针对制药设备中的暖通空调（HVAC）系统，提出了一种智能控制算法。该算法整合了模糊逻辑、神经网络和多变量协调控制模块，形成了一个高效的智能控制框架。模糊逻辑负责处理系统的非线性特性和不确定性，神经网络实现参数的在线学习和优化，而多变量协调控制则确保关键参数之间的平衡。该算法能根据环境变化和系统状态实时调整控制策略，进而满足药品生产质量管理规范（GMP）标准的要求。
在现代制药工业中，确保药品生产环境的精确控制已成为保证产品质量的核心要素。随着全球医疗卫生标准的不断提高，药品生产质量管理规范（Good ManufacturingPractice of Medical Products，GMP）对制药环境提出了越来越严格的要求。因此，暖通空调（Heating， Ventilation and Air Conditioning，HVAC）系统的控制能力面临着更大的挑战。本文提出了一种智能控制算法，该算法整合了模糊逻辑、神经网络和多变量协调控制模块，构建了一个更加全面、高效的控制框架。实验结果表明，该算法不仅能够处理系统的非线性和不确定性，还能实现参数的实时优化和多变量之间的协调控制。通过提高药品生产环境的控制精度和稳定性，该算法有望提升药品质量，同时优化能源利用效率，降低生产成本。该算法对推动制药工业的技术进步、提高药品生产效率和确保药品安全性具有重要意义。
1.1 制药HVAC系统的作用
制药 HVAC 系统需精确控制温度、湿度、压力和空气洁净度等多个参数，同时还要考虑不同功能区域之间的压差控制［1］。HVAC 系统在制药生产中的作用包括：确保生产环境的洁净度，防止交叉污染；精确控制温湿度，维持药品原料和产品的稳定性；调节室压，建立合理的气流组织，防止外部污染物进入洁净区；去除生产过程中产生的粉尘、异味和有害气体；提供舒适的工作环境，提高生产效率。通过这些功能，HVAC 系统直接影响药品的质量、安全性和生产效率，是确保制药过程符合GMP要求的重要保障。GMP 对 HVAC 系统提出了严格的控制要求，这些要求涵盖了系统的设计、安装、运行和维护等各个方面［2］。首先，GMP 要求不同的生产区域和存储区域保持特定的温度范围，通常误差不得超过±2 °C；其次，相对湿度通常需要保持在 30%~65% 之间，具体取决于产品类型；然后，GMP规定了不同级别洁净区的粒子浓度限值，要求 HVAC系统能有效过滤空气中的微粒；最后，不同洁净等级的区域之间需保持适当的压差，以防止交叉污染。这些严格的控制要求使得制药HVAC系统的设计具有高度的复杂性。２.１ 算法框架概述
如图 1 所示，该框架整合了模糊逻辑控制、神经网络优化和多变量协调控制 3个核心模块，能够有效处理系统的非线性特性、参数不确定性以及多变量之间的复杂耦合关系。模糊逻辑控制模块负责处理系统的非线性特性和不确定性，通过模拟人类专家的决策过程，实现对温度、湿度、压力和洁净度等关键参数的初步控制。神经网络优化模块则通过在线学习能力，不断优化控制参数，提高系统的控制精度和响应速度。多变量协调控制策略考虑了各控制参数之间的相互影响，确保整个系统达到最佳平衡状态。这种集成策略能够根据环境变化和系统状态实时调整控制策略，有效满足GMP标准对制药环境的严格要求。模糊逻辑控制模块基于专家知识和经验设计，用于处理 HVAC 系统的非线性和不确定性［3］。该模块同时控制温度（T）、湿度（H）、压力（P）和洁净度（C）4 个关键参数，充分考虑了制药环境控制的复杂性。模糊规则设计采用了IF-THEN 结构，输入变量为各参数的误差（ei）和误差变化率（Δei），输 出 变 量 为 相 应 的 控 制 增 量（ui），其 中 ，i∈{ T，H，P，C }，分别表示温度、湿度、压力和洁净度。例如，一个典型的模糊规则是：如果温度误差为正小且误差变化率为零，则温度控制增量为正小。模糊集合采用三角形隶属函数，对每个参数定义为负大（NB）、负小（NS）、零（ZO）、正小（PS）和正大（PB）。这种设计提供了良好的控制精度和平滑过渡。模糊推理采用 Mamdani 方法，去模糊化使用重心法。对于每个控制参数，模糊控制器的输出可表示为：
式中：μj为第 j条规则的隶属度，表示该规则在当前输入下的适用程度；uij 为对应的输出值；n 为规则总数。这种计算方法综合考虑了所有适用规则的影响，能够得到平滑且合理的控制输出。神经网络优化模块接收模糊逻辑控制模块的输出 U，并结合控制目标，对控制输出进行优化［4］。该模块采用多层前馈网络结构，用于实时优化控制参数，提高系统的控制精度。网络结构包含输入层、隐藏层和输出层。输入层接收系统状态参数、控制目标和模糊控制器输出。隐藏层使用 ReLU 激活函数，输出层生成优化后的控制参数调整量。网络结构可表示为：
式中：x 为输入向量，包含系统状态和控制目标；y 为输出向量，表示对模糊控制器输出的调整量；W1、W2 为权重矩阵；b1、b2 为偏置向量；f为输出层激活函数，通常选用线性函数以获得连续的输出范围。
在线学习算法采用随机梯度下降法，这种方法计算效率高，适合实时控制系统。损失函数选用均方误差：
式中：m 为数据批次大小；yi 为实际系统响应； ŷi为神经网络预测输出。
权重更新规则为：
式中：α 为学习率，可以根据系统的动态特性进行调整，以在收敛速度和稳定性之间取得平衡。将神经网络优化模块的输出 y 与模糊控制器输出 U 相加，得到优化后的控制量Uopt=U+y，并将其作为多变量协调控制策略模块的输入。
多变量协调控制模块是控制系统的最后一个环节，其主要任务是协调温度、湿度、压力和洁净度这 4 个关键参数，处理它们之间的复杂相互作用，并生成最终的控制输出［5］。该模块接收来自神经网络优化模块的输出 Uopt，并将其作为输入，同时考虑系统的当前状态和控制目标，产生最终的控制决策。在这个模块中，耦合矩阵 C 和协调因子矩阵 K是两个关键组成部分，它们共同作用以实现多变量的协调控制。耦合矩阵 C 是一个 4×4 的矩阵，其元素 cij 表示第 i个参数对第 j个参数的影响程度。例如，c12 表示温度变化对湿度的影响程度。该矩阵捕捉了 HVAC系统中各参数之间的复杂相互作用。控制算法首先利用耦合矩阵调整神经网络优化后的控制量：
式中：Uopt(k）为神经网络优化模块的输出；Uadj(k)为考虑了参数耦合后的调整控制量。协调因子矩阵 K是一个对角矩阵，其对角元素 ki∈[ 0，1]表示对应参数的协调因子，用于平衡基于模型的控制策略和直接误差修正之间的关系。最终的控制输出由式（6）计算：
式中：I 为 4×4 的单位矩阵；e(k)=r(k)-y(k)为控制误差向量，其中，r(k)为参考值向量，y(k)为系统当前状态向量。当某个参数的协调因子 ki接近 1 时，控制更依赖于考虑了耦合效应的模型预测；当 ki 接近 0 时，控制更侧重于直接的误差修正。最终输出 Ufina（l k）是一个四维向量，包含温度、湿度、压力和洁净度的控制量，直接用于驱动 HVAC系统的执行机构。这种多变量协调控制策略能够有效处理HVAC 系统中的参数耦合问题，适应不同工况下的控制需求，同时提供了根据实际情况调整控制策略的灵活性。3.1 实验仿真平台搭建
为了验证所提出的智能控制算法的有效性，实验基于MATLAB/Simulink 环 境 搭 建 了 一 个 完 整 的 制 药 设 备HVAC 系统仿真平台。该平台包括 4 个主要子系统：温度控制、湿度控制、压力控制、洁净度控制。温度控制子系统考虑了热传导、对流和辐射的影响；湿度控制子系统包括水分蒸发和凝结过程；压力控制子系统模拟了空气流动和压力平衡；洁净度控制子系统则考虑了颗粒物的产生、扩散和过滤过程。这些子系统通过耦合矩阵进行交互，反映了实际 HVAC系统中各参数之间的相互影响。仿真平台的采样周期设置为1 s，以满足实时控制的需求。在搭建的仿真平台上，实验对提出的智能控制算法进行了全面的仿真测试。仿真过程分为稳态控制和动态响应测试。在稳态控制阶段，实验设置了符合 GMP 标准的目标参数：温度为 20 ℃±0.5 ℃，相对湿度为 45%±5%，压差为15 Pa±2 Pa，洁净度级别为 ISO 7 级。仿真结果显示，所有参数都能够稳定在目标范围内，其中，温度控制精度达到±0.2 ℃，湿度控制精度为±2%，压差控制精度为±1 Pa，洁净度始终保持在 ISO 7 级标准以内。在动态响应测试中，实验模拟了生产过程中可能出现的参数突变情况，如温度设定值从 20 ℃突变到 22 ℃。结果表明，系统能够在 90 s内达到新的稳态，超调量不超过5%。为了全面评估所提出算法的性能，与传统 PID 控制和模糊 PID 控制进行了对比。实验在相同的仿真平台和工况下进行，以确保结果的可比性。表 1 总结了 3 种控制方法在各个性能指标上的表现。表1 控制方法性能对比
由表 1 可知，本文提出的智能控制算法在各项性能指标上均优于传统 PID 控制和模糊 PID 控制。在稳态控制精度方面，本文算法的温度、湿度和压差控制误差显著降低；在动态响应特性上，本文算法的调节时间比传统 PID 控制缩短，超调量也显著减小；在抗干扰能力方面，本文算法的恢复时间比大大缩短，体现了较强的鲁棒性。总体而言，实验结果充分证明了所提出算法在制药设备 HVAC 系统控制中的优越性，为提高药品生产环境控制水平和能源利用效率提供了有力支持。
本研究针对制药设备 HVAC系统的复杂控制需求，提出了一种智能控制算法。该算法通过整合模糊逻辑控制、神经网络优化和多变量协调控制策略，成功解决了系统的非线性特性、参数不确定性和多变量耦合问题。未来的研究将集中在优化算法的计算效率、探索更自适应机制，以及将该控制策略扩展到更广阔的应用场景中。
［1］李建云，史志敬.制药企业HVAC系统的运行管理［J］.机电信息，2009（29）：36-39.
［2］王承 .制药行业空调自控系统的构建与优化［J］.产业与科技论坛，2011（7）：101-102.
［3］吕红丽，段培永，崔玉珍，等.新型模糊PID控制及在HVAC系统的应用［J］.控制理论与应用，2009（11）：1277-1281.
［4］余珏 .神经网络预测控制在 HVAC 系统中的应用［J］.机电设备，2005，22（1）：4-8.
［5］刘贤坤 .HVAC 系统多变量热力过程的自适应控制研究及应用［J］.制冷与空调，2003（3）：11-14.
来源：制药工艺与装备
