客户端
媒体矩阵
企业邮箱
工经号
流化床喷浆制粒过程中，D50粒径变化不是等到离线检测时才出现，而是在喷浆、干燥、润湿、团聚和长大的全过程中持续累积。对于口服固体制剂、中药配方颗粒等场景，粒径分布直接关系到质量一致性、成型稳定性和工艺放大可靠性。
长期以来，粒径判断主要依赖人工取样和离线检测。问题在于结果存在滞后：当检测提示粒径偏移、增长过快或批次趋势异常时，工艺往往已进入后段，最佳调控窗口可能已经错过。
围绕这一痛点，迦南科技基于过程数据与PAT技术，开展D50在线趋势预测与软测量建模探索。通过融合关键工艺参数、制粒机理认知与AI建模，系统尝试将粒径变化从“离线检测后的结果”前移为“过程中的连续趋势”。
图1 流化床制粒粒径在线预测技术路线图
制粒过程复杂，粒径变化需要更早被看见
在真实生产现场，流化床喷浆制粒不是单一参数驱动的线性过程。喷浆、干燥、润湿、黏附、团聚和长大同时发生，温度、风量、湿度、雾化状态等因素相互耦合，共同影响D50变化。
尤其在喷浆后段，颗粒增长节奏可能加快，批次间也会出现趋势差异。若仍等待离线结果再判断，就容易陷入“发现问题时已经偏晚”的被动局面。
因此，制粒过程不仅需要最终检测结果，更需要连续观察粒径变化方向、提前识别偏离风险的趋势预测能力。
以机理认知为基础，让AI模型更懂制粒过程
与单纯依赖数据拟合不同，迦南科技在建模中引入流化床制粒机理。模型并非只看传感器数值，而是围绕喷液输入、热风干燥、物料温度、蒸发带出和颗粒增长等真实过程，构建反映制粒状态的过程信息。
这种“机理认知+AI建模”的方式，让模型既具备数据学习能力，也贴近工艺人员熟悉的过程逻辑，有助于提升跨批次适应能力，并让预测结果更容易理解和使用。
图2 机理认知与AI模型融合示意图
从“预测数值”到“跟踪趋势”，提升后段预测表现
在多批次验证中，团队发现：制粒前半段D50变化相对平稳，模型较容易跟踪；进入喷浆后段后，颗粒增长加快，直接预测某一时刻粒径数值的方式容易低估上升趋势。因此，建模重点需要从“看当前数值”转向“跟踪增长趋势”。
图3 直接预测与趋势预测效果对比图
为了确认模型是否“看懂了”制粒过程，算法团队对趋势预测模型进行了特征影响分析。结果显示，物料温度、累计喷浆时间、排风温度、液体平衡代理量和累计蒸发代理量，是影响D50趋势预测的主要变量。这些变量分别对应热量输入、喷液累积、蒸发带出和物料润湿状态，与流化床喷浆制粒机理高度相关。也就是说，模型不是黑箱式拟合曲线，而是在数据中识别出了符合工艺逻辑的关键因素。
图4 趋势预测模型特征影响分析图
验证结果：D50趋势跟踪能力进一步提升
图5 实测D50与趋势预测结果总览图
图6 典型批次预测效果图
应用价值：为工艺开发和过程监测提供数据化支撑
D50在线趋势预测模型的价值，不只是得到一条预测曲线，更在于为工艺开发和生产监测提供连续、及时、可视化的判断依据。基于当前验证结果，该模型可支撑：
◾ 在线观察D50增长趋势，更早看到粒径变化方向
◾ 提前识别偏离Golden Batch的风险，减少事后发现问题的被动性
◾ 为喷浆终点判断提供趋势参考，辅助优化终点控制策略
◾ 支撑批次一致性分析，帮助定位差异背后的过程原因
◾ 服务处方筛选、工艺放大和关键参数优化
流化床制粒是高度动态、强耦合的复杂过程。迦南科技围绕D50在线趋势预测的探索表明：以工艺机理为基础，结合过程数据和AI建模方法，有望让粒径变化从“离线检测后的结果”逐步转变为“过程中的连续趋势”。未来，迦南科技也欢迎制药企业、研发机构和合作伙伴共同开展更多场景验证，推动流化床制粒过程走向数据化、可视化和智能化。