一种机器学习方法,通过声学辐射对不同颗粒化阶段进行定性评估
Ruwen Fulek1,2, Selina Ramm1, Christian Kiera3
1Department of Life Science Technologies, OWL University of Applied Sciences and Arts, Campusallee 12, 32657 Lemgo, Germany.
Pharmaceutics
|August 26, 2023
概括
机器学习使用声音和振动数据准确识别湿颗粒化阶段. 这种非接触式监测方法增强了制药过程的控制,并确保了最终产品的质量.
科学领域:
- 制药工程 制药工程
- 过程分析技术 过程分析技术
- 机器学习应用 机器学习应用
背景情况:
- 湿颗粒是影响最终剂型质量的关键制药过程.
- 有效监测颗粒化阶段对于工艺控制和经济效率至关重要.
- 当前的监测方法可能不完全符合监管和质量标准.
研究的目的:
- 开发和验证一种机器学习方法,用于识别湿颗粒过程中的不同阶段.
- 评估声学和振动数据对实时过程监控的有效性.
- 证明符合制药法规的非接触方法.
主要方法:
- 使用麦克风和加速度传感器来捕获颗粒过程中的声学辐射和振动.
- 应用卷积神经网络 (CNN) 基于传感器数据进行相位分类.
- 转换的音频录音被用作CNN模型的输入.
主要成果:
- 使用振动数据实现了高达90%的分类准确性.
- 使用可听麦克风数据达到高达97%的分类准确度.
- 证明了确定阶段与颗粒水含量/可加工性之间的相关性.
结论:
- 听觉声音和机器学习适用于监控制药湿颗粒化工艺.
- 无接触声学监控符合监管要求和良好制造实践.
- 这种方法为提高制药制造质量和控制提供了一个有前途的工具.
