基于历史数据的蒸汽灭菌程序智能优化与在线验证方法与流程

本发明涉及大数据分析与挖掘，具体是一种基于历史数据的蒸汽灭菌程序智能优化与在线验证方法。

背景技术：

1、蒸汽灭菌作为一种经典、可靠的终端灭菌方式，在制药、生物制品、医疗器械及食品等关乎生命健康的关键行业中被广泛应用，其根本目的在于彻底杀灭产品或物品上的所有微生物，包括细菌芽孢，以达到无菌保证水平，在实际工业生产中，特别是大型生物制品或高端医疗器械生产车间，灭菌处理对象日益复杂多样，例如含有蛋白质的培养基、结构精密的手术器械包、具有多孔结构的骨科植入物等，这些被灭菌物品的初始生物负载，即微生物的种类、数量及耐热性，受到原材料来源、前道加工工序的卫生控制水平、人员操作乃至生产批次等多种内部因素的显著影响，呈现出动态波动性，同时，外部环境因素，如季节更替导致的洁净区温湿度变化、厂务端锅炉蒸汽压力的波动，亦会干扰灭菌柜腔内实际的热力状态与蒸汽饱和度，然而，出于对灭菌安全性的绝对保障以及应对监管的保守考量，行业长期普遍采用基于最差情况设计的固定灭菌程序，例如经典的121°c维持30分钟的参数组合，这种“一刀切”的模式在面对生物负载较轻的批次时，必然导致热能、水资源及时间的过度消耗，增加运营成本并折损设备使用寿命；而在处理负载异常复杂、包装特殊或存在难以穿透的腔体结构时，固定的程序又可能因热量分布不均或穿透不足而潜藏灭菌失败的风险，无法在保障“质量零缺陷”与实现“精益生产”之间取得平衡。

2、为优化灭菌工艺，现有技术已尝试超越简单的固定程序控制，主流做法之一是依赖物理参数f0值的在线累计进行反馈控制，即在灭菌温度下对微生物标准热致死时间的积分值达到预设阈值后结束灭菌，该方法虽有一定进步，但f0值计算基于标准微生物在理想条件下的灭活模型，其与实际负载中复杂微生物群落、非理想热力条件的差异构成了根本局限性，另一类研究思路侧重于通过建立灭菌腔室及负载的传热与流体动力学仿真模型，对温度场、蒸汽分布进行模拟，以期在程序开发阶段进行预测与优化，然而，此类基于物理化学第一性原理的模型，其精度严重依赖于众多边界条件的精确设定，例如被灭菌物品的精确几何结构、材料的热物性参数、初始生物负载的空间分布等，这些条件在实际复杂的工业场景中往往难以准确获取或高度简化，更为关键的是，现有的仿真模型通常未能与海量的、反映真实生产条件下不同批次差异性的历史运行数据与最终灭菌效能数据进行深度融合与校准，因此，如何构建一种不依赖于难以获取的精确物理参数，而是能够充分利用多源历史数据，自适应地学习复杂工况与最终灭菌效果之间隐藏映射关系，从而为每个具体批次动态生成或实时调整出既安全可靠又经济高效的个性化灭菌程序的方法，成为当前技术中一个亟待解决的核心问题。

技术实现思路

1、本发明的目的在于提供一种基于历史数据的蒸汽灭菌程序智能优化与在线验证方法，能够通过融合历史多源数据构建工艺知识图谱，能够为每个新批次生成高度个性化且安全的初始灭菌程序，克服了传统固定程序导致的能源浪费或灭菌不足风险，在执行中，利用数据驱动的预测模型实时评估灭菌效能，并结合模型预测控制进行动态参数优化，在确保绝对灭菌安全的前提下，主动节能并缩短周期，整个方案实现了从经验驱动到数据智能驱动的根本转变，形成了感知、决策、执行与自学习的完整闭环，能够提高灭菌工艺的可靠性、经济性和自适应能力，以解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：

3、一种基于历史数据的蒸汽灭菌程序智能优化与在线验证方法，具体包括如下步骤：

4、步骤s1、响应于优化指令，从多源系统中抽取与历史灭菌批次对应的多模态数据；对多模态数据进行时序对齐与特征提取处理，生成历史灭菌批次的结构化特征数据集，其中，多模态数据包括过程参数时序数据、批次属性数据及环境元数据；

5、步骤s2、基于历史灭菌批次的结构化特征数据集，利用聚类算法进行效能模式挖掘，并基于挖掘结果构建灭菌效能知识图谱，其中，灭菌效能知识图谱的节点表征不同的灭菌效能模式，边表征模式间的关联关系；

6、步骤s3、当获取到一个新灭菌批次的批次属性数据及环境元数据作为初始特征时，将初始特征与灭菌效能知识图谱进行匹配，并基于匹配结果生成针对新灭菌批次的个性化初始灭菌程序参数；

7、步骤s4、基于步骤s3生成的个性化初始灭菌程序参数执行灭菌过程，在此过程中，利用一个预先训练的灭菌效能预测模型，对实时采集的过程参数时序数据进行处理，得到预测的灭菌结果；并基于预测的灭菌结果，采用模型预测控制方法对个性化初始灭菌程序参数进行在线自适应调整，生成优化后的灭菌程序参数；

8、作为本发明进一步的方案：所述步骤s1中，从多源系统中抽取多模态数据，多源系统包括灭菌设备控制系统、制造执行系统、实验室信息管理系统及环境监控系统；从灭菌设备控制系统中抽取过程参数时序数据，该过程参数时序数据包括由温度传感器测得的温度-时间曲线、压力-时间曲线及设备状态序列；从制造执行系统中抽取批次属性数据，该批次属性数据包括装载物品类型、装载密度及包装材料；从实验室信息管理系统中获取最终灭菌结果标签，该标签用于标识灭菌成功或失败；从环境监控系统中抽取环境元数据，该环境元数据包括环境温湿度及供给蒸汽压力。

9、作为本发明进一步的方案：所述对多模态数据进行时序对齐处理的具体过程为：

10、从过程参数时序数据包含的温度-时间曲线中，为每个历史灭菌批次选取一条基准温度-时间曲线；

11、针对该历史灭菌批次，采用动态时间弯曲算法，分别计算该批次下压力-时间曲线、设备状态序列以及过程参数时序数据中其余温度-时间曲线与基准温度-时间曲线之间的最优弯曲路径；

12、依据计算得到的各条最优弯曲路径，对压力-时间曲线、设备状态序列以及其余温度-时间曲线各自的时间轴进行非线性缩放调整，使调整后的压力-时间曲线、调整后的设备状态序列以及调整后的其余温度-时间曲线，在时间维度上与基准温度-时间曲线对齐，从而得到每个历史灭菌批次的对齐后时序数据集合，该对齐后时序数据集合包含所有调整后的温度-时间曲线、调整后的压力-时间曲线及调整后的设备状态序列。

13、作为本发明进一步的方案：所述对多模态数据进行特征提取处理的具体过程为：

14、基于对齐后时序数据集合，为每个历史灭菌批次构造物理引导特征；

15、构造物理引导特征，首先基于对齐后时序数据集合中的温度-时间曲线，计算该历史灭菌批次在每一个温度-时间曲线对应的测温位置处的热致死量累积曲线；接着，计算不同测温位置对应的每两条热致死量累积曲线之间的动态时间弯曲距离，并对所有计算得到的每两条热致死量累积曲线间的动态时间弯曲距离求取算术平均值，将该算术平均值作为表征该历史灭菌批次灭菌过程空间热分布均匀性的热分布均匀性特征；

16、同时，基于对齐后时序数据集合中的压力-时间曲线和基准温度-时间曲线，根据该基准温度-时间曲线上的每个温度数据点查询对应的理论饱和蒸汽压力，得到理论饱和蒸汽压力曲线；计算在灭菌过程预设的暴露时间段内，每个时刻的压力-时间曲线数值与对应时刻的理论饱和蒸汽压力曲线数值之差的绝对值，对该绝对值在整个暴露时间段内进行时间积分，得到第一积分值；将第一积分值除以暴露时间段的长度进行归一化，将该归一化后的值作为表征该历史灭菌批次灭菌过程蒸汽质量状态的蒸汽质量动态偏差特征；

17、最终，将热分布均匀性特征、蒸汽质量动态偏差特征、从对齐后时序数据集合中提取的常规统计特征、的批次属性数据及环境元数据，共同组合形成该历史灭菌批次最终的结构化特征向量；所有历史灭菌批次的结构化特征向量及其对应的最终灭菌结果标签构成历史灭菌批次的结构化特征数据集。

18、作为本发明进一步的方案：所述步骤s2中，利用聚类算法进行效能模式挖掘的具体操作为：

19、基于历史灭菌批次的结构化特征数据集，计算任意两个历史灭菌批次之间的复合距离；复合距离由第一子距离与第二子距离加权求和得到；其中，第一子距离基于历史灭菌批次的结构化特征向量中，包括批次属性数据、环境元数据及常规统计特征的特征子集计算得到，第一子距离采用标准化欧氏距离进行计算；第二子距离基于历史灭菌批次的结构化特征向量中的热分布均匀性特征与蒸汽质量动态偏差特征计算得到，第二子距离采用马氏距离进行计算；

20、在得到所有历史灭菌批次两两之间的复合距离后，基于由这些复合距离构成的批次间距离矩阵，采用谱聚类算法对所有历史灭菌批次进行划分，得到多个聚类簇，每个聚类簇对应一个初步的效能模式。

21、作为本发明进一步的方案：所述基于挖掘结果构建灭菌效能知识图谱的具体操作为：

22、对得到的每个聚类簇，进行效能评估以形成最终的效能模式；对每一个聚类簇，计算其平均灭菌成功率，该平均灭菌成功率为该聚类簇内所有历史灭菌批次中，最终灭菌结果标签标识为成功的批次数量占该聚类簇内总批次数量的比例；

23、计算该聚类簇的效能指标向量，该效能指标向量的每个分量分别为该聚类簇内所有历史灭菌批次的平均热致死量、平均能耗与平均程序时长；

24、提取该聚类簇的中心特征向量，该中心特征向量为该聚类簇内所有历史灭菌批次的结构化特征向量的算术平均值；

25、一个效能模式由该中心特征向量、平均灭菌成功率及效能指标向量共同定义；接着，以每个效能模式作为知识图谱中的一个节点，并为节点配置包含其中心特征向量、平均灭菌成功率及效能指标向量的属性；

26、然后，分析历史灭菌批次之间的顺序关系，顺序关系指历史灭菌批次按执行时间先后排列所形成的序列，即历史序列；当历史灭菌批次数据包含按时间或工艺逻辑排列的历史序列时，统计在历史序列中，一个属于前一效能模式的历史灭菌批次之后紧接着出现的历史灭菌批次属于后一效能模式的次数，将该次数记为从前一效能模式节点到后一效能模式节点的转移次数，以此转移次数除以前一效能模式节点向所有可能的后续效能模式节点转移的总次数所得之商作为权重，在相应的两个效能模式节点之间建立一条有向边，从而构建成一个包含多个节点及带有权重有向边的灭菌效能知识图谱；

27、当历史灭菌批次数据不包含明确的序列信息时，权重依据两个效能模式的中心特征向量在特征空间中的距离计算，该距离通过计算两个效能模式的中心特征向量之间的复合距离获得。

28、作为本发明进一步的方案：所述步骤s3中，将初始特征与灭菌效能知识图谱进行匹配的具体过程为：

29、匹配过程的输入包括两部分：一是步骤s2输出的灭菌效能知识图谱，灭菌效能知识图谱中的每个效能模式节点具有包括中心特征向量、平均灭菌成功率及效能指标向量在内的属性；二是新灭菌批次的批次属性数据及环境元数据，构成新灭菌批次的初始特征；首先对新灭菌批次的初始特征进行零填充与对齐处理，生成一个与效能模式节点的中心特征向量维度相同的查询特征向量；

30、采用图注意力网络进行处理，首先，对灭菌效能知识图谱中的每个效能模式节点，将其中心特征向量与平均灭菌成功率及效能指标向量进行拼接，并通过一个可学习的线性变换，将其映射到一个统一的、预设维度的特征空间，得到每个效能模式节点的初始隐藏状态；

31、接着，将查询特征向量作为一个虚拟节点，通过可学习的线性变换将其映射到统一的、预设维度的特征空间；然后，计算该虚拟节点与每个效能模式节点之间的注意力系数；

32、之后，对所有效能模式节点对应的未经归一化的注意力系数进行归一化处理，得到查询特征向量与每个效能模式节点之间的最终注意力权重；

33、最后，虚拟节点的最终表示通过聚合所有效能模式节点的信息来更新：以最终注意力权重为系数，对映射后的各效能模式节点的初始隐藏状态进行加权求和，再将加权求和的结果通过一个非线性激活函数处理，得到更新后的虚拟节点表示。

34、作为本发明进一步的方案：所述基于匹配结果生成针对新灭菌批次的个性化初始灭菌程序参数过程具体为：

35、为灭菌效能知识图谱中的每个效能模式节点，关联一个历史最优程序参数集，该历史最优程序参数集来源于构成该效能模式节点的聚类簇中，那些最终灭菌结果标签标识为成功且综合效能指标最优的多个历史灭菌批次的真实程序参数；所述真实程序参数至少包括目标灭菌温度与保温时间；

36、然后，基于步骤s3匹配计算得到的查询特征向量与各效能模式节点之间的最终注意力权重，对各效能模式节点关联的历史最优程序参数集进行加权融合，以生成针对新灭菌批次的个性化初始灭菌程序参数；加权融合生成个性化初始灭菌程序参数的基准值的具体过程为：

37、首先，为每个效能模式节点关联的历史最优程序参数集，计算其中各程序参数分量的算术平均值，得到一个平均程序参数向量；然后，以步骤s3计算得到的、新灭菌批次的查询特征向量与该效能模式节点之间的最终注意力权重作为加权系数，对所有效能模式节点对应的平均程序参数向量进行加权求和运算，将加权求和的结果作为生成的个性化初始灭菌程序参数的基准值；

38、同时，加权融合生成个性化初始灭菌程序参数的可允许波动范围的具体过程为：首先，计算每个效能模式节点关联的历史最优程序参数集中各程序参数分量的方差；然后，计算每个效能模式节点的平均程序参数向量与个性化初始灭菌程序参数的基准值之间，各对应分量的差值的平方；接着，将每个效能模式节点的方差与对应的差值平方相加，得到一个中间向量；之后，以最终注意力权重为加权系数，对所有效能模式节点对应的中间向量进行加权求和；最后，对加权求和得到的向量的每个分量分别进行平方根运算，将运算结果作为生成的个性化初始灭菌程序参数的可允许波动范围；

39、个性化初始灭菌程序参数的基准值与可允许波动范围共同构成了针对新灭菌批次的个性化初始灭菌程序参数的完整描述。

40、作为本发明进一步的方案：所述步骤s4中，利用一个预先训练的灭菌效能预测模型，对实时采集的过程参数时序数据进行处理的具体过程为：

41、预先训练的灭菌效能预测模型接收以当前时刻为结束点、向前截取一个固定时间长度的实时过程参数时序数据作为输入；该段被截取的实时过程参数时序数据至少包含多个测温点的温度-时间曲线片段与压力-时间曲线片段；预先训练的灭菌效能预测模型首先通过一个双向长短期记忆网络层处理该输入，该双向长短期记忆网络层由前向传播与后向传播两个独立的长短期记忆网络构成，分别从输入的起始时刻向结束时刻以及从结束时刻向起始时刻进行处理，每个时刻的网络状态由前向传播与后向传播对应时刻的网络状态拼接而成，从而得到输入中每个时刻对应的、融合了前后时序信息的隐藏状态，形成隐藏状态序列；

42、接着，通过一个注意力机制层处理隐藏状态序列，该注意力机制层计算隐藏状态序列中最后一个隐藏状态与序列中每一个隐藏状态之间的相关性分数；之后，对所有计算得到的相关性分数，通过归一化指数函数进行处理，将每个相关性分数转换为一个介于零和一之间的数值，转换后得到的每个数值即作为对应历史时刻隐藏状态的注意力权重；

43、然后，以该组注意力权重为系数，对隐藏状态序列中各个时刻的隐藏状态进行加权求和，生成一个综合的上下文向量；

44、最后，将隐藏状态序列的最后一个隐藏状态与综合的上下文向量进行拼接，并通过一个全连接神经网络层，输出两个预测值：一是预测的程序终结时的灭菌失败概率；二是预测的程序终结时的最终热致死量。

45、作为本发明进一步的方案：所述基于预测的灭菌结果，采用模型预测控制方法对个性化初始灭菌程序参数进行在线自适应调整的具体过程为：

46、在灭菌过程执行的每一个控制周期，构建并求解一个滚动时域优化问题；滚动时域优化问题的优化变量为未来若干个连续控制周期的控制增量序列；滚动时域优化问题的优化目标函数为最小化一个目标函数值，该目标函数值是三项加权和的总和，三项加权和的计算方式为：针对滚动时域优化问题预测时域内的每一个未来时刻，将第一权重系数乘以该时刻由预先训练的灭菌效能预测模型输出的灭菌失败概率，加上第二权重系数乘以该时刻基于控制增量预测的能耗，再加上第三权重系数乘以该时刻预测的关键程序参数与该时刻的参考参数值之间差值的平方，得到该未来时刻的贡献值；然后将预测时域内所有未来时刻的贡献值累加，作为目标函数值；

47、滚动时域优化问题包含多个约束条件：第一个约束条件为终端灭菌保证约束，要求步骤s4的灭菌效能预测模型在预测时域最末端时刻预测的最终热致死量，不低于一个由灭菌工艺要求设定的目标热致死量；第二个约束条件为参数安全约束，要求预测时域内每个未来时刻的关键程序参数的预测值，必须处于一个动态的安全区间内，该动态安全区间的下限由个性化初始灭菌程序参数中对应时刻的基准值减去步骤s3生成的可允许波动范围中对应参数的分量得到，上限由对应时刻的基准值加上可允许波动范围中对应参数的分量得到；关键程序参数包括目标灭菌温度；第三个约束条件为控制增量约束，要求优化变量，即未来每个控制周期的控制增量，其数值不能超过设备执行机构所允许的单次最大调整幅度与最小调整幅度；第四个约束条件为一个可选的过程模型约束，用于描述关键程序参数从一个时刻到下一个时刻的状态变化，该变化由前一时刻的参数状态、当前施加的控制增量以及可能的扰动共同决定；

48、在每个控制周期求解滚动时域优化问题后，将所求得的未来控制增量序列中的第一个控制增量，应用于灭菌设备的执行机构，实现对个性化初始灭菌程序参数的在线自适应调整，生成优化后的灭菌程序参数的实际执行轨迹。

49、与现有技术相比，本发明的有益效果是：

50、通过步骤s1对历史多模态数据进行时序对齐与物理引导的特征提取，构建了高质量的结构化特征数据集；在此基础上，步骤s2利用复合距离度量与谱聚类算法从历史数据中挖掘出不同的灭菌效能模式，并构建了结构化的灭菌效能知识图谱，该图谱的节点封装了历史成功模式的中心特征与效能指标；

51、步骤s3利用图注意力网络，将新批次的初始特征与该灭菌效能知识图谱进行匹配，通过计算注意力权重，融合多个相关历史最优程序参数集，从而生成兼具个性化和安全鲁棒性的初始灭菌程序参数及其可允许波动范围；这一过程使得每个新批次都能获得一个量身定制的优化起点，从根本上克服了传统固定程序或单纯基于f0值控制所导致的能源浪费或灭菌不足风险；

52、步骤s4在程序执行中，利用基于双向长短期记忆网络与注意力机制训练的灭菌效能预测模型进行实时前瞻性评估，并采用模型预测控制方法进行在线滚动优化；该优化过程以预测的灭菌失败概率和能耗为目标，并受到终端热致死量约束以及由初始程序参数的可允许波动范围所定义的动态安全区间约束；因此，该方法能够在刚性保障灭菌绝对安全的前提下，主动且实时地调整程序参数以节约能源，并有望缩短不必要的灭菌时间；

53、综上，本发明通过历史数据挖掘构建知识图谱实现智能初始化，并结合实时预测与模型预测控制实现安全闭环优化，形成了一个从历史经验学习到当前批次优化执行，并能持续自我更新的完整智能系统；该方法显著提升了蒸汽灭菌工艺的可靠性，通过个性化与动态优化提高了能效与经济性，并增强了系统应对不同负载与工况变化的自适应能力。

54、本发明的其他特点和优点将会在下面的具体实施方式、附图中详细的揭露。