針對制藥設備中的暖通空調（HVAC）系統(tǒng)，提出了一種智能控制算法。該算法整合了模糊邏輯、神經(jīng)網(wǎng)絡和多變量協(xié)調控制模塊，形成了一個高效的智能控制框架。模糊邏輯負責處理系統(tǒng)的非線性特性和不確定性，神經(jīng)網(wǎng)絡實現(xiàn)參數(shù)的在線學習和優(yōu)化，而多變量協(xié)調控制則確保關鍵參數(shù)之間的平衡。該算法能根據(jù)環(huán)境變化和系統(tǒng)狀態(tài)實時調整控制策略，進而滿足藥品生產(chǎn)質量管理規(guī)范（GMP）標準的要求。
在現(xiàn)代制藥工業(yè)中，確保藥品生產(chǎn)環(huán)境的精確控制已成為保證產(chǎn)品質量的核心要素。隨著全球醫(yī)療衛(wèi)生標準的不斷提高，藥品生產(chǎn)質量管理規(guī)范（Good ManufacturingPractice of Medical Products，GMP）對制藥環(huán)境提出了越來越嚴格的要求。因此，暖通空調（Heating， Ventilation and Air Conditioning，HVAC）系統(tǒng)的控制能力面臨著更大的挑戰(zhàn)。本文提出了一種智能控制算法，該算法整合了模糊邏輯、神經(jīng)網(wǎng)絡和多變量協(xié)調控制模塊，構建了一個更加全面、高效的控制框架。實驗結果表明，該算法不僅能夠處理系統(tǒng)的非線性和不確定性，還能實現(xiàn)參數(shù)的實時優(yōu)化和多變量之間的協(xié)調控制。通過提高藥品生產(chǎn)環(huán)境的控制精度和穩(wěn)定性，該算法有望提升藥品質量，同時優(yōu)化能源利用效率，降低生產(chǎn)成本。該算法對推動制藥工業(yè)的技術進步、提高藥品生產(chǎn)效率和確保藥品安全性具有重要意義。
1.1 制藥HVAC系統(tǒng)的作用
制藥 HVAC 系統(tǒng)需精確控制溫度、濕度、壓力和空氣潔凈度等多個參數(shù)，同時還要考慮不同功能區(qū)域之間的壓差控制［1］。HVAC 系統(tǒng)在制藥生產(chǎn)中的作用包括：確保生產(chǎn)環(huán)境的潔凈度，防止交叉污染；精確控制溫濕度，維持藥品原料和產(chǎn)品的穩(wěn)定性；調節(jié)室壓，建立合理的氣流組織，防止外部污染物進入潔凈區(qū)；去除生產(chǎn)過程中產(chǎn)生的粉塵、異味和有害氣體；提供舒適的工作環(huán)境，提高生產(chǎn)效率。通過這些功能，HVAC 系統(tǒng)直接影響藥品的質量、安全性和生產(chǎn)效率，是確保制藥過程符合GMP要求的重要保障。GMP 對 HVAC 系統(tǒng)提出了嚴格的控制要求，這些要求涵蓋了系統(tǒng)的設計、安裝、運行和維護等各個方面［2］。首先，GMP 要求不同的生產(chǎn)區(qū)域和存儲區(qū)域保持特定的溫度范圍，通常誤差不得超過±2 °C；其次，相對濕度通常需要保持在 30%~65% 之間，具體取決于產(chǎn)品類型；然后，GMP規(guī)定了不同級別潔凈區(qū)的粒子濃度限值，要求 HVAC系統(tǒng)能有效過濾空氣中的微粒；最后，不同潔凈等級的區(qū)域之間需保持適當?shù)膲翰?，以防止交叉污染。這些嚴格的控制要求使得制藥HVAC系統(tǒng)的設計具有高度的復雜性。２.１ 算法框架概述
如圖 1 所示，該框架整合了模糊邏輯控制、神經(jīng)網(wǎng)絡優(yōu)化和多變量協(xié)調控制 3個核心模塊，能夠有效處理系統(tǒng)的非線性特性、參數(shù)不確定性以及多變量之間的復雜耦合關系。模糊邏輯控制模塊負責處理系統(tǒng)的非線性特性和不確定性，通過模擬人類專家的決策過程，實現(xiàn)對溫度、濕度、壓力和潔凈度等關鍵參數(shù)的初步控制。神經(jīng)網(wǎng)絡優(yōu)化模塊則通過在線學習能力，不斷優(yōu)化控制參數(shù)，提高系統(tǒng)的控制精度和響應速度。多變量協(xié)調控制策略考慮了各控制參數(shù)之間的相互影響，確保整個系統(tǒng)達到最佳平衡狀態(tài)。這種集成策略能夠根據(jù)環(huán)境變化和系統(tǒng)狀態(tài)實時調整控制策略，有效滿足GMP標準對制藥環(huán)境的嚴格要求。圖1 制藥HVAC系統(tǒng)智能控制算法框架模糊邏輯控制模塊基于專家知識和經(jīng)驗設計，用于處理 HVAC 系統(tǒng)的非線性和不確定性［3］。該模塊同時控制溫度（T）、濕度（H）、壓力（P）和潔凈度（C）4 個關鍵參數(shù)，充分考慮了制藥環(huán)境控制的復雜性。模糊規(guī)則設計采用了IF-THEN 結構，輸入變量為各參數(shù)的誤差（ei）和誤差變化率（Δei），輸 出 變 量 為 相 應 的 控 制 增 量（ui），其 中 ，i∈{ T，H，P，C }，分別表示溫度、濕度、壓力和潔凈度。例如，一個典型的模糊規(guī)則是：如果溫度誤差為正小且誤差變化率為零，則溫度控制增量為正小。模糊集合采用三角形隸屬函數(shù)，對每個參數(shù)定義為負大（NB）、負?。∟S）、零（ZO）、正?。≒S）和正大（PB）。這種設計提供了良好的控制精度和平滑過渡。模糊推理采用 Mamdani 方法，去模糊化使用重心法。對于每個控制參數(shù)，模糊控制器的輸出可表示為：
式中：μj為第 j條規(guī)則的隸屬度，表示該規(guī)則在當前輸入下的適用程度；uij 為對應的輸出值；n 為規(guī)則總數(shù)。這種計算方法綜合考慮了所有適用規(guī)則的影響，能夠得到平滑且合理的控制輸出。2.3 神經(jīng)網(wǎng)絡優(yōu)化模塊神經(jīng)網(wǎng)絡優(yōu)化模塊接收模糊邏輯控制模塊的輸出 U，并結合控制目標，對控制輸出進行優(yōu)化［4］。該模塊采用多層前饋網(wǎng)絡結構，用于實時優(yōu)化控制參數(shù)，提高系統(tǒng)的控制精度。網(wǎng)絡結構包含輸入層、隱藏層和輸出層。輸入層接收系統(tǒng)狀態(tài)參數(shù)、控制目標和模糊控制器輸出。隱藏層使用 ReLU 激活函數(shù)，輸出層生成優(yōu)化后的控制參數(shù)調整量。網(wǎng)絡結構可表示為：
式中：x 為輸入向量，包含系統(tǒng)狀態(tài)和控制目標；y 為輸出向量，表示對模糊控制器輸出的調整量；W1、W2 為權重矩陣；b1、b2 為偏置向量；f為輸出層激活函數(shù)，通常選用線性函數(shù)以獲得連續(xù)的輸出范圍。
在線學習算法采用隨機梯度下降法，這種方法計算效率高，適合實時控制系統(tǒng)。損失函數(shù)選用均方誤差：
式中：m 為數(shù)據(jù)批次大??；yi 為實際系統(tǒng)響應； ?i為神經(jīng)網(wǎng)絡預測輸出。
權重更新規(guī)則為：
式中：α 為學習率，可以根據(jù)系統(tǒng)的動態(tài)特性進行調整，以在收斂速度和穩(wěn)定性之間取得平衡。將神經(jīng)網(wǎng)絡優(yōu)化模塊的輸出 y 與模糊控制器輸出 U 相加，得到優(yōu)化后的控制量Uopt=U+y，并將其作為多變量協(xié)調控制策略模塊的輸入。
多變量協(xié)調控制模塊是控制系統(tǒng)的最后一個環(huán)節(jié)，其主要任務是協(xié)調溫度、濕度、壓力和潔凈度這 4 個關鍵參數(shù)，處理它們之間的復雜相互作用，并生成最終的控制輸出［5］。該模塊接收來自神經(jīng)網(wǎng)絡優(yōu)化模塊的輸出 Uopt，并將其作為輸入，同時考慮系統(tǒng)的當前狀態(tài)和控制目標，產(chǎn)生最終的控制決策。在這個模塊中，耦合矩陣 C 和協(xié)調因子矩陣 K是兩個關鍵組成部分，它們共同作用以實現(xiàn)多變量的協(xié)調控制。耦合矩陣 C 是一個 4×4 的矩陣，其元素 cij 表示第 i個參數(shù)對第 j個參數(shù)的影響程度。例如，c12 表示溫度變化對濕度的影響程度。該矩陣捕捉了 HVAC系統(tǒng)中各參數(shù)之間的復雜相互作用?？刂扑惴ㄊ紫壤民詈暇仃囌{整神經(jīng)網(wǎng)絡優(yōu)化后的控制量：
式中：Uopt(k）為神經(jīng)網(wǎng)絡優(yōu)化模塊的輸出；Uadj(k)為考慮了參數(shù)耦合后的調整控制量。協(xié)調因子矩陣 K是一個對角矩陣，其對角元素 ki∈[ 0，1]表示對應參數(shù)的協(xié)調因子，用于平衡基于模型的控制策略和直接誤差修正之間的關系。最終的控制輸出由式（6）計算：
式中：I 為 4×4 的單位矩陣；e(k)=r(k)-y(k)為控制誤差向量，其中，r(k)為參考值向量，y(k)為系統(tǒng)當前狀態(tài)向量。當某個參數(shù)的協(xié)調因子 ki接近 1 時，控制更依賴于考慮了耦合效應的模型預測；當 ki 接近 0 時，控制更側重于直接的誤差修正。最終輸出 Ufina（l k）是一個四維向量，包含溫度、濕度、壓力和潔凈度的控制量，直接用于驅動 HVAC系統(tǒng)的執(zhí)行機構。這種多變量協(xié)調控制策略能夠有效處理HVAC 系統(tǒng)中的參數(shù)耦合問題，適應不同工況下的控制需求，同時提供了根據(jù)實際情況調整控制策略的靈活性。3.1 實驗仿真平臺搭建
為了驗證所提出的智能控制算法的有效性，實驗基于MATLAB/Simulink 環(huán) 境 搭 建 了 一 個 完 整 的 制 藥 設 備HVAC 系統(tǒng)仿真平臺。該平臺包括 4 個主要子系統(tǒng)：溫度控制、濕度控制、壓力控制、潔凈度控制。溫度控制子系統(tǒng)考慮了熱傳導、對流和輻射的影響；濕度控制子系統(tǒng)包括水分蒸發(fā)和凝結過程；壓力控制子系統(tǒng)模擬了空氣流動和壓力平衡；潔凈度控制子系統(tǒng)則考慮了顆粒物的產(chǎn)生、擴散和過濾過程。這些子系統(tǒng)通過耦合矩陣進行交互，反映了實際 HVAC系統(tǒng)中各參數(shù)之間的相互影響。仿真平臺的采樣周期設置為1 s，以滿足實時控制的需求。在搭建的仿真平臺上，實驗對提出的智能控制算法進行了全面的仿真測試。仿真過程分為穩(wěn)態(tài)控制和動態(tài)響應測試。在穩(wěn)態(tài)控制階段，實驗設置了符合 GMP 標準的目標參數(shù)：溫度為 20 ℃±0.5 ℃，相對濕度為 45%±5%，壓差為15 Pa±2 Pa，潔凈度級別為 ISO 7 級。仿真結果顯示，所有參數(shù)都能夠穩(wěn)定在目標范圍內(nèi)，其中，溫度控制精度達到±0.2 ℃，濕度控制精度為±2%，壓差控制精度為±1 Pa，潔凈度始終保持在 ISO 7 級標準以內(nèi)。在動態(tài)響應測試中，實驗模擬了生產(chǎn)過程中可能出現(xiàn)的參數(shù)突變情況，如溫度設定值從 20 ℃突變到 22 ℃。結果表明，系統(tǒng)能夠在 90 s內(nèi)達到新的穩(wěn)態(tài)，超調量不超過5%。為了全面評估所提出算法的性能，與傳統(tǒng) PID 控制和模糊 PID 控制進行了對比。實驗在相同的仿真平臺和工況下進行，以確保結果的可比性。表 1 總結了 3 種控制方法在各個性能指標上的表現(xiàn)。表1 控制方法性能對比
由表 1 可知，本文提出的智能控制算法在各項性能指標上均優(yōu)于傳統(tǒng) PID 控制和模糊 PID 控制。在穩(wěn)態(tài)控制精度方面，本文算法的溫度、濕度和壓差控制誤差顯著降低；在動態(tài)響應特性上，本文算法的調節(jié)時間比傳統(tǒng) PID 控制縮短，超調量也顯著減?。辉诳垢蓴_能力方面，本文算法的恢復時間比大大縮短，體現(xiàn)了較強的魯棒性?？傮w而言，實驗結果充分證明了所提出算法在制藥設備 HVAC 系統(tǒng)控制中的優(yōu)越性，為提高藥品生產(chǎn)環(huán)境控制水平和能源利用效率提供了有力支持。
本研究針對制藥設備 HVAC系統(tǒng)的復雜控制需求，提出了一種智能控制算法。該算法通過整合模糊邏輯控制、神經(jīng)網(wǎng)絡優(yōu)化和多變量協(xié)調控制策略，成功解決了系統(tǒng)的非線性特性、參數(shù)不確定性和多變量耦合問題。未來的研究將集中在優(yōu)化算法的計算效率、探索更自適應機制，以及將該控制策略擴展到更廣闊的應用場景中。
［1］李建云，史志敬.制藥企業(yè)HVAC系統(tǒng)的運行管理［J］.機電信息，2009（29）：36-39.
［2］王承 .制藥行業(yè)空調自控系統(tǒng)的構建與優(yōu)化［J］.產(chǎn)業(yè)與科技論壇，2011（7）：101-102.
［3］呂紅麗，段培永，崔玉珍，等.新型模糊PID控制及在HVAC系統(tǒng)的應用［J］.控制理論與應用，2009（11）：1277-1281.
［4］余玨 .神經(jīng)網(wǎng)絡預測控制在 HVAC 系統(tǒng)中的應用［J］.機電設備，2005，22（1）：4-8.
［5］劉賢坤 .HVAC 系統(tǒng)多變量熱力過程的自適應控制研究及應用［J］.制冷與空調，2003（3）：11-14.
來源：制藥工藝與裝備
