CN116661404A - 一种基于数据融合的计量配料混合控制方法及系统 - Google Patents
一种基于数据融合的计量配料混合控制方法及系统 Download PDFInfo
- Publication number
- CN116661404A CN116661404A CN202310949445.3A CN202310949445A CN116661404A CN 116661404 A CN116661404 A CN 116661404A CN 202310949445 A CN202310949445 A CN 202310949445A CN 116661404 A CN116661404 A CN 116661404A
- Authority
- CN
- China
- Prior art keywords
- data
- mixing
- regression model
- time
- metering
- 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.)
- Granted
Links
- 238000002156 mixing Methods 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title claims abstract description 71
- 230000004927 fusion Effects 0.000 title claims abstract description 34
- 230000001419 dependent effect Effects 0.000 claims abstract description 57
- 230000000694 effects Effects 0.000 claims abstract description 54
- 239000004615 ingredient Substances 0.000 claims abstract description 34
- 239000002994 raw material Substances 0.000 claims abstract description 32
- 230000008569 process Effects 0.000 claims description 39
- 230000003993 interaction Effects 0.000 claims description 25
- 238000009826 distribution Methods 0.000 claims description 18
- 238000012417 linear regression Methods 0.000 claims description 18
- 238000011156 evaluation Methods 0.000 claims description 13
- 238000007619 statistical method Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 11
- 238000012800 visualization Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 239000000463 material Substances 0.000 claims description 7
- 238000000611 regression analysis Methods 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 abstract description 6
- 238000004458 analytical method Methods 0.000 description 10
- 230000000007 visual effect Effects 0.000 description 10
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000000295 complement effect Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002195 synergetic effect Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 1
- 238000013329 compounding Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000004090 dissolution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- 238000012795 verification Methods 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
- 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
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及控制系统技术领域，具体涉及一种基于数据融合的计量配料混合控制方法及系统，方法包括获取实时数据和历史数据；对不同数据源的时间戳进行统一标准化；根据时间戳将来自不同数据源的数据按时间排序和归类，完成数据融合；以原材料配比为自变量，以配料混合效果为因变量，根据自变量和因变量之间的关系，确定回归模型且进行拟合；对拟合的回归模型进行评估及调整；根据评估及调整后的回归模型进行配料混合效果的预测，且根据预测结果进行配料的混合控制。本发明可以通过采集、融合和分析不同来源的数据，通过数据融合、回归模型和实时控制等方法，实现更加精准和稳定的计量配料混合控制，同时降低成本，提高生产效率和产品质量。
Description
技术领域
本发明涉及控制系统技术领域，具体涉及一种基于数据融合的计量配料混合控制方法及系统。
背景技术
计量配料混合在工业生产中起着至关重要的作用，能够保证产品质量和稳定性，传统的计量配料混合方法主要采用手动计量和调节的方式，容易出现误差和不稳定性，对生产效率和成本造成一定影响。
随着科技的不断进步和自动化技术的应用，出现了一些智能化的计量配料混合控制系统，如PLC、DCS等系统，这些系统虽然改善了混合过程的稳定性和准确性，但也存在一些问题，比如系统成本较高，且需要专业人员进行维护和操作。
综上所述，当前的计量配料混合过程存在精度不足、稳定性差、成本高和操作复杂等问题。
发明内容
本发明中提供了一种基于数据融合的计量配料混合控制方法及系统，从而有效解决背景技术中所指出的问题。
为了达到上述目的，本发明所采用的技术方案是：
一种基于数据融合的计量配料混合控制方法，包括：
获取计量配料过程中的实时数据，以及在以往的配料过程中对应的历史数据；
对不同数据源的时间戳进行统一标准化；
根据标准化后的所述时间戳，将来自不同数据源的数据按时间排序和归类，完成数据融合，当存在没有数据的时间节段时，对所述时间节段进行插值处理；
以原材料配比为自变量，以配料混合效果为因变量，根据所述自变量和因变量之间的关系，确定回归模型且进行拟合；
对拟合的所述回归模型进行评估及调整；
根据评估及调整后的所述回归模型进行配料混合效果的预测，且根据预测结果进行配料的混合控制。
进一步地，采用如下多元线性回归模型且进行拟合：
Y=β0+β1X1+β2X2+...+βnXn+ε
其中，Y表示作为因变量的配料混合效果，X1,X2,...,Xn表示作为自变量的各原材料配比，β0,β1,β2,...,βn表示回归系数，ε表示误差项。
进一步地，在确定所述自变量和因变量之间的关系时，包括：
对所述自变量及因变量进行可视化和统计分析，以识别所述自变量和因变量之间是否存在非线性关系，若是，则执行以下步骤；
在所述多元线性回归模型中引入非线性特征，以捕捉自变量与因变量之间的非线性关系；
在引入所述非线性特征后，使用所述多元线性回归模型进行拟合。
进一步地，引入所述非线性特征，包括：
收集配料混合过程的领域知识和理论依据；
建立基准多元线性回归模型，并基于所述基准多元线性回归模型评估模型的拟合效果，作为选择方式基准；
分别通过添加多项式特征、引入交互项和转换特征中的一种或多种方式引入所述非线性特征，且针对每种方式使用相同的评估指标进行评估；
基于评估结果及所述选择方式基准选择引入所述非线性特征的最终方式。
进一步地，获取计量配料过程中的实时数据，以及在以往的配料过程中对应的历史数据后，还包括以下步骤：
根据所述实时数据和历史数据的特点选择噪声模型；
根据配料混合过程选择噪声的分布方式；
根据所述噪声模型和分布方式，确定相应的噪声参数；
根据所述噪声模型、分布方式和噪声参数，使用随机数生成方法生成噪声数据，并在所述实时数据和历史数据中应用所述噪声数据。
进一步地，对所述自变量及因变量进行可视化和统计分析，包括：
对数据进行可视化展示；
应用统计方法对所述自变量和因变量之间的关系进行分析；
计算所述自变量和因变量之间的相关系数，根据所述相关系数的大小和方向，判断所述自变量和因变量之间的线性关系强弱和正负相关性。
进一步地，至少通过引入交叉交互项的方式而引入所述非线性特征，包括：
根据所述自变量和因变量之间的相关系数获得相关系数矩阵；
根据所述相关系数矩阵创建热图；
根据所述热图的模式和趋势，选择具有较高相关性和差异程度的自变量作为候选的交叉交互项；
针对候选的交叉交互项，使用回归分析法对交互效应的显著性进行验证，确定最终的交叉交互项。
进一步地，将所述交叉交互项同时引入所述实时数据和历史数据。
一种基于数据融合的计量配料混合控制系统，包括：
数据获取模块，获取计量配料过程中的实时数据，以及在以往的配料过程中对应的历史数据；
标准化模块，对不同数据源的时间戳进行统一标准化；
数据处理模块，根据标准化后的所述时间戳，将来自不同数据源的数据按时间排序和归类，完成数据融合，当存在没有数据的时间节段时，对所述时间节段进行插值处理；
回归模型模块，以原材料配比为自变量，以配料混合效果为因变量，根据所述自变量和因变量之间的关系，确定回归模型且进行拟合；
模型评估和调整模块，对拟合的所述回归模型进行评估及调整；
预测控制模块，根据评估及调整后的所述回归模型进行配料混合效果的预测，且根据预测结果进行配料的混合控制。
进一步地，还包括可视化模块，对所述自变量及因变量进行可视化展示。
通过本发明的技术方案，可实现以下技术效果：
本发明中通过采集、融合和分析不同来源的数据，通过数据融合、回归模型和实时控制等方法，实现更加精准和稳定的计量配料混合控制，同时降低成本，提高生产效率和产品质量。
附图说明
为了更清楚地说明本发明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发明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。
图1为基于数据融合的计量配料混合控制方法的流程图；
图2为在确定自变量和因变量之间的关系时的流程图；
图3为引入非线性特征的流程图；
图4为获取计量配料过程中的实时数据，以及在以往的配料过程中对应的历史数据后的噪声数据应用流程图；
图5为对自变量及因变量进行可视化和统计分析的流程图；
图6为确定交叉交互项的流程图；
图7为基于数据融合的计量配料混合控制系统的框架图；
附图标记：100、数据获取模块；200、标准化模块；300、数据处理模块；400、回归模型模块；500、模型评估和调整模块；600、预测控制模块。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
实施例一
如图1所示，一种基于数据融合的计量配料混合控制方法，包括：
S10：获取计量配料过程中的实时数据，以及在以往的配料过程中对应的历史数据；
在本步骤中首先需要明确需要收集的数据类型，例如包括原材料种类、配比信息、混合时间、温度、搅拌速度、产品重量、环境数据等；部分需要采集的数据往往通过在计量配料混合设备上安装相应的传感器而实现，例如称重传感器、温度传感器等，以便实时监测和采集数据。通过数据获取模块，将所有实时数据采集到数据存储系统中，并进行存储和管理。同时，还需要基于存储的数据获取对应的历史数据，其中，历史数据对应的配料混合过程的数量根据实际的需要进行选择即可。
本步骤中，优选对于采集到的实时数据和历史数据进行清洗和处理，去除异常值和缺失值，并进行标准化和统一格式，以便后续的计量配料混合控制和数据融合。
S20：对不同数据源的时间戳进行统一标准化；
基于上述步骤可以提高数据的可比性、质量和可处理性，为后续的数据融合和分析提供更好的基础；具体地，不同数据源可能使用不同的时间格式和时区，如果不进行标准化，会使得数据难以融合和比较；标准化的时间戳可以消除时间上的歧义和误差，确保数据的准确性和一致性，具体地，可以选择UTC时间戳或者设定一个本地时间戳作为统一标准。
S30：根据标准化后的时间戳，将来自不同数据源的数据按时间排序和归类，完成数据融合，当存在没有数据的时间节段时，对时间节段进行插值处理；通过该步骤可以保证整合后的数据连续性和完整性，具体地，可以采用线性插值、多项式拟合等方法进行插值处理。
S40：以原材料配比为自变量，以配料混合效果为因变量，根据自变量和因变量之间的关系，确定回归模型且进行拟合；本步骤中，对于融合后的数据，需要进行数据检查和清洗，去除异常值和缺失值等，根据自变量和因变量之间的关系，选择合适的回归模型，如线性回归模型、多项式回归模型等，并拟合该模型；
S50：对拟合的回归模型进行评估及调整，包括确定模型的可靠性、精度和显著性等指标，以判断回归模型是否适合解释变量之间的关系；
S60：根据评估及调整后的回归模型进行配料混合效果的预测，且根据预测结果进行配料的混合控制。
比如根据原材料配比，预测混合效果，并优化配比和混合参数，以提高计量配料混合控制的效率和质量。通过以上步骤，可以对融合后的数据进行回归分析，并得到较为准确和可靠的预测结果，回归分析的使用可以帮助发现数据之间的相关性和规律，优化计量配料混合控制的参数和策略，提高混合过程的精度和稳定性，降低生产成本，提高产品质量。
确定具体的回归模型需要考虑多个因素，包括数据的性质、问题的特点以及预测的目标，本发明中在计量配料混合控制中，根据设定的原材料配比作为自变量，配料混合效果作为因变量，优选回归模型为多元线性回归模型，具体地，采用如下多元线性回归模型且进行拟合：
Y=β0+β1X1+β2X2+...+βnXn+ε
其中，Y表示作为因变量的配料混合效果，X1,X2,...,Xn表示作为自变量的各原材料配比，β0,β1,β2,...,βn表示回归系数，ε表示误差项，它代表了回归模型无法解释的随机误差，在拟合过程中，我们希望误差项ε尽可能小，以获得更好的模型拟合效果。
假设有3种原材料：A、B和C，它们的配比范围均是在0到1之间，具体采用一组数据如下：X1=0.2，表示A原料的配比为20%；X2=0.5，表示B原料的配比为50%；X3=0.3，表示C原料的配比为30%。
通过回归模型拟合后得到的参数示例：在该回归模型中，截距项β0=2.5，A原料的配比的系数β1=-0.3，B原料的配比的系数β2=0.8，C原料的配比的系数β3=0.5，这些系数表示了每个原料配比对配料混合效果的影响程度；根据回归模型，可以计算配料混合效果Y=2.5-0.3*0.2+0.8*0.5+0.5*0.3=2.5-0.06+0.4+0.15=3.99。
具体构建和拟合回归模型的过程涉及到数据的收集、数据预处理、回归系数的估计等步骤；回归模型的选择和拟合需要基于实际数据和问题的特点进行具体分析和调整。在实际应用中，可以使用统计软件如R、Python中的scikit-learn、statsmodels等来拟合回归模型，并进行模型评估和调整。
在配料混合的过程中，往往会由于以下原因而产生非线性关系，具体包括：
反应动力学：配料混合过程中可能涉及到化学反应或物理变化，而这些过程往往具有非线性的动力学特性，例如，某些配料在混合过程中可能会发生酸碱中和反应或溶解反应，这些反应的速率与配料配比之间可能存在非线性关系。
互作用效应：在配料混合过程中，不同原料之间可能存在复杂的相互作用效应，这些效应可能导致混合效果与原料配比之间的非线性关系，例如，某些原料在特定配比下可能会发生相互作用，产生协同效应或抑制效应，使得混合效果呈现非线性的变化。
非均匀性：配料混合过程中，可能存在一些非均匀性因素，如不均匀的颗粒分布、温度梯度、局部浓度变化等，这些非均匀性因素会导致混合效果的非线性变化，因为不同配比下的非均匀性可能会对混合效果产生不同的影响。
饱和效应：在某些情况下，配料混合的效果可能会出现饱和效应，即在一定配比范围内，混合效果逐渐增加，但随后达到一个饱和点后，进一步增加原料配比并不能显著改善混合效果。这种情况下，混合效果与原料配比之间呈现非线性的关系。
这些因素导致了混合效果与原料配比之间的非线性变化，因此在建立计量配料混合控制模型时，需要考虑这些非线性关系，以准确预测混合效果并进行控制，具体作为优选地，在确定自变量和因变量之间的关系时，如图2所示，包括：
S41：对自变量及因变量进行可视化和统计分析，以识别自变量和因变量之间是否存在非线性关系，若是，则执行以下步骤；具体可通过散点图、箱线图等工具，观察数据的分布和趋势，判断是否存在非线性关系的迹象；
S42：在多元线性回归模型中引入非线性特征，以捕捉自变量与因变量之间的非线性关系；该步骤所进行的特征工程，可以通过以下方式进行：
（1）添加多项式特征：将自变量进行多项式扩展，引入高阶项。例如，对一个自变量x，可以添加x2、x3等项作为新的特征；
（2）引入交互项：对自变量之间进行交互项的创建，考虑自变量之间的相互作用效应；
（3）转换特征：对自变量进行转换，例如取对数、开方、指数等，以使其符合线性假设；
S43：在引入非线性特征后，使用多元线性回归模型进行拟合。基于评估和调整后的多元线性回归模型，进行配料混合效果的预测，根据预测结果调整计量配料过程中的参数和控制策略，实现精准的配料混合控制。
在实施过程中，在面对如何处理非线性关系时，如图3所示，引入非线性特征包括：
S421：收集配料混合过程的领域知识和理论依据；采集相关的化学、物理或工程原理，辅助判断哪种方式更适合描述物料混合过程中的非线性关系；
S422：建立基准多元线性回归模型，并基于基准多元线性回归模型评估模型的拟合效果，作为选择方式基准；具体地，可使用交叉验证、均方误差、决定系数等评估指标来评估模型的拟合效果；
S423：分别通过添加多项式特征、引入交互项和转换特征中的一种或多种方式引入非线性特征，且针对每种方式使用相同的评估指标进行评估；
S424：基于评估结果及选择方式基准选择引入非线性特征的最终方式。
通过上述步骤，可以逐渐缩小选择范围并确定适合处理非线性关系的方式，重要的是要结合数据特点、领域知识和模型评估来进行决策，以获得最佳的结果。
作为上述实施例的优选，为了进一步的增加数据的多样性和泛化能力，如图4所示，获取计量配料过程中的实时数据，以及在以往的配料过程中对应的历史数据后，还包括以下步骤：
S11：根据实时数据和历史数据的特点选择噪声模型；常见的噪声模型包括高斯噪声、均匀噪声、泊松噪声等；
S12：根据配料混合过程选择噪声的分布方式；例如高斯分布常用于模拟连续型的噪声，而均匀分布适用于模拟离散型的噪声，可以根据实际数据的特点和分布情况，选择最符合数据特点的噪声分布；
S13：根据噪声模型和分布方式，确定相应的噪声参数；对于高斯噪声，需要确定均值和标准差；对于均匀噪声，需要确定最小值和最大值等，这些参数将决定噪声的强度和分布范围；
S14：根据噪声模型、分布方式和噪声参数，使用随机数生成方法生成噪声数据，并在实时数据和历史数据中应用噪声数据，确保在数据融合和分析过程中引入一致的噪声，通过上述方式可增加数据的多样性和泛化能力。
作为上述实施例的优选，如图5所示，对自变量及因变量进行可视化和统计分析，包括：
S411：对数据进行可视化展示；根据实时数据和历史数据的特点和分布，选择合适的可视化方式来展示自变量和因变量之间的关系；
S412：应用统计方法对自变量和因变量之间的关系进行分析；常见的统计方法包括相关性分析、回归分析、方差分析等，通过统计分析可以了解自变量对因变量的影响程度、相关性以及是否存在显著差异；
S413：计算自变量和因变量之间的相关系数；例如皮尔逊相关系数、斯皮尔曼相关系数等，根据相关系数的大小和方向，判断自变量和因变量之间的线性关系强弱和正负相关性。
本优化方案中的步骤S411和S412通常是同时进行的，并相互补充和支持，而并没有严格的先后顺序，而是互相交织在数据分析的过程中。以下是它们的关系和交互方式：
可视化分析是通过图表、图形和可视化工具来呈现数据的视觉表达，它的目的是将数据转化为可视化形式，帮助我们观察和理解数据的分布、趋势、异常值等特征，通过可视化分析，我们可以快速获取对数据的直观印象和洞察，并发现数据中的规律和模式。
统计分析是基于统计学原理和方法对数据进行量化和推断的过程，它的目的是通过统计模型和推理方法，对数据进行推断和解释，探索变量之间的关系、差异和影响，统计分析可以提供数值和指标来描述数据的特征和关联程度，进一步深入了解数据背后的统计规律。
可视化分析和统计分析之间的关系是相辅相成的，可视化分析可以帮助发现数据中的趋势、离群值、分布等，为后续的统计分析提供初步的观察和认识；统计分析可以通过数值和统计方法对数据进行量化和推断，验证和解释可视化分析中观察到的现象和规律。
作为上述实施例的优选，如图6所示，至少通过引入交叉交互项的方式而引入非线性特征，包括：
S4231：根据自变量和因变量之间的相关系数获得相关系数矩阵,如下表1所示：
表1
在上述示例中，相关系数矩阵展示了每个自变量和因变量之间的相关系数，例如，X1与Y之间的相关系数为0.85，表示它们之间存在较强的正相关性，X2与Y之间的相关系数为0.70，表示它们之间存在中等程度的正相关性。相关系数的取值范围为-1到1之间。当相关系数为1时，表示完全正相关；当相关系数为-1时，表示完全负相关；当相关系数为0时，表示无相关性。相关系数的绝对值越接近1，说明相关性越强。根据相关系数矩阵，可以对自变量之间和自变量与因变量之间的相关性进行分析和判断。
S4232：根据相关系数矩阵创建热图，矩阵的行和列分别表示自变量和因变量，每个单元格的颜色表示相关系数的大小；
S4233：根据热图的模式和趋势，选择具有较高相关性和差异程度的自变量作为候选的交叉交互项，此处可设定标准来判断相关性和差异程度；
S4234：针对候选的交叉交互项，使用回归分析法对交互效应的显著性进行验证，确定最终的交叉交互项。
例如，在观察过程中，关注与产品质量相关的原材料配比和温度之间的相关系数和差异程度，因为这两个因素通常是影响产品质量的关键因素，通过分析它们之间的相关性和差异程度，可以确定它们是否存在交叉交互效应，即它们的组合对产品质量的影响是否超出了单独考虑它们时的效应。在许多实际应用中，产品质量往往由多个因素共同决定，而原材料配比和温度通常是生产过程中可以灵活调整和控制的因素，它们的组合可能会对产品质量产生复杂的影响，通过分析它们之间的相关性，可以确定它们是否具有协同效应或互补效应，即它们的组合对产品质量产生的影响是否大于单独考虑它们时的效应之和。
此外，在上述示例中，关注原材料配比和温度之间的差异程度也是为了确定它们在交叉交互效应中的作用权重，如果两个因素的差异程度较大，那么它们在交叉交互效应中的作用可能更为显著，因此，通过观察相关系数和差异程度，可以选择具有较高相关性和显著差异的原材料配比和温度组合作为候选的交叉交互项。
作为上述实施例的优选，将交叉交互项同时引入实时数据和历史数据，从而确保在计量配料混合过程中的实时控制和历史数据分析中都考虑到了交叉交互项的影响，通过在实时数据和历史数据中应用相同的交叉交互项，可以保持一致的数据处理和分析方法，这样可以更准确地评估和预测计量配料混合过程的效果，并获得更可靠的结果。
在实时数据中应用交叉交互项可以实现对实时计量配料混合过程的实时控制和调整，通过监测自变量和因变量之间的交叉交互效应，可以及时对混合过程进行反馈控制，以达到更精确的配料目标。在历史数据中应用交叉交互项可以进行数据分析和模型验证，通过使用历史数据中的交叉交互项，可以验证交互效应的显著性，并进一步优化模型和控制策略。因此，同时应用确定的交叉交互项于实时数据和历史数据可以提高计量配料混合过程的精确性和稳定性，并优化生产效率和产品质量。
实施例二
如图7所示，一种基于数据融合的计量配料混合控制系统，包括：
数据获取模块100，获取计量配料过程中的实时数据，以及在以往的配料过程中对应的历史数据；
标准化模块200，对不同数据源的时间戳进行统一标准化；
数据处理模块300，根据标准化后的时间戳，将来自不同数据源的数据按时间排序和归类，完成数据融合，当存在没有数据的时间节段时，对时间节段进行插值处理；
回归模型模块400，以原材料配比为自变量，以配料混合效果为因变量，根据自变量和因变量之间的关系，确定回归模型且进行拟合；
模型评估和调整模块500，对拟合的回归模型进行评估及调整；
预测控制模块600，根据评估及调整后的回归模型进行配料混合效果的预测，且根据预测结果进行配料的混合控制。
本实施例中的上述控制系统所实现的技术效果与实施例一中的技术效果相同，此处不再赘述。
作为本实施例的优选，基于数据融合的计量配料混合控制系统还包括可视化模块，对自变量及因变量进行可视化展示，而具体的可视化展示方式，以及可视化后所进行的相关分析如上述实施例中所描述的，此处不再赘述。
以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.一种基于数据融合的计量配料混合控制方法，其特征在于，包括：
获取计量配料过程中的实时数据，以及在以往的配料过程中对应的历史数据；
对不同数据源的时间戳进行统一标准化；
根据标准化后的所述时间戳，将来自不同数据源的数据按时间排序和归类，完成数据融合，当存在没有数据的时间节段时，对所述时间节段进行插值处理；
以原材料配比为自变量，以配料混合效果为因变量，根据所述自变量和因变量之间的关系，确定回归模型且进行拟合；
对拟合的所述回归模型进行评估及调整；
根据评估及调整后的所述回归模型进行配料混合效果的预测，且根据预测结果进行配料的混合控制。
2.根据权利要求1所述的基于数据融合的计量配料混合控制方法，其特征在于，采用如下多元线性回归模型且进行拟合：
Y=β0+β1X1+β2X2+...+βnXn+ε
其中，Y表示作为因变量的配料混合效果，X1,X2,...,Xn表示作为自变量的各原材料配比，β0,β1,β2,...,βn表示回归系数，ε表示误差项。
3.根据权利要求2所述的基于数据融合的计量配料混合控制方法，其特征在于，在确定所述自变量和因变量之间的关系时，包括：
对所述自变量及因变量进行可视化和统计分析，以识别所述自变量和因变量之间是否存在非线性关系，若是，则执行以下步骤；
在所述多元线性回归模型中引入非线性特征，以捕捉自变量与因变量之间的非线性关系；
在引入所述非线性特征后，使用所述多元线性回归模型进行拟合。
4.根据权利要求3所述的基于数据融合的计量配料混合控制方法，其特征在于，引入所述非线性特征，包括：
收集配料混合过程的领域知识和理论依据；
建立基准多元线性回归模型，并基于所述基准多元线性回归模型评估模型的拟合效果，作为选择方式基准；
分别通过添加多项式特征、引入交互项和转换特征中的一种或多种方式引入所述非线性特征，且针对每种方式使用相同的评估指标进行评估；
基于评估结果及所述选择方式基准选择引入所述非线性特征的最终方式。
5.根据权利要求1所述的基于数据融合的计量配料混合控制方法，其特征在于，获取计量配料过程中的实时数据，以及在以往的配料过程中对应的历史数据后，还包括以下步骤：
根据所述实时数据和历史数据的特点选择噪声模型；
根据配料混合过程选择噪声的分布方式；
根据所述噪声模型和分布方式，确定相应的噪声参数；
根据所述噪声模型、分布方式和噪声参数，使用随机数生成方法生成噪声数据，并在所述实时数据和历史数据中应用所述噪声数据。
6.根据权利要求4所述的基于数据融合的计量配料混合控制方法，其特征在于，对所述自变量及因变量进行可视化和统计分析，包括：
对数据进行可视化展示；
应用统计方法对所述自变量和因变量之间的关系进行分析；
计算所述自变量和因变量之间的相关系数，根据所述相关系数的大小和方向，判断所述自变量和因变量之间的线性关系强弱和正负相关性。
7.根据权利要求4所述的基于数据融合的计量配料混合控制方法，其特征在于，至少通过引入交叉交互项的方式而引入所述非线性特征，包括：
根据所述自变量和因变量之间的相关系数获得相关系数矩阵；
根据所述相关系数矩阵创建热图；
根据所述热图的模式和趋势，选择具有较高相关性和差异程度的自变量作为候选的交叉交互项；
针对候选的交叉交互项，使用回归分析法对交互效应的显著性进行验证，确定最终的交叉交互项。
8.根据权利要求7所述的基于数据融合的计量配料混合控制方法，其特征在于，将所述交叉交互项同时引入所述实时数据和历史数据。
9.一种基于数据融合的计量配料混合控制系统，其特征在于，包括：
数据获取模块，获取计量配料过程中的实时数据，以及在以往的配料过程中对应的历史数据；
标准化模块，对不同数据源的时间戳进行统一标准化；
数据处理模块，根据标准化后的所述时间戳，将来自不同数据源的数据按时间排序和归类，完成数据融合，当存在没有数据的时间节段时，对所述时间节段进行插值处理；
回归模型模块，以原材料配比为自变量，以配料混合效果为因变量，根据所述自变量和因变量之间的关系，确定回归模型且进行拟合；
模型评估和调整模块，对拟合的所述回归模型进行评估及调整；
预测控制模块，根据评估及调整后的所述回归模型进行配料混合效果的预测，且根据预测结果进行配料的混合控制。
10.根据权利要求9所述的基于数据融合的计量配料混合控制系统，其特征在于，还包括可视化模块，对所述自变量及因变量进行可视化展示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310949445.3A CN116661404B (zh) | 2023-07-31 | 2023-07-31 | 一种基于数据融合的计量配料混合控制方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310949445.3A CN116661404B (zh) | 2023-07-31 | 2023-07-31 | 一种基于数据融合的计量配料混合控制方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116661404A true CN116661404A (zh) | 2023-08-29 |
| CN116661404B CN116661404B (zh) | 2023-09-29 |
Family
ID=87715739
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310949445.3A Active CN116661404B (zh) | 2023-07-31 | 2023-07-31 | 一种基于数据融合的计量配料混合控制方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116661404B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117784721A (zh) * | 2023-11-14 | 2024-03-29 | 东莞德芳油墨科技有限公司 | 一种生产水性环保油墨智能控制系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN206117537U (zh) * | 2016-10-08 | 2017-04-19 | 江苏海企技术工程股份有限公司 | 一种整流器稳流控制电路 |
| CN110458975A (zh) * | 2019-07-12 | 2019-11-15 | 长安大学 | 一种沥青混合料拌和过程监测系统及方法 |
| CN112465219A (zh) * | 2020-11-25 | 2021-03-09 | 北京化工大学 | 一种基于近场通信的飞机总装物料配送网络的构建方法 |
| CN114358426A (zh) * | 2022-01-05 | 2022-04-15 | 西藏众陶联供应链服务有限公司 | 陶瓷配方优化方法及系统 |
| CN114457501A (zh) * | 2022-02-22 | 2022-05-10 | 苏州捷蓝智能设备有限公司 | 一种全自动电脑横机的分段罗拉控制方法 |
| CN115952636A (zh) * | 2022-09-05 | 2023-04-11 | 浙江大学 | 一种基于数字孪生的烧结过程智能配矿方法 |
-
2023
- 2023-07-31 CN CN202310949445.3A patent/CN116661404B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN206117537U (zh) * | 2016-10-08 | 2017-04-19 | 江苏海企技术工程股份有限公司 | 一种整流器稳流控制电路 |
| CN110458975A (zh) * | 2019-07-12 | 2019-11-15 | 长安大学 | 一种沥青混合料拌和过程监测系统及方法 |
| CN112465219A (zh) * | 2020-11-25 | 2021-03-09 | 北京化工大学 | 一种基于近场通信的飞机总装物料配送网络的构建方法 |
| CN114358426A (zh) * | 2022-01-05 | 2022-04-15 | 西藏众陶联供应链服务有限公司 | 陶瓷配方优化方法及系统 |
| CN114457501A (zh) * | 2022-02-22 | 2022-05-10 | 苏州捷蓝智能设备有限公司 | 一种全自动电脑横机的分段罗拉控制方法 |
| CN115952636A (zh) * | 2022-09-05 | 2023-04-11 | 浙江大学 | 一种基于数字孪生的烧结过程智能配矿方法 |
Non-Patent Citations (2)
| Title |
|---|
| QIANG W: "Research on the Application of PID Control in Mine Emulsion Proportioning System", 《MECHANICAL MANAGEMENT AND DEVELOPMENT》 * |
| 李东: "小料计量配料系统的设计及其应用", 《塑料工业》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117784721A (zh) * | 2023-11-14 | 2024-03-29 | 东莞德芳油墨科技有限公司 | 一种生产水性环保油墨智能控制系统 |
| CN117784721B (zh) * | 2023-11-14 | 2024-05-28 | 东莞德芳油墨科技有限公司 | 一种生产水性环保油墨智能控制系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116661404B (zh) | 2023-09-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chang et al. | Using expert technology to select unstable slicing machine to control wafer slicing quality via fuzzy AHP | |
| CN116661404B (zh) | 一种基于数据融合的计量配料混合控制方法及系统 | |
| Steiner | Industry 4.0 and business process management | |
| US20220068440A1 (en) | System and method for predicting quality of a chemical compound and/or of a formulation thereof as a product of a production process | |
| Charongrattanasakul et al. | Minimizing the cost of integrated systems approach to process control and maintenance model by EWMA control chart using genetic algorithm | |
| Ruppert et al. | Estimation of machine setup and changeover times by survival analysis | |
| CN116523442B (zh) | 一种涂料用生产工艺数字化管理系统及方法 | |
| Oberoi et al. | SPC (statistical process control): a quality control technique for confirmation to ability of process | |
| Yang et al. | Integrated mission reliability modeling based on extended quality state task network for intelligent multistate manufacturing systems | |
| Yin et al. | Optimal operation of alumina proportioning and mixing process based on stochastic optimization approach | |
| CN113673842A (zh) | 基于大数据的生产效率诊断方法、装置、设备及存储介质 | |
| Noguera et al. | Response surface analysis of a multi-product batch processing facility using a simulation metamodel | |
| Sahin et al. | Performance enhancement of production systems using fuzzy-based availability analysis and simulation method | |
| Krulčić et al. | Design for Six Sigma Digital Model for Manufacturing Process Design | |
| Wang et al. | Requirements management for the incremental development model | |
| Biswal et al. | Analytical hierarchy process strategy for assessment of overall equipment effectiveness | |
| Shams et al. | Optimal design of T2 monitoring chart for chemical processes | |
| WO2023105858A1 (ja) | 化学プラント管理装置、化学プラント管理システム及び化学プラント管理方法 | |
| Alım et al. | Statistical process control (SPC) and quality management | |
| Jiménez et al. | Unlocking Scientific Knowledge with Statistical Tools in JMP®: Benefits and challenges of new statistical tools | |
| CN114492910B (zh) | 一种多型号小批量生产线资源负荷预测方法 | |
| Das | Supplier Selection Criteria and Methods in Supply Chain (A Statistical Approach) | |
| Hedman et al. | Identification of relationships between operator utilization and real process capacity in automated manufacturing | |
| Qo'shmanov et al. | METHOD OF DATA LAYERS AND SCATTER DIAGRAMS SUPPORTING PROJECTS IN THE SYSTEM OF QUALITY MANAGEMENT AND CERTIFICATION | |
| Apostu et al. | Early Indication System for Critical Situations in Job-Shop Production |
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 |