CN115062480A - 生产工艺参数的推荐方法及相关装置和程序介质 - Google Patents

生产工艺参数的推荐方法及相关装置和程序介质 Download PDF

Info

Publication number
CN115062480A
CN115062480A CN202210739408.5A CN202210739408A CN115062480A CN 115062480 A CN115062480 A CN 115062480A CN 202210739408 A CN202210739408 A CN 202210739408A CN 115062480 A CN115062480 A CN 115062480A
Authority
CN
China
Prior art keywords
value
product performance
working condition
parameter
process parameter
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.)
Pending
Application number
CN202210739408.5A
Other languages
English (en)
Inventor
郭传亮
童晓慧
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hope Zhizhou Technology Shenzhen Co ltd
Original Assignee
Hope Zhizhou Technology Shenzhen Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hope Zhizhou Technology Shenzhen Co ltd filed Critical Hope Zhizhou Technology Shenzhen Co ltd
Priority to CN202210739408.5A priority Critical patent/CN115062480A/zh
Publication of CN115062480A publication Critical patent/CN115062480A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • General Factory Administration (AREA)

Abstract

本申请实施例公开了基于异常工况的生产工艺参数的推荐方法及装置和程序介质，方法包括：若异常工况下生产流程中无可用的工艺参数版本或所述工艺参数版本的指标评价值不达标，则根据异常工况推荐算法确定工艺参数推荐值；获取数据库中存储的所述异常工况下历史多轮次的历史产品性能参数实际值和历史产品性能参数预测值；根据所述历史产品性能参数实际值和所述历史产品性能参数预测值计算产品性能参数预测偏差值；将工艺参数推荐值输入到多目标优化模型，得到当前产品性能参数预测值；根据产品性能参数预测偏差值和所述当前产品性能参数预测值，得到补偿后的当前产品性能参数预测值。本申请实施例能够提高预测算法的精度，保证生产质量。

Description

生产工艺参数的推荐方法及相关装置和程序介质
技术领域
本申请涉及自动化技术，应用于化工生产等领域，尤其涉及一种基于异常工况的生产工艺参数的推荐方法及装置和程序介质。
背景技术
通常的标杆工况数据库，通常存储生产过程、生产工况相对简单的短期无法调整的参数情况(物料工况，外界环境(温度，湿度等)工况)，上述简单工况也可称为标准工况，由于生产过程中的工艺参数有可能多达上百个，当任一个工艺参数(例如蒸气压力，生产用气压力，设备真空度等)由于设备负荷等非可控因素，导致该工艺参数超出标准值预先设置的公差范围，且长时间无法恢复时，理论上该工艺参数就会变为一个特殊的非标准工况参数，即会使得生产流程中出现异常工况，此时若按预先的标准值继续生产,将无法达成生产结果指标，会导致产品的生产效率过低。
发明内容
本申请实施例提供了基于异常工况的生产工艺参数的推荐方法及装置和程序介质，能够及时调整后期生产设备的工艺参数值以适应异常工况的变化，从而提高预测准确性，保证生产质量，满足产品的生产结果指标。
第一方面，本申请实施例提供了一种基于异常工况的生产工艺参数的推荐方法，所述方法包括：
若异常工况下生产流程中无可用的工艺参数版本或所述工艺参数版本的指标评价值不达标，则根据异常工况推荐算法确定工艺参数推荐值；
获取数据库中存储的所述异常工况下历史多轮次的历史产品性能参数实际值和历史产品性能参数预测值；
根据所述历史产品性能参数实际值和所述历史产品性能参数预测值计算产品性能参数预测偏差值，其中，所述历史产品性能参数预测值是通过多目标优化模型预测得到的；
将所述工艺参数推荐值输入到所述多目标优化模型，得到当前产品性能参数预测值；
根据所述产品性能参数预测偏差值和所述当前产品性能参数预测值，得到补偿后的当前产品性能参数预测值，其中，所述补偿后的当前产品性能参数预测值用于评估是否使用所述工艺参数推荐值进行生产。
在现有技术中，生产设备的任一工艺参数(例如蒸气压力，生产用气压力，设备真空度等)可能会因为设备负荷等非可控因素使得生产过程出现异常工况，导致该工艺参数超出标准值预先设置的公差范围，且长时间无法恢复时，理论上该工艺参数就会变为一个特殊的非标准工况参数，此时还需要继续生产，如果继续按预先的标准值生产,将无法达成生产结果指标。而本申请可以通过获取异常工况下的历史产品性能参数实际值，结合产品的每个历史产品性能参数实际值和产品的每个历史产品性能参数预测值计算产品性能参数预测偏差值，通过异常工况推荐算法确定工艺参数推荐值，再将工艺参数推荐值输入到多目标优化模型中得到当前产品性能参数预测值，再根据产品性能参数预测偏差值对当前产品性能参数预测值进行补偿，得到补偿后的当前每个产品性能参数预测值，从而能够提高预测算法的精度，保证生产过程的产品质量，满足产品的生产结果指标。
在一种可能的实施方式中，所述若异常工况下生产流程中无可用的工艺参数版本或所述工艺参数版本的指标评价值不达标，则根据异常工况推荐算法确定工艺参数推荐值之前，还包括：
确定当前生产流程是否出现异常工况，其中，所述异常工况为在正常标准工况下生产时，生产流程中发生了异常工况；
若出现所述异常工况，则获取所述异常工况的工况编码；
根据所述工况编码在数据库中查询是否有可用的工艺参数版本或所述工艺参数版本的指标评价值是否达标；
若异常工况下生产流程中无可用的工艺参数版本或所述工艺参数版本的指标评价值不达标，则执行所述根据异常工况推荐算法确定工艺参数推荐值的步骤。
在上述方法中，假设当前的生产流程中有一个工艺参数发生了异常，例如生产流程P1的工艺参数X16发生异常，则获取工艺参数X16的工艺参数故障编码为3，异常工艺参数的数据库编码地址为100(通过异常工艺参数的数据库编码地址来查询异常的详细信息)，则工况故障编码为1，1，1，16，3，1，100，假设标杆工况编码为100100100，则异常工况编码为(100100100，1，1，1，16，3，1，100)，再根据异常工况编码(100100100，1，1，1，16，3，1，100)在数据库中查询是否有可用的工艺参数版本或工艺参数版本的指标评价值是否达标，若异常工况下生产流程中无可用的工艺参数版本或工艺参数版本的指标评价值不达标(如通过该异常工况编码未查询到历史生产流程使用可用的工艺参数版本或者是查询到了可用的工艺参数版本，但该可用的工艺参数版本对应的指标评价值为58分，不在60-80分的标准范围内)，为保证能够及时调整后期生产设备的工艺参数值以适应异常工况的变化，此时需要执行上述根据异常工况推荐算法确定工艺参数推荐值的步骤。
在另一种可能的实施方式中，所述根据所述产品性能参数预测偏差值和所述当前产品性能参数预测值，得到补偿后的当前产品性能参数预测值之后，还包括：
根据所述补偿后的当前产品性能参数预测值确定指标评价值，其中，所述指标评价值用于评价所述工艺参数对应的多个产品性能参数预测值中的每一个产品性能参数预测值与对应的产品性能参数目标值的综合接近程度；
确定所述工艺参数版本中的异常工况最优版本，其中，所述异常工况最优版本为所述指标评价值最大的工艺参数版本；
若所述指标评价值大于所述异常工况最优版本对应的指标评价值，则根据当前所述指标评价值对应的工艺参数值进行生产；
若所述指标评价值小于所述异常工况最优版本对应的指标评价值，则根据所述异常工况最优版本进行生产。
在上述方法中，至少有一个可用工艺参数版本，每次当异常工况推荐算法优化完成后，根据当前多目标优化模型得到的多个产品的每个产品性能参数的目标值来确定每个产品性能参数的优先度等级，其中，优先度等级用于指示产品性能参数对产品的品质的影响程度，再根据优先度等级对多个产品性能参数进行划分，得到多个优化集合，然后根据优化值确定多个优化集合中的每个优化集合的指标评价值。最后根据每个优化集合的指标评价值确定当前多目标优化的综合指标评价值，根据综合后的指标评价值对多个工艺参数版本进行排序，得到排序结果，即从中得到一个最大的指标评价值对应的工艺参数版本作为异常工况最优版本，当异常工况推荐算法每次优化完成后将当前指标评价值与该异常工况最优版本对应的最大的指标评价值进行比较，若当前指标评价值小于该异常工况最优版本对应的最大指标评价值，则根据异常工况最优版本进行生产(如当前指标评价值为75分，该异常工况最优版本对应的最大指标评价值为86分，则说明根据异常工况最优版本进行生产得到的生产结果指标达到更优的目标)，若指标评价值大于异常工况最优版本对应的指标评价值(如当前指标评价值为90分，该异常工况最优版本对应的最大指标评价值为86分)，则说明异常工况推荐算法优化成功，此时根据当前指标评价值对应的工艺参数值进行生产，能够满足产品的生产结果指标。
在又一种可能的实施方式中，还包括：
若所述数据库中未出现过所述异常工况，则确定正常工况下的工艺参数的第一参考值，其中，所述第一参考值为所述正常工况下标杆工况计分卡中的工艺参数的目标值；
确定可调整工艺参数的第二参考值；
若所述可调整工艺参数存在所述工艺参数推荐值，则所述第二参考值为所述可调整工艺参数的工艺参数推荐值；
若所述可调整工艺参数不存在所述工艺参数推荐值，则所述第二参考值为所述可调整工艺参数的目标值，其中，所述可调整工艺参数的目标值为所述标杆工况计分卡中所述可调整工艺参数的目标值；
确定不可调工艺参数的异常预测值；
将所述工艺参数推荐值、所述第一参考值、所述第二参考值和所述不可调工艺参数的异常预测值分别输入到所述多目标优化模型，得到多个当前产品性能指标预测值。
在上述方法中，若数据库中未出现过异常工况，工艺参数的类型可能包括异常工况下可调整的正在进行预测值计算的工艺参数，正常工况下的工艺参数、异常工况下的可调整的但非正在进行预测值计算的工艺参数、异常工况下的不可调整的工艺参数，以及异常工况发生时，可能为已完成推荐值算法的正在进行预测值计算的工艺参数的推荐值或未完成推荐值算法的正在进行预测值计算的工艺参数的缺省值(标杆工况计分卡的目标值)，此时对该可调整的但非正在进行预测值计算的工艺参数进行判断，若存在推荐值就用推荐值，若不存在推荐值就用目标值。
其中，在计算某一个可调整的正在进行预测值计算的工艺参数的调整范围的多个工艺参数对应的产品性能指标预测值时，需要先确定除该可调整的正在进行预测值计算的工艺参数之外的其余工艺参数的计算初始值，可以理解为若可调整的但非正在进行预测值计算的工艺参数存在推荐值，则将推荐值作为可调整的但非正在进行预测值计算的工艺参数的计算初始值，若其余可调整的但非正在进行预测值计算的工艺参数不存在推荐值，则将目标值作为可调整的但非正在进行预测值计算的工艺参数的计算初始值；正常工况下的工艺参数则使用标杆工况计分卡中的目标值作为计算初始值；异常工况下的不可调整的工艺参数则使用异常预测值作为计算初始值。该方法考虑了产品性能指标预测值受产品的所有工艺参数的影响，在计算工艺参数推荐值的预测值时，同时也预先设置了其余工艺参数的取值，能够使得预测值更精准。
在又一种可能的实施方式中，所述根据所述补偿后的当前产品性能参数预测值确定指标评价值之后，还包括：
若当前轮次生产得到的所述指标评价值小于预设的指标评价参考值，则根据当前产品性能参数实际值和所述历史产品性能参数实际值，再次计算当前产品性能参数预测偏差值；
根据所述当前产品性能参数预测偏差值和当前产品性能参数预测值，确定所述补偿后的当前产品性能参数预测值；
根据所述补偿后的当前产品性能参数预测值对所述异常工况推荐算法进行优化，直至连续多次生产时所述指标评价值控制在预设的指标评价参考值范围内，则优化结束。在上述方法中，若确定出的指标评价值小于预设的指标评价参考值，则说明历史多轮次生产的产品性能指标不符合标准(比如胺的伯胺含量、碘值、伯酰胺等性能参数中的一项或多项小于对应的性能参数的标准范围区间)，可以根据当前生产的每个产品性能参数实际值以及其对应的产品性能参数预测值，再根据补偿后的当前每个产品性能参数预测值对异常工况推荐算法进行优化训练，生成新的数学模型，并重复之前的推荐算法优化，直至多次训练后的指标评价值稳定在预设的阈值区间内(如指标评价值保持在75～80分之间，预设的指标评价参考值区间为60～80分，因此优化后的当前生产的产品性能指标符合参考标准)，则不再对算法进行优化。本方案通过评价工艺参数对应的多个产品性能参数预测值中的每一个产品性能参数预测值与对应的产品性能参数目标值的综合接近程度，得出工艺参数推荐值，并使用该工艺参数推荐值进行生产，能够有效提高生产产品的质量与预测算法的精度。
第二方面，本申请实施例提供一种基于异常工况的生产工艺参数的推荐装置，该装置包括选择单元、获取单元、计算单元和输入单元，该装置用于实现第一方面或第一方面任一种可能的实施方式所描述的方法。
需要说明的是，上述第二方面所描述的装置所包含的处理器，可以是专门用于执行这些方法的处理器(便于区别称为专用处理器)，也可以是通过调用计算机程序来执行这些方法的处理器，例如通用处理器。可选的，至少一个处理器还可以既包括专用处理器也包括通用处理器。
可选的，上述计算机程序可以存在存储器中。示例性的，存储器可以为非瞬时性(non-transitory)存储器，例如只读存储器(Read Only Memory，ROM)，其可以与处理器集成在同一块器件上，也可以分别设置在不同的器件上，本申请实施例对存储器的类型以及存储器与处理器的设置方式不做限定。
在一种可能的实施方式中，上述至少一个存储器位于上述推荐装置之外。
在又一种可能的实施方式中，上述至少一个存储器位于上述推荐装置之内。
在又一种可能的实施方式之中，上述至少一个存储器的部分存储器位于上述推荐装置之内，另一部分存储器位于上述推荐装置之外。
本申请中，处理器和存储器还可能集成于一个器件中，即处理器和存储器还可以被集成在一起。
第三方面，本申请实施例提供一种基于异常工况的生产工艺参数的推荐设备，该设备包括处理器和存储器；所述存储器中存储有计算机程序；处理器执行计算机程序时，计算设备执行前述第一或者第一方面任一项所描述的方法。
第四方面，本申请实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在至少一个处理器上运行时，实现前述第一方面任一项所描述的方法。
第五方面，本申请提供了一种计算机程序产品，计算机程序产品包括计算机指令，当所述指令在至少一个处理器上运行时，实现前述第一方面任一项所描述的方法。该计算机程序产品可以为一个软件安装包，在需要使用前述方法的情况下，可以下载该计算机程序产品并在计算设备上执行该计算机程序产品。
本申请第二至第五方面所提供的技术方法，其有益效果可以参考第一方面的技术方案的有益效果，此处不再赘述。
附图说明
下面将对实施例描述中所需要使用的附图作简单的介绍。
图1是本申请实施例提供的一种基于异常工况的生产工艺参数的推荐系统的架构示意图；
图2是本申请实施例提供的一种基于异常工况的生产工艺参数的推荐方法的流程示意图；
图3是本申请实施例提供的一种基于异常工况的生产工艺参数的推荐装置30的结构示意图；
图4是本申请实施例提供的一种基于异常工况的生产工艺参数的推荐设备40的结构示意图。
具体实施方式
下面结合附图对本申请实施例进行详细介绍。
为了便于理解，先对本申请实施例涉及的技术术语进行简单介绍。
1.工艺参数，是指在控制生产流程中，为了保证生产的产品的质量、效率以及成本，为满足用户需求的生产流程中的所有指标参数，其中包括生产设备的控制参数(如温度，压力，速度等)、生产时间以及投料量等均为工艺参数。
上述相关的术语解释可以应用于下文的实施例中。
下面对本申请实施例的架构进行介绍。
请参见图1，图1是本申请实施例提供的一种基于异常工况的生产工艺参数的推荐系统的架构示意图，该系统包括服务器101，服务器101中包括数据采集设备102、数据库103、训练设备104、数据处理模块105、输出模块106。
服务器101可以为一个服务器或者多个服务器组成的服务器集群，可以是电脑、上位机，服务器101主要用于按照生产工况进行模型训练，获取该生产工况的多目标优化模型，当出现异常工况工艺参数时，利用训练模型进行预测算法，调整正常可调工艺参数，给出正常可调工艺参数的推荐值(最优值)，使得调整后的生产结果指标达到最优目标。
数据采集设备102用于获取数据库中存储的异常工况下历史生产轮次中产品的每个产品性能参数实际值、不可优化工艺参数的目标值、正常工况下的工艺参数、异常工况下的工艺参数以及异常工况的工况编码。
训练设备104基于数据库103中的异常工况下的工艺参数训练得到多目标优化模型/规则，其中，多目标优化模型/规则可以是数学模型或算法模型等，通过多目标优化模型/规则的算法预测可以得到产品的每个历史产品性能参数预测值/当前产品性能参数预测值。
需要说明的是，在实际应用中，数据库103中的数据不一定都来自于数据采集设备102的采集，也有可能是由其它设备发送得到的。另外需要说明的是，训练设备104也不一定完全基于数据库103的训练数据集进行多目标优化模型/规则的训练，也有可能从云端或其它地方获取训练数据集进行模型训练，上述描述不应该作为对本申请实施例的限定。
在本申请实施例中，数据处理模块105用于根据产品的每个产品性能参数实际值和产品的每个产品性能参数预测值计算产品性能参数预测偏差值，还可以用于根据异常工况下不可优化工艺参数的目标值确定工艺参数推荐值。
输出模块106用于在将工艺参数推荐值输入到多目标优化模型/规则，得到产品的每个历史产品性能参数预测值/当前产品性能参数预测值。
下面对本申请实施例的方法进行详细介绍。
请参见图2，图2是本申请实施例提供的一种基于异常工况的生产工艺参数的推荐方法的流程示意图。该方法可以基于图1所示的系统架构来实现，也可以基于其他系统架构实现，具体地，应用于服务器，如图2所述的方法至少包括步骤S201至步骤S205。
步骤S201：若异常工况下生产流程中无可用的工艺参数版本或工艺参数版本的指标评价值不达标，则服务器根据异常工况推荐算法确定工艺参数推荐值。
具体的，工艺参数用于控制生产流程，保证生产的产品的质量、效率以及成本，能够满足用户需求的所有生产过程指标参数，其中包括设备控制参数(温度，压力，速度)、生产的步骤、生产时间、投料量等。举例来说，可以将影响一类产品的质量、效率以及成本的指标参数归于一个工艺参数版本，工艺参数版本为在异常工况下使用的参数版本。例如，数据库中存储的一个工艺参数版本A1中包括多个影响当前生产流程的指标参数，如温度(70℃)、通氢压力(700Pa)、时间(480min)等，工艺参数版本A2中同样包括多个影响当前生产流程的指标参数，如温度(75℃)、通氢压力(850Pa)、时间(480min)等，可以理解的是，工艺参数版本A1与工艺参数版本A2内的指标参数的值可能有不相同的，也可能有相同的。而后，若出现异常工况下生产流程中无可用的工艺参数版本或工艺参数版本的指标评价值不达标的情况，为保证能够及时调整后期生产设备的工艺参数值以适应异常工况的变化，此时需要根据异常工况推荐算法确定工艺参数推荐值，以便执行后续操作。
可选的，服务器在根据异常工况推荐算法确定工艺参数推荐值之前，确定当前生产流程是否出现异常工况，若出现异常工况，则获取异常工况的工况编码；根据工况编码在数据库中查询是否有可用的工艺参数版本或工艺参数版本的指标评价值是否达标；若异常工况下生产流程中无可用的工艺参数版本或工艺参数版本的指标评价值不达标，则执行上述根据异常工况推荐算法确定工艺参数推荐值的步骤。
具体的，异常工况为在正常标准工况下生产时，生产流程中发生了异常工况，若有P1～Pn个生产流程，每个生产流程有m个工艺参数X，其中，假设当前的生产流程中有一个工艺参数发生了异常，例如生产流程P1的工艺参数X16发生异常，则获取工艺参数X16的工艺参数故障编码为3，异常工艺参数的数据库编码地址为100(通过异常工艺参数的数据库编码地址来查询异常的详细信息)，则工况故障编码为1，1，1，16，3，1，100，假设标杆工况编码为100100100，则异常工况编码为(100100100，1，1，1，16，3，1，100)，再根据异常工况编码(100100100，1，1，1，16，3，1，100)在数据库中查询是否有可用的工艺参数版本或工艺参数版本的指标评价值是否达标，若异常工况下生产流程中无可用的工艺参数版本或工艺参数版本的指标评价值不达标(如通过该异常工况编码未查询到历史生产流程使用可用的工艺参数版本或者是查询到了可用的工艺参数版本，但该可用的工艺参数版本对应的指标评价值为58分，不在60-80分的标准范围内)，为保证能够及时调整后期生产设备的工艺参数值以适应异常工况的变化，此时需要执行上述根据异常工况推荐算法确定工艺参数推荐值的步骤。
可选的，若数据库中未出现过异常工况，则确定正常工况下的工艺参数的第一参考值，其中，第一参考值为正常工况下标杆工况计分卡中的工艺参数的目标值；
确定可调整工艺参数的第二参考值；
若可调整工艺参数存在工艺参数推荐值，则第二参考值为可调整工艺参数的工艺参数推荐值；
若可调整工艺参数不存在工艺参数推荐值，则第二参考值为可调整工艺参数的目标值，其中，可调整工艺参数的目标值为标杆工况计分卡中可调整工艺参数的目标值；
确定不可调工艺参数的异常预测值；
将工艺参数值、第一参考值、第二参考值和不可调工艺参数的异常预测值分别输入到多目标优化模型，得到多个当前产品性能指标预测值。
具体的，若数据库中未出现过异常工况，工艺参数的类型可能包括异常工况下可调整的正在进行预测值计算的工艺参数，正常工况下的工艺参数、异常工况下的可调整的但非正在进行预测值计算的工艺参数、异常工况下的不可调整的工艺参数，以及异常工况发生时，可能为已完成推荐值算法的正在进行预测值计算的工艺参数的推荐值或未完成推荐值算法的正在进行预测值计算的工艺参数的缺省值(标杆工况计分卡的目标值)，此时对该可调整的但非正在进行预测值计算的工艺参数进行判断，若存在推荐值就用推荐值，若不存在推荐值就用目标值。
其中，在计算某一个可调整的正在进行预测值计算的工艺参数的调整范围的多个工艺参数对应的产品性能指标预测值时，需要先确定除该可调整的正在进行预测值计算的工艺参数之外的其余工艺参数的计算初始值，可以理解为若可调整的但非正在进行预测值计算的工艺参数存在推荐值，则将推荐值作为可调整的但非正在进行预测值计算的工艺参数的计算初始值，若其余可调整的但非正在进行预测值计算的工艺参数不存在推荐值，则将目标值作为可调整的但非正在进行预测值计算的工艺参数的计算初始值；正常工况下的工艺参数则使用标杆工况计分卡中的目标值作为计算初始值；异常工况下的不可调整的工艺参数则使用异常预测值作为计算初始值。该方法考虑了产品性能指标预测值受产品的所有工艺参数的影响，在计算工艺参数推荐值的预测值时，同时也预先设置了其余工艺参数的取值，能够使得预测值更精准。
步骤S202：服务器获取数据库中存储的异常工况下历史多轮次的历史产品性能参数实际值和历史产品性能参数预测值。
具体的，关于生产流程用到的数据库的相关内容，其中，区块链就是一个分布式的共享账本和数据库，具有去中心化、不可篡改、全程留痕、可以追溯、集体维护、公开透明等特点，区块链技术是利用块链式数据结构来验证与存储数据、利用分布式节点共识算法来生成和更新数据、利用密码学的方式保证数据传输和访问的安全、利用由自动化脚本代码组成的智能合约来编程和操作数据的一种全新的分布式基础架构与计算方式。在本申请实施例中，获取数据库中存储的数据参数可以利用区块链技术来实现，举例来说，获取异常工况下历史多轮次的历史产品性能参数值可以是同一区块链，获取异常工况下当前产品性能参数值也可以是同一区块链，获取历史产品性能参数值和当前产品性能参数值可以是不同区块链。
具体包括，根据该数据库中存储的异常工况下历史多轮次生产的产品的性能参数数据和/或异常工况下当前产品性能参数数据进行分片，然后对至少一个分片对应的数据进行同态加密得到密文数据，通过同一区块链(如包含所有历史性能参数值的区块链)将密文数据同步到计算节点设备，得到至少一个分片的加密密钥，然后根据至少一个分片的加密密钥或分片对应的数据生成哈希，而后哈希添加分类帐和分片元数据，分类帐中存储与事务相关的详细信息，例如分片位置、分片哈希和租赁成本等，以便将事务链接到存储的分片中，最终通过存储系统记录同一区块链分类帐中的所有事务，并在所有节点之间同步同一区块链与不同区块链的所有数据。
获取数据库中存储的异常工况下历史多轮次的历史产品性能参数实际值的具体步骤：举例来说，首先服务器需要在编码地址为100的数据库中查询当前异常工况下的历史生产轮次，若某一生产轮次由P1-P6的流程步骤组成，P1-P5代表的是某轮次中的正常的生产流程，P6为该轮次发生异常的流程。5个历史轮次为发生5次P1-P5正常，P6异常的生产情况，生产流程发生了当前的异常工况，则历史生产轮次为5，此时服务器可以获取历史多轮次的历史产品性能参数实际值，比如第一轮次生产对应的历史产品性能参数实际值对应表示为N1—伯胺含量95％—伯酰胺0.12％—碘值45g，第二轮次生产对应的历史产品性能参数实际值对应表示为N2—胺含量97％—伯酰胺0.14％—碘值42g，第三轮次生产对应的历史产品性能参数实际值对应表示为N3—胺含量96.2％—伯酰胺0.18％—碘值48g，第四轮次生产对应的历史产品性能参数实际值对应表示为N4—胺含量95.7％—伯酰胺0.15％—碘值46g，第五轮次生产对应的历史产品性能参数实际值对应表示为N5—胺含量94.8％—伯酰胺0.16％—碘值46g，则上述得到的五轮历史生产流程的历史产品性能参数实际值即为在数据库中存储的异常工况下历史多轮次的历史产品性能参数实际值。
其中，历史产品性能参数预测值是通过多目标优化模型得到的，具体可以通过算法将历史生产流程的工艺参数(如X1，X2，X3，...，Xm)代入方程组Y1-Yn＝F1(X1，X2，X3，...，Xm)-Fn(X1，X2，X3，...，Xm)中得出求解结果，即得到历史生产流程中每个产品性能参数预测值。其中，当m＝1时，X1可以为异常工况下可调整的正在进行预测值计算的工艺参数(如生产时间)；m＝2时，X2可以为正常工况下的工艺参数(如通氢压力)；m＝3时，X3可以为异常工况下的可调整的但非正在进行预测值计算的工艺参数(如加氢量)，其中，若可调整的但非正在进行预测值计算的工艺参数存在推荐值，则将推荐值作为可调整的但非正在进行预测值计算的工艺参数的计算初始值，若其余可调整的但非正在进行预测值计算的工艺参数不存在推荐值，则将目标值作为可调整的但非正在进行预测值计算的工艺参数的计算初始值；同理，X4可以为异常工况下的不可调整的工艺参数(如加水量)、X5可以为正常工况下的工艺参数(如通氢时间)、X6可以为异常工况下的可调整的但非正在进行预测值计算的工艺参数(如水解温度)、X7可以为正常工况下的工艺参数(如水解油水比)、X8可以为正常工况下的工艺参数(如水解时间)等等，后面的工艺参数Xm可以以前述工艺参数进行类推。
步骤S203：服务器根据历史产品性能参数实际值和历史产品性能参数预测值计算产品性能参数预测偏差值。
具体的，服务器得到产品的历史产品性能参数实际值(如胺的伯胺含量实际值为95％、伯酰胺实际值为0.12％、碘值实际值为45g)和产品的历史产品性能参数预测值(如胺的伯胺含量预测值为97％、伯酰胺预测值为0.15％、碘值预测值为48g)后，根据方程式(∑(历史产品性能参数实际值Y2-历史产品性能参数预测值Y1))/(历史生产的轮次n)计算出每个产品性能参数对应的历史产品性能参数预测偏差值DY，举例来说，若经过统计得出胺的历史生产轮次为5次，且共5轮生产的胺的平均伯胺含量实际值为95.6％，平均伯胺含量预测值为96％，则伯胺含量对应的产品性能参数预测偏差值DY为95.6％-96％＝-0.4％，再如若5轮生产的胺的平均伯酰胺实际值为0.125％％，平均伯酰胺预测值为0.145％，则伯酰胺对应的历史产品性能参数预测偏差值DY为0.125％-0.145％＝-0.02％。
步骤S204：服务器将工艺参数推荐值输入到多目标优化模型，得到当前产品性能参数预测值。
具体的，服务器得到工艺参数推荐值(如通氢压力800Pa、温度70℃、生产时间480min)后，将工艺参数推荐值输入到多目标优化模型中，通过具体算法得到当前的每个产品性能参数预测值，举例来说，若得到的工艺参数推荐值有通氢压力800Pa、温度70℃、生产时间480min，同样通过算法将上述工艺参数(X1，X2，X3，...，Xm)代入方程组Y1-Yn＝F1(X1，X2，X3，...，Xm)-Fn(X1，X2，X3，...，Xm)中得出求解结果，即得到当前生产流程中每个产品性能参数预测值(如输出胺的伯胺含量预测值为96％、伯酰胺的预测值为0.15％)，由于工艺参数X1，X2，X3，...，Xm)同前述历史生产流程的工艺参数的定义描述相同，此处不再赘述。
步骤S205：服务器根据产品性能参数预测偏差值和当前产品性能参数预测值，得到补偿后的当前产品性能参数预测值。
具体的，为了提高当前产品性能参数预测值的预测精度，可以利用多目标优化模型(即修正补偿预测模型)对当前产品性能参数预测值进行补偿，补偿后的当前产品性能参数预测值用于评估是否使用工艺参数推荐值进行生产。由于产品的每个产品性能参数计算的步骤相同，因此下面的实施例仅以性能参数中的伯胺含量为例来描述，其它产品性能参数预测值的计算过程可以参照伯胺含量来得到。利用伯胺含量对应的产品性能参数预测偏差值对当前产品性能参数预测值进行补偿，从而使得补偿后的当前产品性能参数预测值更加精确，能够提高预测算法的精度，举例来说，比如通过5轮历史生产得到的胺的伯胺含量预测值为96％，用产品性能参数预测偏差值-0.4％来补偿当前产品性能参数预测值96％，得到补偿后的胺的伯胺含量预测值为95.6％。
可选的，根据产品性能参数预测偏差值和当前产品性能参数预测值，得到补偿后的当前产品性能参数预测值之后，根据补偿后的当前产品性能参数预测值确定指标评价值；
再确定工艺参数版本中的异常工况最优版本；
若指标评价值大于异常工况最优版本对应的指标评价值，则根据当前指标评价值对应的工艺参数值进行生产；
若指标评价值小于异常工况最优版本对应的指标评价值，则根据异常工况最优版本进行生产。
具体的，指标评价值用于评价工艺参数对应的多个产品性能参数预测值中的每一个产品性能参数预测值与对应的产品性能参数目标值的综合接近程度，其中，综合接近程度可以理解为将每一个产品性能预测值与每一个产品性能目标值进行接近程度的比较，最后将综合得到的多个比较结果作为综合接近程度，每一个产品性能预测值与每一个产品性能目标值越接近，则表明对应的指标评价值越高。举例来说，若胺的伯胺含量(产品性能指标)对应的目标值为96.1％，其预测值为95.6％，此时胺的伯胺含量的目标值与预测值之间的比较结果为相差0.5％；再如，胺的伯酰胺含量(产品性能指标)对应的目标值为0.12％，其预测值为0.15％，此时胺的伯酰胺含量的目标值与预测值之间的比较结果为相差0.03％，由上述可知，胺的伯酰胺含量的目标值与预测值之间的比较结果更加接近，因此胺的伯酰胺含量对应的指标评价值越高。服务器根据补偿后的当前产品性能参数预测值确定指标评价值的具体步骤主要是先根据当前生产流程生产的每个产品性能指标参数对应的目标值与补偿后的当前每个产品性能参数预测值的差异，得到当前每个产品的目标值与产品性能参数预测值之间的偏差值，举例来说，胺的伯胺含量(产品性能指标)对应的目标值为96.1％，补偿后得到的胺的伯胺含量的预测值为95.6％，此时胺的伯胺含量的目标值与预测值之间的差值为0.5％。
在本方案中，进一步的，至少有一个可用工艺参数版本，每次当异常工况推荐算法优化完成后，根据当前多目标优化模型得到的多个产品的每个产品性能参数的目标值来确定每个产品性能参数的优先度等级，其中，优先度等级用于指示产品性能参数对产品的品质的影响程度，再根据优先度等级对多个产品性能参数进行划分，得到多个优化集合，然后根据优化值确定多个优化集合中的每个优化集合的指标评价值。最后根据每个优化集合的指标评价值确定当前多目标优化的综合指标评价值，根据综合后的指标评价值对多个工艺参数版本进行排序，得到排序结果，即从中得到一个最大的指标评价值对应的工艺参数版本作为异常工况最优版本，当异常工况推荐算法每次优化完成后将当前指标评价值与该异常工况最优版本对应的最大的指标评价值进行比较，若当前指标评价值小于该异常工况最优版本对应的最大指标评价值，则根据异常工况最优版本进行生产(如当前指标评价值为75分，该异常工况最优版本对应的最大指标评价值为86分，则说明根据异常工况最优版本进行生产得到的生产结果指标达到更优的目标)，若指标评价值大于异常工况最优版本对应的指标评价值(如当前指标评价值为90分，该异常工况最优版本对应的最大指标评价值为86分)，则说明异常工况推荐算法优化成功，此时根据当前指标评价值对应的工艺参数值进行生产，能够满足产品的生产结果指标。
可选的，根据补偿后的当前产品性能参数预测值确定指标评价值之后，若当前轮次生产得到的指标评价值小于预设的指标评价参考值，则根据当前产品性能参数实际值和历史产品性能参数实际值，再次计算当前产品性能参数预测偏差值；
再根据当前产品性能参数预测偏差值和当前产品性能参数预测值，确定补偿后的当前产品性能参数预测值；
最后根据补偿后的当前产品性能参数预测值对异常工况推荐算法进行优化，直至连续多次生产时指标评价值控制在预设的指标评价参考值范围内，则优化结束。
具体的，若确定出的指标评价值小于预设的指标评价参考值(如指标评价值为58分，但预设的指标评价参考值区间为60～80分)，则说明当前生产的产品性能指标不符合标准(比如胺的伯胺含量、碘值、伯酰胺等性能参数中的一项或多项小于对应的性能参数的标准范围区间)，可以根据历史多轮次生产的每个产品性能参数实际值以及当前产品性能参数实际值，再次计算当前产品性能参数预测偏差值，再根据当前产品性能参数预测偏差值和当前产品性能参数预测值，确定补偿后的当前每个产品性能参数预测值，最后根据补偿后的当前每个产品性能参数预测值对异常工况推荐算法进行优化训练，生成新的数学模型，并重复之前的推荐算法优化，直至多次训练后的指标评价值稳定在预设的阈值区间内(如指标评价值保持在75～80分之间，预设的指标评价参考值区间为60～80分，因此优化后的当前生产的产品性能指标符合参考标准)，则不再对算法进行优化。本申请通过评价工艺参数对应的多个产品性能参数预测值中的每一个产品性能参数预测值与对应的产品性能参数目标值的综合接近程度，得出工艺参数推荐值，并使用该工艺参数推荐值进行生产，能够有效提高生产产品的质量与预测算法的精度。
在现有技术中，生产设备的任一工艺参数(例如蒸气压力，生产用气压力，设备真空度等)可能会因为设备负荷等非可控因素使得生产过程出现异常工况，导致该工艺参数超出标准值预先设置的公差范围，且长时间无法恢复时，理论上该工艺参数就会变为一个特殊的非标准工况参数，此时还需要继续生产，如果继续按预先的标准值生产,将无法达成生产结果指标。而本申请可以通过获取异常工况下的历史产品性能参数实际值，结合产品的每个历史产品性能参数实际值和产品的每个历史产品性能参数预测值计算产品性能参数预测偏差值，通过异常工况推荐算法确定工艺参数推荐值，再将工艺参数推荐值输入到多目标优化模型中得到当前产品性能参数预测值，再根据产品性能参数预测偏差值对当前产品性能参数预测值进行补偿，得到补偿后的当前每个产品性能参数预测值，从而能够提高预测算法的精度，保证生产过程的产品质量，满足产品的生产结果指标。
上述详细阐述了本申请实施例的方法，下面提供本申请实施例的装置。
可以理解的是，本申请实施例提供的多个装置，例如推荐装置，为了实现上述方法实施例中的功能，其包含了执行各个功能相应的硬件结构、软件模块、或硬件结构和软件结构的组合等。
本领域技术人员应该很容易意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，本申请实施例能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以在不同的使用场景中，使用不同的装置实现方式来实现前述的方法实施例，对于装置的不同实现方式不应认为超出本申请实施例的范围。
本申请实施例可以对装置进行功能模块的划分。例如，可对应各个功能划分各个功能模块，也可将两个或两个以上的功能集成在一个功能模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。需要说明的是，本申请实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
例如，以采用集成的方式划分装置各个功能模块的情况下，本申请例举几种可能的处理装置。
请参见图3，图3是本申请实施例提供的一种基于异常工况的生产工艺参数的推荐装置30的结构示意图，该推荐装置30为服务器，也可以为服务器中的一个器件，例如芯片、软件模块、集成电路等。该推荐装置30用于实现前述的基于异常工况的生产工艺参数的推荐方法，例如图2所述基于异常工况的生产工艺参数的推荐方法。
一种可能的实施方式中，该推荐装置30可以包括确定单元301、获取单元302、计算单元303、输入单元304和补偿单元305。
若异常工况下生产流程中无可用的工艺参数版本或所述工艺参数版本的指标评价值不达标，则所述确定单元301，用于根据异常工况推荐算法确定工艺参数推荐值；
所述获取单元302，用于获取数据库中存储的所述异常工况下历史多轮次的历史产品性能参数实际值和历史产品性能参数预测值；
所述计算单元303，用于根据所述历史产品性能参数实际值和所述历史产品性能参数预测值计算产品性能参数预测偏差值，其中，所述历史产品性能参数预测值是通过多目标优化模型预测得到的；
所述输入单元304，用于将所述工艺参数推荐值输入到所述多目标优化模型，得到当前产品性能参数预测值；
所述补偿单元305，用于根据所述产品性能参数预测偏差值和所述当前产品性能参数预测值，得到补偿后的当前产品性能参数预测值，其中，所述补偿后的当前产品性能参数预测值用于评估是否使用所述工艺参数推荐值进行生产。
在现有技术中，生产设备的任一工艺参数(例如蒸气压力，生产用气压力，设备真空度等)可能会因为设备负荷等非可控因素使得生产过程出现异常工况，导致该工艺参数超出标准值预先设置的公差范围，且长时间无法恢复时，理论上该工艺参数就会变为一个特殊的非标准工况参数，此时还需要继续生产，如果继续按预先的标准值生产,将无法达成生产结果指标。而本申请可以通过获取异常工况下的历史产品性能参数实际值，结合产品的每个历史产品性能参数实际值和产品的每个历史产品性能参数预测值计算产品性能参数预测偏差值，通过异常工况推荐算法确定工艺参数推荐值，再将工艺参数推荐值输入到多目标优化模型中得到当前产品性能参数预测值，再根据产品性能参数预测偏差值对当前产品性能参数预测值进行补偿，得到补偿后的当前每个产品性能参数预测值，从而能够提高预测算法的精度，保证生产过程的产品质量，满足产品的生产结果指标。
另一种可能的实施方式中，还包括：
所述确定单元301，还用于确定当前生产流程是否出现异常工况，其中，所述异常工况为在正常标准工况下生产时，生产流程中发生了异常工况；
所述获取单元302，还用于若出现所述异常工况，则获取所述异常工况的工况编码；
查询单元，用于根据所述工况编码在数据库中查询是否有可用的工艺参数版本或所述工艺参数版本的指标评价值是否达标；
若异常工况下生产流程中无可用的工艺参数版本或所述工艺参数版本的指标评价值不达标，则执行单元，用于执行所述根据异常工况推荐算法确定工艺参数推荐值的步骤。
在本申请实施例中，假设当前的生产流程中有一个工艺参数发生了异常，例如生产流程P1的工艺参数X16发生异常，则获取工艺参数X16的工艺参数故障编码为3，异常工艺参数的数据库编码地址为100(通过异常工艺参数的数据库编码地址来查询异常的详细信息)，则工况故障编码为1，1，1，16，3，1，100，假设标杆工况编码为100100100，则异常工况编码为(100100100，1，1，1，16，3，1，100)，再根据异常工况编码(100100100，1，1，1，16，3，1，100)在数据库中查询是否有可用的工艺参数版本或工艺参数版本的指标评价值是否达标，若异常工况下生产流程中无可用的工艺参数版本或工艺参数版本的指标评价值不达标(如通过该异常工况编码未查询到历史生产流程使用可用的工艺参数版本或者是查询到了可用的工艺参数版本，但该可用的工艺参数版本对应的指标评价值为58分，不在60-80分的标准范围内)，为保证能够及时调整后期生产设备的工艺参数值以适应异常工况的变化，此时需要执行上述根据异常工况推荐算法确定工艺参数推荐值的步骤。
又一种可能的实施方式中，所述根据所述产品性能参数预测偏差值和所述当前产品性能参数预测值，得到补偿后的当前产品性能参数预测值之后，还包括：
所述确定单元301，还用于根据所述补偿后的当前产品性能参数预测值确定指标评价值，其中，所述指标评价值用于评价所述工艺参数对应的多个产品性能参数预测值中的每一个产品性能参数预测值与对应的产品性能参数目标值的综合接近程度；
所述确定单元301，还用于确定所述工艺参数版本中的异常工况最优版本，其中，所述异常工况最优版本为所述指标评价值最大的工艺参数版本；
若所述指标评价值大于所述异常工况最优版本对应的指标评价值，则生产单元，用于根据当前所述指标评价值对应的工艺参数值进行生产；
若所述指标评价值小于所述异常工况最优版本对应的指标评价值，则所述生产单元，还用于根据所述异常工况最优版本进行生产。
在本申请实施例中，至少有一个可用工艺参数版本，每次当异常工况推荐算法优化完成后，根据当前多目标优化模型得到的多个产品的每个产品性能参数的目标值来确定每个产品性能参数的优先度等级，其中，优先度等级用于指示产品性能参数对产品的品质的影响程度，再根据优先度等级对多个产品性能参数进行划分，得到多个优化集合，然后根据优化值确定多个优化集合中的每个优化集合的指标评价值。最后根据每个优化集合的指标评价值确定当前多目标优化的综合指标评价值，根据综合后的指标评价值对多个工艺参数版本进行排序，得到排序结果，即从中得到一个最大的指标评价值对应的工艺参数版本作为异常工况最优版本，当异常工况推荐算法每次优化完成后将当前指标评价值与该异常工况最优版本对应的最大的指标评价值进行比较，若当前指标评价值小于该异常工况最优版本对应的最大指标评价值，则根据异常工况最优版本进行生产(如当前指标评价值为75分，该异常工况最优版本对应的最大指标评价值为86分，则说明根据异常工况最优版本进行生产得到的生产结果指标达到更优的目标)，若指标评价值大于异常工况最优版本对应的指标评价值(如当前指标评价值为90分，该异常工况最优版本对应的最大指标评价值为86分)，则说明异常工况推荐算法优化成功，此时根据当前指标评价值对应的工艺参数值进行生产，能够使得调整后的生产结果指标达到更优的目标。
又一种可能的实施方式中，还包括：
若所述数据库中未出现过所述异常工况，则所述确定单元301，还用于确定正常工况下的工艺参数的第一参考值，其中，所述第一参考值为所述正常工况下标杆工况计分卡中的工艺参数的目标值；
所述确定单元301，还用于确定可调整工艺参数的第二参考值；
若所述可调整工艺参数存在所述工艺参数推荐值，则所述第二参考值为所述可调整工艺参数的工艺参数推荐值；
若所述可调整工艺参数不存在所述工艺参数推荐值，则所述第二参考值为所述可调整工艺参数的目标值，其中，所述可调整工艺参数的目标值为所述标杆工况计分卡中所述可调整工艺参数的目标值；
所述确定单元301，还用于确定不可调工艺参数的异常预测值；
所述输入单元304，还用于将所述工艺参数值、所述第一参考值、所述第二参考值和所述不可调工艺参数的异常预测值分别输入到所述多目标优化模型，得到多个当前产品性能指标预测值。
在本申请实施例中，若数据库中未出现过异常工况，工艺参数的类型可能包括异常工况下可调整的正在进行预测值计算的工艺参数，正常工况下的工艺参数、异常工况下的可调整的但非正在进行预测值计算的工艺参数、异常工况下的不可调整的工艺参数，以及异常工况发生时，可能为已完成推荐值算法的正在进行预测值计算的工艺参数的推荐值或未完成推荐值算法的正在进行预测值计算的工艺参数的缺省值(标杆工况计分卡的目标值)，此时对该可调整的但非正在进行预测值计算的工艺参数进行判断，若存在推荐值就用推荐值，若不存在推荐值就用目标值。
其中，在计算某一个可调整的正在进行预测值计算的工艺参数的调整范围的多个工艺参数对应的产品性能指标预测值时，需要先确定除该可调整的正在进行预测值计算的工艺参数之外的其余工艺参数的计算初始值，可以理解为若可调整的但非正在进行预测值计算的工艺参数存在推荐值，则将推荐值作为可调整的但非正在进行预测值计算的工艺参数的计算初始值，若其余可调整的但非正在进行预测值计算的工艺参数不存在推荐值，则将目标值作为可调整的但非正在进行预测值计算的工艺参数的计算初始值；正常工况下的工艺参数则使用标杆工况计分卡中的目标值作为计算初始值；异常工况下的不可调整的工艺参数则使用异常预测值作为计算初始值。该方法考虑了产品性能指标预测值受产品的所有工艺参数的影响，在计算工艺参数推荐值的预测值时，同时也预先设置了其余工艺参数的取值，能够使得预测值更精准。
又一种可能的实施方式中，所述根据所述补偿后的当前产品性能参数预测值确定指标评价值之后，还包括：
若当前轮次生产得到的所述指标评价值小于预设的指标评价参考值，则根据当前产品性能参数实际值和所述历史产品性能参数实际值，再次计算当前产品性能参数预测偏差值；
根据所述当前产品性能参数预测偏差值和当前产品性能参数预测值，确定所述补偿后的当前产品性能参数预测值；
根据所述补偿后的当前产品性能参数预测值对所述异常工况推荐算法进行优化，直至连续多次生产时所述指标评价值控制在预设的指标评价参考值范围内，则优化结束。
在本申请实施例中，若确定出的指标评价值小于预设的指标评价参考值，则说明历史多轮次生产的产品性能指标不符合标准(比如胺的伯胺含量、碘值、伯酰胺等性能参数中的一项或多项小于对应的性能参数的标准范围区间)，可以根据当前生产的每个产品性能参数实际值以及其对应的产品性能参数预测值，再根据补偿后的当前每个产品性能参数预测值对异常工况推荐算法进行优化训练，生成新的数学模型，并重复之前的推荐算法优化，直至多次训练后的指标评价值稳定在预设的阈值区间内(如指标评价值保持在75～80分之间，预设的指标评价参考值区间为60～80分，因此优化后的当前生产的产品性能指标符合参考标准)，则不再对算法进行优化。本方案通过评价工艺参数对应的多个产品性能参数预测值中的每一个产品性能参数预测值与对应的产品性能参数目标值的综合接近程度，得出工艺参数推荐值，并使用该工艺参数推荐值进行生产，能够有效提高生产产品的质量与预测算法的精度。
请参见图4，图4是本申请实施例提供的一种基于异常工况的生产工艺参数的推荐设备40的结构示意图，该推荐设备40可以为服务器(例如服务器等等中的一个或者多个)，也可以为服务器内部的部件(例如芯片、软件模块或者硬件模块等)。该推荐设备40可以包括至少一个处理器401。可选的还可以包括至少一个存储器403。进一步可选的，该推荐设备40还可以包括通信接口402。更进一步可选的，还可以包含总线404，其中，处理器401、通信接口402和存储器403通过总线404相连。
其中，处理器401是进行算术运算和/或逻辑运算的模块，具体可以是中央处理器(Central Processing Unit，CPU)、图片处理器(Graphics Processing Unit，GPU)、微处理器(Microprocessor Unit，MPU)、专用集成电路(Application Specific IntegratedCircuit，ASIC)、现场可编程逻辑门阵列(Field Programmable Gate Array，FPGA)、复杂可编程逻辑器件(Complex Programmable Logic Device，CPLD)、协处理器(协助中央处理器完成相应处理和应用)、微控制单元(Microcontroller Unit，MCU)等处理模块中的一种或者多种的组合。
通信接口402可以用于为所述至少一个处理器提供信息输入或者输出。和/或，所述通信接口402可以用于接收外部发送的数据和/或向外部发送数据，可以为包括诸如以太网电缆等的有线链路接口，也可以是无线链路(Wi-Fi、蓝牙、通用无线传输、车载短距通信技术以及其他短距无线通信技术等)接口。可选的，通信接口402还可以包括与接口耦合的发射器(如射频发射器、天线等)，或者接收器等。
存储器403用于提供存储空间，存储空间中可以存储操作系统和计算机程序等数据。存储器403可以是随机存储记忆体(Random Access Memory，RAM)、只读存储器(Read-only Memory，ROM)、可擦除可编程只读存储器(Erasable Programmable Read-onlyMemory，EPROM)、或便携式只读存储器(Compact Disc Read-only Memory，CD-ROM)等等中的一种或者多种的组合。
该推荐设备40中的至少一个处理器401用于执行前述的方法，例如图2所述实施例所描述的方法。
可选的，处理器401，可以是专门用于执行这些方法的处理器(便于区别称为专用处理器)，也可以是通过调用计算机程序来执行这些方法的处理器，例如通用处理器。可选的，至少一个处理器还可以既包括专用处理器也包括通用处理器。可选的，在推荐设备40包括至少一个处理器401的情况下，上述计算机程序可以存在存储器403中。
可选的，该推荐设备40中的至少一个处理器401用于执行调用计算机指令，以执行以下操作：
若异常工况下生产流程中无可用的工艺参数版本或所述工艺参数版本的指标评价值不达标，则根据异常工况推荐算法确定工艺参数推荐值；
获取数据库中存储的所述异常工况下历史多轮次的历史产品性能参数实际值和历史产品性能参数预测值；
根据所述历史产品性能参数实际值和所述历史产品性能参数预测值计算产品性能参数预测偏差值，其中，所述历史产品性能参数预测值是通过多目标优化模型预测得到的；
将所述工艺参数推荐值输入到所述多目标优化模型，得到当前产品性能参数预测值；
根据所述产品性能参数预测偏差值和所述当前产品性能参数预测值，得到补偿后的当前产品性能参数预测值，其中，所述补偿后的当前产品性能参数预测值用于评估是否使用所述工艺参数推荐值进行生产。
在现有技术中，生产设备的任一工艺参数(例如蒸气压力，生产用气压力，设备真空度等)可能会因为设备负荷等非可控因素使得生产过程出现异常工况，导致该工艺参数超出标准值预先设置的公差范围，且长时间无法恢复时，理论上该工艺参数就会变为一个特殊的非标准工况参数，此时还需要继续生产，如果继续按预先的标准值生产,将无法达成生产结果指标。而本申请可以通过获取异常工况下的历史产品性能参数实际值，结合产品的每个历史产品性能参数实际值和产品的每个历史产品性能参数预测值计算产品性能参数预测偏差值，通过异常工况推荐算法确定工艺参数推荐值，再将工艺参数推荐值输入到多目标优化模型中得到当前产品性能参数预测值，再根据产品性能参数预测偏差值对当前产品性能参数预测值进行补偿，得到补偿后的当前每个产品性能参数预测值，从而能够提高预测算法的精度，保证生产过程的产品质量，满足产品的生产结果指标。
可选的，所述处理器401还用于：
确定当前生产流程是否出现异常工况，其中，所述异常工况为在正常标准工况下生产时，生产流程中发生了异常工况；
若出现所述异常工况，则获取所述异常工况的工况编码；
根据所述工况编码在数据库中查询是否有可用的工艺参数版本或所述工艺参数版本的指标评价值是否达标；
若异常工况下生产流程中无可用的工艺参数版本或所述工艺参数版本的指标评价值不达标，则执行所述根据异常工况推荐算法确定工艺参数推荐值的步骤。
在本申请实施例中，假设当前的生产流程中有一个工艺参数发生了异常，例如生产流程P1的工艺参数X16发生异常，则获取工艺参数X16的工艺参数故障编码为3，异常工艺参数的数据库编码地址为100(通过异常工艺参数的数据库编码地址来查询异常的详细信息)，则工况故障编码为1，1，1，16，3，1，100，假设标杆工况编码为100100100，则异常工况编码为(100100100，1，1，1，16，3，1，100)，再根据异常工况编码(100100100，1，1，1，16，3，1，100)在数据库中查询是否有可用的工艺参数版本或工艺参数版本的指标评价值是否达标，若异常工况下生产流程中无可用的工艺参数版本或工艺参数版本的指标评价值不达标(如通过该异常工况编码未查询到历史生产流程使用可用的工艺参数版本或者是查询到了可用的工艺参数版本，但该可用的工艺参数版本对应的指标评价值为58分，不在60-80分的标准范围内)，为保证能够及时调整后期生产设备的工艺参数值以适应异常工况的变化，此时需要执行上述根据异常工况推荐算法确定工艺参数推荐值的步骤。
可选的，所述处理器401还用于：
根据所述补偿后的当前产品性能参数预测值确定指标评价值，其中，所述指标评价值用于评价所述工艺参数对应的多个产品性能参数预测值中的每一个产品性能参数预测值与对应的产品性能参数目标值的综合接近程度；
确定所述工艺参数版本中的异常工况最优版本，其中，所述异常工况最优版本为所述指标评价值最大的工艺参数版本；
若所述指标评价值大于所述异常工况最优版本对应的指标评价值，则根据当前所述指标评价值对应的工艺参数值进行生产；
若所述指标评价值小于所述异常工况最优版本对应的指标评价值，则根据所述异常工况最优版本进行生产。
在本申请实施例中，至少有一个可用工艺参数版本，每次当异常工况推荐算法优化完成后，根据当前多目标优化模型得到的多个产品的每个产品性能参数的目标值来确定每个产品性能参数的优先度等级，其中，优先度等级用于指示产品性能参数对产品的品质的影响程度，再根据优先度等级对多个产品性能参数进行划分，得到多个优化集合，然后根据优化值确定多个优化集合中的每个优化集合的指标评价值。最后根据每个优化集合的指标评价值确定当前多目标优化的综合指标评价值，根据综合后的指标评价值对多个工艺参数版本进行排序，得到排序结果，即从中得到一个最大的指标评价值对应的工艺参数版本作为异常工况最优版本，当异常工况推荐算法每次优化完成后将当前指标评价值与该异常工况最优版本对应的最大的指标评价值进行比较，若当前指标评价值小于该异常工况最优版本对应的最大指标评价值，则根据异常工况最优版本进行生产(如当前指标评价值为75分，该异常工况最优版本对应的最大指标评价值为86分，则说明根据异常工况最优版本进行生产得到的生产结果指标达到更优的目标)，若指标评价值大于异常工况最优版本对应的指标评价值(如当前指标评价值为90分，该异常工况最优版本对应的最大指标评价值为86分)，则说明异常工况推荐算法优化成功，此时根据当前指标评价值对应的工艺参数值进行生产，能够使得调整后的生产结果指标达到更优的目标。
可选的，所述处理器401还用于：
若所述数据库中未出现过所述异常工况，则确定正常工况下的工艺参数的第一参考值，其中，所述第一参考值为所述正常工况下标杆工况计分卡中的工艺参数的目标值；
确定可调整工艺参数的第二参考值；
若所述可调整工艺参数存在所述工艺参数推荐值，则所述第二参考值为所述可调整工艺参数的工艺参数推荐值；
若所述可调整工艺参数不存在所述工艺参数推荐值，则所述第二参考值为所述可调整工艺参数的目标值，其中，所述可调整工艺参数的目标值为所述标杆工况计分卡中所述可调整工艺参数的目标值；
确定不可调工艺参数的异常预测值；
将所述工艺参数推荐值、所述第一参考值、所述第二参考值和所述不可调工艺参数的异常预测值分别输入到所述多目标优化模型，得到多个当前产品性能指标预测值。
具体的，若数据库中未出现过异常工况，工艺参数的类型可能包括异常工况下可调整的正在进行预测值计算的工艺参数，正常工况下的工艺参数、异常工况下的可调整的但非正在进行预测值计算的工艺参数、异常工况下的不可调整的工艺参数，以及异常工况发生时，可能为已完成推荐值算法的正在进行预测值计算的工艺参数的推荐值或未完成推荐值算法的正在进行预测值计算的工艺参数的缺省值(标杆工况计分卡的目标值)，此时对该可调整的但非正在进行预测值计算的工艺参数进行判断，若存在推荐值就用推荐值，若不存在推荐值就用目标值。
其中，在计算某一个可调整的正在进行预测值计算的工艺参数的调整范围的多个工艺参数对应的产品性能指标预测值时，需要先确定除该可调整的正在进行预测值计算的工艺参数之外的其余工艺参数的计算初始值，可以理解为若可调整的但非正在进行预测值计算的工艺参数存在推荐值，则将推荐值作为可调整的但非正在进行预测值计算的工艺参数的计算初始值，若其余可调整的但非正在进行预测值计算的工艺参数不存在推荐值，则将目标值作为可调整的但非正在进行预测值计算的工艺参数的计算初始值；正常工况下的工艺参数则使用标杆工况计分卡中的目标值作为计算初始值；异常工况下的不可调整的工艺参数则使用异常预测值作为计算初始值。该方法考虑了产品性能指标预测值受产品的所有工艺参数的影响，在计算工艺参数推荐值的预测值时，同时也预先设置了其余工艺参数的取值，能够使得预测值更精准。
可选的，所述处理器401还用于：
若当前轮次生产得到的所述指标评价值小于预设的指标评价参考值，则根据当前产品性能参数实际值和所述历史产品性能参数实际值，再次计算当前产品性能参数预测偏差值；
根据所述当前产品性能参数预测偏差值和当前产品性能参数预测值，确定所述补偿后的当前产品性能参数预测值；
根据所述补偿后的当前产品性能参数预测值对所述异常工况推荐算法进行优化，直至连续多次生产时所述指标评价值控制在预设的指标评价参考值范围内，则优化结束。
在本申请实施例中，若确定出的指标评价值小于预设的指标评价参考值，则说明历史多轮次生产的产品性能指标不符合标准(比如胺的伯胺含量、碘值、伯酰胺等性能参数中的一项或多项小于对应的性能参数的标准范围区间)，可以根据当前生产的每个产品性能参数实际值以及其对应的产品性能参数预测值，再根据补偿后的当前每个产品性能参数预测值对异常工况推荐算法进行优化训练，生成新的数学模型，并重复之前的推荐算法优化，直至多次训练后的指标评价值稳定在预设的阈值区间内(如指标评价值保持在75～80分之间，预设的指标评价参考值区间为60～80分，因此优化后的当前生产的产品性能指标符合参考标准)，则不再对算法进行优化。本方案通过评价工艺参数对应的多个产品性能参数预测值中的每一个产品性能参数预测值与对应的产品性能参数目标值的综合接近程度，得出工艺参数推荐值，并使用该工艺参数推荐值进行生产，能够有效提高生产产品的质量与预测算法的精度。
本申请还提供了一种算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在至少一个处理器上运行时，实现前述的基于异常工况的生产工艺参数的推荐方法，例如图2所述的方法。
本申请还提供了一种计算机程序产品，该计算机程序产品包括计算机指令，在被推荐设备执行时，实现前述的基于异常工况的生产工艺参数的推荐方法，例如图2所述的方法。
本申请实施例中，“举例来说”或者“比如”等词用于表示作例子、例证或说明。本申请中被描述为“举例来说”或者“比如”的任何实施例或设计方案不应被解释为比其他实施例或设计方案更优选或更具优势。确切而言，使用“举例来说”或者“比如”等词旨在以具体方式呈现相关概念。
本申请中实施例提到的“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“以下至少一项(个)”或其类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a、b、或c中的至少一项(个)，可以表示：a、b、c、(a和b)、(a和c)、(b和c)、或(a和b和c)，其中a、b、c可以是单个，也可以是多个。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A、同时存在A和B、单独存在B这三种情况，其中A、B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。
以及，除非有相反的说明，本申请实施例使用“第一”、“第二”等序数词是用于对多个对象进行区分，不用于限定多个对象的顺序、时序、优先级或者重要程度。例如，第一设备和第二设备，只是为了便于描述，而并不是表示这第一设备和第二设备的结构、重要程度等的不同，在某些实施例中，第一设备和第二设备还可以是同样的设备。
上述实施例中所用，根据上下文，术语“当……时”可以被解释为意思是“如果……”或“在……后”或“响应于确定……”或“响应于检测到……”。以上所述仅为本申请的可选实施例，并不用以限制本申请，凡在本申请的构思和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种基于异常工况的生产工艺参数的推荐方法，其特征在于，所述方法包括：
若异常工况下生产流程中无可用的工艺参数版本或所述工艺参数版本的指标评价值不达标，则根据异常工况推荐算法确定工艺参数推荐值；
获取数据库中存储的所述异常工况下历史多轮次的历史产品性能参数实际值和历史产品性能参数预测值；
根据所述历史产品性能参数实际值和所述历史产品性能参数预测值计算产品性能参数预测偏差值，其中，所述历史产品性能参数预测值是通过多目标优化模型预测得到的；
将所述工艺参数推荐值输入到所述多目标优化模型，得到当前产品性能参数预测值；
根据所述产品性能参数预测偏差值和所述当前产品性能参数预测值，得到补偿后的当前产品性能参数预测值，其中，所述补偿后的当前产品性能参数预测值用于评估是否使用所述工艺参数推荐值进行生产。
2.根据权利要求1所述的方法，其特征在于，所述若异常工况下生产流程中无可用的工艺参数版本或所述工艺参数版本的指标评价值不达标，则根据异常工况推荐算法确定工艺参数推荐值之前，还包括：
确定当前生产流程是否出现异常工况，其中，所述异常工况为在正常标准工况下生产时，生产流程中发生了异常工况；
若出现所述异常工况，则获取所述异常工况的工况编码；
根据所述工况编码在数据库中查询是否有可用的工艺参数版本或所述工艺参数版本的指标评价值是否达标；
若异常工况下生产流程中无可用的工艺参数版本或所述工艺参数版本的指标评价值不达标，则执行所述根据异常工况推荐算法确定工艺参数推荐值的步骤。
3.根据权利要求1或2所述的方法，其特征在于，所述根据所述产品性能参数预测偏差值和所述当前产品性能参数预测值，得到补偿后的当前产品性能参数预测值之后，还包括：
根据所述补偿后的当前产品性能参数预测值确定指标评价值，其中，所述指标评价值用于评价所述工艺参数对应的多个产品性能参数预测值中的每一个产品性能参数预测值与对应的产品性能参数目标值的综合接近程度；
确定所述工艺参数版本中的异常工况最优版本，其中，所述异常工况最优版本为所述指标评价值最大的工艺参数版本；
若所述指标评价值大于所述异常工况最优版本对应的指标评价值，则根据当前所述指标评价值对应的工艺参数值进行生产；
若所述指标评价值小于所述异常工况最优版本对应的指标评价值，则根据所述异常工况最优版本进行生产。
4.根据权利要求2所述的方法，其特征在于，还包括：
若所述数据库中未出现过所述异常工况，则确定正常工况下的工艺参数的第一参考值，其中，所述第一参考值为所述正常工况下标杆工况计分卡中的工艺参数的目标值；
确定可调整工艺参数的第二参考值；
若所述可调整工艺参数存在所述工艺参数推荐值，则所述第二参考值为所述可调整工艺参数的工艺参数推荐值；
若所述可调整工艺参数不存在所述工艺参数推荐值，则所述第二参考值为所述可调整工艺参数的目标值，其中，所述可调整工艺参数的目标值为所述标杆工况计分卡中所述可调整工艺参数的目标值；
确定不可调工艺参数的异常预测值；
将所述工艺参数推荐值、所述第一参考值、所述第二参考值和所述不可调工艺参数的异常预测值分别输入到所述多目标优化模型，得到多个当前产品性能指标预测值。
5.根据权利要求3所述的方法，其特征在于，所述根据所述补偿后的当前产品性能参数预测值确定指标评价值之后，还包括：
若当前轮次生产得到的所述指标评价值小于预设的指标评价参考值，则根据当前产品性能参数实际值和所述历史产品性能参数实际值，再次计算当前产品性能参数预测偏差值；
根据所述当前产品性能参数预测偏差值和当前产品性能参数预测值，确定所述补偿后的当前产品性能参数预测值；
根据所述补偿后的当前产品性能参数预测值对所述异常工况推荐算法进行优化，直至连续多次生产时所述指标评价值控制在预设的指标评价参考值范围内，则优化结束。
6.一种基于异常工况的生产工艺参数的推荐装置，其特征在于，包括确定单元、获取单元、计算单元、输入单元和补偿单元，其中：
若异常工况下生产流程中无可用的工艺参数版本或所述工艺参数版本的指标评价值不达标，则所述确定单元，用于根据异常工况推荐算法确定工艺参数推荐值；
所述获取单元，用于获取数据库中存储的所述异常工况下历史多轮次的历史产品性能参数实际值和历史产品性能参数预测值；
所述计算单元，用于根据所述历史产品性能参数实际值和所述历史产品性能参数预测值计算产品性能参数预测偏差值，其中，所述历史产品性能参数预测值是通过多目标优化模型预测得到的；
所述输入单元，用于将所述工艺参数推荐值输入到所述多目标优化模型，得到当前产品性能参数预测值；
所述补偿单元，用于根据所述产品性能参数预测偏差值和所述当前产品性能参数预测值，得到补偿后的当前产品性能参数预测值，其中，所述补偿后的当前产品性能参数预测值用于评估是否使用所述工艺参数推荐值进行生产。
7.根据权利要求6所述的装置，其特征在于，还包括：
所述确定单元，还用于确定当前生产流程是否出现异常工况，其中，所述异常工况为在正常标准工况下生产时，生产流程中发生了异常工况
所述获取单元，还用于若出现所述异常工况，则获取所述异常工况的工况编码；
查询单元，用于根据所述工况编码在数据库中查询是否有可用的工艺参数版本或所述工艺参数版本的指标评价值是否达标；
若异常工况下生产流程中无可用的工艺参数版本或所述工艺参数版本的指标评价值不达标，则执行单元，用于执行所述根据异常工况推荐算法确定工艺参数推荐值的步骤。
8.根据权利要求6或7所述的装置，其特征在于，还包括：
所述确定单元，还用于根据所述补偿后的当前产品性能参数预测值确定指标评价值，其中，所述指标评价值用于评价所述工艺参数对应的多个产品性能参数预测值中的每一个产品性能参数预测值与对应的产品性能参数目标值的综合接近程度；
所述确定单元，还用于确定所述工艺参数版本中的异常工况最优版本，其中，所述异常工况最优版本为所述指标评价值最大的工艺参数版本；
若所述指标评价值大于所述异常工况最优版本对应的指标评价值，则生产单元，用于根据当前所述指标评价值对应的工艺参数值进行生产；
若所述指标评价值小于所述异常工况最优版本对应的指标评价值，则所述生产单元，还用于根据所述异常工况最优版本进行生产。
9.一种基于异常工况的生产工艺参数的推荐设备，其特征在于，所述设备包括处理器和存储器，所述存储器用于存储计算机指令，所述处理器用于调用所述计算机指令，以实现权利要求1-5中任一项所述的方法。
10.一种计算机可读存储介质或计算机程序产品，其特征在于，所述计算机可读存储介质中存储有指令，当所述指令在至少一个处理器上运行时，实现如权利要求1-5中任一项所述的方法；或者，计算机程序产品用于实现如权利要求1-5中任一项所述的方法。
CN202210739408.5A 2022-04-20 2022-04-20 生产工艺参数的推荐方法及相关装置和程序介质 Pending CN115062480A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210739408.5A CN115062480A (zh) 2022-04-20 2022-04-20 生产工艺参数的推荐方法及相关装置和程序介质

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202210739408.5A CN115062480A (zh) 2022-04-20 2022-04-20 生产工艺参数的推荐方法及相关装置和程序介质
CN202210414664.7A CN114510852B (zh) 2022-04-20 2022-04-20 一种基于异常工况的生产工艺参数的推荐方法及装置

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
CN202210414664.7A Division CN114510852B (zh) 2022-04-20 2022-04-20 一种基于异常工况的生产工艺参数的推荐方法及装置

Publications (1)

Publication Number Publication Date
CN115062480A true CN115062480A (zh) 2022-09-16

Family

ID=81554960

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202210739408.5A Pending CN115062480A (zh) 2022-04-20 2022-04-20 生产工艺参数的推荐方法及相关装置和程序介质
CN202210414664.7A Active CN114510852B (zh) 2022-04-20 2022-04-20 一种基于异常工况的生产工艺参数的推荐方法及装置

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN202210414664.7A Active CN114510852B (zh) 2022-04-20 2022-04-20 一种基于异常工况的生产工艺参数的推荐方法及装置

Country Status (1)

Country Link
CN (2) CN115062480A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115392592A (zh) * 2022-10-25 2022-11-25 浪潮电子信息产业股份有限公司 一种存储产品参数配置推荐方法、装置、设备及介质
CN115840431A (zh) * 2023-02-27 2023-03-24 一夫科技股份有限公司 一种ⅱ型无水石膏的生产控制方法及系统
CN116757558A (zh) * 2023-08-16 2023-09-15 山东嘉隆新能源股份有限公司 基于数据挖掘的醇类精制工艺质量预测方法及系统
CN118247078A (zh) * 2024-04-23 2024-06-25 浙江鸿泰铝业有限公司 铝型材生产管控方法、系统及设备

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115081942B (zh) * 2022-07-22 2022-12-09 希望知舟技术(深圳)有限公司 数据处理方法及相关装置
CN117314475B (zh) * 2023-11-28 2024-02-13 德州市水利局水利施工处 一种封堵门防伪溯源过程中异常数据监测方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10095200B2 (en) * 2015-03-30 2018-10-09 Uop Llc System and method for improving performance of a chemical plant with a furnace
WO2019028020A1 (en) * 2017-07-31 2019-02-07 Uop Llc IMPROVING THE PERFORMANCE OF A REFINERY PROCESS OR A PETROCHEMICAL PLANT
CN105938575A (zh) * 2016-04-13 2016-09-14 山东毅康科技股份有限公司 基于多变量灰色神经网络的工业设备剩余寿命预测系统
CN108089962A (zh) * 2017-11-13 2018-05-29 北京奇艺世纪科技有限公司 一种异常检测方法、装置及电子设备
CN111597729B (zh) * 2020-05-27 2023-07-25 北京天泽智云科技有限公司 加工设备工艺参数优化方法及系统
CN112381316B (zh) * 2020-11-26 2022-11-25 华侨大学 一种基于混合神经网络模型的机电设备健康状态预测方法
CN114358581A (zh) * 2021-12-31 2022-04-15 北京中体骏彩信息技术有限公司 性能指标的异常阈值确定方法和装置、设备、存储介质

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115392592A (zh) * 2022-10-25 2022-11-25 浪潮电子信息产业股份有限公司 一种存储产品参数配置推荐方法、装置、设备及介质
CN115392592B (zh) * 2022-10-25 2023-03-24 浪潮电子信息产业股份有限公司 一种存储产品参数配置推荐方法、装置、设备及介质
CN115840431A (zh) * 2023-02-27 2023-03-24 一夫科技股份有限公司 一种ⅱ型无水石膏的生产控制方法及系统
CN115840431B (zh) * 2023-02-27 2023-05-16 一夫科技股份有限公司 一种ⅱ型无水石膏的生产控制方法及系统
CN116757558A (zh) * 2023-08-16 2023-09-15 山东嘉隆新能源股份有限公司 基于数据挖掘的醇类精制工艺质量预测方法及系统
CN116757558B (zh) * 2023-08-16 2023-11-17 山东嘉隆新能源股份有限公司 基于数据挖掘的醇类精制工艺质量预测方法及系统
CN118247078A (zh) * 2024-04-23 2024-06-25 浙江鸿泰铝业有限公司 铝型材生产管控方法、系统及设备

Also Published As

Publication number Publication date
CN114510852B (zh) 2022-07-26
CN114510852A (zh) 2022-05-17

Similar Documents

Publication Publication Date Title
CN114510852B (zh) 一种基于异常工况的生产工艺参数的推荐方法及装置
CN113254472B (zh) 一种参数配置方法、装置、设备及可读存储介质
CN111222553B (zh) 机器学习模型的训练数据处理方法、装置和计算机设备
US10635078B2 (en) Simulation system, simulation method, and simulation program
US20190149438A1 (en) Data Processing Method and Apparatus
CN113169044A (zh) 高度共线响应空间中的规范性分析
CN112052156B (zh) 一种模糊测试方法、装置和系统
JP2021077307A (ja) テストデータ作成システムおよびテストデータ作成方法
CN109816165B (zh) 风电超短期功率预测方法及系统
CN116756522B (zh) 概率预报方法、装置、存储介质及电子设备
Migov et al. Genetic algorithms for drain placement in wireless sensor networks optimal by the reliability criterion
KR102354094B1 (ko) 머신러닝 기반 보안관제 장치 및 방법
CN114331349B (zh) 一种基于物联网技术的科研项目管理方法及系统
CN116050557A (zh) 电力负荷预测方法、装置、计算机设备和介质
US20240054341A1 (en) Training models for target computing devices
EP3460732A1 (en) Dispatching method and system based on multiple levels of steady state production rate in working benches
CN113806691B (zh) 一种分位数的获取方法、设备及存储介质
CN114493057B (zh) 基于异常工况的生产工艺参数推荐方法及相关设备
CN110926524B (zh) 一种网络资源与环境耦合关系的预测方法
CN116050556A (zh) 燃气负荷预测方法、装置、计算机设备和介质
CN118677773A (zh) 设备参数配置方法和装置、电子设备及存储介质
CN115037813B (zh) 一种区块链数据解析方法、装置及电子设备
CN117114132A (zh) 一种针对电商平台的联邦学习方法及系统
CN118631680A (zh) 流量数据检测方法、模型训练方法、装置及设备
CN114218285A (zh) 数据检测方法、装置、电子设备及存储介质

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