CN108960493B - 玻璃材料性能的预测模型建立及预测方法、装置 - Google Patents
玻璃材料性能的预测模型建立及预测方法、装置 Download PDFInfo
- Publication number
- CN108960493B CN108960493B CN201810653789.9A CN201810653789A CN108960493B CN 108960493 B CN108960493 B CN 108960493B CN 201810653789 A CN201810653789 A CN 201810653789A CN 108960493 B CN108960493 B CN 108960493B
- Authority
- CN
- China
- Prior art keywords
- prediction
- data
- prediction model
- glass material
- overall
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000011521 glass Substances 0.000 title claims abstract description 167
- 239000000463 material Substances 0.000 title claims abstract description 107
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000012549 training Methods 0.000 claims abstract description 80
- 238000012216 screening Methods 0.000 claims abstract description 13
- 230000015654 memory Effects 0.000 claims description 28
- 238000005070 sampling Methods 0.000 claims description 17
- 238000012795 verification Methods 0.000 claims description 15
- 239000000203 mixture Substances 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 10
- 238000005192 partition Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 6
- 238000009472 formulation Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 16
- 238000012827 research and development Methods 0.000 abstract description 7
- 238000002474 experimental method Methods 0.000 abstract description 6
- 238000012797 qualification Methods 0.000 abstract description 4
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 239000003365 glass fiber Substances 0.000 description 8
- MCMNRKCIXSYSNV-UHFFFAOYSA-N Zirconium dioxide Chemical compound O=[Zr]=O MCMNRKCIXSYSNV-UHFFFAOYSA-N 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- GWEVSGVZZGPLCZ-UHFFFAOYSA-N Titan oxide Chemical compound O=[Ti]=O GWEVSGVZZGPLCZ-UHFFFAOYSA-N 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 239000000377 silicon dioxide Substances 0.000 description 5
- FUJCRWPEOMXPAD-UHFFFAOYSA-N Li2O Inorganic materials [Li+].[Li+].[O-2] FUJCRWPEOMXPAD-UHFFFAOYSA-N 0.000 description 3
- KKCBUQHMOMHUOY-UHFFFAOYSA-N Na2O Inorganic materials [O-2].[Na+].[Na+] KKCBUQHMOMHUOY-UHFFFAOYSA-N 0.000 description 3
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 3
- PNEYBMLMFCGWSK-UHFFFAOYSA-N aluminium oxide Inorganic materials [O-2].[O-2].[O-2].[Al+3].[Al+3] PNEYBMLMFCGWSK-UHFFFAOYSA-N 0.000 description 3
- CETPSERCERDGAM-UHFFFAOYSA-N ceric oxide Chemical compound O=[Ce]=O CETPSERCERDGAM-UHFFFAOYSA-N 0.000 description 3
- 229910000422 cerium(IV) oxide Inorganic materials 0.000 description 3
- 229910052681 coesite Inorganic materials 0.000 description 3
- 229910052593 corundum Inorganic materials 0.000 description 3
- 229910052906 cristobalite Inorganic materials 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- XUCJHNOBJLKZNU-UHFFFAOYSA-M dilithium;hydroxide Chemical compound [Li+].[Li+].[OH-] XUCJHNOBJLKZNU-UHFFFAOYSA-M 0.000 description 3
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 3
- 229910052710 silicon Inorganic materials 0.000 description 3
- 239000010703 silicon Substances 0.000 description 3
- -1 silicon-aluminum-magnesium Chemical compound 0.000 description 3
- 229910052682 stishovite Inorganic materials 0.000 description 3
- 229910052905 tridymite Inorganic materials 0.000 description 3
- 229910001845 yogo sapphire Inorganic materials 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000000470 constituent Substances 0.000 description 2
- 238000004031 devitrification Methods 0.000 description 2
- 239000011152 fibreglass Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000005491 wire drawing Methods 0.000 description 2
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000002425 crystallisation Methods 0.000 description 1
- 230000008025 crystallization Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000007380 fibre production Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 235000012239 silicon dioxide Nutrition 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- OGIDPMRJRNCKJF-UHFFFAOYSA-N titanium oxide Inorganic materials [Ti]=O OGIDPMRJRNCKJF-UHFFFAOYSA-N 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Glass Compositions (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明公开一种玻璃材料性能的预测模型建立及预测方法、装置，建立预测模型的方法包括：获取玻璃材料的配方数据及多种性能数据，构成预测数据库；从预测数据库中筛选训练数据，根据训练数据进行预测模型构建，生成预测模型。通过实施本发明，从预测出发，对大量实验进行预测，能够有效减少实验量，降低时间成本，提高新配方的研发速率。同时，通过模型建立，还能根据模型对现成生产实时监控，利用准确的预测模型，根据预测曲线实时调整玻璃配方或相应的生产工艺，不仅有利于提高产品生产效率，同时有利于精准控制，提升产品的合格率。
Description
技术领域
本发明涉及玻璃材料检测技术领域，具体涉及一种玻璃材料性能的预测模型建立及预测方法、装置。
背景技术
玻璃及玻璃纤维材料在是材料领域中不可或缺的重要一员。随着科技的发展，玻璃材料的使用范围不断扩大，其对玻璃材料的综合性能要求也就越来越高。但是近几十年的研究发展，玻璃及玻璃纤维材料在某些性能研发中已经显示出了明显的屏障，按照传统的玻璃研发方法，查资料找规律-实验-验证规律-再实验的方式，已经很难突破局限获得成果。且即便获得性能突破，在很大程度上是以牺牲工艺性能等前提，顾此失彼。因此对传统材料而言，按照传统研究方法工程师很难突破局限再获得综合性能优异的产品。例如低介电玻璃纤维，常用的电子级无碱玻璃纤维布，熔制简单成本低廉，但是介电常数高约为6.6，而石英玻璃纤维介电性能优异，介电常数3.8左右，但是熔制温度太高；日本低介电玻纤介电常数4.0，但是引入氧化钛含量较多，易析晶拉丝困难。对于玻璃及玻璃纤维生产而言，生产工艺参数涉及方方面面，仅涉及单一的玻璃体系、单一的性能预测无法解决生产及性能优化方面的需求。
发明内容
有鉴于此，本发明创新性提出了一种满足玻璃及玻璃纤维行业对预测模型的使用要求，且预测精准度较高能逐步优化模型的技术方法。本发明实施例提供了一种玻璃材料性能的预测模型建立及预测方法、装置，以解决现行的检测方法仅能针对单一玻璃体系、单一性能进行检测的所存在的局限性、应用范围有限等问题。
根据第一方面，本发明实施例提供了一种建立玻璃材料性能的预测模型的方法，包括：获取玻璃材料的配方数据及多种性能数据，构成预测数据库；从所述预测数据库中筛选训练数据，根据所述训练数据进行预测模型构建，生成预测模型。
结合第一方面，在本发明第一方面第一实施方式中，从所述预测数据库中筛选训练数据，根据所述训练数据进行预测模型构建，生成预测模型，包括：根据所述配方数据将各所述玻璃材料划分至不同的玻璃体系，生成不同玻璃体系对应的子预测数据库；对各所述玻璃体系，分别执行以下步骤：从所述子预测数据库中抽样预设比例的配方数据及多种性能数据作为训练数据；根据所述训练数据对预测模型进行训练，生成初始预测模型；根据所述训练数据及初始预测模型生成相关系数或调整R方；判断所述初始预测模型生成的相关系数是否符合第一预设阈值或调整R方是否符合第二预设阈值；当所述相关系数符合第一预设阈值或调整R方符合第二预设阈值时，将所述初始预测模型确定为预测模型。
通过上述方法所构建的玻璃材料性能的预测模型，不仅能够针对不同的玻璃体系进行性能检测，而且，所针对的性能也不仅限于一种，能够适应玻璃性能检测的各种需求，针对不同的性能分别进行检测，适用范围更广，且提高了预测准确度。而且，从预测出发，对大量实验进行预测，能够有效减少实验量，降低时间成本，提高新配方的研发速率。同时，通过模型建立，还能根据模型对现成生产实时监控，利用准确的预测模型，根据预测曲线实时调整玻璃配方或相应的生产工艺，不仅有利于提高产品生产效率，同时有利于精准控制，提升产品的合格率。
结合第一方面第一实施方式，在第一方面第二实施方式中，从所述预测数据库中筛选训练数据，根据所述训练数据进行预测模型构建，生成预测模型，还包括：从所述预测数据库中抽样预设比例的配方数据及多种性能数据作为整体训练数据；根据所述整体训练数据对整体预测模型进行训练，生成初始整体预测模型；根据所述整体训练数据及初始整体预测模型生成整体相关系数或整体调整R方；判断所述初始整体预测模型生成的整体相关系数是否符合第三预设阈值或整体调整R方是否符合第四预设阈值；当所述整体相关系数符合第三预设阈值或整体调整R方符合第四预设阈值时，将所述初始整体预测模型确定为整体预测模型。
结合第一方面第一实施方式，在第一方面第三实施方式中，根据所述配方数据将各所述玻璃材料划分至不同的玻璃体系，包括：确定所述配方数据中各组成成分的含量；将各组成成分的含量与预设的划分含量范围进行比较，确定各组成成分的含量所属的划分含量范围；将所述配方数据划分至所属的划分含量范围对应的玻璃体系。通过配方数据划分至不同的范围区间，对不同的玻璃材料进行玻璃体系的划分，分玻璃体系地进行预测模型的构建，能够使用各种不同的玻璃体系，而不仅限于单一玻璃体系。
结合第一方面第一实施方式，在第一方面第四实施方式中，当所述相关系数不符合第一预设阈值或调整R方不符合第二预设阈值时，返回从所述子预测数据库中抽样预设比例的配方数据及多种性能数据作为训练数据的步骤，重新生成初始预测模型。
结合第一方面第一实施方式，在第一方面第五实施方式中，该建立玻璃材料性能的预测模型的方法还包括：将所述子预测数据库和/或所述预测数据库中除所述训练数据之外的数据构建验证数据库；根据所述验证数据库中的配方数据及所述预测模型生成第一预测性能数据，所述第一预测性能数据中包括：预测相关系数或预测调整R方；根据所述预测相关系数或预测调整R方验证所述预测模型的输出结果是否满足预测要求；如果所述输出结果满足预测要求，则使用所述预测模型进行预测；如果所述输出结果不满足预测要求，则返回从所述子预测数据库中抽样预设比例的配方数据及多种性能数据作为训练数据的步骤。
对于所构建的预测模型，可以通过抽样验证数据进行验证，对于符合预测要求的预测模型，检验为合格，能够使用实际预测。对于不符合预测要求的预测模型，则不使用，重新进行预测模型的训练步骤，构建新的预测模型。通过上述过程，确保预测模型的预测结果的准确性和稳定性。
根据第二方面，本发明实施例提供了一种玻璃材料性能的预测方法，包括：获取待测玻璃材料的配方数据；根据所述配方数据及如第一方面或第一方面任意一实施方式所述的预测模型生成所述待测玻璃材料的第二预测性能数据。
由于使用了本发明实施例提供的预测模型，能够针对不同玻璃体系、不同性能进行预测，适用范围更广，预测结果也更加准确。而且，从预测出发，对大量实验进行预测，能够有效减少实验量，降低时间成本，提高新配方的研发速率。同时，通过模型建立，还能根据模型对现成生产实时监控，利用准确的预测模型，根据预测曲线实时调整玻璃配方或相应的生产工艺，不仅有利于提高产品生产效率，同时有利于精准控制，提升产品的合格率。
结合第二方面，在第二方面第一实施方式中，该玻璃材料性能的预测方法还包括：根据所述配方数据及如本发明第一方面第一实施方式所述的整体预测模型生成所述待测玻璃材料的第三预测性能数据；根据所述第二预测性能数据及第三预测性能数据确定数据预测范围。
结合第二方面，在第二方面第二实施方式中，该玻璃材料性能的预测方法还包括：获取根据所述配方数据进行实测的实测数据；判断所述实测数据及第二预测性能数据的偏差是否小于第三预设阈值，或者，所述实测数据及第三预测性能数据的偏差是否小于第三预设阈值；如果所述实测数据及第二预测性能数据的偏差小于所述第三预设阈值，或所述实测数据及第三预测性能数据的偏差小于第三预设阈值，则判定所述预测模型的预测结果准确。通过将预测结果与实测结果进行比较，能够进一步了解预测模型的预测结果的准确性，且后续可根据其准确性确定是否对预测模型做进一步调整，同时相应的也可逐步提高预设阀值，逐渐提高预测精准度。
结合第二方面第一实施方式，在第二方面第二实施方式中，该玻璃材料性能的预测方法还包括：将所述实测数据存入所述预测数据库，更新所述预测数据库。通过将实测数据更新至预测数据库，提高对预测模型的训练过程的准确性以及适用性，。
根据第三方面，本发明实施例提供了一种建立玻璃材料性能的预测模型的装置，包括：预测数据库构建模块，用于获取玻璃材料的配方数据及多种性能数据，构成预测数据库；预测模型生成模块，用于从所述预测数据库中筛选训练数据，根据所述训练数据进行预测模型构建，生成预测模型。
根据第四方面，本发明实施例提供了一种玻璃材料性能的预测装置，包括：配方数据获取模块，用于获取待测玻璃材料的配方数据；预测模块，用于根据所述配方数据及如第一方面或第一方面任意一实施方式所述的预测模型生成所述待测玻璃材料的第二预测性能数据。
根据第五方面，本发明实施例提供了一种电子设备/移动终端/服务器，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行第一方面或者第一方面的任意一实施方式中所述的建立玻璃材料性能的预测模型的方法，或，执行第二方面或者第二方面的任意一实施方式中所述的玻璃材料性能的预测方法。
根据第六方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行第一方面或者第一方面的任意一实施方式中所述的建立玻璃材料性能的预测模型的方法，或，执行第二方面或者第二方面的任意一实施方式中所述的玻璃材料性能的预测方法。
根据第七方面，本发明实施例提供了一种在线预测控制系统，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有如第一方面或者第一方面的任意一实施方式中所述的预测模型，通过所述预测模型预测玻璃材料性能；所述处理器还用于，根据预测的玻璃材料性能调整生产所述玻璃材料的的配方数据。
附图说明
通过参考附图会更加清楚的理解本发明的特征和优点，附图是示意性的而不应理解为对本发明进行任何限制，在附图中：
图1示出了本发明实施例的建立玻璃材料性能的预测模型的方法的流程图；
图2示出了本发明实施例的构建预测模型的具体过程的流程图；
图3示出了本发明实施例的玻璃材料性能的预测方法的流程图；
图4示出了本发明实施例的验证步骤的流程图；
图5示出了本发明实施例的建立玻璃材料性能的预测模型的装置的结构示意图；
图6示出了本发明实施例的预测模型生成模块的结构示意图；
图7示出了本发明实施例的玻璃材料性能的预测装置的结构示意图；
图8示出了本发明实施例的电子设备的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例提供一种建立玻璃材料性能的预测模型的方法，如图1所示，该建立玻璃材料性能的预测模型的方法主要包括以下步骤：
步骤S11：获取玻璃材料的配方数据及多种性能数据，构成预测数据库。
在此步骤中，主要是实现数据收集，根据已知的玻璃配方、已知模型及性能数据，建立预测数据库，数据量可达8000多条。另外考虑到预测模型设计得到的配方误差可能较大，因此对于预测模型的选择，以多模型交叉预测验证为主，最终可获得80000多条数据配方。
步骤S121：从预测数据库中筛选训练数据，根据训练数据进行预测模型构建，生成预测模型。
具体地，如图2所示，步骤S121：从预测数据库中筛选训练数据，根据训练数据进行预测模型构建，生成预测模型的过程，具体包括：
步骤S121：根据配方数据将各玻璃材料划分至不同的玻璃体系，生成不同玻璃体系对应的子预测数据库。
根据性能测试标准方法不同进行相应的标注分类；利用统计学软件确定玻璃系统的分类标准，按照标准分类整理数据库，确定不同玻璃体系。具体地，可以是确定所述配方数据中各组成成分的含量；将各组成成分的含量与预设的划分含量范围进行比较，确定各组成成分的含量所属的划分含量范围；将所述配方数据划分至所属的划分含量范围对应的玻璃体系。例如，可根据硅含量所处的划分区间进行不同玻璃体系的划分：硅含量≤0.5时，划分为低硅-铝-镁系统；0.5<硅含量<0.69时，划分为常见硅-铝-镁系统等等，根据组成成分含量的不同进行玻璃体系的划分。
在划分生成不同的玻璃体系后，对各玻璃体系，分别执行以下步骤，建立各玻璃体系下对应的预测模型：
步骤S122：从子预测数据库中抽样预设比例的配方数据及多种性能数据作为训练数据；对不同体系玻璃进行随机抽样，抽样比例可以例如是5％-30％，抽取的样品将作为验证数据辅助验证预测模型。而未被抽取的样本数据将作为建模原始数据(训练数据)使用。
步骤S123：根据训练数据对预测模型进行训练，生成初始预测模型；在本发明实施例中，可以是通过例如神经网络算法，基于训练数据训练生成该初始预测模型，但本发明并不以此为限。
步骤S124：根据训练数据及初始预测模型生成相关系数或调整R方；对于步骤S123中构建的初始预测模型，使用训练数据输入至该初始预测模型，生成相应的相关系数R或调整R方。该相关系数R或调整R方是用以筛选该初始预测模型的一个参考参数。
步骤S125：判断初始预测模型生成的相关系数是否符合第一预设阈值或调整R方是否符合第二预设阈值。在一较佳实施例中，可以是判断相关系数R是否大于或等于85％，或者判断调整R方是否大于或等于80％。
步骤S126：当相关系数符合第一预设阈值或调整R方符合第二预设阈值时，将初始预测模型确定为预测模型。
当相关系数R大于或等于85％，或者调整R方大于或等于80％时，则该初始预测模型符合预测要求，可将该初识预测模型确定为预测模型，在后续进行玻璃材料的性能预测。
当相关系数R小于85％，或者调整R方小于80％时，则说明该初始预测模型并不符合预测要求，不可作为后续预测玻璃材料性能的预测模型。此时，则需返回步骤S122，重新进行训练数据的抽样，并执行后续步骤，基于新抽样的数据进行训练，生成新的初始预测模型。
可选地，在本发明的一些实施例中，对于步骤S122中抽样5％-30％的作为辅助验证预测模型的验证数据，则根据该验证数据构建验证数据库。
然后，使用验证数据库中的配方数据输入至该预测模型，从而生成第一预测性能数据，该第一预测性能数据中包括：预测相关系数或预测调整R方。即可根据所述预测相关系数或预测调整R方验证所述预测模型的输出结果是否满足预测要求。在一较佳实施例中，可以是判断预测相关系数是否大于或等于90％，或者判断调整R方是否大于或等于85％。当预测相关系数R大于或等于90％，或者预测调整R方大于或等于85％时，则该初始预测模型符合预测要求，可将该初始预测模型确定为预测模型，在后续进行玻璃材料的性能预测。
可选地，在一较佳实施例中，通过上述步骤所建立的预测模型可以例如是：针对硅铝镁系统的拉丝作业温度lg3预测模型：
Lg3＝1480.98385715991+-180.80550671517*H1+163.730300368604*H2+215.822226488607*H3
H1＝TanH(0.5*(4.23026524474556+-8.4954357612593*(SiO2)+2.87922464068707*(Al2O3)+7.10369381493883*(MgO)+4.52795153422562*(CaO)+-2.09038650813432*(B2O3)+13.8976852764989*(Fe2O3)+10.0265655112993*(ZrO2)+2.30789196889797*(Y2O3)+30.4995254704313*(TiO2)+2.32724004650893*(ZnO)+15.1635304579772*(Li2O)+7.41148695293487*(Na2O)+165.562426934482*(K2O)+26.776233587213*(CeO2)))
H2＝TanH(0.5*((-2.23314679209921)+3.48269416125913*(SiO2)+6.73044380381252*(Al2O3)+-7.73736300558965*(MgO)+-2.80411134671733*(CaO)+-10.5580601630339*(B2O3)+33.7444806116293*(Fe2O3)+-4.00202680811939*(ZrO2)+-0.181658597958065*(Y2O3)+-47.7829591120086*(TiO2)+30.2370541246491*(ZnO)+8.58612259427296*(Li2O)+-7.11131898800878*(Na2O)+66.4796435548832*(K2O)+-19.2149613876737*(CeO2)))
H3＝TanH(0.5*((-1.08486194160346)+-0.453796465550673*(SiO2)+1.17203866034205*(Al2O3)+4.35622427299993*(MgO)+-1.24131312658907*(CaO)+3.24843153367198*(B2O3)+-14.7741798359383*(Fe2O3)+2.70521332864656*(ZrO2)+0.317312969198042*(Y2O3)+56.8324978046627*(NTiO2)+-30.0602411599323*(ZnO)+-36.1359123766676*(Li2O)+-1.11580722176407*(Na2O)+25.2068207829362*(K2O)+26.604697419161*(CeO2)))。
其中，(SiO2)——表示二氧化硅质量百分比，其他元素符号含义一致，均是表示相应的化学成分的质量分数；
H＝TanH(x)——表示神经网络用双曲正切函数。
另一较佳实施例中，还可以是采用最小二乘法建立预测模型，例如，针对整体数据库中玻璃纤维浸胶纱强度预测模型：
整体数据库-浸胶纱强度模型：
7445.6130036764*(NSiO2<<get)+-2829.55884836114*(NAl2O3<<get)+5513.37824458161*(NMgO<<get)+-276.887551704559*(NCaO<<get)+-2450.92488136078*(NB2O3<<get)+-2976.1958214604*(NFe2O3<<get)+-36945.5910763016*(NZrO2<<get)+0*(NY2O3<<get)+10910.4119545708*(NTiO2<<get)+-12983.8743880619*(NZnO<<get)+-6906.37233761846*(NLi2O<<get)+31209.6532583244*(NNa2O<<get)+-87536.2250111742*(NK2O<<get)+154788.349151338*(NCeO2<<get)+(-1582.73950029002)。
其中，各元素符号表示相应的化学成分的质量分数，例如，(NSiO2<<get)表示氧化硅质量分数，其他元素符号含义一致。
通过上述步骤S11至步骤S12，本发明实施例的建立玻璃材料性能的预测模型的方法，针对不同玻璃体系进行划分，且针对不同的玻璃体系建立相应的预测模型，并且，该预测模型可针对不同的玻璃材料性能进行预测，解决了模型有使用范围限制的弊端，使得模型预测更精准，减少预测失准情况的发生。
在实际应用中，对于一部分性能参数，使用全数据库建立的模型预测性能更好；而根据性能分类，按照不同的玻璃体系进行划分所构成的子预测模型，主要可用以针对某些性能，如玻璃的密度等进行预测。而且，对于对成份波动响应强烈的性能(例如对于析晶性能)，则必须分库建模。
因此，在本发明实施例中，还可以是综合参考全数据库以及子数据库模型的预测结果，因为全数据库预测比较系统，但缺乏精准；而子数据库精准，但是涵盖范围窄，容易预测过偏，甚至失拟。
可选地，在本发明的一些实施例中，还可包括根据全数据库建立预测模型的过程：
从预测数据库中抽样预设比例的配方数据及多种性能数据作为整体训练数据；
根据整体训练数据对整体预测模型进行训练，生成初始整体预测模型；
根据整体训练数据及初始整体预测模型生成整体相关系数或整体调整R方；
判断初始整体预测模型生成的整体相关系数是否符合第三预设阈值或整体调整R方是否符合第四预设阈值；
当整体相关系数符合第三预设阈值或整体调整R方符合第四预设阈值时，将初始整体预测模型确定为整体预测模型。
在实际应用中，本发明实施例的建立玻璃材料性能的预测模型的方法所建立的预测模型，可写入一在线预测控制系统，该系统包括存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有如上述的预测模型，通过所述预测模型预测玻璃材料性能；并且，该处理器可针对预测的玻璃材料性能来调整生产玻璃材料的配方数据。
本发明实施例还提供一种玻璃材料性能的预测方法，如图3所示，该预测方法主要包括以下步骤：
步骤S21：获取待测玻璃材料的配方数据；该配方数据包含该待测玻璃材料的各组成成分的含量信息等。
步骤S22：将该配方数据输入至构建好的预测模型中，生成所述待测玻璃材料的第二预测性能数据。其中，该预测模型可以是通过上述实施例所述的建立玻璃材料性能的预测模型的方法所建立的预测模型，建立该预测模型的步骤可参见上述步骤S11至步骤S12的描述。
可选地，在一较佳实施例中，也可以是在预测模型中输入相应的性能数据，其中，该性能数据可以是单一的性能，也可以是多重性能的综合要求；本发明实施例的预测模型根据该性能数据能够生成可能的配方数据，且该玻璃成分也可以进行部分成份限定，例如可规定Si含量范围、铝含量范围等等。从而可以辅助工作人员使用相应的配方数据制造生产相应的玻璃及玻璃纤维，以满足该性能数据的需求。
本发明实施例中，由于使用了本发明实施例的建立玻璃材料性能的预测模型的方法所建立的预测模型，能够针对不同玻璃体系、不同性能进行预测，适用范围更广，预测结果也更加准确。而且，从预测出发，对大量实验进行预测，能够有效减少实验量，降低时间成本，提高新配方的研发速率。同时，通过模型建立，还能根据模型对现成生产实时监控，利用准确的预测模型，根据预测曲线实时调整玻璃配方或相应的生产工艺，不仅有利于提高产品生产效率，同时有利于精准控制，提升产品的合格率。
可选地，在本发明的一些实施例中，对于上述的第二预测性能数据，可执行一验证步骤，如图4所示，该验证步骤包括：
步骤S31：获取根据配方数据进行实测的实测数据；例如是针对相应性能，按照标准试验根据待测玻璃材料的配方数据进行测试得到的实测数据。
步骤S32：判断实测数据及第二预测性能数据的偏差是否小于第三预设阈值。将实测数据与预测模型预测得到的第二预测性能数据进行比较，根据两者的偏差进行判断，该偏差(第三预设阈值)可以例如是10％，需要说明的是，在工业应用中，某些性能如粘度范围在1200-1400℃左右，其预测偏差可控制在±30℃范围内，更优的则可控制在10℃范围内，但本发明并不限于此，这里的偏差可根据不同的性能和要求进行调整。
步骤S33：如果实测数据及第二预测性能数据的偏差小于第三预设阈值，则判定预测模型的预测结果准确。即，当实测数据与预测模型预测得到的第二预测性能数据的偏差小于10％，则可判定该预测模型的预测结果准确。如果实测数据及第二预测性能数据的偏差大于或等于该第三预设阈值，则判定预测模型的预测结果不准确，需要将实测数据存入预测数据库，更新该预测数据，然后返回执行训练预测的预测模型的步骤S122，基于更新的预测数据库进行划分，并重新进行抽样、训练，生成新的预测模型。再使用该新的预测模型进行玻璃材料性能的预测。
可选地，在本发明的一些实施例中，为了进一步保证所构建的预测模型能够更加贴合实际检测结果，能够更加准确，还可将上述进行实测获取的实测数据输入至所建立的预测数据库中，对预测数据库进行更新，使用更新后的预测数据库进一步建立预测模型。由于所参考的数据包含了实测数据，使得训练过程生成的预测模型能够更加贴合实际应用的预测数据，提高预测模型的预测准确度。
可选地，在本发明的一些实施例中，可将不同玻璃体系、不同性能参数的预测模型进行整合，构成一个预测系统，使得在将待测玻璃材料的配方数据输入至预测系统后，根据该配方数据自动判断所属玻璃体系，以及所要检测的性能参数，直接输出相应的预测结果。这种预测系统功能模式化的好处在于，一是由于使用者输入了真实准确数据，不断优化预测模型，因此预测将更精准；二是由于真实准确数据的规范，使用者输入的该类玻璃配方其预测结果将更加精准。
可选地，在一较佳实施例中，上述的预测系统可以通过构建可视化操作界面，将预测分析结果通过显示器等显示设备展示给相关工作人员。
在实际应用中，对于一部分性能参数，使用全数据库建立的模型预测性能更好；而根据性能分类，按照不同的玻璃体系进行划分所构成的子预测模型，主要可用以针对某些性能，如玻璃的粘度等进行预测。而且，对于对成份波动响应强烈的性能(例如对于析晶性能)，则必须分库建模。
因此，在本发明实施例中，还可以结合根据不同玻璃体系建立的预测模型以及根据全数据库建立的整体预测模型分别根据配方数据进行预测，将不同玻璃体系建立的预测模型生成的第三预测性能数据及整体预测模型生成的第四预测性能数据相结合，确定数据预测范围，从而提高预测结果的准确度，并提高针对不同性能数据的适用范围。
本发明实施例还提供一种建立玻璃材料性能的预测模型的装置，如图5所示，该建立玻璃材料性能的预测模型的装置主要包括：
预测数据库构建模块41，用于获取玻璃材料的配方数据及多种性能数据，构成预测数据库；详细内容参见上述方法实施例的步骤S11的描述；
预测模型生成模块42，用于从预测数据库中筛选训练数据，根据训练数据进行预测模型构建，生成预测模型；详细内容参见上述方法实施例的步骤S12的描述。
具体地，如图6所示，该预测模型生成模块42包括：
子预测数据库生成子模块421，用于根据所述配方数据将各所述玻璃材料划分至不同的玻璃体系，生成不同玻璃体系对应的子预测数据库；详细内容参见上述方法实施例的步骤S121的描述。
训练数据抽样子模块422，用于从所述子预测数据库中抽样预设比例的配方数据及多种性能数据作为训练数据；详细内容参见上述方法实施例的步骤S122的描述。
初始预测模型生成子模块423，用于根据所述训练数据对预测模型进行训练，生成初始预测模型；详细内容参见上述方法实施例的步骤S123的描述。
系数生成子模块424，用于根据所述训练数据及初始预测模型生成相关系数或调整R方；详细内容参见上述方法实施例的步骤S124的描述。
判断子模块425，用于判断所述初始预测模型生成的相关系数是否符合第一预设阈值或调整R方是否符合第二预设阈值；详细内容参见上述方法实施例的步骤S125的描述。
预测模型确定子模块426，当所述相关系数符合第一预设阈值或调整R方符合第二预设阈值时，所述预测模型确定模块将所述初始预测模型确定为预测模型。详细内容参见上述方法实施例的步骤S126的描述。
本发明实施例的建立玻璃材料性能的预测模型的装置，针对不同玻璃体系进行划分，且针对不同的玻璃体系建立相应的预测模型，并且，该预测模型可针对不同的玻璃材料性能进行预测，解决了模型有使用范围限制的弊端，使得模型预测更精准，减少预测失准情况的发生。
本发明实施例还提供一种玻璃材料性能的预测装置，如图7所示，该预测装置包括：
配方数据获取模块51，用于获取待测玻璃材料的配方数据；该配方数据包含该待测玻璃材料的各组成成分的含量信息等。
预测模块52，用于将该配方数据输入至构建好的预测模型中，生成所述待测玻璃材料的第二预测性能数据。其中，该预测模型可以是通过上述实施例所述的建立玻璃材料性能的预测模型的方法所建立的预测模型，建立该预测模型的步骤可参见上述步骤S1至步骤S6的描述。
本发明实施例还提供了一种电子设备，如图8所示，该电子设备可以包括处理器61和存储器62，其中处理器61和存储器62可以通过总线或者其他方式连接，图8中以通过总线连接为例。
处理器61可以为中央处理器(Central Processing Unit，CPU)。处理器61还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
存储器62作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的建立玻璃材料性能的预测模型的方法，或玻璃材料性能的预测方法对应的程序指令/模块(例如，图6所示的预测数据库构建模块41、子预测数据库生成子模块421、训练数据抽样子模块422、初始预测模型生成子模块423、系数生成子模块424、判断子模块425及预测模型确定子模块426，或是图7所示的配方数据获取模块51及预测模块52)。处理器61通过运行存储在存储器62中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的建立玻璃材料性能的预测模型的方法，或，实现上述方法实施例中的玻璃材料性能的预测方法。
存储器62可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器61所创建的数据等。此外，存储器62可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器62可选包括相对于处理器61远程设置的存储器，这些远程存储器可以通过网络连接至处理器61。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器62中，当被所述处理器61执行时，执行如图1-图2所示实施例中的建立玻璃材料性能的预测模型的方法，或是执行图3-图4所示实施例中的玻璃材料性能的预测方法。
上述电子设备具体细节可以对应参阅图1至图4所示的实施例中对应的相关描述和效果进行理解，此处不再赘述。
本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random AccessMemory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (11)
1.一种建立玻璃材料性能的预测模型的方法，其特征在于，包括：
获取玻璃材料的配方数据及多种性能数据，构成预测数据库；
从所述预测数据库中筛选训练数据，根据所述训练数据进行预测模型构建，生成预测模型；
其中，从所述预测数据库中筛选训练数据，根据所述训练数据进行预测模型构建，生成预测模型，包括：
根据所述配方数据将各所述玻璃材料划分至不同的破璃体系，生成不同玻璃体系对应的子预测数据库；
对各所述玻璃体系，分别执行以下步骤：
从所述子预测数据库中抽样预设比例的配方数据及多种性能数据作为训练数据；
根据所述训练数据对预测模型进行训练，生成初始预测模型；
根据所述训练数据及初始预测模型生成相关系数或调整R方；
判断所述初始预测模型生成的相关系数是否符合第一预设阈值或调整R方是否符合第二预设阈值；
当所述相关系数符合第一预设阈值或调整R方符合第二预设阈值时，将所述初始预测模型确定为预测模型；
其中，根据所述配方数据将各所述玻璃材料划分至不同的玻璃体系，包括：
确定所述配方数据中各组成成分的含量；
将各组成成分的含量与预设的划分含量范围进行比较，确定各组成成分的含量所属的划分含量范围；
将所述配方数据划分至所属的划分含量范围对应的玻璃体系；
其中，从所述预测数据库中筛选训练数据，根据所述训练数据进行预测模型构建，生成预测模型，还包括：
从所述预测数据库中抽样预设比例的配方数据及多种性能数据作为整体训练数据；
根据所述整体训练数据对整体预测模型进行训练，生成初始整体预测模型；
根据所述整体训练数据及初始整体预测模型生成整体相关系数或整体调整R方；
判断所述初始整体预测模型生成的整体相关系数是否符合第三预设阈值或整体调整R方是否符合第四预设阈值；
当所述整体相关系数符合第三预设阈值或整体调整R方符合第四预设阈值时，将所述初始整体预测模型确定为整体预测模型；
所述方法还包括：
将所述子预测数据库和/或所述预测数据库中除所述训练数据之外的数据构建验证数据库；
根据所述验证数据库中的配方数据及所述预测模型生成第一预测性能数据，所述第一预测性能数据中包括：预测相关系数或预测调整R方；
根据所述预测相关系数或预测调整R方验证所述预测模型的输出结果是否满足预测要求；
如果所述输出结果满足预测要求，则使用所述预测模型进行预测；
如果所述输出结果不满足预测要求，则返回从所述子预测数据库中抽样预设比例的配方数据及多种性能数据作为训练数据的步骤。
2.根据权利要求1所述的建立玻璃材料性能的预测模型的方法，其特征在于，当所述相关系数不符合第一预设阈值或调整R方不符合第二预设阈值时，返回从所述子预测数据库中抽样预设比例的配方数据及多种性能数据作为训练数据的步骤，重新生成初始预测模型。
3.一种玻璃材料性能的预测方法，其特征在于，包括：
获取待测玻璃材料的配方数据；
根据所述配方数据及如权利要求1-2中任一项所还的预测模型生成所述待测玻璃材料的第二预测性能数据。
4.根据权利要求3所述的玻璃材料性能的预测方法，其特征在于，还包括：
根据所述配方数据及如权利要求1所述的整体预测模型生成所述待测玻璃材料的第三预测性能数据；
根据所述第二预测性能数据及第三预测性能数据确定数据预测范围。
5.根据权利要求3所述的玻璃材料性能的预测方法，其特征在于，还包括：
获取根据所述配方数据进行实测的实测数据；
判断所述实测数据及第二预测性能数据的偏差是否小于第三预设阈值，或者，所述实测数据及第三预测性能数据的偏差是否小于第三预设阈值；
如果所述实测数据及第三预测性能数据的偏差小于所述第三预设阈值，或所述实测数据及第三预测性能数据的偏差小于第三预设阈值，则判定所述预测模型的预测结果准确。
6.根据权利要求5所述的玻璃材料性能的预测方法，其特征在于，还包括：将所述实测数据存入所述预测数据库，更新所述预测数据库。
7.一种建立玻璃材料性能的预测模型的装置，其特征在于，包括：
预测数据库构建模块，用于获取玻璃材料的配方数据及多种性能数据，构成预测数据库；
预测模型生成模块，用于从所述预测数据库中筛选训练数据，根据所述训练数据进行预测模型构建，生成预测模型；
所述预测模型生成模块具体用于：
根据所述配方数据将各所述玻璃材料划分至不同的玻璃体系，生成不同玻璃体系对应的子预测数据库；
对各所述玻璃体系，分别执行以下步骤：
从所述子预测数据库中抽样预设比例的配方数据及多种性能数据作为训练数据；
根据所述训练数据对预测模型进行训练，生成初始预测模型；
根据所述训练数据及初始预测模型生成相关系数或调整R方；
判断所述初始预测模型生成的相关系数是否符合第一预设阈值或调整R方是否符合第二预设阈值；
当所述相关系数符合第一预设阈值或调整R方符合第二预设阈值时，将所述初始预测模型确定为预测模型；
其中，根据所述配方数据将各所述玻璃材料划分至不同的玻璃体系，包括：
确定所述配方数据中各组成成分的含量；
将各组成成分的含量与预设的划分含量范围进行比较，确定各组成成分的含量所属的划分含量范围；
将所述配方数据划分至所属的划分含量范围对应的玻璃体系；
其中，从所述预测数据库中筛选训练数据，根据所述训练数据进行预测模型构建，生成预测模型，还包括：
从所述预测数据库中抽样预设比例的配方数据及多种性能数据作为整体训练数据；
根据所述整体训练数据对整体预测模型进行训练，生成初始整体预测模型；
根据所述整体训练数据及初始整体预测模型生成整体相关系数或整体调整R方；
判断所述初始整体预测模型生成的整体相关系数是否符合第三预设阈值或整体调整R方是否符合第四预设阈值；
当所述整体相关系数符合第三预设阈值或整体调整R方符合第四预设阈值时，将所述初始整体预测模型确定为整体预测模型。
8.一种玻璃材料性能的预测装置，其特征在于，包括：
配方数据获取模块，用于获取待测玻璃材料的配方数据；
预测模块，用于根据所述配方数据及如权利要求1-2中任一项所述的预测模型生成所述待测玻璃材料的第二预测性能数据。
9.一种电子设备，其特征在于，包括：
存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行如权利要求1-2中任一项所述的建立玻璃材料性能的预测模型的方法，或，执行如权利要求3-6中任一项所述的玻璃材料性能的预测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行如权利要求1-2中任一项所述的建立玻璃材料性能的预测模型的方法，或，执行如权利要求3-6中任一项所述的玻璃材料性能的预测方法。
11.一种在线预测控制系统，其特征在于，包括：
存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有如权利要求1-2中任一项所述的预测模型，通过所述预测模型预测玻璃材料性能；
所述处理器还用于，根据预测的玻璃材料性能调整生产所述玻璃材料的配方数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810653789.9A CN108960493B (zh) | 2018-06-22 | 2018-06-22 | 玻璃材料性能的预测模型建立及预测方法、装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810653789.9A CN108960493B (zh) | 2018-06-22 | 2018-06-22 | 玻璃材料性能的预测模型建立及预测方法、装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108960493A CN108960493A (zh) | 2018-12-07 |
| CN108960493B true CN108960493B (zh) | 2022-04-12 |
Family
ID=64486224
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810653789.9A Active CN108960493B (zh) | 2018-06-22 | 2018-06-22 | 玻璃材料性能的预测模型建立及预测方法、装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108960493B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109902872B (zh) * | 2019-02-28 | 2021-10-01 | 北京首钢股份有限公司 | 一种性能预测模型与产品研发相结合的方法和装置 |
| CN110364231B (zh) * | 2019-06-27 | 2020-03-10 | 华南理工大学 | 预测玻璃体系性质的方法 |
| CN110807292B (zh) * | 2019-10-30 | 2021-09-21 | 华南理工大学 | 一种特定激光性能的激光玻璃材料的制备方法 |
| CN110648727B (zh) * | 2019-10-30 | 2021-09-21 | 华南理工大学 | 一种特定物理性能的玻璃材料的制备方法 |
| CN111045407B (zh) * | 2019-12-23 | 2021-11-12 | 东莞东阳光科研发有限公司 | 腐蚀箔生产控制方法及装置 |
| CN111368041B (zh) * | 2020-02-12 | 2023-12-26 | 北京科技大学 | 材料的确定方法及装置 |
| CN111613278B (zh) * | 2020-05-28 | 2023-03-14 | 中国科学院地球化学研究所 | 一种通过粘度模量预测玄武岩熔体高温粘度和拉丝温度的方法 |
| CN113326664B (zh) * | 2021-06-28 | 2022-10-21 | 南京玻璃纤维研究设计院有限公司 | 一种基于m5p算法预测玻璃介电常数的方法 |
| CN113312853B (zh) * | 2021-06-28 | 2022-10-21 | 南京玻璃纤维研究设计院有限公司 | 一种基于分子动力学和岭回归算法的密度预测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH08152556A (ja) * | 1994-11-28 | 1996-06-11 | Canon Inc | 光学性能評価装置及び評価方法 |
| CN101551374A (zh) * | 2009-05-14 | 2009-10-07 | 清华大学 | 预测洗涤产品的抗菌性能或关键成分含量的方法及装置 |
| CN103983760A (zh) * | 2014-05-30 | 2014-08-13 | 福建南方路面机械有限公司 | 基于最小二乘支持向量机的混凝土搅拌性能预测方法 |
| CN104376221A (zh) * | 2014-11-21 | 2015-02-25 | 环境保护部南京环境科学研究所 | 一种预测有机化学品的皮肤渗透系数的方法 |
| CN104820870A (zh) * | 2015-04-30 | 2015-08-05 | 中国矿业大学 | 一种胶结充填材料力学性能预测方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007272416A (ja) * | 2006-03-30 | 2007-10-18 | Bridgestone Corp | ゴム製品の弾性応答性能の予測方法、設計方法、及び弾性応答性能予測装置 |
| CN101908083B (zh) * | 2010-05-13 | 2012-08-15 | 上海市特种设备监督检验技术研究院 | 一种基于人工神经网络的q345焊接接头力学性能预测方法 |
-
2018
- 2018-06-22 CN CN201810653789.9A patent/CN108960493B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH08152556A (ja) * | 1994-11-28 | 1996-06-11 | Canon Inc | 光学性能評価装置及び評価方法 |
| CN101551374A (zh) * | 2009-05-14 | 2009-10-07 | 清华大学 | 预测洗涤产品的抗菌性能或关键成分含量的方法及装置 |
| CN103983760A (zh) * | 2014-05-30 | 2014-08-13 | 福建南方路面机械有限公司 | 基于最小二乘支持向量机的混凝土搅拌性能预测方法 |
| CN104376221A (zh) * | 2014-11-21 | 2015-02-25 | 环境保护部南京环境科学研究所 | 一种预测有机化学品的皮肤渗透系数的方法 |
| CN104820870A (zh) * | 2015-04-30 | 2015-08-05 | 中国矿业大学 | 一种胶结充填材料力学性能预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 高性能玻璃纤维研究;祖群;《玻璃纤维》;20121026(第5期);第16-23页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108960493A (zh) | 2018-12-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108960493B (zh) | 玻璃材料性能的预测模型建立及预测方法、装置 | |
| JP2021072126A (ja) | 信号灯の時間帯別の信号時間配分方法、装置、電子機械及び記憶媒体 | |
| CN111160612A (zh) | 一种基于天气影响的离场航班延误分析及预测方法 | |
| CN115249043A (zh) | 数据分析方法、装置、电子设备及存储介质 | |
| CN115358411A (zh) | 一种数据处理方法、装置、设备及介质 | |
| CN115169470A (zh) | 一种基于可接受区域的高维小样本数据扩充方法 | |
| CN115801589B (zh) | 一种事件拓扑关系确定方法、装置、设备及存储介质 | |
| KR102112153B1 (ko) | 차량용 전선의 통신 성능 예측 장치 및 방법 | |
| CN111625573A (zh) | 一种大数据分析系统 | |
| Kim et al. | Package yield enhancement using machine learning in semiconductor manufacturing | |
| KR102438656B1 (ko) | 반도체 소자 제조 공정의 공정 업데이트 및 불량 원인 분석 방법 | |
| CN107240957B (zh) | 一种基于大数据流式计算用于电网监测预警的方法 | |
| CN110795846A (zh) | 边界森林模型的构建方法、面向复杂工业过程的多工况软计算模型更新方法及其应用 | |
| CN110942150A (zh) | 用于激光选区熔化设备零部件成型失效的智能诊断方法 | |
| CN115293096B (zh) | 线路生成方法、装置、电子设备及存储介质 | |
| CN116167978A (zh) | 一种模型更新方法、装置、电子设备及存储介质 | |
| CN107590071B (zh) | 机顶盒测试用的码流文件的数据修改方法及装置 | |
| Ni et al. | Analysis and identification of glass products based on fisher linear discriminant analysis and logistic regression for dichotomous classification | |
| CN116541187A (zh) | 电子控制单元的缓冲空间管理方法、装置、设备及介质 | |
| CN118131576A (zh) | 用于套刻误差量测的采样优化方法、装置、电子设备和存储介质 | |
| CN115883217A (zh) | 一种数据处理方法、装置、设备及存储介质 | |
| CN115051827A (zh) | 一种结合孪生架构和多源信息融合的网络安全态势预测方法 | |
| CN116361125A (zh) | 一种针对物联网边缘设备数据采集性能的测试方法 | |
| Chang et al. | Composition analysis and identification of ancient glass products based on gray correlation | |
| Cai et al. | Glass Classification and Identification based on K-means++ Clustering Analysis and BP Neural Network Method |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |