现如今,随着移动互联网、物联网、大数据等新一代信息通信技术的快速发展,以及制造业先进技术的不断更新,全球范围内兴起了以智能制造为核心的产业变革。以期通过通过工业智能制造解决制造业生产的痛点,提高生产效率,减少人力成本,切实的为制造业带来生产效率。目前,我国医药行业的智能制造还处于发展中,其包含药品研发和药品生产两大主要方面,其中药品生产中还包含药品包衣,药品包衣也是医药行业中重要的生产流程。本文的研究内容为药品报以材料利用率的研究。已有研究大多从实验设计和方差分析的角度出发,优化生产流程。但在实际的药品包衣生产过程中,采用的是人工操控生产参数的方式,完全靠人工经验。因此,本文拟从统计学角度出发,基于生产观测数据,而非实验数据,构建生产包衣利用率的预测模型,实用性强且贴合实际,具有实际研究意义。本文研究的基本思路是基于生产观测的时间序列数据,首先,对生产原始数据进行探索,检查数据质量,利用时间序列特征抽取方法和实际生产逻辑相结合,以及可视化生产阶段与各生产参数之间的联系,对具有时间性的数据进行压缩构建特征变量。接着,建立贝叶斯模型和线性回归模型,对药品生产包衣率进行预测。然后,比较上述两种模型实证结果,分析两种模型优劣,由于模型涉及到聚类,因此,本文也尝试了先聚类再回归的方法,以保证文章的丰富性。最后,提出关于本文的不足之处和进一步的研究方向。本文的创新之处有三个:第一是分析角度创新。已有包衣工艺优化的文献利用实验设计的方法,获取正交实验数据集,再通过方差分析和多元回归的方法进行分析;本文则利用所获观测数据进行分析和建模,避免了实验成本和实操的困难。第二是基于时间序列数据构建特征。本文需要从工艺参数的时间序列数据中挖掘生产特征,在压缩时间序列数据维度的同时保留生产中的重要特征。本文中主要采用分段聚合的思想和线性拟合的方法,完成生产阶段中各个工艺参数的特征提取。第三是建模思路创新。本文中基于贝叶斯思想建立了贝叶斯协同模型,是贝叶斯协同模型的跨学科适用。在图像分割领域,利用马尔可夫随机场先验鼓励信息共享,采用Gibbs抽样法对后验分布进行抽样,获得了更准确且稳健的结果。本文中,将该算法迁移至药品包衣工业生产领域,在部分药品生产记录数较少的情况,完成分药品种类单独建模的目标,鼓励了药品生产过程的信息共享,具有重要的研究价值和实际意义。通过模型实证可以得到下面结论:第一、基于BIC准则选择的贝叶斯模型超参数K=3。第二、通过10折交叉验证发现线性回归拟合结果不稳定,差异较大,说明线性回归并不适应本文研究数据。第三、贝叶斯模型拟合后的残差相较线性线性回归拟合残差波动性小,回归参数更加接近真实分布。