CN115796707B - 一种pvb树脂产品质量指标预测方法及装置 - Google Patents

Abstract

本发明公开了一种PVB树脂产品质量指标预测方法及装置，属于人工智能技术领域，用于解决传统PVB树脂质量指标预测方法在准确率、鲁棒性和可拓展性上存在缺陷的技术问题。包括：采集PVB树脂的历史产品工艺数据；对历史产品工艺数据进行数据规范化处理，并剔除无关历史产品工艺数据，得到历史产品工艺数据集；基于BP神经网络以及遗传算法，构建人工智能模型，通过历史产品工艺数据集对人工智能模型进行训练以及优化；将PVB产品化学反应机理模型与训练后的人工智能模型相融合，得到PVB树脂产品质量指标预测模型；将待投产PVB树脂的产品工艺数据输入到PVB树脂产品质量指标预测模型中，得到预测质量指标。

Description

一种PVB树脂产品质量指标预测方法及装置

技术领域

本申请涉及人工智能技术领域，尤其涉及一种PVB树脂产品质量指标预测方法及装置。

背景技术

当前，以数据驱动为核心的智能制造技术迎来新的机遇和挑战。PVB树脂是国民经济发展所需的新型功能材料，属于国家支持的战略性新兴产业重点产品。PVB树脂基于化学反应进行合成，生产工艺过程复杂，工艺参数和多维质量指标间的相关性难以线性描述。

针对此难点，已有国内外研究团队开展了相关研究，当前主流方法是通过传统回归计算实现质量指标的预测，计算过程快捷，方便灵活，预测准确性较高。但预测模型的自优化能力不高，当复杂高维工艺参数作为预测数据源时，质量指标预测准确率和性能下降明显，且方法抽象，步骤繁琐，产业化应用推广较难。可见传统PVB树脂质量指标预测方法在可靠性、准确率、鲁棒性和可拓展性等方面仍存在较大提升空间。且质量指标预测方法过于抽象，未通过可视化装置予以支撑，无法沉淀至流程制造行业标准产品，最终对质量指标预测方法落地造成一定影响。

发明内容

本申请实施例提供了一种PVB树脂产品质量指标预测方法及装置，用于解决如下技术问题：传统PVB树脂质量指标预测方法自优化能力较低，在准确率、鲁棒性和可拓展性上存在缺陷。

本申请实施例采用下述技术方案：

一方面，本申请实施例提供了一种PVB树脂产品质量指标预测方法，方法包括：在分散控制系统DCS中采集PVB树脂的历史产品工艺数据；其中，所述历史产品工艺数据包括工艺参数数据以及质量指标数据；对所述历史产品工艺数据进行数据规范化处理，并剔除无关历史产品工艺数据，得到历史产品工艺数据集；基于BP神经网络以及遗传算法，构建人工智能模型，并通过所述历史产品工艺数据集对所述人工智能模型进行训练以及优化；将PVB产品化学反应机理模型与训练后的所述人工智能模型相融合，得到PVB树脂产品质量指标预测模型；将待投产PVB树脂的产品工艺数据输入到所述PVB树脂产品质量指标预测模型中，得到对应的预测质量指标，并根据所述预测质量指标，对所述待投产PVB树脂进行产品评估。

在一种可行的实施方式中，在分散控制系统DCS中采集PVB树脂的历史产品工艺数据，具体包括：建立OPC服务器，并将所述OPC服务器与制造执行系统MES进行对接；将工控机作为数据采集工作站，通过OPC协议以及DCS系统通讯，在分散控制系统DCS中采集PVB树脂的历史产品工艺数据；其中，所述工艺参数数据至少包括聚乙烯醇、乳化剂以及丁醛投料量；所述质量指标数据至少包括羟基含量、水分指标以及熔融指数；将采集到的所述历史产品工艺数据同步至所述制造执行系统MES的PostgresSQL关系数据库中。

在一种可行的实施方式中，通过OPC协议以及DCS系统通讯，在分散控制系统DCS中采集PVB树脂的历史产品工艺数据，具体包括：根据PVB树脂产品的自身特性，将历史产品工艺数据划分为原料数据、投料数据以及反应数据三大类；根据专家先验知识，对每类数据进行质量指标影响程度排序，制定每类数据对应的数据采集策略；根据所述数据采集策略，在分散控制系统DCS中采集对应的历史产品工艺数据。

在一种可行的实施方式中，对所述历史产品工艺数据进行数据规范化处理，并剔除无关历史产品工艺数据，得到历史产品工艺数据集，具体包括：对所述历史产品工艺数据分别进行缺失值填充处理、中文字符转数值处理以及数据归一化处理，将所述历史产品工艺数据规范化；根据专家先验知识，对所述历史产品工艺数据进行质量指标影响程度排序，剔除所述质量指标影响程度低于第一预设阈值的无关历史产品工艺数据；计算剩余历史产品工艺数据中，工艺参数数据与质量指标数据的相关性，再按照相关性由大到小排序，进一步剔除相关性低于第二预设阈值的无关历史产品工艺数据，得到所述历史产品工艺数据集。

在一种可行的实施方式中，基于BP神经网络以及遗传算法，构建人工智能模型，并通过所述历史产品工艺数据集对所述人工智能模型进行训练以及优化，具体包括：将所述历史产品工艺数据集按照7:2:1的比例划分为训练集、测试集及验证集；在云端建立BP神经网络模型，构成模型主干部分；其中，所述BP神经网络模型包含输入层、隐含层及输出层，输入为PVB树脂工艺数据[x1,x2,……,xn]，输出为PVB树脂的预测质量指标[y1,y2,……,yn]；将遗传算法与所述模型主干部分相结合，构成所述人工智能模型；通过所述训练集对所述人工智能模型进行训练，在训练过程中，通过所述遗传算法持续优化所述BP神经网络模型中的关键参数；训练结束后，将所述验证集输入训练后的人工智能模型中，并计算得到的各预测质量指标的综合均方根误差，作为损失函数；在损失函数值未达到预设条件时，对所述人工智能模型进行参数调优后重新训练。

在一种可行的实施方式中，在通过所述训练集对所述人工智能模型进行训练之后，所述方法还包括：在训练过程中设置关键节点，在到达所述关键节点时，对当前的人工智能模型进行状态存储，以在意外导致训练中断时，读取中断时的关键节点对应的人工智能模型状态并继续进行训练。

在一种可行的实施方式中，将PVB产品化学反应机理模型与训练后的所述人工智能模型相融合，得到PVB树脂产品质量指标预测模型，具体包括：采集PVB树脂生产的化学反应实际过程，构建所述PVB产品化学反应机理模型；在将所述验证集输入训练后的人工智能模型中之后，通过所述PVB产品化学反应机理模型，对输入的验证集中的各产品工艺数据与输出的各预测质量指标进行结果合理性验证，确定出不符合化学反应实际过程的产品工艺数据类型；调整所述不符合化学反应实际过程的产品工艺数据类型在训练集中的比重，并使用调整后的训练集重新训练所述人工智能模型，得到所述PVB树脂产品质量指标预测模型。

在一种可行的实施方式中，将待投产PVB树脂的产品工艺数据输入到所述PVB树脂产品质量指标预测模型中，得到对应的预测质量指标，具体包括：针对所述质量指标预测模型，创建工艺参数数据预处理接口、模型调用接口以及结果翻译接口；通过所述工艺参数数据预处理接口，接收客户端传输的待投产PVB树脂的产品工艺数据，并转化为所述质量指标预测模型可识别的数据结构；通过所述模型调用接口，调用部署在边缘端的质量指标预测模型，对所述待投产PVB树脂的产品工艺数据进行质量指标预测，得到对应的预测质量指标；通过所述结果翻译接口，将所述预测质量指标转化为标准JSON格式返回所述客户端。

在一种可行的实施方式中，在将待投产PVB树脂的产品工艺数据输入到所述PVB树脂产品质量指标预测模型中，得到对应的预测质量指标之后，所述方法还包括：在所述PVB树脂产品质量指标预测模型使用过程中，将接收到的用于预测的产品工艺数据扩充至云端，存入历史产品工艺数据库中，用于对所述PVB树脂产品质量指标预测模型进行优化，实现端云协同。

另一方面，本申请实施例还提供了一种PVB树脂产品质量指标预测装置，包括：工艺数据采集模块，用于在分散控制系统DCS中采集PVB树脂的历史产品工艺数据；其中，所述历史产品工艺数据包括工艺参数数据以及质量指标数据；数据预处理模块，用于对所述历史产品工艺数据进行数据规范化处理，并剔除无关历史产品工艺数据，得到历史产品工艺数据集；质量指标预测模型训练模块，用于基于BP神经网络以及遗传算法，构建人工智能模型，并通过所述历史产品工艺数据集对所述人工智能模型进行训练以及优化；将PVB产品化学反应机理模型与训练后的所述人工智能模型相融合，得到PVB树脂产品质量指标预测模型；质量指标预测执行模块，用于将待投产PVB树脂的产品工艺数据输入到所述PVB树脂产品质量指标预测模型中，得到对应的预测质量指标，并根据所述预测质量指标，对所述待投产PVB树脂进行产品评估。

本申请实施例提供的一种PVB树脂产品质量指标预测方法及装置，建立PVB树脂产品由产品工艺数据到质量指标的高可靠度和低误差的预测模型，从而可以基于预设的PVB树脂产品工艺参数，调用质量指标预测模型预测质量指标，实现PVB树脂产品质量指标高精度预测。本预测方法可在正式投产前对PVB树脂产品指标进行仿真模拟，对质量指标进行提前预测，迭代优化改进工艺，即经过指标预测—工艺完善—指标预测的低频次步骤后，以质量指标为导向，结合专家先验知识完善工艺，待质量指标满足订单要求后再正式投产。解决了PVB树脂质量指标的非线性预测问题，给出了PVB树脂生产过程数据采集与预处理、预测模型训练、模型部署与应用等详细实现过程。本申请提供的PVB树脂产品质量指标预测模型自优化能力强，准确率高、鲁棒性和可拓展性也比较好。基于本申请所提供的的方法可实现PVB树脂质量指标预测的精准化，科学指导生产，助力生产工艺优化改进。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：

图1为本申请实施例提供的一种PVB树脂产品质量指标预测方法流程图；

图2为本申请实施例提供的一种PVB树脂产品质量指标预测模型训练过程示意图；

图3为本申请实施例提供的一种PVB树脂产品质量指标预测装置结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本说明书实施例，本领域普通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，都应当属于本申请保护的范围。

本申请实施例提供了一种PVB树脂产品质量指标预测方法，如图1所示，PVB树脂产品质量指标预测方法具体包括步骤S101-S105：

S101、在分散控制系统DCS中采集PVB树脂的历史产品工艺数据。

本申请提出的方法的本质主要是对PVB树脂产品的工艺数据进行表征学习，从而基于历史数据对新数据作出预测。因此，本申请预先在分散控制系统DCS采集了PVB树脂产品工艺数据，包括工艺参数数据和质量指标数据。

具体地，首先建立OPC服务器，并将OPC服务器与制造执行系统MES进行对接。然后将工控机作为数据采集工作站，通过OPC协议以及DCS系统通讯，在分散控制系统DCS中采集PVB树脂的历史产品工艺数据。其中，工艺参数数据至少包括聚乙烯醇、乳化剂以及丁醛投料量；质量指标数据至少包括羟基含量、水分指标以及熔融指数。最后，将采集到的历史产品工艺数据同步至制造执行系统MES的PostgresSQL关系数据库中。

作为一种可行的实施方式，通过OPC协议以及DCS系统通讯，在分散控制系统DCS中采集PVB树脂的历史产品工艺数据，具体包括：根据PVB树脂产品的自身特性，将历史产品工艺数据划分为原料数据、投料数据以及反应数据三大类。然后根据专家先验知识，对每类数据进行质量指标影响程度排序，制定每类数据对应的数据采集策略。再根据数据采集策略，在分散控制系统DCS中采集对应的历史产品工艺数据。

在一个实施例中，以1000组PVB树脂的产品工艺数据作为研究对象，其中，工艺参数数据主要包括聚乙烯醇，乳化剂和丁醛投料量等二十余项数据，质量指标数据主要包括羟基含量，水分指标和熔融指数等数据。并且在数据采集之初，就结合PVB树脂产品自身特性，将产品工艺数据的类别划分为原料数据，投料数据和反应数据三大类，对每类数据进行初步排序，此过程可减小后续质量指标预测模型的训练计算量。再结合专家先验知识，进一步对每类数据进行质量指标影响程度排序，定制数据采集策略，只采集对质量指标影响较大的产品工艺数据，摒弃全盘采集策略，既高效完成数据采集步骤，也为后续数据预处理步骤减小不必要的工作量。

S102、对历史产品工艺数据进行数据规范化处理，并剔除无关历史产品工艺数据，得到历史产品工艺数据集。

具体地，由于采集到的原始PVB树脂产品工艺数据存在缺失值，中文字符，无效值和计量单位不一致等情况，无法直接进行工艺指标预测模型训练，需要进行数据预处理操作，本申请先对历史产品工艺数据进行缺失值填充处理、中文字符转数值处理以及数据归一化处理，以将历史产品工艺数据规范化。

进一步地，根据专家先验知识，对规范化处理后的历史产品工艺数据再次进行质量指标影响程度排序，剔除质量指标影响程度低于第一预设阈值的无关历史产品工艺数据。

在一个实施例中，根据专家先验知识，将对工艺指标影响较小的明显工艺参数，如常值工艺参数项剔除，以减小模型训练工作量。

进一步地，基于PVB树脂产品历史数据的权重计算与关重参数提取机制，计算剩余历史产品工艺数据中，工艺参数数据与质量指标数据的相关性，再按照相关性由大到小排序，进一步剔除相关性低于第二预设阈值的无关历史产品工艺数据，从而得到最终的历史产品工艺数据集。其中，工艺参数数据与质量指标数据的相关性可通过现有技术计算得出，本申请中不作赘述。

S103、基于BP神经网络以及遗传算法，构建人工智能模型，并通过历史产品工艺数据集对人工智能模型进行训练以及优化。

具体地，将处理后的历史产品工艺数据集按照7:2:1的比例划分为训练集、测试集及验证集。

进一步地，在云端建立BP神经网络模型，构成模型主干部分。BP神经网络模型包含输入层、隐含层及输出层，输入为PVB树脂工艺数据[x1,x2,……,xn]，输出为PVB树脂的预测质量指标[y1,y2,……,yn]。

进一步地，将遗传算法与模型主干部分相结合，构成人工智能模型。然后通过训练集对人工智能模型进行训练，在训练过程中，通过遗传算法持续优化BP神经网络模型中的关键参数。

进一步地，训练结束后，将验证集输入训练后的人工智能模型中，并计算得到的各预测质量指标的综合均方根误差，作为损失函数。在损失函数值未达到预设条件时，对人工智能模型进行参数调优后重新训练。

作为一种可行的实时方式，在训练过程中设置关键节点，在到达关键节点时，对当前的人工智能模型进行状态存储，以在意外导致训练中断时，读取中断时的关键节点对应的人工智能模型状态并继续进行训练。

在一个实施例中，BP神经网络模型不会经过一次训练就达到最佳效果，因此，可将所训练的模型存储下来，既能方便调用模型进行工艺指标预测，又可在此模型的基础上不断优化模型参数，加载权重继续进行训练，以达到更好的效果。通过模型的结构，权重，损失函数和模型评估标准等信息，可对模型进行快速重构，或当意外导致训练中断时，及时读取中断时的状态继续训练。为获得性能更佳的质量指标预测模型，在训练过程中，使用遗传算法不断优化BP神经网络模型中关键参数，以BP神经网络模型在验证集上各质量指标的综合均方根误差为适应度函数。

S104、将PVB产品化学反应机理模型与训练后的人工智能模型相融合，得到PVB树脂产品质量指标预测模型。

具体地，采集PVB树脂生产的化学反应实际过程，构建PVB产品化学反应机理模型。

进一步地，在将验证集输入训练后的人工智能模型中之后，通过PVB产品化学反应机理模型，对输入的验证集中的各产品工艺数据与输出的各预测质量指标进行结果合理性验证，确定出不符合化学反应实际过程的产品工艺数据类型。

进一步地，调整不符合化学反应实际过程的产品工艺数据类型在训练集中的比重，并使用调整后的训练集重新训练人工智能模型，得到PVB树脂产品质量指标预测模型。

作为一种可行的实施方式，图2为本申请实施例提供的一种PVB树脂产品质量指标预测模型训练过程示意图，如图2所示，本申请将BP神经网络作为模型主干部分，辅以遗传算法优化模型指标性能，共同构成人工智能模型并进行训练。然后根据PVB产品化学反应式，构建PVB产品化学反应机理模型，将PVB树脂产品生产主要化学反应式作为模型的重要验证依据，根据验证集的输入和输出，将符合化学反应机理的产品工艺数据类型的数据量比重提高，不符合化学反应机理的产品工艺数据类型的数据量比重降低，采取人工智能模型和反应机理模型融合的策略完成训练任务。

在一个实施例中，经优化后的PVB树脂产品质量指标预测模型的综合均方根误差为0.2168，满足预期要求，在PVB树脂产品质量指标合理误差之内，此时的BP神经网络模型的关键参数为：隐藏层数为2，每层的隐藏单元数为50，随机种子数为50，优化器为Adam，初始学习率为0.01，L2正则化系数为0.001，动量因数为0.9，迭代次数为80次。

S105、将待投产PVB树脂的产品工艺数据输入到PVB树脂产品质量指标预测模型中，得到对应的预测质量指标，并根据预测质量指标，对待投产PVB树脂进行产品评估。

具体地，针对质量指标预测模型，创建工艺参数数据预处理接口、模型调用接口以及结果翻译接口。通过工艺参数数据预处理接口，接收客户端传输的待投产PVB树脂的产品工艺数据，并转化为质量指标预测模型可识别的数据结构。通过模型调用接口，调用部署在边缘端的质量指标预测模型，对待投产PVB树脂的产品工艺数据进行质量指标预测，得到对应的预测质量指标。通过结果翻译接口，将预测质量指标转化为标准JSON格式返回客户端。

进一步地，根据得到的预测质量指标，旁顾待投产PVB树脂是否符合质量要求，若符合，则可正式投产。

作为一种可行的实施方式，在PVB树脂产品质量指标预测模型使用过程中，将接收到的用于预测的产品工艺数据扩充至云端，存入历史产品工艺数据库中，用于对PVB树脂产品质量指标预测模型进行优化，实现端云协同。

在一个实施例中，本申请针对调用PVB树脂产品质量指标预测模型进行质量指标预测这一步骤开放了部分接口，分别是工艺参数数据预处理接口，模型调用接口和结果翻译接口等。其中工艺参数数据预处理接口负责接收客户端传输的工艺参数，并转化为模型输入可识别的数据结构；模型调用接口即调用部署在边缘端的质量指标预测模型进行预测；结果翻译接口将预测结果转化为标准JSON格式返回客户端。预测过程中接收到的新工艺数据，可扩充至云端，不断丰富工艺数据库，迭代训练模型，实现端云协同。本申请以20组PVB树脂产品全新工艺参数和羟基含量质量指标为例，调用PVB树脂产品质量指标预测模型，进行预测结果验证，验证结果表明，本申请所设计的PVB树脂产品质量预测模型预测误差较低，跟踪效果理想，预测可靠性，准确性和稳定性较高，预测接口响应时间平均可达10毫秒。

在一个实施例中，在得到PVB树脂产品质量指标预测结果后，再次和专家先验知识结合，对PVB树脂的产品工艺数据进行针对性完善，经过低频次的指标预测-工艺完善-指标预测过程，以质量指标为导向，完善工艺参数至质量指标达标后，再正式投产，从而达到增产减耗的效果。

另外，本申请实施例还提供了一种PVB树脂产品质量指标预测装置，如图3所示，PVB树脂产品质量指标预测装置300具体包括：

工艺数据采集模块310，用于在分散控制系统DCS中采集PVB树脂的历史产品工艺数据；其中，所述历史产品工艺数据包括工艺参数数据以及质量指标数据；

数据预处理模块320，用于对所述历史产品工艺数据进行数据规范化处理，并剔除无关历史产品工艺数据，得到历史产品工艺数据集；

质量指标预测模型训练模块330，用于基于BP神经网络以及遗传算法，构建人工智能模型，并通过所述历史产品工艺数据集对所述人工智能模型进行训练以及优化；将PVB产品化学反应机理模型与训练后的所述人工智能模型相融合，得到PVB树脂产品质量指标预测模型；

质量指标预测执行模块340，用于将待投产PVB树脂的产品工艺数据输入到所述PVB树脂产品质量指标预测模型中，得到对应的预测质量指标，并根据所述预测质量指标，对所述待投产PVB树脂进行产品评估。

本申请中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

上述对本申请特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请的实施例可以有各种更改和变化。凡在本申请实施例的精神和原理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权利要求范围之内。

Claims (9)

1.一种PVB树脂产品质量指标预测方法，其特征在于，所述方法包括：

在分散控制系统DCS中采集PVB树脂的历史产品工艺数据；其中，所述历史产品工艺数据包括工艺参数数据以及质量指标数据；

对所述历史产品工艺数据进行数据规范化处理，并剔除无关历史产品工艺数据，得到历史产品工艺数据集；

基于BP神经网络以及遗传算法，构建人工智能模型，并通过所述历史产品工艺数据集对所述人工智能模型进行训练以及优化；

将PVB产品化学反应机理模型与训练后的所述人工智能模型相融合，得到PVB树脂产品质量指标预测模型，具体包括：

采集PVB树脂生产的化学反应实际过程，构建所述PVB产品化学反应机理模型；

将验证集输入训练后的人工智能模型中，并通过所述PVB产品化学反应机理模型，对输入的验证集中的各产品工艺数据与输出的各预测质量指标进行结果合理性验证，确定出不符合化学反应实际过程的产品工艺数据类型；

调整所述不符合化学反应实际过程的产品工艺数据类型在训练集中的比重，并使用调整后的训练集重新训练所述人工智能模型，得到所述PVB树脂产品质量指标预测模型；

将待投产PVB树脂的产品工艺数据输入到所述PVB树脂产品质量指标预测模型中，得到对应的预测质量指标，并根据所述预测质量指标，对所述待投产PVB树脂进行产品评估。

2.根据权利要求1所述的一种PVB树脂产品质量指标预测方法，其特征在于，在分散控制系统DCS中采集PVB树脂的历史产品工艺数据，具体包括：

建立OPC服务器，并将所述OPC服务器与制造执行系统MES进行对接；

将工控机作为数据采集工作站，通过OPC协议，将所述工控机与分散控制系统DCS进行通讯，在分散控制系统DCS中采集PVB树脂的历史产品工艺数据；其中，所述工艺参数数据至少包括聚乙烯醇、乳化剂以及丁醛投料量；所述质量指标数据至少包括羟基含量、水分指标以及熔融指数；

将采集到的所述历史产品工艺数据同步至所述制造执行系统MES的PostgresSQL关系数据库中。

3.根据权利要求2所述的一种PVB树脂产品质量指标预测方法，其特征在于，在分散控制系统DCS中采集PVB树脂的历史产品工艺数据，具体包括：

根据PVB树脂产品的自身特性，将历史产品工艺数据划分为原料数据、投料数据以及反应数据三大类；

根据专家先验知识，对每类数据进行质量指标影响程度排序，制定每类数据对应的数据采集策略；

根据所述数据采集策略，在分散控制系统DCS中采集对应的历史产品工艺数据。

4.根据权利要求1所述的一种PVB树脂产品质量指标预测方法，其特征在于，对所述历史产品工艺数据进行数据规范化处理，并剔除无关历史产品工艺数据，得到历史产品工艺数据集，具体包括：

对所述历史产品工艺数据分别进行缺失值填充处理、中文字符转数值处理以及数据归一化处理，将所述历史产品工艺数据规范化；

根据专家先验知识，对所述历史产品工艺数据进行质量指标影响程度排序，剔除所述质量指标影响程度低于第一预设阈值的无关历史产品工艺数据；

计算剩余历史产品工艺数据中，工艺参数数据与质量指标数据的相关性，再按照相关性由大到小排序，进一步剔除相关性低于第二预设阈值的无关历史产品工艺数据，得到所述历史产品工艺数据集。

5.根据权利要求1所述的一种PVB树脂产品质量指标预测方法，其特征在于，基于BP神经网络以及遗传算法，构建人工智能模型，并通过所述历史产品工艺数据集对所述人工智能模型进行训练以及优化，具体包括：

将所述历史产品工艺数据集按照7:2:1的比例划分为训练集、测试集及验证集；

在云端建立BP神经网络模型，构成模型主干部分；其中，所述BP神经网络模型包含输入层、隐含层及输出层，输入为PVB树脂工艺数据[x1,x2,……,xn]，输出为PVB树脂的预测质量指标[y1,y2,……,yn]；

将遗传算法与所述模型主干部分相结合，构成所述人工智能模型；

通过所述训练集对所述人工智能模型进行训练，在训练过程中，通过所述遗传算法持续优化所述BP神经网络模型中的关键参数；

训练结束后，将所述验证集输入训练后的人工智能模型中，并计算得到的各预测质量指标的综合均方根误差，作为损失函数；

在损失函数值未达到预设条件时，对所述人工智能模型进行参数调优后重新训练。

6.根据权利要求5所述的一种PVB树脂产品质量指标预测方法，其特征在于，在通过所述训练集对所述人工智能模型进行训练之后，所述方法还包括：

在训练过程中设置关键节点，在到达所述关键节点时，对当前的人工智能模型进行状态存储，以在意外导致训练中断时，读取中断时的关键节点对应的人工智能模型状态并继续进行训练。

7.根据权利要求1所述的一种PVB树脂产品质量指标预测方法，其特征在于，将待投产PVB树脂的产品工艺数据输入到所述PVB树脂产品质量指标预测模型中，得到对应的预测质量指标，具体包括：

针对所述质量指标预测模型，创建工艺参数数据预处理接口、模型调用接口以及结果翻译接口；

通过所述工艺参数数据预处理接口，接收客户端传输的待投产PVB树脂的产品工艺数据，并转化为所述质量指标预测模型可识别的数据结构；

通过所述模型调用接口，调用部署在边缘端的质量指标预测模型，对所述待投产PVB树脂的产品工艺数据进行质量指标预测，得到对应的预测质量指标；

通过所述结果翻译接口，将所述预测质量指标转化为标准JSON格式返回所述客户端。

8.根据权利要求1所述的一种PVB树脂产品质量指标预测方法，其特征在于，在将待投产PVB树脂的产品工艺数据输入到所述PVB树脂产品质量指标预测模型中，得到对应的预测质量指标之后，所述方法还包括：

在所述PVB树脂产品质量指标预测模型使用过程中，将接收到的用于预测的产品工艺数据扩充至云端，存入历史产品工艺数据库中，用于对所述PVB树脂产品质量指标预测模型进行优化，实现端云协同。

9.一种PVB树脂产品质量指标预测装置，其特征在于，所述装置包括：

工艺数据采集模块，用于在分散控制系统DCS中采集PVB树脂的历史产品工艺数据；其中，所述历史产品工艺数据包括工艺参数数据以及质量指标数据；

数据预处理模块，用于对所述历史产品工艺数据进行数据规范化处理，并剔除无关历史产品工艺数据，得到历史产品工艺数据集；

质量指标预测模型训练模块，用于基于BP神经网络以及遗传算法，构建人工智能模型，并通过所述历史产品工艺数据集对所述人工智能模型进行训练以及优化；将PVB产品化学反应机理模型与训练后的所述人工智能模型相融合，得到PVB树脂产品质量指标预测模型，具体包括：采集PVB树脂生产的化学反应实际过程，构建所述PVB产品化学反应机理模型；将验证集输入训练后的人工智能模型中，并通过所述PVB产品化学反应机理模型，对输入的验证集中的各产品工艺数据与输出的各预测质量指标进行结果合理性验证，确定出不符合化学反应实际过程的产品工艺数据类型；调整所述不符合化学反应实际过程的产品工艺数据类型在训练集中的比重，并使用调整后的训练集重新训练所述人工智能模型，得到所述PVB树脂产品质量指标预测模型；

质量指标预测执行模块，用于将待投产PVB树脂的产品工艺数据输入到所述PVB树脂产品质量指标预测模型中，得到对应的预测质量指标，并根据所述预测质量指标，对所述待投产PVB树脂进行产品评估。

Images