基于聲發射技術的養胃顆粒流化床制粒過程在線檢測方法

傅 豪，騰凱旋，謝欣媛，趙 潔，瞿海斌

基于聲發射技術的養胃顆粒流化床制粒過程在線檢測方法

傅 豪，騰凱旋，謝欣媛，趙 潔，瞿海斌*

浙江大學藥學院 藥物信息學研究所，浙江 杭州 310058

建立一種基于聲發射技術的養胃顆粒流化床制粒過程在線檢測方法。以10批養胃顆粒流化床制粒過程為研究對象，在制粒過程中在線采集聲發射信號并取樣，離線分析顆粒含水量和平均粒徑（50）作為參考值，采用偏最小二乘回歸法建立聲發射信號同各項質量指標之間的校正模型。顆粒含水量和50的預測決定系數（p2）分別為 0.859 6、0.834 4，預測誤差均方根（RMSEP）分別為0.61%、40.6 μm。基于聲發射技術的分析方法可用于對養胃顆粒流化床制粒過程中多指標的在線檢測，為該工藝過程的實時反饋控制提供技術支持。

聲發射技術；流化床制粒；中藥；在線檢測；偏最小二乘回歸法

流化床制粒（fluid bed granulation）是廣泛應用于中藥顆粒劑生產的新型制粒技術，具備集混合、制粒、干燥等多步工藝為一體的優勢，也被稱為“一步制粒”。在流化床制粒過程中，處于流化狀態的物料在霧化的黏合劑液滴的作用下聚結成顆粒，為保持流化狀態，一般基于人工觀察或取樣分析的顆粒性狀結果，調整進風溫度和風量、噴液速率、霧化壓力等多個工藝參數，最終使顆粒含水量、粒徑分布等質量指標達到預設要求。但由于傳統方法存在主觀性強、調控滯后等問題，無法滿足流化床制粒過程質量控制的要求。近年來，研究人員開發了基于近紅外光譜、拉曼光譜、微波共振、圖像檢測等多種過程分析技術[1]，用于在線檢測流化床制粒過程顆粒含水量、粒徑分布等質量指標以及判斷制粒終點。但是，應用上述過程分析技術需要對設備進行一定程度改造，且難以避免探頭或窗口污染的問題。此外，侵入式的采集方法需要探頭直接接觸物料，增加了藥品污染的風險。

聲發射技術（acoustic emission technology）作為一種被動式聲波檢測技術[2]，通過安裝在容器外壁的加速度傳感器，接收振動信號并將其轉換為電信號，信號經放大器放大后由采集卡采集，并經計算機分析完成對過程狀態的檢測。在流化床制粒過程中，顆粒同顆粒以及顆粒同內壁間的碰撞和摩擦會發出聲信號，已有研究表明[3-5]，這些聲信號包含了與顆粒粒徑、密度、彈性模量等物理性質相關的信息。因此，通過監聽生產過程的聲波信號并借助合適的信號分析方法，聲發射技術可用于獲取流化床制粒過程的狀態信息。聲發射技術因其安裝便捷、非侵入、高靈敏、低成本等特點，適用于藥品生產過程的在線檢測，已有報道聲發射技術應用于含水量[6-9]、粒徑分布[7,10-11]等指標的在線檢測，但尚未用于中藥顆粒劑流化床制粒過程的在線檢測。本研究以10批養胃顆粒的流化床制粒過程為研究對象，選擇顆粒含水量和粒徑分布2個質量指標，采用偏最小二乘回歸（partial least-square regression，PLSR）法建立聲發射頻譜信號與上述顆粒物性的定量關系，以期在線反映制粒過程狀態，為中藥顆粒劑流化床制粒過程的實時反饋控制提供支撐。

1 儀器與材料

FLZB-20型多功能流化床，江蘇創志機電科技發展股份有限公司；HC103/02水分測定儀，梅特 勒-托利多儀器（上海）有限公司；Bluewave激光粒度分析儀，美國麥奇克有限公司；DS5-8B型全信息聲發射信號分析儀，北京軟島時代科技有限公司，配有AE-DS5信號采集軟件，RS-2A諧振型傳感器（響應范圍50～400 kHz，諧振頻率150 kHz），40 dB放大器。

糊精（批號2019091403）、蔗糖（批號20190827），嘉興市白浪淀粉制品有限公司；養胃顆粒浸膏，正大青春寶藥業有限公司，批號19047、19080。

2 方法

2.1 流化床制粒

將糊精和蔗糖粉作為底粉，充分流化后以頂噴方式噴入浸膏，噴液完成后將顆粒干燥至預設含水量，完成制粒工藝。具體工藝應企業要求不予公開。噴液開始后每6分鐘取樣1次，直至制粒過程結束。本研究共進行10批養胃顆粒的流化床制粒，前8批用于模型校正，第9、10批用于模型驗證。每批采集約27個樣品，共269個。

2.2 顆粒物性分析

采用50表征顆粒的粒徑分布，50系指樣品的累計粒度分布值達到50%時所對應的粒度。采用麥奇克Bluewave激光粒度分析儀，使用干法測量模式對每個樣品平行測量3次后取平均，獲得顆粒的平均粒徑50。采用HC103/02水分測定儀測量顆粒的含水量，將約3 g樣品顆粒均勻平鋪于樣品盤上，設置干燥溫度為120 ℃，干燥終點的判斷標準為50 s內樣品質量變化不大于1 mg。

2.3 聲發射信號采集及處理

2.3.1 采集參數設置 依據奈奎斯特采樣定理，采樣頻率應大于信號最大頻率的2倍。由于傳感器響應上限為400 kHz，采樣頻率需大于800 kHz。為了采集盡可能多的有效信息，本研究選擇信號分析儀的最大采樣頻率3 MHz。預實驗表明不同采集不同時長的聲信號并計算得頻譜峰型相似，如圖1所示，將不同時長的信號頻譜均分為700段，每段取平均后獲得分段平均頻譜，采用夾角余弦值度量頻譜相似度，結果表明平均相似度為0.999 6，不同采集時長的信號頻譜峰型近似。本實驗設置信號采集時長為2 s。噴液開始后每分鐘采集1次聲信號，直至制粒結束。

2.3.2 信號處理方法 從復雜聲信號中有效提取過程信息需要借助合適的信號分析手段，常用的信號分析方法分為時域分析[12-13]、頻域分析[10,14]和狀態空間分析[15-16]3大類。本研究采用頻譜分析處理聲信號，具體方案如下：將2 s的時域信號均分為50段，每段時域信號作快速傅里葉變換（fast Fourier transform，FFT）后得頻譜，將50張頻譜取平均，得2 s聲信號的平均頻譜圖，如圖2所示。頻譜頻率范圍50～400 kHz，分辨率25 Hz，每張頻譜包含14 001個頻率變量。為了降低頻譜噪聲，同時減少變量個數，提高運算速度，在頻域上將頻譜均分為段，每段計算平均值，得到包含個變量的分段平均頻譜[17]。本研究選擇變量數為700的分段平均頻譜建立模型，如圖3所示。聲信號處理在MATLAB 2019b（美國MathWorks公司）中完成。

2.4 采集位置考察

流化床料倉和膨脹室之間采用橡膠氣囊充氣密封，阻斷了聲信號的傳播，為了考察料倉和膨脹室處的信號差異，在料倉上緣和噴槍高度分布固定聲發射傳感器，同氣流分布板的垂直距離分別為23.5、50 cm。聲發射信號采集系統如圖4所示。以1批養胃顆粒流化床制粒過程為預實驗對象，每6分鐘采集1次聲信號，獲得22張不同制粒時刻的信號頻譜。對頻譜作主成分分析（principal component analysis，PCA），觀察得分圖，選擇能夠反映制粒過程狀態變化且強度較大的信號采集位置。

2.5 校正模型建立

選擇各采樣時刻的聲信號頻譜以及對應樣品顆粒的質量指標測定值構建數據集。依據批次將所有樣本劃分為校正集和驗證集，選擇批次1～8為校正集，批次9～10為驗證集。觀察并選擇包含有效信息的聲信號頻段建模。對頻譜數據作均值中心化變換后，采用PLSR算法建立聲信號分段平均頻譜同顆粒各個質量指標間的多元校正模型。采用10折交叉驗證法決定最佳的主成分數，以校正誤差均方根（RMSEC）、校正決定系數（c2）和預測誤差均方根（RMSEP）、預測決定系數（p2）評價模型的預測性能。此外，本研究考察了標準正態變量變換（standard normal variate transformation，SNV）預處理方法對模型性能的影響。數據分析借助化學計量學分析軟件SIMCA 14.1（瑞典Umetrics公司）完成。

3 結果與分析

3.1 確定聲發射信號采集位置

分別對料倉和膨脹室位置的聲發射信號頻譜作PCA，結果如圖5、6所示。觀察主成分得分圖可知，在制粒過程中，料倉和膨脹室兩處聲信號均隨制粒過程存在連續性變化，包含制粒過程狀態信息，但料倉處聲信號強度更大，如圖7所示。因此，本實驗選擇料倉外壁作為最佳信號采集位置。

圖7 不同采集位置聲信號時域波形

3.2 顆粒物性分析結果及樣本劃分

各批次樣品顆粒的含水量和平均粒徑50分析結果見表1，各批次制粒過程中含水量和平均粒徑50的變化趨勢如圖8所示。

依據批次劃分樣本，前8批樣品構成校正集，第9、10批樣品構成驗證集，各質量指標的樣本劃分結果見表2。校正集樣品的各指標范圍均包含驗證集，樣本劃分合理。

*樣品丟失

*samples are lost

圖8 制粒過程中D50和含水量變化趨勢

3.3 聲發射信號分析及建模頻段選擇

以批次10為例，制粒過程的聲信號頻譜如圖9所示，其中200～400 kHz頻段頻譜見圖10。觀察頻譜可知，50～320 kHz頻段存在信號峰，且振幅隨制粒過程變化，提示可能包含同顆粒物性相關的有效信息，而320～400 kHz頻段無明顯信號峰，表明原始信號中未包含該頻段信息。因此，本研究建模所用的聲信號頻段選取50～320 kHz。

3.4 定量模型建立

依據“2.5”項的建模方法建立聲信號分段平均頻譜同顆粒含水量和平均粒徑50的定量分析模型。不同預處理下的模型性能見表3，含水量最優模型的p2和RMSEP分別為0.859 6和0.61%，50最優模型的p2和RMSEP分別為0.834 4和40.6 μm，模型預測性能較好。

圖9 流化床制粒過程聲信號頻譜 (50～400 kHz)

圖10 流化床制粒過程聲信號頻譜(200～400 kHz)

驗證集中各樣本質量指標的預測值與參考值見表4。結合圖11可知，在極值附近驗證集測量值與參考值線性相關性較差，觀察圖8中各質量指標的變化趨勢可知，極值附近樣本數較少，導致校正集樣本分布不均，影響模型預測性能。

為了模擬在線檢測過程，將批次9、10采集的共302張頻譜輸入定量模型，獲得制粒各個時刻的顆粒含水量和平均粒徑50預測值，如圖12所示。結果表明，該方法能夠反映制粒過程中顆粒含水量和平均粒徑的變化趨勢，但模型預測性能有待進一步提升。

除了校正集樣本代表性不足，信號的采集和分析對模型預測性能存在較大影響。首先，采集信號是初始聲發射信號同傳遞函數的乘積[2]。在流化床制粒批生產的過程中，位于料倉的傳感器需反復拆裝，難以保證傳感器耦合狀態的批次間一致性，導致傳遞函數改變，信號過度失真。其次，對頻譜作分段平均處理時，分段數的選擇至關重要，段數過少會丟失有效信息，段數過多則信噪比較低。后續實驗需考察并選擇最優分段數。

RV、PV、AE、RE分布表示參考值、預測值、絕對誤差和相對誤差

RV, PV, AE and RE represent reference value, predicted value, absolute error and relative error respectively

圖12 批次9、10各時刻質量指標預測值

4 討論

本研究建立了基于聲發射技術的養胃顆粒流化床制粒過程中顆粒含水量和平均粒徑的在線檢測方法。結果表明，該方法可從聲發射信號中提取同中藥顆粒劑質量指標相關的有效信息，能夠幫助生產人員及時掌握顆粒流化狀態，確保制粒過程正常進行。后續研究可從樣本集構建、信號采集、信號處理、建模算法等多方面進一步優化模型預測性能。

相較于目前已在工業生產中應用的近紅外光譜技術，聲發射技術的主要優勢在于傳感器安裝便捷，無需對設備進行改造，工業適用性更強。但其不足之處在于聲發射信號僅同物料物性密切相關，難以反映物料化學性質的改變。此外，被動式的檢測方法導致聲發射信號組成復雜，對信號分析方法提出了較高的要求。

利益沖突 所有作者均聲明不存在利益沖突

[1] Burggraeve A, Monteyne T, Vervaet C,. Process analytical tools for monitoring, understanding, and control of pharmaceutical fluidized bed granulation: A review [J]., 2013, 83(1): 2-15.

[2] 任聰靜, 陳敏, 曹翌佳, 等. 聲發射技術在化工過程中的應用 [J]. 化工進展, 2011, 30(5): 918-929.

[3] 侯琳熙, 王靖岱, 陽永榮, 等. 氣固流化床中聲發生機理及在工業裝置中的應用 [J]. 化工學報, 2005, 56(8): 1474-1478.

[4] Nordon A, Carella Y, Gachagan A,. Factors affecting broadband acoustic emission measurements of a heterogeneous reaction [J]., 2006, 131(2): 323-330.

[5] Jiang X J, Wang J D, Jiang B B,. Study of the power spectrum of acoustic emission (AE) by accelerometers in fluidized beds [J]., 2007, 46(21): 6904-6909.

[6] Briens L, Bojarra M. Monitoring fluidized bed drying of pharmaceutical granules [J]., 2010, 11(4): 1612-1618.

[7] Leskinen J T T, Okkonen M A H, Toiviainen M M,. Labscale fluidized bed granulator instrumented with non-invasive process monitoring devices [J]., 2010, 164(2/3): 268-274.

[8] Vervloet D, Nijenhuis J, van Ommen J R. Monitoring a lab-scale fluidized bed dryer: A comparison between pressure transducers, passive acoustic emissions and vibration measurements [J]., 2010, 197(1/2): 36-48.

[9] Aoki H, Hattori Y, Otsuka M. Real-time monitoring of the drying of extruded granules in a fluid-bed dryer using audible acoustic emission chemometrics [J]., 2014, 4(92): 50558-50565.

[10] Matero S, Poutiainen S, Leskinen J,. Estimation of granule size distribution for batch fluidized bed granulation process using acoustic emission and N-way PLS [J]., 2010, 24(7/8): 464-471.

[11] Poutiainen S, Matero S, H?m?l?inen T,. Predicting granule size distribution of a fluidized bed spray granulation process by regime based PLS modeling of acoustic emission data [J]., 2012, 228: 149-157.

[12] Wang J D, Ren C J, Yang Y R. Characterization of flow regime transition and particle motion using acoustic emission measurement in a gas-solid fluidized bed [J]., 2009, 56(5): 1173-1183.

[13] Carter A, Briens L. Inline acoustic monitoring to determine fluidized bed performance during pharmaceutical coating [J]., 2018, 549(1/2): 293-298.

[14] Zhu K P, Wong Y S, Hong G S. Wavelet analysis of sensor signals for tool condition monitoring: A review and some new results [J]., 2009, 49(7/8): 537-553.

[15] Johnsson F, Zijerveld R C, Schouten J C,. Characterization of fluidization regimes by time-series analysis of pressure fluctuations [J]., 2000, 26(4): 663-715.

[16] van Ommen J R, Sasic S, van der Schaaf J,. Time-series analysis of pressure fluctuations in gas-solid fluidized beds - A review [J]., 2011, 37(5): 403-428.

[17] Matero S, Poutiainen S, Leskinen J,. The feasibility of using acoustic emissions for monitoring of fluidized bed granulation [J]., 2009, 97(1): 75-81.

An on-line detection method for fluid bed granulation process of Yangwei Granules based on acoustic emission technology

FU Hao, TENG Kai-xuan, XIE Xin-yuan, ZHAO Jie, QU Hai-bin

Pharmaceutical Informatics Institute, College of Pharmaceutical Sciences, Zhejiang University, Hangzhou 310058, China

To establish an on-line detection method for fluid bed granulation process of Yangwei Granules (養胃顆粒) based on acoustic emission technology.Fluid bed granulation processes of 10 batches of Yangwei Granules were operated for study. Acoustic emission signals and samples were collected on-line during granulation processes and reference values of moisture and mean granule size (50) were obtained off-line. Partial least-square regression (PLSR) method was used to establish calibration models between acoustic emission signals and indicators.The coefficient of determination (p2) for moisture and50of validation set were 0.859 6, 0.834 4 and root mean square error of prediction (RMSEP) were 0.61%, 40.6 μm, respectively.The method using acoustic emission technology can be applied for on-line monitoring of quality indicators in fluid bed granulation process for Yangwei Granules, which provides technical support for the real-time feedback control of this process.

acoustic emission technology; fluid bed granulation; traditional Chinese medicine; on-line detection; partial least-square regression

R283.6

A

0253 - 2670(2021)02 - 0396 - 08

10.7501/j.issn.0253-2670.2021.02.012

2020-09-03

國家科技重大專項“重大新藥創制”（2018ZX09201011-002）

傅 豪（1997—），男，碩士研究生，研究方向為制藥過程分析技術。Tel: 13758192055 E-mail: 21919015@zju.edu.cn

瞿海斌，博士生導師，從事中藥制藥過程質量控制研究。Tel: (0571)88208428 E-mail: quhb@zju.edu.cn

[責任編輯 鄭禮勝]