CN117151314B - 透明质酸钠的生产管理方法及相关装置 - Google Patents
透明质酸钠的生产管理方法及相关装置 Download PDFInfo
- Publication number
- CN117151314B CN117151314B CN202311438634.0A CN202311438634A CN117151314B CN 117151314 B CN117151314 B CN 117151314B CN 202311438634 A CN202311438634 A CN 202311438634A CN 117151314 B CN117151314 B CN 117151314B
- Authority
- CN
- China
- Prior art keywords
- production
- equipment
- data
- node
- analysis
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 685
- 238000007726 management method Methods 0.000 title claims abstract description 92
- 229920002385 Sodium hyaluronate Polymers 0.000 title claims abstract description 69
- 229940010747 sodium hyaluronate Drugs 0.000 title claims abstract description 69
- YWIVKILSMZOHHF-QJZPQSOGSA-N sodium;(2s,3s,4s,5r,6r)-6-[(2s,3r,4r,5s,6r)-3-acetamido-2-[(2s,3s,4r,5r,6r)-6-[(2r,3r,4r,5s,6r)-3-acetamido-2,5-dihydroxy-6-(hydroxymethyl)oxan-4-yl]oxy-2-carboxy-4,5-dihydroxyoxan-3-yl]oxy-5-hydroxy-6-(hydroxymethyl)oxan-4-yl]oxy-3,4,5-trihydroxyoxane-2- Chemical compound [Na+].CC(=O)N[C@H]1[C@H](O)O[C@H](CO)[C@@H](O)[C@@H]1O[C@H]1[C@H](O)[C@@H](O)[C@H](O[C@H]2[C@@H]([C@@H](O[C@H]3[C@@H]([C@@H](O)[C@H](O)[C@H](O3)C(O)=O)O)[C@H](O)[C@@H](CO)O2)NC(C)=O)[C@@H](C(O)=O)O1 YWIVKILSMZOHHF-QJZPQSOGSA-N 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 claims abstract description 301
- 230000008569 process Effects 0.000 claims abstract description 250
- 239000011159 matrix material Substances 0.000 claims abstract description 175
- 238000004458 analytical method Methods 0.000 claims abstract description 112
- 108091026890 Coding region Proteins 0.000 claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 230000002068 genetic effect Effects 0.000 claims abstract description 22
- 238000013433 optimization analysis Methods 0.000 claims abstract description 8
- 238000006243 chemical reaction Methods 0.000 claims description 38
- 238000013507 mapping Methods 0.000 claims description 34
- 239000013598 vector Substances 0.000 claims description 34
- 238000002156 mixing Methods 0.000 claims description 18
- 230000004927 fusion Effects 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 15
- 230000007246 mechanism Effects 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 13
- 238000004806 packaging method and process Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 8
- 238000004220 aggregation Methods 0.000 claims description 7
- 230000002776 aggregation Effects 0.000 claims description 7
- 239000002994 raw material Substances 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 6
- 238000001035 drying Methods 0.000 claims description 6
- 239000012528 membrane Substances 0.000 claims description 6
- 238000003908 quality control method Methods 0.000 claims description 6
- 238000000926 separation method Methods 0.000 claims description 6
- 230000001902 propagating effect Effects 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 11
- 239000000203 mixture Substances 0.000 description 10
- 238000012423 maintenance Methods 0.000 description 9
- 239000000284 extract Substances 0.000 description 7
- 238000000605 extraction Methods 0.000 description 7
- 238000004138 cluster model Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000000746 purification Methods 0.000 description 5
- 238000013468 resource allocation Methods 0.000 description 5
- 230000009466 transformation Effects 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 4
- 230000035772 mutation Effects 0.000 description 4
- 238000013079 data visualisation Methods 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004090 dissolution Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000036632 reaction speed Effects 0.000 description 2
- 238000012731 temporal analysis Methods 0.000 description 2
- 238000000700 time series analysis Methods 0.000 description 2
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012824 chemical production Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000011049 filling Methods 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 239000000376 reactant Substances 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 239000002699 waste material 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
-
- 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)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Primary Health Care (AREA)
- Manufacturing & Machinery (AREA)
- Educational Administration (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本发明涉及人工智能领域，公开了一种透明质酸钠的生产管理方法及相关装置，用于提高透明质酸钠的生产管理效率。方法包括：获取透明质酸钠的生产过程的生产工序数据以及生产关联设备数据；进行工序编码得到工序编码序列，并进行设备编码得到设备编码序列；创建工序节点状态特征矩阵和设备运行状态特征矩阵；将工序节点状态特征矩阵以及设备运行状态特征矩阵输入生产管理分析模型进行权重和关系分析，得到生产工序节点与生产关联设备之间的生产影响系数；通过预置的遗传算法，根据生产工序节点与生产关联设备之间的生产影响系数对多个生产工序节点以及多个生产关联设备进行生产调度方案最优化分析，得到目标生产调度方案。
Description
技术领域
本发明涉及人工智能领域，尤其涉及一种透明质酸钠的生产管理方法及相关装置。
背景技术
透明质酸钠在医疗美容、医药和生物技术领域具有广泛的应用，例如皮肤填充、关节润滑、眼部手术等。其在这些应用中的高需求和市场潜力已经引发了科研和工业界的广泛关注。
然而，透明质酸钠的生产过程涉及复杂的工序和多个生产设备，需要高效的管理和调度以确保生产质量和产量的稳定性。传统的生产管理方法存在许多问题，包括不足的效率、资源浪费以及生产调度的复杂性，进而导致现有方案的效率低。
发明内容
本发明提供了一种透明质酸钠的生产管理方法及相关装置，用于提高透明质酸钠的生产管理效率。
本发明第一方面提供了一种透明质酸钠的生产管理方法，所述透明质酸钠的生产管理方法包括：
获取透明质酸钠的生产过程中所涉及的生产工序数据以及生产关联设备数据；
对所述生产工序数据进行工序解析，得到多个生产工序节点以及每个生产工序节点的节点状态数据，并对所述生产关联设备数据进行设备解析，得到多个生产关联设备以及每个生产关联设备的运行状态数据；
对所述多个生产工序节点进行工序编码，得到每个生产工序节点的工序编码序列，并对所述多个生产关联设备进行设备编码，得到每个生产关联设备的设备编码序列；
根据所述节点状态数据和所述工序编码序列创建工序节点状态特征矩阵，并根据所述运行状态数据和所述设备编码序列创建设备运行状态特征矩阵；
将所述工序节点状态特征矩阵以及所述设备运行状态特征矩阵输入预置的生产管理分析模型进行权重和关系分析，得到生产工序节点与生产关联设备之间的生产影响系数；
通过预置的遗传算法，根据所述生产工序节点与生产关联设备之间的生产影响系数对所述多个生产工序节点以及多个生产关联设备进行生产调度方案最优化分析，得到目标生产调度方案。
结合第一方面，在本发明第一方面的第一种实现方式中，所述对所述生产工序数据进行工序解析，得到多个生产工序节点以及每个生产工序节点的节点状态数据，并对所述生产关联设备数据进行设备解析，得到多个生产关联设备以及每个生产关联设备的运行状态数据，包括：
对所述生产工序数据进行工序解析，得到多个生产工序节点，其中，所述多个生产工序节点包括：原料准备、混合、反应、提取、纯化和包装；
创建所述多个生产工序节点对应的多个节点特征标签，并将所述多个节点特征标签输入预置的第一聚类模型，通过所述第一聚类模型确定所述多个节点特征标签对应的多个节点标签聚类中心；
将所述生产工序数据输入所述第一聚类模型，并通过所述多个节点标签聚类中心对所述生产工序数据进行数据点聚类，得到每个生产工序节点的节点状态数据；
对所述生产关联设备数据进行设备解析，得到多个生产关联设备，其中，所述多个生产关联设备包括：反应釜、溶解槽、过滤设备、膜分离设备、浓缩设备、干燥设备、包装设备和质量控制设备；
创建所述多个生产关联设备对应的多个设备特征标签，并将所述多个设备特征标签输入预置的第二聚类模型，通过所述第二聚类模型确定所述多个设备特征标签对应的多个设备标签聚类中心；
将所述生产关联设备数据输入所述第二聚类模型，并通过所述多个设备标签聚类中心对所述生产关联设备数据进行数据点聚类，得到每个生产关联设备的运行状态数据。
结合第一方面，在本发明第一方面的第二种实现方式中，所述对所述多个生产工序节点进行工序编码，得到每个生产工序节点的工序编码序列，并对所述多个生产关联设备进行设备编码，得到每个生产关联设备的设备编码序列，包括：
获取每个生产工序节点对应的节点属性信息，以及获取每个生产关联设备对应的设备属性信息；
对所述节点属性信息进行属性特征分析，得到多个第一属性特征，并对所述设备属性信息进行属性特征分析，得到多个第二属性特征；
对所述多个第一属性特征进行编码映射，得到每个生产工序节点的多个工序编码值，并对所述多个第二属性特征进行编码映射，得到每个生产关联设备的多个设备编码值；
对所述多个工序编码值进行编码序列组合，生成每个生产工序节点的工序编码序列，并对所述多个设备编码值进行编码序列组合，生成每个生产关联设备的设备编码序列。
结合第一方面，在本发明第一方面的第三种实现方式中，所述根据所述节点状态数据和所述工序编码序列创建工序节点状态特征矩阵，并根据所述运行状态数据和所述设备编码序列创建设备运行状态特征矩阵，包括：
分别对所述节点状态数据进行状态数据离散化，得到多个节点离散数据，并对所述运行状态数据进行状态数据离散化，得到多个运行离散数据；
分别对所述节点离散数据进行曲线拟合，得到多个节点状态曲线，并分别计算每个节点状态曲线的第一均值数据；
分别对所述运行离散数据进行曲线拟合，得到多个运行状态曲线，并分别计算每个运行状态曲线的第二均值数据；
对所述第一均值数据和所述工序编码序列进行映射匹配和矩阵转换，得到工序节点状态特征矩阵；
对所述第二均值数据和所述设备编码序列进行映射匹配和矩阵转换，得到设备运行状态特征矩阵。
结合第一方面，在本发明第一方面的第四种实现方式中，所述将所述工序节点状态特征矩阵以及所述设备运行状态特征矩阵输入预置的生产管理分析模型进行权重和关系分析，得到生产工序节点与生产关联设备之间的生产影响系数，包括：
将所述工序节点状态特征矩阵以及所述设备运行状态特征矩阵输入预置的生产管理分析模型，其中，所述生产管理分析模型包括：第一长短时记忆网络、第二长短时记忆网络、第一全连接层、注意力机制层、第二全连接层以及反归一化层；
通过所述生产管理分析模型分别对所述工序节点状态特征矩阵以及所述设备运行状态特征矩阵进行权重和关系分析，输出二维预测向量，其中，所述二维预测向量包括生产工序节点的工序权重值与生产关联设备的设备利用率；
根据所述二维预测向量计算生产工序节点与生产关联设备之间的生产影响系数。
结合第一方面，在本发明第一方面的第五种实现方式中，所述通过所述生产管理分析模型分别对所述工序节点状态特征矩阵以及所述设备运行状态特征矩阵进行权重和关系分析，输出二维预测向量，其中，所述二维预测向量包括生产工序节点的工序权重值与生产关联设备的设备利用率，包括：
通过所述生产管理分析模型中的第一长短时记忆网络，对所述工序节点状态特征矩阵进行状态特征提取，得到第一目标特征矩阵；
通过所述生产管理分析模型中的第二长短时记忆网络，对所述设备运行状态特征矩阵进行状态特征提取，得到第二目标特征矩阵；
通过所述第一全连接层对所述第一目标特征矩阵和所述第二目标特征矩阵进行矩阵融合，得到融合目标特征矩阵；
通过所述注意力机制层对所述融合目标特征矩阵进行生产工序节点与生产关联设备注意力权重分配，得到注意力权重特征矩阵；
通过所述第二全连接层对所述注意力权重特征矩阵进行特征预测，得到特征预测数据；
通过所述反归一化层对所述特征预测数据进行原始数据范围映射，输出二维预测向量，其中，所述二维预测向量包括生产工序节点的工序权重值与生产关联设备的设备利用率。
结合第一方面，在本发明第一方面的第六种实现方式中，所述通过预置的遗传算法，根据所述生产工序节点与生产关联设备之间的生产影响系数对所述多个生产工序节点以及多个生产关联设备进行生产调度方案最优化分析，得到目标生产调度方案，包括：
根据所述生产工序节点与生产关联设备之间的生产影响系数，将所述多个生产工序节点以及多个生产关联设备输入预置的遗传算法进行生产调度方案初始化，生成多个第一生产调度方案；
分别计算每个第一生产调度方案的第一适应度数据Mn，并对所述第一适应度数据Mn与第一适应度阈值M1和第二适应度阈值M2进行比较，其中，第一适应度阈值M1＜第二适应度阈值M2；
若第一适应度数据Mn＜第一适应度阈值M1，则将对应的第一生产调度方案划分至第一生产调度方案群体，若第一适应度阈值M1＜第一适应度数据Mn＜第二适应度阈值M2，则将对应的第一生产调度方案划分至第二生产调度方案群体，若第二适应度阈值M2＜第一适应度数据Mn，则将对应的第一生产调度方案划分至第三生产调度方案群体；
对所述第一生产调度方案群体和所述第二生产调度方案群体进行繁殖、交叉和变异，并对所述第三生产调度方案群体进行交叉和变异，得到多个第二生产调度方案；
分别计算每个第二生产调度方案的第二适应度数据Mf，并根据所述第二适应度数据Mf从所述多个第二生产调度方案选取最优化的生产调度方案，得到目标生产调度方案。
本发明第二方面提供了一种透明质酸钠的生产管理装置，所述透明质酸钠的生产管理装置包括：
获取模块，用于获取透明质酸钠的生产过程中所涉及的生产工序数据以及生产关联设备数据；
解析模块，用于对所述生产工序数据进行工序解析，得到多个生产工序节点以及每个生产工序节点的节点状态数据，并对所述生产关联设备数据进行设备解析，得到多个生产关联设备以及每个生产关联设备的运行状态数据；
编码模块，用于对所述多个生产工序节点进行工序编码，得到每个生产工序节点的工序编码序列，并对所述多个生产关联设备进行设备编码，得到每个生产关联设备的设备编码序列；
创建模块，用于根据所述节点状态数据和所述工序编码序列创建工序节点状态特征矩阵，并根据所述运行状态数据和所述设备编码序列创建设备运行状态特征矩阵；
分析模块，用于将所述工序节点状态特征矩阵以及所述设备运行状态特征矩阵输入预置的生产管理分析模型进行权重和关系分析，得到生产工序节点与生产关联设备之间的生产影响系数；
输出模块，用于通过预置的遗传算法，根据所述生产工序节点与生产关联设备之间的生产影响系数对所述多个生产工序节点以及多个生产关联设备进行生产调度方案最优化分析，得到目标生产调度方案。
本发明第三方面提供了一种透明质酸钠的生产管理设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述透明质酸钠的生产管理设备执行上述的透明质酸钠的生产管理方法。
本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的透明质酸钠的生产管理方法。
本发明提供的技术方案中，获取透明质酸钠的生产过程的生产工序数据以及生产关联设备数据；进行工序编码得到工序编码序列，并进行设备编码得到设备编码序列；创建工序节点状态特征矩阵和设备运行状态特征矩阵；将工序节点状态特征矩阵以及设备运行状态特征矩阵输入生产管理分析模型进行权重和关系分析，得到生产工序节点与生产关联设备之间的生产影响系数；通过预置的遗传算法，根据生产工序节点与生产关联设备之间的生产影响系数对多个生产工序节点以及多个生产关联设备进行生产调度方案最优化分析，得到目标生产调度方案，本发明通过获取和解析生产工序数据和生产关联设备数据，实现了数据的整合和规范化，使得在生产过程中产生的信息更易于管理和分析。对生产工序和设备进行自动编码，减少了手动操作的需要，提高了数据处理的效率，同时降低了错误的风险。通过创建工序节点状态特征矩阵和设备运行状态特征矩阵，该方法将生产数据转化为可供模型分析的结构化特征，有助于深入了解工序和设备之间的关系。利用生产管理分析模型进行权重和关系分析，能够精确地评估工序节点和生产关联设备之间的影响关系，为生产调度决策提供更多的信息。通过遗传算法，能够针对生产影响系数对生产工序节点和生产关联设备进行最优化调度，以实现生产调度的效率和质量的提高，进而提高了透明质酸钠的生产管理效率。
附图说明
图1为本发明实施例中透明质酸钠的生产管理方法的一个实施例示意图；
图2为本发明实施例中工序编码和设备编码的流程图；
图3为本发明实施例中创建工序节点状态特征矩阵和设备运行状态特征矩阵的流程图；
图4为本发明实施例中权重和关系分析的流程图；
图5为本发明实施例中透明质酸钠的生产管理装置的一个实施例示意图；
图6为本发明实施例中透明质酸钠的生产管理设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种透明质酸钠的生产管理方法及相关装置，用于提高透明质酸钠的生产管理效率。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，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、产品或设备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单元。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中透明质酸钠的生产管理方法的一个实施例包括：
S101、获取透明质酸钠的生产过程中所涉及的生产工序数据以及生产关联设备数据；
可以理解的是，本发明的执行主体可以为透明质酸钠的生产管理装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的，服务器明确定义数据源，即确定从哪里获取这些数据。通常，数据源包括传感器和监测设备、自动化系统、操作员报告以及ERP系统。这些数据源提供了生产工序和设备相关信息的重要来源。实施数据采集策略。这包括设置数据采集频率、采集点的位置以及采集方法。例如，传感器数据可以通过设置数据采集系统进行定期读取，然后将数据存储在数据库中。自动化系统通常会自动记录工序的启动和停止时间，这些数据可以直接从系统中提取。操作员报告可以通过电子记录系统或纸质表格输入，并随后被收集和输入到数据库中。ERP系统的数据可以通过API或数据连接提取。进行数据存储与处理。这包括数据清洗、数据存储、数据结构化和数据备份。原始数据包含错误或不完整的信息，因此需要进行数据清洗，以确保数据的准确性和完整性。数据通常存储在数据库中，以便后续的分析和查询。数据需要被结构化为表格或其他适合分析的形式。为了避免数据丢失，需要定期备份数据。最后，进行数据分析和可视化。这一阶段涉及数据可视化、数据分析和报告生成。数据可视化工具可以用来创建图表和图形，以直观地展示数据趋势和模式。数据分析可以使用统计和分析技术，如回归分析和时间序列分析，来识别关键性能指标和潜在问题。报告和仪表板则用于呈现数据分析结果，以供管理层和操作团队参考和决策。
S102、对生产工序数据进行工序解析，得到多个生产工序节点以及每个生产工序节点的节点状态数据，并对生产关联设备数据进行设备解析，得到多个生产关联设备以及每个生产关联设备的运行状态数据；
具体的，对生产工序数据进行解析，以获得多个生产工序节点和每个工序节点的节点状态数据。在透明质酸钠的生产过程中，涉及多个生产工序，如原料准备、混合、反应、提取、纯化和包装。收集与每个生产工序相关的数据。例如，记录每个工序的开始时间、结束时间、温度、压力、反应物浓度等数据。为每个生产工序节点分配唯一的工序编码，以便将数据与特定工序相关联。为每个工序节点创建节点特征标签。这些标签可以包括工序的类型、工序的时间段、工序的温度范围等。建立一个预置的第一聚类模型，用于将节点特征标签聚类并确定聚类中心。将工序数据输入第一聚类模型，并使用聚类中心对数据进行聚类，以获得每个工序节点的节点状态数据。例如，在反应工序中，服务器记录了反应釜的温度和压力数据。通过工序解析，服务器将这些数据与"反应"工序节点相关联。节点特征标签可以包括"反应"工序的时间段和温度范围。第一聚类模型将根据这些特征标签聚类工序数据，并确定"反应"工序节点的聚类中心，同时生成节点状态数据，例如该工序的平均温度和压力。对生产关联设备数据进行解析，以获得多个生产关联设备和每个设备的运行状态数据。在透明质酸钠的生产中，涉及多个设备，如反应釜、溶解槽、过滤设备、膜分离设备、浓缩设备、干燥设备、包装设备和质量控制设备。例如，收集与每个设备相关的数据，如设备的启动时间、停止时间、运行状态、维护记录等。为每个生产关联设备分配唯一的设备编码，以便将数据与特定设备相关联。为每个设备创建设备特征标签，包括设备的类型、制造商、容量等信息。建立一个预置的第二聚类模型，用于将设备特征标签聚类并确定聚类中心。将设备数据输入第二聚类模型，并使用聚类中心对数据进行聚类，以获得每个生产关联设备的运行状态数据。例如，在设备解析中，服务器记录了反应釜的启动时间、停止时间和维护记录。通过设备解析，服务器将这些数据与"反应釜"设备相关联。设备特征标签可以包括设备的类型为"反应釜"、容量为500升等信息。第二聚类模型将根据这些特征标签聚类设备数据，并确定"反应釜"设备的聚类中心，同时生成运行状态数据，如设备的平均运行时间和维护频率。
S103、对多个生产工序节点进行工序编码，得到每个生产工序节点的工序编码序列，并对多个生产关联设备进行设备编码，得到每个生产关联设备的设备编码序列；
需要说明的是，获取每个生产工序节点和生产关联设备对应的属性信息。这些信息可以包括工序节点的类型、时间段、温度范围，以及设备的制造商、型号、容量等。属性信息的获取可以通过查询已有的生产数据库或从相关的设备和工序文档中获得。对这些信息进行属性特征分析，以提取多个第一属性特征和第二属性特征。这些特征可以是与工序节点和设备相关的关键特性，用于后续的编码映射。编码映射是将属性特征映射到编码值的过程。对第一属性特征进行编码映射，得到每个生产工序节点的多个工序编码值。对第二属性特征进行编码映射，得到每个生产关联设备的多个设备编码值。这些编码值将用于表示工序节点和设备的特性，以便后续的序列组合。最后，根据编码映射得到的工序编码值和设备编码值，进行编码序列组合。将多个工序编码值组合成一个工序编码序列，以表示整个生产工序节点的特性。同样，多个设备编码值组合成一个设备编码序列，以表示整个生产关联设备的特性。
S104、根据节点状态数据和工序编码序列创建工序节点状态特征矩阵，并根据运行状态数据和设备编码序列创建设备运行状态特征矩阵；
具体的，将节点状态数据和运行状态数据进行离散化，以将连续的数据转换为离散的数据点，以便更好地处理。这可以通过分段或分层数据来实现。例如，对于节点状态数据，可以将温度和压力数据分成不同的温度范围和压力范围，从而得到多个节点离散数据。对于运行状态数据，可以将运行时间和维护次数分成不同的时间段和维护频率范围，从而得到多个运行离散数据。对离散化后的数据进行曲线拟合，以获得状态曲线。曲线拟合是将数据点拟合成曲线或函数的过程，以更好地描述数据的趋势和变化。对于每个节点状态数据，进行曲线拟合，并计算曲线的第一均值数据。对于每个运行状态数据，同样进行曲线拟合，并计算曲线的第二均值数据。这些均值数据将用于表示状态数据的特性。将它们与工序编码序列和设备编码序列进行映射匹配和矩阵转换，以创建工序节点状态特征矩阵和设备运行状态特征矩阵。这个过程涉及将均值数据与相应的编码值相关联，并将它们组合成矩阵。例如，假设服务器有多个工序节点，分别用工序编码"A"、"B"、"C"表示，对应的节点状态数据经过离散化和曲线拟合后得到了第一均值数据。同样，有多个设备，分别用设备编码"X"、"Y"、"Z"表示，对应的运行状态数据经过离散化和曲线拟合后得到了第二均值数据。例如，工序编码序列：A，B，C；设备编码序列：X，Y，Z。例如，对于工序节点状态特征矩阵，映射匹配和矩阵转换将如下所示：
工序编码 第一均值数据
A 10
B 15
C 20
对于设备运行状态特征矩阵，映射匹配和矩阵转换将如下所示：
设备编码 第二均值数据
X 50
Y 60
Z 70
S105、将工序节点状态特征矩阵以及设备运行状态特征矩阵输入预置的生产管理分析模型进行权重和关系分析，得到生产工序节点与生产关联设备之间的生产影响系数；
具体的，将已经创建的工序节点状态特征矩阵和设备运行状态特征矩阵输入到预置的生产管理分析模型中。这个生产管理分析模型可以包括多个层次，如第一长短时记忆网络、第二长短时记忆网络、第一全连接层、注意力机制层、第二全连接层以及反归一化层等。这些层次将有助于分析工序节点和设备之间的权重和关系。通过生产管理分析模型，对工序节点状态特征矩阵和设备运行状态特征矩阵进行权重和关系分析。模型将学习工序节点与设备之间的关系，并为每个工序节点分配一个工序权重值，同时为每个生产关联设备分配一个设备利用率值。这些权重和利用率值表示了工序节点对设备的影响程度和设备的利用情况。分析模型的输出将是一个二维预测向量，其中包括生产工序节点的工序权重值与生产关联设备的设备利用率。这个预测向量为每个工序节点和设备提供了相应的数值，反映了它们之间的关联和影响。这些值可以用于优化生产计划和资源分配。例如，假设服务器有一个透明质酸钠的生产过程，其中包括工序节点"反应"、"提取"和"纯化"，以及生产关联设备"反应釜"、"提取设备"和"纯化设备"。通过输入工序节点状态特征矩阵和设备运行状态特征矩阵到生产管理分析模型中，模型分析了它们之间的权重和关系，并生成了以下二维预测向量：
工序节点 工序权重值 设备利用率
反应 0.75 0.90
提取 0.60 0.85
纯化 0.70 0.88
本实施例中，工序权重值表示每个工序节点对设备的影响程度，值越高表示影响越大。设备利用率表示每个设备的资源利用情况，值越高表示设备的利用率越高。这些信息可以用于优化生产计划，确保资源分配和生产工序的协调。例如，根据工序权重值和设备利用率，可以决定在哪个工序节点增加产能，以提高生产效率。
在生产管理分析模型中使用第一长短时记忆网络（LSTM）对工序节点状态特征矩阵进行状态特征提取，得到第一目标特征矩阵。LSTM是一种适用于序列数据的深度学习模型，用于捕捉数据中的时序信息。同样，在生产管理分析模型中，使用第二长短时记忆网络（LSTM）对设备运行状态特征矩阵进行状态特征提取，得到第二目标特征矩阵。这一步骤有助于理解设备的状态和运行趋势。通过第一全连接层对第一目标特征矩阵和第二目标特征矩阵进行矩阵融合，得到融合目标特征矩阵。这个步骤将不同来源的特征信息整合在一起，以更好地理解工序节点和设备之间的关系。通过注意力机制层对融合目标特征矩阵进行生产工序节点与生产关联设备的注意力权重分配。注意力机制允许模型动态地关注不同的特征，以更好地解释它们之间的关联。这将生成一个注意力权重特征矩阵。通过第二全连接层对注意力权重特征矩阵进行特征预测，得到特征预测数据。这一步骤将特征信息转化为预测数据，反映了工序节点与设备之间的权重和关系。最后，通过反归一化层对特征预测数据进行原始数据范围的映射，输出二维预测向量。这个向量包括生产工序节点的工序权重值和生产关联设备的设备利用率。例如，考虑透明质酸钠的生产过程，其中包括工序节点"混合"、"反应"和"提取"，以及生产关联设备"混合槽"、"反应釜"和"提取设备"。通过输入工序节点状态特征矩阵和设备运行状态特征矩阵到生产管理分析模型中，模型分析了它们之间的权重和关系，并生成了以下二维预测向量：
工序节点 工序权重值 设备利用率
混合 0.80 0.92
反应 0.75 0.88
提取 0.70 0.85
本实施例中，工序权重值表示每个工序节点对设备的影响程度，值越高表示影响越大。设备利用率表示每个设备的资源利用情况，值越高表示设备的利用率越高。这些信息可以用于优化生产计划，确保资源分配和生产工序的协调。
S106、通过预置的遗传算法，根据生产工序节点与生产关联设备之间的生产影响系数对多个生产工序节点以及多个生产关联设备进行生产调度方案最优化分析，得到目标生产调度方案。
具体的，根据生产工序节点与生产关联设备之间的生产影响系数，将多个生产工序节点以及多个生产关联设备输入预置的遗传算法进行生产调度方案初始化。服务器创建了多个初始生产调度方案，每个方案包括了工序节点和关联设备的排列组合。对于每个第一生产调度方案，计算其第一适应度数据Mn。第一适应度数据可以是与生产效率、生产成本或其他指标相关的值。这些指标可以根据具体生产情境来定义。将第一适应度数据Mn与预置的第一适应度阈值M1和第二适应度阈值M2进行比较。通常，第一适应度阈值M1应小于第二适应度阈值M2。根据比较结果，将对应的第一生产调度方案划分至不同的生产调度方案群体中：若Mn<M1，则将方案划分至第一生产调度方案群体；若M1<Mn<M2，则将方案划分至第二生产调度方案群体；若Mn>M2，则将方案划分至第三生产调度方案群体。对第一生产调度方案群体和第二生产调度方案群体进行繁殖、交叉和变异操作，生成多个新的第二生产调度方案。这些操作有助于搜索更优的解决方案。对于每个第二生产调度方案，计算其第二适应度数据Mf。这些数据可以是根据生产目标和约束条件所计算的指标，例如，生产周期、资源利用率、能源消耗等。根据第二适应度数据Mf，从多个第二生产调度方案中选取最优化的生产调度方案作为目标生产调度方案。最优化的方案通常是在所有可行的解决方案中，满足生产目标并优化生产效率或成本的方案。例如，考虑一个透明质酸钠的生产场景，包括工序节点"混合"、"反应"和"提取"，以及生产关联设备"混合槽"、"反应釜"和"提取设备"。通过遗传算法初始化多个生产调度方案，每个方案包括了这些工序节点和设备的排列组合。计算每个方案的适应度数据，例如生产周期和资源利用率。根据计算的适应度数据，将方案分为不同的群体。通过繁殖、交叉和变异操作，生成新的方案，并计算其第二适应度数据。最后，从新生成的方案中选择最优化的生产调度方案，以满足生产目标，例如最小化生产周期或最大化资源利用率。
本发明实施例中，获取透明质酸钠的生产过程的生产工序数据以及生产关联设备数据；进行工序编码得到工序编码序列，并进行设备编码得到设备编码序列；创建工序节点状态特征矩阵和设备运行状态特征矩阵；将工序节点状态特征矩阵以及设备运行状态特征矩阵输入生产管理分析模型进行权重和关系分析，得到生产工序节点与生产关联设备之间的生产影响系数；通过预置的遗传算法，根据生产工序节点与生产关联设备之间的生产影响系数对多个生产工序节点以及多个生产关联设备进行生产调度方案最优化分析，得到目标生产调度方案，本发明通过获取和解析生产工序数据和生产关联设备数据，实现了数据的整合和规范化，使得在生产过程中产生的信息更易于管理和分析。对生产工序和设备进行自动编码，减少了手动操作的需要，提高了数据处理的效率，同时降低了错误的风险。通过创建工序节点状态特征矩阵和设备运行状态特征矩阵，该方法将生产数据转化为可供模型分析的结构化特征，有助于深入了解工序和设备之间的关系。利用生产管理分析模型进行权重和关系分析，能够精确地评估工序节点和生产关联设备之间的影响关系，为生产调度决策提供更多的信息。通过遗传算法，能够针对生产影响系数对生产工序节点和生产关联设备进行最优化调度，以实现生产调度的效率和质量的提高，进而提高了透明质酸钠的生产管理效率。
在一具体实施例中，执行步骤S102的过程可以具体包括如下步骤：
（1）对生产工序数据进行工序解析，得到多个生产工序节点，其中，多个生产工序节点包括：原料准备、混合、反应、提取、纯化和包装；
（2）创建多个生产工序节点对应的多个节点特征标签，并将多个节点特征标签输入预置的第一聚类模型，通过第一聚类模型确定多个节点特征标签对应的多个节点标签聚类中心；
（3）将生产工序数据输入第一聚类模型，并通过多个节点标签聚类中心对生产工序数据进行数据点聚类，得到每个生产工序节点的节点状态数据；
（4）对生产关联设备数据进行设备解析，得到多个生产关联设备，其中，多个生产关联设备包括：反应釜、溶解槽、过滤设备、膜分离设备、浓缩设备、干燥设备、包装设备和质量控制设备；
（5）创建多个生产关联设备对应的多个设备特征标签，并将多个设备特征标签输入预置的第二聚类模型，通过第二聚类模型确定多个设备特征标签对应的多个设备标签聚类中心；
（6）将生产关联设备数据输入第二聚类模型，并通过多个设备标签聚类中心对生产关联设备数据进行数据点聚类，得到每个生产关联设备的运行状态数据。
具体的，针对透明质酸钠的生产过程，收集涉及的生产工序数据。这些数据包括原料准备、混合、反应、提取、纯化、包装等生产工序。根据这些数据进行工序解析，将其划分为多个生产工序节点。每个生产工序节点代表了一个明确定义的生产阶段。为每个生产工序节点创建节点特征标签。节点特征标签是用来描述工序节点的特征或属性的标签。这些标签可以包括工序的名称、持续时间、温度、压力等相关信息。例如，对于"混合"工序节点，创建的节点特征标签包括"混合时间"、"混合温度"等。将这些节点特征标签输入预置的第一聚类模型中。第一聚类模型的目的是确定多个节点特征标签对应的多个节点标签聚类中心。这些聚类中心代表了工序节点在特征空间中的聚集点，有助于后续的数据点聚类。将生产工序数据输入第一聚类模型，模型将对这些数据进行聚类操作。每个数据点将与最接近的节点标签聚类中心关联，从而确定其所属的生产工序节点。这个过程为每个生产工序节点生成节点状态数据。例如，如果一批生产数据包括混合时间、混合温度等特征，第一聚类模型可以将这些数据点分为不同的聚类群体，每个群体代表一个生产工序节点。这些群体的聚类中心将包含关于每个工序节点的信息，例如平均混合时间和平均混合温度。类似地，对于生产关联设备数据，对这些数据进行设备解析。这些设备包括反应釜、溶解槽、过滤设备、膜分离设备、浓缩设备、干燥设备、包装设备、质量控制设备等。将设备数据解析为各种设备特征，如设备类型、运行状态、维护记录等。为每个生产关联设备创建设备特征标签。设备特征标签用于描述设备的特征和属性，例如设备型号、容量、维护周期等。将这些设备特征标签输入预置的第二聚类模型中，该模型的目的是确定多个设备特征标签对应的多个设备标签聚类中心。这些聚类中心代表了不同类型设备在特征空间中的聚集点。将生产关联设备数据输入第二聚类模型，模型将对这些数据进行聚类操作。每个数据点将与最接近的设备标签聚类中心关联，从而确定其所属的生产关联设备。这个过程为每个生产关联设备生成运行状态数据。例如，如果设备数据包括设备类型、运行时间等特征，第二聚类模型可以将这些数据点分为不同的聚类群体，每个群体代表一个生产关联设备。这些群体的聚类中心将包含关于每个设备的信息，例如平均运行时间和设备类型。
在一具体实施例中，如图2所示，执行步骤S103的过程可以具体包括如下步骤：
S201、获取每个生产工序节点对应的节点属性信息，以及获取每个生产关联设备对应的设备属性信息；
S202、对节点属性信息进行属性特征分析，得到多个第一属性特征，并对设备属性信息进行属性特征分析，得到多个第二属性特征；
S203、对多个第一属性特征进行编码映射，得到每个生产工序节点的多个工序编码值，并对多个第二属性特征进行编码映射，得到每个生产关联设备的多个设备编码值；
S204、对多个工序编码值进行编码序列组合，生成每个生产工序节点的工序编码序列，并对多个设备编码值进行编码序列组合，生成每个生产关联设备的设备编码序列。
具体的，服务器从生产过程中获取每个生产工序节点和每个生产关联设备的属性信息。这些属性信息包括工序节点的名称、温度、压力、流量等与工序相关的参数，以及设备的型号、容量、状态等与设备相关的信息。这些信息可以通过传感器、监测设备或生产记录系统来收集和记录。对节点属性信息进行属性特征分析，目的是从原始属性数据中提取有用的特征。这些特征可以包括均值、方差、最大值、最小值、频率分布等统计信息，以及的时序特征如趋势、周期性等。这一步骤可以使用统计分析、信号处理、时间序列分析等方法来完成。对设备属性信息进行属性特征分析同样也是提取有用的特征，以帮助描述设备的性能和状态。这些特征可以包括设备的平均运行时间、维护周期、故障率等。将多个第一属性特征进行编码映射，以得到每个生产工序节点的多个工序编码值。编码映射的目的是将连续或离散的属性特征转化为数值编码，便于后续的数据处理和分析。编码方法可以根据属性的性质选择，例如，对于离散属性可以使用独热编码，对于连续属性可以进行归一化或标准化。同样地，对多个第二属性特征进行编码映射，以得到每个生产关联设备的多个设备编码值。每个设备编码值反映了设备的属性特征，如型号、状态等。将多个工序编码值进行编码序列组合，生成每个生产工序节点的工序编码序列。工序编码序列是一个有序的编码集合，用于描述工序节点的属性特征。这些编码可以按照工序节点的顺序组合成序列。同样地，对多个设备编码值进行编码序列组合，生成每个生产关联设备的设备编码序列。设备编码序列反映了设备的属性特征，如型号、状态等，按照设备的顺序组合成序列。例如，考虑透明质酸钠的生产过程，其中涉及到工序节点"混合"、"反应"和"提取"，以及生产关联设备"反应釜"、"过滤设备"和"浓缩设备"。对于"混合"工序节点，属性信息包括混合时间和混合温度。对于"反应釜"设备，属性信息包括设备型号和运行状态。从生产过程中获取这些属性信息。对混合时间和混合温度进行属性特征分析，提取出平均混合时间和平均混合温度作为特征。对设备型号进行编码映射，将不同型号映射为数字编码。对运行状态进行编码映射，将不同状态映射为数字编码。最后，将这些编码值组合成工序编码序列和设备编码序列。例如，工序编码序列可以是[1，2，3]，对应于"混合"、"反应"和"提取"工序节点的编码。设备编码序列可以是[1，2，3]，对应于"反应釜"、"过滤设备"和"浓缩设备"的编码。
在一具体实施例中，如图3所示，执行步骤S104的过程可以具体包括如下步骤：
S301、分别对节点状态数据进行状态数据离散化，得到多个节点离散数据，并对运行状态数据进行状态数据离散化，得到多个运行离散数据；
S302、分别对节点离散数据进行曲线拟合，得到多个节点状态曲线，并分别计算每个节点状态曲线的第一均值数据；
S303、分别对运行离散数据进行曲线拟合，得到多个运行状态曲线，并分别计算每个运行状态曲线的第二均值数据；
S304、对第一均值数据和工序编码序列进行映射匹配和矩阵转换，得到工序节点状态特征矩阵；
S305、对第二均值数据和设备编码序列进行映射匹配和矩阵转换，得到设备运行状态特征矩阵。
具体的，服务器对节点状态数据进行状态数据离散化。将连续的节点状态数据划分为不同的状态或类别，以便更好地处理和分析。离散化的方法可以是阈值法、聚类法等。例如，可以将节点状态数据划分为"正常"、"异常"、"故障"等离散状态。同样地，对运行状态数据也进行状态数据离散化，将连续的运行状态数据划分为不同的状态或类别。对离散化后的节点数据和运行数据进行曲线拟合。曲线拟合是将数据拟合成曲线或函数的过程，以便更好地描述数据的趋势和特征。对于节点离散数据，可以使用曲线拟合方法（如多项式拟合、指数拟合等）来得到节点状态曲线。对于运行离散数据，也可以进行类似的曲线拟合。在拟合后，计算每个节点状态曲线的第一均值数据和每个运行状态曲线的第二均值数据。这些均值数据可以用于描述曲线的整体趋势和特征，例如平均值、方差等。将第一均值数据与工序编码序列进行映射匹配和矩阵转换，以得到工序节点状态特征矩阵。映射匹配是将均值数据映射到相应的工序编码值的过程。矩阵转换可以是线性变换、非线性变换等，以便将数据转化为适合分析的形式。同样地，将第二均值数据与设备编码序列进行映射匹配和矩阵转换，以得到设备运行状态特征矩阵。这个过程类似于工序节点状态特征矩阵的生成。例如，假设有一个透明质酸钠生产过程中的节点状态数据，其中包括"反应温度"和"反应压力"的离散化状态，分为"正常"、"异常"、"故障"三个状态。同时，有运行状态数据，例如"反应速度"的离散化状态，也分为三个状态。将这些状态数据进行离散化，得到多个节点离散数据和多个运行离散数据。对节点离散数据进行曲线拟合，得到反应温度和反应压力的状态曲线，并计算它们的第一均值数据。对运行离散数据进行曲线拟合，得到反应速度的状态曲线，并计算第二均值数据。将第一均值数据与工序编码序列进行映射匹配，例如，将反应温度的均值映射到工序编码值2（"反应"），将反应压力的均值映射到工序编码值2。这样，得到工序节点状态特征矩阵。同样地，将第二均值数据与设备编码序列进行映射匹配，例如，将反应速度的均值映射到设备编码值1（"反应釜"）。这样，得到设备运行状态特征矩阵。通过这些特征矩阵，可以更好地理解和分析生产过程中工序节点和设备的状态特征，以支持生产管理和决策。
在一具体实施例中，如图4所示，执行步骤S105的过程可以具体包括如下步骤：
S401、将工序节点状态特征矩阵以及设备运行状态特征矩阵输入预置的生产管理分析模型，其中，生产管理分析模型包括：第一长短时记忆网络、第二长短时记忆网络、第一全连接层、注意力机制层、第二全连接层以及反归一化层；
S402、通过生产管理分析模型分别对工序节点状态特征矩阵以及设备运行状态特征矩阵进行权重和关系分析，输出二维预测向量，其中，二维预测向量包括生产工序节点的工序权重值与生产关联设备的设备利用率；
S403、根据二维预测向量计算生产工序节点与生产关联设备之间的生产影响系数。
具体的，服务器将工序节点状态特征矩阵和设备运行状态特征矩阵输入到预置的生产管理分析模型中。这个模型包括了多个层次，如第一长短时记忆网络、第二长短时记忆网络、全连接层、注意力机制层和反归一化层。这些层次的组合允许模型从输入数据中提取有用的信息，进行权重和关系分析，最终输出二维预测向量。在生产管理分析模型中，数据会通过各个层次进行处理和分析。例如，第一和第二长短时记忆网络可以用于时间序列数据的建模和特征提取。全连接层可以用于将不同特征进行组合和转换，注意力机制层可以用于学习特征之间的权重和关系。在这个过程中，模型将学习工序节点状态特征和设备运行状态特征之间的复杂关系，以及它们与生产工序节点和生产关联设备之间的联系。这些关系包括了工序的重要性、设备的利用率等等。在模型分析和处理完输入特征矩阵后，它将输出一个二维预测向量。这个向量包括两个重要的值：生产工序节点的工序权重值和生产关联设备的设备利用率。这些值是根据模型对输入数据的分析和权重学习而得出的。工序权重值表示了每个生产工序节点对生产过程的影响程度，它们可以用来评估每个工序在整个过程中的重要性。设备利用率表示了生产关联设备的使用效率，可以帮助确定是否需要进一步的资源分配或设备维护。最后，根据二维预测向量中的工序权重值和设备利用率，可以计算生产工序节点与生产关联设备之间的生产影响系数。这个系数可以用来量化工序和设备之间的关系，以支持生产调度和决策。例如，假设生产管理分析模型经过训练后，接收到工序节点状态特征矩阵和设备运行状态特征矩阵作为输入。模型经过一系列的神经网络层次分析和权重学习后，输出一个二维预测向量。这个向量包括工序权重值和设备利用率。工序权重值表示每个工序节点对生产过程的贡献程度。例如，如果工序权重值为[0.2，0.4，0.3，0.1]，其中第一个值对应于"原料准备"工序，表示这个工序在整个生产过程中的影响较小，而第二个值对应于"混合"工序，表示这个工序在生产中具有较大的影响。设备利用率表示每个生产关联设备的使用效率。例如，设备利用率为[0.9，0.8，0.7]，其中第一个值对应于"反应釜"设备，表示这个设备的利用率较高，而第三个值对应于"浓缩设备"，表示这个设备的利用率较低。根据这些值，可以计算生产影响系数，例如，通过将工序权重值和设备利用率相乘来评估每个工序节点与设备之间的关系。这个系数可以用于生产调度和资源分配的决策，以优化生产过程。
在一具体实施例中，执行步骤S402的过程可以具体包括如下步骤：
（1）通过生产管理分析模型中的第一长短时记忆网络，对工序节点状态特征矩阵进行状态特征提取，得到第一目标特征矩阵；
（2）通过生产管理分析模型中的第二长短时记忆网络，对设备运行状态特征矩阵进行状态特征提取，得到第二目标特征矩阵；
（3）通过第一全连接层对第一目标特征矩阵和第二目标特征矩阵进行矩阵融合，得到融合目标特征矩阵；
（4）通过注意力机制层对融合目标特征矩阵进行生产工序节点与生产关联设备注意力权重分配，得到注意力权重特征矩阵；
（5）通过第二全连接层对注意力权重特征矩阵进行特征预测，得到特征预测数据；
（6）通过反归一化层对特征预测数据进行原始数据范围映射，输出二维预测向量，其中，二维预测向量包括生产工序节点的工序权重值与生产关联设备的设备利用率。
具体的，通过生产管理分析模型中的第一长短时记忆网络（LSTM）对工序节点状态特征矩阵进行状态特征提取，得到第一目标特征矩阵。这一步涉及到时间序列数据的处理和特征提取，LSTM可以捕捉到数据中的时间依赖性和序列信息。通过生产管理分析模型中的第二长短时记忆网络（LSTM）对设备运行状态特征矩阵进行状态特征提取，得到第二目标特征矩阵。同样，这个步骤也是为了提取设备状态的关键特征。通过第一全连接层对第一目标特征矩阵和第二目标特征矩阵进行矩阵融合，得到融合目标特征矩阵。这一步可以将不同来源的特征信息结合起来，以便更全面地分析工序节点和设备之间的关系。通过注意力机制层对融合目标特征矩阵进行生产工序节点与生产关联设备的注意力权重分配。这一步可以根据模型学习到的权重信息，动态地分配注意力给不同的工序节点和设备，以便更准确地衡量它们的影响。接着，通过第二全连接层对注意力权重特征矩阵进行特征预测。这一步可以根据特征信息和注意力权重，预测生产工序节点的工序权重值和生产关联设备的设备利用率。最后，通过反归一化层对特征预测数据进行原始数据范围映射，将预测的结果映射回原始数据的范围，以获得最终的二维预测向量。这个向量包括了生产工序节点的工序权重值和生产关联设备的设备利用率。例如，假设生产管理分析模型已经被训练并部署，接收工序节点状态特征矩阵和设备运行状态特征矩阵作为输入。模型首先通过第一LSTM网络提取工序节点的状态特征，再通过第二LSTM网络提取设备的状态特征。这些特征被传递到第一全连接层，其中它们被融合成一个更全面的特征矩阵。通过注意力机制层，模型分配注意力权重，以识别哪些工序节点和设备对生产过程具有更大的影响。随后，第二全连接层将这些注意力权重与特征矩阵相结合，以预测工序权重值和设备利用率。最后，通过反归一化层，将这些预测值映射回原始数据范围，以获得最终的二维预测向量，该向量提供了对生产工序节点和生产关联设备的重要信息，有助于生产管理和决策。
在一具体实施例中，执行步骤S106的过程可以具体包括如下步骤：
（1）根据生产工序节点与生产关联设备之间的生产影响系数，将多个生产工序节点以及多个生产关联设备输入预置的遗传算法进行生产调度方案初始化，生成多个第一生产调度方案；
（2）分别计算每个第一生产调度方案的第一适应度数据Mn，并对第一适应度数据Mn与第一适应度阈值M1和第二适应度阈值M2进行比较，其中，第一适应度阈值M1＜第二适应度阈值M2；
（3）若第一适应度数据Mn＜第一适应度阈值M1，则将对应的第一生产调度方案划分至第一生产调度方案群体，若第一适应度阈值M1＜第一适应度数据Mn＜第二适应度阈值M2，则将对应的第一生产调度方案划分至第二生产调度方案群体，若第二适应度阈值M2＜第一适应度数据Mn，则将对应的第一生产调度方案划分至第三生产调度方案群体；
（4）对第一生产调度方案群体和第二生产调度方案群体进行繁殖、交叉和变异，并对第三生产调度方案群体进行交叉和变异，得到多个第二生产调度方案；
（5）分别计算每个第二生产调度方案的第二适应度数据Mf，并根据第二适应度数据Mf从多个第二生产调度方案选取最优化的生产调度方案，得到目标生产调度方案。
具体的，根据生产工序节点与生产关联设备之间的生产影响系数，将多个生产工序节点和多个生产关联设备输入预置的遗传算法进行生产调度方案初始化。在算法中创建初始种群，每个个体代表一个的生产调度方案。每个生产调度方案都需要计算适应度，以评估其性能。计算每个第一生产调度方案的第一适应度数据Mn。这个适应度值可以根据问题的具体情况来定义，通常是一个关于生产方案性能的函数。将第一适应度数据Mn与预先定义的第一适应度阈值M1和第二适应度阈值M2进行比较。根据比较结果，将相应的生产调度方案划分至不同的生产调度方案群体。若第一适应度数据Mn小于第一适应度阈值M1，则将该方案划分至第一生产调度方案群体。如果处于M1和M2之间，则划分至第二生产调度方案群体。如果大于M2，则划分至第三生产调度方案群体。对第一生产调度方案群体和第二生产调度方案群体进行繁殖、交叉和变异操作，以生成多个第二生产调度方案。这些操作有助于探索不同的生产调度策略。对于生成的第二生产调度方案，计算它们的第二适应度数据Mf。这个适应度值通常与第一适应度不同，可以衡量生产调度方案在不同方面的性能。最后，根据第二适应度数据Mf，从多个第二生产调度方案中选择最优化的生产调度方案。这个选择可以根据问题的具体要求来确定，例如，选择能够最大程度提高生产效率或降低生产成本的方案。例如，假设有一个化工生产过程，涉及多个生产工序节点和多个生产关联设备，需要制定最佳的生产调度方案以最大化产量。根据生产工序节点与生产关联设备之间的生产影响系数，使用遗传算法初始化多个生产调度方案。计算每个方案的第一适应度，该适应度是产量的函数。根据第一适应度数据，将方案划分至不同的群体。在群体中，进行繁殖、交叉和变异操作以生成新的生产调度方案。接着，计算每个新方案的第二适应度，是生产成本的函数。最后，从多个新方案中选择能够最小化生产成本的最优化方案作为目标生产调度方案。这个过程可以反复迭代，直到满足生产效益的要求或达到预定的终止条件。通过这种方式，可以实现生产工序节点和生产关联设备的优化调度，以提高生产过程的效率和经济性。
上面对本发明实施例中透明质酸钠的生产管理方法进行了描述，下面对本发明实施例中透明质酸钠的生产管理装置进行描述，请参阅图5，本发明实施例中透明质酸钠的生产管理装置一个实施例包括：
获取模块501，用于获取透明质酸钠的生产过程中所涉及的生产工序数据以及生产关联设备数据；
解析模块502，用于对所述生产工序数据进行工序解析，得到多个生产工序节点以及每个生产工序节点的节点状态数据，并对所述生产关联设备数据进行设备解析，得到多个生产关联设备以及每个生产关联设备的运行状态数据；
编码模块503，用于对所述多个生产工序节点进行工序编码，得到每个生产工序节点的工序编码序列，并对所述多个生产关联设备进行设备编码，得到每个生产关联设备的设备编码序列；
创建模块504，用于根据所述节点状态数据和所述工序编码序列创建工序节点状态特征矩阵，并根据所述运行状态数据和所述设备编码序列创建设备运行状态特征矩阵；
分析模块505，用于将所述工序节点状态特征矩阵以及所述设备运行状态特征矩阵输入预置的生产管理分析模型进行权重和关系分析，得到生产工序节点与生产关联设备之间的生产影响系数；
输出模块506，用于通过预置的遗传算法，根据所述生产工序节点与生产关联设备之间的生产影响系数对所述多个生产工序节点以及多个生产关联设备进行生产调度方案最优化分析，得到目标生产调度方案。
通过上述各个组成部分的协同合作，获取透明质酸钠的生产过程的生产工序数据以及生产关联设备数据；进行工序编码得到工序编码序列，并进行设备编码得到设备编码序列；创建工序节点状态特征矩阵和设备运行状态特征矩阵；将工序节点状态特征矩阵以及设备运行状态特征矩阵输入生产管理分析模型进行权重和关系分析，得到生产工序节点与生产关联设备之间的生产影响系数；通过预置的遗传算法，根据生产工序节点与生产关联设备之间的生产影响系数对多个生产工序节点以及多个生产关联设备进行生产调度方案最优化分析，得到目标生产调度方案，本发明通过获取和解析生产工序数据和生产关联设备数据，实现了数据的整合和规范化，使得在生产过程中产生的信息更易于管理和分析。对生产工序和设备进行自动编码，减少了手动操作的需要，提高了数据处理的效率，同时降低了错误的风险。通过创建工序节点状态特征矩阵和设备运行状态特征矩阵，该方法将生产数据转化为可供模型分析的结构化特征，有助于深入了解工序和设备之间的关系。利用生产管理分析模型进行权重和关系分析，能够精确地评估工序节点和生产关联设备之间的影响关系，为生产调度决策提供更多的信息。通过遗传算法，能够针对生产影响系数对生产工序节点和生产关联设备进行最优化调度，以实现生产调度的效率和质量的提高，进而提高了透明质酸钠的生产管理效率。
上面图5从模块化功能实体的角度对本发明实施例中的透明质酸钠的生产管理装置进行详细描述，下面从硬件处理的角度对本发明实施例中透明质酸钠的生产管理设备进行详细描述。
图6是本发明实施例提供的一种透明质酸钠的生产管理设备的结构示意图，该透明质酸钠的生产管理设备600可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（central processing units，CPU）610（例如，一个或一个以上处理器）和存储器620，一个或一个以上存储应用程序633或数据632的存储介质630（例如一个或一个以上海量存储设备）。其中，存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块（图示没标出），每个模块可以包括对透明质酸钠的生产管理设备600中的一系列指令操作。更进一步地，处理器610可以设置为与存储介质630通信，在透明质酸钠的生产管理设备600上执行存储介质630中的一系列指令操作。
透明质酸钠的生产管理设备600还可以包括一个或一个以上电源640，一个或一个以上有线或无线网络接口650，一个或一个以上输入输出接口660，和/或，一个或一个以上操作系统631，例如Windows Server，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图6示出的透明质酸钠的生产管理设备结构并不构成对透明质酸钠的生产管理设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本发明还提供一种透明质酸钠的生产管理设备，所述透明质酸钠的生产管理设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述透明质酸钠的生产管理方法的步骤。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述透明质酸钠的生产管理方法的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random access memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种透明质酸钠的生产管理方法，其特征在于，所述透明质酸钠的生产管理方法包括：
获取透明质酸钠的生产过程中所涉及的生产工序数据以及生产关联设备数据；
对所述生产工序数据进行工序解析，得到多个生产工序节点以及每个生产工序节点的节点状态数据，并对所述生产关联设备数据进行设备解析，得到多个生产关联设备以及每个生产关联设备的运行状态数据；具体包括：对所述生产工序数据进行工序解析，得到多个生产工序节点，其中，所述多个生产工序节点包括：原料准备、混合、反应、提取、纯化和包装；创建所述多个生产工序节点对应的多个节点特征标签，并将所述多个节点特征标签输入预置的第一聚类模型，通过所述第一聚类模型确定所述多个节点特征标签对应的多个节点标签聚类中心；将所述生产工序数据输入所述第一聚类模型，并通过所述多个节点标签聚类中心对所述生产工序数据进行数据点聚类，得到每个生产工序节点的节点状态数据；对所述生产关联设备数据进行设备解析，得到多个生产关联设备，其中，所述多个生产关联设备包括：反应釜、溶解槽、过滤设备、膜分离设备、浓缩设备、干燥设备、包装设备和质量控制设备；创建所述多个生产关联设备对应的多个设备特征标签，并将所述多个设备特征标签输入预置的第二聚类模型，通过所述第二聚类模型确定所述多个设备特征标签对应的多个设备标签聚类中心；将所述生产关联设备数据输入所述第二聚类模型，并通过所述多个设备标签聚类中心对所述生产关联设备数据进行数据点聚类，得到每个生产关联设备的运行状态数据；
对所述多个生产工序节点进行工序编码，得到每个生产工序节点的工序编码序列，并对所述多个生产关联设备进行设备编码，得到每个生产关联设备的设备编码序列；
根据所述节点状态数据和所述工序编码序列创建工序节点状态特征矩阵，并根据所述运行状态数据和所述设备编码序列创建设备运行状态特征矩阵；
将所述工序节点状态特征矩阵以及所述设备运行状态特征矩阵输入预置的生产管理分析模型进行权重和关系分析，得到生产工序节点与生产关联设备之间的生产影响系数；
通过预置的遗传算法，根据所述生产工序节点与生产关联设备之间的生产影响系数对所述多个生产工序节点以及多个生产关联设备进行生产调度方案最优化分析，得到目标生产调度方案。
2.根据权利要求1所述的透明质酸钠的生产管理方法，其特征在于，所述对所述多个生产工序节点进行工序编码，得到每个生产工序节点的工序编码序列，并对所述多个生产关联设备进行设备编码，得到每个生产关联设备的设备编码序列，包括：
获取每个生产工序节点对应的节点属性信息，以及获取每个生产关联设备对应的设备属性信息；
对所述节点属性信息进行属性特征分析，得到多个第一属性特征，并对所述设备属性信息进行属性特征分析，得到多个第二属性特征；
对所述多个第一属性特征进行编码映射，得到每个生产工序节点的多个工序编码值，并对所述多个第二属性特征进行编码映射，得到每个生产关联设备的多个设备编码值；
对所述多个工序编码值进行编码序列组合，生成每个生产工序节点的工序编码序列，并对所述多个设备编码值进行编码序列组合，生成每个生产关联设备的设备编码序列。
3.根据权利要求1所述的透明质酸钠的生产管理方法，其特征在于，所述根据所述节点状态数据和所述工序编码序列创建工序节点状态特征矩阵，并根据所述运行状态数据和所述设备编码序列创建设备运行状态特征矩阵，包括：
分别对所述节点状态数据进行状态数据离散化，得到多个节点离散数据，并对所述运行状态数据进行状态数据离散化，得到多个运行离散数据；
分别对所述节点离散数据进行曲线拟合，得到多个节点状态曲线，并分别计算每个节点状态曲线的第一均值数据；
分别对所述运行离散数据进行曲线拟合，得到多个运行状态曲线，并分别计算每个运行状态曲线的第二均值数据；
对所述第一均值数据和所述工序编码序列进行映射匹配和矩阵转换，得到工序节点状态特征矩阵；
对所述第二均值数据和所述设备编码序列进行映射匹配和矩阵转换，得到设备运行状态特征矩阵。
4.根据权利要求1所述的透明质酸钠的生产管理方法，其特征在于，所述将所述工序节点状态特征矩阵以及所述设备运行状态特征矩阵输入预置的生产管理分析模型进行权重和关系分析，得到生产工序节点与生产关联设备之间的生产影响系数，包括：
将所述工序节点状态特征矩阵以及所述设备运行状态特征矩阵输入预置的生产管理分析模型，其中，所述生产管理分析模型包括：第一长短时记忆网络、第二长短时记忆网络、第一全连接层、注意力机制层、第二全连接层以及反归一化层；
通过所述生产管理分析模型分别对所述工序节点状态特征矩阵以及所述设备运行状态特征矩阵进行权重和关系分析，输出二维预测向量，其中，所述二维预测向量包括生产工序节点的工序权重值与生产关联设备的设备利用率；
根据所述二维预测向量计算生产工序节点与生产关联设备之间的生产影响系数。
5.根据权利要求4所述的透明质酸钠的生产管理方法，其特征在于，所述通过所述生产管理分析模型分别对所述工序节点状态特征矩阵以及所述设备运行状态特征矩阵进行权重和关系分析，输出二维预测向量，其中，所述二维预测向量包括生产工序节点的工序权重值与生产关联设备的设备利用率，包括：
通过所述生产管理分析模型中的第一长短时记忆网络，对所述工序节点状态特征矩阵进行状态特征提取，得到第一目标特征矩阵；
通过所述生产管理分析模型中的第二长短时记忆网络，对所述设备运行状态特征矩阵进行状态特征提取，得到第二目标特征矩阵；
通过所述第一全连接层对所述第一目标特征矩阵和所述第二目标特征矩阵进行矩阵融合，得到融合目标特征矩阵；
通过所述注意力机制层对所述融合目标特征矩阵进行生产工序节点与生产关联设备注意力权重分配，得到注意力权重特征矩阵；
通过所述第二全连接层对所述注意力权重特征矩阵进行特征预测，得到特征预测数据；
通过所述反归一化层对所述特征预测数据进行原始数据范围映射，输出二维预测向量，其中，所述二维预测向量包括生产工序节点的工序权重值与生产关联设备的设备利用率。
6.根据权利要求1所述的透明质酸钠的生产管理方法，其特征在于，所述通过预置的遗传算法，根据所述生产工序节点与生产关联设备之间的生产影响系数对所述多个生产工序节点以及多个生产关联设备进行生产调度方案最优化分析，得到目标生产调度方案，包括：
根据所述生产工序节点与生产关联设备之间的生产影响系数，将所述多个生产工序节点以及多个生产关联设备输入预置的遗传算法进行生产调度方案初始化，生成多个第一生产调度方案；
分别计算每个第一生产调度方案的第一适应度数据Mn，并对所述第一适应度数据Mn与第一适应度阈值M1和第二适应度阈值M2进行比较，其中，第一适应度阈值M1＜第二适应度阈值M2；
若第一适应度数据Mn＜第一适应度阈值M1，则将对应的第一生产调度方案划分至第一生产调度方案群体，若第一适应度阈值M1＜第一适应度数据Mn＜第二适应度阈值M2，则将对应的第一生产调度方案划分至第二生产调度方案群体，若第二适应度阈值M2＜第一适应度数据Mn，则将对应的第一生产调度方案划分至第三生产调度方案群体；
对所述第一生产调度方案群体和所述第二生产调度方案群体进行繁殖、交叉和变异，并对所述第三生产调度方案群体进行交叉和变异，得到多个第二生产调度方案；
分别计算每个第二生产调度方案的第二适应度数据Mf，并根据所述第二适应度数据Mf从所述多个第二生产调度方案选取最优化的生产调度方案，得到目标生产调度方案。
7.一种透明质酸钠的生产管理装置，其特征在于，所述透明质酸钠的生产管理装置包括：
获取模块，用于获取透明质酸钠的生产过程中所涉及的生产工序数据以及生产关联设备数据；
解析模块，用于对所述生产工序数据进行工序解析，得到多个生产工序节点以及每个生产工序节点的节点状态数据，并对所述生产关联设备数据进行设备解析，得到多个生产关联设备以及每个生产关联设备的运行状态数据；具体包括：对所述生产工序数据进行工序解析，得到多个生产工序节点，其中，所述多个生产工序节点包括：原料准备、混合、反应、提取、纯化和包装；创建所述多个生产工序节点对应的多个节点特征标签，并将所述多个节点特征标签输入预置的第一聚类模型，通过所述第一聚类模型确定所述多个节点特征标签对应的多个节点标签聚类中心；将所述生产工序数据输入所述第一聚类模型，并通过所述多个节点标签聚类中心对所述生产工序数据进行数据点聚类，得到每个生产工序节点的节点状态数据；对所述生产关联设备数据进行设备解析，得到多个生产关联设备，其中，所述多个生产关联设备包括：反应釜、溶解槽、过滤设备、膜分离设备、浓缩设备、干燥设备、包装设备和质量控制设备；创建所述多个生产关联设备对应的多个设备特征标签，并将所述多个设备特征标签输入预置的第二聚类模型，通过所述第二聚类模型确定所述多个设备特征标签对应的多个设备标签聚类中心；将所述生产关联设备数据输入所述第二聚类模型，并通过所述多个设备标签聚类中心对所述生产关联设备数据进行数据点聚类，得到每个生产关联设备的运行状态数据；
编码模块，用于对所述多个生产工序节点进行工序编码，得到每个生产工序节点的工序编码序列，并对所述多个生产关联设备进行设备编码，得到每个生产关联设备的设备编码序列；
创建模块，用于根据所述节点状态数据和所述工序编码序列创建工序节点状态特征矩阵，并根据所述运行状态数据和所述设备编码序列创建设备运行状态特征矩阵；
分析模块，用于将所述工序节点状态特征矩阵以及所述设备运行状态特征矩阵输入预置的生产管理分析模型进行权重和关系分析，得到生产工序节点与生产关联设备之间的生产影响系数；
输出模块，用于通过预置的遗传算法，根据所述生产工序节点与生产关联设备之间的生产影响系数对所述多个生产工序节点以及多个生产关联设备进行生产调度方案最优化分析，得到目标生产调度方案。
8.一种透明质酸钠的生产管理设备，其特征在于，所述透明质酸钠的生产管理设备包括：存储器和至少一个处理器，所述存储器中存储有指令；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述透明质酸钠的生产管理设备执行如权利要求1-6中任一项所述的透明质酸钠的生产管理方法。
9.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-6中任一项所述的透明质酸钠的生产管理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311438634.0A CN117151314B (zh) | 2023-11-01 | 2023-11-01 | 透明质酸钠的生产管理方法及相关装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311438634.0A CN117151314B (zh) | 2023-11-01 | 2023-11-01 | 透明质酸钠的生产管理方法及相关装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117151314A CN117151314A (zh) | 2023-12-01 |
| CN117151314B true CN117151314B (zh) | 2024-04-05 |
Family
ID=88908587
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311438634.0A Active CN117151314B (zh) | 2023-11-01 | 2023-11-01 | 透明质酸钠的生产管理方法及相关装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117151314B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2120120A1 (en) * | 2008-05-14 | 2009-11-18 | Siemens Aktiengesellschaft | Method for modelling and executing a production rule in a discrete manufacturing scenario |
| CN111552246A (zh) * | 2020-05-08 | 2020-08-18 | 陈晓清 | 应用于智慧园区的设备生产线调度方法及云计算服务器 |
| CN115185247A (zh) * | 2022-08-29 | 2022-10-14 | 南京工程学院 | 一种基于产品加工质量的机床运行状态预测与车间调度方法 |
| CN115330351A (zh) * | 2022-08-25 | 2022-11-11 | 浪潮工业互联网股份有限公司 | 一种企业生产的管控方法、系统及设备 |
| WO2022257459A1 (zh) * | 2021-06-10 | 2022-12-15 | 平安科技（深圳）有限公司 | 用户行为异常分析方法、装置、设备及存储介质 |
| CN116483015A (zh) * | 2023-06-21 | 2023-07-25 | 深圳市华磊迅拓科技有限公司 | 一种车间设备监控方法、装置、设备及存储介质 |
| CN116701919A (zh) * | 2023-08-07 | 2023-09-05 | 德电北斗电动汽车有限公司 | 一种陀螺式氢燃料发电机的优化监测方法及系统 |
| CN116823065A (zh) * | 2023-08-28 | 2023-09-29 | 山东省中源联科生物工程集团有限公司 | 一种基于数据分析的透明质酸钠生产质量智能管理系统 |
-
2023
- 2023-11-01 CN CN202311438634.0A patent/CN117151314B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2120120A1 (en) * | 2008-05-14 | 2009-11-18 | Siemens Aktiengesellschaft | Method for modelling and executing a production rule in a discrete manufacturing scenario |
| CN111552246A (zh) * | 2020-05-08 | 2020-08-18 | 陈晓清 | 应用于智慧园区的设备生产线调度方法及云计算服务器 |
| WO2022257459A1 (zh) * | 2021-06-10 | 2022-12-15 | 平安科技（深圳）有限公司 | 用户行为异常分析方法、装置、设备及存储介质 |
| CN115330351A (zh) * | 2022-08-25 | 2022-11-11 | 浪潮工业互联网股份有限公司 | 一种企业生产的管控方法、系统及设备 |
| CN115185247A (zh) * | 2022-08-29 | 2022-10-14 | 南京工程学院 | 一种基于产品加工质量的机床运行状态预测与车间调度方法 |
| CN116483015A (zh) * | 2023-06-21 | 2023-07-25 | 深圳市华磊迅拓科技有限公司 | 一种车间设备监控方法、装置、设备及存储介质 |
| CN116701919A (zh) * | 2023-08-07 | 2023-09-05 | 德电北斗电动汽车有限公司 | 一种陀螺式氢燃料发电机的优化监测方法及系统 |
| CN116823065A (zh) * | 2023-08-28 | 2023-09-29 | 山东省中源联科生物工程集团有限公司 | 一种基于数据分析的透明质酸钠生产质量智能管理系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于灰熵并行分析法的多目标作业车间调度优化;朱光宇;杨志锋;陈旭斌;;计算机系统应用;24(04);176-183 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117151314A (zh) | 2023-12-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110990461A (zh) | 大数据分析模型算法选型方法、装置、电子设备及介质 | |
| KR101825881B1 (ko) | 빅 데이터 분석을 이용한 제조 공정 관리 방법 및 이를 이용한 제조 공정 관리 시스템 | |
| Deng et al. | Integrating feature optimization using a dynamic convolutional neural network for chemical process supervised fault classification | |
| US20200250584A1 (en) | Modeling method for smart prognostics and health management system and computer program product thereof | |
| CN114530258A (zh) | 一种深度学习药物相互作用预测方法、装置、介质和设备 | |
| CN115099543A (zh) | 电池更换的路径规划方法、装置、设备及存储介质 | |
| CN112486767B (zh) | 云资源的智能监控方法、系统、服务器以及存储介质 | |
| Liu et al. | Clustering and dynamic recognition based auto-reservoir neural network: A wait-and-see approach for short-term park power load forecasting | |
| CN117151314B (zh) | 透明质酸钠的生产管理方法及相关装置 | |
| CN116611813B (zh) | 一种基于知识图谱的智能运维管理方法及系统 | |
| CN117709617A (zh) | 一种基于mes的生产车间智能排程系统 | |
| CN117371933A (zh) | 一种基于物联网的智慧实验室管理系统 | |
| CN116562746A (zh) | 一种被服物流站点的被服数据监控方法及相关装置 | |
| CN117011609A (zh) | 纺织品加工进度自动跟踪系统及其方法 | |
| CN115392663A (zh) | 一种基于大数据的数据采集处理方法 | |
| US20220172002A1 (en) | Dynamic and continuous composition of features extraction and learning operation tool for episodic industrial process | |
| CN116466672B (zh) | 基于人工智能的数据中心机房参数调控方法及相关装置 | |
| CN117577981B (zh) | 光伏发电储能控制方法及系统 | |
| CN116934486B (zh) | 一种基于深度学习的决策评估方法及系统 | |
| CN117740632B (zh) | 一种基于差分进化算法的pta粒径动态软测量方法 | |
| CN116402238B (zh) | 一种包装订单的生产排程方法、装置、设备及存储介质 | |
| CN117807114B (zh) | 物流信息智慧检索方法、系统、设备及存储介质 | |
| Ellen et al. | Reducing the configuration burden in automation systems-case study in a modern brewery | |
| Wang et al. | Decomposition-Based Scheduling for Makespan Minimisation of Flexible Flow Shop with Stochastic Processing Times. | |
| CN117434911B (zh) | 设备运行状态监控方法、装置及电子设备 |
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 |