CN117077983B - 一种基于物联网的塑料制品再制造处理方法及系统 - Google Patents
一种基于物联网的塑料制品再制造处理方法及系统 Download PDFInfo
- Publication number
- CN117077983B CN117077983B CN202311330710.6A CN202311330710A CN117077983B CN 117077983 B CN117077983 B CN 117077983B CN 202311330710 A CN202311330710 A CN 202311330710A CN 117077983 B CN117077983 B CN 117077983B
- Authority
- CN
- China
- Prior art keywords
- plastic product
- plastic
- remanufacturing
- parameters
- recasting
- 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
- 239000004033 plastic Substances 0.000 title claims abstract description 299
- 229920003023 plastic Polymers 0.000 title claims abstract description 299
- 238000003672 processing method Methods 0.000 title claims abstract description 9
- 238000000034 method Methods 0.000 claims abstract description 69
- 238000012958 reprocessing Methods 0.000 claims abstract description 33
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 27
- 230000008929 regeneration Effects 0.000 claims abstract description 25
- 238000011069 regeneration method Methods 0.000 claims abstract description 25
- 238000013135 deep learning Methods 0.000 claims abstract description 23
- 238000004519 manufacturing process Methods 0.000 claims abstract description 22
- 238000012216 screening Methods 0.000 claims abstract description 14
- 238000005457 optimization Methods 0.000 claims description 32
- 238000012795 verification Methods 0.000 claims description 24
- 238000013527 convolutional neural network Methods 0.000 claims description 21
- 238000007637 random forest analysis Methods 0.000 claims description 21
- 238000004064 recycling Methods 0.000 claims description 19
- 238000003066 decision tree Methods 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 12
- 238000013480 data collection Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 6
- 238000000611 regression analysis Methods 0.000 claims description 6
- 230000001419 dependent effect Effects 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 abstract description 10
- 239000002994 raw material Substances 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 239000000126 substance Substances 0.000 description 6
- 239000002699 waste material Substances 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000002844 melting Methods 0.000 description 5
- 230000008018 melting Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- 239000013502 plastic waste Substances 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 239000000654 additive Substances 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- -1 polyethylene Polymers 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000004381 surface treatment Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 239000004698 Polyethylene Substances 0.000 description 1
- 239000004743 Polypropylene Substances 0.000 description 1
- 230000006750 UV protection Effects 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000013485 heteroscedasticity test Methods 0.000 description 1
- 238000007731 hot pressing Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000004014 plasticizer Substances 0.000 description 1
- 229920000573 polyethylene Polymers 0.000 description 1
- 229920001155 polypropylene Polymers 0.000 description 1
- 229920000915 polyvinyl chloride Polymers 0.000 description 1
- 239000004800 polyvinyl chloride Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Strategic Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Manufacturing & Machinery (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Injection Moulding Of Plastics Or The Like (AREA)
Abstract
本发明涉及塑料制品再制造领域，尤其是涉及基于物联网的塑料制品再制造处理方法及系统，该方法包括以下步骤：S1、收集塑料制品原始条件参数及塑料制品再生制造参数；S2、根据塑料制品原始条件参数，生成塑料制品参数索引表；S3、采用皮尔逊相关系数对塑料制品参数列表进行筛选，获取塑料重铸参数，并根据塑料重铸参数生成预设重铸方案；S4、将塑料重铸参数与塑料制品再生制造参数进行匹配，并基于深度学习算法和匹配结果评估塑料制品再制造可行性，得到塑料制品再加工策略。本发明通过收集塑料制品原始条件参数和再制造参数，并利用数据分析算法对这些参数进行处理和匹配，可以提高再制造的效率。
Description
技术领域
本发明涉及塑料制品再制造领域，具体来说，涉及一种基于物联网的塑料制品再制造处理方法及系统。
背景技术
随着全球塑料废弃物的不断增加，塑料制品的再制造和再生利用变得愈发重要，基于物联网的塑料制品再制造处理方法及系统为解决塑料制品再制造过程中的难题提供了一种全面且高效的解决方案，通过物联网技术的应用，可以实现对塑料制品再制造过程的全面监测、数据分析和智能控制。
物联网技术可以实现对塑料制品再制造过程的全面监测，通过在再制造设备和塑料制品上安装传感器和标识，可以实时获取关于塑料制品的生命周期信息，包括原材料成分、工艺参数、生产过程和再制造效果等数据，可以通过物联网平台进行采集、存储和分析，为再制造过程中的决策提供准确的参考，同时物联网技术可以实现对塑料制品再制造过程的数据分析，对采集到的数据进行大数据的分析和挖掘，可以揭示塑料制品再制造的潜在问题和机会。
但是现有的物联网的塑料制品再制造处理方法及系统在进行使用时无法对收集塑料制品原始条件参数和再制造参数进行处理和匹配，导致塑料制品再制造时无法塑料重铸参数对塑料重铸参数进行准确的计算，使得现有的物联网的塑料制品再制造处理方法及系统在进行塑料再制造时的成功率并不理想。
针对相关技术中的问题，目前尚未提出有效的解决方案。
发明内容
针对相关技术中的问题，本发明提出一种基于物联网的塑料制品再制造处理方法及系统，以克服现有相关技术所存在的上述技术问题。
为此，本发明采用的具体技术方案如下：
一种基于物联网的塑料制品再制造处理方法，该方法包括以下步骤：
S1、收集塑料制品原始条件参数及塑料制品再生制造参数；
S2、根据塑料制品原始条件参数，生成塑料制品参数索引表；
S3、采用皮尔逊相关系数对塑料制品参数列表进行筛选，获取塑料重铸参数，并根据塑料重铸参数生成预设重铸方案；
S4、将塑料重铸参数与塑料制品再生制造参数进行匹配，并基于深度学习算法和匹配结果评估塑料制品再制造可行性，得到塑料制品再加工策略；
S5、通过云计算平台构建随机森林模型对塑料制品再加工策略进行优化，并验证优化结果；
S6、根据优化后的塑料制品再加工策略，生成再制造加工信息，并根据对再制造加工信息进行塑料制品再制造处理。
优选的，根据塑料制品原始条件参数，生成塑料制品参数索引表包括以下步骤：
S21、对收集的塑料制品原始条件参数进行数据清洗；
S22、根据清洗后的塑料制品原始条件参数进行特征参数分类；
S23、根据特征参数分类结果进行塑料制品参数索引表构建。
优选的，采用皮尔逊相关系数对塑料制品参数列表进行筛选，获取塑料重铸参数，并根据塑料重铸参数生成预设重铸方案包括以下步骤：
S31、采用皮尔逊相关系数计算塑料制品参数列表中各参数与塑料制品再生利用率的相关度；
S32、预设相关度阀值，并根据相关度阀值进行相关度筛选；
S33、根据筛选后的相关度采用多元回归分析法，构建参数预测模型，获取塑料重铸参数，并根据塑料重铸参数生成预设重铸方案。
优选的，采用皮尔逊相关系数计算塑料制品参数列表中各参数与塑料制品再生利用率的相关度计算公式为：
；
其中，n为相关度；
为塑料制品参数列表中第i个参数；
为塑料制品参数列表中参数均值；
为塑料制品再生中第i个利用率；
为塑料制品再生利用率中均值。
优选的，根据筛选后的相关度采用多元回归分析法，构建参数预测模型，获取塑料重铸参数，并根据塑料重铸参数生成预设重铸方案包括以下步骤：
S331、将预测的塑料重铸参数作为因变量，将筛选后的相关度超过相关度阀值的塑料制品参数作为自变量，构建参数预测模型；
S332、采用最小二乘法计算回归平面的未知参数值，获得实际观测值与模型预测值之间的残差平方值；
S333、对构建的参数预测模型进行假设检验，并根据检验结果进行参数预测模型优化；
S334、将残差平方值带入优化后的参数预测模型获取塑料重铸参数；
S335、通过分析塑料重铸参数选择再制造方式，根据再制造方式进行重铸步骤规划，并对重铸步骤规划进行验证优化；
S336、将再制造方式与验证优化后的重铸步骤规划进行整合，获得预设重铸方案。
优选的，将塑料重铸参数与塑料制品再生制造参数进行匹配，并基于深度学习算法和匹配结果评估塑料制品再制造可行性，得到塑料制品再加工策略包括以下步骤：
S41、提取塑料重铸参数的重铸特征数据与塑料制品再生制造参数的再制造特征数据；
S42、将重铸特征数据与再制造特征数据采用决策树进行匹配，并进行验证优化，获取匹配结果；
S43、根据深度学习算法和匹配结果构建卷积神经网络模型，并根据卷积神经网络模型计算进行塑料制品再制造可行性；
S44、对塑料制品再制造可行性进行评估优化，获取塑料制品再加工策略。
优选的，将重铸特征数据与再制造特征数据采用决策树进行匹配，并进行验证优化，获取匹配结果包括以下步骤：
S421、根据重铸特征数据与再制造特征数据构建特征数据集，并将特征数据集按7比3的比例，分为测试集和训练集；
S422、根据重铸特征数据与再制造特征数据构建分类回归决策树模型，采用训练集对分类回归决策树模型进行训练，并将测试集带入分类回归决策树模型进行验证优化；
S423、将特征数据集输入优化后的分类回归决策树模型进行计算，获取匹配结果。
优选的，根据深度学习算法和匹配结果构建卷积神经网络模型，并根据卷积神经网络模型计算进行塑料制品再制造可行性包括以下步骤：
S431、通过重铸特征数据和再制造特征数据，构建计算数据集，并将计算数据集按7比3的比例，分为验证集和锻炼集；
S432、根据深度学习算法和匹配结果构建通过锻炼集训练卷积神经网络模型，并通过验证集对卷积神经网络模型进行验证优化；
S433、将塑料制品特征数据带入优化后的卷积神经网络模型进行预测，获得塑料制品再制造可行性。
优选的，通过云计算平台构建随机森林模型对塑料制品再加工策略进行优化，并验证优化结果包括以下步骤：
S51、根据云计算平台构建随机森林模型，选取塑料制品特性作为输入特征，并将塑料制品的再制造效果作为模型的输出目标；
S52、根据云计算平台和随机森林算法创建随机森林模型，并预设基本参数；
S53、将塑料制品再加工策略带入随机森林模型进行验证优化。
根据本发明的另一个方面，提供了一种基于物联网的塑料制品再制造处理系统，该系统包括：
数据收集模块，用于收集塑料制品原始条件参数及塑料制品再生制造参数；
数据索引模块，用于根据塑料制品原始条件参数，生成塑料制品参数索引表；
重铸方案选择模块，用于采用皮尔逊相关系数对塑料制品参数列表进行筛选，获取塑料重铸参数，并根据塑料重铸参数生成预设重铸方案；
塑料制品再加工模块，将塑料重铸参数与塑料制品再生制造参数进行匹配，并基于深度学习算法和匹配结果评估塑料制品再制造可行性，得到塑料制品再加工策略；
再加工策略优化模块，通过云计算平台构建随机森林模型对塑料制品再加工策略进行优化，并验证优化结果；
再制造处理模块，通过根据优化后的塑料制品再加工策略，生成再制造加工信息，并根据对再制造加工信息进行塑料制品再制造处理。
数据收集模块、数据索引模块、重铸方案选择模块、塑料制品再加工模块、再加工策略优化模块及再制造处理模块依次连接。
本发明的有益效果为：
1、本发明通过收集塑料制品原始条件参数和再制造参数，并利用数据分析算法对这些参数进行处理和匹配，可以提高再制造的效率，同时通过筛选和优化参数预测模型，可以得到更准确的塑料重铸参数和再制造可行性评估结果，从而优化再制造方案，提高再制造的成功率，降低塑料废弃物的产生量，减少对原材料和能源的浪费。
2、本发明通过数据分析和深度学习算法，可以对再制造过程进行实时监控和控制，确保再制造质量达到最优水平，并结合了物联网、数据分析和深度学习等先进技术，对这些技术的应用和发展起到了推动作用，提高塑料制品的再生利用率，减少对环境的污染，降低塑料废弃物对土地和水资源的占用和污染，同时提高再制造效率和质量，减少资源浪费，可以提升再制造工厂的运营效益和经济效益。
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是根据本发明实施例的一种基于物联网的塑料制品再制造处理方法的方法流程图；
图2是根据本发明实施例的一种基于物联网的塑料制品再制造处理系统的系统框图。
图中：
1、数据收集模块；2、数据索引模块；3、重铸方案选择模块；4、塑料制品再加工模块；5、再加工策略优化模块；6、再制造处理模块。
实施方式
为进一步说明各实施例，本发明提供有附图，这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理，配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点，图中的组件并未按比例绘制，而类似的组件符号通常用来表示类似的组件。
根据本发明的实施例，提供了一种基于物联网的塑料制品再制造处理方法及系统。
现结合附图和具体实施方式对本发明进一步说明，如图1所示，根据本发明实施例的基于物联网的塑料制品再制造处理方法，该方法包括以下步骤：
S1、收集塑料制品原始条件参数及塑料制品再生制造参数；
具体的，塑料制品原始条件参数包括：
塑料类型：如聚乙烯、聚丙烯、聚氯乙烯等。
原材料成分：塑料制品所使用的原料成分及其比例。
尺寸和形状：塑料制品的尺寸、形状、厚度等参数。
强度和硬度：塑料制品的物理性能，如拉伸强度、硬度等。
表面特性：塑料制品的表面处理情况，如光滑度、粗糙度等。
塑料制品再生制造参数包括：
再生温度：塑料制品再制造过程中所需的温度条件。
再生时间：塑料制品再制造过程中所需的时间。
再生压力：塑料制品再制造过程中所需的压力条件。
再生添加剂：再制造过程中所使用的添加剂，如再生剂、增塑剂等。
再生设备参数：再制造设备的参数，如搅拌速度、加热功率等。
S2、根据塑料制品原始条件参数，生成塑料制品参数索引表；
具体的，根据塑料制品原始条件参数，生成塑料制品参数索引表包括以下步骤：
S21、对收集的塑料制品原始条件参数进行数据清洗；
具体的，检查数据集中是否有重复的原始条件参数，如有重复值，则可以将其删除，确保每个值只出现一次，检查数据集中是否存在缺失值，即某些原始条件参数缺少数值或为空，根据具体情况，可以选择删除缺失值所在的行或列，或者使用插值、均值或其他合适的方法进行填充，检查数据集中是否存在异常值，即与其他值明显不符或超出合理范围的值，而对于异常值，可以选择删除、修正或替换为合适的值；
检查数据集中的参数格式是否一致，例如统一使用相同的单位、命名规范等，若如果存在不一致性，可以进行格式调整以保持一致性，再根据需要，将数据集中的参数类型进行转换，例如将字符串类型转换为数值型或日期型，检查数据集中的参数之间是否存在逻辑或关联性错误，例如，确保参数之间的关系符合物理和工程原理，如果数据集中的原始条件参数具有不同的数值范围或单位，可以对其进行归一化处理，以便更好地进行数据分析和模型建立。
S22、根据清洗后的塑料制品原始条件参数进行特征参数分类；
具体的，特征参数分类包括：
物理特性参数：包括塑料制品的尺寸、形状、厚度等物理特性的参数。
材料成分参数：包括塑料制品所使用的原料成分及其比例的参数。
机械性能参数：包括塑料制品的强度、硬度、韧性等机械性能相关的参数。
表面特性参数：包括塑料制品的表面处理情况、光滑度、粗糙度等表面特性的参数。
热性能参数：包括塑料制品的热导率、熔点、热膨胀系数等与热性能相关的参数。
化学特性参数：包括塑料制品在化学环境下的耐腐蚀性、化学稳定性等与化学特性相关的参数。
环境因素参数：包括塑料制品在环境条件下的耐候性、耐紫外线性能等与环境因素相关的参数。
S23、根据特征参数分类结果进行塑料制品参数索引表构建。
具体的，确定索引表的列名和列数，以适应特征参数的分类结果，其中每个列名可以对应一个特定的特征参数分类，再根据特征参数的分类结果，将每个塑料制品的参数按照对应的分类放入索引表的相应列中，确保每个参数都被正确归类；
对于每个塑料制品的参数，填写相应的参数数值，而这些数值可以是实际测量得到的，或者是从其他可靠来源获取的，同时确保填写的参数数值准确可靠，且除了参数数值外，还可以在索引表中添加其他附加信息，例如塑料制品的供应商、生产日期、备注等；
根据需要，对索引表进行格式化和排版，使其易读易用，使用表格、颜色、边框等方式，以提高索引表的可视化效果，在构建索引表后，进行验证以确保参数的正确性和完整性，检查每个分类中的参数是否准确无误，并与原始数据进行核对，同时随着数据的收集和更新，及时更新和维护索引表，确保其与实际情况的一致性。
S3、采用皮尔逊相关系数对塑料制品参数列表进行筛选，获取塑料重铸参数，并根据塑料重铸参数生成预设重铸方案；
具体的，采用皮尔逊相关系数对塑料制品参数列表进行筛选，获取塑料重铸参数，并根据塑料重铸参数生成预设重铸方案包括以下步骤：
S31、采用皮尔逊相关系数计算塑料制品参数列表中各参数与塑料制品再生利用率的相关度；
具体的，将塑料制品参数列表中的各参数和塑料制品再生利用率作为数据集，对于每个参数和再生利用率的数据，确保数据已清洗、处理缺失值，并进行必要的标准化或归一化处理，以确保数据的准确性和可比性；
使用皮尔逊相关系数公式计算每个参数与再生利用率之间的相关度，皮尔逊相关系数的取值范围为-1到1，其中1表示完全正相关，-1表示完全负相关，0表示无相关性，根据计算得到的相关系数，判断每个参数与再生利用率之间的相关度，通常情况下，绝对值较大的相关系数表示较强的相关性，而绝对值较小的相关系数表示较弱的相关性。
根据相关度的结果，可以选择保留与再生利用率高度相关的参数，进一步分析其对再生利用率的影响，也可以将这些相关度较高的参数作为建模的输入特征，用于预测再生利用率或其他相关任务。
S32、预设相关度阀值，并根据相关度阀值进行相关度筛选；
具体的，根据需求和目标，确定一个相关度阈值，该阈值可以基于经验、领域知识或统计分析等方式确定，并使用合适的相关度计算方法，如相关系数、互信息等，来计算数据之间的相关度，而对于每对数据，将其相关度与预设的相关度阈值进行比较，如果相关度高于阈值，意味着数据之间具有较强的相关性，可以保留，如果相关度低于阈值，意味着数据之间的关联较弱，可以剔除，根据相关度筛选的结果，可以选择保留相关度较高的数据进行进一步分析、建模或其他处理，减少数据集的复杂性，提高分析的效率和准确性。
S33、根据筛选后的相关度采用多元回归分析法，构建参数预测模型，获取塑料重铸参数，并根据塑料重铸参数生成预设重铸方案。
具体的，根据筛选后的相关度采用多元回归分析法，构建参数预测模型，获取塑料重铸参数，并根据塑料重铸参数生成预设重铸方案包括以下步骤：
S331、将预测的塑料重铸参数作为因变量，将筛选后的相关度超过相关度阀值的塑料制品参数作为自变量，构建参数预测模型；
S332、采用最小二乘法计算回归平面的未知参数值，获得实际观测值与模型预测值之间的残差平方值；
具体的，收集包含自变量和因变量的数据集，确保数据集的准确性和完整性，定义回归平面计算平均值、偏差、协方差、方差及参数得到回归平面，并根据计算得到的未知参数值，得到回归平面的方程。
S333、对构建的参数预测模型进行假设检验，并根据检验结果进行参数预测模型优化；
具体的，首先，需要明确模型的假设，例如在线性回归模型中，常见的假设包括误差项满足正态分布、误差项具有同方差性、自变量与因变量之间存在线性关系等，收集新的数据样本，用于进行假设检验。
使用之前构建的参数预测模型对新数据进行拟合，得到预测，并根据假设和模型拟合的结果，选择合适的假设检验方法，根据检验结果，判断是否拒绝或接受模型的假设，如果拒绝某个假设，则说明模型需要进行优化。
根据检验结果，对模型进行优化，例如误差项不满足正态分布假设，可以尝试使用非线性模型或转换变量等方法来改进模型，如果存在异方差性，可以考虑使用加权最小二乘法或进行数据转换等方法，经过优化后，重新评估模型的效果。可以使用评估指标如决定系数、均方误差等来衡量模型的拟合程度和预测能力。
S334、将残差平方值带入优化后的参数预测模型获取塑料重铸参数；
S335、通过分析塑料重铸参数选择再制造方式，根据再制造方式进行重铸步骤规划，并对重铸步骤规划进行验证优化；
具体的，对于塑料重铸，需要分析相关参数，包括塑料类型、塑料的熔点、熔融特性、可再加工性、化学稳定性等，根据塑料重铸参数的分析结果，选择合适的再制造方式，常见的再制造方式包括熔融再制造、热压再制造、化学再制造等，选择合适的再制造方式需要考虑塑料的性质、再制造的目标和要求，以及可行性和经济性；
根据选定的再制造方式，进行重铸步骤规划，包括确定重铸的设备和工艺流程，包括塑料的熔融、模具制备、冷却、脱模等步骤，同时根据塑料的特性和再制造目标，确定适当的温度、压力和时间等参数。
在规划的重铸步骤中，进行验证和优化，通过实验、模拟仿真等方法，验证重铸步骤的可行性和效果，根据验证结果，对重铸步骤进行优化和调整，以提高再制造的质量和效率，且根据验证优化的结果，可以进行多次迭代，不断调整和改进重铸步骤规划。
S336、将再制造方式与验证优化后的重铸步骤规划进行整合，获得预设重铸方案。
具体的，明确再制造的目标和需求，根据再制造目标，设计再制造的流程，其中包括从原始产品的回收收集、拆解、清洗、检测、修复、改进等步骤，确保整个再制造过程按照规划有序进行；
在再制造过程中，进行验证优化步骤，这包括根据产品特性、功能需求、性能要求等，对产品的设计和制造进行分析和优化，可以使用各种工程技术、模拟仿真、实验验证等方法，确保优化后的产品满足再制造目标。
在验证优化后的产品基础上，将重铸步骤规划与再制造流程进行整合，确定重铸的具体步骤，同时在整合的过程中，确定质量控制措施，包括对原材料的检测、工艺参数的控制、产品的检验和测试等，确保再制造和重铸过程中的质量符合要求；
根据验证优化和重铸步骤规划的实践经验，对再制造流程进行优化和改进，可以通过流程改良、自动化设备投入、工艺参数调整等方式，提高再制造效率和产品质量。
具体的，采用皮尔逊相关系数计算塑料制品参数列表中各参数与塑料制品再生利用率的相关度计算公式为：
;
其中，n为相关度；
为塑料制品参数列表中第i个参数；
为塑料制品参数列表中参数均值；
为塑料制品再生中第i个利用率；
为塑料制品再生利用率中均值。
S4、将塑料重铸参数与塑料制品再生制造参数进行匹配，并基于深度学习算法和匹配结果评估塑料制品再制造可行性，得到塑料制品再加工策略；
具体的，将塑料重铸参数与塑料制品再生制造参数进行匹配，并基于深度学习算法和匹配结果评估塑料制品再制造可行性，得到塑料制品再加工策略包括以下步骤：
S41、提取塑料重铸参数的重铸特征数据与塑料制品再生制造参数的再制造特征数据；
S42、将重铸特征数据与再制造特征数据采用决策树进行匹配，并进行验证优化，获取匹配结果；
S43、根据深度学习算法和匹配结果构建卷积神经网络模型，并根据卷积神经网络模型计算进行塑料制品再制造可行性；
S44、对塑料制品再制造可行性进行评估优化，获取塑料制品再加工策略。
具体的，将重铸特征数据与再制造特征数据采用决策树进行匹配，并进行验证优化，获取匹配结果包括以下步骤：
S421、根据重铸特征数据与再制造特征数据构建特征数据集，并将特征数据集按7比3的比例，分为测试集和训练集；
S422、根据重铸特征数据与再制造特征数据构建分类回归决策树模型，采用训练集对分类回归决策树模型进行训练，并将测试集带入分类回归决策树模型进行验证优化；
S423、将特征数据集输入优化后的分类回归决策树模型进行计算，获取匹配结果。
具体的，根据深度学习算法和匹配结果构建卷积神经网络模型，并根据卷积神经网络模型计算进行塑料制品再制造可行性包括以下步骤：
S431、通过重铸特征数据和再制造特征数据，构建计算数据集，并将计算数据集按7比3的比例，分为验证集和锻炼集；
S432、根据深度学习算法和匹配结果构建通过锻炼集训练卷积神经网络模型，并通过验证集对卷积神经网络模型进行验证优化；
S433、将塑料制品特征数据带入优化后的卷积神经网络模型进行预测，获得塑料制品再制造可行性。
S5、通过云计算平台构建随机森林模型对塑料制品再加工策略进行优化，并验证优化结果；
具体的，通过云计算平台构建随机森林模型对塑料制品再加工策略进行优化，并验证优化结果包括以下步骤：
S51、根据云计算平台构建随机森林模型，选取塑料制品特性作为输入特征，并将塑料制品的再制造效果作为模型的输出目标；
S52、根据云计算平台和随机森林算法创建随机森林模型，并预设基本参数；
S53、将塑料制品再加工策略带入随机森林模型进行验证优化。
S6、根据优化后的塑料制品再加工策略，生成再制造加工信息，并根据对再制造加工信息进行塑料制品再制造处理。
根据本发明另一实施例，如图2所示，提供了一种基于物联网的塑料制品再制造处理系统，该系统包括：
数据收集模块1，用于收集塑料制品原始条件参数及塑料制品再生制造参数；
数据索引模块2，用于根据塑料制品原始条件参数，生成塑料制品参数索引表；
重铸方案选择模块3，用于采用皮尔逊相关系数对塑料制品参数列表进行筛选，获取塑料重铸参数，并根据塑料重铸参数生成预设重铸方案；
塑料制品再加工模块4，将塑料重铸参数与塑料制品再生制造参数进行匹配，并基于深度学习算法和匹配结果评估塑料制品再制造可行性，得到塑料制品再加工策略；
再加工策略优化模块5，通过云计算平台构建随机森林模型对塑料制品再加工策略进行优化，并验证优化结果；
再制造处理模块6，通过根据优化后的塑料制品再加工策略，生成再制造加工信息，并根据对再制造加工信息进行塑料制品再制造处理。
数据收集模块1、数据索引模块2、重铸方案选择模块3、塑料制品再加工模块4、再加工策略优化模块5及再制造处理模块6依次连接。
综上所述，借助于本发明的上述技术方案，本发明通过收集塑料制品原始条件参数和再制造参数，并利用数据分析算法对这些参数进行处理和匹配，可以提高再制造的效率，同时通过筛选和优化参数预测模型，可以得到更准确的塑料重铸参数和再制造可行性评估结果，从而优化再制造方案，提高再制造的成功率，降低塑料废弃物的产生量，减少对原材料和能源的浪费。
此外，本发明通过数据分析和深度学习算法，可以对再制造过程进行实时监控和控制，确保再制造质量达到最优水平，并结合了物联网、数据分析和深度学习等先进技术，对这些技术的应用和发展起到了推动作用，提高塑料制品的再生利用率，减少对环境的污染，降低塑料废弃物对土地和水资源的占用和污染，同时提高再制造效率和质量，减少资源浪费，可以提升再制造工厂的运营效益和经济效益。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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 (8)
1.一种基于物联网的塑料制品再制造处理方法，其特征在于，该方法包括以下步骤：
S1、收集塑料制品原始条件参数及塑料制品再生制造参数；
S2、根据塑料制品原始条件参数，生成塑料制品参数索引表；
S3、采用皮尔逊相关系数对塑料制品参数列表进行筛选，获取塑料重铸参数，并根据塑料重铸参数生成预设重铸方案；
S4、将塑料重铸参数与塑料制品再生制造参数进行匹配，并基于深度学习算法和匹配结果评估塑料制品再制造可行性，得到塑料制品再加工策略；
S5、通过云计算平台构建随机森林模型对塑料制品再加工策略进行优化，并验证优化结果；
S6、根据优化后的塑料制品再加工策略，生成再制造加工信息，并根据对再制造加工信息进行塑料制品再制造处理；
所述采用皮尔逊相关系数对塑料制品参数列表进行筛选，获取塑料重铸参数，并根据塑料重铸参数生成预设重铸方案包括以下步骤：
S31、采用皮尔逊相关系数计算塑料制品参数列表中各参数与塑料制品再生利用率的相关度；
S32、预设相关度阀值，并根据相关度阀值进行相关度筛选；
S33、根据筛选后的相关度采用多元回归分析法，构建参数预测模型，获取塑料重铸参数，并根据塑料重铸参数生成预设重铸方案；
所述根据筛选后的相关度采用多元回归分析法，构建参数预测模型，获取塑料重铸参数，并根据塑料重铸参数生成预设重铸方案包括以下步骤：
S331、将预测的塑料重铸参数作为因变量，将筛选后的相关度超过相关度阀值的塑料制品参数作为自变量，构建参数预测模型；
S332、采用最小二乘法计算回归平面的未知参数值，获得实际观测值与模型预测值之间的残差平方值；
S333、对构建的参数预测模型进行假设检验，并根据检验结果进行参数预测模型优化；
S334、将残差平方值带入优化后的参数预测模型获取塑料重铸参数；
S335、通过分析塑料重铸参数选择再制造方式，根据再制造方式进行重铸步骤规划，并对重铸步骤规划进行验证优化；
S336、将再制造方式与验证优化后的重铸步骤规划进行整合，获得预设重铸方案。
2.根据权利要求1所述的一种基于物联网的塑料制品再制造处理方法，其特征在于，所述根据塑料制品原始条件参数，生成塑料制品参数索引表包括以下步骤：
S21、对收集的塑料制品原始条件参数进行数据清洗；
S22、根据清洗后的塑料制品原始条件参数进行特征参数分类；
S23、根据特征参数分类结果进行塑料制品参数索引表构建。
3.根据权利要求1所述的一种基于物联网的塑料制品再制造处理方法，其特征在于，所述采用皮尔逊相关系数计算塑料制品参数列表中各参数与塑料制品再生利用率的相关度计算公式为：
；
其中，为相关度；
为塑料制品参数列表中第i个参数；
为塑料制品参数列表中参数均值；
为塑料制品再生中第i个利用率；
为塑料制品再生利用率中均值。
4.根据权利要求1所述的一种基于物联网的塑料制品再制造处理方法，其特征在于，所述将塑料重铸参数与塑料制品再生制造参数进行匹配，并基于深度学习算法和匹配结果评估塑料制品再制造可行性，得到塑料制品再加工策略包括以下步骤：
S41、提取塑料重铸参数的重铸特征数据与塑料制品再生制造参数的再制造特征数据；
S42、将重铸特征数据与再制造特征数据采用决策树进行匹配，并进行验证优化，获取匹配结果；
S43、根据深度学习算法和匹配结果构建卷积神经网络模型，并根据卷积神经网络模型计算进行塑料制品再制造可行性；
S44、对塑料制品再制造可行性进行评估优化，获取塑料制品再加工策略。
5.根据权利要求4所述的一种基于物联网的塑料制品再制造处理方法，其特征在于，所述将重铸特征数据与再制造特征数据采用决策树进行匹配，并进行验证优化，获取匹配结果包括以下步骤：
S421、根据重铸特征数据与再制造特征数据构建特征数据集，并将特征数据集按7比3的比例，分为测试集和训练集；
S422、根据重铸特征数据与再制造特征数据构建分类回归决策树模型，采用训练集对分类回归决策树模型进行训练，并将测试集带入分类回归决策树模型进行验证优化；
S423、将特征数据集输入优化后的分类回归决策树模型进行计算，获取匹配结果。
6.根据权利要求5所述的一种基于物联网的塑料制品再制造处理方法，其特征在于，所述根据深度学习算法和匹配结果构建卷积神经网络模型，并根据卷积神经网络模型计算进行塑料制品再制造可行性包括以下步骤：
S431、通过重铸特征数据和再制造特征数据，构建计算数据集，并将计算数据集按7比3的比例，分为验证集和锻炼集；
S432、根据深度学习算法和匹配结果构建通过锻炼集训练卷积神经网络模型，并通过验证集对卷积神经网络模型进行验证优化；
S433、将塑料制品特征数据带入优化后的卷积神经网络模型进行预测，获得塑料制品再制造可行性。
7.根据权利要求1所述的一种基于物联网的塑料制品再制造处理方法，其特征在于，所述通过云计算平台构建随机森林模型对塑料制品再加工策略进行优化，并验证优化结果包括以下步骤：
S51、根据云计算平台构建随机森林模型，选取塑料制品特性作为输入特征，并将塑料制品的再制造效果作为模型的输出目标；
S52、根据云计算平台和随机森林算法创建随机森林模型，并预设基本参数；
S53、将塑料制品再加工策略带入随机森林模型进行验证优化。
8.一种基于物联网的塑料制品再制造处理系统，用于实现权利要求1-7中任一项所述的基于物联网的塑料制品再制造处理方法的步骤，其特征在于，该系统包括：
数据收集模块（1），用于收集塑料制品原始条件参数及塑料制品再生制造参数；
数据索引模块（2），用于根据塑料制品原始条件参数，生成塑料制品参数索引表；
重铸方案选择模块（3），用于采用皮尔逊相关系数对塑料制品参数列表进行筛选，获取塑料重铸参数，并根据塑料重铸参数生成预设重铸方案；
塑料制品再加工模块（4），将塑料重铸参数与塑料制品再生制造参数进行匹配，并基于深度学习算法和匹配结果评估塑料制品再制造可行性，得到塑料制品再加工策略；
再加工策略优化模块（5），通过云计算平台构建随机森林模型对塑料制品再加工策略进行优化，并验证优化结果；
再制造处理模块（6），通过根据优化后的塑料制品再加工策略，生成再制造加工信息，并根据对再制造加工信息进行塑料制品再制造处理；
所述数据收集模块（1）、所述数据索引模块（2）、所述重铸方案选择模块（3）、所述塑料制品再加工模块（4）、所述再加工策略优化模块（5）及所述再制造处理模块（6）依次连接。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311330710.6A CN117077983B (zh) | 2023-10-16 | 2023-10-16 | 一种基于物联网的塑料制品再制造处理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311330710.6A CN117077983B (zh) | 2023-10-16 | 2023-10-16 | 一种基于物联网的塑料制品再制造处理方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117077983A CN117077983A (zh) | 2023-11-17 |
| CN117077983B true CN117077983B (zh) | 2023-12-22 |
Family
ID=88717525
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311330710.6A Active CN117077983B (zh) | 2023-10-16 | 2023-10-16 | 一种基于物联网的塑料制品再制造处理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117077983B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113408881A (zh) * | 2021-06-09 | 2021-09-17 | 南京海关工业产品检测中心 | 一种跨境可再生塑料粒子综合能效评估方法 |
| CN115423380A (zh) * | 2022-10-27 | 2022-12-02 | 浙江七巧连云生物传感技术股份有限公司 | 一种基于物联网的分类垃圾回收再利用智能管理平台 |
| CN115619131A (zh) * | 2022-09-29 | 2023-01-17 | 陕西正整数科技有限公司 | 一种基于物联网的塑料制品再制造处理方法及系统 |
| CN218700499U (zh) * | 2022-10-31 | 2023-03-24 | 上海跃均精密模具有限公司 | 一种塑料品生产废料回收重铸装置 |
| CN116168769A (zh) * | 2022-11-30 | 2023-05-26 | 大连理工大学 | 一种计算废塑料化学法回收产油工艺碳足迹的方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1510321A1 (en) * | 2002-05-31 | 2005-03-02 | Japan Material Enviromental co. inc. | Technique for producing recycled article comprising pouring molding of molten waste plastic |
| US11403626B2 (en) * | 2019-05-24 | 2022-08-02 | Recycle Go Inc. | Methods, systems, apparatuses and devices for facilitating processing of recyclable items |
| WO2022132671A1 (en) * | 2020-12-14 | 2022-06-23 | Anellotech, Inc. | Robotic separation of plastics for chemical recycling |
-
2023
- 2023-10-16 CN CN202311330710.6A patent/CN117077983B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113408881A (zh) * | 2021-06-09 | 2021-09-17 | 南京海关工业产品检测中心 | 一种跨境可再生塑料粒子综合能效评估方法 |
| CN115619131A (zh) * | 2022-09-29 | 2023-01-17 | 陕西正整数科技有限公司 | 一种基于物联网的塑料制品再制造处理方法及系统 |
| CN115423380A (zh) * | 2022-10-27 | 2022-12-02 | 浙江七巧连云生物传感技术股份有限公司 | 一种基于物联网的分类垃圾回收再利用智能管理平台 |
| CN218700499U (zh) * | 2022-10-31 | 2023-03-24 | 上海跃均精密模具有限公司 | 一种塑料品生产废料回收重铸装置 |
| CN116168769A (zh) * | 2022-11-30 | 2023-05-26 | 大连理工大学 | 一种计算废塑料化学法回收产油工艺碳足迹的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117077983A (zh) | 2023-11-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106779223B (zh) | 一种光伏系统发电功率实时预测方法及装置 | |
| CN111639815B (zh) | 一种多模型融合预测电网缺陷物资的方法及系统 | |
| CN112508053A (zh) | 基于集成学习框架的智能诊断方法、装置、设备及介质 | |
| CN113298288A (zh) | 一种融合时间序列和神经网络的供电所运维成本预测方法 | |
| CN116150897A (zh) | 一种基于数字孪生的机床主轴性能测评方法及系统 | |
| CN110619691B (zh) | 一种板坯表面裂纹的预测方法及装置 | |
| CN116468160A (zh) | 基于生产大数据的铝合金压铸件质量预测方法 | |
| CN107957929A (zh) | 一种基于主题模型的软件缺陷报告修复人员分配方法 | |
| CN113268883A (zh) | 一种基于pca-abc-svm模型的海底原油管道腐蚀速率预测方法 | |
| CN111160667B (zh) | 一种提高食品安全预测模型鲁棒性的方法及装置 | |
| CN117726240A (zh) | 一种基于卷积神经网络的质量评价分类方法及系统 | |
| CN115688581A (zh) | 油气集输站设备参数预警方法、系统、电子设备及介质 | |
| CN114548494A (zh) | 一种可视化造价数据预测智能分析系统 | |
| CN117077983B (zh) | 一种基于物联网的塑料制品再制造处理方法及系统 | |
| CN116932523B (zh) | 一种整合和监管第三方环境检测机构的平台 | |
| CN116629726B (zh) | 一种精密铜管包装车间的环境监测管理方法及系统 | |
| CN116644562B (zh) | 一种新能源电站运维费用评估系统 | |
| CN117371610A (zh) | 一种碳排放量监测方法及系统 | |
| CN115470730A (zh) | 一种储液罐水动力性能数字孪生评估系统及其方法 | |
| CN114970813A (zh) | 一种溶解氧浓度数据修复及预报方法 | |
| CN111062118B (zh) | 一种基于神经网络预测分层的多层软测量建模系统及方法 | |
| CN117709555B (zh) | 一种基于变压器碳核算模型的碳排预测与评价方法和系统 | |
| Quernheim et al. | Method for the Integration of Computer Aided Manufacturing Data in Life Cycle Assessment | |
| CN115936166B (zh) | 一种电能表检定误差分析预测方法 | |
| CN114924962B (zh) | 一种跨项目软件缺陷预测数据选择方法 |
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 |