CN117236793A - 一种α型半水石膏性能测试方法及系统 - Google Patents
一种α型半水石膏性能测试方法及系统 Download PDFInfo
- Publication number
- CN117236793A CN117236793A CN202311490796.9A CN202311490796A CN117236793A CN 117236793 A CN117236793 A CN 117236793A CN 202311490796 A CN202311490796 A CN 202311490796A CN 117236793 A CN117236793 A CN 117236793A
- Authority
- CN
- China
- Prior art keywords
- performance index
- alpha
- value
- hydrated gypsum
- type semi
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 229910052602 gypsum Inorganic materials 0.000 title claims abstract description 156
- 239000010440 gypsum Substances 0.000 title claims abstract description 156
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000011056 performance test Methods 0.000 title claims abstract description 20
- 238000004519 manufacturing process Methods 0.000 claims abstract description 157
- 238000013507 mapping Methods 0.000 claims abstract description 82
- 238000001514 detection method Methods 0.000 claims abstract description 73
- 238000004458 analytical method Methods 0.000 claims abstract description 27
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000003066 decision tree Methods 0.000 claims description 37
- 238000012549 training Methods 0.000 claims description 26
- ZOMBKNNSYQHRCA-UHFFFAOYSA-J calcium sulfate hemihydrate Chemical compound O.[Ca+2].[Ca+2].[O-]S([O-])(=O)=O.[O-]S([O-])(=O)=O ZOMBKNNSYQHRCA-UHFFFAOYSA-J 0.000 claims description 17
- 238000004140 cleaning Methods 0.000 claims description 14
- 230000003213 activating effect Effects 0.000 claims description 13
- 230000006855 networking Effects 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 10
- 230000000712 assembly Effects 0.000 claims description 10
- 238000000429 assembly Methods 0.000 claims description 10
- 230000002776 aggregation Effects 0.000 claims description 7
- 238000004220 aggregation Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000007621 cluster analysis Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 4
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 238000009412 basement excavation Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 abstract description 9
- 230000008569 process Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000007689 inspection Methods 0.000 description 5
- 239000003795 chemical substances by application Substances 0.000 description 4
- 239000013078 crystal Substances 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 2
- 239000000919 ceramic Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000005495 investment casting 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
- 239000011148 porous material Substances 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明公开了一种α型半水石膏性能测试方法及系统，涉及石膏性能检测技术领域，方法包括：基于α型半水石膏生产标准表，下载第一性能指标期望区间；生成第二性能指标期望区间；接收α型半水石膏生产参数和α型半水石膏生产工艺类型；对所述α型半水石膏生产参数进行处理，生成性能指标映射值；对所述性能指标映射值进行偏离性分析，生成性能指标偏离系数；提取所述性能指标偏离系数进行序列化调整，生成性能指标集序列；对所述性能指标集进行检测，获得α型半水石膏性能测试结果，解决了现有技术中存在的石膏性能检测工作由于完备性不足和全检而导致异常检出效率差的问题，实现了关于石膏性能检测工作中异常检出效率的提高。
Description
技术领域
本发明涉及石膏性能检测技术领域，具体涉及一种α型半水石膏性能测试方法及系统。
背景技术
α型半水石膏是一种重要的工业原料，广泛应用于建筑、陶瓷、玻璃、医药等多个领域。由于其具有高强度、高耐水性等优点，因此备受关注。在生产和使用过程中，α型半水石膏的性能指标如结晶度、密度、含水率等对其品质和使用效果具有重要影响。然而，传统的性能测试方法存在着操作繁琐、精度低、测试周期长等问题，不能满足现代工业生产的需求。因此，一种能够快速、准确、简便地测定α型半水石膏性能指标的方法具有重要意义。通过该方法及系统，可以实现对α型半水石膏性能指标的准确检测，提高生产效率，保证产品质量，降低生产成本，推动相关产业的发展。
现有技术中存在的石膏性能检测工作由于完备性不足和全检而导致检测成本高、异常检出效率差的问题，使得最终关于石膏性能检测工作无法提高异常检出效率。
发明内容
本申请提供了一种α型半水石膏性能测试方法及系统，解决了现有技术中存在的石膏性能检测工作由于完备性不足和全检而导致检测成本高、异常检出效率差的问题，实现了关于石膏性能检测工作中异常检出效率的提高。
鉴于上述问题，本申请提供了一种α型半水石膏性能测试方法。
第一方面，本申请提供了一种α型半水石膏性能测试方法，方法包括：基于α型半水石膏生产标准表，下载第一性能指标期望区间；联网对所述第一性能指标期望区间进行调整，生成第二性能指标期望区间；接收α型半水石膏生产参数和α型半水石膏生产工艺类型；根据所述α型半水石膏生产工艺类型选择性激活α型半水石膏映射组件，对所述α型半水石膏生产参数进行处理，生成性能指标映射值；调取所述第二性能指标期望区间对所述性能指标映射值进行偏离性分析，生成性能指标偏离系数；提取所述性能指标偏离系数大于或等于性能指标偏离系数阈值的性能指标集进行序列化调整，生成性能指标集序列；按照所述性能指标集序列对所述性能指标集进行检测，获得α型半水石膏性能测试结果。
第二方面，本申请提供了一种α型半水石膏性能测试系统，系统包括：期望区间模块：基于α型半水石膏生产标准表，下载第一性能指标期望区间；区间调整模块：联网对所述第一性能指标期望区间进行调整，生成第二性能指标期望区间；生产参数模块：接收α型半水石膏生产参数和α型半水石膏生产工艺类型；组件激活模块：根据所述α型半水石膏生产工艺类型选择性激活α型半水石膏映射组件，对所述α型半水石膏生产参数进行处理，生成性能指标映射值；偏离系数模块：调取所述第二性能指标期望区间对所述性能指标映射值进行偏离性分析，生成性能指标偏离系数；性能指标模块：提取所述性能指标偏离系数大于或等于性能指标偏离系数阈值的性能指标集进行序列化调整，生成性能指标集序列；测试结果模块：按照所述性能指标集序列对所述性能指标集进行检测，获得α型半水石膏性能测试结果。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
本申请实施例提供的一种α型半水石膏性能测试方法及系统，基于α型半水石膏生产标准表，下载第一性能指标期望区间，再对第一性能指标期望区间进行调整，生成第二性能指标期望区间，然后接收α型半水石膏生产参数和α型半水石膏生产工艺类型，并选择性激活α型半水石膏映射组件，对α型半水石膏生产参数进行处理，生成性能指标映射值，调取第二性能指标期望区间对性能指标映射值进行偏离性分析，生成性能指标偏离系数，最后提取性能指标偏离系数大于或等于性能指标偏离系数阈值的性能指标集进行序列化调整，生成性能指标集序列，并对性能指标集进行检测，获得α型半水石膏性能测试结果，解决了现有技术中存在的石膏性能检测工作由于完备性不足和全检而导致检测成本高、异常检出效率差的问题，实现了关于石膏性能检测工作中异常检出效率的提高。
附图说明
图1为本申请提供了一种α型半水石膏性能测试方法流程示意图；
图2为本申请提供了一种α型半水石膏性能测试系统结构示意图。
附图标记说明：期望区间模块11，区间调整模块12，生产参数模块13，组件激活模块14，偏离系数模块15，性能指标模块16，测试结果模块17。
具体实施方式
本申请通过提供一种α型半水石膏性能测试方法及系统，通过α型半水石膏生产标准表，下载第一性能指标期望区间，再对第一性能指标期望区间进行调整，生成第二性能指标期望区间，然后接收α型半水石膏生产参数和α型半水石膏生产工艺类型，并选择性激活α型半水石膏映射组件，对α型半水石膏生产参数进行处理，生成性能指标映射值，调取第二性能指标期望区间对性能指标映射值进行偏离性分析，生成性能指标偏离系数，最后提取性能指标偏离系数大于或等于性能指标偏离系数阈值的性能指标集进行序列化调整，生成性能指标集序列，并对性能指标集进行检测，获得α型半水石膏性能测试结果。解决了现有技术中存在的石膏性能检测工作由于完备性不足和全检而导致检测成本高、异常检出效率差的问题，实现了关于石膏性能检测工作中异常检出效率的提高。
实施例一
如图1所示，本申请提供了一种α型半水石膏性能测试方法及系统，方法包括：
基于α型半水石膏生产标准表，下载第一性能指标期望区间；
α型半水石膏是一种高强石膏材料，在形成过程、微观结构、宏观性能等方面与β型半水石膏存在较大的差别，主要应用在石膏陶瓷母模、精密铸造、永久性建筑模板、玩具制造和塑料制品的吸塑模具等。α型半水石膏生产标准表是指α型半水石膏的生产行业标准，包括多种参数，如化学成分含量、细度、燃烧量、性能指标等。通过对α型半水石膏生产标准表进行获取，并对α型半水石膏生产标准表进行性能指标检索，将检索到的性能指标进行获取并下载，得到第一性能指标期望区间，为后续联网对第一性能指标期望区间进行调整，生成第二性能指标期望区间提供数据基础。
联网对所述第一性能指标期望区间进行调整，生成第二性能指标期望区间；
通信用户端，接收α型半水石膏应用场景类型；
根据所述α型半水石膏应用场景类型进行正样本联网挖掘，生成正样本α型半水石膏生产记录；
对所述正样本α型半水石膏生产记录进行基线分析，生成性能指标基线区间；
对所述性能指标基线区间对所述第一性能指标期望区间进行交集解析，生成所述第二性能指标期望区间。
第一性能指标期望区间为生产标准表中的性能指标，生产标准表为大多数生产中的均值，并不一定适用于每个应用场景中，所以需要根据具体应用场景获取更加针对该应用场景类型的性能指标期望区间。与用户端进行网络通信，将用户所需要的α型半水石膏应用场景进行获取，根据用户所需要的α型半水石膏应用场景，在网络中进行符合该场景中的α型半水石膏的生产相关记录搜索，得到多个搜索结果，并将多个搜索结果进行整理，得到正样本α型半水石膏生产记录。对正样本α型半水石膏生产记录进行基线分析，生成性能指标基线区间。基线分析即获取正样本α型半水石膏生产记录的性能指标基线区间，性能指标基线是指正样本α型半水石膏生产记录中，α型半水石膏的性能指标期望区间。将性能指标基线区间与第一性能指标期望区间进行重合，取性能指标基线区间与第一性能指标期望区间的交集区间，将交集区间作为第二性能指标期望区间进行输出。第二性能指标期望区间表示既符合用户所需应用场景又符合行业标准的性能指标期望期间，根据性能指标期望区间进行生产检测的α型半水石膏能够在保证了行业生产标准的同时，又能够兼顾实用性。
接收α型半水石膏生产参数和α型半水石膏生产工艺类型；
根据α型半水石膏生产标准表获取α型半水石膏生产参数和α型半水石膏生产工艺类型，α型半水石膏生产参数是指对α型半水石膏进行生产的各项设备所设定的参数，α型半水石膏生产工艺类型包括多种工艺，如蒸压法生产、水热法生产，针对不同的生产工艺所对应的α型半水石膏生产参数也不相同，如蒸压法生产所需要的生产参数为蒸压釜温度、转晶剂类型、转晶剂含量等，而水热法生产所需的生产参数为溶液温度、溶液压力、转晶剂类型、转晶剂含量等，α型半水石膏生产参数和α型半水石膏生产工艺类型的获取，为后续根据α型半水石膏生产工艺类型选择性激活α型半水石膏映射组件，对α型半水石膏生产参数进行处理，生成性能指标映射值提供数据基础。
根据所述α型半水石膏生产工艺类型选择性激活α型半水石膏映射组件，对所述α型半水石膏生产参数进行处理，生成性能指标映射值；
遍历预设生产工艺类型，利用残差梯度下降算法，训练多个α型半水石膏映射组件，其中，所述多个α型半水石膏映射组件具有唯一对应的组件ID，所述组件ID和所述预设生产工艺类型一一对应；
将所述α型半水石膏生产工艺类型和所述预设生产工艺类型进行配对，获得待激活组件ID；
根据所述待激活组件ID对所述多个α型半水石膏映射组件进行选择性激活，对所述α型半水石膏生产参数进行处理，生成所述性能指标映射区间。
在对石膏性能进行检测时，不需要对所有步骤进行检测，只需要根据α型半水石膏的生产工艺类型进行相应的检测，在该生产工艺类型中没有进行的加工步骤则不需要进行检测，减少全部检测所浪费的时间。根据α型半水石膏生产工艺类型获取对应工艺类型的生产组件，将相应的生产组件进行选择性激活，并对α型半水石膏生产参数进行处理，根据α型半水石膏生产参数进行性能指标预测，生成性能指标映射值。对α型半水石膏进行组件ID编排，根据α型半水石膏组件ID可以找到对应的预设生产工艺类型，对预设生产工艺类型进行遍历，通过残差梯度下降算法训练多个α型半水石膏映射组件，并将α型半水石膏生产工艺类型和预设生产工艺类型进行配对，得到相应的组件ID，该ID为待激活状态，根据组件ID对所述多个α型半水石膏映射组件进行选择性激活，并对激活后产生的各项α型半水石膏生产参数进行获取，并根据各项参数进行相应的α型半水石膏性能预测，得到预测结果，该结果为范围值，即性能指标映射区间。通过对多个α型半水石膏映射组件进行选择性激活，能够减少因全部激活而导致的时间浪费和资源浪费，极大地提高了检测效率，节约了时间和资源。
调取所述第二性能指标期望区间对所述性能指标映射值进行偏离性分析，生成性能指标偏离系数；
当所述性能指标映射值属于所述第二性能指标期望区间，所述性能指标偏离系数等于0；
当所述性能指标映射值小于所述第二性能指标期望区间的最小值，计算所述性能指标映射值与最小值的偏差绝对值，设为所述性能指标偏离系数；
当所述性能指标映射值大于所述第二性能指标期望区间的最大值，计算所述性能指标映射值与最大值的偏差绝对值，设为所述性能指标偏离系数。
对性能指标集进行性能预测分析，判断性能指标集是否存在超过合理范围内的性能指标值，对超过合理范围内的性能指标集进行调整，其中判断是否超过合理范围的衡量基本单位为性能指标偏离系数，判断过程为偏离性分析。当性能指标映射值属于第二性能指标期望区间，性能指标偏离系数等于0，表示该性能指标映射值为合理值，没有偏移；当性能指标映射值小于第二性能指标期望区间的最小值，将性能指标映射值与最小值进行作差并取绝对值，得到计算结果，并将计算结果设为性能指标偏离系数；当性能指标映射值大于第二性能指标期望区间的最大值，将性能指标映射值与最大值进行作差并取绝对值，得到计算结果，将计算结果设为性能指标偏离系数。性能指标偏离系数的获取，为后续提取性能指标偏离系数大于或等于性能指标偏离系数阈值的性能指标集进行序列化调整，生成性能指标集序列提供数据基础。
提取所述性能指标偏离系数大于或等于性能指标偏离系数阈值的性能指标集进行序列化调整，生成性能指标集序列；
按照所述性能指标集序列对所述性能指标集进行检测，获得α型半水石膏性能测试结果。
当性能指标偏离系数在一定合理范围时，其并不对检测结果产生影响，可以忽略不计，当性能指标偏离系数超过一定合理范围时，则表示性能指标映射值偏差过大，对检测结果产生影响，需要进行相应调整。即当性能指标偏离系数大于或等于性能指标偏离系数阈值时，性能指标偏离系数阈值即为一定合理范围，则判断该性能指标集存在缺陷，需要进行调整，对性能指标集进行序列化调整，调整性能指标集的排列方式，生成性能指标集序列，按照性能指标集序列对性能指标集进行检测，性能指标集中包括体积密度、标准稠度、凝结时间、抗压强度、软化系数、孔径分布等，根据性能指标集序列中的检测顺序，对性能指标集进行序列检测，得到α型半水石膏性能测试结果。在对性能指标集进行序列化调整的过程中，可以进一步对性能指标集进行进一步的筛选和清洗，以获得更加精简和有效的性能指标集序列。
进一步而言，所述方法还包括：
所述正样本α型半水石膏生产记录包括性能指标集和性能指标检测特征值；
对所述性能指标集进行两两相关性分析，生成皮尔逊相关系数；
根据所述皮尔逊相关系数对所述性能指标集进行聚类分析，生成性能指标集聚类结果；
遍历所述性能指标集聚类结果分别随机提取一个性能指标，构建代表性能指标集；
根据所述代表性能指标集，对所述性能指标检测特征值进行离群点清洗，生成性能指标检测特征值清洗结果；
统计所述性能指标检测特征值清洗结果的性能指标分布区间，生成所述性能指标基线区间。
正样本α型半水石膏生产记录包括性能指标集和性能指标检测特征值，性能指标检测特征值为对性能指标集进行特征提取得到的特征值，且性能指标检测特征值与性能指标集具有对应关系。将性能指标集中的各项性能指标进行两两相关性分析，得到皮尔逊相关系数，皮尔逊相关系数是指用于度量两个变量X和Y之间的相关程度。根据皮尔逊相关系数对性能指标集进行聚类分析，当指标集中的多个皮尔逊相关系数分布于某个区间，则视为相关，则将两个性能指标视为同一类；同样的，再看同一类的两个性能指标和其它性能指标的相关性，若是满足则将其它性能指标也增加进来，持续分析得到最终的聚类结果。对性能指标集聚类结果进行遍历，并分别随机提取一个性能指标，以该性能指标进行代表性能指标集构建，得到多个代表性能指标集。根据代表性能指标集，对性能指标检测特征值进行离群点清洗，按照代表性能指标集的某个预设偏离值对性能指标检测特征值进行聚类分析，得到聚类结果；将类内数量小于某个值的类视为离散点，并将该离散点进行清洗去除，得到性能指标检测特征值清洗结果。将多个性能指标检测特征值清洗结果的性能指标分布区间进行获取并进行统计整合，得到性能指标基线区间，该性能指标基线区间根据相关性进行性能指标构建，并通过特征值进行离群点清洗，能够最大限度的减少正样本α型半水石膏生产记录中的非正常情况造成的性能指标对性能指标基线区间的影响。
进一步而言，所述方法还包括：
提取所述预设生产工艺类型的第一预设生产工艺类型进行生产日志检索，获得生产控制参数记录数据集与性能指标检测值数据集；
获取所述生产控制参数记录数据集的第一组生产控制参数和所述性能指标检测值数据集的第一组性能指标检测值，其中，所述第一组生产控制参数和所述第一组性能指标检测值一一对应；
以所述第一组生产控制参数为决策树的输入根节点数据，以所述第一组性能指标检测值为决策树的多个输出叶子节点监督数据，训练第一决策树；
获得所述第一决策树的叶子节点输出偏差，其中，所述叶子节点输出偏差为叶子节点输出值和叶子节点监督数据之差；
当第一叶子节点的所述叶子节点输出偏差的绝对值大于或等于预设偏差值，以所述第一叶子节点为次级根节点，训练第二决策树，其中，所述第二决策树的输入为所述第一叶子节点的所述叶子节点输出偏差和所述叶子节点输出值，所述第二决策树的监督数据和所述第一叶子节点的监督数据相同；
迭代分析，直到全部叶子节点的所述叶子节点输出偏差的绝对值小于所述预设偏差值，更新训练数据，训练第一α型半水石膏映射组件，添加进所述多个α型半水石膏映射组件。
对预设生产工艺类型的第一个预设生产工艺类型进行提取，得到第一预设生产工艺类型，并根据第一预设生产工艺类型在生产日志中进行检索，得到生产控制参数记录数据集与性能指标检测值数据集。再对生产控制参数记录数据集中的第一组生产控制参数和性能指标检测值数据集中的第一组性能指标检测值进行获取，得到第一组生产控制参数和第一组性能指标检测值，且第一组生产控制参数和第一组性能指标检测值一一对应。将第一组生产控制参数为决策树的输入根节点数据，以第一组性能指标检测值为决策树的多个输出叶子节点监督数据，进行第一决策树训练，将叶子节点输出值和叶子节点监督数据进行作差，得到计算结果，计算结果为叶子节点输出偏差。当第一叶子节点的叶子节点输出偏差进行判定，并对预设偏差值进行设定，当叶子结点输出偏差的绝对值大于或等于预设偏差值，以第一叶子节点为次级根节点，训练第二决策树，将第一叶子节点的叶子节点输出偏差和叶子节点输出值作为第二决策树的输入，第二决策树的监督数据和第一叶子节点的监督数据相同，不断对叶子结点的输出值进行修正，缩小叶子结点输出偏差的绝对值，继续进行迭代分析，直到全部叶子节点的叶子节点输出偏差的绝对值小于预设偏差值，更新训练数据，训练第一α型半水石膏映射组件，添加进多个α型半水石膏映射组件。通过残差梯度下降算法，训练多个α型半水石膏映射组件，即通过一个根节点进行生产控制参数的接收，在末端具有多个叶子结点，通过多个叶子结点进行输出不同维度的性能指标，能够使得到的α型半水石膏映射组件更加符合预设生产工艺类型和性能指标，提高异常检出的精准度。
进一步而言，所述方法还包括：
当所述叶子节点输出偏差大于0，将残差拟合方向设为减小；
将所述叶子节点输出偏差的绝对值的0.5倍到2倍设为残差拟合步长区间；
根据所述残差拟合方向、所述残差拟合步长区间和所述叶子节点输出值，训练所述第二决策树。
在每个指标进行残差拟合时，当上一个决策树的输出残差大于0时，表示输出值大于监督值，则需要减小，为残差拟合方向；此时调整残差绝对值获取新的拟合步长对新的决策树训练，并不断层层分析，最终得到偏差较小的多级决策树拓扑结构。即当叶子节点输出偏差大于0，将残差拟合方向设为减小，并获取叶子节点输出偏差的绝对值的0.5倍到2倍值，得到新的设定值，将新的设定值作为残差拟合步长区间。根据残差拟合方向、残差拟合步长区间和叶子节点输出值，对第二决策树进行训练，通过对残差拟合步长区间进行设定，能够在保证模型的泛化能力的同时，最大程度精确的对训练数据直接拟合，尽可能快速的拟合，提高拟合效率。
进一步而言，所述方法还包括：
实施例二
基于与前述实施例中一种α型半水石膏性能测试方法相同的发明构思，如图2所示，本申请提供了一种α型半水石膏性能测试系统，所述系统包括：
期望区间模块11：所述期望区间模块11用于基于α型半水石膏生产标准表，下载第一性能指标期望区间；
区间调整模块12：所述区间调整模块12用于联网对所述第一性能指标期望区间进行调整，生成第二性能指标期望区间；
生产参数模块13：所述生产参数模块13用于接收α型半水石膏生产参数和α型半水石膏生产工艺类型；
组件激活模块14：所述组件激活模块14用于根据所述α型半水石膏生产工艺类型选择性激活α型半水石膏映射组件，对所述α型半水石膏生产参数进行处理，生成性能指标映射值；
偏离系数模块15：所述偏离系数模块15用于调取所述第二性能指标期望区间对所述性能指标映射值进行偏离性分析，生成性能指标偏离系数；
性能指标模块16：所述性能指标模块16用于提取所述性能指标偏离系数大于或等于性能指标偏离系数阈值的性能指标集进行序列化调整，生成性能指标集序列；
测试结果模块17：所述测试结果模块17用于按照所述性能指标集序列对所述性能指标集进行检测，获得α型半水石膏性能测试结果。
进一步的，偏离系数模块15包括以下执行步骤：
进一步的，区间调整模块12包括以下执行步骤：
通信用户端，接收α型半水石膏应用场景类型；
根据所述α型半水石膏应用场景类型进行正样本联网挖掘，生成正样本α型半水石膏生产记录；
对所述正样本α型半水石膏生产记录进行基线分析，生成性能指标基线区间；
对所述性能指标基线区间对所述第一性能指标期望区间进行交集解析，生成所述第二性能指标期望区间。
进一步的，区间调整模块12包括以下执行步骤：
所述正样本α型半水石膏生产记录包括性能指标集和性能指标检测特征值；
对所述性能指标集进行两两相关性分析，生成皮尔逊相关系数；
根据所述皮尔逊相关系数对所述性能指标集进行聚类分析，生成性能指标集聚类结果；
遍历所述性能指标集聚类结果分别随机提取一个性能指标，构建代表性能指标集；
根据所述代表性能指标集，对所述性能指标检测特征值进行离群点清洗，生成性能指标检测特征值清洗结果；
统计所述性能指标检测特征值清洗结果的性能指标分布区间，生成所述性能指标基线区间。
进一步的，组件激活模块14包括以下执行步骤：
遍历预设生产工艺类型，利用残差梯度下降算法，训练多个α型半水石膏映射组件，其中，所述多个α型半水石膏映射组件具有唯一对应的组件ID，所述组件ID和所述预设生产工艺类型一一对应；
将所述α型半水石膏生产工艺类型和所述预设生产工艺类型进行配对，获得待激活组件ID；
根据所述待激活组件ID对所述多个α型半水石膏映射组件进行选择性激活，对所述α型半水石膏生产参数进行处理，生成所述性能指标映射区间。
进一步的，组件激活模块14包括以下执行步骤：
提取所述预设生产工艺类型的第一预设生产工艺类型进行生产日志检索，获得生产控制参数记录数据集与性能指标检测值数据集；
获取所述生产控制参数记录数据集的第一组生产控制参数和所述性能指标检测值数据集的第一组性能指标检测值，其中，所述第一组生产控制参数和所述第一组性能指标检测值一一对应；
以所述第一组生产控制参数为决策树的输入根节点数据，以所述第一组性能指标检测值为决策树的多个输出叶子节点监督数据，训练第一决策树；
获得所述第一决策树的叶子节点输出偏差，其中，所述叶子节点输出偏差为叶子节点输出值和叶子节点监督数据之差；
当第一叶子节点的所述叶子节点输出偏差的绝对值大于或等于预设偏差值，以所述第一叶子节点为次级根节点，训练第二决策树，其中，所述第二决策树的输入为所述第一叶子节点的所述叶子节点输出偏差和所述叶子节点输出值，所述第二决策树的监督数据和所述第一叶子节点的监督数据相同；
迭代分析，直到全部叶子节点的所述叶子节点输出偏差的绝对值小于所述预设偏差值，更新训练数据，训练第一α型半水石膏映射组件，添加进所述多个α型半水石膏映射组件。
进一步的，组件激活模块14包括以下执行步骤：
当所述叶子节点输出偏差大于0，将残差拟合方向设为减小；
将所述叶子节点输出偏差的绝对值的0.5倍到2倍设为残差拟合步长区间；
根据所述残差拟合方向、所述残差拟合步长区间和所述叶子节点输出值，训练所述第二决策树。
进一步的，偏离系数模块15包括以下执行步骤：
当所述性能指标映射值属于所述第二性能指标期望区间，所述性能指标偏离系数等于0；
当所述性能指标映射值小于所述第二性能指标期望区间的最小值，计算所述性能指标映射值与最小值的偏差绝对值，设为所述性能指标偏离系数；
当所述性能指标映射值大于所述第二性能指标期望区间的最大值，计算所述性能指标映射值与最大值的偏差绝对值，设为所述性能指标偏离系数。
本说明书通过前述对一种α型半水石膏性能测试方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种α型半水石膏性能测试方法，对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种α型半水石膏性能测试方法，其特征在于，包括：
基于α型半水石膏生产标准表，下载第一性能指标期望区间；
联网对所述第一性能指标期望区间进行调整，生成第二性能指标期望区间；
接收α型半水石膏生产参数和α型半水石膏生产工艺类型；
根据所述α型半水石膏生产工艺类型选择性激活α型半水石膏映射组件，对所述α型半水石膏生产参数进行处理，生成性能指标映射值；
调取所述第二性能指标期望区间对所述性能指标映射值进行偏离性分析，生成性能指标偏离系数；
提取所述性能指标偏离系数大于或等于性能指标偏离系数阈值的性能指标集进行序列化调整，生成性能指标集序列；
按照所述性能指标集序列对所述性能指标集进行检测，获得α型半水石膏性能测试结果。
2.如权利要求1所述的方法，其特征在于，联网对所述第一性能指标期望区间进行调整，生成第二性能指标期望区间，包括：
通信用户端，接收α型半水石膏应用场景类型；
根据所述α型半水石膏应用场景类型进行正样本联网挖掘，生成正样本α型半水石膏生产记录；
对所述正样本α型半水石膏生产记录进行基线分析，生成性能指标基线区间；
对所述性能指标基线区间对所述第一性能指标期望区间进行交集解析，生成所述第二性能指标期望区间。
3.如权利要求2所述的方法，其特征在于，对所述正样本α型半水石膏生产记录进行基线分析，生成性能指标基线区间，包括：
所述正样本α型半水石膏生产记录包括性能指标集和性能指标检测特征值；
对所述性能指标集进行两两相关性分析，生成皮尔逊相关系数；
根据所述皮尔逊相关系数对所述性能指标集进行聚类分析，生成性能指标集聚类结果；
遍历所述性能指标集聚类结果分别随机提取一个性能指标，构建代表性能指标集；
根据所述代表性能指标集，对所述性能指标检测特征值进行离群点清洗，生成性能指标检测特征值清洗结果；
统计所述性能指标检测特征值清洗结果的性能指标分布区间，生成所述性能指标基线区间。
4.如权利要求1所述的方法，其特征在于，根据所述α型半水石膏生产工艺类型选择性激活α型半水石膏映射组件，对所述α型半水石膏生产参数进行处理，生成性能指标映射值，包括：
遍历预设生产工艺类型，利用残差梯度下降算法，训练多个α型半水石膏映射组件，其中，所述多个α型半水石膏映射组件具有唯一对应的组件ID，所述组件ID和所述预设生产工艺类型一一对应；
将所述α型半水石膏生产工艺类型和所述预设生产工艺类型进行配对，获得待激活组件ID；
根据所述待激活组件ID对所述多个α型半水石膏映射组件进行选择性激活，对所述α型半水石膏生产参数进行处理，生成所述性能指标映射区间。
5.如权利要求4所述的方法，其特征在于，遍历预设生产工艺类型，利用残差梯度下降算法，训练多个α型半水石膏映射组件，包括：
提取所述预设生产工艺类型的第一预设生产工艺类型进行生产日志检索，获得生产控制参数记录数据集与性能指标检测值数据集；
获取所述生产控制参数记录数据集的第一组生产控制参数和所述性能指标检测值数据集的第一组性能指标检测值，其中，所述第一组生产控制参数和所述第一组性能指标检测值一一对应；
以所述第一组生产控制参数为决策树的输入根节点数据，以所述第一组性能指标检测值为决策树的多个输出叶子节点监督数据，训练第一决策树；
获得所述第一决策树的叶子节点输出偏差，其中，所述叶子节点输出偏差为叶子节点输出值和叶子节点监督数据之差；
当第一叶子节点的所述叶子节点输出偏差的绝对值大于或等于预设偏差值，以所述第一叶子节点为次级根节点，训练第二决策树，其中，所述第二决策树的输入为所述第一叶子节点的所述叶子节点输出偏差和所述叶子节点输出值，所述第二决策树的监督数据和所述第一叶子节点的监督数据相同；
迭代分析，直到全部叶子节点的所述叶子节点输出偏差的绝对值小于所述预设偏差值，更新训练数据，训练第一α型半水石膏映射组件，添加进所述多个α型半水石膏映射组件。
6.如权利要求5所述的方法，其特征在于，当第一叶子节点的所述叶子节点输出偏差的绝对值大于或等于预设偏差值，以所述第一叶子节点为次级根节点，训练第二决策树，其中，所述第二决策树的输入为所述第一叶子节点的所述叶子节点输出偏差和所述叶子节点输出值，所述第二决策树的监督数据和所述第一叶子节点的监督数据相同，包括：
当所述叶子节点输出偏差大于0，将残差拟合方向设为减小；
将所述叶子节点输出偏差的绝对值的0.5倍到2倍设为残差拟合步长区间；
根据所述残差拟合方向、所述残差拟合步长区间和所述叶子节点输出值，训练所述第二决策树。
7.如权利要求1所述的方法，其特征在于，调取所述第二性能指标期望区间对所述性能指标映射值进行偏离性分析，生成性能指标偏离系数，包括：
当所述性能指标映射值属于所述第二性能指标期望区间，所述性能指标偏离系数等于0；
当所述性能指标映射值小于所述第二性能指标期望区间的最小值，计算所述性能指标映射值与最小值的偏差绝对值，设为所述性能指标偏离系数；
当所述性能指标映射值大于所述第二性能指标期望区间的最大值，计算所述性能指标映射值与最大值的偏差绝对值，设为所述性能指标偏离系数。
8.一种α型半水石膏性能测试系统，其特征在于，所述系统包括：
期望区间模块：基于α型半水石膏生产标准表，下载第一性能指标期望区间；
区间调整模块：联网对所述第一性能指标期望区间进行调整，生成第二性能指标期望区间；
生产参数模块：接收α型半水石膏生产参数和α型半水石膏生产工艺类型；
组件激活模块：根据所述α型半水石膏生产工艺类型选择性激活α型半水石膏映射组件，对所述α型半水石膏生产参数进行处理，生成性能指标映射值；
偏离系数模块：调取所述第二性能指标期望区间对所述性能指标映射值进行偏离性分析，生成性能指标偏离系数；
性能指标模块：提取所述性能指标偏离系数大于或等于性能指标偏离系数阈值的性能指标集进行序列化调整，生成性能指标集序列；
测试结果模块：按照所述性能指标集序列对所述性能指标集进行检测，获得α型半水石膏性能测试结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311490796.9A CN117236793B (zh) | 2023-11-10 | 2023-11-10 | 一种α型半水石膏性能测试方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311490796.9A CN117236793B (zh) | 2023-11-10 | 2023-11-10 | 一种α型半水石膏性能测试方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117236793A true CN117236793A (zh) | 2023-12-15 |
| CN117236793B CN117236793B (zh) | 2024-02-06 |
Family
ID=89098492
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311490796.9A Active CN117236793B (zh) | 2023-11-10 | 2023-11-10 | 一种α型半水石膏性能测试方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117236793B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108873829A (zh) * | 2018-05-28 | 2018-11-23 | 上海新增鼎数据科技有限公司 | 一种基于梯度提升决策树的磷酸生产参数控制方法 |
| CN110073301A (zh) * | 2017-08-02 | 2019-07-30 | 强力物联网投资组合2016有限公司 | 工业物联网中具有大数据集的数据收集环境下的检测方法和系统 |
| CN111338302A (zh) * | 2020-02-28 | 2020-06-26 | 合肥力拓云计算科技有限公司 | 基于工业大数据和工业物联网的化工工艺建模处理系统 |
| CN115100600A (zh) * | 2022-06-30 | 2022-09-23 | 苏州市新方纬电子有限公司 | 一种电池包的产线智能检测方法及系统 |
| CN115826541A (zh) * | 2023-02-16 | 2023-03-21 | 一夫科技股份有限公司 | 一种β型建筑石膏粉的生产控制方法及系统 |
| CN115860592A (zh) * | 2023-03-03 | 2023-03-28 | 一夫科技股份有限公司 | 一种石膏砌块的质量检测评估方法及系统 |
| CN115925294A (zh) * | 2023-02-16 | 2023-04-07 | 一夫科技股份有限公司 | 一种α型石膏生产控制方法及系统 |
| CN115951646A (zh) * | 2023-03-14 | 2023-04-11 | 一夫科技股份有限公司 | 一种α型半水石膏的智能生产控制方法及系统 |
-
2023
- 2023-11-10 CN CN202311490796.9A patent/CN117236793B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110073301A (zh) * | 2017-08-02 | 2019-07-30 | 强力物联网投资组合2016有限公司 | 工业物联网中具有大数据集的数据收集环境下的检测方法和系统 |
| CN108873829A (zh) * | 2018-05-28 | 2018-11-23 | 上海新增鼎数据科技有限公司 | 一种基于梯度提升决策树的磷酸生产参数控制方法 |
| CN111338302A (zh) * | 2020-02-28 | 2020-06-26 | 合肥力拓云计算科技有限公司 | 基于工业大数据和工业物联网的化工工艺建模处理系统 |
| CN115100600A (zh) * | 2022-06-30 | 2022-09-23 | 苏州市新方纬电子有限公司 | 一种电池包的产线智能检测方法及系统 |
| CN115826541A (zh) * | 2023-02-16 | 2023-03-21 | 一夫科技股份有限公司 | 一种β型建筑石膏粉的生产控制方法及系统 |
| CN115925294A (zh) * | 2023-02-16 | 2023-04-07 | 一夫科技股份有限公司 | 一种α型石膏生产控制方法及系统 |
| CN115860592A (zh) * | 2023-03-03 | 2023-03-28 | 一夫科技股份有限公司 | 一种石膏砌块的质量检测评估方法及系统 |
| CN115951646A (zh) * | 2023-03-14 | 2023-04-11 | 一夫科技股份有限公司 | 一种α型半水石膏的智能生产控制方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| 孙泰新: "卫生陶瓷模用半水石膏粉的性能测试及选择", 非金属矿, no. 03, pages 5 * |
| 张文佳;赵志曼;全思臣;朱伟明;姚毅惠;郜峰;: "基于广义回归神经网络的β型磷建筑石膏强度预测", 硅酸盐通报, no. 07, pages 2166 - 2170 * |
| 潘宝娟;: "基于决策树的神经网络预测水泥熟料强度", 计算机应用与软件, no. 08, pages 225 - 227 * |
| 陈旭晔;翟跃忠;刘平;: "按ASTM标准生产纸面石膏板的质量控制", 新型建筑材料, no. 04, pages 9 - 11 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117236793B (zh) | 2024-02-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112384924B (zh) | 产品性能预测模型的建立方法和装置、计算机设备、计算机可读存储介质、产品性能预测方法及预测系统 | |
| CN108171142B (zh) | 一种确定复杂工业过程中关键变量因果关系的方法 | |
| CN106778053B (zh) | 一种基于相关性的报警关联变量检测方法及系统 | |
| CN110531722B (zh) | 基于数据采集的工艺参数推荐系统及方法 | |
| CN105159239B (zh) | 一种spc策略自动更新方法及spc自动策略系统 | |
| CN108920786B (zh) | 一种基于切比雪夫多项式拟合的区间不确定性分析方法 | |
| CN113642800B (zh) | 建筑陶瓷窑炉烧成制度的数据分析方法及数据分析系统 | |
| CN117556366B (zh) | 基于数据筛选的数据异常检测系统及方法 | |
| KR20190081844A (ko) | 가상의 센서 데이터를 생성하는 방법 및 장치 | |
| CN115983684B (zh) | 一种制冷用铜管生产缺陷管理方法及系统 | |
| CN117236793B (zh) | 一种α型半水石膏性能测试方法及系统 | |
| CN105159247B (zh) | 基于信息传递的间歇过程实时采样点阶段归属判断方法 | |
| CN105843891A (zh) | 一种增量式的在线特征提取分析方法及系统 | |
| CN117217020A (zh) | 一种基于数字孪生的工业模型构建方法及系统 | |
| CN117668501B (zh) | 一种基于自动化生产的焊接数据智能管理系统及方法 | |
| CN112884348B (zh) | 基于动态贝叶斯网络的航天起爆器生产偏差源诊断方法 | |
| CN117808495A (zh) | 用于义齿智能化生产的产品数据溯源方法及系统 | |
| CN117954021A (zh) | 混凝土温度智能测量方法及系统 | |
| CN116433109B (zh) | 一种半导体生产环境的监测清洁管理方法及系统 | |
| CN111811827B (zh) | 基于瑞利分布的产品性能一致性检验方法 | |
| CN111736574A (zh) | 一种通用的火电厂故障诊断系统及其诊断方法 | |
| CN114019946B (zh) | 工控终端的监控数据处理方法及装置 | |
| CN107507885B (zh) | 基于多通道传感器数据的太阳能电池生产过程监测方法 | |
| CN114202124A (zh) | 一种环氧树脂合成反应停止时间的预测方法 | |
| Norgren et al. | Industrial evaluation of process control using non-periodic sampling |
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 |