实施近红外光谱学和卷积神经网络,用于预测流化床颗粒化中的粒子大小分布

科学领域:

• 化学工程是化学工程的重要组成部分.
• 频谱学是一种光谱学.
• 数据科学数据科学数据科学

背景情况:

• 颗粒大小分布 (PSD) 对流化床颗粒化中的产品质量至关重要.
• 准确和快速的PSD监控对于过程控制至关重要.

研究的目的:

• 开发一种快速而准确的分析方法,用于在流化床颗粒化过程中量化PSD (D10,D50,D90).
• 评估与传统方法相比,新型深度学习框架的性能.

主要方法:

• 为近红外 (NIR) 光谱数据开发了一个卷积块注意力模块-卷积神经网络 (CBAM-CNN) 框架.
• 使用C-Mixup算法进行数据增强,贝叶斯优化调整了超参数.
• 将CBAM-CNN模型的性能与部分最小平方 (PLS),支持矢量机 (SVM) 和人工神经网络 (ANN) 模型进行了比较.

主要成果:

• 与PLS,SVM和ANN模型相比,CBAM-CNN模型显示出更高的预测准确性.
• 该方法成功地在没有光谱预处理的情况下同时量化了D10,D50和D90值.
• 该框架保留了光谱信息,并避免了通过多输出预测降低精度.

结论:

• 该CBAM-CNN模型提供了增强的预测性能和方便分析PSD在流化床颗粒.
• 这种深度学习方法为制药制造业的实时质量控制提供了强大的工具.
• 该方法避免光谱预处理的能力简化了分析工作流.