CN115826515B - 一种应用于聚酯增塑剂生产的温度控制方法及系统 - Google Patents
一种应用于聚酯增塑剂生产的温度控制方法及系统 Download PDFInfo
- Publication number
- CN115826515B CN115826515B CN202211375229.4A CN202211375229A CN115826515B CN 115826515 B CN115826515 B CN 115826515B CN 202211375229 A CN202211375229 A CN 202211375229A CN 115826515 B CN115826515 B CN 115826515B
- Authority
- CN
- China
- Prior art keywords
- plasticizer
- production data
- historical
- plasticizer production
- exemplary
- 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供的一种应用于聚酯增塑剂生产的温度控制方法及系统，涉及数据处理技术领域。在本发明中，采集到每一种已生产聚酯增塑剂对应的历史增塑剂生产数据。依据每一种已生产聚酯增塑剂对应的历史增塑剂生产数据，对多种已生产聚酯增塑剂进行数据整合处理，以形成对应的历史增塑剂生产数据分布关系。对历史增塑剂生产数据分布关系进行关键数据提取处理，以提取出至少一种已生产聚酯增塑剂对应的历史增塑剂生产数据，再将该历史增塑剂生产数据作为目标增塑剂生产数据，用于作为参考生产温度以对待生产聚酯增塑剂进行温度控制。基于上述内容，可以在一定程度上提高聚酯增塑剂生产的温度控制的可靠度。
Description
技术领域
本发明涉及数据处理技术领域，具体而言，涉及一种应用于聚酯增塑剂生产的温度控制方法及系统。
背景技术
聚酯增塑剂由于分子量大，挥发性低，迁移性小，耐油和耐肥皂水抽出，是性能很好的耐热性和耐久性增塑剂。广泛应用于耐油、耐高温特殊制品，如:耐油胶管、耐高温、高湿非迁移电缆料,耐高温线材的包复层、绝缘料等，用于接触涂料层、橡胶、聚苯乙烯、ABS和有机溶剂紧密的制品,如:电器电线、冰箱密封条、管、器材等。在抗污染制品方面用于地板材料、耐油手套及胶靴。在接触食品方面可用于包装薄膜、饮料软管、瓶盖垫片等。作为冲击改性剂用于硬质PVC配方中，起到改善PVC树脂脆性，增韧的效果。其中，在聚酯增塑剂的生产过程中，对应的缩聚反应的生产温度，直接关系着聚酯增塑剂的性能，因此，需要对聚酯增塑剂的生产温度进行可靠地控制，但是，在现有技术中，一般是基于经验进行温度的管控，如此，容易出现聚酯增塑剂生产的温度控制的可靠度不高的问题。
发明内容
有鉴于此，本发明的目的在于提供一种应用于聚酯增塑剂生产的温度控制方法及系统，在一定程度上提高聚酯增塑剂生产的温度控制的可靠度。
为实现上述目的，本发明实施例采用如下技术方案：
一种应用于聚酯增塑剂生产的温度控制方法，包括：
采集到多种已生产聚酯增塑剂中的每一种已生产聚酯增塑剂对应的历史增塑剂生产数据，所述多种已生产聚酯增塑剂分别对应的化学种类相同，所述多种已生产聚酯增塑剂分别基于不完全相同的生产工艺生产形成，该生产工艺包括至少两个缩聚反应的生产温度；
依据所述多种已生产聚酯增塑剂中的每一种已生产聚酯增塑剂对应的历史增塑剂生产数据，对所述多种已生产聚酯增塑剂进行数据整合处理，以形成对应的历史增塑剂生产数据分布关系；
对所述历史增塑剂生产数据分布关系进行关键数据提取处理，以提取出至少一种已生产聚酯增塑剂对应的历史增塑剂生产数据，再将该历史增塑剂生产数据作为目标增塑剂生产数据，所述目标增塑剂生产数据包括的生产温度用于作为参考生产温度以对待生产聚酯增塑剂进行温度控制。
在一些优选的实施例中，在上述应用于聚酯增塑剂生产的温度控制方法中，所述采集到多种已生产聚酯增塑剂中的每一种已生产聚酯增塑剂对应的历史增塑剂生产数据的步骤，包括：
对于多种已生产聚酯增塑剂中的每一种已生产聚酯增塑剂，确定该已生产聚酯增塑剂对应的两次缩聚反应的生产温度，以得到该已生产聚酯增塑剂对应的两个历史生产温度数据；
对于所述多种已生产聚酯增塑剂中的每一种已生产聚酯增塑剂，对该已生产聚酯增塑剂的性能进行确定，以输出该已生产聚酯增塑剂对应的历史性能表征数据，所述历史性能表征数据用于反映对应的所述已生产聚酯增塑剂具有的至少一种性能优异程度；
对于所述多种已生产聚酯增塑剂中的每一种已生产聚酯增塑剂，将该已生产聚酯增塑剂对应的两个历史生产温度数据和该已生产聚酯增塑剂对应的历史性能表征数据进行组合，以形成对应的历史增塑剂生产数据。
在一些优选的实施例中，在上述应用于聚酯增塑剂生产的温度控制方法中，所述依据所述多种已生产聚酯增塑剂中的每一种已生产聚酯增塑剂对应的历史增塑剂生产数据，对所述多种已生产聚酯增塑剂进行数据整合处理，以形成对应的历史增塑剂生产数据分布关系的步骤，包括：
对于所述多种已生产聚酯增塑剂中的每一种已生产聚酯增塑剂，依据该已生产聚酯增塑剂对应的历史增塑剂生产数据包括的两个历史生产温度数据，确定出该已生产聚酯增塑剂对应的分布位置信息，所述分布位置信息对应的两个分布位置坐标与所述两个历史生产温度数据对应；
依据每一种所述已生产聚酯增塑剂对应的分布位置信息，对每一种所述已生产聚酯增塑剂进行排列处理，以形成对应的历史增塑剂生产数据分布关系，在所述历史增塑剂生产数据分布关系中，每一个分布关系代表成员与一种所述已生产聚酯增塑剂对应，且每一个所述分布关系代表成员的成员属性数据为对应的历史增塑剂生产数据包括的历史性能表征数据。
在一些优选的实施例中，在上述应用于聚酯增塑剂生产的温度控制方法中，所述对所述历史增塑剂生产数据分布关系进行关键数据提取处理，以提取出至少一种已生产聚酯增塑剂对应的历史增塑剂生产数据，再将该历史增塑剂生产数据作为目标增塑剂生产数据的步骤，包括：
提取到通过进行神经网络优化操作形成的初级关键数据提取神经网络和高级关键数据提取神经网络；
通过所述初级关键数据提取神经网络对所述历史增塑剂生产数据分布关系进行关键数据提取处理，以输出所述历史增塑剂生产数据分布关系对应的初级分布关系代表成员簇；
依据所述初级分布关系代表成员簇，在所述历史增塑剂生产数据分布关系中，分析输出对应的子历史增塑剂生产数据分布关系；
通过所述高级关键数据提取神经网络对所述子历史增塑剂生产数据分布关系进行关键数据提取处理，以输出所述子历史增塑剂生产数据分布关系对应的高级分布关系代表成员簇，所述初级分布关系代表成员簇包括的每一个分布关系代表成员都属于所述高级分布关系代表成员簇；
从所述高级分布关系代表成员簇中，提取出至少一个分布关系代表成员，再将该至少一个分布关系代表成员对应的至少一种已生产聚酯增塑剂对应的历史增塑剂生产数据作为目标增塑剂生产数据。
在一些优选的实施例中，在上述应用于聚酯增塑剂生产的温度控制方法中，所述通过所述高级关键数据提取神经网络对所述子历史增塑剂生产数据分布关系进行关键数据提取处理，以输出所述子历史增塑剂生产数据分布关系对应的高级分布关系代表成员簇的步骤，包括：
将所述子历史增塑剂生产数据分布关系分割为匹配的第一子历史增塑剂生产数据分布关系和第二子历史增塑剂生产数据分布关系；
通过所述高级关键数据提取神经网络对所述第一子历史增塑剂生产数据分布关系进行关键数据提取处理，以输出所述第一子历史增塑剂生产数据分布关系对应的第一高级分布关系代表成员簇；
依据所述第一子历史增塑剂生产数据分布关系，对所述第二子历史增塑剂生产数据分布关系进行更新操作，以输出更新后的第二子历史增塑剂生产数据分布关系；
通过所述高级关键数据提取神经网络对所述更新后的第二子历史增塑剂生产数据分布关系进行关键数据提取处理，以输出所述更新后的第二子历史增塑剂生产数据分布关系对应的第二高级分布关系代表成员簇；
依据所述第一高级分布关系代表成员簇和所述第二高级分布关系代表成员簇，分析输出对应的高级分布关系代表成员簇。
在一些优选的实施例中，在上述应用于聚酯增塑剂生产的温度控制方法中，所述对所述历史增塑剂生产数据分布关系进行关键数据提取处理，以提取出至少一种已生产聚酯增塑剂对应的历史增塑剂生产数据，再将该历史增塑剂生产数据作为目标增塑剂生产数据的步骤，还包括：
提取到待优化初级关键数据提取神经网络和示例性增塑剂生产数据分布关系集合，所述示例性增塑剂生产数据分布关系集合包括多个示例性增塑剂生产数据分布关系和所述示例性增塑剂生产数据分布关系中的真实示例性分布关系代表成员簇，所述真实示例性分布关系代表成员簇包括真实示例性初级分布关系代表成员簇；
对所述示例性增塑剂生产数据分布关系进行分布关系的更新操作，以输出对应的更新后的示例性增塑剂生产数据分布关系；
通过所述待优化初级关键数据提取神经网络对所述更新后的示例性增塑剂生产数据分布关系进行关键数据提取处理，以输出所述更新后的示例性增塑剂生产数据分布关系对应的估计示例性分布关系代表成员；
依据每一个所述更新后的示例性增塑剂生产数据分布关系对应的估计示例性分布关系代表成员和对应的所述真实示例性初级分布关系代表成员簇，对所述待优化初级关键数据提取神经网络进行神经网络优化操作，以形成所述初级关键数据提取神经网络。
在一些优选的实施例中，在上述应用于聚酯增塑剂生产的温度控制方法中，所述对所述历史增塑剂生产数据分布关系进行关键数据提取处理，以提取出至少一种已生产聚酯增塑剂对应的历史增塑剂生产数据，再将该历史增塑剂生产数据作为目标增塑剂生产数据的步骤，还包括：
提取到待优化高级关键数据提取神经网络和示例性增塑剂生产数据分布关系集合，所述示例性增塑剂生产数据分布关系集合包括多个示例性增塑剂生产数据分布关系和所述示例性增塑剂生产数据分布关系中的真实示例性分布关系代表成员簇；
依据每一个所述示例性增塑剂生产数据分布关系的真实示例性分布关系代表成员簇，分别在每一个所述示例性增塑剂生产数据分布关系中提取出对应的子示例性增塑剂生产数据分布关系；
对所述子示例性增塑剂生产数据分布关系进行分布关系的更新操作，得到更新后的子示例性增塑剂生产数据分布关系；
通过所述待优化高级关键数据提取神经网络对所述更新后的子示例性增塑剂生产数据分布关系进行关键数据提取处理，以输出所述更新后的子示例性增塑剂生产数据分布关系对应的估计示例性分布关系代表成员；
依据每一个所述更新后的子示例性增塑剂生产数据分布关系对应的所述估计示例性分布关系代表成员和对应的所述真实示例性分布关系代表成员簇，对所述待优化高级关键数据提取神经网络进行神经网络优化操作，以形成对应的所述高级关键数据提取神经网络。
在一些优选的实施例中，在上述应用于聚酯增塑剂生产的温度控制方法中，所述对所述历史增塑剂生产数据分布关系进行关键数据提取处理，以提取出至少一种已生产聚酯增塑剂对应的历史增塑剂生产数据，再将该历史增塑剂生产数据作为目标增塑剂生产数据的步骤，还包括：
提取到多个用户选择的示例性增塑剂生产数据分布关系和每一个用户选择的示例性增塑剂生产数据分布关系的用户选择标识数据，所述用户选择标识数据用于标识所述用户选择的示例性增塑剂生产数据分布关系中的关键分布关系代表成员；
依据每一个所述用户选择的示例性增塑剂生产数据分布关系和每一个所述用户选择的示例性增塑剂生产数据分布关系的用户选择标识数据，对待优化成员选择神经网络进行神经网络优化操作，以形成对应的目标成员选择神经网络；
提取到多个待选择的示例性增塑剂生产数据分布关系；
通过所述目标成员选择神经网络，对所述多个待选择的示例性增塑剂生产数据分布关系进行成员选择操作，以输出所述多个待选择的示例性增塑剂生产数据分布关系的成员选择估计数据，所述成员选择估计数据用于标识所述待选择的示例性增塑剂生产数据分布关系中的关键分布关系代表成员；
在所述待选择的示例性增塑剂生产数据分布关系对应的成员选择估计数据与预先配置成员选择条件匹配时，将所述各多个用户选择的示例性增塑剂生产数据分布关系、所述多个用户选择的示例性增塑剂生产数据分布关系的用户选择标识数据、所述待选择的示例性增塑剂生产数据分布关系和所述待选择的示例性增塑剂生产数据分布关系的成员选择估计数据，组合形成对应的所述示例性增塑剂生产数据分布关系集合。
在一些优选的实施例中，在上述应用于聚酯增塑剂生产的温度控制方法中，所述对所述历史增塑剂生产数据分布关系进行关键数据提取处理，以提取出至少一种已生产聚酯增塑剂对应的历史增塑剂生产数据，再将该历史增塑剂生产数据作为目标增塑剂生产数据的步骤，还包括：
在所述待选择的示例性增塑剂生产数据分布关系对应的成员选择估计数据与所述成员选择条件不匹配时，将所述待选择的示例性增塑剂生产数据分布关系标记为第一示例性增塑剂生产数据分布关系，以及，对所述第一示例性增塑剂生产数据分布关系的成员选择估计数据进行优化，得到优化后的成员选择估计数据；
将所述多个用户选择的示例性增塑剂生产数据分布关系、所述多个用户选择的示例性增塑剂生产数据分布关系的用户选择标识数据、对应的成员选择估计数据与所述成员选择条件匹配的待选择的示例性增塑剂生产数据分布关系、所述与所述成员选择条件匹配的待选择的示例性增塑剂生产数据分布关系的成员选择估计数据、所述第一示例性增塑剂生产数据分布关系和所述第一示例性增塑剂生产数据分布关系的优化后的成员选择估计数据，组合形成对应的所述示例性增塑剂生产数据分布关系集合。
本发明实施例还提供一种应用于聚酯增塑剂生产的温度控制系统，包括处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序，以实现上述的应用于聚酯增塑剂生产的温度控制方法。
本发明实施例提供的一种应用于聚酯增塑剂生产的温度控制方法及系统，可以先采集到每一种已生产聚酯增塑剂对应的历史增塑剂生产数据。依据每一种已生产聚酯增塑剂对应的历史增塑剂生产数据，对多种已生产聚酯增塑剂进行数据整合处理，以形成对应的历史增塑剂生产数据分布关系。对历史增塑剂生产数据分布关系进行关键数据提取处理，以提取出至少一种已生产聚酯增塑剂对应的历史增塑剂生产数据，再将该历史增塑剂生产数据作为目标增塑剂生产数据，用于作为参考生产温度以对待生产聚酯增塑剂进行温度控制。基于上述的内容，先从历史增塑剂生产数据中提取出关键的目标增塑剂生产数据，以得到参考生产温度，使得参考生产温度的确定的依据更为可靠，从而实现基于该参考生产温度进行可靠的温度控制的目标，进而在一定程度上提高聚酯增塑剂生产的温度控制的可靠度。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
图1为本发明实施例提供的应用于聚酯增塑剂生产的温度控制系统的结构框图。
图2为本发明实施例提供的应用于聚酯增塑剂生产的温度控制方法包括的各步骤的流程示意图。
图3为本发明实施例提供的应用于聚酯增塑剂生产的温度控制装置包括的各模块的示意图。
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，所描述的实施例只是本发明的一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
参照图1所示的内容，本发明实施例提供了一种应用于聚酯增塑剂生产的温度控制系统。其中，所述温度控制系统可以包括存储器和处理器。
举例来说，在一些示例中，所述存储器和处理器之间直接或间接地电性连接，以实现数据的传输或交互。例如，相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述存储器中可以存储有至少一个可以以软件或固件（firmware）的形式，存在的软件功能模块（计算机程序）。所述处理器可以用于执行所述存储器中存储的可执行的计算机程序，从而实现本发明实施例提供的应用于聚酯增塑剂生产的温度控制方法。
举例来说，在一些示例中，所述存储器可以是，但不限于，随机存取存储器（RandomAccess Memory，RAM），只读存储器（Read Only Memory，ROM），可编程只读存储器（Programmable Read-Only Memory，PROM），可擦除只读存储器（Erasable ProgrammableRead-Only Memory，EPROM），电可擦除只读存储器（Electric Erasable ProgrammableRead-Only Memory，EEPROM）等。所述处理器可以是一种通用处理器，包括中央处理器（Central Processing Unit，CPU）、网络处理器（Network Processor，NP）、片上系统(System on Chip，SoC)等；还可以是数字信号处理器（DSP）、专用集成电路（ASIC）、现场可编程门阵列（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。
举例来说，在一些示例中，所述应用于聚酯增塑剂生产的温度控制系统可以是一种具备数据处理能力的服务器。
结合图2，本发明实施例还提供一种应用于聚酯增塑剂生产的温度控制方法，可应用于上述应用于聚酯增塑剂生产的温度控制系统（在后续的描述中，可以简称为温度控制系统）。其中，所述应用于聚酯增塑剂生产的温度控制方法有关的流程所定义的方法步骤，可以由所述应用于聚酯增塑剂生产的温度控制系统实现。下面将对图2所示的流程，进行详细阐述。
步骤S110，采集到多种已生产聚酯增塑剂中的每一种已生产聚酯增塑剂对应的历史增塑剂生产数据。
在本发明实施例中，所述温度控制系统可以采集到多种已生产聚酯增塑剂中的每一种已生产聚酯增塑剂对应的历史增塑剂生产数据。所述多种已生产聚酯增塑剂分别对应的化学种类相同（即成分相同，只是基于不同的工艺生产形成），所述多种已生产聚酯增塑剂分别基于不完全相同的生产工艺生产形成，该生产工艺包括至少两个缩聚反应的生产温度。
步骤S120，依据所述多种已生产聚酯增塑剂中的每一种已生产聚酯增塑剂对应的历史增塑剂生产数据，对所述多种已生产聚酯增塑剂进行数据整合处理，以形成对应的历史增塑剂生产数据分布关系。
在本发明实施例中，所述温度控制系统可以依据所述多种已生产聚酯增塑剂中的每一种已生产聚酯增塑剂对应的历史增塑剂生产数据，对所述多种已生产聚酯增塑剂进行数据整合处理，以形成对应的历史增塑剂生产数据分布关系。
步骤S130，对所述历史增塑剂生产数据分布关系进行关键数据提取处理，以提取出至少一种已生产聚酯增塑剂对应的历史增塑剂生产数据，再将该历史增塑剂生产数据作为目标增塑剂生产数据。
在本发明实施例中，所述温度控制系统可以对所述历史增塑剂生产数据分布关系进行关键数据提取处理，以提取出至少一种已生产聚酯增塑剂对应的历史增塑剂生产数据，再将该历史增塑剂生产数据作为目标增塑剂生产数据。所述目标增塑剂生产数据包括的生产温度用于作为参考生产温度以对待生产聚酯增塑剂进行温度控制。
基于上述的内容，先从历史增塑剂生产数据中提取出关键的目标增塑剂生产数据，以得到参考生产温度，使得参考生产温度的确定的依据更为可靠，从而实现基于该参考生产温度进行可靠的温度控制的目标，进而在一定程度上提高聚酯增塑剂生产的温度控制的可靠度。
举例来说，在一些示例中，在执行上述的步骤S110的过程中，具体可以通过执行以下子步骤以实现对应的目的：
对于多种已生产聚酯增塑剂中的每一种已生产聚酯增塑剂，确定该已生产聚酯增塑剂对应的两次缩聚反应的生产温度（即第一次缩聚反应的生产温度和第二次缩聚反应的生产温度），以得到该已生产聚酯增塑剂对应的两个历史生产温度数据（即一个历史生产温度数据对应一个生产温度）；
对于所述多种已生产聚酯增塑剂中的每一种已生产聚酯增塑剂，对该已生产聚酯增塑剂的性能进行确定（如热稳定性能、耐迁移性能、抗静电性能、耐高温性能中的一种或多种），以输出该已生产聚酯增塑剂对应的历史性能表征数据，所述历史性能表征数据用于反映对应的所述已生产聚酯增塑剂具有的至少一种性能优异程度；
对于所述多种已生产聚酯增塑剂中的每一种已生产聚酯增塑剂，将该已生产聚酯增塑剂对应的两个历史生产温度数据和该已生产聚酯增塑剂对应的历史性能表征数据进行组合，以形成对应的历史增塑剂生产数据（所述历史增塑剂生产数据包括两个历史生产温度数据和历史性能表征数据）。
举例来说，在一些示例中，在执行上述的步骤S120的过程中，具体可以通过执行以下子步骤以实现对应的目的：
对于所述多种已生产聚酯增塑剂中的每一种已生产聚酯增塑剂，依据该已生产聚酯增塑剂对应的历史增塑剂生产数据包括的两个历史生产温度数据，确定出该已生产聚酯增塑剂对应的分布位置信息，所述分布位置信息对应的两个分布位置坐标与所述两个历史生产温度数据对应（示例性地，可以将第一次缩聚反应对应的生产温度作为横坐标，将第二次缩聚反应对应的生产温度作为纵坐标，或者具有其它对应关系）；
依据每一种所述已生产聚酯增塑剂对应的分布位置信息，对每一种所述已生产聚酯增塑剂进行排列处理，以形成对应的历史增塑剂生产数据分布关系，在所述历史增塑剂生产数据分布关系中，每一个分布关系代表成员与一种所述已生产聚酯增塑剂对应，且每一个所述分布关系代表成员的成员属性数据为对应的历史增塑剂生产数据包括的历史性能表征数据（基于此，可以通过所述分布关系代表成员来充分反映历史增塑剂生产数据）。
举例来说，在一些示例中，在执行上述的步骤S130的过程中，具体可以通过执行以下子步骤以实现对应的目的：
提取到通过进行神经网络优化操作形成的初级关键数据提取神经网络和高级关键数据提取神经网络（示例性地，所述初级关键数据提取神经网络和所述高级关键数据提取神经网络可以是神经网络模型，也可以是深度学习网络模型、卷积网络模型等）；
通过所述初级关键数据提取神经网络对所述历史增塑剂生产数据分布关系进行关键数据提取处理（关键数据提取处理的能力可以通过对示例性的增塑剂生产数据分布关系和对应的真实成员簇学习得到），以输出所述历史增塑剂生产数据分布关系对应的初级分布关系代表成员簇；
依据所述初级分布关系代表成员簇，在所述历史增塑剂生产数据分布关系中，分析输出对应的子历史增塑剂生产数据分布关系（示例性地，可以基于初级分布关系代表成员簇中各个初级分布关系代表成员的分布位置信息，即上述的横坐标、纵坐标，连接相邻的初级分布关系代表成员，以基于对应的连接线形成一个围合区域，再从所述历史增塑剂生产数据分布关系中依据该围合区域形成所述子历史增塑剂生产数据分布关系）；
通过所述高级关键数据提取神经网络对所述子历史增塑剂生产数据分布关系进行关键数据提取处理（关键数据提取处理的能力可以通过对示例性的增塑剂生产数据分布关系和对应的真实成员簇学习得到），以输出所述子历史增塑剂生产数据分布关系对应的高级分布关系代表成员簇，所述初级分布关系代表成员簇包括的每一个分布关系代表成员都属于所述高级分布关系代表成员簇；
从所述高级分布关系代表成员簇中，提取出至少一个分布关系代表成员，再将该至少一个分布关系代表成员对应的至少一种已生产聚酯增塑剂对应的历史增塑剂生产数据作为目标增塑剂生产数据（示例性地，可以将所述高级分布关系代表成员簇中的每一个高级分布关系代表成员对应的已生产聚酯增塑剂对应的历史增塑剂生产数据作为目标增塑剂生产数据）。
举例来说，在一些示例中，在执行上述的所述通过所述高级关键数据提取神经网络对所述子历史增塑剂生产数据分布关系进行关键数据提取处理，以输出所述子历史增塑剂生产数据分布关系对应的高级分布关系代表成员簇的步骤的过程中，具体可以通过执行以下子步骤以实现对应的目的：
将所述子历史增塑剂生产数据分布关系分割为匹配的第一子历史增塑剂生产数据分布关系和第二子历史增塑剂生产数据分布关系（示例性地，可以将所述子历史增塑剂生产数据分布关系对应的区域轮廓线相距离最远的两个轮廓点之间的直线作为分割线，以分割形成所述第一子历史增塑剂生产数据分布关系和所述第二子历史增塑剂生产数据分布关系；另外，可以将两个子历史增塑剂生产数据分布关系中对应的区域面积较大的一个作为第一子历史增塑剂生产数据分布关系）；
通过所述高级关键数据提取神经网络对所述第一子历史增塑剂生产数据分布关系进行关键数据提取处理，以输出所述第一子历史增塑剂生产数据分布关系对应的第一高级分布关系代表成员簇；
依据所述第一子历史增塑剂生产数据分布关系，对所述第二子历史增塑剂生产数据分布关系进行更新操作（示例性地，可以依据所述第一子历史增塑剂生产数据分布关系对所述第二子历史增塑剂生产数据分布关系进行扩展，使得扩展后的第二子历史增塑剂生产数据分布关系对应的区域面积可以等于所述第一子历史增塑剂生产数据分布关系对应的区域面积），以输出更新后的第二子历史增塑剂生产数据分布关系；
通过所述高级关键数据提取神经网络对所述更新后的第二子历史增塑剂生产数据分布关系进行关键数据提取处理，以输出所述更新后的第二子历史增塑剂生产数据分布关系对应的第二高级分布关系代表成员簇；
依据所述第一高级分布关系代表成员簇和所述第二高级分布关系代表成员簇，分析输出对应的高级分布关系代表成员簇（示例性地，可以将所述第一高级分布关系代表成员簇中的每一个第一高级分布关系代表成员和所述第二高级分布关系代表成员簇的每一个第二高级分布关系代表成员，都作为所述高级分布关系代表成员簇中的高级分布关系代表成员）。
举例来说，在一些示例中，在执行上述的步骤S130的过程中，具体还可以通过执行以下子步骤以实现对应的目的：
提取到待优化初级关键数据提取神经网络和示例性增塑剂生产数据分布关系集合，所述示例性增塑剂生产数据分布关系集合包括多个示例性增塑剂生产数据分布关系和所述示例性增塑剂生产数据分布关系中的真实示例性分布关系代表成员簇，所述真实示例性分布关系代表成员簇包括真实示例性初级分布关系代表成员簇；
对所述示例性增塑剂生产数据分布关系进行分布关系的更新操作（示例性地，可以对所述示例性增塑剂生产数据分布关系进行插值处理，以增加包括的示例性分布关系代表成员，即在一些相邻的示例性分布关系代表成员之间的距离较大时，可以在这些相邻的示例性分布关系代表成员之间插入一些示例性分布关系代表成员，插入的示例性分布关系代表成员的数据可以根据这些相邻的示例性分布关系代表成员的数据确定），以输出对应的更新后的示例性增塑剂生产数据分布关系；
通过所述待优化初级关键数据提取神经网络对所述更新后的示例性增塑剂生产数据分布关系进行关键数据提取处理，以输出所述更新后的示例性增塑剂生产数据分布关系对应的估计示例性分布关系代表成员；
依据每一个所述更新后的示例性增塑剂生产数据分布关系对应的估计示例性分布关系代表成员和对应的所述真实示例性初级分布关系代表成员簇（之间的误差），对所述待优化初级关键数据提取神经网络进行神经网络优化操作，以形成所述初级关键数据提取神经网络。
举例来说，在一些示例中，在执行上述的所述对所述示例性增塑剂生产数据分布关系进行分布关系的更新操作，以输出对应的更新后的示例性增塑剂生产数据分布关系的步骤的过程中，具体还可以通过执行以下子步骤以实现对应的目的：
按照预先配置的滑窗尺寸，对所述示例性增塑剂生产数据分布关系进行滑窗处理，以形成所述示例性增塑剂生产数据分布关系对应的多个示例性增塑剂生产数据分布关系滑窗区域，每一个所述示例性增塑剂生产数据分布关系滑窗区域的区域尺寸等于所述滑窗尺寸（具体值不受限制，可以根据实际应用需求进行配置，如精度需求不同，可以具有不同的值）；
针对每一个所述示例性增塑剂生产数据分布关系滑窗区域，对该示例性增塑剂生产数据分布关系滑窗区域包括的示例性分布关系代表成员的数量进行统计处理，再基于统计处理的结果确定出该示例性增塑剂生产数据分布关系滑窗区域对应的成员分布密度，在该成员分布密度小于或等于预先配置的成员分布密度参考值的情况下，将该示例性增塑剂生产数据分布关系滑窗区域标记为待更新示例性增塑剂生产数据分布关系滑窗区域；
针对每一个所述待更新示例性增塑剂生产数据分布关系滑窗区域，依据该待更新示例性增塑剂生产数据分布关系滑窗区域包括的示例性分布关系代表成员进行任意的多种组合，以形成该待更新示例性增塑剂生产数据分布关系滑窗区域对应的多个成员组合，每一个所述成员组合包括的示例性分布关系代表成员的数量大于或等于3，每两个所述成员组合包括的示例性分布关系代表成员之间至少一个不同；
针对每一个所述待更新示例性增塑剂生产数据分布关系滑窗区域，分别依据该待更新示例性增塑剂生产数据分布关系滑窗区域对应的每一个成员组合，以该成员组合包括的每一个示例性分布关系代表成员为顶点，构建出该成员组合对应的多边形区域（倘若该多边形区域中具有示例性分布关系代表成员，则丢弃该多边形区域），以形成该待更新示例性增塑剂生产数据分布关系滑窗区域对应的多个多边形区域，以及，对该多个多边形区域进行去重处理，以形成至少一个目标多边形区域，该去重处理包括：若两个多边形区域重合，则保留其中任意一个多边形区域；若两个多边形区域属于包含关系，则保留其中区域尺寸较大的一个多边形区域；若两个多边形区域属于交叉关系，则将两个多边形区域的并集区域，确定出新的多边形区域；若两个多边形区域不具有重合的部分，则将该两个多边形区域都保留；将当前的每一个多边形区域都作为一个目标多边形区域；
针对每一个所述目标多边形区域，提取出该目标多边形区域对应的每一个区域顶点的位置坐标，再依据该目标多边形区域的区域面积和预先配置的区域面积参考值之间的比值，确定出该目标多边形区域中待扩充的示例性分布关系代表成员的数量（示例性地，该数量可以等于该比值），再依据该目标多边形区域对应的每一个区域顶点的位置坐标和该数量，从该目标多边形区域中确定出对应数量的待扩充的示例性分布关系代表成员；
针对每一个所述待扩充的示例性分布关系代表成员，计算输出该待扩充的示例性分布关系代表成员分别与对应的目标多边形区域包括的每一个区域顶点的位置距离，再基于该位置距离，为每一个区域顶点配置出相对于该待扩充的示例性分布关系代表成员具有的影响力参数，该影响力参数与该位置距离之间可以具有负相关的对应关系；
针对每一个所述待扩充的示例性分布关系代表成员，分别计算该待扩充的示例性分布关系代表成员对应的目标多边形区域包括的每两个区域顶点之间的位置距离和成员属性数据差异度（即对应的成员属性数据之间的差异度，即差值），再对每两个区域顶点之间的位置距离和成员属性数据差异度进行曲线拟合处理，以输出对应的距离差异度对应曲线，所述距离差异度对应曲线用于反映成员属性数据差异度与位置距离之间的对应关系（即将位置距离作为横坐标、成员属性数据差异度作为纵坐标，进行曲线拟合），以及，分别计算每两个区域顶点之间的位置距离和成员属性数据差异度相较于所述离差异度对应曲线具有的拟合偏离度，再针对该目标多边形区域包括的每一个区域顶点，对该区域顶点与每一个其它区域顶点对应的拟合偏离度进行融合（如均值计算等），以输出该区域顶点对应的拟合偏离度融合值，以及，依据该拟合偏离度融合值确定出该区域顶点对应的更新参数，该更新参数与该拟合偏离度融合值之间具有正相关的关系；
针对每一个所述待扩充的示例性分布关系代表成员，分别依据该待扩充的示例性分布关系代表成员对应的目标多边形区域包括的每一个区域顶点区域顶点对应的更新参数，对为每一个区域顶点配置出的相对于该待扩充的示例性分布关系代表成员具有的影响力参数进行更新处理（如计算乘积等），以输出为每一个区域顶点配置出的相对于该待扩充的示例性分布关系代表成员具有的更新影响力参数，以及，依据该更新影响力参数对每一个区域顶点对应的成员属性数据进行融合处理（如将更新影响力参数作为权重进行数据加权求和），以输出该待扩充的示例性分布关系代表成员对应的成员属性数据，即实现对所述示例性增塑剂生产数据分布关系进行分布关系的更新，输出对应的更新后的示例性增塑剂生产数据分布关系。
举例来说，在一些示例中，在执行上述的步骤S130的过程中，具体还可以通过执行以下子步骤以实现对应的目的：
提取到待优化高级关键数据提取神经网络和示例性增塑剂生产数据分布关系集合，所述示例性增塑剂生产数据分布关系集合包括多个示例性增塑剂生产数据分布关系和所述示例性增塑剂生产数据分布关系中的真实示例性分布关系代表成员簇；
依据每一个所述示例性增塑剂生产数据分布关系的真实示例性分布关系代表成员簇，分别在每一个所述示例性增塑剂生产数据分布关系中提取出对应的子示例性增塑剂生产数据分布关系；
对所述子示例性增塑剂生产数据分布关系进行分布关系的更新操作（如上所述），得到更新后的子示例性增塑剂生产数据分布关系；
通过所述待优化高级关键数据提取神经网络对所述更新后的子示例性增塑剂生产数据分布关系进行关键数据提取处理，以输出所述更新后的子示例性增塑剂生产数据分布关系对应的估计示例性分布关系代表成员；
依据每一个所述更新后的子示例性增塑剂生产数据分布关系对应的所述估计示例性分布关系代表成员和对应的所述真实示例性分布关系代表成员簇（之间的误差），对所述待优化高级关键数据提取神经网络进行神经网络优化操作，以形成对应的所述高级关键数据提取神经网络。
举例来说，在一些示例中，在执行上述的步骤S130的过程中，具体还可以通过执行以下子步骤以实现对应的目的：
提取到多个用户选择的示例性增塑剂生产数据分布关系和每一个用户选择的示例性增塑剂生产数据分布关系的用户选择标识数据（即对于提取到的任意一个示例性增塑剂生产数据分布关系，可以通过用户进行框选，以选择出其中的关键的分布关系代表成员，从而形成所述用户选择标识数据），所述用户选择标识数据用于标识所述用户选择的示例性增塑剂生产数据分布关系中的关键分布关系代表成员；
依据每一个所述用户选择的示例性增塑剂生产数据分布关系和每一个所述用户选择的示例性增塑剂生产数据分布关系的用户选择标识数据，对待优化成员选择神经网络（示例性地，所述待优化成员选择神经网络可以为深度学习神经网络模型或卷积神经网络模型等）进行神经网络优化操作，以形成对应的目标成员选择神经网络（示例性地，可以通过所述待优化成员选择神经网络对每一个用户选择的示例性增塑剂生产数据分布关系进行关键数据提取操作，以输出每一个用户选择的示例性增塑剂生产数据分布关系的估计示例性分布关系代表成员，然后，依据所述估计示例性分布关系代表成员和所述用户选择标识数据之间误差，对所述待优化成员选择神经网络的网络权重进行优化，从而输出所述目标成员选择神经网络）；
提取到多个待选择的示例性增塑剂生产数据分布关系；
通过所述目标成员选择神经网络，对所述多个待选择的示例性增塑剂生产数据分布关系进行成员选择操作（如上述的关键数据提取操作），以输出所述多个待选择的示例性增塑剂生产数据分布关系的成员选择估计数据，所述成员选择估计数据用于标识所述待选择的示例性增塑剂生产数据分布关系中的关键分布关系代表成员；
在所述待选择的示例性增塑剂生产数据分布关系对应的成员选择估计数据与预先配置成员选择条件匹配时（示例性地，是否匹配的依据可以是对应的管理用户是否进行确认操作），将所述各多个用户选择的示例性增塑剂生产数据分布关系、所述多个用户选择的示例性增塑剂生产数据分布关系的用户选择标识数据、所述待选择的示例性增塑剂生产数据分布关系和所述待选择的示例性增塑剂生产数据分布关系的成员选择估计数据，组合形成对应的所述示例性增塑剂生产数据分布关系集合。
举例来说，在一些示例中，在执行上述的步骤S130的过程中，具体还可以通过执行以下子步骤以实现对应的目的：
在所述待选择的示例性增塑剂生产数据分布关系对应的成员选择估计数据与所述成员选择条件不匹配时（如未进行确认操作），将所述待选择的示例性增塑剂生产数据分布关系标记为第一示例性增塑剂生产数据分布关系，以及，对所述第一示例性增塑剂生产数据分布关系的成员选择估计数据进行优化（即成员调整），得到优化后的成员选择估计数据；
将所述多个用户选择的示例性增塑剂生产数据分布关系、所述多个用户选择的示例性增塑剂生产数据分布关系的用户选择标识数据、对应的成员选择估计数据与所述成员选择条件匹配的待选择的示例性增塑剂生产数据分布关系、所述与所述成员选择条件匹配的待选择的示例性增塑剂生产数据分布关系的成员选择估计数据、所述第一示例性增塑剂生产数据分布关系和所述第一示例性增塑剂生产数据分布关系的优化后的成员选择估计数据，组合形成对应的所述示例性增塑剂生产数据分布关系集合。
结合图3，本发明实施例还提供一种应用于聚酯增塑剂生产的温度控制装置，可应用于上述应用于聚酯增塑剂生产的温度控制系统。其中，所述应用于聚酯增塑剂生产的温度控制装置可以包括：
生产数据采集模块，用于采集到多种已生产聚酯增塑剂中的每一种已生产聚酯增塑剂对应的历史增塑剂生产数据，所述多种已生产聚酯增塑剂分别对应的化学种类相同，所述多种已生产聚酯增塑剂分别基于不完全相同的生产工艺生产形成，该生产工艺包括至少两个缩聚反应的生产温度；
数据整合处理模块，用于依据所述多种已生产聚酯增塑剂中的每一种已生产聚酯增塑剂对应的历史增塑剂生产数据，对所述多种已生产聚酯增塑剂进行数据整合处理，以形成对应的历史增塑剂生产数据分布关系；
参考生产温度确定模块，用于对所述历史增塑剂生产数据分布关系进行关键数据提取处理，以提取出至少一种已生产聚酯增塑剂对应的历史增塑剂生产数据，再将该历史增塑剂生产数据作为目标增塑剂生产数据，所述目标增塑剂生产数据包括的生产温度用于作为参考生产温度以对待生产聚酯增塑剂进行温度控制。
综上所述，本发明提供的一种应用于聚酯增塑剂生产的温度控制方法及系统，可以先采集到每一种已生产聚酯增塑剂对应的历史增塑剂生产数据。依据每一种已生产聚酯增塑剂对应的历史增塑剂生产数据，对多种已生产聚酯增塑剂进行数据整合处理，以形成对应的历史增塑剂生产数据分布关系。对历史增塑剂生产数据分布关系进行关键数据提取处理，以提取出至少一种已生产聚酯增塑剂对应的历史增塑剂生产数据，再将该历史增塑剂生产数据作为目标增塑剂生产数据，用于作为参考生产温度以对待生产聚酯增塑剂进行温度控制。基于上述的内容，先从历史增塑剂生产数据中提取出关键的目标增塑剂生产数据，以得到参考生产温度，使得参考生产温度的确定的依据更为可靠，从而实现基于该参考生产温度进行可靠的温度控制的目标，进而在一定程度上提高聚酯增塑剂生产的温度控制的可靠度，如此，可以在一定程度上改善现有技术中的不足。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种应用于聚酯增塑剂生产的温度控制方法，其特征在于，包括：
采集到多种已生产聚酯增塑剂中的每一种已生产聚酯增塑剂对应的历史增塑剂生产数据，所述多种已生产聚酯增塑剂分别对应的化学种类相同，所述多种已生产聚酯增塑剂分别基于不完全相同的生产工艺生产形成，该生产工艺包括至少两个缩聚反应的生产温度；
依据所述多种已生产聚酯增塑剂中的每一种已生产聚酯增塑剂对应的历史增塑剂生产数据，对所述多种已生产聚酯增塑剂进行数据整合处理，以形成对应的历史增塑剂生产数据分布关系；
对所述历史增塑剂生产数据分布关系进行关键数据提取处理，以提取出至少一种已生产聚酯增塑剂对应的历史增塑剂生产数据，再将该历史增塑剂生产数据作为目标增塑剂生产数据，所述目标增塑剂生产数据包括的生产温度用于作为参考生产温度以对待生产聚酯增塑剂进行温度控制；
其中，所述对所述历史增塑剂生产数据分布关系进行关键数据提取处理，以提取出至少一种已生产聚酯增塑剂对应的历史增塑剂生产数据，再将该历史增塑剂生产数据作为目标增塑剂生产数据的步骤，包括：
提取到通过进行神经网络优化操作形成的初级关键数据提取神经网络和高级关键数据提取神经网络；
通过所述初级关键数据提取神经网络对所述历史增塑剂生产数据分布关系进行关键数据提取处理，以输出所述历史增塑剂生产数据分布关系对应的初级分布关系代表成员簇；
依据所述初级分布关系代表成员簇，在所述历史增塑剂生产数据分布关系中，分析输出对应的子历史增塑剂生产数据分布关系；
通过所述高级关键数据提取神经网络对所述子历史增塑剂生产数据分布关系进行关键数据提取处理，以输出所述子历史增塑剂生产数据分布关系对应的高级分布关系代表成员簇，所述初级分布关系代表成员簇包括的每一个分布关系代表成员都属于所述高级分布关系代表成员簇；
从所述高级分布关系代表成员簇中，提取出至少一个分布关系代表成员，再将该至少一个分布关系代表成员对应的至少一种已生产聚酯增塑剂对应的历史增塑剂生产数据作为目标增塑剂生产数据。
2.如权利要求1所述的应用于聚酯增塑剂生产的温度控制方法，其特征在于，所述采集到多种已生产聚酯增塑剂中的每一种已生产聚酯增塑剂对应的历史增塑剂生产数据的步骤，包括：
对于多种已生产聚酯增塑剂中的每一种已生产聚酯增塑剂，确定该已生产聚酯增塑剂对应的两次缩聚反应的生产温度，以得到该已生产聚酯增塑剂对应的两个历史生产温度数据；
对于所述多种已生产聚酯增塑剂中的每一种已生产聚酯增塑剂，对该已生产聚酯增塑剂的性能进行确定，以输出该已生产聚酯增塑剂对应的历史性能表征数据，所述历史性能表征数据用于反映对应的所述已生产聚酯增塑剂具有的至少一种性能优异程度；
对于所述多种已生产聚酯增塑剂中的每一种已生产聚酯增塑剂，将该已生产聚酯增塑剂对应的两个历史生产温度数据和该已生产聚酯增塑剂对应的历史性能表征数据进行组合，以形成对应的历史增塑剂生产数据。
3.如权利要求1所述的应用于聚酯增塑剂生产的温度控制方法，其特征在于，所述依据所述多种已生产聚酯增塑剂中的每一种已生产聚酯增塑剂对应的历史增塑剂生产数据，对所述多种已生产聚酯增塑剂进行数据整合处理，以形成对应的历史增塑剂生产数据分布关系的步骤，包括：
对于所述多种已生产聚酯增塑剂中的每一种已生产聚酯增塑剂，依据该已生产聚酯增塑剂对应的历史增塑剂生产数据包括的两个历史生产温度数据，确定出该已生产聚酯增塑剂对应的分布位置信息，所述分布位置信息对应的两个分布位置坐标与所述两个历史生产温度数据对应；
依据每一种所述已生产聚酯增塑剂对应的分布位置信息，对每一种所述已生产聚酯增塑剂进行排列处理，以形成对应的历史增塑剂生产数据分布关系，在所述历史增塑剂生产数据分布关系中，每一个分布关系代表成员与一种所述已生产聚酯增塑剂对应，且每一个所述分布关系代表成员的成员属性数据为对应的历史增塑剂生产数据包括的历史性能表征数据。
4.如权利要求1所述的应用于聚酯增塑剂生产的温度控制方法，其特征在于，所述通过所述高级关键数据提取神经网络对所述子历史增塑剂生产数据分布关系进行关键数据提取处理，以输出所述子历史增塑剂生产数据分布关系对应的高级分布关系代表成员簇的步骤，包括：
将所述子历史增塑剂生产数据分布关系分割为匹配的第一子历史增塑剂生产数据分布关系和第二子历史增塑剂生产数据分布关系；
通过所述高级关键数据提取神经网络对所述第一子历史增塑剂生产数据分布关系进行关键数据提取处理，以输出所述第一子历史增塑剂生产数据分布关系对应的第一高级分布关系代表成员簇；
依据所述第一子历史增塑剂生产数据分布关系，对所述第二子历史增塑剂生产数据分布关系进行更新操作，以输出更新后的第二子历史增塑剂生产数据分布关系；
通过所述高级关键数据提取神经网络对所述更新后的第二子历史增塑剂生产数据分布关系进行关键数据提取处理，以输出所述更新后的第二子历史增塑剂生产数据分布关系对应的第二高级分布关系代表成员簇；
依据所述第一高级分布关系代表成员簇和所述第二高级分布关系代表成员簇，分析输出对应的高级分布关系代表成员簇。
5.如权利要求1所述的应用于聚酯增塑剂生产的温度控制方法，其特征在于，所述对所述历史增塑剂生产数据分布关系进行关键数据提取处理，以提取出至少一种已生产聚酯增塑剂对应的历史增塑剂生产数据，再将该历史增塑剂生产数据作为目标增塑剂生产数据的步骤，还包括：
提取到待优化初级关键数据提取神经网络和示例性增塑剂生产数据分布关系集合，所述示例性增塑剂生产数据分布关系集合包括多个示例性增塑剂生产数据分布关系和所述示例性增塑剂生产数据分布关系中的真实示例性分布关系代表成员簇，所述真实示例性分布关系代表成员簇包括真实示例性初级分布关系代表成员簇；
对所述示例性增塑剂生产数据分布关系进行分布关系的更新操作，以输出对应的更新后的示例性增塑剂生产数据分布关系；
通过所述待优化初级关键数据提取神经网络对所述更新后的示例性增塑剂生产数据分布关系进行关键数据提取处理，以输出所述更新后的示例性增塑剂生产数据分布关系对应的估计示例性分布关系代表成员；
依据每一个所述更新后的示例性增塑剂生产数据分布关系对应的估计示例性分布关系代表成员和对应的所述真实示例性初级分布关系代表成员簇，对所述待优化初级关键数据提取神经网络进行神经网络优化操作，以形成所述初级关键数据提取神经网络。
6.如权利要求1所述的应用于聚酯增塑剂生产的温度控制方法，其特征在于，所述对所述历史增塑剂生产数据分布关系进行关键数据提取处理，以提取出至少一种已生产聚酯增塑剂对应的历史增塑剂生产数据，再将该历史增塑剂生产数据作为目标增塑剂生产数据的步骤，还包括：
提取到待优化高级关键数据提取神经网络和示例性增塑剂生产数据分布关系集合，所述示例性增塑剂生产数据分布关系集合包括多个示例性增塑剂生产数据分布关系和所述示例性增塑剂生产数据分布关系中的真实示例性分布关系代表成员簇；
依据每一个所述示例性增塑剂生产数据分布关系的真实示例性分布关系代表成员簇，分别在每一个所述示例性增塑剂生产数据分布关系中提取出对应的子示例性增塑剂生产数据分布关系；
对所述子示例性增塑剂生产数据分布关系进行分布关系的更新操作，得到更新后的子示例性增塑剂生产数据分布关系；
通过所述待优化高级关键数据提取神经网络对所述更新后的子示例性增塑剂生产数据分布关系进行关键数据提取处理，以输出所述更新后的子示例性增塑剂生产数据分布关系对应的估计示例性分布关系代表成员；
依据每一个所述更新后的子示例性增塑剂生产数据分布关系对应的所述估计示例性分布关系代表成员和对应的所述真实示例性分布关系代表成员簇，对所述待优化高级关键数据提取神经网络进行神经网络优化操作，以形成对应的所述高级关键数据提取神经网络。
7.如权利要求6所述的应用于聚酯增塑剂生产的温度控制方法，其特征在于，所述对所述历史增塑剂生产数据分布关系进行关键数据提取处理，以提取出至少一种已生产聚酯增塑剂对应的历史增塑剂生产数据，再将该历史增塑剂生产数据作为目标增塑剂生产数据的步骤，还包括：
提取到多个用户选择的示例性增塑剂生产数据分布关系和每一个用户选择的示例性增塑剂生产数据分布关系的用户选择标识数据，所述用户选择标识数据用于标识所述用户选择的示例性增塑剂生产数据分布关系中的关键分布关系代表成员；
依据每一个所述用户选择的示例性增塑剂生产数据分布关系和每一个所述用户选择的示例性增塑剂生产数据分布关系的用户选择标识数据，对待优化成员选择神经网络进行神经网络优化操作，以形成对应的目标成员选择神经网络；
提取到多个待选择的示例性增塑剂生产数据分布关系；
通过所述目标成员选择神经网络，对所述多个待选择的示例性增塑剂生产数据分布关系进行成员选择操作，以输出所述多个待选择的示例性增塑剂生产数据分布关系的成员选择估计数据，所述成员选择估计数据用于标识所述待选择的示例性增塑剂生产数据分布关系中的关键分布关系代表成员；
在所述待选择的示例性增塑剂生产数据分布关系对应的成员选择估计数据与预先配置成员选择条件匹配时，将所述各多个用户选择的示例性增塑剂生产数据分布关系、所述多个用户选择的示例性增塑剂生产数据分布关系的用户选择标识数据、所述待选择的示例性增塑剂生产数据分布关系和所述待选择的示例性增塑剂生产数据分布关系的成员选择估计数据，组合形成对应的所述示例性增塑剂生产数据分布关系集合。
8.如权利要求7所述的应用于聚酯增塑剂生产的温度控制方法，其特征在于，所述对所述历史增塑剂生产数据分布关系进行关键数据提取处理，以提取出至少一种已生产聚酯增塑剂对应的历史增塑剂生产数据，再将该历史增塑剂生产数据作为目标增塑剂生产数据的步骤，还包括：
在所述待选择的示例性增塑剂生产数据分布关系对应的成员选择估计数据与所述成员选择条件不匹配时，将所述待选择的示例性增塑剂生产数据分布关系标记为第一示例性增塑剂生产数据分布关系，以及，对所述第一示例性增塑剂生产数据分布关系的成员选择估计数据进行优化，得到优化后的成员选择估计数据；
将所述多个用户选择的示例性增塑剂生产数据分布关系、所述多个用户选择的示例性增塑剂生产数据分布关系的用户选择标识数据、对应的成员选择估计数据与所述成员选择条件匹配的待选择的示例性增塑剂生产数据分布关系、所述与所述成员选择条件匹配的待选择的示例性增塑剂生产数据分布关系的成员选择估计数据、所述第一示例性增塑剂生产数据分布关系和所述第一示例性增塑剂生产数据分布关系的优化后的成员选择估计数据，组合形成对应的所述示例性增塑剂生产数据分布关系集合。
9.一种应用于聚酯增塑剂生产的温度控制系统，其特征在于，包括处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序，以实现权利要求1-8任意一项所述的温度控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211375229.4A CN115826515B (zh) | 2022-11-04 | 2022-11-04 | 一种应用于聚酯增塑剂生产的温度控制方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211375229.4A CN115826515B (zh) | 2022-11-04 | 2022-11-04 | 一种应用于聚酯增塑剂生产的温度控制方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115826515A CN115826515A (zh) | 2023-03-21 |
| CN115826515B true CN115826515B (zh) | 2023-07-14 |
Family
ID=85526584
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211375229.4A Active CN115826515B (zh) | 2022-11-04 | 2022-11-04 | 一种应用于聚酯增塑剂生产的温度控制方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115826515B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116149284B (zh) * | 2023-04-23 | 2023-08-04 | 广东麦可瑞化工科技有限公司 | 一种造纸消泡剂生产控制方法及系统 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112149870A (zh) * | 2020-08-21 | 2020-12-29 | 江苏大学 | 一种基于ISODATA聚类与Elman神经网络的猪舍氨气浓度组合预测方法 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1552753A (zh) * | 2003-05-30 | 2004-12-08 | 华东理工大学 | 一种聚酯产品质量指标的软测量和工艺操作优化的方法 |
| CN110531727B (zh) * | 2019-01-11 | 2020-12-18 | 东华大学 | 一种聚酯纤维生产制造全流程的多级优化控制方法 |
| CN112000075A (zh) * | 2020-09-17 | 2020-11-27 | 华泰永创(北京)科技股份有限公司 | 干熄焦优化控制方法及系统 |
| CN112182910B (zh) * | 2020-10-21 | 2022-12-20 | 江苏中利集团股份有限公司 | 一种用于控制交联材料制备效果的方法及装置 |
| CN113419496A (zh) * | 2021-07-02 | 2021-09-21 | 常州百利菲特防水设备有限公司 | 一种基于大数据统计的防水材料生产智能管理管控方法及系统 |
| CN114527721B (zh) * | 2022-04-25 | 2022-08-12 | 广东祥利科技有限公司 | 聚pvc改性电缆粒料在线生产监控方法、系统及云平台 |
| CN114632488B (zh) * | 2022-05-16 | 2022-08-19 | 广东众大智能科技有限公司 | 一种连续式造粒反应釜模块式温度控制方法及系统 |
| CN114661018B (zh) * | 2022-05-25 | 2022-08-23 | 江苏张氏航空精塑有限公司 | 一种吸塑加工分布式控制方法及系统 |
-
2022
- 2022-11-04 CN CN202211375229.4A patent/CN115826515B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112149870A (zh) * | 2020-08-21 | 2020-12-29 | 江苏大学 | 一种基于ISODATA聚类与Elman神经网络的猪舍氨气浓度组合预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115826515A (zh) | 2023-03-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115826515B (zh) | 一种应用于聚酯增塑剂生产的温度控制方法及系统 | |
| CN109189028A (zh) | 基于多块信息提取的pca故障诊断方法 | |
| AU2014278408A1 (en) | Method for detecting a plurality of instances of an object | |
| CN113032238B (zh) | 基于应用知识图谱的实时根因分析方法 | |
| EP1955119A1 (en) | Robust sensor correlation analysis for machine condition monitoring | |
| CN110837855B (zh) | 一种对电网业务协同监控系统中异构数据集的处理方法 | |
| CN109901058B (zh) | 一种半导体器件的分析方法 | |
| Lee et al. | Assessing the lifetime performance index of exponential products with step-stress accelerated life-testing data | |
| CN113554526A (zh) | 电力设备的故障预警方法、装置、存储介质及处理器 | |
| US20030208285A1 (en) | Method for comparing solid models | |
| Dong et al. | Wafer yield prediction using derived spatial variables | |
| CN110427019A (zh) | 一种基于多变量判别分析的npda故障分类方法及控制装置 | |
| CN111327706B (zh) | 远程抄表数据处理方法、装置、燃气表系统及燃气云平台 | |
| CN113094448A (zh) | 住宅空置状态的分析方法及分析装置、电子设备 | |
| CN112164141A (zh) | 基于bim技术的机房管理方法、装置、设备及存储介质 | |
| CN113708949A (zh) | 一种告警根因定位方法及装置 | |
| CN111679953A (zh) | 基于人工智能的故障节点识别方法、装置、设备和介质 | |
| Vilar et al. | Using robust FPCA to identify outliers in functional time series, with applications to the electricity market | |
| CN113626578B (zh) | 一种密封材料的智能分析方法及系统 | |
| CN116070302A (zh) | 一种电缆绝缘状态的预测方法及装置 | |
| KR102646061B1 (ko) | Ai 기반 모델 선택 알고리즘을 이용한 수요 예측 방법 | |
| CN113919225A (zh) | 环境试验箱可靠性评估方法和系统 | |
| CN108260155B (zh) | 一种基于时空相似度的无线传感网异常检测方法 | |
| Xiao et al. | Confidence map based 3D cost aggregation with multiple minimum spanning trees for stereo matching | |
| CN116934894A (zh) | 一种户型识别方法、装置及电子设备 |
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 |