CN116661402B - 一种化工材料的生产管控方法及系统 - Google Patents
一种化工材料的生产管控方法及系统 Download PDFInfo
- Publication number
- CN116661402B CN116661402B CN202310930568.2A CN202310930568A CN116661402B CN 116661402 B CN116661402 B CN 116661402B CN 202310930568 A CN202310930568 A CN 202310930568A CN 116661402 B CN116661402 B CN 116661402B
- Authority
- CN
- China
- Prior art keywords
- preset
- molecular structure
- mapping
- synthesis
- training
- 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
- 239000000463 material Substances 0.000 title claims abstract description 41
- 239000000126 substance Substances 0.000 title claims abstract description 40
- 238000000195 production control method Methods 0.000 title claims abstract description 13
- 238000013507 mapping Methods 0.000 claims abstract description 171
- 238000000034 method Methods 0.000 claims abstract description 138
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 117
- 230000008569 process Effects 0.000 claims abstract description 117
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 117
- 238000004519 manufacturing process Methods 0.000 claims abstract description 90
- 239000002994 raw material Substances 0.000 claims abstract description 85
- 238000005457 optimization Methods 0.000 claims abstract description 82
- 238000012795 verification Methods 0.000 claims abstract description 62
- OINTXXMBRBLMHH-UHFFFAOYSA-N 1-(chloromethyl)-3,5-bis(trifluoromethyl)benzene Chemical compound FC(F)(F)C1=CC(CCl)=CC(C(F)(F)F)=C1 OINTXXMBRBLMHH-UHFFFAOYSA-N 0.000 claims abstract description 46
- 238000004458 analytical method Methods 0.000 claims abstract description 20
- 230000005856 abnormality Effects 0.000 claims abstract description 3
- 238000012549 training Methods 0.000 claims description 96
- 230000002159 abnormal effect Effects 0.000 claims description 20
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 238000012512 characterization method Methods 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 5
- 230000008030 elimination Effects 0.000 claims description 4
- 238000003379 elimination reaction Methods 0.000 claims description 4
- 230000035945 sensitivity Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 239000002131 composite material Substances 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 239000003153 chemical reaction reagent Substances 0.000 description 3
- 230000004075 alteration Effects 0.000 description 1
- 239000003054 catalyst Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Automation & Control Theory (AREA)
- Quality & Reliability (AREA)
- Manufacturing & Machinery (AREA)
- Organic Low-Molecular-Weight Compounds And Preparation Thereof (AREA)
Abstract
本发明公开了一种化工材料的生产管控方法及系统,涉及生产控制技术领域,该方法包括:获取3,5‑双三氟甲基苄基氯的预置合成工艺;将预置原料信息和预置控制参数输入分子结构映射模型,获取分子结构映射结果;判断分子结构映射结果是否满足分子期望结构;当不满足时,对预置原料信息和/或预置控制参数进行调整,获取合成优化工艺;基于大数据,对合成优化工艺进行异常分析,获取异常校验结果;当异常校验结果包括校验通过信号时,基于合成优化工艺进行3,5‑双三氟甲基苄基氯的生产控制。本发明解决了现有技术中化工材料生产过程缺乏可靠的预先参数分析,生产管控效率低的技术问题,达到了提升管控质量和管控效率的技术效果。
Description
技术领域
本发明涉及生产控制技术领域,具体涉及一种化工材料的生产管控方法及系统。
背景技术
由于化学反应的复杂性,化工材料的生产过程管控质量与化工材料的生产质量息息相关。目前,主要依靠各个生产厂家对化工材料在过去的生产数据中的内容,对需要生产的化工材料进行生产参数设定,然后进行样品生产,根据样本生产结果对生产参数进行反馈修正,反馈周期过长。也有利用神经网络进行智能化的参数设定,但是由于神经网络的生成需要大量训练数据,且训练的结果可靠性低,输出结果与真实值差距较大。现有技术中化工材料生产过程缺乏可靠的预先参数分析,生产管控效率低的技术问题。
发明内容
本申请提供了一种化工材料的生产管控方法及系统,用于针对解决现有技术中化工材料生产过程缺乏可靠的预先参数分析,生产管控效率低的技术问题。
鉴于上述问题,本申请提供了一种化工材料的生产管控方法及系统。
本申请的第一个方面,提供了一种化工材料的生产管控方法,其中,应用于化工材料的生产管控系统,所述系统和3,5-双三氟甲基苄基氯合成装置通信连接,包括:
获取3,5-双三氟甲基苄基氯的预置合成工艺,其中,所述预置合成工艺包括预置原料信息和预置控制参数;
将所述预置原料信息和所述预置控制参数输入分子结构映射模型,获取分子结构映射结果;
判断所述分子结构映射结果是否满足分子期望结构;
当所述分子结构映射结果不满足所述分子期望结构时,对所述预置原料信息和/或所述预置控制参数进行调整,获取合成优化工艺,其中,合成优化工艺结构映射结果满足所述分子期望结构;
基于大数据,对所述合成优化工艺进行异常分析,获取异常校验结果;
当所述异常校验结果包括校验通过信号时,基于所述合成优化工艺进行所述3,5-双三氟甲基苄基氯的生产控制。
本申请的第二个方面,提供了一种化工材料的生产管控系统,所述系统包括:
合成工艺获得模块,所述合成工艺获得模块用于获取3,5-双三氟甲基苄基氯的预置合成工艺,其中,所述预置合成工艺包括预置原料信息和预置控制参数;
映射结果获得模块,所述映射结果获得模块用于将所述预置原料信息和所述预置控制参数输入分子结构映射模型,获取分子结构映射结果;
映射结果判断模块,所述映射结果判断模块用于判断所述分子结构映射结果是否满足分子期望结构;
优化工艺获得模块,所述优化工艺获得模块用于当所述分子结构映射结果不满足所述分子期望结构时,对所述预置原料信息和/或所述预置控制参数进行调整,获取合成优化工艺,其中,合成优化工艺结构映射结果满足所述分子期望结构;
校验结果获得模块,所述校验结果获得模块用于基于大数据,对所述合成优化工艺进行异常分析,获取异常校验结果;
生产控制模块,所述生产控制模块用于当所述异常校验结果包括校验通过信号时,基于所述合成优化工艺进行所述3,5-双三氟甲基苄基氯的生产控制。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请通过获取3,5-双三氟甲基苄基氯的预置合成工艺,其中,预置合成工艺包括预置原料信息和预置控制参数;将预置原料信息和预置控制参数输入分子结构映射模型,获取分子结构映射结果然后判断分子结构映射结果是否满足分子期望结构,当分子结构映射结果不满足分子期望结构时,对预置原料信息和/或预置控制参数进行调整,获取合成优化工艺,其中,合成优化工艺结构映射结果满足分子期望结构,基于大数据,对合成优化工艺进行异常分析,获取异常校验结果,然后当异常校验结果包括校验通过信号时,基于合成优化工艺进行3,5-双三氟甲基苄基氯的生产控制。现有技术中化工材料生产过程缺乏可靠的预先参数分析,生产管控效率低的技术问题,达到了提升管控质量和管控效率的技术效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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发明的一些实施例,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。
图1为本申请实施例提供的一种化工材料的生产管控方法流程示意图;
图2为本申请实施例提供的一种化工材料的生产管控方法中获取分子结构映射结果的流程示意图;
图3为本申请实施例提供的一种化工材料的生产管控方法中获取合成优化工艺的流程示意图;
图4为本申请实施例提供的一种化工材料的生产管控系统结构示意图。
附图标记说明:合成工艺获得模块11,映射结果获得模块12,映射结果判断模块13,优化工艺获得模块14,校验结果获得模块15,生产控制模块16。
具体实施方式
本申请通过提供了一种化工材料的生产管控方法及系统,用于针对解决现有技术中化工材料生产过程缺乏可靠的预先参数分析,生产管控效率低的技术问题。
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的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。
需要说明的是,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块。
实施例一
如图1所示,本申请提供了一种化工材料的生产管控方法,其中,应用于化工材料的生产管控系统,所述系统和3,5-双三氟甲基苄基氯合成装置通信连接,包括:
步骤S100:获取3,5-双三氟甲基苄基氯的预置合成工艺,其中,所述预置合成工艺包括预置原料信息和预置控制参数;
在本申请的一个实施例中,通过对3,5-双三氟甲基苄基氯的预先合成工艺进行采集,获得预置原料信息和预置控制参数。其中,所述预置原料信息用于对合成3,5-双三氟甲基苄基氯的原料进行采集,其中,所述预置原料信息包括反应试剂类型、催化剂、试剂含量等。所述预置控制参数是由本领域技术人员设定的3,5-双三氟甲基苄基氯在合成制备过程中需要控制的反应参数,包括反应温度、压力、试剂比例、搅拌速度、反应时间等控制参数。通过对3,5-双三氟甲基苄基氯的预置合成工艺进行采集,从而为后续进行3,5-双三氟甲基苄基氯的生产管控提供依据。
步骤S200:将所述预置原料信息和所述预置控制参数输入分子结构映射模型,获取分子结构映射结果;
进一步的,如图2所示,将所述预置原料信息和所述预置控制参数输入分子结构映射模型,获取分子结构映射结果,本申请实施例步骤S200还包括:
步骤S210:构建基团类型映射通道和元素类型映射通道;
步骤S220:根据所述基团类型映射通道和所述元素类型映射通道,构建结构映射通道;
步骤S230:将所述基团类型映射通道和所述元素类型映射通道作为并行节点合并,输出层和所述结构映射通道全连接,获取所述分子结构映射模型;
步骤S240:将所述预置原料信息和所述预置控制参数输入分子结构映射模型,获取所述分子结构映射结果。
在一个可能的实施例中,通过将所述预置原料信息和预置控制参数输入分子结构映射模型中,对根据预置原料信息和预置控制参数生产得到的分子结构进行映射分析,从而对生产过程的管控提供可靠依据。其中,所述分子结构映射模型用于根据3,5-双三氟甲基苄基氯的预设生产条件进行智能化分析,获得分子结构。
具体而言,所述基团类型映射通道是根据预置原料信息和预置控制参数进行生产获得的基团类型进行提取的通道,所述元素类型映射通道是根据预置原料信息和预置控制参数对生产后获得的元素类型进行提取的通道。通过将基团类型映射通道和元素类型映射通道进行并行节点合并,并将输出层与结构映射通道进行全连接,获得所述分子结构映射模型。其中,所述分子结构映射模型的输入数据为预置原料信息和所述预置控制参数,输出数据为分子结构映射结果。所述基团类型映射通道的输入数据为预置原料信息、预置控制参数,输出数据为基团类型数据;所述元素类型映射通道的输入数据为预置原料信息、预置控制参数,输出数据为元素类型数据。所述结构映射层的输入数据为基团类型数据、元素类型数据,输出数据为分子结构映射结果。达到了对分子结构进行智能化映射分析,提高分析效率和准确性的技术效果。
进一步的,本申请实施例步骤S200还包括:
步骤S250:基于信息域,采集所述3,5-双三氟甲基苄基氯的合成记录数据,所述合成记录数据包括原料记录数据、控制参数记录数据、基团类型记录数据、元素类型记录数据和分子结构记录数据;
步骤S260:构建训练损失函数:
,
,
其中,n为评价训练稳定性的训练周期次数,表征第i次训练的损失值,/>表征第i次训练的输出信息,/>表征第i次训练的输出监督信息,/>为预设的离散敏感系数,L表征任意一次满足训练周期次数后的整体损失值;
步骤S270:基于所述训练损失函数,将所述原料记录数据、控制参数记录数据作为BP神经网络的输入数据,将所述基团类型记录数据作为输出监督数据,训练所述基团类型映射通道;
步骤S280:基于所述训练损失函数,将所述原料记录数据、控制参数记录数据作为BP神经网络的输入数据,将所述元素类型记录数据作为输出监督数据,训练所述元素类型映射通道;
步骤S290:基于所述训练损失函数,将所述基团类型记录数据、所述元素类型记录数据作为BP神经网络的输入数据,将所述分子结构记录数据作为输出监督数据,训练所述结构映射通道。
进一步的,所述训练损失函数包括:
当所述训练损失函数用于训练所述基团类型映射通道时:
,
其中,表征第i次训练输出满足/>的数量,/>表征第i次训练的预测的第j个基团类型,/>表征第i次训练的基团类型记录数据的任意一个未比对成功的基团类型,/>为判断/>和/>是否相同的函数,相同输出为1,不同输出为0,且已比对为1的基团类型记录数据的基团类型,不可再次比对;
当所述训练损失函数用于训练所述元素类型映射通道时:
,
其中,表征第i次训练输出满足/>的数量,表征第i次训练的预测的第k个元素类型,/>表征第i次训练的元素类型记录数据的任意一个未比对成功的元素类型,/>为判断/>和/>是否相同的函数,相同输出为1,不同输出为0,且已比对为1的元素类型记录数据的元素类型,不可再次比对;
当所述训练损失函数用于训练所述结构映射通道时:
,
其中,表征第i次训练的基团/>在分子结构记录数据的分布位置,/>表征基团/>的预测分布位置,/>表征第i次训练的元素/>的预测分布位置,/>表征第i次训练的元素/>的记录位置。
在一个实施例中,以3,5-双三氟甲基苄基氯的合成记录为索引,在信息域内进行数据采集,获得合成记录数据,其中,所述合成记录数据包括原料记录数据、控制参数记录数据、基团类型记录数据、元素类型记录数据和分子结构记录数据。所述合成记录数据是对3,5-双三氟甲基苄基氯在历史过程中生产的情况以及获得的分子结构进行描述的数据。所述训练损失函数是用于对模型训练过程中预测值与真实值之间的差异程度进行量化计算的函数。其中,训练损失函数中的为预设的离散敏感系数,/>值越大,对离散的训练数据越敏感,/>值越小,对离散的训练数据越不敏感,只关注整体的训练准确性。在对基团类型映射通道、元素类型映射通道、结构映射通道进行训练时,采用不同的训练损失函数进行计算,从而获得更符合真实情况的映射通道,提升结果的准确性。
具体而言,以原料记录数据和控制参数记录数据作为输入数据,对基于BP神经网络构建的框架进行监督训练,并将基团类型记录数据作为输出监督数据,将输出信息输入训练损失函数中进行计算,计算获得的损失值小于最小预设损失量时,训练完成,获得所述基团类型映射通道。以原料记录数据和控制参数记录数据作为输入数据,对基于BP神经网络构建的框架进行监督训练,并将元素类型记录数据作为输出监督数据,将输出信息输入训练损失函数中进行计算,计算获得的损失值小于最小预设损失量时,训练完成,获得所述元素类型映射通道。将所述基团类型记录数据和所述元素类型记录数据作为输入数据,对基于BP神经网络构建的框架进行监督训练,并将分子结构记录数据作为输出监督数据,将输出信息输入训练损失函数中进行计算,计算获得的损失值小于最小预设损失量时,训练完成,获得所述元素类型映射通道。
步骤S300:判断所述分子结构映射结果是否满足分子期望结构;
步骤S400:当所述分子结构映射结果不满足所述分子期望结构时,对所述预置原料信息和/或所述预置控制参数进行调整,获取合成优化工艺,其中,合成优化工艺结构映射结果满足所述分子期望结构;
进一步的,如图3所示,当所述分子结构映射结果不满足所述分子期望结构时,对所述预置原料信息和/或所述预置控制参数进行调整,获取合成优化工艺,本申请实施例步骤S400还包括:
步骤S410:设定原料调整约束信息和控制参数调整约束信息;
步骤S420:基于所述原料调整约束信息和/或所述控制参数调整约束信息,对所述预置原料信息和/或所述预置控制参数进行随机调整,获取合成工艺一次调整结果;
步骤S430:基于所述分子结构映射模型对所述合成工艺一次调整结果进行映射,获取分子结构一次映射结果;
步骤S440:当所述分子结构一次映射结果满足所述分子期望结构时,将所述合成工艺一次调整结果设为所述合成优化工艺;
步骤S450:当所述分子结构一次映射结果不满足所述分子期望结构时,将所述合成工艺一次调整结果添加进淘汰数据组,对所述预置原料信息和/或所述预置控制参数进行重复调整,获取所述合成优化工艺。
进一步的,本申请实施例步骤S400还包括:当满足预设优化次数时,仍未满足所述分子期望结构,生成优化异常信号,发送至用户终端。
在一个可能的实施例中,将所述分子结构映射结果和分子期望结构进行匹配比对,判断分子结构映射结果是否满足分子期望结构。其中,所述分子期望结构是3,5-双三氟甲基苄基氯对应的分子结构。通过对分子结构映射结果进行判断,可以对预置原料信息和预置控制参数设置是否合适进行判断,从而实现对生产参数进行预先性的校验的目标。
在一个实施例中,当分子结构映射结果满足所述分子期望结构时,表明预置原料信息和预置控制参数设置合理,可以进行化工材料生产。当分子结构映射结果不满足所述分子期望结构时,表明预置原料信息和预置控制参数设置不合理,根据预置原料信息和预置控制参数进行生产不能够满足化工材料的需求。此时,需要对预置原料信息进行调整,或对预置控制参数进行调整,或同时对预置原料信息和预置控制参数进行调整,获得结构映射结果满足所述分子期望结构的合成优化工艺。由此,实现了对化工材料的生产管控更加准确,反馈效率更快的目标。
具体而言,根据需要获得的3,5-双三氟甲基苄基氯生产的原料调整范围和生产条件中各个控制参数的调整范围,与3,5-双三氟甲基苄基氯的生产车间设备的调整范围和原料可以选择的范围进行融合,获得原料调整约束信息和控制参数调整约束信息。其中,所述原料调整约束信息是根据3,5-双三氟甲基苄基氯生产要求和生产车间的原料情况确定的原料调整范围。所述控制参数调整约束信息是根据3,5-双三氟甲基苄基氯的生产条件中控制参数的范围和生产车间可以达到的控制参数范围确定的调整范围。
具体的,对应根据原料调整约束信息,或所述控制参数调整约束信息,或原料调整约束信息和所述控制参数调整约束信息,对预置原料信息进行随机调整,或对预置控制参数进行随机调整,或同时对预置原料信息和预置控制参数进行随机调整,获得合成工艺一次调整结果。然后根据分子结构映射模型对合成工艺一次调整结果进行映射,从而获得分子结构一次映射结果。进而,判断分子结构一次映射结果是否满足所述分子期望结构时,若满足将所述合成工艺一次调整结果设为所述合成优化工艺;若不满足,则将所述合成工艺一次调整结果添加进淘汰数据组。进而,对预置原料信息进行重复调整,或对预置控制参数进行重复调整,或同时对预置原料信息和预置控制参数进行重复调整,从而获得合成优化工艺。
具体的,当重复调整次数满足预设优化次数时,获得的分子结构映射结果仍不满足分子期望结构时,获得优化异常信号。其中,所述优化异常信号用于提醒用户,无法通过优化获得满足分子期望结构的预置原料信息和预置控制参数。通过将所述优化异常信号发送至用户终端对用户进行提醒,从而让用户直接进行调整。由此,实现了先通过智能化的优化进行寻优,并以人工调整作为保证,对化工材料进行高效准确的生产管控的目标。
步骤S500:基于大数据,对所述合成优化工艺进行异常分析,获取异常校验结果;
进一步的,基于大数据,对所述合成优化工艺进行异常分析,获取异常校验结果,本申请实施例步骤S500还包括:
步骤S510:以所述合成优化工艺为检索条件,在信息域进行合成记录检索,获取3,5-双三氟甲基苄基氯的同族合成记录数据;
步骤S520:当所述同族合成记录数据的数据量满足预设数量时,对所述同族合成记录数据进行加工成本统计,获取生产成本均值;
步骤S530:当所述生产成本均值小于成本均值阈值时,生成所述校验通过信号添加进所述异常校验结果;
步骤S540:当所述同族合成记录数据的数据量不满足所述预设数量,或所述生产成本均值大于或等于所述成本均值阈值时,生成校验未通过信号添加进所述异常校验结果。
在一个实施例中,通过利用数据量比较丰富的大数据库对合成优化工艺进行异常分析,从而对合成优化工艺的可实现性进行分析,获得所述异常校验结果。其中,所述异常校验结果是对合成优化工艺进行反馈校验,确定工艺质量后获得的结果。达到了提升合成优化工艺的准确性和可靠性的目标。
具体而言,通过以合成优化工艺为检索条件,在信息域中进行合成记录检索,其中,信息域是指3,5-双三氟甲基苄基氯生产过程中的记录信息。从而获得所述3,5-双三氟甲基苄基氯的同族合成记录数据。其中,所述同族合成记录数据是与3,5-双三氟甲基苄基氯的合成优化工艺相似度超过预设相似度的材料生产记录数据。当所述同族合成记录数据的数据量满足预设数量时,表明合成优化工艺在3,5-双三氟甲基苄基氯的生产过程中使用频率比较高,进而,通过对同族合成记录数据的加工成本进行统计分析,获得生成成本均值,将其作为合成优化工艺的生产成本依据。
具体的,当生产成本均值小于成本均值阈值时,表明合成优化工艺的生产成本可以通过验证,获得校验通过信号。将校验通过信号添加进异常校验结果中。其中,所述校验通过信号表明合成优化工艺的生产成本在合理范围内。当所述同族合成记录数据的数据量不满足所述预设数量时,表明合成优化工艺难以实现,不能通过生产校验,或所述生产成本均值大于或等于所述成本均值阈值时,表明生产成本过高,生成校验未通过信号添加进所述异常校验结果。
步骤S600:当所述异常校验结果包括校验通过信号时,基于所述合成优化工艺进行所述3,5-双三氟甲基苄基氯的生产控制。
在一个可能的实施例中,当异常校验结果包括校验通过信号时,表明合成优化工艺可以用于3,5-双三氟甲基苄基氯的实际生产,此时,按照所述合成工艺中的原料信息和控制参数对3,5-双三氟甲基苄基氯进行生产控制。
综上所述,本申请实施例至少具有如下技术效果:
本申请通过对3,5-双三氟甲基苄基氯的预置合成工艺进行获取,并将预置合成工艺中的预置原料信息和预置控制参数输入基于训练损失函数进行训练的分子结构映射模型中,获得分子结构映射结果,进而与分子期望结构进行比对判断,根据判断结果进行参数调整,获得合成优化工艺,并对获得的合成优化工艺进行异常分析,确定合成优化工艺的可行性,当异常校验结果包括校验通过信号时,基于合成优化工艺进行3,5-双三氟甲基苄基氯的生产控制。达到了缩短生产控制的周期,提升生产管控质量的技术效果。
实施例二
基于与前述实施例中一种化工材料的生产管控方法相同的发明构思,如图4所示,本申请提供了一种化工材料的生产管控系统,本申请实施例中的系统与方法实施例基于同样的发明构思。其中,所述系统包括:
合成工艺获得模块11,所述合成工艺获得模块11用于获取3,5-双三氟甲基苄基氯的预置合成工艺,其中,所述预置合成工艺包括预置原料信息和预置控制参数;
映射结果获得模块12,所述映射结果获得模块12用于将所述预置原料信息和所述预置控制参数输入分子结构映射模型,获取分子结构映射结果;
映射结果判断模块13,所述映射结果判断模块13用于判断所述分子结构映射结果是否满足分子期望结构;
优化工艺获得模块14,所述优化工艺获得模块14用于当所述分子结构映射结果不满足所述分子期望结构时,对所述预置原料信息和/或所述预置控制参数进行调整,获取合成优化工艺,其中,合成优化工艺结构映射结果满足所述分子期望结构;
校验结果获得模块15,所述校验结果获得模块15用于基于大数据,对所述合成优化工艺进行异常分析,获取异常校验结果;
生产控制模块16,所述生产控制模块16用于当所述异常校验结果包括校验通过信号时,基于所述合成优化工艺进行所述3,5-双三氟甲基苄基氯的生产控制。
进一步的,所述映射结果获得模块12用于执行如下方法:
构建基团类型映射通道和元素类型映射通道;
根据所述基团类型映射通道和所述元素类型映射通道,构建结构映射通道;
将所述基团类型映射通道和所述元素类型映射通道作为并行节点合并,输出层和所述结构映射通道全连接,获取所述分子结构映射模型;
将所述预置原料信息和所述预置控制参数输入分子结构映射模型,获取所述分子结构映射结果。
进一步的,所述映射结果获得模块12用于执行如下方法:
基于信息域,采集所述3,5-双三氟甲基苄基氯的合成记录数据,所述合成记录数据包括原料记录数据、控制参数记录数据、基团类型记录数据、元素类型记录数据和分子结构记录数据;
构建训练损失函数:
,
,
其中,n为评价训练稳定性的训练周期次数,表征第i次训练的损失值,/>表征第i次训练的输出信息,/>表征第i次训练的输出监督信息,/>为预设的离散敏感系数,L表征任意一次满足训练周期次数后的整体损失值;
基于所述训练损失函数,将所述原料记录数据、控制参数记录数据作为BP神经网络的输入数据,将所述基团类型记录数据作为输出监督数据,训练所述基团类型映射通道;
基于所述训练损失函数,将所述原料记录数据、控制参数记录数据作为BP神经网络的输入数据,将所述元素类型记录数据作为输出监督数据,训练所述元素类型映射通道;
基于所述训练损失函数,将所述基团类型记录数据、所述元素类型记录数据作为BP神经网络的输入数据,将所述分子结构记录数据作为输出监督数据,训练所述结构映射通道。
进一步的,所述映射结果获得模块12用于执行如下方法:
当所述训练损失函数用于训练所述基团类型映射通道时:
,
其中,表征第i次训练输出满足/>的数量,/>表征第i次训练的预测的第j个基团类型,/>表征第i次训练的基团类型记录数据的任意一个未比对成功的基团类型,/>为判断/>和/>是否相同的函数,相同输出为1,不同输出为0,且已比对为1的基团类型记录数据的基团类型,不可再次比对;
当所述训练损失函数用于训练所述元素类型映射通道时:
,
其中,表征第i次训练输出满足/>的数量,表征第i次训练的预测的第k个元素类型,/>表征第i次训练的元素类型记录数据的任意一个未比对成功的元素类型,/>为判断/>和/>是否相同的函数,相同输出为1,不同输出为0,且已比对为1的元素类型记录数据的元素类型,不可再次比对;
当所述训练损失函数用于训练所述结构映射通道时:
,
其中,表征第i次训练的基团/>在分子结构记录数据的分布位置,/>表征基团/>的预测分布位置,/>表征第i次训练的元素/>的预测分布位置,/>表征第i次训练的元素/>的记录位置。
进一步的,所述优化工艺获得模块14用于执行如下方法:
设定原料调整约束信息和控制参数调整约束信息;
基于所述原料调整约束信息和/或所述控制参数调整约束信息,对所述预置原料信息和/或所述预置控制参数进行随机调整,获取合成工艺一次调整结果;
基于所述分子结构映射模型对所述合成工艺一次调整结果进行映射,获取分子结构一次映射结果;
当所述分子结构一次映射结果满足所述分子期望结构时,将所述合成工艺一次调整结果设为所述合成优化工艺;
当所述分子结构一次映射结果不满足所述分子期望结构时,将所述合成工艺一次调整结果添加进淘汰数据组,对所述预置原料信息和/或所述预置控制参数进行重复调整,获取所述合成优化工艺。
进一步的,所述优化工艺获得模块14还包括:当满足预设优化次数时,仍未满足所述分子期望结构,生成优化异常信号,发送至用户终端。
进一步的,所述校验结果获得模块15用于执行如下方法:
以所述合成优化工艺为检索条件,在信息域进行合成记录检索,获取3,5-双三氟甲基苄基氯的同族合成记录数据;
当所述同族合成记录数据的数据量满足预设数量时,对所述同族合成记录数据进行加工成本统计,获取生产成本均值;
当所述生产成本均值小于成本均值阈值时,生成所述校验通过信号添加进所述异常校验结果;
当所述同族合成记录数据的数据量不满足所述预设数量,或所述生产成本均值大于或等于所述成本均值阈值时,生成校验未通过信号添加进所述异常校验结果。
需要说明的是,上述本申请实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书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较佳实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
本说明书和附图仅仅是本申请的示例性说明,且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (7)
1.一种化工材料的生产管控方法,其特征在于,应用于化工材料的生产管控系统,所述系统和3,5-双三氟甲基苄基氯合成装置通信连接,包括:
获取3,5-双三氟甲基苄基氯的预置合成工艺,其中,所述预置合成工艺包括预置原料信息和预置控制参数;
将所述预置原料信息和所述预置控制参数输入分子结构映射模型,获取分子结构映射结果;
判断所述分子结构映射结果是否满足分子期望结构;
当所述分子结构映射结果不满足所述分子期望结构时,对所述预置原料信息和/或所述预置控制参数进行调整,获取合成优化工艺,其中,合成优化工艺结构映射结果满足所述分子期望结构;
基于大数据,对所述合成优化工艺进行异常分析,获取异常校验结果;
当所述异常校验结果包括校验通过信号时,基于所述合成优化工艺进行所述3,5-双三氟甲基苄基氯的生产控制;
其中,将所述预置原料信息和所述预置控制参数输入分子结构映射模型,获取分子结构映射结果,包括:
构建基团类型映射通道和元素类型映射通道;
根据所述基团类型映射通道和所述元素类型映射通道,构建结构映射通道;
将所述基团类型映射通道和所述元素类型映射通道作为并行节点合并,输出层和所述结构映射通道全连接,获取所述分子结构映射模型;
将所述预置原料信息和所述预置控制参数输入分子结构映射模型,获取所述分子结构映射结果。
2.如权利要求1所述的一种化工材料的生产管控方法,其特征在于,包括:
基于信息域,采集所述3,5-双三氟甲基苄基氯的合成记录数据,所述合成记录数据包括原料记录数据、控制参数记录数据、基团类型记录数据、元素类型记录数据和分子结构记录数据;
构建训练损失函数:
,
,
其中,n为评价训练稳定性的训练周期次数,表征第i次训练的损失值,/>表征第i次训练的输出信息,/>表征第i次训练的输出监督信息,/>为预设的离散敏感系数,L表征任意一次满足训练周期次数后的整体损失值;
基于所述训练损失函数,将所述原料记录数据、控制参数记录数据作为BP神经网络的输入数据,将所述基团类型记录数据作为输出监督数据,训练所述基团类型映射通道;
基于所述训练损失函数,将所述原料记录数据、控制参数记录数据作为BP神经网络的输入数据,将所述元素类型记录数据作为输出监督数据,训练所述元素类型映射通道;
基于所述训练损失函数,将所述基团类型记录数据、所述元素类型记录数据作为BP神经网络的输入数据,将所述分子结构记录数据作为输出监督数据,训练所述结构映射通道。
3.如权利要求2所述的一种化工材料的生产管控方法,其特征在于,所述训练损失函数包括:
当所述训练损失函数用于训练所述基团类型映射通道时:
,
其中,表征第i次训练输出满足/>的数量,/>表征第i次训练的预测的第j个基团类型,/>表征第i次训练的基团类型记录数据的任意一个未比对成功的基团类型,/>为判断/>和/>是否相同的函数,相同输出为1,不同输出为0,且已比对为1的基团类型记录数据的基团类型,不可再次比对;
当所述训练损失函数用于训练所述元素类型映射通道时:
,
其中,表征第i次训练输出满足/>的数量,/>表征第i次训练的预测的第k个元素类型,/>表征第i次训练的元素类型记录数据的任意一个未比对成功的元素类型,/>为判断/>和/>是否相同的函数,相同输出为1,不同输出为0,且已比对为1的元素类型记录数据的元素类型,不可再次比对;
当所述训练损失函数用于训练所述结构映射通道时:
,
其中,表征第i次训练的基团/>在分子结构记录数据的分布位置,/>表征基团/>的预测分布位置,/>表征第i次训练的元素/>的预测分布位置,/>表征第i次训练的元素/>的记录位置。
4.如权利要求1所述的一种化工材料的生产管控方法,其特征在于,当所述分子结构映射结果不满足所述分子期望结构时,对所述预置原料信息和/或所述预置控制参数进行调整,获取合成优化工艺,包括:
设定原料调整约束信息和控制参数调整约束信息;
基于所述原料调整约束信息和/或所述控制参数调整约束信息,对所述预置原料信息和/或所述预置控制参数进行随机调整,获取合成工艺一次调整结果;
基于所述分子结构映射模型对所述合成工艺一次调整结果进行映射,获取分子结构一次映射结果;
当所述分子结构一次映射结果满足所述分子期望结构时,将所述合成工艺一次调整结果设为所述合成优化工艺;
当所述分子结构一次映射结果不满足所述分子期望结构时,将所述合成工艺一次调整结果添加进淘汰数据组,对所述预置原料信息和/或所述预置控制参数进行重复调整,获取所述合成优化工艺。
5.如权利要求4所述的一种化工材料的生产管控方法,其特征在于,还包括:当满足预设优化次数时,仍未满足所述分子期望结构,生成优化异常信号,发送至用户终端。
6.如权利要求1所述的一种化工材料的生产管控方法,其特征在于,基于大数据,对所述合成优化工艺进行异常分析,获取异常校验结果,包括:
以所述合成优化工艺为检索条件,在信息域进行合成记录检索,获取3,5-双三氟甲基苄基氯的同族合成记录数据;
当所述同族合成记录数据的数据量满足预设数量时,对所述同族合成记录数据进行加工成本统计,获取生产成本均值;
当所述生产成本均值小于成本均值阈值时,生成所述校验通过信号添加进所述异常校验结果;
当所述同族合成记录数据的数据量不满足所述预设数量,或所述生产成本均值大于或等于所述成本均值阈值时,生成校验未通过信号添加进所述异常校验结果。
7.一种化工材料的生产管控系统,其特征在于,所述系统包括:
合成工艺获得模块,所述合成工艺获得模块用于获取3,5-双三氟甲基苄基氯的预置合成工艺,其中,所述预置合成工艺包括预置原料信息和预置控制参数;
映射结果获得模块,所述映射结果获得模块用于将所述预置原料信息和所述预置控制参数输入分子结构映射模型,获取分子结构映射结果;
映射结果判断模块,所述映射结果判断模块用于判断所述分子结构映射结果是否满足分子期望结构;
优化工艺获得模块,所述优化工艺获得模块用于当所述分子结构映射结果不满足所述分子期望结构时,对所述预置原料信息和/或所述预置控制参数进行调整,获取合成优化工艺,其中,合成优化工艺结构映射结果满足所述分子期望结构;
校验结果获得模块,所述校验结果获得模块用于基于大数据,对所述合成优化工艺进行异常分析,获取异常校验结果;
生产控制模块,所述生产控制模块用于当所述异常校验结果包括校验通过信号时,基于所述合成优化工艺进行所述3,5-双三氟甲基苄基氯的生产控制;
所述映射结果获得模块用于执行如下方法:
构建基团类型映射通道和元素类型映射通道;
根据所述基团类型映射通道和所述元素类型映射通道,构建结构映射通道;
将所述基团类型映射通道和所述元素类型映射通道作为并行节点合并,输出层和所述结构映射通道全连接,获取所述分子结构映射模型;
将所述预置原料信息和所述预置控制参数输入分子结构映射模型,获取所述分子结构映射结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310930568.2A CN116661402B (zh) | 2023-07-27 | 2023-07-27 | 一种化工材料的生产管控方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310930568.2A CN116661402B (zh) | 2023-07-27 | 2023-07-27 | 一种化工材料的生产管控方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116661402A CN116661402A (zh) | 2023-08-29 |
CN116661402B true CN116661402B (zh) | 2023-10-03 |
Family
ID=87713952
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310930568.2A Active CN116661402B (zh) | 2023-07-27 | 2023-07-27 | 一种化工材料的生产管控方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116661402B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116957423B (zh) * | 2023-09-20 | 2024-01-12 | 张家港禾福新材料科技有限公司 | 一种包装薄膜生产线用生产环境监测调控方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102626557A (zh) * | 2012-04-13 | 2012-08-08 | 长春工业大学 | 基于ga-bp算法的分子蒸馏工艺参数优化方法 |
CN111338302A (zh) * | 2020-02-28 | 2020-06-26 | 合肥力拓云计算科技有限公司 | 基于工业大数据和工业物联网的化工工艺建模处理系统 |
CN114388072A (zh) * | 2021-12-31 | 2022-04-22 | 明度智云(浙江)科技有限公司 | 药品合成工艺模型的构建方法、系统和存储介质 |
WO2022231283A1 (ko) * | 2021-04-28 | 2022-11-03 | 에스케이가스 주식회사 | 상업 화학 공정에서 핵심인자를 반영한 공정 변화 예측을 위한 시스템 및 방법 |
CN115421465A (zh) * | 2022-10-31 | 2022-12-02 | 北京聚新工程技术有限公司 | 一种用于纺织设备的优化自适应控制方法及系统 |
WO2022266395A1 (en) * | 2021-06-17 | 2022-12-22 | Northwestern University | Adaptive discovery and mixed-variable optimization of next generation synthesizable microelectronic materials |
CN115826541A (zh) * | 2023-02-16 | 2023-03-21 | 一夫科技股份有限公司 | 一种β型建筑石膏粉的生产控制方法及系统 |
CN116449691A (zh) * | 2022-01-10 | 2023-07-18 | 中国石油化工股份有限公司 | 原料油加工控制方法和装置 |
-
2023
- 2023-07-27 CN CN202310930568.2A patent/CN116661402B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102626557A (zh) * | 2012-04-13 | 2012-08-08 | 长春工业大学 | 基于ga-bp算法的分子蒸馏工艺参数优化方法 |
CN111338302A (zh) * | 2020-02-28 | 2020-06-26 | 合肥力拓云计算科技有限公司 | 基于工业大数据和工业物联网的化工工艺建模处理系统 |
WO2022231283A1 (ko) * | 2021-04-28 | 2022-11-03 | 에스케이가스 주식회사 | 상업 화학 공정에서 핵심인자를 반영한 공정 변화 예측을 위한 시스템 및 방법 |
WO2022266395A1 (en) * | 2021-06-17 | 2022-12-22 | Northwestern University | Adaptive discovery and mixed-variable optimization of next generation synthesizable microelectronic materials |
CN114388072A (zh) * | 2021-12-31 | 2022-04-22 | 明度智云(浙江)科技有限公司 | 药品合成工艺模型的构建方法、系统和存储介质 |
CN116449691A (zh) * | 2022-01-10 | 2023-07-18 | 中国石油化工股份有限公司 | 原料油加工控制方法和装置 |
CN115421465A (zh) * | 2022-10-31 | 2022-12-02 | 北京聚新工程技术有限公司 | 一种用于纺织设备的优化自适应控制方法及系统 |
CN115826541A (zh) * | 2023-02-16 | 2023-03-21 | 一夫科技股份有限公司 | 一种β型建筑石膏粉的生产控制方法及系统 |
Non-Patent Citations (2)
Title |
---|
PDM集成环境下的工艺流程智能化管理;姜国 等;计算机应用研究(06);171-174 * |
分子蒸馏工艺参数优化算法研究与实验;李慧 等;实验室研究与探索(07);54-58 * |
Also Published As
Publication number | Publication date |
---|---|
CN116661402A (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116661402B (zh) | 一种化工材料的生产管控方法及系统 | |
CN109408774B (zh) | 基于随机森林和梯度提升树的预测污水出水指标的方法 | |
CN109858714B (zh) | 基于改进神经网络的烟丝质检指标预测方法、装置及系统 | |
CN108599995B (zh) | 网络线路故障判定方法及服务器 | |
CN111294812B (zh) | 一种资源扩容规划的方法及系统 | |
CN117008557B (zh) | 共混型互穿网络热塑性弹性体的生产控制方法及系统 | |
CN110571792A (zh) | 一种电网调控系统运行状态的分析评估方法及系统 | |
CN115511398B (zh) | 一种基于时间敏感网络的焊接质量智能检测方法及系统 | |
CN111191726A (zh) | 一种基于弱监督学习多层感知器的故障分类方法 | |
CN114970396A (zh) | 一种考虑随机和认知不确定性的cfd模型修正方法 | |
CN115373370A (zh) | 一种可编程控制器运行状态监测方法及系统 | |
CN114461637A (zh) | 基于数据建模的产品缺陷分析方法、装置和存储介质 | |
CN116401355B (zh) | 一种基于数智交互的咨询业务决策管理方法及系统 | |
CN113349267A (zh) | 一种智能调节红茶发酵室环境的方法及系统 | |
CN114139643B (zh) | 一种基于机器视觉的单甘酯质量检测方法及系统 | |
CN113780356B (zh) | 基于集成学习模型的水质预测方法及系统 | |
Kalos et al. | Hybrid model development methodology for industrial soft sensors | |
CN115220347A (zh) | 一种物料颗粒筛分控制方法及系统 | |
CN115206449A (zh) | 流化床反应温度的确定方法、相关装置及计算机存储介质 | |
CN113487114A (zh) | 基于NB-IoT工业生态环境监测的GA-SVM预警模型系统 | |
CN114036846A (zh) | 池塘养殖溶解氧缺失数据插补方法 | |
CN117283743B (zh) | 一种树脂生产成型加工流程预测控制系统及方法 | |
CN105005670A (zh) | 一种铅锌烧结块的成分预测方法 | |
CN115794175B (zh) | 基于大数据的技术研发评估系统及方法 | |
CN117436771B (zh) | 蠕墨铸铁制品的智能在线质量监测与优化控制系统 |
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 |