CN116739351B - 一种基于人工智能的硅藻泥管理系统及其方法 - Google Patents
一种基于人工智能的硅藻泥管理系统及其方法 Download PDFInfo
- Publication number
- CN116739351B CN116739351B CN202310999792.7A CN202310999792A CN116739351B CN 116739351 B CN116739351 B CN 116739351B CN 202310999792 A CN202310999792 A CN 202310999792A CN 116739351 B CN116739351 B CN 116739351B
- Authority
- CN
- China
- Prior art keywords
- diatom ooze
- quality
- quality parameter
- stage
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 16
- 238000004519 manufacturing process Methods 0.000 claims abstract description 86
- 239000000463 material Substances 0.000 claims abstract description 70
- 238000012544 monitoring process Methods 0.000 claims abstract description 59
- 230000007613 environmental effect Effects 0.000 claims abstract description 33
- 238000003908 quality control method Methods 0.000 claims abstract description 20
- 238000003756 stirring Methods 0.000 claims abstract description 13
- 238000001035 drying Methods 0.000 claims abstract description 12
- 238000002156 mixing Methods 0.000 claims abstract description 11
- 230000002159 abnormal effect Effects 0.000 claims description 30
- 230000008569 process Effects 0.000 claims description 22
- 239000002994 raw material Substances 0.000 claims description 20
- 238000012937 correction Methods 0.000 claims description 16
- 238000007726 management method Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 14
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 claims description 12
- 238000012797 qualification Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 241000199908 Diatoma Species 0.000 claims 1
- 238000000227 grinding Methods 0.000 abstract 1
- UHOVQNZJYSORNB-UHFFFAOYSA-N Benzene Chemical compound C1=CC=CC=C1 UHOVQNZJYSORNB-UHFFFAOYSA-N 0.000 description 9
- 238000007689 inspection Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 3
- WSFSSNUMVMOOMR-NJFSPNSNSA-N methanone Chemical compound O=[14CH2] WSFSSNUMVMOOMR-NJFSPNSNSA-N 0.000 description 3
- 229910052704 radon Inorganic materials 0.000 description 3
- SYUHGPGVQRZVTB-UHFFFAOYSA-N radon atom Chemical compound [Rn] SYUHGPGVQRZVTB-UHFFFAOYSA-N 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- URGAHOPLAPQHLN-UHFFFAOYSA-N sodium aluminosilicate Chemical group [Na+].[Al+3].[O-][Si]([O-])=O.[O-][Si]([O-])=O URGAHOPLAPQHLN-UHFFFAOYSA-N 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 239000012855 volatile organic compound Substances 0.000 description 2
- 239000006057 Non-nutritive feed additive Substances 0.000 description 1
- 238000004887 air purification Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000711 cancerogenic effect Effects 0.000 description 1
- 231100000315 carcinogenic Toxicity 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000839 emulsion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000005342 ion exchange Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002808 molecular sieve Substances 0.000 description 1
- 239000005445 natural material Substances 0.000 description 1
- 239000011022 opal Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- -1 oxygen ions Chemical class 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 239000003973 paint Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
- 239000007921 spray 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- 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
- G06Q50/04—Manufacturing
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Factory Administration (AREA)
Abstract
本发明公开了一种基于人工智能的硅藻泥管理系统及其方法,具体涉及硅藻泥质量管理技术领域,通过原辅料质量控制模块计算硅藻泥的理论质量参数,实现从生产前控制硅藻泥质量;通过采集硅藻泥生产的原辅料粉碎阶段、原辅料混合搅拌阶段和干燥阶段的阶段环境质量参数,得到生产过程监测数据,根据监测数据计算安全风险系数,当安全风险系数超出预设值,则启动质量参数预测模型,预测硅藻泥成品的质量数据,将预测硅藻泥成品质量参数与硅藻泥成品质量参数标准对比,得到不合格子产品,实现在生产过程中控制硅藻泥质量,以解决现有技术中因为缺少对硅藻泥的生产过程监测导致经济损失大的问题。
Description
技术领域
本发明涉及硅藻泥质量管理技术领域,更具体地说,本发明涉及一种基于人工智能的硅藻泥管理系统及其方法。
背景技术
硅藻泥是一种天然环保内墙装饰材料,用来替代墙纸和乳胶漆,起内墙装饰及室内空气净化作用。硅藻泥采取生活在数百万年前的水生浮游类生物--硅藻沉积而成的天然物质,主要成分为蛋白石,富含多种有益矿物质,质地轻软,电子显微镜显示其粒子表面具有无数微小的孔穴,孔隙率达90%以上,比表面积高达65㎡/g。正是这种突出的分子筛结构,决定了其独特的功能--具有极强的物理吸附性能和离子交换性能,在墙面大面积喷水,能吸收大量水,说明吸附性极强,并缓慢持续释放负氧离子,能有效吸收甲醛、苯、氡气等有害致癌物质。
硅藻泥工艺流程概括为:硅藻土经过入厂质量检验后得到生产硅藻泥的原料,原料经过粉碎、将硅藻泥和辅料、加工助剂混合后加水搅拌,搅拌均匀后进行干燥步骤得到最终成品硅藻泥,因此硅藻泥的生产流程包括:原料粉碎、配料、混合搅拌、干燥、分装的步骤。在入厂检验中,因为硅藻土的特性,导致硅藻土的性能不均一,入厂检验难以保证硅藻土的性能安全,在出厂检验时得到不合格产品时,属于事后阶段,这时的经济损失大,因此缺少对于硅藻泥生产过程的监测。为了解决这些问题,引入人工智能技术来开发硅藻泥管理系统是一种创新的解决方案。
发明内容
为了克服现有技术的上述缺陷,本发明提供一种基于人工智能的硅藻泥管理系统及其方法,通过在硅藻泥的生产前进行质量控制,在硅藻泥生产中进行质量控制完成对硅藻泥的质量管理,通过在生产中引入安全风险系数对生产过程进行监测,当安全风险系数超出预设值,则启动质量参数预测模型,基于监测的数据预测硅藻泥成品的质量数据,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种基于人工智能的硅藻泥管理系统,包括质量标准设置模块、原辅料质量控制模块、生产过程数据监测模块、硅藻泥质量参数预测模块、预测性能验证模块,
所述质量标准设置模块用于设置硅藻泥原辅料质量参数标准QV0和硅藻泥成品质量参数标准CV0;
所述原辅料质量控制模块用于控制硅藻泥原辅料的质量,获取硅藻泥的原辅料质量百分数配比,获取每项硅藻泥原辅料的质量参数,计算硅藻泥的理论质量参数,若理论质量参数满足预设硅藻泥原辅料质量参数标准则将原辅料用于硅藻泥的生产;
所述生产过程数据监测模块用于采集硅藻泥生产的原辅料粉碎阶段、原辅料混合搅拌阶段和干燥阶段的阶段环境质量参数,得到生产过程监测数据,监测数据为时序数据,包括质量参数和空气参数,所述空气参数为温度、湿度、单位时间的空气流通量、单位体积的原料质量,根据监测数据计算安全风险系数;
所述硅藻泥质量参数预测模块基于安全风险系数启动成品硅藻泥的质量参数预测模型,设置安全风险系数的评估阈值TH,当生产过程数据监测模块计算的安全风险系数超出阈值TH时,说明硅藻泥的生产过程存在产品质量不合格的风险,启动质量参数预测模型,硅藻泥成品质量参数预测模型基于生产过程监测数据预测硅藻泥成品的质量参数,将采集的阶段环境质量参数输入质量参数预测模型,预测得到硅藻泥成品质量参数,将预测硅藻泥成品质量参数与硅藻泥成品质量参数标准对比,得到不合格子产品,不合格子产品不投入下一阶段工艺中;
所述预测性能验证模块通过验证硅藻泥成品的质量参数,获取硅藻泥的生产合格率参数,以及质量参数预测模型的偏离率参数。
优选的,其中阈值TH的获取包括下列步骤:取n个合格批次的硅藻泥生产数据,得到合格批次的环境质量参数,带入,计算合格批次的硅藻泥安全风险系数,得到AFen_1,AFen_2,…,AFen_n,取平均值的一半作为阈值TH。
优选的,将阶段A、阶段B、阶段C得到的产品成为阶段对应的子产品,当阶段A、阶段B、阶段C的修正环境参数输入硅藻泥成品质量参数预测模型中,输出的结果不符合硅藻泥成品质量参数标准时,表明该阶段对应的子产品不合格,不合格子产品不投入硅藻泥生产的下一阶段工艺中。
优选的,所述原辅料质量控制模块用于从生产前控制硅藻泥的质量,包括下列方式:设硅藻泥原辅料质量参数标准QV0={v01,v02,…,v0i,…,v0m},获取实际的硅藻泥原辅料的质量参数V={v1,v2,…,vi,…,vm},质量参数V符合质量参数标准QV0,获取硅藻泥原辅料的质量百分比,设原辅料的质量百分比为wt1,wt2,…,wtn,且,计算硅藻泥的理论质量参数集合LVa,满足公式/>,理论质量参数LVa小于成品的标准质量参数CV0说明原辅料满足要求,进入硅藻泥的生产过程。
优选的,所述生产过程数据监测模块包括生产阶段划分单元、质量参数监测单元、监测数据修正单元、异常数据标记单元、安全风险系数评估单元,所述生产阶段划分单元将硅藻泥的生产过程按照工艺流程划分为原辅料粉碎阶段、原辅料混合搅拌阶段、干燥阶段,将硅藻土粉碎工艺的阶段标记为阶段A、原辅料混合搅拌工艺阶段标记为阶段B、干燥工艺得到的阶段记为C。
优选的,所述质量参数监测单元用于监测阶段A、阶段B、阶段C实施过程的m种环境质量参数,环境质量参数包括不限于挥发性有机物、放射性核素、甲醛、苯、氡气,分别获取阶段A、阶段B、阶段C中的实时环境质量参数,记为[m1,m2,…,mn],将阶段A的环境质量参数记为Am=[am1,am2,…,amn],将阶段B的环境质量参数记为Bm=[bm1,bm2,…,bmn],将阶段C的环境质量参数记为Cm=[cm1,cm2,…,cmn];所述监测数据修正单元用于修正采集的监测数据,将监测数据记为JV,基于修正参数获取修正系数,修正参数包括监测时的温度wd、湿度sd、单位时间的空气流通量KL,以及单位体积的原料质量Zhi,修正环境质量参数为JV",满足公式/>,其中/>满足公式/>,其中k表示系数常数,取值范围在[0.1-1]。
优选的,所述异常数据标记单元用于从修正后的质量参数中筛选出异常数据,设置异常数据的判别式,经过判别式得到异常数据集合YC;所述安全风险系数评估单元基于异常数据计算安全风险系数,将不符合安全风险系数的数据传输至质量参数预测模型中。
优选的,异常数据的判别式满足公式,其中阈值thA的取值为硅藻泥成品质量参数标准,其中的δ表述异常数据的判别标准,满足公式/>。
优选的,所述安全风险系数AFen的计算公式为,其中m表示满足判别式要求的异常数据集合的数量,n表示监测的数据总量,/>和/>表示安全风险系数常数,取值在[0.5-1.0],YVi表示异常数据集中数据的质量参数。
优选的,所述质量参数预测模型基于卷积神经网络搭建,所述卷积神经网络通过深度学习存储大量输入和输出的映射关系,输入的数据为监测数据和修正参数,输出的数据为预测的硅藻泥成品的质量参数,通过向前传播和向后传播不断调整神经网络权值和阈值,使损失函数值最小,得到硅藻泥成品质量参数预测模型。
优选的,硅藻泥成品质量参数预测模型的搭建包括下列步骤:
步骤S01、模型初始化:定义深度学习的初始参数,定义神经网络间权重参数Wi、偏置参数bi、激活函数f(·),输出结果满足公式,其中Xi表示输入的修正环境质量参数,wi表示第一通道中第i个神经元的连接权重,Yi表示输出的硅藻泥成品质量参数;
步骤S02、向前传播:从历史生产数据中获取训练样本,将训练样本中的输入修正环境质量参数,输出预测的硅藻泥成品质量参数;
步骤S03、计算损失函数,设修正环境质量参数Xi实际对应的硅藻泥成品质量参数为Yi",设模型预测的硅藻泥成品质量参数为Yi,通过公式计算损失函数;
步骤S04、反向传播:根据损失函数计算得到的损失值更新权重参数和偏置参数,将输入放入信息反向传递回去,更新权重参数和偏置参数,重复至损失函数满足阈值要求,完成模型的训练,得到硅藻泥成品质量参数预测模型。
优选的,所述硅藻泥的生产合格率参数计算公式为,其中m1表示硅藻泥生产合格批次,N1表示硅藻泥生产的总批次,所述质量参数预测模型的偏离率参数满足公式/>,Yi表示质量参数预测模型预测的硅藻泥成品质量参数,Yi"表示经过验证得到的实际硅藻泥成品质量参数。
为实现本发明目的,提供一种基于人工智能的硅藻泥管理方法,包括下列步骤:
步骤S001、生产前质量控制:获取原辅料的配比,得到构成硅藻泥的原辅料质量百分数配比,计算理论的硅藻泥质量参数;
步骤S002、生产中质量控制:采集生产阶段的监测数据,获取生产阶段中的环境质量参数,计算安全风险系数,当生产阶段的子产品的安全系数超出预设值时,启动硅藻泥成品质量参数预测模型,预测硅藻泥成品的质量参数;
步骤S003、将预测硅藻泥成品质量参数与硅藻泥成品质量参数标准对比,得到不合格子产品,不合格子产品不投入下一阶段工艺中;
步骤S004、验证硅藻泥成品的质量参数,获取硅藻泥的生产合格率参数,以及质量参数预测模型的偏离率参数,根据偏离参数验证硅藻泥质量参数预测模型的准确性。
本发明的技术效果和优点:
本发明利用先进的人工智能技术,实现对硅藻泥质量监控,通过智能化的数据分析和决策支持,提高硅藻泥生产和施工的质量,本发明通过原辅料质量控制模块对硅藻泥的原辅料进行质量控制,通过生产过程数据监测模块实现对硅藻泥生产过程的质量控制完成对硅藻泥的质量管理,通过在生产中引入安全风险系数对生产过程进行监测,当安全风险系数超出预设值,则启动质量参数预测模型,基于监测的数据预测硅藻泥成品的质量数据,解决现有技术中因为缺少事中检验导致经济损失大的问题。
附图说明
图1为本发明的整体结构框图。
图2为本发明的生产过程数据监测模块结构框图。
图3为本发明的方法流程图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整地传达给本领域的技术人员。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本申请及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
计算机系统/服务器可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常,程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等,它们执行特定的任务或者实现特定的抽象数据类型。计算机系统/服务器可以在分布式云计算环境中实施,分布式云计算环境中,任务是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中,程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。
实施例1
本发明提供了如图1所示的一种基于人工智能的硅藻泥管理系统,包括质量标准设置模块、原辅料质量控制模块、生产过程数据监测模块、硅藻泥质量参数预测模块、预测性能验证模块,
所述质量标准设置模块用于设置硅藻泥原辅料质量参数标准QV0和硅藻泥成品质量参数标准CV0;
所述原辅料质量控制模块用于控制硅藻泥原辅料的质量,获取硅藻泥的原辅料质量百分数配比,获取每项硅藻泥原辅料的质量参数,计算硅藻泥的理论质量参数,若理论质量参数满足预设硅藻泥原辅料质量参数标准则将原辅料用于硅藻泥的生产;
所述生产过程数据监测模块用于采集硅藻泥生产的原辅料粉碎阶段、原辅料混合搅拌阶段和干燥阶段的阶段环境质量参数,得到生产过程监测数据,监测数据为时序数据,包括质量参数和空气参数,所述空气参数为温度、湿度、单位时间的空气流通量、单位体积的原料质量,根据监测数据计算安全风险系数;
所述硅藻泥质量参数预测模块基于安全风险系数启动成品硅藻泥的质量参数预测模型,设置安全风险系数的评估阈值TH,当生产过程数据监测模块计算的安全风险系数超出阈值TH时,说明硅藻泥的生产过程存在产品质量不合格的风险,启动质量参数预测模型,硅藻泥成品质量参数预测模型基于生产过程监测数据预测硅藻泥成品的质量参数,将采集的阶段环境质量参数输入质量参数预测模型,预测得到硅藻泥成品质量参数,将预测硅藻泥成品质量参数与硅藻泥成品质量参数标准对比,得到不合格子产品,不合格子产品不投入下一阶段工艺中;
进一步的,其中阈值TH的获取包括下列步骤:取n个合格批次的硅藻泥生产数据,得到合格批次的环境质量参数,带入,计算合格批次的硅藻泥安全风险系数,得到AFen_1,AFen_2,…,AFen_n,取平均值的一半作为阈值TH。
进一步的,将阶段A、阶段B、阶段C得到的产品成为阶段对应的子产品,当阶段A、阶段B、阶段C的修正环境参数输入硅藻泥成品质量参数预测模型中,输出的结果不符合硅藻泥成品质量参数标准时,表明该阶段对应的子产品不合格,不合格子产品不投入硅藻泥生产的下一阶段工艺中。
所述预测性能验证模块通过验证硅藻泥成品的质量参数,获取硅藻泥的生产合格率参数,以及质量参数预测模型的偏离率参数。
进一步的,原辅料质量控制模块用于从生产前控制硅藻泥的质量,包括下列方式:设硅藻泥原辅料质量参数标准QV0={v01,v02,…,v0i,…,v0m},获取实际的硅藻泥原辅料的质量参数V={v1,v2,…,vi,…,vm},质量参数V符合质量参数标准QV0,获取硅藻泥原辅料的质量百分比,设原辅料的质量百分比为wt1,wt2,…,wtn,且,计算硅藻泥的理论质量参数集合LVa,满足公式/>,理论质量参数LVa小于成品的标准质量参数CV0说明原辅料满足要求,进入硅藻泥的生产过程。
如图2所示,所述生产过程数据监测模块包括生产阶段划分单元、质量参数监测单元、监测数据修正单元、异常数据标记单元、安全风险系数评估单元,所述生产阶段划分单元将硅藻泥的生产过程按照工艺流程划分为原辅料粉碎阶段、原辅料混合搅拌阶段、干燥阶段,将硅藻土粉碎工艺的阶段标记为阶段A、原辅料混合搅拌工艺阶段标记为阶段B、干燥工艺得到的阶段记为C。
进一步的,所述质量参数监测单元用于监测阶段A、阶段B、阶段C实施过程的m种环境质量参数,环境质量参数包括不限于挥发性有机物、放射性核素、甲醛、苯、氡气,分别获取阶段A、阶段B、阶段C中的实时环境质量参数,记为[m1,m2,…,mn],将阶段A的环境质量参数记为Am=[am1,am2,…,amn],将阶段B的环境质量参数记为Bm=[bm1,bm2,…,bmn],将阶段C的环境质量参数记为Cm=[cm1,cm2,…,cmn];所述监测数据修正单元用于修正采集的监测数据,将监测数据记为JV,获取修正参数,包括监测时的温度wd、湿度sd、单位时间的空气流通量KL、单位体积的原料质量Zhi,修正后的环境质量参数为JV",满足公式,其中/>满足公式,/>,其中k表示系数常数,取值范围在[0.1-1]。
进一步的,所述异常数据标记单元用于从修正后的质量参数中筛选出异常数据,设置异常数据的判别式,经过判别式得到异常数据集合YC;所述安全风险系数评估单元基于异常数据计算安全风险系数,将不符合安全风险系数的数据传输至质量参数预测模型中。
进一步的,异常数据的判别式满足公式,其中阈值thA的取值为硅藻泥成品质量参数标准,其中的δ表述异常数据的判别标准,满足公式/>。
进一步的,所述安全风险系数AFen的计算公式为,其中m表示满足判别式要求的异常数据集合的数量,n表示监测的数据总量,/>和/>表示安全风险系数常数,取值在[0.5-1.0],YVi表示异常数据集中数据的质量参数。
进一步的,所述质量参数预测模型基于卷积神经网络搭建,所述卷积神经网络通过深度学习存储大量输入和输出的映射关系,输入的数据为监测数据和修正参数,输出的数据为预测的硅藻泥成品的质量参数,通过向前传播和向后传播不断调整神经网络权值和阈值,使损失函数值最小,得到硅藻泥成品质量参数预测模型。
进一步的,硅藻泥成品质量参数预测模型的搭建包括下列步骤:
步骤S01、模型初始化:定义深度学习的初始参数,定义神经网络间权重参数Wi、偏置参数bi、激活函数f(·),输出结果满足公式,其中Xi表示输入的修正环境质量参数,wi表示第一通道中第i个神经元的连接权重,Yi表示输出的硅藻泥成品质量参数;
步骤S02、向前传播:从历史生产数据中获取训练样本,将训练样本中的输入修正环境质量参数,输出预测的硅藻泥成品质量参数;
步骤S03、计算损失函数,设修正环境质量参数Xi实际对应的硅藻泥成品质量参数为Yi",设模型预测的硅藻泥成品质量参数为Yi,通过公式计算损失函数;
步骤S04、反向传播:根据损失函数计算得到的损失值更新权重参数和偏置参数,将输入放入信息反向传递回去,更新权重参数和偏置参数,重复至损失函数满足阈值要求,完成模型的训练,得到硅藻泥成品质量参数预测模型。
进一步的,所述硅藻泥的生产合格率参数计算公式为,其中m1表示硅藻泥生产合格批次,N1表示硅藻泥生产的总批次,所述质量参数预测模型的偏离率参数满足公式/>,Yi表示质量参数预测模型预测的硅藻泥成品质量参数,Yi"表示经过验证得到的实际硅藻泥成品质量参数。
为实现本发明目的,提供一种基于人工智能的硅藻泥管理方法,如图3所示,包括下列步骤:
步骤S001、生产前质量控制:获取原辅料的配比,得到构成硅藻泥的原辅料质量百分数配比,计算理论的硅藻泥质量参数;
步骤S002、生产中质量控制:采集生产阶段的监测数据,获取生产阶段中的环境质量参数,计算安全风险系数,当生产阶段的子产品的安全系数超出预设值时,启动硅藻泥成品质量参数预测模型,预测硅藻泥成品的质量参数;
步骤S003、将预测硅藻泥成品质量参数与硅藻泥成品质量参数标准对比,得到不合格子产品,不合格子产品不投入下一阶段工艺中;
步骤S004、验证硅藻泥成品的质量参数,获取硅藻泥的生产合格率参数,以及质量参数预测模型的偏离率参数,根据偏离参数验证硅藻泥质量参数预测模型的准确性。
最后: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,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 (4)
1.一种基于人工智能的硅藻泥管理系统,其特征在于:包括质量标准设置模块、原辅料质量控制模块、生产过程数据监测模块、硅藻泥质量参数预测模块、预测性能验证模块,
所述质量标准设置模块用于设置硅藻泥原辅料质量参数标准QV0和硅藻泥成品质量参数标准CV0;
所述原辅料质量控制模块用于控制硅藻泥原辅料的质量,获取硅藻泥的原辅料质量百分数配比,获取每项硅藻泥原辅料的质量参数,计算硅藻泥的理论质量参数,若理论质量参数满足预设硅藻泥原辅料质量参数标准则将原辅料用于硅藻泥的生产;所述原辅料质量控制模块用于从生产前控制硅藻泥的质量,包括下列方式:设硅藻泥原辅料质量参数标准QV0={v01,v02,…,v0i,…,v0m},获取实际的硅藻泥原辅料的质量参数V={v1,v2,…,vi,…,vm},质量参数V符合质量参数标准QV0,获取硅藻泥原辅料的质量百分比,设原辅料的质量百分比为wt1,wt2,…,wtn,且,计算硅藻泥的理论质量参数集合LVa,满足公式,理论质量参数LVa小于成品的标准质量参数CV0说明原辅料满足要求,进入硅藻泥的生产过程;
所述生产过程数据监测模块用于采集硅藻泥生产的原辅料粉碎阶段、原辅料混合搅拌阶段和干燥阶段的阶段环境质量参数,得到生产过程监测数据,根据监测数据计算安全风险系数;生产过程数据监测模块包括生产阶段划分单元、质量参数监测单元、监测数据修正单元、异常数据标记单元、安全风险系数评估单元,所述生产阶段划分单元将硅藻泥的生产过程按照工艺流程划分为原辅料粉碎阶段、原辅料混合搅拌阶段、干燥阶段,将硅藻土粉碎工艺的阶段标记为阶段A、原辅料混合搅拌工艺阶段标记为阶段B、干燥工艺得到的阶段记为C;所述质量参数监测单元用于监测阶段A、阶段B、阶段C实施过程的m种环境质量参数,分别获取阶段A、阶段B、阶段C中的实时环境质量参数;所述监测数据修正单元用于修正采集的监测数据,将监测数据记为JV,基于修正参数获取修正系数,修正参数包括监测时的温度wd、湿度sd、单位时间的空气流通量KL,以及单位体积的原料质量Zhi,修正环境质量参数为JV",满足公式/>,其中/>满足公式/>,其中k表示系数常数,取值范围在[0.1-1];所述异常数据标记单元用于从修正后的质量参数中筛选出异常数据,设置异常数据的判别式,经过判别式得到异常数据集合YC;所述安全风险系数评估单元基于异常数据计算安全风险系数,将不符合安全风险系数的数据传输至质量参数预测模型中;所述安全风险系数AFen的计算公式为/>,其中m表示满足判别式要求的异常数据集合的数量,n表示监测的数据总量,/>和/>表示安全风险系数常数,取值在[0.5-1.0],YVi表示异常数据集中数据的质量参数;异常数据的判别式满足公式/>,其中阈值thA的取值为硅藻泥成品质量参数标准,其中的δ表述异常数据的判别标准,满足公式/>,满足异常数据判别式的数据构成异常数据集;
所述硅藻泥质量参数预测模块基于安全风险系数启动硅藻泥成品质量参数预测模型,硅藻泥成品质量参数预测模型基于生产过程监测数据预测硅藻泥成品的质量参数,将采集的阶段环境质量参数输入质量参数预测模型,预测得到硅藻泥成品质量参数,将预测硅藻泥成品质量参数与硅藻泥成品质量参数标准对比,得到不合格子产品,不合格子产品不投入下一阶段工艺中;
所述预测性能验证模块通过验证硅藻泥成品的质量参数,获取硅藻泥的生产合格率参数,以及质量参数预测模型的偏离率参数。
2.根据权利要求1所述的一种基于人工智能的硅藻泥管理系统,其特征在于:所述质量参数预测模型基于卷积神经网络搭建,所述卷积神经网络通过深度学习存储大量输入和输出的映射关系,输入的数据为监测数据和修正参数,输出的数据为预测的硅藻泥成品的质量参数,通过向前传播和向后传播不断调整神经网络权值和阈值,使损失函数值最小,得到硅藻泥成品质量参数预测模型。
3.根据权利要求1所述的一种基于人工智能的硅藻泥管理系统,其特征在于:所述硅藻泥的生产合格率参数计算公式为,其中m1表示硅藻泥生产合格批次,N1表示硅藻泥生产的总批次,所述质量参数预测模型的偏离率参数满足公式/>,Yi表示质量参数预测模型预测的硅藻泥成品质量参数,Yi"表示经过验证得到的实际硅藻泥成品质量参数。
4.一种基于人工智能的硅藻泥管理方法,用于实现上述权利要求1-3任一所述的一种基于人工智能的硅藻泥管理系统,其特征在于:包括下列步骤:
步骤S001、生产前质量控制:获取原辅料的配比,得到构成硅藻泥的原辅料质量百分数配比,计算理论的硅藻泥质量参数;
步骤S002、生产中质量控制:采集生产阶段的监测数据,获取生产阶段中的环境质量参数,计算安全风险系数,当生产阶段的子产品的安全系数超出预设值时,启动硅藻泥成品质量参数预测模型,预测硅藻泥成品的质量参数;
步骤S003、将预测硅藻泥成品质量参数与硅藻泥成品质量参数标准对比,得到不合格子产品,不合格子产品不投入下一阶段工艺中;
步骤S004、验证硅藻泥成品的质量参数,获取硅藻泥的生产合格率参数,以及质量参数预测模型的偏离率参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310999792.7A CN116739351B (zh) | 2023-08-10 | 2023-08-10 | 一种基于人工智能的硅藻泥管理系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310999792.7A CN116739351B (zh) | 2023-08-10 | 2023-08-10 | 一种基于人工智能的硅藻泥管理系统及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116739351A CN116739351A (zh) | 2023-09-12 |
CN116739351B true CN116739351B (zh) | 2023-11-21 |
Family
ID=87901552
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310999792.7A Active CN116739351B (zh) | 2023-08-10 | 2023-08-10 | 一种基于人工智能的硅藻泥管理系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116739351B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107721265A (zh) * | 2017-11-13 | 2018-02-23 | 东莞市爱乐居环保科技有限公司 | 一种硅藻泥 |
CN111445103A (zh) * | 2020-02-25 | 2020-07-24 | 国网河南省电力公司电力科学研究院 | 一种基于工业互联网的输电线缆生产质量管理反馈系统 |
CN113506046A (zh) * | 2021-09-06 | 2021-10-15 | 江苏扬子易联智能软件有限公司 | 一种基于质量管理规范数据追踪的药品质量控制分析系统 |
WO2022200862A1 (en) * | 2021-03-26 | 2022-09-29 | Lynceus Sas | Real-time ai-based quality assurance for semiconductor production machines |
CN115630877A (zh) * | 2022-12-19 | 2023-01-20 | 南京乔康生物科技有限公司 | 一种用于透明质酸钠生产的质量检测方法及系统 |
CN115796714A (zh) * | 2023-02-08 | 2023-03-14 | 广州市天奕信息技术股份有限公司 | 一种面向信息交互的军工生产数据质量检测系统 |
CN116298225A (zh) * | 2023-03-08 | 2023-06-23 | 江苏乾禧环保科技有限公司 | 一种陶粒生产工序在线监控分析系统 |
-
2023
- 2023-08-10 CN CN202310999792.7A patent/CN116739351B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107721265A (zh) * | 2017-11-13 | 2018-02-23 | 东莞市爱乐居环保科技有限公司 | 一种硅藻泥 |
CN111445103A (zh) * | 2020-02-25 | 2020-07-24 | 国网河南省电力公司电力科学研究院 | 一种基于工业互联网的输电线缆生产质量管理反馈系统 |
WO2022200862A1 (en) * | 2021-03-26 | 2022-09-29 | Lynceus Sas | Real-time ai-based quality assurance for semiconductor production machines |
CN113506046A (zh) * | 2021-09-06 | 2021-10-15 | 江苏扬子易联智能软件有限公司 | 一种基于质量管理规范数据追踪的药品质量控制分析系统 |
CN115630877A (zh) * | 2022-12-19 | 2023-01-20 | 南京乔康生物科技有限公司 | 一种用于透明质酸钠生产的质量检测方法及系统 |
CN115796714A (zh) * | 2023-02-08 | 2023-03-14 | 广州市天奕信息技术股份有限公司 | 一种面向信息交互的军工生产数据质量检测系统 |
CN116298225A (zh) * | 2023-03-08 | 2023-06-23 | 江苏乾禧环保科技有限公司 | 一种陶粒生产工序在线监控分析系统 |
Non-Patent Citations (2)
Title |
---|
Robust Data-Driven Modeling Approach for Real-Time Final Product Quality Prediction in Batch Process Operation;David Wang;《IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS》;第7卷;371-377 * |
用神经网络模型预测催化裂化原料油结构族组成的研究;冯玉海等;《石油炼制与化工》;第32卷(第4期);59-61 * |
Also Published As
Publication number | Publication date |
---|---|
CN116739351A (zh) | 2023-09-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109947124A (zh) | 改进粒子群算法优化模糊pid无人直升机姿态控制方法 | |
CN107358006B (zh) | 一种基于主成分分析的Lorenz扰动风速预测方法 | |
CN111045326A (zh) | 一种基于递归神经网络的烘丝过程水分预测控制方法及系统 | |
CN105447567B (zh) | 基于bp神经网络与mpso算法的铝电解节能减排控制方法 | |
CN106227038A (zh) | 基于神经网络和模糊控制的粮食烘干塔智能控制方法 | |
CN106971238A (zh) | 基于T‑S模糊Elman神经网络的短期电力负荷预测方法 | |
CN116739351B (zh) | 一种基于人工智能的硅藻泥管理系统及其方法 | |
CN106482507B (zh) | 一种水泥分解炉燃烧自动控制方法 | |
CN110738357A (zh) | 煤炭堆场起尘量预测方法、装置、系统和存储介质 | |
CN115274025A (zh) | 锂离子电池浆料黏度预测方法、装置及相关设备 | |
CN109933040B (zh) | 基于层次密度峰值聚类和最相似模态的故障监测方法 | |
Thomas et al. | Shrinking horizon model predictive control applied to autoclave curing of composite laminate materials | |
CN101833281A (zh) | 污水处理曝气节能控制方法 | |
CN114637206B (zh) | 一种基于双聚类自适应模糊神经网络的重量控制方法 | |
CN105511270B (zh) | 一种基于协同进化的pid控制器参数优化方法和系统 | |
CN105334730B (zh) | 加热炉氧含量的iga优化t‑s模糊arx建模方法 | |
Pérez et al. | Fuzzy controller based on PLC S7-1200: Application to a servomotor | |
EP3296387A1 (de) | Verfahren zur überwachung von bioprozessen | |
CN109624187B (zh) | 一种记忆海绵发泡过程的质量监控方法 | |
CN110457906B (zh) | 一种网络安全事件智能告警方法 | |
CN110577091B (zh) | 基于人工智能稳定混匀矿质量的方法、系统及介质 | |
CN110210657B (zh) | 一种基于单机模型的风机功率预测方法、系统及计算机存储介质 | |
CN107239608B (zh) | 一种基于数学模型的高强度琼胶生产方法及其应用 | |
CN107491584B (zh) | 基于几何参数的熔模铸件收缩率预测方法 | |
CN111275200A (zh) | 一种适用于区块链工作量证明的多边缘服务器缓存算法 |
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 |