針對制藥設備中的暖通空調（HVAC）系統，提出了一種智能控制算法。該算法整合了模糊邏輯、神經網絡和多變量協調控制模塊，形成了一個高效的智能控制框架。模糊邏輯負責處理系統的非線性特性和不確定性，神經網絡實現參數的在線學習和優化，而多變量協調控制則確保關鍵參數之間的平衡。該算法能根據環境變化和系統狀態實時調整控制策略，進而滿足藥品生產質量管理規范（GMP）標準的要求。
在現代制藥工業中，確保藥品生產環境的精確控制已成為保證產品質量的核心要素。隨著全球醫療衛生標準的不斷提高，藥品生產質量管理規范（Good ManufacturingPractice of Medical Products，GMP）對制藥環境提出了越來越嚴格的要求。因此，暖通空調（Heating， Ventilation and Air Conditioning，HVAC）系統的控制能力面臨著更大的挑戰。本文提出了一種智能控制算法，該算法整合了模糊邏輯、神經網絡和多變量協調控制模塊，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的非線性和不確定性，還能實現參數的實時優化和多變量之間的協調控制。通過提高藥品生產環境的控制精度和穩定性，該算法有望提升藥品質量，同時優化能源利用效率，降低生產成本。該算法對推動制藥工業的技術進步、提高藥品生產效率和確保藥品安全性具有重要意義。
1.1 制藥HVAC系統的作用
制藥 HVAC 系統需精確控制溫度、濕度、壓力和空氣潔凈度等多個參數，同時還要考慮不同功能區域之間的壓差控制［1］。HVAC 系統在制藥生產中的作用包括：確保生產環境的潔凈度，防止交叉污染；精確控制溫濕度，維持藥品原料和產品的穩定性；調節室壓，建立合理的氣流組織，防止外部污染物進入潔凈區；去除生產過程中產生的粉塵、異味和有害氣體；提供舒適的工作環境，提高生產效率。通過這些功能，HVAC 系統直接影響藥品的質量、安全性和生產效率，是確保制藥過程符合GMP要求的重要保障。GMP 對 HVAC 系統提出了嚴格的控制要求，這些要求涵蓋了系統的設計、安裝、運行和維護等各個方面［2］。首先，GMP 要求不同的生產區域和存儲區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，具體取決于產品類型；然后，GMP規定了不同級別潔凈區的粒子濃度限值，要求 HVAC系統能有效過濾空氣中的微粒；最后，不同潔凈等級的區域之間需保持適當的壓差，以防止交叉污染。這些嚴格的控制要求使得制藥HVAC系統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、神經網絡優化和多變量協調控制 3個核心模塊，能夠有效處理系統的非線性特性、參數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，實現對溫度、濕度、壓力和潔凈度等關鍵參數的初步控制。神經網絡優化模塊則通過在線學習能力，不斷優化控制參數，提高系統的控制精度和響應速度。多變量協調控制策略考慮了各控制參數之間的相互影響，確保整個系統達到最佳平衡狀態。這種集成策略能夠根據環境變化和系統狀態實時調整控制策略，有效滿足GMP標準對制藥環境的嚴格要求。模糊邏輯控制模塊基于專家知識和經驗設計，用于處理 HVAC 系統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，充分考慮了制藥環境控制的復雜性。模糊規則設計采用了IF-THEN 結構，輸入變量為各參數的誤差（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，對每個參數定義為負大（NB）、負小（NS）、零（ZO）、正小（PS）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，模糊控制器的輸出可表示為：
式中：μj為第 j條規則的隸屬度，表示該規則在當前輸入下的適用程度；uij 為對應的輸出值；n 為規則總數。這種計算方法綜合考慮了所有適用規則的影響，能夠得到平滑且合理的控制輸出。神經網絡優化模塊接收模糊邏輯控制模塊的輸出 U，并結合控制目標，對控制輸出進行優化［4］。該模塊采用多層前饋網絡結構，用于實時優化控制參數，提高系統的控制精度。網絡結構包含輸入層、隱藏層和輸出層。輸入層接收系統狀態參數、控制目標和模糊控制器輸出。隱藏層使用 ReLU 激活函數，輸出層生成優化后的控制參數調整量。網絡結構可表示為：
式中：x 為輸入向量，包含系統狀態和控制目標；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，通常選用線性函數以獲得連續的輸出范圍。
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。損失函數選用均方誤差：
式中：m 為數據批次大小；yi 為實際系統響應； ?i為神經網絡預測輸出。
權重更新規則為：
式中：α 為學習率，可以根據系統的動態特性進行調整，以在收斂速度和穩定性之間取得平衡。將神經網絡優化模塊的輸出 y 與模糊控制器輸出 U 相加，得到優化后的控制量Uopt=U+y，并將其作為多變量協調控制策略模塊的輸入。
多變量協調控制模塊是控制系統的最后一個環節，其主要任務是協調溫度、濕度、壓力和潔凈度這 4 個關鍵參數，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網絡優化模塊的輸出 Uopt，并將其作為輸入，同時考慮系統的當前狀態和控制目標，產生最終的控制決策。在這個模塊中，耦合矩陣 C 和協調因子矩陣 K是兩個關鍵組成部分，它們共同作用以實現多變量的協調控制。耦合矩陣 C 是一個 4×4 的矩陣，其元素 cij 表示第 i個參數對第 j個參數的影響程度。例如，c12 表示溫度變化對濕度的影響程度。該矩陣捕捉了 HVAC系統中各參數之間的復雜相互作用。控制算法首先利用耦合矩陣調整神經網絡優化后的控制量：
式中：Uopt(k）為神經網絡優化模塊的輸出；Uadj(k)為考慮了參數耦合后的調整控制量。協調因子矩陣 K是一個對角矩陣，其對角元素 ki∈[ 0，1]表示對應參數的協調因子，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)為系統當前狀態向量。當某個參數的協調因子 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系統的執行機構。這種多變量協調控制策略能夠有效處理HVAC 系統中的參數耦合問題，適應不同工況下的控制需求，同時提供了根據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 境 搭 建 了 一 個 完 整 的 制 藥 設 備HVAC 系統仿真平臺。該平臺包括 4 個主要子系統：溫度控制、濕度控制、壓力控制、潔凈度控制。溫度控制子系統考慮了熱傳導、對流和輻射的影響；濕度控制子系統包括水分蒸發和凝結過程；壓力控制子系統模擬了空氣流動和壓力平衡；潔凈度控制子系統則考慮了顆粒物的產生、擴散和過濾過程。這些子系統通過耦合矩陣進行交互，反映了實際 HVAC系統中各參數之間的相互影響。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。仿真過程分為穩態控制和動態響應測試。在穩態控制階段，實驗設置了符合 GMP 標準的目標參數：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，所有參數都能夠穩定在目標范圍內，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。在動態響應測試中，實驗模擬了生產過程中可能出現的參數突變情況，如溫度設定值從 20 ℃突變到 22 ℃。結果表明，系統能夠在 90 s內達到新的穩態，超調量不超過5%。為了全面評估所提出算法的性能，與傳統 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。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于傳統 PID 控制和模糊 PID 控制。在穩態控制精度方面，本文算法的溫度、濕度和壓差控制誤差顯著降低；在動態響應特性上，本文算法的調節時間比傳統 PID 控制縮短，超調量也顯著減小；在抗干擾能力方面，本文算法的恢復時間比大大縮短，體現了較強的魯棒性。總體而言，實驗結果充分證明了所提出算法在制藥設備 HVAC 系統控制中的優越性，為提高藥品生產環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、神經網絡優化和多變量協調控制策略，成功解決了系統的非線性特性、參數不確定性和多變量耦合問題。未來的研究將集中在優化算法的計算效率、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HVAC系統的運行管理［J］.機電信息，2009（29）：36-39.
［2］王承 .制藥行業空調自控系統的構建與優化［J］.產業與科技論壇，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系統的應用［J］.控制理論與應用，2009（11）：1277-1281.
［4］余玨 .神經網絡預測控制在 HVAC 系統中的應用［J］.機電設備，2005，22（1）：4-8.
［5］劉賢坤 .HVAC 系統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
