基于随机森林与近端策略优化算法的片剂压制工艺参数优化模型研究

《International Journal of Pharmaceutics》：Process parameter optimization model for tablet compression based on random forest and proximal policy optimization algorithm

本文提出了一种融合随机森林（RF）与近端策略优化（PPO）算法的片剂压制工艺参数优化模型（RF-PPO），通过特征筛选确定关键工艺参数（CPPs），构建高精度RF质量预测模型（R2>0.92），并利用PPO算法实现毫秒级响应（0.0030?s）的动态参数优化，有效提升片重控制精度，为制药工业智能化升级提供新方案。

　　

Highlight

方法

本研究提出的RF-PPO模型旨在动态优化片剂压制过程中的关键工艺参数，以减少人工干预并提升片剂质量稳定性。首先，对从片剂压制生产线收集的生产数据进行预处理，包括剔除异常值和填补缺失值。随后，通过斯皮尔曼相关性分析、多重共线性评估、特征重要性排序等方法筛选出关键工艺参数（CPPs），并基于这些参数构建随机森林（RF）质量预测模型。近端策略优化（PPO）算法则被用于在模拟环境中迭代优化参数，以最小化RF预测片重与目标片重（0.8?g）之间的偏差。优化后的参数被反馈至RF模型，以预测优化后的片重。最后，通过基于历史生产数据的离线验证和在MATLAB/Simulink中进行的片重闭环控制仿真，评估RF-PPO模型的有效性。

关键工艺参数筛选结果分析

为识别片剂压制过程中影响片重的关键工艺参数，本研究首先基于斯皮尔曼等级相关系数评估了变量间的相关性，结果如图5所示。如图所示，填充设定位置（FSP）、预压设定位置（PCSP）、主压设定压力（MCSPr）、喂料速度（FS）、生产速度（PS）以及主电机电流（MMC）等特征与片重呈现出相对较强的正相关性。

结论

为解决片剂压制过程中因工艺参数自动调整精度有限及持续依赖人工干预而导致的质量波动问题，本研究提出了一种基于随机森林（RF）和近端策略优化（PPO）算法的工艺参数优化模型（RF-PPO），以实现关键工艺参数的自适应控制，并利用一条乳酸菌素片生产线的真实生产数据进行了验证。该模型...