CN116629913B - 一种复合肥料生产过程数据提取系统及处理方法 - Google Patents
一种复合肥料生产过程数据提取系统及处理方法 Download PDFInfo
- Publication number
- CN116629913B CN116629913B CN202310903927.5A CN202310903927A CN116629913B CN 116629913 B CN116629913 B CN 116629913B CN 202310903927 A CN202310903927 A CN 202310903927A CN 116629913 B CN116629913 B CN 116629913B
- Authority
- CN
- China
- Prior art keywords
- data
- raw material
- production
- price
- production raw
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 271
- 150000001875 compounds Chemical class 0.000 title claims abstract description 54
- 239000003337 fertilizer Substances 0.000 title claims abstract description 54
- 238000013075 data extraction Methods 0.000 title claims abstract description 19
- 238000003672 processing method Methods 0.000 title claims abstract description 10
- 239000002994 raw material Substances 0.000 claims abstract description 180
- 238000007405 data analysis Methods 0.000 claims abstract description 54
- 239000011159 matrix material Substances 0.000 claims abstract description 50
- 238000000034 method Methods 0.000 claims abstract description 19
- 230000035772 mutation Effects 0.000 claims description 34
- 239000000463 material Substances 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 6
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 8
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 6
- 239000011591 potassium Substances 0.000 description 6
- 229910052700 potassium Inorganic materials 0.000 description 6
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 5
- 239000011574 phosphorus Substances 0.000 description 5
- 229910052698 phosphorus Inorganic materials 0.000 description 5
- NLXLAEXVIDQMFP-UHFFFAOYSA-N Ammonia chloride Chemical compound [NH4+].[Cl-] NLXLAEXVIDQMFP-UHFFFAOYSA-N 0.000 description 4
- WCUXLLCKKVVCTQ-UHFFFAOYSA-M Potassium chloride Chemical compound [Cl-].[K+] WCUXLLCKKVVCTQ-UHFFFAOYSA-M 0.000 description 4
- 229910052757 nitrogen Inorganic materials 0.000 description 4
- LWIHDJKSTIGBAC-UHFFFAOYSA-K tripotassium phosphate Chemical compound [K+].[K+].[K+].[O-]P([O-])([O-])=O LWIHDJKSTIGBAC-UHFFFAOYSA-K 0.000 description 4
- LFVGISIMTYGQHF-UHFFFAOYSA-N ammonium dihydrogen phosphate Chemical compound [NH4+].OP(O)([O-])=O LFVGISIMTYGQHF-UHFFFAOYSA-N 0.000 description 3
- 229910000387 ammonium dihydrogen phosphate Inorganic materials 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- YYRMJZQKEFZXMX-UHFFFAOYSA-N calcium;phosphoric acid Chemical compound [Ca+2].OP(O)(O)=O.OP(O)(O)=O YYRMJZQKEFZXMX-UHFFFAOYSA-N 0.000 description 3
- 235000019837 monoammonium phosphate Nutrition 0.000 description 3
- 239000006012 monoammonium phosphate Substances 0.000 description 3
- 239000002426 superphosphate Substances 0.000 description 3
- PAWQVTBBRAZDMG-UHFFFAOYSA-N 2-(3-bromo-2-fluorophenyl)acetic acid Chemical compound OC(=O)CC1=CC=CC(Br)=C1F PAWQVTBBRAZDMG-UHFFFAOYSA-N 0.000 description 2
- XSQUKJJJFZCRTK-UHFFFAOYSA-N Urea Chemical compound NC(N)=O XSQUKJJJFZCRTK-UHFFFAOYSA-N 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 235000019270 ammonium chloride Nutrition 0.000 description 2
- KMQAPZBMEMMKSS-UHFFFAOYSA-K calcium;magnesium;phosphate Chemical compound [Mg+2].[Ca+2].[O-]P([O-])([O-])=O KMQAPZBMEMMKSS-UHFFFAOYSA-K 0.000 description 2
- 239000004202 carbamide Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 235000015097 nutrients Nutrition 0.000 description 2
- 239000001103 potassium chloride Substances 0.000 description 2
- 235000011164 potassium chloride Nutrition 0.000 description 2
- 229910000160 potassium phosphate Inorganic materials 0.000 description 2
- 235000011009 potassium phosphates Nutrition 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000013523 data management Methods 0.000 description 1
- -1 i.e. Substances 0.000 description 1
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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- 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)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Mathematical Physics (AREA)
- Finance (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Marketing (AREA)
- Economics (AREA)
- Pure & Applied Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Optimization (AREA)
- General Business, Economics & Management (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Mining & Mineral Resources (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Fertilizers (AREA)
Abstract
本申请涉及数据处理领域,提供一种复合肥料生产过程数据提取系统及处理方法,包括采集n种生产原料在m个周期的平均单价,进而得到数据分析矩阵,所述数据分析矩阵的每一行数据序列表示一种生产原料在m个周期的平均单价;基于所述数据分析矩阵,计算每一种生产原料的期望成本;如果当前生产原料的期望成本与实际成本之间的差值大于预设值,则获取所述生产原料的生产用量以及价格信息。以此能够提取到复合肥料生产过程中影响成本的生产原料的相关数据,有利于成本的把控,并且降低了数据处理的复杂度。
Description
技术领域
本申请涉及数据处理领域,特别是涉及一种复合肥料生产过程数据提取系统及处理方法。
背景技术
复合肥料作为优质的农业产品,具有较高的养分,并且施料简单,能提高农作物的质量以及产量。但是,复合肥料的原料选用过程中需要考虑多种因素,比如生产成本、不同原料的特性。一般情况下,合理的选用原料,需要保证复合肥料质量的同时降低生产成本。为了得到更加合理的原料比例,需要提取每种原料在复合肥料生产过程中的用量。但是,复合肥料生产过程较为繁琐,生产过程中添加的原料数据较大,不利于分析。例如,复合肥料的生产过程中包含多个阶段,每个阶段的影响因素各不相同,数据的分布范围之间的差异较大,往往会对数据的提取造成影响。
发明内容
本发明提供一种复合肥料生产过程数据提取系统及处理方法,该方法能够提取复合肥料生产过程中影响成本的比较重要的数据,降低数据处理的复杂度。
第一方面,本申请提供一种复合肥料生产过程数据处理方法,包括:
采集n种生产原料在m个周期的平均单价,进而得到数据分析矩阵,所述数据分析矩阵的每一行数据序列表示一种生产原料在m个周期的平均单价;
基于所述数据分析矩阵,计算每一种生产原料的期望成本;
如果当前生产原料的期望成本与实际成本之间的差值大于预设值,则获取所述生产原料的生产用量以及价格信息。
在一可选实施例中,基于所述数据分析矩阵,计算每一种生产原料的期望成本,包括:
计算每一种生产原料的优先选择指数,以及计算每一种生产原料的价格波动趋势;
基于每一种生产原料的优先选择指数和价格波动趋势确定每一生产原料的期望成本。
在一可选实施例中,计算每一种生产原料的优先选择指数,包括:
基于所述数据分析矩阵中每一行数据序列的价格波动程度指数以及每一种生产原料的标准平均价格计算每一种生产原料的优先选择指数;
其中,每一种生产原料的标准平均价格为该生产原料在m个周期的平均单价之和除以m个周期后所得;所述价格波动程度指数与所述标准平均价格与所述优先选择指数呈负相关。
在一可选实施例中,所述方法还包括:
确定所述数据分析矩阵中每一行数据序列对应的极大值集合和极小值集合;
基于所述极大值集合中极大值和极小值集合中极小值的欧式距离计算所述数据分析矩阵中每一行数据序列的价格波动程度指数。
在一可选实施例中,确定所述数据分析矩阵中每一行数据序列对应的极大值集合和极小值集合,包括:
利用最小二乘非线性拟合算法对每一行数据序列进行拟合,得到所述数据序列对应的拟合函数;
计算拟合函数的极值点,得到极值点集合;
计算所述极值点集合中的极值点的二阶导数值,将二阶导数值大于0的极值点作为极小值,进而得到极小值集合,将二阶导数值小于0的极值点作为极大值,进而得到极大值集合;
基于所述极大值集合中极大值和极小值集合中极小值的欧式距离计算所述数据分析矩阵中每一行数据序列的价格波动程度指数,包括:
利用如下公式计算每一行数据序列的价格波动程度指数:
式子中,为归一化函数,表示极大值集合中极大值的数目,表示极小值
集合中极小值的数目,为欧式距离函数,表示极大值集合中第j个极大值,表示极
小值集合中第c个极小值,表示第i行数据序列的价格波动程度指数。
在一可选实施例中,计算每一种生产原料的价格波动趋势,包括:
基于每一行数据序列的突变点与每一行数据序列中每一数据点的斜率以及每一行数据序列中突变点的数目计算每一种生产原料的价格波动趋势。
在一可选实施例中,所述方法包括:利用启发式分割算法确定每一行数据序列的突变点;
计算每一行数据序列的拟合函数的一阶导数,进而得到数据序列对应的拟合函数中每一数据点的斜率,每一数据点的斜率表示对应的生产原料价格波动趋势的快慢;
基于每一行数据序列的突变点与每一行数据序列中每一数据点的斜率以及每一行数据序列中突变点的数目计算每一种生产原料的价格波动趋势,包括:
其中,表示第i种生产原料的价格波动趋势,f表示数据序列中突变点的数目,h
表示拟合函数中数据点的数目,为归一化函数,表示拟合函数中第t个数据点的
斜率,和分别表示第i行数据序列中第个突变点和第个突变点。
在一可选实施例中,基于每一种生产原料的优先选择指数和价格波动趋势确定每一生产原料的期望成本,包括:
计算每一种生产原料的优先选择指数和价格波动趋势之间的比值,并对比值进行归一化,得到第一结果;
计算所述第一结果、第i种生产原料的生产用量和第i种生产原料的标准平均单价之间的乘积,将计算得到的乘积作为生产原料的期望成本。
在一可选实施例中,所述方法还包括:
基于所述价格信息和所述生产用量选择备用生产原料替换当前生产原料,其中,备用生产原料的期望成本与实际成本之间的差值小于等于预设值。
第二方面,本申请还提供一种复合肥料生产过程数据提取系统,包括:
数据采集模块,用于采集n种生产原料在m个周期的平均单价,进而得到数据分析矩阵,所述数据分析矩阵的每一行数据序列表示一种生产原料在m个周期的平均单价;
数据分析模块,用于基于所述数据分析矩阵,计算每一种生产原料的期望成本;
数据提取模块,如果当前生产原料的期望成本与实际成本之间的差值大于预设值,则获取所述生产原料的生产用量以及价格信息。
本申请的有益效果,区别于现有技术,本申请的复合肥料生产过程数据提取系统及处理方法,包括采集n种生产原料在m个周期的平均单价,进而得到数据分析矩阵,所述数据分析矩阵的每一行数据序列表示一种生产原料在m个周期的平均单价;基于所述数据分析矩阵,计算每一种生产原料的期望成本;如果当前生产原料的期望成本与实际成本之间的差值大于预设值,则获取所述生产原料的生产用量以及价格信息。以此能够提取到复合肥料生产过程中影响成本的生产原料的相关数据,有利于成本的把控,并且降低了数据处理的复杂度。
附图说明
图1为本发明复合肥料生产过程数据处理方法的一实施例的流程示意图;
图2为本发明复合肥料生产过程数据提取系统的一实施例的结构示意图。
具体实施方式
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,所描述的实施例仅是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
当复合肥料生产过程中原料用量不合理时,会降低复合肥料的质量,并且会使复合肥料生产的无效成本增加。本申请能够提取到复合肥料生产过程中影响成本的生产原料的相关数据,有利于成本的把控,并且降低了数据处理的复杂度。下面结合附图和实施例对本申请进行详细的说明。
请参见图1,图1为本发明复合肥料生产过程数据处理方法的一实施例的流程示意图,具体包括:
步骤S11:采集n种生产原料在m个周期的平均单价,进而得到数据分析矩阵,所述数据分析矩阵的每一行数据序列表示一种生产原料在m个周期的平均单价。
通过复合肥料生产过程中的数据管理平台,对相应的多维基础数据进行采集,进而提取重要的数据参数。具体的,根据复合肥料生产过程中数据平台,收集复合肥料中的氮源、磷源以及钾源的信息数据,其中氮源信息数据包括尿素、氯化铵以及硝酸铵的用量;磷源信息数据包括磷酸一铵、过磷酸钾以及钙镁磷肥的用量;钾源信息数据包括磷酸钾以及氯化钾的用量。另外,从数据平台上收集上述生产原料每周的平均单价,生产原料的个数为8,即n=8,分别为:尿素、氯化铵、硝酸铵、磷酸一铵、过磷酸钾、钙镁磷肥、磷酸钾以及氯化钾。
本发明中每种生产原料连续采集30个周期即m=30的平均单价,实施者可以根据实际情况自行选取。其中,一个周期为一周(即7天)。
在复合肥料的生产中,需要考虑多种问题,选择原料保证复合肥料质量的同时,需要考虑降低生产成本,这些都是生产过程中需要解决的问题。由于原料的单价存在市场波动,生产成本往往存在生产波动。为了使生产成本在某一水平,可以选择价格波动较小的生产原料,因为价格波动较小,说明生产原料的价格稳定性越强,则越有利于管控生产成本。
基于上述的分析,根据收集到的平均单价基础数据,建立数据分析矩阵,所述的数
据分析矩阵,即:
式子中,表示第n种生产原料第m周的平均单价,数据分析矩阵A中每一行数据
序列表示某一种生产原料的在m周的平均单价序列,以便后续对复合肥料的生产成本进行
控制。
步骤S12:基于所述数据分析矩阵,计算每一种生产原料的期望成本。
具体的,请结合图2,步骤S12具体包括:
步骤S21:计算每一种生产原料的优先选择指数,以及计算每一种生产原料的价格波动趋势。
市场上生产原料的价格存在波动,由于每种生产原料的价格波动规律不同,本发明将对不同生产原料的平均单价序列进行分析。对价格波动幅度较大的生产原料,选择这种生产原料进行复合肥料的生产,在价格波动曲线的峰值,有较大的可能会超过预期的生产成本。由此,需要分析每种生产原料的价格波动幅度。
首先,介绍每一种生产原料的优先选择指数的计算方式。在一实施例中,基于所述
数据分析矩阵中每一行数据序列的价格波动程度指数以及每一种生产原料的标准平均价
格计算每一种生产原料的优先选择指数。其中,所述价格波动程度指数与所述标准平均价
格与所述优先选择指数呈负相关。即价格波动程度指数越大,说明其代表的生产原料的
价格波动幅度越大,选择这种生产原料时生产成本过高的可能性越大,则优先选择指数
越小。同时,第i种生产原料的标准平均价格越高,由于生产原料存在较高的替代性,则优先
选择指数越小。
在一实施例中,每一种生产原料的优先选择指数的计算方式为:
其中,Di为第i种生产原料的优先选择指数,表示第i行数据序列的价格波动程
度指数,表示第i种生产原料的标准平均价格。
需要说明的是,每一种生产原料的标准平均价格为该生产原料在m个周期的平均单价之和除以m个周期后所得。具体为:
其中,表示数据分析矩阵中第i行数据序列中第k个平均单价,表示第i行数
据序列中平均单价的数量,即数据分析矩阵的列数。
在一实施例中,需要进一步确定所述数据分析矩阵中每一行数据序列对应的极大
值集合和极小值集合。具体的,利用最小二乘非线性拟合算法对每一行数据序列进行拟合,
得到所述数据序列对应的拟合函数,记为;计算拟合函数的极值点,例如令
,得到极值点集合。计算所述极值点集合中的极值点的二阶导数值,将二阶导数值大于0的
极值点作为极小值,进而得到极小值集合,将二阶导数值小于0的极值点作为极大值,进而
得到极大值集合。
基于所述极大值集合中极大值和极小值集合中极小值的欧式距离计算所述数据分析矩阵中每一行数据序列的价格波动程度指数。在一具体实施例中,利用如下公式计算每一行数据序列的价格波动程度指数:
式子中,为归一化函数,表示极大值集合中极大值的数目,表示极小值
集合中极小值的数目,为欧式距离函数,表示极大值集合中第j个极大值,表示极
小值集合中第c个极小值,表示第i行数据序列的价格波动程度指数。
上述公式中,通过衡量平均单价序列即每一行数据序列的拟合函数中极大值与极
小值之间的欧氏距离,来反映价格波动的程度。市场中生产原料存在价格波动属于正常现
象,价格波动程度指数主要反映价格波动偏离平均价格的程度。极大值与极小值之间的
欧氏距离越大,说明价格波动偏离平均水平的程度越大,则价格波动程度指数越大。
对于价格波动程度指数较大的生产原料,生产过程中需要注意用量,因为复合肥
料的生产需要根据市场的需求,在市场上复合肥料的需求量较大时,价格波动程度指数
较大的生产原料的单价往往是价格波动的峰值,此时选择这种原料进行生产复合肥料往往
会导致生产成本过高。
另外,对于不同的生产原料,即氮源、磷源以及钾源,有不同的标准平均价格。而对
标准平均价格较高的生产原料,选择时应做充分的考虑,这是因为复合肥料中的养分主要
是氮、磷、钾这三种元素,生产原料有较高的替代性,如磷源中,过磷酸钙的标准平均价格过
高时,可以选择标准平均价格较低的磷酸一铵来代替。由此,基于上述的分析,考虑到生产
原料的标准平均价格,同时结合价格波动程度指数,计算每种生产原料的优先选择指
数。生产原料的优先选择指数的计算方式上述已经介绍,在此不再赘述。
在计算得到每种生产原料的优先选择指数后,进一步计算每一种生产原料的价
格波动趋势。生产原料的价格波动曲线中,由于不同生产原料的市场不同,会存在异常情况
的发生。平均单价序列有较大的可能会出现突变点,某种生产原料的平均单价序列中有较
多的突变点,一定程度上说明该生产原料在市场价格上的异常波动现象较多,选择该原料
作为复合肥料的生产原料时生产成本波动频率越大,越不利于调整并降低复合肥料的生产
成本。因此,利用启发式分割算法(BG算法)确定每一行数据序列的突变点。同时,计算每一
行数据序列的拟合函数的一阶导数,进而得到数据序列对应的拟合函数中每一数据点的斜
率,每一数据点的斜率表示对应的生产原料价格波动趋势的快慢。生产原料价格波动趋势
较大的,选择该原料作为复合肥料的生产原料时生产成本波动趋势较快,不利于调整并降
低复合肥料的生产成本。
基于每一行数据序列的突变点与每一行数据序列中每一数据点的斜率以及每一行数据序列中突变点的数目计算每一种生产原料的价格波动趋势。在一实施例中,每一种生产原料的价格波动趋势的计算方式为:
其中,表示第i种生产原料的价格波动趋势,f表示数据序列中突变点的数目,h
表示拟合函数中数据点的数目,为归一化函数,表示拟合函数中第t个数据点的
斜率,和分别表示第i行数据序列中第个突变点和第个突变点。
可以理解的,每一行数据序列中的突变点数目越大,且相邻两个突变点之间的位
置距离越小,说明这种生产原料的价格稳定性越弱,且波动频率越大,则价格
波动趋势越大。同时,拟合函数中的平均归一化斜率越大,反映了该生产原
料价格波动趋势越快,则价格波动趋势越大。
步骤S22:基于每一种生产原料的优先选择指数和价格波动趋势确定每一生产原料的期望成本。
具体的,计算每一种生产原料的优先选择指数和价格波动趋势之间的比值
,并对比值进行归一化,得到第一结果;计算所述第一结果、第i种生产原料的
生产用量和第i种生产原料的标准平均单价之间的乘积,将计算得到的乘积作为生产
原料的期望成本。
在一具体实施例中,期望成本的计算方式为:
式子中,为归一化函数,表示第i种生产原料的优先选择指数,表示第i
种生产原料的价格波动趋势,表示第i种生产原料的生产用量,表示第i种生产原料的
标准平均单价,表示第i种生产原料的期望成本。
至此,通过考虑复合肥料生产中的生产原料的价格波动情况,得到每种生产原料的期望成本。但是,生产复合肥料过程中,不同的生产原料的用量不同,实际成本可能高出期望成本许多,不利于管控复合肥料的生产成本。
步骤S13:如果当前生产原料的期望成本与实际成本之间的差值大于预设值,则获取所述生产原料的生产用量以及价格信息。
根据得到的生产原料的期望成本,输入到数据提取模块,通过计算实际成本与期望成本之差,设置判断阈值即预设值为300,当实际成本与期望成本之间的差值大于300,将此生产原料的生产用量以及价格信息数据提取出来。
在本申请的一实施例中,将严重影响成本的生产原料的生产用量以及价格信息数据提取出来,可以基于所述价格信息和所述生产用量选择备用生产原料替换当前生产原料,其中,备用生产原料的期望成本与实际成本之间的差值小于等于预设值。以此可以准确的选择其他替代原料对影响生产成本的原料进行替换,以此达到保证复合肥料生产质量的同时,降低生产成本。
本申请的复合肥料生产过程数据处理方法,根据生产原料的价格波动程度,同时结合每种生产原料的标准平均价格,得到每种生产原料的优先选择指数。同时,根据生产原料的价格变化规律,得到价格波动趋势。由此,得到每种生产原料的期望成本。期望成本中考虑了价格变动的现象,其有益效果在于使生产原料波动较大得到的预期成本较小,而其实际生产用料较大且价格变动较大的实际成本仍然较大,二者之间形成对比,能够更加准确快速地提取到价格波动较大且用量较大的生产原料,即影响生产总成本的主要影响因素,以此解决了降低复合肥料生产过程数据的复杂度,进一步的,还可以对影响生产成本的原料进行替换,以此达到保证复合肥料生产质量的同时,降低生产成本。
请参见图2,图2为本发明复合肥料生产过程数据提取系统的一实施例的结构示意图,本实施例的复合肥料生产过程数据提取系统能够实现上述图1所示的复合肥料生产过程数据处理方法,具体在此不再赘述。本实施例的复合肥料生产过程数据提取系统具体包括:数据采集模块21、数据分析模块22以及数据提取模块23。
其中,数据采集模块21用于采集n种生产原料在m个周期的平均单价,进而得到数据分析矩阵,所述数据分析矩阵的每一行数据序列表示一种生产原料在m个周期的平均单价。数据分析模块22用于基于所述数据分析矩阵,计算每一种生产原料的期望成本。数据提取模块23如果当前生产原料的期望成本与实际成本之间的差值大于预设值,则获取所述生产原料的生产用量以及价格信息。
以上仅为本申请的实施方式,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (3)
1.一种复合肥料生产过程数据处理方法,其特征在于,包括:
采集n种生产原料在m个周期的平均单价,进而得到数据分析矩阵,所述数据分析矩阵的每一行数据序列表示一种生产原料在m个周期的平均单价;
基于所述数据分析矩阵,计算每一种生产原料的期望成本;
如果当前生产原料的期望成本与实际成本之间的差值大于预设值,则获取所述生产原料的生产用量以及价格信息;
基于所述数据分析矩阵,计算每一种生产原料的期望成本,包括:
计算每一种生产原料的优先选择指数,以及计算每一种生产原料的价格波动趋势;
基于每一种生产原料的优先选择指数和价格波动趋势确定每一生产原料的期望成本;
计算每一种生产原料的优先选择指数,包括:
基于所述数据分析矩阵中每一行数据序列的价格波动程度指数以及每一种生产原料的标准平均价格计算每一种生产原料的优先选择指数;
其中,每一种生产原料的标准平均价格为该生产原料在m个周期的平均单价之和除以m个周期后所得;所述价格波动程度指数与所述标准平均价格与所述优先选择指数呈负相关;
所述价格波动程度指数的获取方法包括:
确定所述数据分析矩阵中每一行数据序列对应的极大值集合和极小值集合;
基于所述极大值集合中极大值和极小值集合中极小值的欧式距离计算所述数据分析矩阵中每一行数据序列的价格波动程度指数;
确定所述数据分析矩阵中每一行数据序列对应的极大值集合和极小值集合,包括:
利用最小二乘非线性拟合算法对每一行数据序列进行拟合,得到所述数据序列对应的拟合函数;
计算拟合函数的极值点,得到极值点集合;
计算所述极值点集合中的极值点的二阶导数值,将二阶导数值大于0的极值点作为极小值,进而得到极小值集合,将二阶导数值小于0的极值点作为极大值,进而得到极大值集合;
基于所述极大值集合中极大值和极小值集合中极小值的欧式距离计算所述数据分析矩阵中每一行数据序列的价格波动程度指数,包括:
利用如下公式计算每一行数据序列的价格波动程度指数:
式子中,为归一化函数,/>表示极大值集合中极大值的数目,/>表示极小值集合中极小值的数目,/>为欧式距离函数,/>表示极大值集合中第j个极大值,/>表示极小值集合中第c个极小值,/>表示第i行数据序列的价格波动程度指数;
计算每一种生产原料的价格波动趋势,包括:
基于每一行数据序列的突变点与每一行数据序列中每一数据点的斜率以及每一行数据序列中突变点的数目计算每一种生产原料的价格波动趋势;
所述价格波动趋势的获取方法包括:
利用启发式分割算法确定每一行数据序列的突变点;
计算每一行数据序列的拟合函数的一阶导数,进而得到数据序列对应的拟合函数中每一数据点的斜率,每一数据点的斜率表示对应的生产原料价格波动趋势的快慢;
基于每一行数据序列的突变点与每一行数据序列中每一数据点的斜率以及每一行数据序列中突变点的数目计算每一种生产原料的价格波动趋势,包括:
其中,表示第i种生产原料的价格波动趋势,f表示数据序列中突变点的数目,h表示拟合函数中数据点的数目,/>为归一化函数,/>表示拟合函数中第t个数据点的斜率,/>和/>分别表示第i行数据序列中第/>个突变点和第/>个突变点;
基于每一种生产原料的优先选择指数和价格波动趋势确定每一生产原料的期望成本,包括:
计算每一种生产原料的优先选择指数和价格波动趋势之间的比值,并对比值进行归一化,得到第一结果;
计算所述第一结果、第i种生产原料的生产用量和第i种生产原料的标准平均单价之间的乘积,将计算得到的乘积作为生产原料的期望成本;
每一种生产原料的优先选择指数的计算公式为:
其中,Di为第i种生产原料的优先选择指数,表示第i行数据序列的价格波动程度指数,/>表示第i种生产原料的标准平均价格,/>为自然常数。
2.根据权利要求1所述的一种复合肥料生产过程数据处理方法,其特征在于,所述方法还包括:
基于所述价格信息和所述生产用量选择备用生产原料替换当前生产原料,其中,备用生产原料的期望成本与实际成本之间的差值小于等于预设值。
3.一种复合肥料生产过程数据提取系统,其特征在于,包括:
数据采集模块,用于采集n种生产原料在m个周期的平均单价,进而得到数据分析矩阵,所述数据分析矩阵的每一行数据序列表示一种生产原料在m个周期的平均单价;
数据分析模块,用于基于所述数据分析矩阵,计算每一种生产原料的期望成本;
基于所述数据分析矩阵,计算每一种生产原料的期望成本,包括:
计算每一种生产原料的优先选择指数,以及计算每一种生产原料的价格波动趋势;
基于每一种生产原料的优先选择指数和价格波动趋势确定每一生产原料的期望成本;
计算每一种生产原料的优先选择指数,包括:
基于所述数据分析矩阵中每一行数据序列的价格波动程度指数以及每一种生产原料的标准平均价格计算每一种生产原料的优先选择指数;
其中,每一种生产原料的标准平均价格为该生产原料在m个周期的平均单价之和除以m个周期后所得;所述价格波动程度指数与所述标准平均价格与所述优先选择指数呈负相关;
所述价格波动程度指数的获取方法包括:
确定所述数据分析矩阵中每一行数据序列对应的极大值集合和极小值集合;
基于所述极大值集合中极大值和极小值集合中极小值的欧式距离计算所述数据分析矩阵中每一行数据序列的价格波动程度指数;
确定所述数据分析矩阵中每一行数据序列对应的极大值集合和极小值集合,包括:
利用最小二乘非线性拟合算法对每一行数据序列进行拟合,得到所述数据序列对应的拟合函数;
计算拟合函数的极值点,得到极值点集合;
计算所述极值点集合中的极值点的二阶导数值,将二阶导数值大于0的极值点作为极小值,进而得到极小值集合,将二阶导数值小于0的极值点作为极大值,进而得到极大值集合;
基于所述极大值集合中极大值和极小值集合中极小值的欧式距离计算所述数据分析矩阵中每一行数据序列的价格波动程度指数,包括:
利用如下公式计算每一行数据序列的价格波动程度指数:
式子中,为归一化函数,/>表示极大值集合中极大值的数目,/>表示极小值集合中极小值的数目,/>为欧式距离函数,/>表示极大值集合中第j个极大值,/>表示极小值集合中第c个极小值,/>表示第i行数据序列的价格波动程度指数;
计算每一种生产原料的价格波动趋势,包括:
基于每一行数据序列的突变点与每一行数据序列中每一数据点的斜率以及每一行数据序列中突变点的数目计算每一种生产原料的价格波动趋势;
所述价格波动趋势的获取方法包括:
利用启发式分割算法确定每一行数据序列的突变点;
计算每一行数据序列的拟合函数的一阶导数,进而得到数据序列对应的拟合函数中每一数据点的斜率,每一数据点的斜率表示对应的生产原料价格波动趋势的快慢;
基于每一行数据序列的突变点与每一行数据序列中每一数据点的斜率以及每一行数据序列中突变点的数目计算每一种生产原料的价格波动趋势,包括:
其中,表示第i种生产原料的价格波动趋势,f表示数据序列中突变点的数目,h表示拟合函数中数据点的数目,/>为归一化函数,/>表示拟合函数中第t个数据点的斜率,/>和/>分别表示第i行数据序列中第/>个突变点和第/>个突变点;
基于每一种生产原料的优先选择指数和价格波动趋势确定每一生产原料的期望成本,包括:
计算每一种生产原料的优先选择指数和价格波动趋势之间的比值,并对比值进行归一化,得到第一结果;
计算所述第一结果、第i种生产原料的生产用量和第i种生产原料的标准平均单价之间的乘积,将计算得到的乘积作为生产原料的期望成本;
每一种生产原料的优先选择指数的计算公式为:
其中,Di为第i种生产原料的优先选择指数,表示第i行数据序列的价格波动程度指数,/>表示第i种生产原料的标准平均价格,/>为自然常数;
数据提取模块,如果当前生产原料的期望成本与实际成本之间的差值大于预设值,则获取所述生产原料的生产用量以及价格信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310903927.5A CN116629913B (zh) | 2023-07-24 | 2023-07-24 | 一种复合肥料生产过程数据提取系统及处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310903927.5A CN116629913B (zh) | 2023-07-24 | 2023-07-24 | 一种复合肥料生产过程数据提取系统及处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116629913A CN116629913A (zh) | 2023-08-22 |
CN116629913B true CN116629913B (zh) | 2023-10-03 |
Family
ID=87602989
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310903927.5A Active CN116629913B (zh) | 2023-07-24 | 2023-07-24 | 一种复合肥料生产过程数据提取系统及处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116629913B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102024189A (zh) * | 2009-09-15 | 2011-04-20 | 元智大学 | 制造成本分析系统 |
CN109086942A (zh) * | 2018-08-23 | 2018-12-25 | 孟水强 | 一种对生产用的原料及经济供需关系的分析预测方法 |
WO2019200786A1 (zh) * | 2018-04-18 | 2019-10-24 | 平安科技(深圳)有限公司 | 舆情数据预测方法、装置、终端及存储介质 |
CN110727917A (zh) * | 2019-09-04 | 2020-01-24 | 攀钢集团攀枝花钢铁研究院有限公司 | 一种钒钛磁铁精矿高炉冶炼配加进口矿及其临界单价分析方法 |
CN111461406A (zh) * | 2020-03-10 | 2020-07-28 | 华东理工大学 | 一种基于混合建模的乙烯生产原料优化方法 |
KR20220030820A (ko) * | 2020-09-03 | 2022-03-11 | 한국식품연구원 | 벼의 품질과 수율에 기반한 초기품질지수 산출 시스템 및 방법 |
CN114202174A (zh) * | 2021-11-24 | 2022-03-18 | 国网浙江省电力有限公司湖州供电公司 | 一种电价风险等级预警方法、装置及存储介质 |
CN114549096A (zh) * | 2022-04-28 | 2022-05-27 | 南京绿色科技研究院有限公司 | 一种农产品价格风险预警系统及方法 |
CN115860510A (zh) * | 2022-10-31 | 2023-03-28 | 浙江淏瀚信息科技有限公司 | 一种基于大数据的生产效率分析评估方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8266005B2 (en) * | 2003-01-17 | 2012-09-11 | Uniloc Luxembourg | Automated pricing system |
-
2023
- 2023-07-24 CN CN202310903927.5A patent/CN116629913B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102024189A (zh) * | 2009-09-15 | 2011-04-20 | 元智大学 | 制造成本分析系统 |
WO2019200786A1 (zh) * | 2018-04-18 | 2019-10-24 | 平安科技(深圳)有限公司 | 舆情数据预测方法、装置、终端及存储介质 |
CN109086942A (zh) * | 2018-08-23 | 2018-12-25 | 孟水强 | 一种对生产用的原料及经济供需关系的分析预测方法 |
CN110727917A (zh) * | 2019-09-04 | 2020-01-24 | 攀钢集团攀枝花钢铁研究院有限公司 | 一种钒钛磁铁精矿高炉冶炼配加进口矿及其临界单价分析方法 |
CN111461406A (zh) * | 2020-03-10 | 2020-07-28 | 华东理工大学 | 一种基于混合建模的乙烯生产原料优化方法 |
KR20220030820A (ko) * | 2020-09-03 | 2022-03-11 | 한국식품연구원 | 벼의 품질과 수율에 기반한 초기품질지수 산출 시스템 및 방법 |
CN114202174A (zh) * | 2021-11-24 | 2022-03-18 | 国网浙江省电力有限公司湖州供电公司 | 一种电价风险等级预警方法、装置及存储介质 |
CN114549096A (zh) * | 2022-04-28 | 2022-05-27 | 南京绿色科技研究院有限公司 | 一种农产品价格风险预警系统及方法 |
CN115860510A (zh) * | 2022-10-31 | 2023-03-28 | 浙江淏瀚信息科技有限公司 | 一种基于大数据的生产效率分析评估方法 |
Non-Patent Citations (2)
Title |
---|
DETECTION OF STOP CONSONANTS WITH THE WAVELET TRANSFORM;F. Malbos等;《Conference Paper》;第612-615页 * |
常规能源国际贸易网络演化特征研究;蒋培祥等;《复杂系统与复杂性科学》;第18卷(第4期);第66-73页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116629913A (zh) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CHE et al. | Review grain yield and nitrogen use efficiency in rice production regions in China | |
CN113269374B (zh) | 基于优化光谱指数的玉米生长季氮肥施用方法 | |
CN116629913B (zh) | 一种复合肥料生产过程数据提取系统及处理方法 | |
CN110929917A (zh) | 一种农业土地作物最优化管理系统 | |
CN114391351A (zh) | 变量施肥决策方法及装置 | |
CN117313017B (zh) | 一种彩叶研发数据处理方法及系统 | |
CN109063893B (zh) | 一种动态收获指数与净初级生产力结合的水稻单产估测方法 | |
Velayutham et al. | The'Law of Optimum'and its application for realizing targeted yields in India-a mini-review. | |
CN113393277B (zh) | 一种基于大数据的农产品市场数据分析系统 | |
Anderson | The economic growth of seventeenth-century New England: a measurement of regional income | |
Ali et al. | Estimation of total factor productivity growth of major grain crops in Pakistan: 1972-2013 | |
Whan et al. | Scheduling sugar cane plant and ratoon crops and a fallow—a constrained Markov model | |
Bhopale et al. | Performance of Cost and Prices of Soybean in Vidarbha | |
Florek et al. | Biological benefits from growing legume crops in the context of protecting production factors | |
CN116897670B (zh) | 作物施肥方法、装置、电子设备和存储介质 | |
Sun et al. | Study on the influencing factors of wheat import trade in China | |
Sun et al. | Analysis on the change of total factor productivity of wheat in China and its influencing factors | |
Wang et al. | Non-neutral technology, farmer income and poverty reduction: Evidence from high-value agricultural household in China | |
CN114451118B (zh) | 一种基于无人机的水稻均匀施穗肥方法 | |
CN115049436A (zh) | 基于物联网的智慧农业数据处理方法、系统、终端及介质 | |
Sethanan et al. | Sugarcane harvest scheduling for maximizing total sugar yield | |
Khristenko et al. | Diagnostics for potassium status of soils of Ukraine | |
Al-Maktoum | Economic efficiency of broad bean crop production during the 2017 Agriculture season | |
Rahman Mohammed Al-Maktoum | Economic Efficiency of Broad Bean Crop Production During The 2017 Agricultural Season | |
Maitah et al. | Economic analysis of olive oil production costs as influenced by farm size in syrian coastal region |
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 |