤数据包括药品温度数据和药品热敏数据;利用药品成分流失检测公式对药品温度数据和药品热敏数据进行药品药理计算处理,生成药品浓缩药理数据;根据药品浓缩药理数据进行药品浓缩工艺节点配置,从而生成第二药品工艺节点;
药品干燥监控模块,用于利用预设的AMES***内的实时监控模块对第三药品工艺数据进行监控,从而获取监控时间数据;根据监控时间数据对第三药品工艺数据进行动态数据捕获处理,得到药品干燥动态变化数据;根据药品干燥动态变化数据进行药品浓缩工艺节点配置,从而生成第三药品工艺节点;
网络模型构建模块,用于根据节点拥塞密度检测公式对第一药品工艺节点、第二药品工艺节点和第三药品工艺节点进行拥塞密度计算,生成节点拥塞密度数据;基于节点拥塞密度数据、第一药品工艺节点、第二药品工艺节点和第三药品工艺节点利用支持向量机技术进行分布式节点调度网络模型构建,生成分布式节点调度模型;
节点动态调度模块,用于利用分布式节点调度模型进行节点进行异常检测处理,当分布式节点调度模型识别到异常节点时,进行节点数量增加并触发警报;当分布式节点调度模型未识别到异常节点时,执行节点数量减少策略。
本发明的有益效果在于,通过传感器获取药品生产工艺流程数据,并对数据进行预处理,得到标准的药品生产工艺数据。这样可以确保后续步骤使用的数据准确、一致,并消除数据中的噪声和异常值,将药品生产工艺数据按优先级进行排序和标记,将其分为药品提取工艺数据、药品浓缩工艺数据和药品干燥工艺数据,可以明确每个工艺数据的重要性和顺序,为后续步骤提供准确的输入,对第一药品生产工艺数据进行制药特征提取处理,生成药品原料数据,然后使用电子SOP***进行质量检测和可视化处理,生成标准的药品质量数据,可以确保原料的质量符合要求,并为后续节点调度提供准确的质量数据,基于聚类分析算法对第二药品生产工艺数据进行数据过滤处理,得到药品浓缩过滤数据,应用药品成分流失检测公式进行药理计算,生成药品浓缩药理数据,有助于优化药品浓缩工艺节点的配置,提高药品的成分保留和质量稳定性,通过实时监控***对第三药品工艺数据进行监控,捕获动态变化数据,可以了解药品干燥的实时状态,并基于监控数据进行干燥工艺节点的配置,确保工艺参数和条件的及时调整和优化,根据节点拥塞密度检测公式进行拥塞密度计算,生成节点拥塞密度数据,然后利用支持向量机技术构建分布式节点调度网络模型,用于节点调度和资源分配的优化,有助于平衡节点的负载,提高工艺流程的效率和生产能力,利用分布式节点调度模型进行异常检测处理,当识别到异常节点时,增加节点数量并触发警报,当没有识别到异常节点时,进行节点数量的部署减少,有助于及时应对异常情况,确保节点调度的稳定性和可靠性。因此,本发明通过对生产工艺参数的分析,实现了节点配置的自动化和动态化,可以根据实际情况自动调整节点的数量和位置,以适应不同的生产工艺和要求。
附图说明
图1为一种基于AMES***的药品生产质量监控方法的步骤流程示意图;
图2为图1中步骤S3的详细实施步骤流程示意图;
图3为图1中步骤S4的详细实施步骤流程示意图;
图4为图1中步骤S5的详细实施步骤流程示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域所属的技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
此外,附图仅为本发明的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是,虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元,但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说,在不背离示例性实施例的范围的情况下,第一单元可以被称为第二单元,并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
为实现上述目的,请参阅图1至图4,一种基于AMES***的药品生产质量监控方法,所述方法包括以下步骤:
步骤S1:通过传感器获取药品生产工艺流程数据;对药品生产工艺数据进行数据预处理处理,从而得到标准药品生产工艺数据,其中标准药品生产工艺数据包括药品提取工艺数据,药品浓缩工艺数据和药品干燥工艺数据;
步骤S2:根据预设的药品生产工艺流程将药品提取工艺数据、药品浓缩工艺数据和药品干燥工艺数据进行优先级排序处理,将药品提取工艺数据标记为第一药品生产工艺数据;将药品浓缩工艺数据标记为第二药品生产工艺数据;将药品干燥工艺数据标记为第三药品生产工艺数据;
步骤S3:对第一药品生产工艺数据进行制药特征提取处理,从而得到药品原料数据;基于电子SOP***对药品原料数据进行质量检测处理,生成标准药品质量数据;对标准药品质量数据进行可视化处理,生成药品质量变幅数据;根据药品质量变幅数据进行药品提取工艺节点配置,从而生成第一药品工艺节点;
步骤S4:基于聚类分析算法对第二药品生产工艺数据进行数据过滤处理,得到药品浓缩过滤数据;其中药品浓缩过滤数据包括药品温度数据和药品热敏数据;利用药品成分流失检测公式对药品温度数据和药品热敏数据进行药品药理计算处理,生成药品浓缩药理数据;根据药品浓缩药理数据进行药品浓缩工艺节点配置,从而生成第二药品工艺节点;
步骤S5:利用预设的AMES***内的实时监控模块对第三药品工艺数据进行监控,从而获取监控时间数据;根据监控时间数据对第三药品工艺数据进行动态数据捕获处理,得到药品干燥动态变化数据;根据药品干燥动态变化数据进行药品浓缩工艺节点配置,从而生成第三药品工艺节点;
步骤S6:根据节点拥塞密度检测公式对第一药品工艺节点、第二药品工艺节点和第三药品工艺节点进行拥塞密度计算,生成节点拥塞密度数据;基于节点拥塞密度数据、第一药品工艺节点、第二药品工艺节点和第三药品工艺节点利用支持向量机技术进行分布式节点调度网络模型构建,生成分布式节点调度模型;
步骤S7:利用分布式节点调度模型进行节点进行异常检测处理,当分布式节点调度模型识别到异常节点时,进行节点数量增加并触发警报;当分布式节点调度模型未识别到异常节点时,执行节点数量减少策略。
本发明通过在药品生产工艺的关键节点上安装传感器,使用数据采集***或设备收集传感器生成的数据信号,可以以数字形式进行存储,以便后续的预处理和分析,对药品生产工艺数据进行数据预处理处理,可以去除数据中的异常值、噪声和错误,确保后续分析使用的数据是准确、一致和可靠的;根据预设的药品生产工艺流程将药品提取工艺数据、药品浓缩工艺数据和药品干燥工艺数据进行优先级排序处理,可以精确定位和解决潜在的问题,提高产品质量和生产效率,资源可以更集中地分配给具有更高优先级的环节,以实现更好的控制和优化,有助于建立规范的生产流程和标准操作程序,提高生产的一致性和稳定性,减少变异性,降低生产风险,并确保产品的一致性和质量;通过制药特征提取、质量检测和可视化处理,可以更好地理解药品生产过程中的质量特征和变化趋势,从而提高药品的质量稳定性和一致性,基于药品质量变幅数据和工艺节点配置,可以实现更加智能化和数据驱动的工艺优化,确保药品在每个工艺节点上达到预期的质量要求,提高生产效率和一致性,提高生产资源利用率,降低生产成本,并为决策提供依据;通过聚类分析算法进行数据过滤,可以帮助去除异常值和噪声,提高数据的准确性和可信度,有助于保证后续计算和分析的有效性,通过对药品温度数据和药品热敏数据进行药理计算处理,可以根据已有的药理模型推断药品的成分流失情况,有助于了解药品浓缩过程中的成分变化,通过根据药品浓缩药理数据进行工艺节点配置,可以优化药品浓缩过程,确保产品质量的稳定和一致,合理的工艺节点配置能够提高生产效率、减少成本,并确保药品符合质量标准和要求,减少质量变异,并确保每次生产的药品质量达到预期标准;通过实时监控***对第三药品工艺数据进行监控,能够及时发现工艺参数的异常变化,实现及时的过程控制和调整,有助于提高生产效率、减少生产风险,并确保工艺过程的稳定性,通过对工艺数据的动态捕获和记录,可以获得干燥过程中的实时变化情况,可以了解药品在干燥过程中的动态性质,帮助分析和优化干燥过程,以提高干燥效果和产品质量;通过计算节点的拥塞密度,可以了解每个节点的工作负荷和效率,提高生产效率和资源利用率,通过构建分布式节点调度模型,可以根据节点拥塞密度数据和节点信息,进行智能化的节点调度和任务分配决策,优化工艺节点的负载均衡,提高***的整体效率,并减少任务的等待时间和处理时间;通过分布式节点调度模型的异常检测功能,可以及时发现并处理潜在的异常节点,从而提高***的可靠性和稳定性,节点数量的调整能够避免节点过载或资源浪费,使***能够更好地适应动态的工作负载,当异常节点被识别时,触发警报可使相关人员能够及时采取适当的应对措施,以快速解决问题并最小化潜在的生产中断或数据损失风险,***可以更有效地利用资源,同时降低成本并提高能源效率。因此,本发明通过对生产工艺参数的分析,实现了节点配置的自动化和动态化,可以根据实际情况自动调整节点的数量和位置,以适应不同的生产工艺和要求。
本发明实施例中,参考图1所述,为本发明一种基于AMES***的药品生产质量监控方法的步骤流程示意图,在本实例中,所述一种基于AMES***的药品生产质量监控方法包括以下步骤:
步骤S1:通过传感器获取药品生产工艺流程数据;对药品生产工艺数据进行数据预处理处理,从而得到标准药品生产工艺数据,其中标准药品生产工艺数据包括药品提取工艺数据,药品浓缩工艺数据和药品干燥工艺数据;
本发明实施例中,通过选择适合的传感器来收集药品生产工艺数据。根据需要监测的参数,如温度、压力、流量等,选择合适的传感器类型,例如温度传感器、压力传感器、流量传感器等,使用传感器采集到的药品生产工艺数据,可以通过有线或无线方式传输到数据采集***,有线方式可以使用现有的通信接口,如Modbus、Ethernet等,无线方式可以使用蓝牙、Wi-Fi或其他无线传输技术,对采集到的原始数据进行预处理处理,预处理包括数据清洗、去除异常值、数据插值或平滑处理等,根据药品生产工艺的特点和要求,从标准药品生产工艺数据中提取出药品提取工艺数据、药品浓缩工艺数据和药品干燥工艺数据。
步骤S2:根据预设的药品生产工艺流程将药品提取工艺数据、药品浓缩工艺数据和药品干燥工艺数据进行优先级排序处理,将药品提取工艺数据标记为第一药品生产工艺数据;将药品浓缩工艺数据标记为第二药品生产工艺数据;将药品干燥工艺数据标记为第三药品生产工艺数据;
本发明实施例中,通过与工艺专家的讨论和参考相关工艺文档来进行确定通过与工艺专家的讨论和参考相关工艺文档来进行确定,根据确定的工艺流程,对药品提取工艺数据、药品浓缩工艺数据和药品干燥工艺数据进行优先级排序处理,药品提取工艺是整个生产工艺的起始步骤,因此应标记为第一药品生产工艺数据。接着是药品浓缩工艺数据,标记为第二药品生产工艺数据,最后是药品干燥工艺数据,标记为第三药品生产工艺数据,根据优先级排序的结果,对处理后的标准药品生产工艺数据进行标记和分类。可以使用合适的标签或指示符来标记不同的工艺数据,例如将第一药品生产工艺数据用"提取"标记,第二药品生产工艺数据用"浓缩"标记,第三药品生产工艺数据用"干燥"标记等。将经过优先级排序处理并标记的药品生产工艺数据整合到一起,并将其存储在合适的数据存储***中,如数据库或文件***。
步骤S3:对第一药品生产工艺数据进行制药特征提取处理,从而得到药品原料数据;基于电子SOP***对药品原料数据进行质量检测处理,生成标准药品质量数据;对标准药品质量数据进行可视化处理,生成药品质量变幅数据;根据药品质量变幅数据进行药品提取工艺节点配置,从而生成第一药品工艺节点;
本发明实施例中,通过对第一药品生产工艺数据进行特征提取处理,这些特征涉及药品成分、物理性质、化学性质等方面,通过基于电子SOP***进行质量检测处理,对药品原料数据进行详细检验。这可以包括物理特性测试、化学成分分析、微生物检测等内容,根据设定的质量标准和规范,将这些检测结果转化为标准药品质量数据,对标准药品质量数据进行可视化处理,使用图表、统计指标、趋势图等工具来展示质量数据的分布、变化和关联性,根据可视化处理得到的药品质量数据计算药品质量的变幅数据,包括统计参数的计算、质量指标的比较和评估等,根据药品质量变幅数据的分析结果,确定药品提取工艺的节点配置,生成第一药品工艺节点。
步骤S4:基于聚类分析算法对第二药品生产工艺数据进行数据过滤处理,得到药品浓缩过滤数据;其中药品浓缩过滤数据包括药品温度数据和药品热敏数据;利用药品成分流失检测公式对药品温度数据和药品热敏数据进行药品药理计算处理,生成药品浓缩药理数据;根据药品浓缩药理数据进行药品浓缩工艺节点配置,从而生成第二药品工艺节点;
本发明实施例中,通过从第二药品生产工艺数据中提取有用的特征。这些特征可以包括温度变化的趋势、峰值、平均值等信息,以及药品热敏性的相关特征,选择适当的聚类算法,如K-means算法或层次聚类算法,对提取的特征进行聚类分析,聚类分析可以将相似的数据点归为一类,进而找到数据的内在结构和规律,根据聚类分析的结果,对药品温度数据和药品热敏数据进行过滤处理,筛选出相对稳定和可靠的数据,例如可以根据聚类簇的均值或中心点来确定是否保留某个数据点或数据段,利用药品成分流失检测公式,对过滤后的药品温度数据和药品热敏数据进行药品药理计算处理,根据药理计算处理的结果,生成药品浓缩过程中的药理数据,包括药品的浓度变化、药物活性的变化等信息,根据药品浓缩工艺节点配置的结果,生成第二药品的工艺节点,节点包括药品的处理步骤、工艺参数和操作指导等信息。
步骤S5:利用预设的AMES***内的实时监控模块对第三药品工艺数据进行监控,从而获取监控时间数据;根据监控时间数据对第三药品工艺数据进行动态数据捕获处理,得到药品干燥动态变化数据;根据药品干燥动态变化数据进行药品浓缩工艺节点配置,从而生成第三药品工艺节点;
本发明实施例中,通过配置一个实时监控***来对第三药品的工艺数据进行实时监测和数据采集,***可以包括传感器、数据采集仪器、数据传输模块等,通过实时监控***,获取第三药品工艺数据的监控时间数据,可以包括采样时间、记录时间等信息,根据监控时间数据,对第三药品工艺数据进行动态数据捕获处理,其中处理过程包括在特定时间点获取工艺数据的数值,可以使用插值或者滤波等技术来获得数据在连续时间范围内的动态变化,利用得到的药品干燥动态变化数据,进行药品浓缩工艺节点的配置,根据制定的工艺规范和要求,确定药品浓缩过程中的关键节点和参数设置,这些节点可以包括干燥温度、干燥时间、气流速度等工艺参数,根据药品浓缩工艺节点配置的结果,生成第三药品的工艺节点。
步骤S6:根据节点拥塞密度检测公式对第一药品工艺节点、第二药品工艺节点和第三药品工艺节点进行拥塞密度计算,生成节点拥塞密度数据;基于节点拥塞密度数据、第一药品工艺节点、第二药品工艺节点和第三药品工艺节点利用支持向量机技术进行分布式节点调度网络模型构建,生成分布式节点调度模型;
本发明实施例中,通过根据预设的节点拥塞密度检测公式,对第一药品工艺节点、第二药品工艺节点和第三药品工艺节点进行拥塞密度计算,该公式可以包括节点处理时间、等待时间、资源利用率等指标,以评估节点当前的拥塞密度程度,根据节点拥塞密度计算的结果,生成节点拥塞密度数据,利用支持向量机(SupportVector Machine,SVM)技术进行分布式节点调度网络模型的构建。SVM是一种监督学***衡和任务调度优化等方面,根据模型构建的结果,生成分布式节点调度模型,模型可以包括节点调度策略、任务分配规则、资源分配方案等信息,以支持药品工艺过程中节点的分布式调度和任务优化。
步骤S7:利用分布式节点调度模型进行节点进行异常检测处理,当分布式节点调度模型识别到异常节点时,进行节点数量增加并触发警报;当分布式节点调度模型未识别到异常节点时,执行节点数量减少策略。
本发明实施例中,通过使用已构建的分布式节点调度模型,对各个节点的拥塞密度数据进行预测和比较,以检测异常节点,例如可以通过模型预测的结果与预设的阈值或标准进行比较,若某个节点的拥塞密度超过阈值或不符合设定的标准,则将其标记为异常节点,当识别到异常节点时,需要进行相应的处理措施,一种处理方式是增加节点数量,即向***中添加新的节点用于分担负载,增加节点后,***会重新进行任务分配和调度,以平衡负载并缓解异常节点的压力,在识别到异常节点并进行节点数量增加时,可以触发警报机制以通知相关人员,可以通过发送警报消息、邮件通知、手机推送等方式进行,如果分布式节点调度模型未能识别到异常节点,说明***运行正常,可以考虑进行节点数量的部署减少。
优选地,步骤S1包括以下步骤:
步骤S11:利用生产工艺管道上的传感器获取药品生产工艺流程数据;
步骤S12:对药品生产工艺流程数据进行数据清洗处理,从而生成药品生产清洗数据;
步骤S13:利用基于绝对离差中位数方法对药品生产清洗数据进行离群点异常检测处理,剔除异常数据,生成正常药品生产数据;
步骤S14:根据特征选择算法对正常药品生产数据进行特征提取处理,从而生成药品生产工艺数据;
步骤S15:利用最大-最小规范化算法对药品生产工艺数据进行规范化处理,生成标准药品生产工艺数据,其中包括药品提取工艺数据,药品浓缩工艺数据和药品干燥工艺数据。
本发明通过监测生产工艺管道上的传感器来收集药品生产过程中的数据,对原始的药品生产工艺数据进行清洗处理,可以剔除无效数据;利用基于绝对离差中位数方法对药品生产清洗数据进行离群点异常检测处理,有助于减少异常数据对后续分析和建模的影响,提高数据的可靠性;根据特征选择算法对正常药品生产数据进行特征提取处理,可以从大量的数据中提取出与问题相关的关键特征,减少数据维度和复杂度,并且减少冗余信息和数据维度,提高分析效率和准确性;利用最大-最小规范化算法对药品生产工艺数据进行规范化处理,可以将数据映射到一定的范围,确保数据的统一性和可比性。
本发明实施例中,通过选择适合于药品生产工艺的传感器,在生产工艺管道的关键位置安装传感器进行数据采集,通过与传感器连接的数据采集设备,实时获取传感器采集到的药品生产工艺流程数据,数据采集设备可以是物联网设备、数据采集卡或其他相关设备,对采集到的原始数据进行筛选,排除无效或异常数据,可以根据设定的规则和阈值,剔除数据中的异常值或噪声,如果存在重复的数据记录,可以去除其中的重复数据,检查数据中是否存在缺失值,对于缺失的数据,可以采用插值、填充均值或其他合适的方法进行处理对于缺失的数据进行填充,生成药品生产清洗数据,对清洗后的数据进行MAD计算,得到每个数据点与数据集的中位数的绝对差值,根据实际情况,确定离群点的阈值,将超过阈值的数据点标识为离群点,并进行剔除处理,以得到正常的药品生产数据,选择适合于药品生产数据的特征选择算法,如相关性分析、方差选择法、卡方检验等,用选定的特征选择算法对正常药品生产数据进行特征提取,生成药品生产工艺数据,根据工艺数据的取值范围和实际情况,确定最小值和最大值,对每个工艺数据进行最大-最小规范化处理,将原始数据映射到预定范围内的新数值,计算方式如下:
Norm_Value=(Original_Value-Min_Value)/(Max_Value-Min_Value);
从而生成标准化的药品生产工艺数据。
优选地,步骤S2包括以下步骤:
步骤S21:根据药品生产质量需求进行药品工艺流程优先级确定,从而获得工艺流程优先级阈值;
步骤S22:利用工艺流程优先值阈值对药品提取工艺数据,药品浓缩工艺数据和药品干燥工艺数据进行数据优先值排序处理,将对药品提取工艺数据标记为第一药品生产工艺数据,进行最高级优先处理;对药品浓缩工艺数据标记为第二药品生产工艺数据,进行中级优先处理;对药品干燥工艺数据标记为第三药品生产工艺数,进行低级优先处理。
本发明通过根据药品的生产质量需求,确定不同工艺流程的优先级,可以针对性地优先处理关键工艺,提高生产效率和质量;通过确定工艺流程优先级,可以合理分配资源和优先处理工艺,分配更多的资源和精力进行控制和监测,以确保生产的高质量,而对于次要工艺,可以减少资源的投入,实现资源的有效利用;将药品生产工艺数据进行优先值排序和标记,可以帮助优先处理关键工艺,增强对关键环节的控制和监测,从而降低生产过程中的质量风险,并及时采取措施进行调整和修正,通过工艺流程优先级排序处理,可以确保关键工艺得到优先处理,有效地提升生产效率和生产能力,将资源和精力集中于关键工艺,可以减少生产过程中的浪费和不必要的延误,提高药品生产的整体效率。
本发明实施例中,通过相关利益相关方(如客户、监管机构等)和专业人员进行沟通和讨论,了解药品生产的质量标准、要求和需求,根据药品生产质量需求,确定工艺流程的优先级,根据确定的工艺流程优先级,设置相应的优先级阈值,将药品提取工艺数据、药品浓缩工艺数据和药品干燥工艺数据进行整理和准备,根据设定的工艺流程优先值阈值,对每个工艺数据进行计算得到相应的数据优先值,数据优先值可以根据权重、评分、条件判断等方法来计算,根据数据优先值将药品提取工艺数据、药品浓缩工艺数据和药品干燥工艺数据进行排序,并进行标记,将优先级最高的数据标记为第一药品生产工艺数据,进行最高级优先处理;将优先级次高的数据标记为第二药品生产工艺数据,进行中级优先处理;将优先级最低的数据标记为第三药品生产工艺数据,进行低级优先处理。
优选地,步骤S3包括以下步骤:
步骤S31:利用主成分分析算法对第一药品生产工艺数据进行数据特征提取处理,得到药品原料数据;
步骤S32:将药品原料数据导入至电子SOP***中的发酵处理装置中进行药品发酵模拟处理,生成药品发酵纯度数据;
步骤S33:对药品发酵纯度数据进行随机抽样处理,生成药品发酵抽样数据;将药品发酵抽样数据与预设的标准质检数据进行成分分析处理,当药品发酵抽样数据不符合标准质检数据时,则对不符合标准质检数据的药品发酵抽样数据所对应的药品进行重新发酵处理,直至生成的药品发酵纯度数据符合标准质检数据;
步骤S34:基于箱线图对标准质检数据进行数据可视化处理,生成标准质检箱线图;对标准质检箱线图进行领域差异值计算处理,得到药品质量变幅数据;
步骤S35:根据药品质量变幅数据进行节点配置,从而生成第一药品工艺节点;
本发明通过利用主成分分析算法对第一药品生产工艺数据进行数据特征提取处理,可以提取出具有重要影响力的主成分,从而得到药品的原料数据;将药品原料数据导入至电子SOP***中的发酵处理装置中进行药品发酵模拟处理,可以更好地理解和控制药品发酵过程,提高发酵过程的稳定性和可控性;将药品发酵抽样数据与预设的标准质检数据进行成分分析处理,若发酵抽样数据不符合标准质检数据,则针对不符合标准的样品进行重新发酵处理,直到生成的药品发酵纯度数据符合标准质检数据,可以确保生成的药品发酵纯度数据符合预设的标准质检数据;通过箱线图对标准质检数据进行可视化处理,可以直观地观察到数据的分布情况和异常值。进一步,对标准质检箱线图进行领域差异值的计算处理,得到药品质量的变幅数据,可以帮助了解质量的波动范围,为后续的质量控制和调整提供依据;基于质量变幅数据进行节点配置,帮助确定工艺中的关键节点,从而优化工艺流程,提高药品生产的效率和质量稳定性。
作为本发明的一个实例,参考图2所示,在本实例中所述步骤S3包括:
步骤S31:利用主成分分析算法对第一药品生产工艺数据进行数据特征提取处理,得到药品原料数据;
本发明实施例中,通过利用均值归零化和方差归一化等算法对第一药品生产工艺数据进行标准化处理,根据标准化后的数据,计算其协方差矩阵,其中协方差矩阵描述了数据之间的线性关系,对协方差矩阵进行特征值分解,得到特征值和对应的特征向量,特征值表示数据在各个主成分方向上的方差贡献程度,而特征向量表示各个主成分的方向,根据特征值的大小,选择前k个特征值对应的特征向量作为主成分。通常选择具有较大特征值的主成分,以保留数据中最主要的信息,通过矩阵运算将第一药品生产工艺数据投影到所选择的主成分上,得到药品原料数据。
步骤S32:将药品原料数据导入至电子SOP***中的发酵处理装置中进行药品发酵模拟处理,生成药品发酵纯度数据;
本发明实施例中,通过将药品原料数据导入到电子SOP***中的发酵处理装置中,根据***要求,可以使用数据导入功能或接口,将数据以适当的格式和结构导入到***中,在电子SOP***中,根据药品原料数据和发酵模拟的要求,设置相应的发酵参数,包括温度、pH值、发酵时间等,开始发酵模拟处理过程,在电子SOP***中启动发酵处理装置,***将根据导入的药品原料数据和设置的发酵参数,模拟实际的发酵过程。该过程包括药品原料的混合、发酵反应、反应监测等,在发酵模拟处理过程中,电子SOP***将自动记录发酵过程中的关键数据,包括温度、pH值、反应时间等,整合生成药品发酵纯度数据。
步骤S33:对药品发酵纯度数据进行随机抽样处理,生成药品发酵抽样数据;将药品发酵抽样数据与预设的标准质检数据进行成分分析处理,当药品发酵抽样数据不符合标准质检数据时,则对不符合标准质检数据的药品发酵抽样数据所对应的药品进行重新发酵处理,直至生成的药品发酵纯度数据符合标准质检数据;
本发明实施例中,通过从药品发酵纯度数据中进行随机抽样,选取一定数量的样本作为药品发酵抽样数据,将药品发酵抽样数据与预设的标准质检数据进行成分分析处理,包括对样本中的化学组分、成分含量、质量规格等进行比较和分析,对于不符合标准质检数据的药品发酵抽样数据,需要对其所对应的药品进行重新发酵处理,涉及调整发酵参数、更换原料、调整发酵时间等步骤,以重新生成药品发酵纯度数据,重新发酵处理后,对生成的药品发酵纯度数据进行再次抽样和成分分析,以验证是否满足标准质检数据要求,如果符合标准,可以继续后续的处理步骤,如果仍不符合标准,可能需要进行进一步的调整和处理,如果药品发酵纯度数据仍不符合标准质检数据,可能需要进行多次迭代的重新发酵处理,直到满足质检要求为止,每次迭代过程中都需要进行抽样、成分分析和判断符合性的步骤。
步骤S34:基于箱线图对标准质检数据进行数据可视化处理,生成标准质检箱线图;对标准质检箱线图进行领域差异值计算处理,得到药品质量变幅数据;
本发明实施例中,通过将标准质检数据进行整理和统计,然后使用箱线图进行可视化处理,箱线图能够直观地展示数据的中位数、上下四分位数、异常值等统计信息,在箱线图中,箱体表示数据的中间50%范围,上下边缘表示上下四分位数,中间线表示中位数,异常值以点的形式表示,对生成的标准质检箱线图进行领域差异值的计算处理,领域差异值常用来评估数据的离散程度和变化程度,使用一种常用的领域差异值计算方法是计算箱线图上四分位数和中位数之间的距离,该距离表示了数据的变幅,基于标准质检箱线图,使用所选择的领域差异值计算方法对每个相关领域的标准质检数据进行计算,得到对应的药品质量变幅数据。
步骤S35:根据药品质量变幅数据进行节点配置,从而生成第一药品工艺节点;
本发明实施例中,通过根据药品质量变幅数据的分析结果,确定需要配置的工艺节点,艺节点是工艺流程中的具体步骤或控制点,在该步骤中可以对药品质量进行控制和调整,例如,可以考虑配置节点来控制原材料的选择和质量,处理过程的温度和压力,反应时间和速率,以及后续处理步骤等,基于确定的工艺节点,制定节点配置策略。这包括确定每个节点的位置、设置的参数和条件,以及所需的监测和控制手段,根据节点配置策略,实施工艺节点的设置和调整。这可能涉及更改原材料的供应来源,调整设备操作参数,优化反应条件,引入在线监测技术等。
优选地,步骤S4包括以下步骤:
步骤S41:基于预设的药品浓缩工艺流程对第二药品生产工艺数据进行药品物理过滤处理,从而得到药品第一过滤数据;
步骤S42:利用超滤膜技术对药品第一过滤数据进行药品化学过滤,得到药品第二过滤数据;
步骤S43:将药品第二过滤数据通过色谱柱进行药品纯化处理,得到药品纯化数据;对药品第一过滤数据、药品第二过滤数据和药品纯化数据进行数据整合处理,从而生成药品浓缩数据,其中包括药品温度数据和药品热敏数据;
步骤S44:利用药品成分流失检测公式对药品温度数据和药品热敏数据进行药品药理计算处理,生成药品浓缩药理数据;
步骤S45:根据药品浓缩药理数据进行药品浓缩工艺节点配置,从而生成第二药品工艺节点。
本发明通过基于预设的药品浓缩工艺流程对第二药品生产工艺数据进行药品物理过滤处理,从而得到药品第一过滤数据,可以去除药品中的固体颗粒、悬浮物和大分子物质,确保药品初步清洁;用超滤膜技术对药品第一过滤数据进行药品化学过滤,得到药品第二过滤数据,超滤膜可以通过分子大小排除大部分溶解在药品中的非目标物质,进一步提高药品的纯净度和质量;将药品第二过滤数据通过色谱柱进行药品纯化处理,得到药品纯化数据,可以根据不同成分的亲疏水性或电性选择性地分离和纯化药品中的化合物,使得药品更纯净、纯化度更高;利用药品成分流失检测公式对药品温度数据和药品热敏数据进行药品药理计算处理,生成药品浓缩药理数据,利用药品成分流失检测公式对药品温度数据和药品热敏数据进行药品药理计算处理,生成药品浓缩药理数据;根据药品浓缩药理数据进行药品浓缩工艺节点配置,从而生成第二药品工艺节点。根据对浓缩药理数据的分析和理解,可以设计出适合的浓缩工艺节点,确定药品在不同阶段中的处理条件和操作参数,确保药品的浓缩过程稳定和可控。
作为本发明的一个实例,参考图3所示,在本实例中所述步骤S4包括:
步骤S41:基于预设的药品浓缩工艺流程对第二药品生产工艺数据进行药品物理过滤处理,从而得到药品第一过滤数据;
本发明实施例中,通过实验室分析、设备监测以及操作记录等方式获取,第二药品生产工艺的相关数据,包括药品的组成、浓度、体积以及任何其他关键参数,根据药品浓缩工艺流程的要求,设定适当的过滤参数,例如选择合适的过滤设备、设定过滤器的孔径大小、确定过滤器的使用压力、设定过滤时间等,将药品与过滤设备接触,通过过滤设备的作用,将固体颗粒、杂质或其他不需要的成分从药品中分离出来,得到经过第一次过滤的药品,记录药品的第一过滤数据,包括过滤前后的药品浓度、体积变化以及过滤设备的操作参数等,得到药品第一过滤数据。
步骤S42:利用超滤膜技术对药品第一过滤数据进行药品化学过滤,得到药品第二过滤数据;
本发明实施例中,通过选取适当的超滤膜设备,并确保其清洁和完好无损,超滤膜设备通常由膜模块、膜支撑体、压力容器和泵等组成,将经过第一过滤的药品置于超滤膜设备中,施加适当的压力,使药品通过超滤膜,超滤膜的孔径较小,可以有效分离溶液中的高分子物质、蛋白质、胶体颗粒等,在超滤过程中,记录相关的过滤数据,包括进料流量、出料流量、过滤膜的压力、温度和观察到的药品特征等,得到药品第二过滤数据。
步骤S43:将药品第二过滤数据通过色谱柱进行药品纯化处理,得到药品纯化数据;对药品第一过滤数据、药品第二过滤数据和药品纯化数据进行数据整合处理,从而生成药品浓缩数据,其中包括药品温度数据和药品热敏数据;
本发明实施例中,通过将药品的第二过滤数据作为样品注入色谱柱控制流速和温度等条件,使药品中的目标成分与色谱柱上的固定相发生相互作用,以实现成分的分离和纯化,不同成分会在色谱柱中以不同的速率移动,从而分离纯化目标成分,在纯化过程中,记录相关的数据,包括进料流量、出料流量、检测器信号强度等,将药品的第一过滤数据、药品的第二过滤数据和药品的纯化数据进行整合处理,以生成药品的浓缩数据。
步骤S44:利用药品成分流失检测公式对药品温度数据和药品热敏数据进行药品药理计算处理,生成药品浓缩药理数据;
本发明实施例中,通过将药品温度数据和热敏数据代入药品成分流失检测公式中进行计算,通过应用药品成分流失检测公式,将药品温度数据和热敏数据进行计算处理,得到药品的浓缩药理数据,包括成分流失量、药品的活性变化、药品稳定性评估等。
步骤S45:根据药品浓缩药理数据进行药品浓缩工艺节点配置,从而生成第二药品工艺节点。
本发明实施例中,通过药品浓缩药理数据进行药品浓缩工艺节点配置,持续监控关键参数和产品质量,并根据需要进行调整和优化,从而生成第二药品工艺节点。
优选地,步骤S44中的药品成分流失检测公式具体如下:
式中,f(t)表示为时间t时刻的药品成分流失率,n表示为药品检测次数,a表示为药品的稳定系数,b表示为药品的初始成分含量,c表示为药品的成分波动系数,q表示为药品的成分衰减系数,xi表示为第i个药品的质量,y表示为药品的浓度,μ表示为药品成分流失异常处理值。
本发明构建了一种药品成分流失检测公式,用于通过药品的初始成分含量以及药品的成分波动系数以及药品的成分衰减系数进行药品成分稳定性检测,该药品成分流失检测公式可以根据对药品的浓度和药品检测次数对药品进行浓度流失计算,实现最佳的药品成分流失检测准确率,根据药品的稳定系数和第i个药品的质量来确定药品流失的质量,从而精确确定药品成分流失变化率。在实际应用中,该公式可以对药品的初始成分含量进行成分衰减检测,并通过分析药品的质量和浓度从而确定药品流失部分的质量,利用药品成分波动系数和药品的稳定系数对药品成分流失进行预防。该公式充分考虑了药品检测次数n,药品的稳定系数a,药品的初始成分含量b,药品的成分波动系数c,药品的成分衰减系数q,第i个药品的质量xi,药品的浓度y,药品成分流失异常处理值μ,根据药品的初始成分含量b与以上各参数之间的相互关系构成了一种函数关系:
通过药品的浓度与药品的成分衰减系数的相互作用关系,可以了解药品随着时间变化的浓度稀释率,保证区域数据精确的情况下进行药品成分流失计算,利用药品的稳定系数,在保证数据准确的情况下减少数据冗余,节约了算力,使计算达到快速收敛,通过药品成分流失异常处理值μ对药品成分流失检测计算进行调整,更加准确的生成时间t时刻的药品成分流失率f(t),提高了药品成分流失率检测的准确性和可靠性。同时该公式中的药品检测次数、药品成分流失异常处理值等参数可以根据实际情况进行调整,从而适应不同的药品成分流失计算场景,提高了算法的适用性和灵活性。
优选地,步骤S5包括以下步骤:
步骤S51:通过预设的时间戳进行时间间隔构建,生成标准时间戳;根据标准时间戳获取实时监控***对第三药品工艺数据的监控时间数据,其中包括药品流量数据和药品液位数据;
步骤S52:将药品流量数据导入CIP***中进行药品清洗处理,生成药品冲刷流量数据;基于药品液位数据对药品冲刷流量数据进行数据清洗判别处理,生成药品净化数据;将药品净化数据与预设的净化阈值进行对比处理,剔除小于预设的净化阈值的药品净化数据,从而得到正常药品净化数据;
步骤S53:将正常药品净化数据导入至SIP***中进行药品干燥处理,生成药品干燥数据;根据标准时间戳对药品干燥数据进行动态捕获处理,剔除药品干燥数据的静态数据,从而得到药品干燥动态变化数据;
步骤S54:根据药品干燥动态变化数据进行药品浓缩工艺节点配置,从而生成第三药品工艺节点。
本发明通过生成标准时间戳并获取实时监控***的监控时间数据,包括药品流量数据和药品液位数据,可以提供对第三药品工艺的实时了解,包括流量和液位的变化情况;将药品流量数据导入CIP***进行药品清洗处理,生成药品冲刷流量数据,通过CIP***的处理,可以确保药品在处理过程中得到有效的冲洗和清洁;根据药品液位数据对药品冲刷流量数据进行清洗判别处理,生成药品净化数据,可以去除可能由于异常液位导致的冲洗数据异常,得到准确的药品净化数据,可以去除可能由于异常液位导致的冲洗数据异常,得到准确的药品净化数据;对药品净化数据与预设的净化阈值进行对比处理,剔除小于预设阈值的药品净化数据,得到正常的药品净化数据,可以排除可能由于设备故障或异常情况下的数据干扰,提高数据的可信度和准确性;将正常的药品净化数据导入SIP***进行药品干燥处理,生成药品干燥数据,通过SIP***的处理,可以使药品中的溶剂或水分得到有效去除,实现药品干燥的目标;根据标准时间戳对药品干燥数据进行动态捕获处理,剔除药品干燥数据中的静态数据,得到药品干燥动态变化数据,可以通过提取动态变化数据,可以更好地了解药品在干燥过程中的状态变化和趋势;根据药品干燥动态变化数据进行药品浓缩工艺节点配置,生成第三药品工艺节点。通过分析干燥动态变化数据,可以确定适合的药品浓缩工艺节点,以实现预期的药品干燥效果和质量要求。
作为本发明的一个实例,参考图4所示,在本实例中所述步骤S5包括:
步骤S51:通过预设的时间戳进行时间间隔构建,生成标准时间戳;根据标准时间戳获取实时监控***对第三药品工艺数据的监控时间数据,其中包括药品流量数据和药品液位数据;
本发明实施例中,通过使用预设的时间间隔,生成标准的时间戳序列。例如,如果希望每分钟获取一次数据,那么可以从起始时间开始,按照每分钟递增的方式生成一系列时间戳,使用生成的标准时间戳序列,向实时监控***发送数据请求,获取药品工艺数据,一旦从实时监控***获取到药品工艺数据,您可以进行数据处理和记录,从而获得监控时间数据。
步骤S52:将药品流量数据导入CIP***中进行药品清洗处理,生成药品冲刷流量数据;基于药品液位数据对药品冲刷流量数据进行数据清洗判别处理,生成药品净化数据;将药品净化数据与预设的净化阈值进行对比处理,剔除小于预设的净化阈值的药品净化数据,从而得到正常药品净化数据;
本发明实施例中,通过与CIP***进行数据集成或使用特定的接口将药品流量数据传输至CIP***,在CIP***中进行药品清洗处理,确保药品流量数据被适当地处理和记录下来,其中处理步骤包括液体循环、喷淋清洗等,生成药品冲刷流量数据,根据药品液位数据,对药品冲刷流量数据进行清洗判别处理,以生成药品净化数据,例如对数据进行筛选、异常检测、噪声去除等处理,将药品净化数据与预设的净化阈值进行对比处理,比较每个数据点与阈值,剔除低于预设净化阈值的药品净化数据,得到正常的药品净化数据。
步骤S53:将正常药品净化数据导入至SIP***中进行药品干燥处理,生成药品干燥数据;根据标准时间戳对药品干燥数据进行动态捕获处理,剔除药品干燥数据的静态数据,从而得到药品干燥动态变化数据;
本发明实施例中,通过将正常药品净化数据传输至SIP***,在SIP***中进行药品干燥处理,确保药品净化数据得到适当的干燥处理,并生成药品干燥数据,使用热空气、真空、烘箱等方法进行药品的干燥处理,确保药品达到所需的干燥程度,并记录药品干燥数据,基于药品干燥数据的标准时间戳(时间标记),对数据进行动态捕获处理,通过动态捕获处理,剔除药品干燥数据中的静态数据,其中静态数据指的是在药品干燥过程中保持不变或变化非常缓慢的数据,得到药品干燥动态变化数据。
步骤S54:根据药品干燥动态变化数据进行药品浓缩工艺节点配置,从而生成第三药品工艺节点。
本发明实施例中,通过根据干燥方法和操作参数,配置第三个药品工艺节点,根据确定的浓缩方法和操作参数,配置第三个药品工艺节点,在配置药品浓缩工艺节点之后,进行验证和调整,这包括监测实际操作中的药品浓缩效果,与预期目标进行比较,并根据需要进行调整和优化。
优选地,步骤S6包括以下步骤:
步骤S61:根据节点拥塞密度检测公式对第一药品工艺节点、第二药品工艺节点和第三药品工艺节点进行拥塞密度计算,生成节点拥塞密度数据;
步骤S62:利用支持向量机对节点拥塞密度数据进行模型构建处理,生成支持向量机模型;
步骤S63:对节点拥塞密度数据、第一药品工艺节点、第二药品工艺节点和第三药品工艺节点进行数据集划分处理,生成模型训练数据集;
步骤S64:将模型训练数据集导入至支持向量机模型中进行节点预测处理,生成节点预测模型;利用决策树模型对节点预测模型进行决策训练处理,从而生成分布式节点调度模型。
本发明通过节点拥塞密度检测公式对第一、第二和第三药品工艺节点进行拥塞密度计算,生成节点拥塞密度数据,可以用来评估各个节点的负载情况,即节点的拥塞密度程度;利用支持向量机(SVM)对节点拥塞密度数据进行模型构建处理,可以通过对节点拥塞密度数据的学***衡运行;通过分布式节点调度模型,可以更好地管理和控制药品工艺的执行,提高整体生产效能和质量。
本发明实施例中,通过定义节点拥塞密度的计算公式,考虑节点的输入输出情况、处理能力等因素,针对第一药品工艺节点、第二药品工艺节点和第三药品工艺节点,收集相关数据,根据节点拥塞密度检测公式,对每个节点进行拥塞密度计算,生成节点拥塞密度数据,准备节点拥塞密度数据作为训练集,使用支持向量机算法进行模型构建,通过训练集的拟合和优化,生成支持向量机模型,将节点拥塞密度数据、第一药品工艺节点、第二药品工艺节点和第三药品工艺节点整合为一个数据集,按照一定比例,例如70%训练集,30%验证集划分数据集,将数据划分为训练集和验证集,使用划分好的模型训练数据集将数据导入支持向量机模型中进行节点预测处理,生成节点预测模型,利用决策树模型对节点预测模型进行决策训练处理,根据预测结果进行相应的节点调度决策,从而生成分布式节点调度模型。
优选地,步骤S61中的节点拥塞密度检测公式如下所示:
式中,f(v)表示为节点的拥塞密度权重,r表示为节点能够存储的最大数据包数量,v表示为节点的编号,z表示为节点的带宽,m表示为网络中的节点总数,表示为对v求导,/>表示节点的性能指标,θk表示第k个节点与中心服务器的夹角,h表示为数据包处理时间,ε表示为节点拥塞密度检测异常修正量。
本发明构建了一种节点拥塞密度检测公式,用于通过网络中的节点总数以及节点能够存储的最大数据包数量以及节点的带宽进行节点传输稳定性能检测,该节点拥塞密度检测公式可以根据对节点的编号和第k个节点与中心服务器的夹角对节点进行精确定位,实现最佳的目标节点拥塞密度计算,根据网络中的节点总数和数据包处理时间来评估节点传输的最大容量,从而精确确定节点最大传输容量。在实际应用中,该公式可以通过监测网络流量和节点的处理能力来定量地评估节点的拥塞程度。该公式充分考虑了节点能够存储的最大数据包数量r,节点的编号v,节点的带宽z,网络中的节点总数m,节点的性能指标第k个节点与中心服务器的夹角θk,数据包处理时间h,节点拥塞密度检测异常修正量ε,根据节点的编号v与以上各参数之间的相互关系构成了一种函数关系:
通过节点的编号与网络中的节点总数的相互作用关系,可以了解目标节点在节点网络中的精确位置,保证区域数据精确的情况下进行节点拥塞密度评估,利用节点的带宽,在保证数据准确的情况下减少数据冗余,节约了算力,使计算达到快速收敛,通过节点拥塞密度检测异常修正量ε对节点拥塞密度计算进行调整,更加准确的生成节点的拥塞密度权重f(v),提高了节点拥塞密度检测的准确性和可靠性。同时该公式中的节点的编号、节点拥塞密度检测异常修正量等参数可以根据实际情况进行调整,从而适应不同的节点拥塞密度计算场景,提高了算法的适用性和灵活性。
本发明还提供一种基于AMES***的药品生产质量监控***,包括,
数据处理模块,用于通过传感器获取药品生产工艺流程数据;对药品生产工艺数据进行数据预处理处理,从而得到标准药品生产工艺数据,其中标准药品生产工艺数据包括药品提取工艺数据,药品浓缩工艺数据和药品干燥工艺数据;
药品工艺优先级排序模块,用于根据预设的药品生产工艺流程将药品提取工艺数据、药品浓缩工艺数据和药品干燥工艺数据进行优先级排序处理,将药品提取工艺数据标记为第一药品生产工艺数据;将药品浓缩工艺数据标记为第二药品生产工艺数据;将药品干燥工艺数据标记为第三药品生产工艺数据;
质量检测模块,用于对第一药品生产工艺数据进行制药特征提取处理,从而得到药品原料数据;基于电子SOP***对药品原料数据进行质量检测处理,生成标准药品质量数据;对标准药品质量数据进行可视化处理,生成药品质量变幅数据;根据药品质量变幅数据进行药品提取工艺节点配置,从而生成第一药品工艺节点;
药品浓缩药理计算模块,用于基于聚类分析算法对第二药品生产工艺数据进行数据过滤处理,得到药品浓缩过滤数据;其中药品浓缩过滤数据包括药品温度数据和药品热敏数据;利用药品成分流失检测公式对药品温度数据和药品热敏数据进行药品药理计算处理,生成药品浓缩药理数据;根据药品浓缩药理数据进行药品浓缩工艺节点配置,从而生成第二药品工艺节点;
药品干燥监控模块,用于利用预设的AMES***内的实时监控模块对第三药品工艺数据进行监控,从而获取监控时间数据;根据监控时间数据对第三药品工艺数据进行动态数据捕获处理,得到药品干燥动态变化数据;根据药品干燥动态变化数据进行药品浓缩工艺节点配置,从而生成第三药品工艺节点;
网络模型构建模块,用于根据节点拥塞密度检测公式对第一药品工艺节点、第二药品工艺节点和第三药品工艺节点进行拥塞密度计算,生成节点拥塞密度数据;基于节点拥塞密度数据、第一药品工艺节点、第二药品工艺节点和第三药品工艺节点利用支持向量机技术进行分布式节点调度网络模型构建,生成分布式节点调度模型;
节点动态调度模块,用于利用分布式节点调度模型进行节点进行异常检测处理,当分布式节点调度模型识别到异常节点时,进行节点数量增加并触发警报;当分布式节点调度模型未识别到异常节点时,执行节点数量减少策略。
本发明的有益效果在于,通过传感器获取药品生产工艺流程数据,并对数据进行预处理,得到标准的药品生产工艺数据。这样可以确保后续步骤使用的数据准确、一致,并消除数据中的噪声和异常值,将药品生产工艺数据按优先级进行排序和标记,将其分为药品提取工艺数据、药品浓缩工艺数据和药品干燥工艺数据,可以明确每个工艺数据的重要性和顺序,为后续步骤提供准确的输入,对第一药品生产工艺数据进行制药特征提取处理,生成药品原料数据,然后使用电子SOP***进行质量检测和可视化处理,生成标准的药品质量数据,可以确保原料的质量符合要求,并为后续节点调度提供准确的质量数据,基于聚类分析算法对第二药品生产工艺数据进行数据过滤处理,得到药品浓缩过滤数据,应用药品成分流失检测公式进行药理计算,生成药品浓缩药理数据,有助于优化药品浓缩工艺节点的配置,提高药品的成分保留和质量稳定性,通过实时监控***对第三药品工艺数据进行监控,捕获动态变化数据,可以了解药品干燥的实时状态,并基于监控数据进行干燥工艺节点的配置,确保工艺参数和条件的及时调整和优化,根据节点拥塞密度检测公式进行拥塞密度计算,生成节点拥塞密度数据,然后利用支持向量机技术构建分布式节点调度网络模型,用于节点调度和资源分配的优化,有助于平衡节点的负载,提高工艺流程的效率和生产能力,利用分布式节点调度模型进行异常检测处理,当识别到异常节点时,增加节点数量并触发警报,当没有识别到异常节点时,进行节点数量的部署减少,有助于及时应对异常情况,确保节点调度的稳定性和可靠性。因此,本发明通过对生产工艺参数的分析,实现了节点配置的自动化和动态化,可以根据实际情况自动调整节点的数量和位置,以适应不同的生产工艺和要求。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于AMES***的药品生产质量监控方法,其特征在于,包括以下步骤:
步骤S1:通过传感器获取药品生产工艺流程数据;对药品生产工艺数据进行数据预处理处理,从而得到标准药品生产工艺数据,其中标准药品生产工艺数据包括药品提取工艺数据,药品浓缩工艺数据和药品干燥工艺数据;
步骤S2:根据预设的药品生产工艺流程将药品提取工艺数据、药品浓缩工艺数据和药品干燥工艺数据进行优先级排序处理,将药品提取工艺数据标记为第一药品生产工艺数据;将药品浓缩工艺数据标记为第二药品生产工艺数据;将药品干燥工艺数据标记为第三药品生产工艺数据;
步骤S3:对第一药品生产工艺数据进行制药特征提取处理,从而得到药品原料数据;基于电子SOP***对药品原料数据进行质量检测处理,生成标准药品质量数据;对标准药品质量数据进行可视化处理,生成药品质量变幅数据;根据药品质量变幅数据进行药品提取工艺节点配置,从而生成第一药品工艺节点;
步骤S4:基于聚类分析算法对第二药品生产工艺数据进行数据过滤处理,得到药品浓缩过滤数据;其中药品浓缩过滤数据包括药品温度数据和药品热敏数据;利用药品成分流失检测公式对药品温度数据和药品热敏数据进行药品药理计算处理,生成药品浓缩药理数据;根据药品浓缩药理数据进行药品浓缩工艺节点配置,从而生成第二药品工艺节点;
步骤S5:利用预设的AMES***内的实时监控模块对第三药品工艺数据进行监控,从而获取监控时间数据;根据监控时间数据对第三药品工艺数据进行动态数据捕获处理,得到药品干燥动态变化数据;根据药品干燥动态变化数据进行药品浓缩工艺节点配置,从而生成第三药品工艺节点;
步骤S6:根据节点拥塞密度检测公式对第一药品工艺节点、第二药品工艺节点和第三药品工艺节点进行拥塞密度计算,生成节点拥塞密度数据;基于节点拥塞密度数据、第一药品工艺节点、第二药品工艺节点和第三药品工艺节点利用支持向量机技术进行分布式节点调度网络模型构建,生成分布式节点调度模型;
步骤S7:利用分布式节点调度模型进行节点进行异常检测处理,当分布式节点调度模型识别到异常节点时,进行节点数量增加并触发警报;当分布式节点调度模型未识别到异常节点时,执行节点数量减少策略。
2.根据权利要求1所述的一种基于AMES***的药品生产质量监控方法,其特征在于,步骤S1包括以下步骤:
步骤S11:利用生产工艺管道上的传感器获取药品生产工艺流程数据;
步骤S12:对药品生产工艺流程数据进行数据清洗处理,从而生成药品生产清洗数据;
步骤S13:利用基于绝对离差中位数方法对药品生产清洗数据进行离群点异常检测处理,剔除异常数据,生成正常药品生产数据;
步骤S14:根据特征选择算法对正常药品生产数据进行特征提取处理,从而生成药品生产工艺数据;
步骤S15:利用最大-最小规范化算法对药品生产工艺数据进行规范化处理,生成标准药品生产工艺数据,其中包括药品提取工艺数据,药品浓缩工艺数据和药品干燥工艺数据。
3.根据权利要求2所述的一种基于AMES***的药品生产质量监控方法,其特征在于,步骤S2包括以下步骤:
步骤S21:根据药品生产质量需求进行药品工艺流程优先级确定,从而获得工艺流程优先级阈值;
步骤S22:利用工艺流程优先值阈值对药品提取工艺数据,药品浓缩工艺数据和药品干燥工艺数据进行数据优先值排序处理,将对药品提取工艺数据标记为第一药品生产工艺数据,进行最高级优先处理;对药品浓缩工艺数据标记为第二药品生产工艺数据,进行中级优先处理;对药品干燥工艺数据标记为第三药品生产工艺数,进行低级优先处理。
4.根据权利要求3所述的一种基于AMES***的药品生产质量监控方法,其特征在于,步骤S3包括以下步骤:
步骤S31:利用主成分分析算法对第一药品生产工艺数据进行数据特征提取处理,得到药品原料数据;
步骤S32:将药品原料数据导入至电子SOP***中的发酵处理装置中进行药品发酵模拟处理,生成药品发酵纯度数据;
步骤S33:对药品发酵纯度数据进行随机抽样处理,生成药品发酵抽样数据;将药品发酵抽样数据与预设的标准质检数据进行成分分析处理,当药品发酵抽样数据不符合标准质检数据时,则对不符合标准质检数据的药品发酵抽样数据所对应的药品进行重新发酵处理,直至生成的药品发酵纯度数据符合标准质检数据;
步骤S34:基于箱线图对标准质检数据进行数据可视化处理,生成标准质检箱线图;对标准质检箱线图进行领域差异值计算处理,得到药品质量变幅数据;
步骤S35:根据药品质量变幅数据进行节点配置,从而生成第一药品工艺节点;
5.根据权利要求4所述的一种基于AMES***的药品生产质量监控方法,其特征在于,步骤S4包括以下步骤:
步骤S41:基于预设的药品浓缩工艺流程对第二药品生产工艺数据进行药品物理过滤处理,从而得到药品第一过滤数据;
步骤S42:利用超滤膜技术对药品第一过滤数据进行药品化学过滤,得到药品第二过滤数据;
步骤S43:将药品第二过滤数据通过色谱柱进行药品纯化处理,得到药品纯化数据;对药品第一过滤数据、药品第二过滤数据和药品纯化数据进行数据整合处理,从而生成药品浓缩数据,其中包括药品温度数据和药品热敏数据;
步骤S44:利用药品成分流失检测公式对药品温度数据和药品热敏数据进行药品药理计算处理,生成药品浓缩药理数据;
步骤S45:根据药品浓缩药理数据进行药品浓缩工艺节点配置,从而生成第二药品工艺节点。
6.根据权利要求5所述的一种基于AMES***的药品生产质量监控方法,其特征在于,步骤S44中的药品成分流失检测公式如下所示:
式中,f(t)表示为时间t时刻的药品成分流失率,n表示为药品检测次数,a表示为药品的稳定系数,b表示为药品的初始成分含量,c表示为药品的成分波动系数,q表示为药品的成分衰减系数,xi表示为第i个药品的质量,y表示为药品的浓度,μ表示为药品成分流失异常处理值。
7.根据权利要求5所述的一种基于AMES***的药品生产质量监控方法,其特征在于,步骤S5包括以下步骤:
步骤S51:通过预设的时间戳进行时间间隔构建,生成标准时间戳;根据标准时间戳获取实时监控***对第三药品工艺数据的监控时间数据,其中包括药品流量数据和药品液位数据;
步骤S52:将药品流量数据导入CIP***中进行药品清洗处理,生成药品冲刷流量数据;基于药品液位数据对药品冲刷流量数据进行数据清洗判别处理,生成药品净化数据;将药品净化数据与预设的净化阈值进行对比处理,剔除小于预设的净化阈值的药品净化数据,从而得到正常药品净化数据;
步骤S53:将正常药品净化数据导入至SIP***中进行药品干燥处理,生成药品干燥数据;根据标准时间戳对药品干燥数据进行动态捕获处理,剔除药品干燥数据的静态数据,从而得到药品干燥动态变化数据;
步骤S54:根据药品干燥动态变化数据进行药品浓缩工艺节点配置,从而生成第三药品工艺节点。
8.根据权利要求7所述的一种基于AMES***的药品生产质量监控方法,其特征在于,步骤S6包括以下步骤:
步骤S61:根据节点拥塞密度检测公式对第一药品工艺节点、第二药品工艺节点和第三药品工艺节点进行拥塞密度计算,生成节点拥塞密度数据;
步骤S62:利用支持向量机对节点拥塞密度数据进行模型构建处理,生成支持向量机模型;
步骤S63:对节点拥塞密度数据、第一药品工艺节点、第二药品工艺节点和第三药品工艺节点进行数据集划分处理,生成模型训练数据集;
步骤S64:将模型训练数据集导入至支持向量机模型中进行节点预测处理,生成节点预测模型;利用决策树模型对节点预测模型进行决策训练处理,从而生成分布式节点调度模型。
9.根据权利要求8所述的一种基于AMES***的药品生产质量监控方法,其特征在于,步骤S61中的节点拥塞密度检测公式如下所示:
式中,f(v)表示为节点的拥塞密度权重,r表示为节点能够存储的最大数据包数量,v表示为节点的编号,z表示为节点的带宽,m表示为网络中的节点总数,表示为对v求导,表示节点的性能指标,θk表示第k个节点与中心服务器的夹角,h表示为数据包处理时间,ε表示为节点拥塞密度检测异常修正量。
10.一种基于AMES***的药品生产质量监控***,其特征在于,
数据处理模块,用于通过传感器获取药品生产工艺流程数据;对药品生产工艺数据进行数据预处理处理,从而得到标准药品生产工艺数据,其中标准药品生产工艺数据包括药品提取工艺数据,药品浓缩工艺数据和药品干燥工艺数据;
药品工艺优先级排序模块,用于根据预设的药品生产工艺流程将药品提取工艺数据、药品浓缩工艺数据和药品干燥工艺数据进行优先级排序处理,将药品提取工艺数据标记为第一药品生产工艺数据;将药品浓缩工艺数据标记为第二药品生产工艺数据;将药品干燥工艺数据标记为第三药品生产工艺数据;
质量检测模块,用于对第一药品生产工艺数据进行制药特征提取处理,从而得到药品原料数据;基于电子SOP***对药品原料数据进行质量检测处理,生成标准药品质量数据;对标准药品质量数据进行可视化处理,生成药品质量变幅数据;根据药品质量变幅数据进行药品提取工艺节点配置,从而生成第一药品工艺节点;
药品浓缩药理计算模块,用于基于聚类分析算法对第二药品生产工艺数据进行数据过滤处理,得到药品浓缩过滤数据;其中药品浓缩过滤数据包括药品温度数据和药品热敏数据;利用药品成分流失检测公式对药品温度数据和药品热敏数据进行药品药理计算处理,生成药品浓缩药理数据;根据药品浓缩药理数据进行药品浓缩工艺节点配置,从而生成第二药品工艺节点;
药品干燥监控模块,用于利用预设的AMES***内的实时监控模块对第三药品工艺数据进行监控,从而获取监控时间数据;根据监控时间数据对第三药品工艺数据进行动态数据捕获处理,得到药品干燥动态变化数据;根据药品干燥动态变化数据进行药品浓缩工艺节点配置,从而生成第三药品工艺节点;
网络模型构建模块,用于根据节点拥塞密度检测公式对第一药品工艺节点、第二药品工艺节点和第三药品工艺节点进行拥塞密度计算,生成节点拥塞密度数据;基于节点拥塞密度数据、第一药品工艺节点、第二药品工艺节点和第三药品工艺节点利用支持向量机技术进行分布式节点调度网络模型构建,生成分布式节点调度模型;
节点动态调度模块,用于利用分布式节点调度模型进行节点进行异常检测处理,当分布式节点调度模型识别到异常节点时,进行节点数量增加并触发警报;当分布式节点调度模型未识别到异常节点时,执行节点数量减少策略。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310928043.5A CN117111551A (zh) | 2023-07-26 | 2023-07-26 | 一种基于ames***的药品生产质量监控方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310928043.5A CN117111551A (zh) | 2023-07-26 | 2023-07-26 | 一种基于ames***的药品生产质量监控方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117111551A true CN117111551A (zh) | 2023-11-24 |
Family
ID=88806497
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310928043.5A Pending CN117111551A (zh) | 2023-07-26 | 2023-07-26 | 一种基于ames***的药品生产质量监控方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117111551A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117391549A (zh) * | 2023-12-12 | 2024-01-12 | 平利县安得利新材料有限公司 | 基于数据流转实现硫酸钡的制备节点回溯方法及装置 |
CN117631627A (zh) * | 2023-12-01 | 2024-03-01 | 邵东智能制造技术研究院有限公司 | 一种基于工业互联网的数字化改造方法 |
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***及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN209085657U (zh) * | 2017-08-02 | 2019-07-09 | 强力物联网投资组合2016有限公司 | 用于与化工生产工艺有关的或工业环境的数据收集*** |
US20200103894A1 (en) * | 2018-05-07 | 2020-04-02 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for data collection, learning, and streaming of machine signals for computerized maintenance management system using the industrial internet of things |
JP2022086320A (ja) * | 2020-11-30 | 2022-06-09 | 三菱ケミカルエンジニアリング株式会社 | 生産プロセスのモニタリング方法 |
CN115079659A (zh) * | 2022-08-23 | 2022-09-20 | 山东昊福药业集团制药有限公司 | 中药生产浓缩过程中蒸发速度的数字化控制方法及*** |
CN116414095A (zh) * | 2023-04-18 | 2023-07-11 | 上海交通大学 | 数据驱动的中医药制造过程工艺参数优化方法 |
-
2023
- 2023-07-26 CN CN202310928043.5A patent/CN117111551A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN209085657U (zh) * | 2017-08-02 | 2019-07-09 | 强力物联网投资组合2016有限公司 | 用于与化工生产工艺有关的或工业环境的数据收集*** |
US20200103894A1 (en) * | 2018-05-07 | 2020-04-02 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for data collection, learning, and streaming of machine signals for computerized maintenance management system using the industrial internet of things |
JP2022086320A (ja) * | 2020-11-30 | 2022-06-09 | 三菱ケミカルエンジニアリング株式会社 | 生産プロセスのモニタリング方法 |
CN115079659A (zh) * | 2022-08-23 | 2022-09-20 | 山东昊福药业集团制药有限公司 | 中药生产浓缩过程中蒸发速度的数字化控制方法及*** |
CN116414095A (zh) * | 2023-04-18 | 2023-07-11 | 上海交通大学 | 数据驱动的中医药制造过程工艺参数优化方法 |
Non-Patent Citations (1)
Title |
---|
石国琳等: "中药质量源于设计方法和应用:工艺建模", 《世界中医药》, vol. 13, no. 3, 31 March 2018 (2018-03-31) * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117631627A (zh) * | 2023-12-01 | 2024-03-01 | 邵东智能制造技术研究院有限公司 | 一种基于工业互联网的数字化改造方法 |
CN117631627B (zh) * | 2023-12-01 | 2024-06-28 | 邵东智能制造技术研究院有限公司 | 一种基于工业互联网的数字化改造方法 |
CN117391549A (zh) * | 2023-12-12 | 2024-01-12 | 平利县安得利新材料有限公司 | 基于数据流转实现硫酸钡的制备节点回溯方法及装置 |
CN117391549B (zh) * | 2023-12-12 | 2024-03-08 | 平利县安得利新材料有限公司 | 基于数据流转实现硫酸钡的制备节点回溯方法及装置 |
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***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117111551A (zh) | 一种基于ames***的药品生产质量监控方法及*** | |
CN101211496A (zh) | 用于监视设备的方法和*** | |
CN110929934A (zh) | 设备故障预测方法、装置、计算机设备和存储介质 | |
CN111738308A (zh) | 基于聚类及半监督学习的监控指标动态阈值检测方法 | |
CN115630839B (zh) | 一种基于数据挖掘的生产智能反馈调控*** | |
EP1958034B1 (en) | Use of sequential clustering for instance selection in machine condition monitoring | |
JP5933463B2 (ja) | ログ生起異常検知装置及び方法 | |
CN109298959A (zh) | 一种内存异常检测方法及设备 | |
CN106796157A (zh) | 检测配送网络、特别是饮用水配送网络中的异常的方法 | |
CN107679089A (zh) | 一种用于电力传感数据的清洗方法、装置和*** | |
CN115660288A (zh) | 一种基于互联网大数据的分析管理*** | |
CN111949496B (zh) | 一种数据检测方法及装置 | |
CN117273550B (zh) | 一种食品检测智能实验室的信息管理方法 | |
WO2014157750A1 (ko) | 하수처리장 유출수질의 상태에 대한 원인인자 제공장치 및 방법 | |
CN117113135A (zh) | 一种可对异常数据整理分类的碳排放异常监测分析*** | |
CN116030955B (zh) | 基于物联网的医疗设备状态监测方法及相关装置 | |
WO2024016552A1 (zh) | 流化床反应温度的确定方法、相关装置及计算机存储介质 | |
CN110807174A (zh) | 一种基于统计分布的污水厂厂群出水分析及异常识别方法 | |
CN114666370B (zh) | 一种基于物联网技术的SaaS智能消防监控平台 | |
CN110457906A (zh) | 一种网络安全事件智能告警方法 | |
CN118068819B (zh) | 用于高质量诊断与决策的大模型数据管理*** | |
CN117114500B (zh) | 基于数据分解的行为基线建立方法、***及介质 | |
CN117035230B (zh) | 一种基于大数据分析的污水处理设备运行状态评估方法 | |
CN109117449A (zh) | 基于非线性最小二乘模型测算网吧安装率的方法 | |
CN111858231B (zh) | 一种基于运维监控的单指标异常检测方法 |
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 |