基于不同算法對(duì)桂枝茯苓膠囊內(nèi)容物吸濕性預(yù)測(cè)建模研究

陳 琪，徐芳芳 ，張 欣 ，徐 冰，吳 云 ，王振中 ，肖 偉,

1.南京中醫(yī)藥大學(xué)，江蘇 南京 210023

2.江蘇康緣藥業(yè)股份有限公司，江蘇 連云港 222001

3.中藥制藥過(guò)程新技術(shù)國(guó)家重點(diǎn)實(shí)驗(yàn)室，江蘇 連云港 222001

4.北京中醫(yī)藥大學(xué)，北京 100029

桂枝茯苓膠囊（Guizhi Fuling Capsules，GFC）是由桂枝、茯苓、牡丹皮、桃仁和白芍5 味藥材組成，具有活血、化瘀、消癥等功效，用于治療痛經(jīng)、子宮肌瘤等疾病。GFC 內(nèi)容物屬于中藥半浸膏粉，具有吸濕性強(qiáng)、易結(jié)塊等特點(diǎn)[1-2]，會(huì)影響膠囊的裝量差異和穩(wěn)定性等關(guān)鍵質(zhì)量屬性。王晴等[1]采用偏最小二乘算法（partial least squares，PLS）建立GFC內(nèi)容物吸濕性預(yù)測(cè)模型，該建模方法在生產(chǎn)應(yīng)用中需手動(dòng)篩選關(guān)鍵變量，數(shù)據(jù)預(yù)處理工作量大，所建模型的交叉驗(yàn)證決定系數(shù)（determination coefficient of cross-validation ，Q2）、校正集決定系數(shù)（determination coefficient of calibration，R2c）和預(yù)測(cè)集決定系數(shù)(determination coefficient of prediction，R2p)較高且需進(jìn)一步提升。本實(shí)驗(yàn)嘗試從算法角度提高模型性能，研究不同算法對(duì)模型性能的影響。

決策樹(shù)算法（classification and regression tree，CART）、多元自適應(yīng)回歸樣條算法（multivariate adaptive regression splines，MARS）都可自動(dòng)篩選變量，處理速度快，能夠提升建模效率和模型性能，還可利用預(yù)測(cè)建模技術(shù)自動(dòng)化、智能化對(duì)缺失值進(jìn)行處理。吳曉倩等[3]引入決策樹(shù)算法，利用與成績(jī)相關(guān)的數(shù)據(jù)實(shí)現(xiàn)對(duì)學(xué)生未來(lái)成績(jī)的預(yù)測(cè)，預(yù)測(cè)準(zhǔn)確率達(dá)到94%。仉文崗等[4]基于大量可靠的巖土監(jiān)測(cè)數(shù)據(jù)，運(yùn)用MARS 算法對(duì)輸入、輸出參數(shù)進(jìn)行相關(guān)性擬合，得到各輸入?yún)?shù)的相對(duì)重要性。2 個(gè)評(píng)估實(shí)例中測(cè)試集的R2c分別為0.921、0.986。上述研究表明CART 算法和MARS 算法可以彌補(bǔ)PLS 算法的缺陷和不足。廣義路徑追蹤算法（generalized pathseeker，GPS）算法的應(yīng)用未見(jiàn)報(bào)道，但它也具備自動(dòng)篩選變量的優(yōu)點(diǎn)，模型性能情況有待進(jìn)一步研究。上述3 種可自動(dòng)篩選變量的算法都屬于目前機(jī)器學(xué)習(xí)算法，在膠囊內(nèi)容物吸濕性方面的應(yīng)用未見(jiàn)報(bào)道，本實(shí)驗(yàn)基于現(xiàn)有數(shù)據(jù)運(yùn)用不同算法建模，優(yōu)選出最佳算法后嵌入在線(xiàn)控制系統(tǒng)中進(jìn)行后續(xù)生產(chǎn)驗(yàn)證，以此來(lái)提升GFC 生產(chǎn)過(guò)程中質(zhì)量控制智能化水平。

1 儀器與數(shù)據(jù)來(lái)源

BT-1001 智能粉體特性測(cè)試儀，丹東百特儀器有限公司；Bettersize 2600 激光粒度分布儀，丹東百特儀器有限公司；LHS-250HC-II 恒溫恒濕箱，上海一恒科學(xué)儀器有限公司。

本研究所使用的數(shù)據(jù)來(lái)自于前期研究獲得的80 批GFC 生產(chǎn)過(guò)程中的5 種中間體（原料細(xì)粉、濕顆粒、干燥顆粒、整粒顆粒、總混顆粒）和GFC成品的物性參數(shù)，收集的樣品為2018年6月份至2018年11月份生產(chǎn)的中間體樣品，樣品的批次為180610～181121 共480 個(gè)樣品，均由江蘇康緣藥業(yè)股份有限公司提供[1]。

2 方法

2.1 樣本集的劃分

本研究按照實(shí)際生產(chǎn)時(shí)間順序?qū)颖疽?∶1比例劃分校正集和驗(yàn)證集，前60 批次為校正集，后20 批次為驗(yàn)證集，校正集的范圍覆蓋了預(yù)測(cè)集的 整個(gè)范圍，且校正集分布較廣，適宜建立定量校正模型。

2.2 物性表征方法

2.2.1 粒徑 使用激光粒度分布儀測(cè)定顆粒粒度分布，計(jì)算D10（累計(jì)粒度分布數(shù)達(dá)到10%時(shí)所對(duì)應(yīng)的粒徑）、中值粒徑（D50，累計(jì)粒度分布數(shù)達(dá)到50%時(shí)所對(duì)應(yīng)的粒徑）和D90（累計(jì)粒度分布數(shù)達(dá)到90%時(shí)所對(duì)應(yīng)的粒徑），以及粒徑分布寬度（span）。

2.2.2 粒徑＜50 μm 百分比（%Pf）和相對(duì)均齊度指數(shù)（Iθ） 以空氣為分散媒介，使用激光粒度分布儀測(cè)定顆粒粒度分布，計(jì)算每個(gè)粒徑范圍內(nèi)顆粒所占的比例，平行3 次試驗(yàn)。所選取的粒徑分別為355、212、100、50 μm。

Fm為顆粒粒徑在多數(shù)范圍（100～212 μm）的質(zhì)量百分比，F(xiàn)m－1為多數(shù)粒徑范圍下一層篩子（50～100 μm）截留顆粒的質(zhì)量百分比，F(xiàn)m+1為多數(shù)粒徑范圍上一層篩子（212～355 μm）截留顆粒的質(zhì)量百分比，dm為多數(shù)粒徑范圍的顆粒平均粒徑，dm－1為多數(shù)粒徑范圍下一層篩子截留顆粒平均粒徑，dm+1為多數(shù)粒徑范圍上一層篩子截留顆粒平均粒徑，n為所確定的粒徑范圍個(gè)數(shù)

2.2.3 休止角（α） 采用固定底面積法，使用粉末流動(dòng)性測(cè)定儀對(duì)樣品進(jìn)行測(cè)試，底面圓盤(pán)直徑100 mm，噴嘴直徑為10 mm。取待測(cè)中間體顆粒約50.0 g，將儀器校零后，從特殊噴嘴漏斗的上方緩慢加入，使其逐漸堆積在圓盤(pán)上，形成錐體，測(cè)定錐體高（h）和底面圓盤(pán)半徑（d），平行3 次試驗(yàn)。

2.2.4 松裝密度（Da） 將約50.0 g（質(zhì)量記為m）待測(cè)顆粒緩慢地加入到100 mL 量筒中，輕輕抹平表面，讀取待測(cè)顆粒的體積（Va），平行3 次試驗(yàn)。

2.2.5 振實(shí)密度（Dc） 將上述盛有待測(cè)顆粒的量筒固定在振實(shí)密度儀上，設(shè)定頻率70 Hz，振動(dòng)1250次后讀取待測(cè)顆粒的體積（Vc），平行3 次試驗(yàn)。

2.2.6 豪斯納比（Hausner ratio，HR） 由松裝密度和振實(shí)密度計(jì)算而得。

2.2.7 卡爾指數(shù)（Carr index，CI） 由松裝密度和振實(shí)密度計(jì)算而得。

2.2.8 顆粒間孔隙率（Ie） 由松裝密度和振實(shí)密度計(jì)算而得。

2.2.9 吸濕性（H） 取干燥的具塞稱(chēng)量瓶置于恒溫恒濕箱（設(shè)置溫度為25 ℃，相對(duì)濕度為75%）中，12 h 后精密稱(chēng)定質(zhì)量（m1）。取待測(cè)顆粒適量，置上述稱(chēng)量瓶中并平鋪于稱(chēng)量瓶?jī)?nèi)，厚度約為1 mm，精密稱(chēng)定質(zhì)量（m2）。將稱(chēng)量瓶敞口，并與瓶蓋同置于上述恒溫恒濕條件下。24 h 后蓋好稱(chēng)量瓶蓋，精密稱(chēng)定質(zhì)量（m3），平行3 次試驗(yàn)。

本實(shí)驗(yàn)建模所用的輸入?yún)?shù)X為軟材細(xì)粉（RC）、干顆粒（GZ）、整粒顆粒（ZL）、總混顆粒（ZH）的D10、D50、D90、Da、Dc、span、%Pf、Iθ、HR、α、Ie、CI 以及濕顆粒（SKL）的Da、Dc、HR、α、Ie、CI 共54 個(gè)參數(shù)，輸出參數(shù)Y為膠囊內(nèi)容物H值。

2.3 數(shù)據(jù)分析軟件

采用SIMCA-P 軟件（version 12.0，瑞典MKS Umetrics 公司）建立PLS 模型，采用SPASS25.0 進(jìn)行自變量共線(xiàn)性評(píng)價(jià)，采用SPM8.3 軟件（美國(guó)Salford Systems 公司）中不同機(jī)器學(xué)習(xí)算法建立吸濕性預(yù)測(cè)模型。

2.4 建模原理與方法

2.4.1 PLS 算法 PLS 是經(jīng)多次迭代映射分解，組合成1 個(gè)Y與X的線(xiàn)性回歸（Y＝bX＋f），將每次迭代過(guò)程中的映射變換參數(shù)進(jìn)行線(xiàn)性運(yùn)算可以得到最終模型的參數(shù)b和f。PLS 采用成分分解的思路來(lái)進(jìn)行特征降維；PLS 關(guān)注各個(gè)變量對(duì)目標(biāo)變量的解釋?zhuān)瑫?huì)保留共線(xiàn)性的變量；PLS 先擬合大致輪廓，再逐步擬合細(xì)節(jié)，考慮當(dāng)前的最優(yōu)擬合決策進(jìn)行局部最優(yōu)化。

2.4.2 CART CART 具有高速、精確和容易使用 的特點(diǎn)，并自動(dòng)對(duì)數(shù)據(jù)提供深入的探索研究，產(chǎn)生高度可理解的預(yù)測(cè)模型；僅使用排序信息因而不需要進(jìn)行變量變形，不會(huì)受到孤立點(diǎn)的影響，同時(shí)使用替代分裂變量智能的處理缺失值。CART 是非參數(shù)的，沒(méi)有預(yù)設(shè)的函數(shù)形式，它通過(guò)局域性的總結(jié)來(lái)逼近數(shù)據(jù)模式，動(dòng)態(tài)地決定使用哪個(gè)變量，動(dòng)態(tài)地決定關(guān)注哪個(gè)區(qū)域，所有的一切都由數(shù)據(jù)自動(dòng)決定[5-10]。

2.4.3 MARS MARS 是一種非線(xiàn)性和多維關(guān)系建模的算法，可以高度自動(dòng)化的回歸分析，可以看成是逐步線(xiàn)性回歸的推廣，也可以看成是為了提高CART 在回歸中的效果而進(jìn)行的改進(jìn)。

MARS 算法分為前向選擇、后向剪枝、模型選擇3 個(gè)步驟，通過(guò)自適應(yīng)的選取節(jié)點(diǎn)對(duì)數(shù)據(jù)進(jìn)行分割，每選取1 個(gè)節(jié)點(diǎn)就生成2 個(gè)新的基函數(shù)，前向過(guò)程結(jié)束后生成1 個(gè)過(guò)擬合的模型，后向剪枝過(guò)程是刪除導(dǎo)致模型過(guò)度擬合的基函數(shù)，便于選擇最佳模型，這一過(guò)程遵循廣義交叉驗(yàn)證（generalized cross-validation，GCV）原則，GCV 值最小的模型為最終的MARS 模型[11-13]。GCV 是根據(jù)誤差模型和正則化解構(gòu)造1 個(gè)廣義交叉G 函數(shù)，GCV 的計(jì)算方法如下式所示。

N為樣本數(shù)據(jù)總數(shù)，H為基函數(shù)的個(gè)數(shù)，d為懲罰系數(shù)

MARS 的主要優(yōu)點(diǎn)是可以進(jìn)行變量選擇，將相關(guān)變量與不相關(guān)的預(yù)測(cè)變量分開(kāi)；能夠估計(jì)基函數(shù)的貢獻(xiàn)，允許預(yù)測(cè)變量的加性和交互影響來(lái)確定相應(yīng)變量；使用新的嵌套變量技術(shù)處理缺失值；進(jìn)行廣泛的自我測(cè)試，以防止過(guò)度擬合[14-17]。

2.4.4 GPS GPS 提供了完整的正則化策略，利用更為廣譜的彈性系數(shù)建立更多候選模型，開(kāi)始時(shí)模型里沒(méi)有任何預(yù)測(cè)變量，在每一步中添加1 個(gè)新的變量或者更新現(xiàn)有變量的1 個(gè)系數(shù)，通過(guò)建立若干步數(shù)不同的路徑模型，并自動(dòng)選擇出其中最優(yōu)的線(xiàn)性模型。GPS 從速度和覆蓋率2 個(gè)方面對(duì)正則化回歸進(jìn)行了顯著提升。模型效果會(huì)比傳統(tǒng)回歸更好、更穩(wěn)定，同時(shí)提供了強(qiáng)大的變量篩選能力，更好應(yīng)對(duì)大數(shù)據(jù)高緯度降維的挑戰(zhàn)。

以上機(jī)器學(xué)習(xí)算法都可以對(duì)變量重要性列表進(jìn)行建模精煉，篩選重要變量。

2.5 模型性能評(píng)價(jià)

2.5.1 PLS 模型評(píng)價(jià) 使用R2c、R2p、Q2評(píng)價(jià)擬合效果，這些指標(biāo)越接近1，表示PLS 模型擬合數(shù)據(jù)效果越好，校正或預(yù)測(cè)能力越好；用決定系數(shù)（R2）、交叉驗(yàn)證均方根誤差（root mean square errors of cross validation，RMSECV）、預(yù)測(cè)均方根誤差（root mean square errors of prediction，RMSEP）評(píng)價(jià)模型的性能，R2越大，RMSECV 和RMSEP 越小，模型的性能越好。

2.5.2 機(jī)器學(xué)習(xí)算法模型評(píng)價(jià) 以R2、均方根誤差（root mean square error，RMSE）、平均絕對(duì)百分比誤差（mean absolute percent arror，MAPE）等指標(biāo)來(lái)評(píng)價(jià)模型的性能，R2越接近1，MAPE 越接近0，表明模型的性能越好；RMSE 越接近0，表明模型的預(yù)測(cè)性能越強(qiáng)[18-19]。n為校正集或驗(yàn)證集的樣本數(shù)，t∈[1，n]，y為參考值，yi為預(yù)測(cè)值，y為所有樣品參考值的平均值

2.5.3 模型精度評(píng)價(jià) PLS 和機(jī)器學(xué)習(xí)算法都是根據(jù)驗(yàn)證集中的相對(duì)預(yù)測(cè)誤差來(lái)評(píng)價(jià)模型預(yù)測(cè)精度的影響。

3 結(jié)果與分析

3.1 多算法模型的建立

3.1.1 PLS 建模結(jié)果 以膠囊內(nèi)容物吸濕性（Y）為因變量，54 個(gè)物性參數(shù)為自變量（X），建立的PLS 預(yù)測(cè)模型的Q2為0.399，R2c和R2p分別為0.216、0.656。變量個(gè)數(shù)為8 時(shí)，Q2達(dá)到最大值0.549，R2X和R2Y為0.616、0.602。篩選出的物性參數(shù)包括RC-D10、RC-D50、RC-span、RC-α、RC-%Pf、ZH-Dc、SKL-Da、SKL-Dc。繪制的變量投影重要性（variable importance in the projection，VIP）圖如圖1 所示，自變量回歸系數(shù)如圖2 所示。使用方差膨脹因子（variance inflation factor，VIF）評(píng)價(jià)以上8 個(gè)物性參數(shù)的共線(xiàn)性程度，RC-%Pf、RC-α、RC-D10、RC-D50、RC-span、ZH-Dc、SKL-Da、SKL-Dc物性參數(shù)共線(xiàn)性檢驗(yàn)結(jié)果的VIF 值分別為25.839、1.303、7.181、21.223、2.461、1.259、7.054、7.109。由圖1、2 和VIF 值考察結(jié)果可知，VIP＞1、回歸系數(shù)＞0.2、VIF＜10 的變量有RC-α、RC-D10、Rc-span、SKL-Dc、ZH-Dc，可作為潛在關(guān)鍵物料屬性。以5 個(gè)變量建立的模型性能指標(biāo)Q2為0.531，R2c和R2p分別為0.616、0.615。

圖1 模型的VIP 分布Fig.1 VIP indexes for independent variables of PLS model

圖2 模型自變量回歸系數(shù)Fig.2 Regression coefficients of PLS model

用20 批樣品測(cè)試所建模型的穩(wěn)健性，驗(yàn)證集真實(shí)值與預(yù)測(cè)值相關(guān)性如圖3 所示，校正集R2c為0.602 5，交叉驗(yàn)證均方根誤差RMSECV 為0.630 9，預(yù)測(cè)集R2p為0.348 7，預(yù)測(cè)均方根誤差RMSEP 為0.408，驗(yàn)證集的相對(duì)預(yù)測(cè)誤差為3.69%。

圖3 PLS 模型擬合效果Fig.3 Comparison between target and predicted hygroscopicity

3.1.2 CART 算法建模結(jié)果 節(jié)點(diǎn)和樹(shù)的深度對(duì)算法的影響較大，開(kāi)始建模前通過(guò)AUTOMATE 自動(dòng)建模選項(xiàng)篩選最優(yōu)max nodes 參數(shù)為8，樹(shù)的深度為30 時(shí)，性能最佳。根據(jù)變量重要性表來(lái)逐步篩選關(guān)鍵變量并結(jié)合驗(yàn)證集預(yù)測(cè)誤差來(lái)確定最優(yōu)模型。由54 個(gè)物性參數(shù)建模，隨機(jī)選擇20%的樣本作為驗(yàn)證集，所得變量重要性如圖4 所示，不同變量個(gè)數(shù)建立的CART 模型性能和預(yù)測(cè)性能比較如表2 所示，用20 批樣品對(duì)模型進(jìn)行外部驗(yàn)證的結(jié)果如表1所示。由表1 可知當(dāng)變量數(shù)為14 時(shí)，CART 模型的 性能不是最好但預(yù)測(cè)效果較好，變量數(shù)目減少，預(yù)測(cè)相對(duì)誤差增大，可能損失了一些重要的信息。

圖4 變量重要性Fig.4 Importance of input variables

表1 不同變量個(gè)數(shù)建立的CART 模型的性能和預(yù)測(cè)性能比較Table 1 Comparison of CART model performance and prediction performance established with different numbers of variables

3.1.3 MARS 算法建模結(jié)果 基函數(shù)的個(gè)數(shù)影響著預(yù)測(cè)模型的選擇，可由GCV 性能曲線(xiàn)得到最優(yōu)基函數(shù)，因此得到最佳模型尺寸[20-21]。由圖5可知GCV值隨基函數(shù)的變化規(guī)律，GCV 值最小時(shí)對(duì)應(yīng)的基函數(shù)個(gè)數(shù)為7，由表2 可知基函數(shù)個(gè)數(shù)對(duì)GCV 函數(shù)值和校正集驗(yàn)證集決定系數(shù)R2和均方誤差（mean square errors，MSE）的影響，擬合效果不隨基函數(shù)增長(zhǎng)而優(yōu)化，應(yīng)不斷調(diào)試預(yù)設(shè)基函數(shù)的數(shù)目，以此選擇最優(yōu)基函數(shù)，建立最佳模型[11]。

圖5 不同GCV 值對(duì)應(yīng)基函數(shù)個(gè)數(shù)Table 5 Different GCV values correspond to number of basis functions

MARS 算法中隨機(jī)選擇20%的樣本做為驗(yàn)證集，由54 個(gè)物性參數(shù)建立的MARS 模型得到8 個(gè)重要變量：SKL-Dc、ZH-Da、RC-α、GZ-Da、GZ-D90、SKL-Da、GZ-D10、GZ-α，校正集的R2c為0.843，RMSE 為0.391，MAPE 為0.025，預(yù)測(cè)集的R2p為0.808，RMSE 為0.031，MAPE 為0.031。

另取20 批樣品對(duì)MARS 模型進(jìn)行外部驗(yàn)證，參考值與預(yù)測(cè)值如表3 所示，吸濕性平均相對(duì)預(yù)測(cè)誤差為2.69%，預(yù)測(cè)結(jié)果相對(duì)準(zhǔn)確。

3.1.4 GPS 算法建模結(jié)果 MSE 表示測(cè)試集模型的性能，由來(lái)自于復(fù)雜的內(nèi)部搜索結(jié)果的彈性系數(shù)決定。圖6 顯示了最佳模型是一種最小化測(cè)試樣品的MSE 的模型，藍(lán)色線(xiàn)是校正集，紅色線(xiàn)是驗(yàn)證集，對(duì)應(yīng)的模型系數(shù)為26。不同變量個(gè)數(shù)建立的GPS 模型性能和預(yù)測(cè)性能比較如表4 所示，用20批樣品對(duì)模型進(jìn)行外部驗(yàn)證的結(jié)果如表4 所示。

由表4可知用54個(gè)物性參數(shù)建立的模型過(guò)擬合程度較大，當(dāng)逐步剔除變量重要性小的變量重新建模時(shí)，所選變量數(shù)為3 時(shí)，模型的穩(wěn)定性和預(yù)測(cè)精度最好，這3 個(gè)變量為SKL-Dc、RC-α、ZH-Dc。

表2 GCV 函數(shù)值和評(píng)價(jià)指標(biāo)隨基函數(shù)數(shù)目變化情況Table 2 GCV function value and variations of measuring indexes with basis function number

表3 外部驗(yàn)證樣本參考值和預(yù)測(cè)值結(jié)果Table 3 Experimental values and predicted values for external validation samples

圖6 MSE 隨彈性系數(shù)變化規(guī)律Table 6 MSE changes with elasticity coefficient

3.2 不同算法模型性能和預(yù)測(cè)精度比較結(jié)果

綜合對(duì)比分析以上不同算法建立的最優(yōu)模型結(jié)果如表5 所示，可以發(fā)現(xiàn)MARS 算法建立的預(yù)測(cè)模型在校正集和驗(yàn)證集上獲得了較大的決定系數(shù)和較小的各項(xiàng)誤差，模型的穩(wěn)定性和預(yù)測(cè)精度更好。校正集和預(yù)測(cè)集的決定系數(shù)分別為0.843、0.808，RMSE 分別為0.391、0.472，MAPE 分別為0.025、0.031，驗(yàn)證樣本的平均預(yù)測(cè)誤差為2.69%。

表4 不同變量個(gè)數(shù)建立的GPS 模型性能和預(yù)測(cè)性能比較Table 4 Comparison of GPS model performance and prediction performance established with different numbers of variables

表5 不同算法模型性能和預(yù)測(cè)精度比較Table 5 Comparison of performance and prediction accuracy of different algorithm models

4 討論

本研究運(yùn)用不同算法對(duì)GFC 內(nèi)容物吸濕性進(jìn)行建模，結(jié)果表明MARS 算法建立的模型最好，模型平均相對(duì)預(yù)測(cè)誤差為2.69%。綜合分析可知，MARS算法優(yōu)化了PLS算法需手動(dòng)篩選關(guān)鍵變量的缺點(diǎn)，提高了模型運(yùn)用的效率；標(biāo)識(shí)了PLS 算法和CART 算法未顯示的變量累加貢獻(xiàn)值或變量之間的相互作用結(jié)果[14,22-23]；彌補(bǔ)了GPS 算法不可處理非線(xiàn)性問(wèn)題的缺陷。

本研究選用的4 種算法都以特殊的方式來(lái)計(jì)算變量重要性，PLS 算法根據(jù)殘差平方和的最小化選擇變量[24]，CART 算法根據(jù)信息增益選擇特征變量，GPS 算法利用正則化策略和彈性系數(shù)來(lái)選擇變量，MARS 算法利用廣義交叉原則和基函數(shù)來(lái)篩選變量。4 種算法篩選出的相同變量有SKL-Dc、RC-α，表明GFC 內(nèi)容物吸濕性與軟材細(xì)粉的休止角和濕顆粒的振實(shí)密度有關(guān)，與前期研究結(jié)果相同。休止角的大小是粉體粒子大小和粒徑分布、粉體表面性質(zhì)以及粒子間相互作用力的綜合體現(xiàn)，休止角越大，吸濕性越強(qiáng)[1]。軟材細(xì)粉的休止角與制軟材時(shí)浸膏的干燥粉碎方式、干燥工藝參數(shù)和浸膏的混合比例等有關(guān)，需收集更多的樣本來(lái)進(jìn)行實(shí)驗(yàn)研究確定影響吸濕性的顯著因素。濕顆粒振實(shí)密度與顆粒的粒徑分布、骨架密度和孔隙結(jié)構(gòu)有關(guān)，因而影響顆粒吸濕性。前期研究結(jié)果顯示濕法制粒過(guò)程中物料與黏合劑作用導(dǎo)致粉體表面黏性變化，濕顆粒振實(shí)密度與黏合劑加入量和濃度有關(guān)，提示生產(chǎn)過(guò)程中需及時(shí)調(diào)整黏合劑用量和濃度來(lái)保證顆粒的吸濕性處于一定的均勻范圍內(nèi)。濕顆粒振實(shí)密度還有可能與制粒過(guò)程中所加輔料的性質(zhì)有關(guān)，尚需通過(guò)實(shí)驗(yàn)進(jìn)一步驗(yàn)證[25-27]。

本研究所選數(shù)據(jù)量遠(yuǎn)少于生產(chǎn)過(guò)程產(chǎn)生的大批量數(shù)據(jù)，在后續(xù)研究中還需要繼續(xù)收集更多的數(shù)據(jù)來(lái)進(jìn)一步驗(yàn)證、更新、維護(hù)和優(yōu)化模型，提高模型預(yù)測(cè)精確度，以此提升GFC 生產(chǎn)過(guò)程質(zhì)量控制智能化水平。

利益沖突所有作者均聲明不存在利益沖突