FPGA技術在中藥智能制藥中的應用探討

李小莉，薛啟隆，苗坤宏，趙 倩，于 洋，李 正

FPGA技術在中藥智能制藥中的應用探討

李小莉1, 2, 3，薛啟隆1, 2, 3，苗坤宏1, 2, 3，趙 倩1, 2, 3，于 洋1, 2, 3*，李 正1, 2, 3*

1. 天津中醫藥大學中藥制藥工程學院，天津 301617 2. 省部共建組分中藥國家重點實驗室，天津 301617 3. 現代中醫藥海河實驗室，天津 301617

傳統中藥制造業正不斷向數字化、信息化、智能化升級，這對智能化硬件提出了更高的要求。現場可編程門陣列（field-programmable gate array，FPGA）具有多通道同步信號采集、快速數據處理、高性能、低功耗等優勢，在社會生產的諸多領域已被廣泛應用。對FPGA組成和工業應用優勢進行介紹，結合中藥制藥工業應用場景的原理和領域知識，對FPGA技術在中藥智能制藥中的應用進行探討研究，主要涉及制藥過程信號采集、圖像處理、深度學習3個方面，以期為中藥制藥行業過程控制、工藝優化等提供技術參考。

現場可編程門陣列；中藥智能制藥；信號采集；圖片處理；深度學習

隨著經濟的發展和科學技術的進步，為了滿足人民群眾對于生活品質的需求，如何進一步提升中藥產品質量已經成為中藥制藥行業亟需解決的關鍵工業問題。中藥物質組成和制藥過程具有復雜性，導致其質量控制較為困難[1]。一方面，由于中藥制藥的原料來源于田間的農業種植，受到土壤、氣候等多種因素的影響，批次間相關組分濃度存在一定的波動，這就從源頭上對中藥制藥過程質量控制輸入了不確定因素；另一方面，中藥制藥過程涵蓋多種工藝，涉及物質組分以及能量傳遞等多種復雜物理過程，工業現場對于相關過程的傳遞機制模型以及生產運行關鍵工藝參數認知較為模糊。這2個主要原因直接影響中藥最終產品的質量均一性控制。

基于質量源于設計（quality by design，QbD）的質量風險管理理念，有必要從生產投料開始對中藥產品質量在各個單元工藝中的變化過程進行客觀和科學的檢測。結合現代過程檢測技術，開發適用于中藥制藥的過程檢測技術與裝備，已經成為一個重點的技術研究方向[2]。通過相關技術的研究，可以面向中藥制藥動態生產過程，實現以產品質量一致性為核心的中藥制藥生產過程質量控制和工藝優化[3]。目前，結合先進人工智能的軟硬件技術，包括機器視覺、機器嗅覺、信息融合、知識圖譜等逐漸被國內學者提出并實踐，如在藥材前處理過程中利用機器視覺及機器嗅覺對藥材的真偽鑒定、優劣鑒別[4-7]，提取濃縮過程中利用信息融合技術形成產品的預測控制模型[8]、干燥過程中基于多元統計的信息融合對于干燥產品物質含量和水分含量的快速檢測[9]、制劑過程中通過機器視覺對于丸質量的控制以及異物的檢測等[10-11]，這些新技術從復雜的數據出發，基于成熟的工業傳遞機制模型，深入挖掘原料信息和過程信息之間的有機聯系，從而進一步提升了對于中藥制藥傳遞過程的認知，實現了投料-生產過程-產品質量之間的數字空間映射關系，為制藥過程質量檢測與控制問題提供了新思路。

作為過程分析技術（process analytical technologies，PAT）的硬件基礎，現場可編程門陣列（field-programmable gate array，FPGA）已經在數據多通道采集和并行處理技術領域發揮著不可替代的技術優勢[12-18]。結合FPGA自身技術優勢開發適用于中藥制藥的PAT技術，將能深入認知中藥制藥過程的原理與規律，實現中藥制藥的綠色智能制造和柔性制造，為提升中藥制藥整體的技術水平提供必要的技術支撐。

1 FPGA技術的概念和主要技術優勢

1.1 FPGA的概念和組成

FPGA是在可編程陣列邏輯（programmable array logic，PAL）、通用陣列邏輯（generic array logic，GAL）、可擦除可編輯邏輯器件（erasable programmable logic device，EPLD）和復雜可編程邏輯器件（complex programmable logic device，CPLD）等相關可編程器件的技術基礎上進一步完善和發展所得到的通用型工業邏輯電路開發平臺。它規避了定制電路由于應用場景局限性所帶來的開發成本較大的難題，為滿足不特定的工業需求所提供的半定制的開發電模塊。結合原有的PAL較大自由度開發的技術優勢和CPLD高速邏輯計算的能力，又基于EPLD實現了多次擦寫的能力，FPGA已經成為了目前工業中應用最為廣泛可編程邏輯器件的模塊。

FPGA內部邏輯電路的主要組成結構如圖1所示。在圖1中，1個完整的FPGA模塊主要由若干邏輯單元陳列（logic cell array，LCA）組成。每1個LCA都是由可配置邏輯模塊（configurable logic block，CLB）、輸入輸出模塊（input output block，IOB）和內部連線組成[19-21]。CLB是FPGA邏輯計算的核心，通過CLB間的排列組合從而實現FPGA不同的輸入/輸出的運行邏輯。IOB是FPGA與外界交互的模塊，外界的聲、光、電和磁通過相關的信號轉化裝置轉變為相應的電信號后通過IOB輸入至FPGA，而后FPGA根據運行后的結果通過IOB發出電信號指令驅動相關的動作系統對輸入信號進行相應的動作反饋[21-22]。內部連線連接了內部的CLB實現其相對應的邏輯組合[23]。

1.2 FPGA在工業場景的一般使用流程

在一般工業場景中，為了解決復雜的工業應用問題，工藝工程師往往需要根據具體問題具體分析，定制化地開發特定的FPGA邏輯運行程序。因此，FPGA的基本使用流程：（1）工藝工程師根據現場的應用場景，在上位機編寫相應的程序，實現輸入到輸出的邏輯運算；然后通過燒錄（即把原程序經編譯處理后加載到計算機中，讓其執行相應的程序）軟件，將已經編寫好的運行程序輸入FPGA中，燒錄軟件根據軟件需求，智能計算并調度CLB的排列組合方式，根據FPGA的生產廠家不同，CLB的調度方式有所差異；FPGA會根據軟件需求將IOB，CLB和靜態隨機存取存儲器（static random-access memory，SRAM）間的數據讀取和存儲地址進行匹配并固化。（2）當FPGA的軟件運行程序燒錄固化后，工藝工程師根據現場的需求和程序中所使用的IOB，將傳感器的信號輸出線接入FPGA相對應的針腳上，實現輸入和輸出數據與計算程序的一一對應，保證了采集和輸出數據的精度。（3）根據現場FPGA輸出結果進行分析判斷，保證其輸出信息是工藝設計預期的目標，否則對FPGA的運行程序進行排錯，重新編譯運行。

圖1 FPGA芯片的基本結構

FGPA芯片反復的擦寫正是其技術優勢的一個重要方面[24]。正是其可以根據現場需求實現芯片邏輯的快速部署，從而實現了目標信息采集到控制的低成本定制化開發，降低了開發難度和開發周期，也使其可以滿足中藥制藥工業多品種、高復雜度的應用場景。

1.3 FPGA的工業應用優勢

FPGA技術是為了解決復雜的工業應用問題，降低定制化大規模電路芯片成本而進行開發的[25]。隨著半導體技術的發展，FPGA工業應用技術優勢愈發增強。對比現有的工業信號采集處理系統，其具有以下明顯的技術優勢。

1.3.1 采集信號頻率、精度高 信號采集就是對傳感器輸出的模擬信號進行采集，然后通過模數轉換器對輸入模擬信號采樣、量化成為數字信號輸入到計算機進行計算和處理從而實現控制。信號的采集頻率直接決定了信號采集的精度。FPGA安裝有高主頻的晶振時鐘，其可以通過時鐘分頻技術實現各個信號采集引腳對于時鐘信號的獨立處理，每一個引腳都可以使用相對獨立的高頻時鐘實現信號的高精度采集，避免了信號間的干擾[26]；且FPGA系統中搭載了各種時鐘分頻和倍頻設計，從而保證了各個引腳按照信號采集的需求獨立使用完全不同的時鐘信號，實現了采集信號的連續性，避免了關鍵信息的丟失[27]。FPGA高頻率、高精度的信號采集優勢使其具備在較低的工藝成本條件下滿足智能控制所需要的實時性的嚴苛要求。

1.3.2 多通道同步信號采集，獨立數模轉化 目前工業上一般采用可編程邏輯控制器（programmable logic controller，PLC）實現信號的采集和處理。但隨著采集信號的種類增多，現有技術中采用PLC進行信號采集和處理方式已暴露出其缺點，其串行的掃描方式導致了所采集的數據不具備時間同步性，無法根據時間來對數據進行分析，在大型的工藝生產操作中，為相關的數據分析、處理帶來了困難。

FPGA采用的是并行化和流水線算法結構設計[28-29]，因此電路在執行不同任務時可同時發生，并且彼此之間相互獨立，互不干擾，打破了傳統的串行執行模式，實時流水線運算使任務分段，段與段之間又可同時執行，可以說在熟知FPGA的設計原理及準則前提下，基于FPGA的電路優勢和實際需求，設計出一種高效、并行、流水的邏輯結構（圖2），能夠大大提升數據的處理速度和效率，滿足工業生產中諸多應用場景中對于實時性的要求。

1.3.3 高性能、成本低、功耗低，適宜大規模使用 無論是性能還是在成本控制方面，FPGA的優勢也相當明顯[30-31]。可重構的特性使其可根據不同需求改變內部邏輯，縮短設計周期，從而減少大量的開發成本。在功耗方面，FPGA擁有更低的能耗，適宜大規模開發和利用。因此，FPGA技術所具備的高精度、高實時性的數據處理能力是非常貼合中藥制藥間歇式、多批次的制藥工藝特點。通過FPGA在中藥制藥工藝中應用的研究，將有助于提升中藥制藥整體智能化水平，實現精準的生產工藝控制。

圖2 基于FPGA的多通道同步信號采集硬件結構圖

Fig. 2 Hardware architecture of FPGA-based multi-channel synchronous signal acquisition

針對中藥制造過程技術痛點問題，中藥智能制造借助傳感器技術、圖片處理技術、深度學習等信息技術可實現信息化與工業化的深度結合，極大促進中藥智能制造的高質量發展模式[32]。近些年，生產領域應用的需求多樣化，FPGA技術在信號采集、圖像處理、深度學習等多個方面扮演著越來越重要的角色，成為電子系統中不可或缺的一部分。

2 FPGA在中藥智能制藥過程信號采集中的應用

為了嚴格把控產品質量批次間一致性，中藥制藥生產過程對于工藝參數的實時性采集存在較高的要求，需要FPGA有多通道、高精度和高采集頻率的信號采集和處理能力。朱紫萌等[33]設計了一種基于FPGA的多源信號采集系統，該系統可以滿足十路異源信號的并行采集，滿足彈載設備高速、高精度信號采集的需求。楊棟等[34]設計了以FPGA為核心的多路數據采集系統，可實現對多路熱電偶信號、光電信號及1路冷端補償信號的實時采集，且測量誤差滿足目標。霍道強[35]設計了以FPGA為核心的高性能多通道高速數據同步采集設備，實現了多通道數據同步采集功能，通道間同步誤差小于1.8°。下面以中藥制藥的色譜工藝和濃縮工藝為例，討論并分析FPGA在工業領域的具體應用過程。

2.1 FPGA在中藥濃縮過程工藝參數采集中的應用

中藥濃縮工藝是中藥制藥過程中常見的生產工藝流程，通過外界加熱使中藥提取液的溶劑受熱蒸發，從而得到較高濃度的濃縮液作為下游生產工藝的投料。因此，濃縮液的質量勢必影響下游產品的一致性，成為中藥自動化生產流程中重要的一環。濃縮過程中為達到防止料液過度受熱以及提升生產過程能源利用率等研究目的，精確的進料速率是目前控制環節中的主要控制變量。在中藥濃縮工藝中，列管換熱器是比較常用的換熱蒸發設備。其管程中流動著中藥料液，殼程內流動著加熱用的工作流體，如飽和蒸汽等。在實際生產過程中，殼程內的蒸汽發生冷凝，其液化產生的相變能量通過管壁傳遞給管程中流動的中藥料液；在高真空度條件下，中藥料液的沸點降低，吸收到殼程內傳遞的熱量發生沸騰作用，溶劑從液相汽化為氣相；當氣液混合物流入氣液分離室后，在重力作用下氣液分離，蒸汽從分離室的頂端排出，液相繼續進入換熱器進行沸騰蒸發。

在FPGA中部署當前濃縮生產物料的物性計算數據庫，主要包括溶質濃度-密度-溫度方程、溶質濃度-黏度-溫度方程、溶質濃度-表面張力-溫度方程、溶質濃度-導熱率-溫度方程等。FPGA系統根據同一時刻下檢測得到的溶液密度、系統真空度和溫度數據，計算得到此刻的料液溶質濃度，并以此計算得到其他物性數據。在獲知全部所需物性數據的基礎上，FPGA再根據化工典型的傳質/傳熱方程，計算得到本預測周期內溶劑蒸發速率。計算系統結合當前時刻的液位高度換算得到本預測周期內的補料量進而進行補料，從而實現整個濃縮過程的預測控制。在整個濃縮過程中，由于溶劑濃度隨時間變化較為明顯，濃縮工藝參數在不同時刻檢測數據差異較大等因素，料液密度、真空度、溫度以及料液動態液位高度必須要在同一時刻內進行采集用于計算，避免采樣時間差對于計算精度的影響，并且由于涉及各種復雜物理方程的計算，因此濃縮現場還需滿足對于計算速度和計算精度的較高要求。

綜上所述，濃縮過程相關工藝參數必須要結合FPGA的實時同步高速采樣特性，對參數進行實時跟蹤調整，減小藥液濃縮過程參數控制回路的滯后性[36]。且相關數據直接在FPGA內利用其高速計算的特性，在本地或設備側進行運算，直接根據事前輸入的方程換算成進料質量流率的邏輯控制關系，構建檢測參數與控制參數間的控制邏輯關系。通過參數的同步實時檢測與控制，從而實現對給料的精確定量實時控制。并且在濃縮過程的自動化控制中，為了取得理想的控制效果，改變算法也是常用的一種方式[37]，FPGA強大的并行高效處理能力以及可重構性使算法更易實現，大大減少開發成本與周期，降低能耗。

2.2 FPGA在中藥色譜過程工藝參數采集中的應用

中藥色譜利用吸附劑對不同物質的選擇性分配而實現多組分混合物的分離方法。工業色譜過程中，完成上樣后，通過輸送管道完成不同濃度洗脫劑的配比輸送到色譜柱中進而實現目的組分的洗脫分離。隨著目標組分在洗脫劑和吸附劑間的不斷進行固液平衡，直至關鍵組分隨著洗脫液與其他無效組分分離，流出色譜柱完成其純化處理。

在色譜過程中，關鍵組分的出峰時間是相對短暫的，如何通過準確預測洗脫工藝得到較好的組分出峰峰形，防止拖尾帶出其他無關組分提高目的組分純度是色譜工序的核心工作。色譜系統中的色譜柱前、后的液體壓力關系著溶劑在柱中的體積流量，洗脫液質量、流量關系著洗脫液比例組成，色譜柱的溫度關系著填料的吸附能力，這些參數對色譜系統的純化能力有著較為重要的影響。在FPGA中構建溶質在填料和溶液之間的組分傳遞平衡方程并對其進行精確計算，利用溶質濃度作為輸入值得到溶質在填料和溶液中的分配比，從而預測性得到溶液濃度組分變化，再根據實時檢測的參數獲得當前的色譜柱內部狀態，為下一時刻的洗脫工藝參數進行預測性調節，最終實現色譜過程中目的組分的高純度洗脫[38-39]。與濃縮工藝過程控制要求一樣，色譜過程的工藝參數在線檢測也需滿足實時性的要求，各個參數必須基于FPGA的同步采樣優勢進行實時同步采集、傳輸和計算，以此實時獲取色譜柱全方位、立體、長時間的信號信息來實現對色譜工藝的精確控制，提升色譜組分的純度，并為相關過程分析提供數據支撐。因此，FPGA的多通道并行采集技術可以在色譜系統中進行廣泛的應用。

總而言之，由于中藥制藥工藝是半連續半間歇的生產工藝流程，其關鍵工藝階段對于工藝參數的實時性采集存在較高的需求。基于FPGA在信號獲取上多通道同步采集的優勢，可從根源上解決串行參數測量對于工藝控制造成時間上的錯位的問題，精確獲取質量控制的關鍵參數信號數據。因此，FPGA技術必然要在中藥制藥領域發揮更大的數據采集作用，幫助中藥制藥解決工藝參數在時間上的邏輯關聯性，提升產品質量控制水平。

3 FPGA在中藥智能制藥過程圖像處理中的應用

以FPGA為核心的圖像處理系統已經逐漸進入工業應用，并展現出其強大的優越性[40]。何昌鴻[41]利用FPGA強大的并行數據處理能力，研究了一種基于FPGA的GigE高速圖像采集及處理系統，這種圖像處理系統能夠進行實時圖像處理，完成圖像特征的高速提取。基于FPGA高速的硬件計算和并行運算的優勢，羅林[42]完成了一種快速圖像處理算法的設計，實現了圖像處理技術和快速執行的目標。姚丹[43]提出了一種以FPGA技術為核心的表面缺陷在線檢測系統，通過采集及分析待檢產品表面圖像數據來判斷是否存在裂痕等瑕疵，實現了在線實時缺陷檢測，能夠有效判斷產品是否合格。

中藥材由于品種、產地繁多，且存在摻假、假冒等現象使得鑒別困難，采用傳統的鑒別方法雖然成本較低，但易受主觀因素影響，缺乏客觀量化的統一標準。對于中藥的質量控制，通常以成品質量的檢驗為核心，然而對于其制藥過程中的內在規律卻存在不清晰、不明確等情況，因此造成生產過程監管困難、質控成本高等問題。針對這些問題可以通過中藥制造方法結合圖像處理技術得到部分解決，實現從原料到成品的生產過程監測，從大量圖像數據中挖掘其蘊藏的豐富質量信息[44]。然而這種圖像處理通常有著較高的實時性技術要求，并涉及大量的重復運算，因此需要很高的數據采集速度和傳輸帶寬，不僅如此，對于圖像數據的處理能力也有很高的要求。利用FPGA技術可以很好地解決上述問題，基于FPGA內嵌的并行同步求解矩陣計算能力，實現在采集設備邊緣直接進行圖像處理，避免大量數據傳送對于設備間帶寬的占用，降低了設備數據處理壓力，為中藥制藥創新技術提供最基本的硬件支撐。

3.1 FPGA與可見光技術結合在中藥表面缺陷檢測中的應用

中藥表面往往存在霉斑、蟲蛀和破損等影響質量的區域。這些區域在可見光光源的照射下可以進行識別。馬博[45]用LED作為光源，設計了一種基于機器視覺技術的紅棗缺陷檢測和分選系統，實現了紅棗裂紋和表面損傷缺陷的檢測。弋偉國[46]用LED作為光源，設計了一種基于機器視覺的枸杞分級分選機控制系統，能夠準確檢測有損傷的枸杞。

在缺陷檢測圖像處理中，利用視覺手段獲取的目標信息越來越多，大大提升了視覺檢測的準確性，然而傳感器性能的提高卻并未對基于視覺的高精度檢測和測量帶來巨大的推動，其原因在于，由于圖像精度過高、算法執行太過耗時、數據量太過龐大等問題使后續的加速處理技術無法與之相適應，使得在實際應用中，高分辨的視覺檢測系統仍然停留在低速處理的尷尬境地，雖然有一些專用的處理器芯片用來改變這個現狀，然而又存在成本較高、功耗嚴重等問題[47-48]。采用FPGA并行執行的優點，結合流水線思想能夠極大提高運算效率，縮短圖像處理周期。

利用FPGA高速圖像采集和處理能力可以快速將圖像進行增強、切分，識別圖像內不正確的區域，從而對中藥表面進行快速檢測分析。但是由于表面檢測只能識別藥材面向檢測器的一面，因此就需要把藥材翻面后重新進行檢測，以實現藥材的全檢。雖然藥材需要經過2次檢測才能最終對其質量進行判定，但是由于FPGA的計算速度快，所以藥材整體處理量較大，可以滿足生產的需要。同時，FPGA隨時可以更改程序且功耗較低，既可以靈活應對制藥過程中不同場景的圖像處理，又滿足了工廠對節能減排的需求。

3.2 FPGA與X光技術結合在中藥內部缺陷檢測中的應用

中藥材內部往往存在空洞，這些空洞可能是由于內部腐爛或蟲蛀等原因造成，但是從外觀難以進行分辨。X光能夠穿透物體產生透視圖像，通常被應用在醫療、工業檢測、公共安全等領域[49]，并逐漸開始應用到中藥質量檢測中，利用X光在線檢測設備對中藥進行內部拍攝，在不破壞其外部形狀情況下得到其內部投影圖像，從而獲知其內部質量情況。本課題組開發了一種利用人工智能圖像分類技術檢測胖大海內部結構的X射線檢測系統，該系統能準確識別胖大海內部缺陷[50]。

X射線對于不同物質吸收程度不同，由于藥材結構多樣，大小、厚度、密度不一，因此X射線穿透藥材后會呈現黑白不一的灰度圖像，通過FPGA的圖像處理能力，可以快速在圖像中識別并定位灰度異常區域，通過二極化和網格化處理技術，實現異常圖像的分類與篩選，提高X光圖像的分選精度和速度，保證處理質量。

基于X光的藥材在線檢測分析技術無須對藥材進行翻面即可實現對其內部結構的檢測分析。基于FPGA的高精度計算處理能力，可以實現對其內部缺陷的高精度分析，實現藥材快速無損的內部質量判定。

3.3 FPGA與高光譜技術結合在中藥異物分選檢測中的應用

高光譜成像技術是中藥異物分選無損檢測中一種有效手段，其成像本質是二維成像技術和光譜技術的結合體，能同時提供關于檢測對象外部和內部品質的空間信息和光譜信息[51-52]。高光譜成像系統的光學元件把輸入的寬帶光分散成不同頻率的單色光，并將其投射到CCD相機上實現光譜成像，得到高光譜圖像是一段連續波段的光學圖像組成的立體三維圖像，包含著物品形狀大小、缺陷、內部品質等信息，由于物品變化會影響反射光譜，因此實現異物分選檢測[53]。胡翠英等[54]利用光譜成像技術對紅花、西紅花和菊花進行檢測后，發現它們的特征光譜曲線顯著不同。趙靜等[55]利用光譜成像技術快速實現香加皮等5種皮類藥材的鑒別和分選。吳文輝等[56]利用光譜成像技術構建藥用珍珠粉的指紋圖譜，能準確識別不同品系的珍珠產品及其真偽鑒別。

在使用高光譜進行異物分選過程中，待樣品在傳送帶上完成掃描后，利用FPGA并行計算能力，對相機采集的圖像分別進行快速及時的圖像處理和數據處理，從而實時得到待測物體的光譜學信息，并挖掘出樣品之間的高光譜差異性進而分析目標是否存在待分選的異物以及空間坐標信息，同時為下游的氣動分選系統提供驅動信息，最終實現異物的空間識別與智能捕捉。該方法可基于FPGA快速的數據處理能力，結合高光譜成像技術即可批量、快速、無損的對中藥進行檢測鑒別，加強中藥質量監測。

FPGA為數字圖像實時處理提供了新的思路，其較高的數據采集頻率可以實現數據高速采集，并行和流水線的算法結構使得圖像中每個像素單元都可以實施單獨重復操作，實現了圖像處理算法快速執行的目標，因此可以完全滿足中藥制藥生產工藝對于圖像實時處理的工藝技術要求。

4 FPGA在中藥智能制藥過程深度學習中的應用

深度學習算法是以數據處理為核心，計算量龐大，需要與其計算量相適應且高性能、低功耗的硬件支撐。FPGA以其高度并行計算、低功耗、高性能、可重復編程等特性在眾多硬件中脫穎而出。Wang等[57]用FPGA作為硬件核心，設計了深度學習加速器單元，不僅具有較大的速度提升，而且功耗更低。Ponnusamy等[58]利用FPGA平臺計算密集型操作，提出了基于深度學習神經網絡的X射線圖像分類用于海關機場等場合行李掃描，解決處理延遲問題。朱彬如[59]將深度學習的心律失常自動分類方法結合FPGA硬件加速方案，有效解決了傳統分類方法導致的實時性不高等問題。

中藥制藥過程影響質量的因素眾多，“控什么”和“如何控”是中藥制藥工程面對的科學問題和技術問題[60]。采用深度學習算法研究中藥制藥過程變化規律，洞察引起藥品質量波動的因素，并基于實時產生的工業大數據不斷地自我學習得到基于控制參數與產品質量參數的預測控制模型，適時優化調整中成藥生產制造方式，實現對制藥過程的預測和實時控制是中藥制藥過程質量控制的新模式。

4.1 基于FPGA技術的干燥工藝參數預測

干燥過程作為制藥過程中的常見單元操作，具有多變量、非線性、強耦合的特征[61]。工業通常以合格的物料含水率、較高的能量利用率作為干燥工藝質量輸出的核心需求和干燥過程中優化的核心目標。中藥真空帶式干燥工藝的生產效率受多個工藝參數的影響[62-63]，如傳送帶速度、給料質量流量和加熱溫度等。其中，提升加熱溫度可以有效的維持產品出口含水率，在此種條件下，為了優化能量消耗，就必須要提升傳送帶速度和給料速率，但是此時隨著物料增厚和系統停留時間的降低，出口含水率便會有增加的趨勢；與之相對的是，當加熱溫度降低，就需要提升物料在系統中的停留時間，此時則會降低生產效率，與此同時，生產能耗也會隨著生產時間的推移而增加。因此，為了更好分析多因素間的耦合作用關系對干燥工藝的影響，本課題組采用深度學習的技術分析各個工藝間的作用關系，并基于FPGA的計算基礎實現中藥制藥干燥工藝參數的優化預測。

首先，在FPGA模塊中部署真空帶式干燥仿真模擬數字孿生系統，以實現基于輸入的物性數據和設定的出口含水率，計算輸出符合要求的真空帶式干燥操作工藝，如進料速度、多段加熱溫度和傳送帶速度等。其次，在上位機中部署基于深度強化學習算法開發的真空帶式干燥工藝的深度強化學習模型用于干燥工藝參數的自主決策。深度強化學習模型以最大化收益支出比為目標，智能體對多種符合要求的工藝參數組合進行篩選，進而完成生產工藝的調優。最后，將數字孿生系統與強化學習算法結合，數字孿生系統為強化學習模型提供數據支持，讀取設備實時工藝參數及產品質量作為初始狀態，以初始狀態為優化起點快速完成工藝參數的調優并給出工藝決策建議。數字孿生模型每次運算產生的數據將與實際生產進行對比，通過數據積累不斷對誤差進行修正，數字孿生模型將逐漸完善，與此同時工藝參數將不斷被優化改進。

基于FPGA的信號處理能力和系統運算能力，可以把生產設備的工藝信息、操作信息和物料信息進行在線采集，并結合自身的智能算法對于所采集的信息進行分析計算，從而得到目標生產設備的最優操作工藝參數，以此來降低來源于中藥原料的批次質量差異對于下游產品質量的影響，實現最終產品質量的相對一致性。

4.2 基于FPGA技術的生產線整體優化工藝預測

依照單個工藝參數預測模型的構建模式可以完成對生產線上多種單元工藝進行建模。將多個單元工藝進行組合排列即可構建出生產線的數字孿生模型。中藥制藥生產線多智能體模型由若干個單元工藝單智能體模型組成。各個單智能體模型相互協作，在保證單元設備在較優狀態先運行的同時對生產線的整體目標進行優化。此種方法避免了在組合生產工藝中產生的局部優化問題。在整體工藝調優的基礎上可以利用多智能體強化學習進一步挖掘潛在知識，如各生產工藝之間的能源分配、物料轉運和人員流轉等問題。

依靠FPGA自身攜帶的網絡通訊能力，可以實現多個邊緣計算系統的數據互通，以產品生產線的整體優化為計算目標，從上及下，從整體到個體進行優化計算，并根據現有的計算結果進行實施部署，實現數據的高度互通。

因此，基于FPGA的數據高速處理能力，可以開發適用于中藥制藥工藝特定的邊緣計算系統，以此來解決中藥制藥生產過程中批次間差異的關鍵工藝問題，實現從數據源頭出發，融合歷史生產數據來提升未來產品質量。

5 結語和展望

中藥工業是我國醫藥健康產業的重要組成部分，推動傳統中藥制造工業數字化、智能化的升級研究尚處于起步階段。面對新一輪工業革命的機遇與挑戰，如何引領我國中藥工業邁向智能化時代面臨的技術難題考驗著業界有關人員的智慧和能力。中藥智能制造不是簡單的一個口號，而是切實解決在中藥制造過程中面對的具體問題。

FPGA技術自發明以來逐漸在各領域發揮著舉足輕重的作用，然而其在中藥制藥領域的應用尚未見相關報道。針對中藥制藥過程中的參數混雜問題，創建先進適用的實時檢測技術是實現參數可測性的關鍵手段，參考FPGA在其他領域信號采集的創新應用，充分利用其多通道同步信號采集的技術優勢，實現相應數據的全面、精確獲取或將成為解決這項難題的對癥之藥。面對制藥過程產生的海量數據，快捷、低能耗的數據處理技術成為工廠的迫切需求，將FPGA運用到中藥智能制造中是現實和形勢所需。生產運行過程中，工業大數據連續產生。FPGA雖然優勢明顯，歸根結底只是一種技術工具，針對中藥智能制造工藝中存在的各類錯綜復雜的信息變量，如何剔除無關變量，聚焦關鍵物料屬性變量與過程參數變量是今后需要解決的核心問題，從而切實提高中藥制藥產業整體質量與效益。

總而言之，推動中藥制造工業升級轉型不是一蹴而就的事情，面對此過程的問題與挑戰，仍需相關科學技術人員對該領域進行持續的關注及研究，廣泛借鑒新科技加強制藥工程技術創新研究，突破制藥技術發展瓶頸問題，激發中藥產業發展的新活力，逐步完成制藥過程升級改造，從而構建中藥制藥的高質量發展的新模式。

利益沖突 所有作者均聲明不存在利益沖突

[1] 董曉旭, 蔡夢如, 張志勤, 等. 論中藥制劑工藝參數與質量參數的關聯性與協調性 [J]. 中國新藥雜志, 2022, 31(13): 1248-1253.

[2] 楊艷玲, 李花花, 黃嘉怡, 等. 基于質量源于設計 (QbD) 理念的經典名方桃紅四物湯的提取工藝研究 [J]. 中草藥, 2022, 53(2): 403-412.

[3] 程翼宇, 瞿海斌, 張伯禮. 中藥工業4.0: 從數字制藥邁向智慧制藥 [J]. 中國中藥雜志, 2016, 41(1): 1-5.

[4] 錢丹丹, 周金海. 基于計算機視覺的中藥飲片檢測與分級研究 [J]. 時珍國醫國藥, 2019, 30(1): 203-205.

[5] 余亦婷, 趙乙萌, 袁曦, 等. Heracles Neo超快速氣相電子鼻對不同產地、生長年限及采收期黃芪藥材品質評價研究 [J]. 中草藥, 2022, 53(5): 1328-1337.

[6] 李昱, 宮靜雯, 費程浩, 等. 快速氣相電子鼻結合人工神經網絡對3種五味子飲片快速識別及氣味差異標志物研究 [J]. 中草藥, 2022, 53(5): 1303-1312.

[7] 朱廣飛, 王靜, 錢怡潔, 等. 基于Heracles Neo超快速氣相電子鼻對廣藿香飲片的快速鑒別及氣味指紋圖譜研究 [J]. 中草藥, 2022, 53(5): 1320-1327.

[8] 張娜, 徐冰, 賈帥蕓, 等. 丹參提取過程多源信息融合建模方法研究 [J]. 中草藥, 2018, 49(6): 1304-1310.

[9] 王鐾璇, 司夢蘭, 繆培琪, 等. 基于數據驅動的制藥干燥過程智能控制技術研究進展 [J]. 天津中醫藥大學學報, 2020, 39(6): 604-611.

[10] 金斌杰. 基于機器視覺的中藥滴丸過程控制方法研究與應用 [D]. 杭州: 浙江大學, 2021.

[11] 姚冠宇, 鐘芳松. 中藥口服液瓶可見異物移動檢測系統研究 [J]. 計算機測量與控制, 2017, 25(10): 15-18.

[12] Ohkawa T, Yamashina K, Kimura H,. FPGA components for integrating FPGAs into robot systems [J]., 2018, 101(2): 363-375.

[13] Guo Y, Yan W, Huang Y R, et al. Research progress of FPGA technology in biomedical imaging [J]., 2020, 47(6): 483-497.

[14] Sun X, Xue C J, Yu J H,. Accelerating data filtering for database using FPGA [J]., 2021, 114: 101908.

[15] da Costa A L X, Silva C A D, Torquato M F,. Parallel implementation of particle swarm optimization on FPGA [J]., 2019, 66(11): 1875-1879.

[16] 賀嘉誠, 張玉璽, 王俊, 等. 基于FPGA的多通道雷達數據采集系統[A] // 第十三屆全國DSP應用技術學術會議論文集 [C]. 北京: 中國電子學會, 2021: 38-41.

[17] 鐘瑜, 吳明欽. 一種高性能并行計算架構的FPGA實現 [J]. 電訊技術, 2019, 59(7): 829-835.

[18] 白圓. 并行硬件簡介 [J]. 中國新通信, 2016, 18(16): 44.

[19] 陽文敏. FPGA動態配置機制研究及應用 [D]. 無錫: 江南大學, 2014.

[20] 陳木. 淺談FPGA技術的優勢及其應用 [J]. 電子世界, 2015(13): 199-200.

[21] 鄧濤. FPGA芯片功能剖析及應用優勢 [J]. 數字通信世界, 2017(4): 157-158.

[22] 楊波. 基于FPGA的火箭飛控軟件測試平臺的設計與實現 [D]. 北京: 中國科學院大學, 2016.

[23] 韋智康, 梁嘉琳. FPGA技術應用于核電領域的優勢及缺陷分析 [J]. 儀器儀表用戶, 2013, 20(6): 90-93.

[24] 鄭志旺. 基于國產FPGA的數據采集存儲系統的研究與設計 [D]. 太原: 中北大學, 2021.

[25] 焦李成, 孫其功, 楊育婷, 等. 深度神經網絡FPGA設計進展、實現與展望 [J]. 計算機學報, 2022, 45(3): 441-471.

[26] Rajpal R, Mandaliya H, Patel J,. Embedded multi-channel data acquisition system on FPGA for Aditya Tokamak [J]., 2016, 112: 964-968.

[27] 王旭東, 陳濤, 鄭磊. 基于FPGA的多通道數據采集系統設計應用 [J]. 數字技術與應用, 2021, 39(10): 190-192.

[28] 王瑩瑩, 牟軍, 周鵬. FPGA技術優勢及編程實踐經驗總結 [J]. 信息記錄材料, 2020, 21(9): 83-84.

[29] 李鑫, 閆雪梅, 高媛媛, 等. FPGA發展現狀和行業應用分析 [J]. 信息通信技術與政策, 2022(7): 65-72.

[30] 王小強, 李斌, 余永濤, 等. 高端芯片技術特點及測評難點分析 [J]. 電子產品可靠性與環境試驗, 2022, 40(3): 100-106.

[31] Chen R Q, Wu T Y, Zheng Y C,. MLoF: machine learning accelerators for the low-cost FPGA platforms [J]., 2021, 12(1): 89.

[32] 王瑩, 肖莉, 陳偉, 等. 中藥智能制造的發展與展望 [J]. 中醫藥導報, 2022, 28(3): 37-39.

[33] 朱紫萌, 于洵, 王剛, 等. 一種多源多通道信號采集系統設計 [J]. 電子設計工程, 2022, 30(2): 126-132.

[34] 楊棟, 江虹, 羅穎, 等. 基于FPGA的多路傳感信號采集系統設計 [J]. 儀表技術與傳感器, 2022(6): 75-79.

[35] 霍道強. 基于FPGA的多通道數據采集單元設計與實現 [D]. 成都: 電子科技大學, 2022.

[36] 滕琦, 劉慶閣. 基于自整定模糊PID算法的濃縮工藝溫度控制研究 [J]. 長春理工大學學報: 自然科學版, 2021, 44(2): 80-85.

[37] 陳玉宣, 張居賓, 俞文光, 等. 中藥濃縮過程控制思路與方法 [J]. 世界中醫藥, 2021, 16(23): 3409-3413.

[38] Nikita S, Tiwari A, Sonawat D,. Reinforcement learning based optimization of process chromatography for continuous processing of biopharmaceuticals [J]., 2021, 230: 116171.

[39] Subraveti S G, Li Z K, Prasad V,. Can a computer “learn” nonlinear chromatography: Physics-based deep neural networks for simulation and optimization of chromatographic processes [J]., 2022, 1672: 463037.

[40] 李航. 基于FPGA和千兆以太網 (GigE) 的圖像處理系統設計 [D]. 南京: 南京理工大學, 2014.

[41] 何昌鴻. 基于FPGA的GigE高速圖像采集及處理系統的研究與應用 [D]. 撫州: 東華理工大學, 2019.

[42] 羅林. 基于FPGA的快速圖像處理算法的研究與實現 [D]. 重慶: 重慶交通大學, 2015.

[43] 姚丹. 基于FPGA的表面缺陷在線檢測系統應用研究 [D]. 西安: 西安科技大學, 2015.

[44] 繆培琪, 王鐾璇, 司夢蘭, 等. 機器視覺檢測技術及其在中藥智能制藥中的應用展望 [J]. 天津中醫藥大學學報, 2020, 39(4): 365-373.

[45] 馬博. 基于機器視覺的紅棗缺陷檢測及分選系統的研究 [D]. 阿拉爾: 塔里木大學, 2021.

[46] 弋偉國. 基于機器視覺的枸杞分級分選機控制系統研究 [D]. 銀川: 寧夏大學, 2016.

[47] 潘銀飛. 視覺檢測中特征提取的FPGA加速技術研究 [D]. 合肥: 合肥工業大學, 2021.

[48] 郭常青. 基于FPGA的實時圖像預處理技術研究與實現 [D]. 太原: 中北大學, 2022.

[49] 梁添汾, 張南峰, 張艷喜, 等. 違禁品X光圖像檢測技術應用研究進展綜述 [J]. 計算機工程與應用, 2021, 57(16): 74-82.

[50] Xue Q L, Miao P Q, Miao K H,. X-ray-based machine vision technique for detection of internal defects ofseeds [J]., 2022, 87(8): 3386-3395.

[51] 陳玲, 程國東, 徐建航, 等. 基于高光譜技術的水果新鮮度檢測可行性研究 [J]. 電子測試, 2021(24): 41-43.

[52] 蔚栓. 高光譜成像多特征信息在草莓品質分析中的應用 [D]. 合肥: 安徽大學, 2020.

[53] 賈敏, 歐中華. 高光譜成像技術在果蔬品質檢測中的應用 [J]. 激光生物學報, 2018, 27(2): 119-126.

[54] 胡翠英, 馬驥, 龐其昌, 等. 基于光譜成像技術的紅花快速鑒別與質量評價 [J]. 遼寧中醫藥大學學報, 2013, 15(2): 57-59.

[55] 趙靜, 馬驥, 龐其昌, 等. 香加皮等5種皮類中藥的光譜成像技術比較鑒別與分析 [J]. 時珍國醫國藥, 2012, 23(1): 188-190.

[56] 吳文輝, 郭麗芬, 葉美顏, 等. 光譜成像指紋圖譜在藥用珍珠鑒定中的應用研究 [J]. 藥物分析雜志, 2015, 35(6): 1087-1091.

[57] Wang C, Gong L, Yu Q,. DLAU: A scalable deep learning accelerator unit on FPGA [J]., 2017, 36(3): 513-517.

[58] Ponnusamy V, Marur D R, Dhanaskodi D,. Deep learning-based X-ray baggage hazardous object detection-an FPGA implementation [J].', 2021, 35(5): 431-435.

[59] 朱彬如. FPGA加速深度學習心律失常分類研究 [D]. 武漢: 湖北工業大學, 2021.

[60] 程翼宇, 張伯禮, 方同華, 等. 智慧精益制藥工程理論及其中藥工業轉化研究 [J]. 中國中藥雜志, 2019, 44(23): 5017-5021.

[61] Xue Q L, Miao K H, Yu Y,. A novel method for vacuum belt drying process optimization of licorice [J]., 2022, 328: 111075.

[62] 王仁杰, 王凱玉, 何昕煒, 等. 烏梅浸膏真空帶式干燥工藝的優化 [J]. 中成藥, 2021, 43(2): 468-471.

[63] 左斌, 孫輝, 胡鵬程. 膽寧片浸膏真空帶式干燥不同加熱溫度下粉體學研究 [J]. 上海醫藥, 2017, 38(15): 79-82.

Discussion on application of FPGA-based technologies in smart manufacturing for traditional Chinese medicine

LI Xiao-li1, 2, 3, XUE Qi-long1, 2, 3, MIAO Kun-hong1, 2, 3, ZHAO Qian1, 2, 3, YU Yang1, 2, 3, LI Zheng1, 2, 3

1. College of Pharmaceutical Engineering of Traditional Chinese Medicine, Tianjin University of Traditional Chinese Medicine, Tianjin 301617, China 2. State Key Laboratory of Component Traditional Chinese Medicine, Tianjin 301617, China 3. Haihe Laboratory of Modern Chinese Medicine, Tianjin 301617, China

Traditional Chinese medicine (TCM) manufacturing industry is constantly upgrading to digitization, informatization and intellectualization, which put forward higher requirements for intelligent hardware. Field programmable gate array (FPGA) has the advantages of multi-channel synchronous signal acquisition, fast data processing, high performance and low power consumption, and it has been widely used in many fields of social production. Composition and application advantages of FPGA were introduced in this paper. The application of FPGA technology in smart manufacturing for TCM including process signal acquisition, image processing and deep learning was discussed, combining the principle and domain knowledge of application scenario of TCM pharmaceutical industry, in order to provide technical support to TCM manufacturing industry and development of modern industry.

field-programmable gate array; smart manufacturing for traditional Chinese medicine; signal acquisition; image processing; deep learning

R28

A

0253 - 2670(2023)01 - 0283 - 09

10.7501/j.issn.0253-2670.2023.01.030

2022-09-08

天津市教委科研計劃項目（2018KJ006）

李小莉，碩士研究生，研究方向為中藥制藥工程。E-mail: 1527328624@qq.com

通信作者：于 洋，助理研究員，研究方向為中藥制藥工程技術研究與產業轉化。E-mail: yuyang@tjutcm.edu.cn

李 正，研究員，研究方向為中藥制藥工程技術研究與產業轉化。E-mail: lizheng@tjutcm.edu.cn

[責任編輯 崔艷麗]