一种智能制造多源信息融合方法在中药大蜜丸质量评价中的应用

技术领域

本发明属于智能制造技术领域，具体涉及一种智能制造生产过程大蜜丸质量评价方法。

背景技术

智能制造是信息化与工业化深度融合的产物，生产过程质量控制是智能制造的重要环节。中药大蜜丸成分复杂多样是其质量评价方法建立的难点。影响中药大蜜丸质量一致性的因素包括感官信息和化学成分指标，中药的“象思维”表明感官信息是其整体质量的重要依据，中药的化学成分信息是其整体质量的重要表征之一。而传统的中药大蜜丸质量评价以单一方法为主，如专利200710017621.0和202010764894.7。

多源信息整体评价，能克服单一方法的不确定性，从多角度综合表征其整体质量。将数据融合引入到中药大蜜丸质量一致性评价数学建模中，避免孤立应用单一方法评价的局限性，增加目标物的结果可信度。然而，在多源信息数据融合过程中，不同维度信息权重的确定，是多源信息融合的难题。

本发明依据各方法自身性质，应用基于多元方差分析理论的权重表征方法，结合多元统计过程控制数学关系模型，建立基于多源信息融合的大蜜丸质量评价方法，用于智能制造生产过程大蜜丸质量评价。

发明内容

本发明的目的在于提供一种基于组间差异与组内差异权重表征的多源信息融合策略评价中药大蜜丸质量的方法。

为达上述目的，其中，所述方法包括：

步骤1：采集中药大蜜丸的化学成分信息和感官信息；

步骤2：计算中药大蜜丸化学成分信息和感官信息的组间差异和组内差异，获得不同信息源方法的权重；

步骤3：分别建立化学成分信息和感官信息的数学关系模型；

步骤4：结合上述数学关系模型和权重策略，实现多源信息融合的中药大蜜丸的质量评价。

本发明化学成分信息为近红外NIR光谱信息，NIR光谱测定参数设置如下：光谱范围为1100～2400nm，扫描次数32次，分辨率0.5nm，每个样品选取4个区域测定，求平均值。

本发明感官信息为质构信息，其感官属性包括硬度、粘附性、弹性、内聚力和咀嚼性。质构仪参数设置如下：形变百分率为70％，检测速度为30mm/min，间隔时间为15s。分辨率为100Hz，最小触发力为0.15N，每个样品选取3个区域测定，求平均值。

本发明组间差异和组内差异的计算包括如下步骤：

步骤1：根据主成分分析PCA获得每种方法的最优主成分数和得分矩阵；

步骤2：通过多元方差分析分别计算各方法的组间离差平方和与组内离差平方和；

步骤3：依据组间离差平方和与组内离差平方和的比值与权重成正比的原则获得每种方法的权重。

本发明的数学模型为基于主成分分析PCA的多元统计过程控制MSPC模型，计算步骤如下：

步骤1：采用导数、平滑、标准正态变换SNV、多元散射校正MSC、标准化、归一化等方法对光谱预处理；

步骤2：通过原始数据预处理后矩阵的主成分分析PCA模型，选择最优主成分数及对应的得分矩阵；

步骤3：建立多元统计过程控制MSPC的数学关系模型，采用Hotelling T

本发明的多源信息融合，为决策融合方法，基于决策融合的质量评价包括如下步骤：

步骤1：依据每种传感器的多元统计过程控制MSPC数学关系模型得到每个样品的参数；

步骤2：确定每种传感器超出Hotelling T

步骤3：通过基于方差分析的组间差异与组内差异比值，获得每种传感器的权重，实现加权投票；

步骤4：投票法的标准如下：投票数超过50％的样品接受其实际的判断结果，反之，拒绝其实际的判断结果。

步骤5：依据投票法结合每个传感器的权重实现多源信息融合策略评价中药大蜜丸的质量。

综上所述，本发明提供了一种智能制造多源信息融合方法在中药大蜜丸质量评价中的应用，适用于智能制造生产过程控制。

本发明的方法具有如下优点：

本发明创造性的采用多源信息融合方法评价中药大蜜丸的质量，采集中药大蜜丸的化学成分信息和感官信息，通过基于方差分析的权重表征方法，确定组间差异和组内差异，获得不同信息源方法的权重，采用多元统计过程控制MSPC数学关系模型，实现多源信息融合的中药大蜜丸的质量评价。此外，首次引入基于方差分析的权重表征方法，实现中药大蜜丸的质量评价。所建立的大蜜丸质构感官属性检测方法稳定、可靠。

附图说明

图1(a)同仁牛黄清心丸NIR光谱图，(b)SNV预处理NIR光谱，(c)同仁牛黄清心丸质构信息雷达图；

图2同仁牛黄清心丸NIR和质构信息主成分数；

图3基于NIR和质构方法的MSPC模型；(a)NIR方法Hotelling T

具体实施方式

下面结合附图和实施实例做进一步说明，但本发明不限于此。

实施例：一种智能制造多源信息融合方法在同仁牛黄清心丸质量评价中的应用

1.同仁牛黄清心丸多源信息采集

采集30批次同仁牛黄清心丸的质构感官信息和NIR化学成分信息两个维度的数据，依据多源信息融合方法，结合权重分配策略，建立质量评价的数学关系模型。近红外光谱仪在反射模式下采集90个样品的光谱，光谱范围为1100～2400nm，扫描次数32次，分辨率0.5nm。每个样品选取4个区域测定，求平均值。

图1.a为同仁牛黄清心丸NIR原始光谱图，样品的NIR原始光谱基本一致，主要特征谱带的归属如下：2325nm，2140nm和1940nm附近的吸收带分别为C-H，N-H和O-H伸缩振动的基频和倍频的组合频吸收；1766nm，1577nm和1460nm附近的吸收带分别为C-H，N-H和O-H伸缩振动基频的一倍频吸收；1200nm附近的吸收是C-H伸缩振动的二倍频吸收。图1.b为同仁牛黄清心丸NIR光谱经过SNV图，SNV的作用是消除固体颗粒大小，表面散射，以及光程变换对光谱的影响。

图1.c为同仁牛黄清心丸样品的质构图，测量参数如下：最小触发力，0.15N，检测速度，30mm/min，样品形变百分率70％，间隔时间15s，采用质构仪质地剖面TPA分析模式，采集两次压缩过程位移-力量曲线图(图1.d)，计算样品硬度、粘附性、弹性、内聚力和咀嚼性这五种质构属性。硬度是图1.d中B点力量值，粘附性是图1.d中CDE的面积，弹性是图1.d中FG与AB在横坐标投影距离的比值，校正弹性是弹性与其位移的比值，内聚力是图1.d中HIJ与ABC面积的比值，咀嚼性是弹性与胶黏性乘积，校正咀嚼性是校正弹性与胶黏性的乘积。不同批次样品的主要差异体现在粘附性上，另外在校正咀嚼性上也能体现不同批次的差异。

2.同仁牛黄清心丸MSPC模型的建立

图2为同仁牛黄清心丸NIR光谱和质构信息的主成分分析图，NIR光谱的最优主成分数选择为3，前三个主成分的光谱解释率分别为64.55％，18.96％和13.30％；质构信息的最优主成分数选择为2，前两个主成分的光谱解释率分别为90.92％和8.19％。通过主成分分析，NIR光谱和质构信息的维度由90×2701和90×5分别降维为90×4和90×2。图3为同仁牛黄清心丸NIR和质构方法的多元统计过程分析MSPC模型，其中Hotelling T

图3.a为同仁牛黄清心丸基于NIR光谱MSPC模型Hotelling T

图3.c为同仁牛黄清心丸基于质构信息的MSPC模型Hotelling T

3.基于多源信息融合方法的权重策略

鉴于同仁牛黄清心丸NIR光谱方法的原始光谱的维度太高，无法直接进行多元方差分析，故首先通过主成分分析策略，选择最优主成分数3，利用降维后的光谱矩阵为90×3进行方差分析。

NIR光谱降维后的score矩阵，通过组间离差平方和与组内离差平方和的比值α，计算各方法的权重。表1是不用方法的权重，NIR光谱采用3个主成分，多元方差分析的α为3.1558，其中组内离差平方和为25.4062，组间离差平方和80.1768；质构信息经过主成分分析，采用2个主成分数，降维后的光谱矩阵为90×2，基于多元方差分析的α为3.1291，其中组内离差平方和为63.0275，组间离差平方和197.2201。多元方差分析的α与权重成正比，即比值越大，其对应方法的权重越大，所有方法的权重之和为1，经计算可得，NIR方法的权重为0.5021，而质构方法的权重为0.4979。多元方差分析是基于自身数据的权重分配方法，NIR方法的权重较大，一方面可能是由于NIR方法含有较多的特征吸收，信息丰富，另一方面可能是由于NIR光谱测量的重复性较好，经SNV预处理后得到的光谱有较高的一致性。质构仪区分类内与类间差异的能力稍差于NIR方法。

表1不同方法的权重

4.基于多源信息融合方法结合权重策略的同仁牛黄清心丸质量评价

基于NIR光谱的同仁牛黄清心丸的MSPC模型共有6个异常样品(表2)。NIR光谱方法的权重为0.5021，即上述6个样品判别为异常样品的投票为0.5021；基于质构信息的同仁牛黄清心丸的MSPC模型共有3个异常样品。质构方法的权重为0.4979，即上述3个样品判断为异常样品的投票为0.4979。多源信息融合方法基于投票法，若某一样品获得超过50％的投票，则认为该样品接受其实际的判断结果，反之，若低于50％的投票，则认为该样品拒绝其实际的判断结果。因此，通过多源信息融合方法对同仁牛黄清心丸质量评价，得到的异常样品共6个，分别为39，63，66，75，79和80号样品(表2)。其中75号样品得到100％的投票，为差异较大的样品。其余84个同仁牛黄清心丸为质量一致性样品。

表2决策融合的结果

综上所述，基于感官信息和化学指标的MSPC模型，通过多元方差分析的权重策略，依据各传感器自身性质，开发基于多元方差分析理论的权重表征方法，采用多源信息融合方法结合权重策略对同仁牛黄清心丸质量评价，不同信息优势互补，得到准确可靠的质量评价结果。