CN117273497B - 一种高强石膏的生产优化方法及系统 - Google Patents
一种高强石膏的生产优化方法及系统 Download PDFInfo
- Publication number
- CN117273497B CN117273497B CN202311540491.4A CN202311540491A CN117273497B CN 117273497 B CN117273497 B CN 117273497B CN 202311540491 A CN202311540491 A CN 202311540491A CN 117273497 B CN117273497 B CN 117273497B
- Authority
- CN
- China
- Prior art keywords
- production
- performance
- production element
- strength gypsum
- performance index
- 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 568
- 229910052602 gypsum Inorganic materials 0.000 title claims abstract description 197
- 239000010440 gypsum Substances 0.000 title claims abstract description 197
- 238000005457 optimization Methods 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000004458 analytical method Methods 0.000 claims abstract description 97
- 230000003213 activating effect Effects 0.000 claims abstract description 26
- 239000011159 matrix material Substances 0.000 claims description 17
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 238000007621 cluster analysis Methods 0.000 claims description 9
- 238000010220 Pearson correlation analysis Methods 0.000 claims description 7
- 230000004931 aggregating effect Effects 0.000 claims description 6
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 230000006978 adaptation Effects 0.000 abstract description 7
- ODINCKMPIJJUCX-UHFFFAOYSA-N Calcium oxide Chemical compound [Ca]=O ODINCKMPIJJUCX-UHFFFAOYSA-N 0.000 description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 11
- 239000004568 cement Substances 0.000 description 8
- 239000000843 powder Substances 0.000 description 7
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 6
- 235000012255 calcium oxide Nutrition 0.000 description 6
- 239000000292 calcium oxide Substances 0.000 description 6
- CJZGTCYPCWQAJB-UHFFFAOYSA-L calcium stearate Chemical compound [Ca+2].CCCCCCCCCCCCCCCCCC([O-])=O.CCCCCCCCCCCCCCCCCC([O-])=O CJZGTCYPCWQAJB-UHFFFAOYSA-L 0.000 description 6
- 235000013539 calcium stearate Nutrition 0.000 description 6
- 239000008116 calcium stearate Substances 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000013433 optimization analysis Methods 0.000 description 3
- 238000012098 association analyses Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 239000004566 building material Substances 0.000 description 1
- 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 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005495 investment casting Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Manufacturing & Machinery (AREA)
- Operations Research (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种高强石膏的生产优化方法及系统，涉及石膏生产技术领域，该方法包括：标定性能指标期望区间；生成生产要素高频区间；对所述高强石膏生产要素进行性能关联对照分析，生成性能相关系数，其中，所述性能相关系数和所述高强石膏生产要素一一对应；激活生产优化组件，结合所述性能相关系数和所述生产要素高频区间，对所述高强石膏生产要素进行寻优，生成第一生产要素优化结果，控制高强石膏生产，解决了传统的高强石膏生产大多是设定一定的生产参数，无法自适应地结合场景进行生产参数优化，进而导致石膏性能与应用场景的适配度不佳，难以保证石膏生产质量的技术问题，达到提升石膏性能与应用场景的适配度，进而提升石膏生产质量。
Description
技术领域
本申请涉及石膏生产技术领域，具体涉及一种高强石膏的生产优化方法及系统。
背景技术
高强石膏广泛用于建筑、建材、工业模具和艺术模型、化学工业及农业、食品加工和医药美容等众多应用领域，是一种重要的工业原材料。传统的高强石膏生产大多是设定一定的生产参数，无法自适应的结合场景进行生产参数优化，进而导致石膏性能与应用场景的适配度不佳，难以保证石膏生产质量。
发明内容
本申请提供了一种高强石膏的生产优化方法及系统，用以解决传统的高强石膏生产大多是设定一定的生产参数，无法自适应地结合场景进行生产参数优化，进而导致石膏性能与应用场景的适配度不佳，难以保证石膏生产质量的技术问题。
根据本申请的第一方面，提供了一种高强石膏的生产优化方法，包括：根据高强石膏应用场景，标定性能指标期望区间；激活高频分析组件，遍历所述性能指标期望区间，对高强石膏生产要素进行高频分析，生成生产要素高频区间；激活对照分析组件，对所述高强石膏生产要素进行性能关联对照分析，生成性能相关系数，其中，所述性能相关系数和所述高强石膏生产要素一一对应；激活生产优化组件，结合所述性能相关系数和所述生产要素高频区间，对所述高强石膏生产要素进行寻优，生成第一生产要素优化结果，控制高强石膏生产。
根据本申请的第二方面，提供了一种高强石膏的生产优化系统，包括：性能指标分析模块，所述性能指标分析模块用于根据高强石膏应用场景，标定性能指标期望区间；高频分析模块，所述高频分析模块激活高频分析组件，遍历所述性能指标期望区间，对高强石膏生产要素进行高频分析，生成生产要素高频区间；性能关联分析模块，所述性能关联分析模块用于激活对照分析组件，对所述高强石膏生产要素进行性能关联对照分析，生成性能相关系数，其中，所述性能相关系数和所述高强石膏生产要素一一对应；生产要素优化模块，所述生产要素优化模块用于激活生产优化组件，结合所述性能相关系数和所述生产要素高频区间，对所述高强石膏生产要素进行寻优，生成第一生产要素优化结果，控制高强石膏生产。
根据本申请采用的一个或多个技术方案，其可达到的有益效果如下：
1.根据高强石膏应用场景，标定性能指标期望区间，激活高频分析组件，遍历性能指标期望区间，对高强石膏生产要素进行高频分析，生成生产要素高频区间，激活对照分析组件，对高强石膏生产要素进行性能关联对照分析，生成性能相关系数，其中，性能相关系数和高强石膏生产要素一一对应，激活生产优化组件，结合性能相关系数和生产要素高频区间，对高强石膏生产要素进行寻优，生成第一生产要素优化结果，控制高强石膏生产。结合高强石膏应用场景和性能相关系数进行生产要素的优化，达到提升石膏性能与应用场景的适配度，进而提升石膏生产质量。
2.基于生产要素高频区间，对高强石膏生产要素进行随机赋值，生成Q个初始解，遍历Q个初始解进行性能预测，生成Q组性能指标预测结果，当Q组性能指标预测结果的任意一组满足性能指标期望区间，获得第一生产要素优化结果，当Q组性能指标预测结果均不满足性能指标期望区间，遍历Q组性能指标预测结果与性能指标期望区间比对，获得Q组性能指标偏差值，基于性能相关系数和Q组性能指标偏差值，获得生产要素调节类型和生产要素调整方向，根据生产要素调整方向和生产要素调节类型，在生产要素高频区间的约束下进行随机调整，生成扩充解集，遍历扩充解集进行性能预测，生成扩充解集性能指标预测结果，当扩充解集性能指标预测结果的任意一组满足性能指标期望区间，获得第一生产要素优化结果，否则，迭代寻优分析。相比传统的优化算法，使用相关系数作为调整方向的指导，达到提升解集扩充的目的性，进而提升收敛速度，即提升生产要素优化效率的技术效果。
附图说明
为了更清楚地说明本申请或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定，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，还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的一种高强石膏的生产优化方法的流程示意图；
图2为本申请实施例提供的一种高强石膏的生产优化系统的结构示意图。
附图标记说明：性能指标分析模块11，高频分析模块12，性能关联分析模块13，生产要素优化模块14。
具体实施方式
为了使得本申请的目的、技术方案和优点更为明显，下面将参照附图详细描述本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
说明书中使用的术语用于描述实施例，而不是限制本申请。如在说明书中所使用的，单数术语“一”“一个”和“该”旨在也包括复数形式，除非上下文另有清楚指示。当在说明书中使用时，术语“包括”和/或“包含”指定了步骤、操作、元件和/或组件的存在，但是不排除一个或多个其他步骤、操作、元件、组件和/或其组的存在或添加。
除非另有定义，本说明书中使用的所有术语(包括技术和科学术语)应具有与本申请所属领域的技术人员通常理解的相同含义。术语，如常用词典中定义的术语，不应以理想化或过于正式的意义来解释，除非在此明确定义。在整个说明书中，相同的附图标记表示相同的元件。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于展示的数据、分析的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
实施例一
图1为本申请实施例提供的一种高强石膏的生产优化方法图，所述方法包括：
根据高强石膏应用场景，标定性能指标期望区间；
本申请实施例提供了一种高强石膏的生产优化方法，应用于高强石膏的生产优化系统，所述系统用于执行所述方法中任意一项步骤的系统平台，所述系统包括高频分析组件，对照分析组件和生产优化组件，高频分析组件、对照分析组件和生产优化组件是用于执行不同方法的功能组件。
高强石膏的性能指标包括密度、抗压强度、抗折强度、比强度等，不同的应用场景下，对高强石膏的性能指标的需求不同，高强石膏应用场景包括工艺美术、医用、工业模型、精密铸造、日用陶瓷、高档雕塑等，由本领域专业技术人员针对不同的应用场景，分别设置对应的指标期望区间，以此建立性能表定表，进而根据高强石膏应用场景在性能表定表中进行匹配，即可得到对应的标定性能指标期望区间。需要说明的是，性能标定表由本领域专业技术人员周期性更新构建。
激活高频分析组件，遍历所述性能指标期望区间，对高强石膏生产要素进行高频分析，生成生产要素高频区间；
在一个优选实施例中，还包括：
基于所述性能指标期望区间进行整体约束，对所述高强石膏生产要素进行检索，获得第一生产记录检索结果；当所述第一生产记录检索结果的数量大于0，对所述第一生产记录检索结果进行整体高频分析，生成第二生产要素优化结果，控制高强石膏生产；当所述第一生产记录检索结果的数量等于0，遍历所述性能指标期望区间进行单性能约束，对所述高强石膏生产要素进行检索，获得第二生产记录检索结果；基于所述第二生产记录检索结果，遍历所述高强石膏生产要素进行单指标高频分析，生成所述生产要素高频区间。
在一个优选实施例中，还包括：
遍历所述高强石膏生产要素，设定生产要素一致性偏差；获得所述第一生产记录检索结果的第一组生产要素记录值和第二组生产要素记录值；比对所述第一组生产要素记录值和所述第二组生产要素记录值，获得生产要素偏差绝对值；当所述生产要素偏差绝对值满足所述生产要素一致性偏差时，将所述第一组生产要素记录值和所述第二组生产要素记录值聚集为一类；当所述生产要素偏差绝对值不满足所述生产要素一致性偏差时，将所述第一组生产要素记录值和所述第二组生产要素记录值聚集为两类；遍历所述第一生产记录检索结果进行重复聚类分析，获得生产记录检索结果聚类结果；提取第一类内聚类数量大于或等于第一预设数量的所述生产记录检索结果聚类结果的任意一组生产要素记录值，设为所述第二生产要素优化结果。
在一个优选实施例中，还包括：
根据所述高强石膏生产要素，提取第一属性生产要素一致性偏差；基于所述第一属性生产要素一致性偏差，对所述第二生产记录检索结果的第一属性生产要素记录值进行聚类分析，获得第一属性生产要素记录值聚类结果；提取第二类内聚类数量大于或等于第二预设数量的所述第一属性生产要素记录值聚类结果，构建第一属性生产要素高频区间，添加进所述生产要素高频区间。
激活高频分析组件，所述高频分析组件是指用于进行生产要素高频分析的功能组件，以下进行高频分析的方法均由高频分析组件执行。遍历所述性能指标期望区间，对高强石膏生产要素进行高频分析，生成生产要素高频区间，高强石膏生产要素是指控制高强石膏生产的工艺参数，包括α半水石膏含量、水灰比（水与石膏粉的重量比）、生石灰含量、铝粉含量、温度、硬脂酸钙含量等与高强石膏性能指标相关的工艺参数，生产要素高频区间则是指满足所述性能指标期望区间的工艺参数取值范围，具体获取过程如下详述。
基于所述性能指标期望区间进行整体约束，对所述高强石膏生产要素进行检索，就是根据历史生产记录检索所生产的石膏性能可以同时满足全部性能指标期望区间时的生产记录作为第一生产记录检索结果，当所述第一生产记录检索结果的数量大于0，对所述第一生产记录检索结果进行整体高频分析，即获取第一生产记录检索结果中各项性能指标综合最佳的生产要素作为第二生产要素优化结果，就是说，所述第一生产记录检索结果的数量大于0，说明历史生产记录中已有满足全部性能指标期望区间的生产要素，因此可在其中进行优化筛选，具体过程如下详述：
遍历所述高强石膏生产要素，设定生产要素一致性偏差，也就是说，存在一定偏差的两组生产要素记录值所生产出的石膏的性能指标比较相近，可以认为这两组生产要素记录值的生产性能是一致的，即随机选取其中一组生产要素记录值的效果相同，基于此，可由本领域专业技术人员结合历史经验设定生产要素一致性偏差，生产要素一致性偏差可以理解为具有相同生产性能的任意两组生产要素记录值允许存在的偏差范围，生产要素一致性偏差也包括α半水石膏含量、水灰比（水与石膏粉的重量比）、生石灰含量、铝粉含量、温度、硬脂酸钙含量等工艺参数的偏差范围。进一步获得所述第一生产记录检索结果的任意两次生产对应的两组生产要素记录值记为第一组生产要素记录值和第二组生产要素记录值，每组生产要素记录值均包含α半水石膏含量、水灰比（水与石膏粉的重量比）、生石灰含量、铝粉含量、温度、硬脂酸钙含量等工艺参数值。比对所述第一组生产要素记录值和所述第二组生产要素记录值，获得生产要素偏差绝对值，其中，生产要素偏差绝对值包括α半水石膏含量、水灰比（水与石膏粉的重量比）、生石灰含量、铝粉含量、温度、硬脂酸钙含量等工艺参数的偏差绝对值。当所述生产要素偏差绝对值满足所述生产要素一致性偏差时，说明所述第一组生产要素记录值和所述第二组生产要素记录值的生产性能相同，就将所述第一组生产要素记录值和所述第二组生产要素记录值聚集为一类；当所述生产要素偏差绝对值不满足所述生产要素一致性偏差时，说明所述第一组生产要素记录值和所述第二组生产要素记录值的生产性能的差异较大，将所述第一组生产要素记录值和所述第二组生产要素记录值聚集为两类。遍历所述第一生产记录检索结果进行重复聚类分析，即按照上述聚类方法对第一生产记录检索结果中的多组生产要素记录值进行两两之间的分析比对，对每两组生产要素记录值进行聚类分析，即可获得生产记录检索结果聚类结果，生产记录检索结果聚类结果包括多个聚类结果，每个聚类结果中可能包含一组或多组生产要素记录值。提取任意一个聚类结果即为第一类，获取第一类内的生产要素记录值的组数作为第一类内聚类数量，筛选出第一类内聚类数量大于或等于第一预设数量的所述生产记录检索结果聚类结果的任意一组生产要素记录值，就是说，聚类数量越多，说明对应的生产要素记录值被应用的次数越多，其生产稳定性越高。其中，第一预设数量由本领域技术人员根据实际情况设定，优选的，可以根据生产记录检索结果聚类结果中多个聚类结果的聚类数量，选择最大聚类数量作为第一预设数量，由此筛选出第一类内聚类数量大于或等于第一预设数量的所述生产记录检索结果聚类结果的任意一组生产要素记录值并设为所述第二生产要素优化结果。进而根据第二生产要素优化结果控制高强石膏生产，保证高强石膏的生产质量。
当所述第一生产记录检索结果的数量等于0，即历史生产记录中没有可以满足全部性能指标期望区间的生产记录，此时遍历所述性能指标期望区间进行单性能约束，单性能约束是指检索所生产的石膏性能可以满足所述性能指标期望区间中任意一个性能指标期望区间的生产记录，作为第二生产记录检索结果，基于所述第二生产记录检索结果，遍历所述高强石膏生产要素进行单指标高频分析，生成所述生产要素高频区间，具体过程如下：
根据所述高强石膏生产要素，提取第一属性生产要素一致性偏差，简单来说，就是对所述高强石膏生产要素中的每一个要素进行单独分析，比如对水灰比（水与石膏粉的重量比）进行单独分析，获取水灰比的一致性偏差，即生产出的石膏的性能指标值相同的情况下对应的水灰比的参数范围，具体可由本领域专业技术人员结合历史经验设置，由此，得到每一个生产要素对应的一致性偏差作为第一属性生产要素一致性偏差。基于所述第一属性生产要素一致性偏差，对所述第二生产记录检索结果的第一属性生产要素记录值进行聚类分析，简单来说，第一属性生产要素记录值泛指第二生产记录检索结果中任意一个属性生产要素记录值，对任意两个第一属性生产要素记录值进行比较，获取绝对值偏差，然后确定绝对值偏差是否在第一属性生产要素一致性偏差范围内，如果是，将其聚为一类，如果否，将其聚为两类，由此得到包含多个聚类结果的第一属性生产要素记录值聚类结果。将第一属性生产要素记录值聚类结果中的任意一个聚类结果中包含的属性生产要素记录值的数量记为第二类内聚类数量。进而提取第二类内聚类数量大于或等于第二预设数量的所述第一属性生产要素记录值聚类结果，以该第一属性生产要素记录值聚类结果中的属性生产要素记录值范围构建第一属性生产要素高频区间，并添加进所述生产要素高频区间。其中，第二预设数量由本领域专业技术人员结合实际经验设定。以此类推，采用与获取第一属性生产要素高频区间相同的方法，获取其他生产要素所对应的属性生产要素高频区间，并添加至所述生产要素高频区间。由此实现单指标高频分析，为后续的生产要素寻优提供数据支持，进而提升高强石膏的生产质量。
激活对照分析组件，对所述高强石膏生产要素进行性能关联对照分析，生成性能相关系数，其中，所述性能相关系数和所述高强石膏生产要素一一对应；
在一个优选实施例中，还包括：
根据所述高强石膏生产要素，提取第一属性生产要素、第二属性生产要素直到第N属性生产要素；根据性能指标集，提取第一属性性能指标、第二属性性能指标直到第M属性性能指标；遍历所述第一属性性能指标、所述第二属性性能指标直到所述第M属性性能指标，分别对所述第一属性生产要素、所述第二属性生产要素直到所述第N属性生产要素进行单变量皮尔逊相关性分析，生成相关系数矩阵，其中，所述相关系数矩阵为N列，M行；其中，所述性能相关系数属于所述相关系数矩阵。
激活对照分析组件，对所述高强石膏生产要素进行性能关联对照分析，生成性能相关系数，其中，所述性能相关系数和所述高强石膏生产要素一一对应，具体过程如下：
根据所述高强石膏生产要素，提取第一属性生产要素、第二属性生产要素直到第N属性生产要素，第一属性生产要素、第二属性生产要素直到第N属性生产要素分别是指α半水石膏含量、水灰比（水与石膏粉的重量比）、生石灰含量、铝粉含量、温度、硬脂酸钙含量中的一种工艺参数。根据性能指标集，性能指标集包括密度、抗压强度、抗折强度、比强度等可以体现石膏质量的检测指标，提取第一属性性能指标、第二属性性能指标直到第M属性性能指标，第一属性性能指标、第二属性性能指标直到第M属性性能指标分别是指其中的一个指标。
遍历所述第一属性性能指标、所述第二属性性能指标直到所述第M属性性能指标，分别对所述第一属性生产要素、所述第二属性生产要素直到所述第N属性生产要素进行单变量皮尔逊相关性分析，生成相关系数矩阵，其中，所述相关系数矩阵为N列，M行。皮尔逊相关性分析用于度量两个变量之间的相关程度，其值介于-1与1之间，具体来说，计算第一属性性能指标与第一属性生产要素、所述第二属性生产要素直到所述第N属性生产要素的性能相关系数，可得到N个性能相关系数，按照由第一属性生产要素、所述第二属性生产要素直到所述第N属性生产要素的顺序在相关系数矩阵的第一行顺序排列，进一步计算所述第二属性性能指标与第一属性生产要素、所述第二属性生产要素直到所述第N属性生产要素的N个性能相关系数，在相关系数矩阵的第二行顺序排列，依此类推，计算所述第M属性性能指标与第一属性生产要素、所述第二属性生产要素直到所述第N属性生产要素的N个性能相关系数，并在关系数矩阵的第M行顺序排列，即可得到N列M行的相关系数矩阵。需要说明的是，皮尔逊相关性分析是本领域技术人员常用技术手段，具体可结合历史石膏生产检测记录计算获取，举例如，计算所述第一属性性能指标与所述第一属性生产要素之间的性能相关系数，可固定其他生产要素，采集第一属性生产要素的多个值组成第一属性生产要素记录，并获取对应的不同的属性性能指标记录，提取其中的第一属性性能指标记录，通过如下公式计算：
其中，表征所述第一属性性能指标与所述第一属性生产要素之间的性能相关系数，/>表征第一属性性能指标，/>表征第一属性生产要素，/>表征第一属性生产要素记录中的第k个生产要素记录值，/>表征第一属性性能指标记录值中与第k个生产要素记录值对应的第k个指标记录值，/>表征第一属性生产要素记录中的数据均值，/>表征第一属性性能指标记录中的数据均值，m表征第一属性性能指标记录或对应的第一属性生产要素记录中的数据量。
由此计算得到所述第一属性性能指标、所述第二属性性能指标直到所述第M属性性能指标分别与所述第一属性生产要素、所述第二属性生产要素直到所述第N属性生产要素的性能相关系数组成相关系数矩阵。所述性能相关系数属于所述相关系数矩阵，可通过从相关系数矩阵中调取所述性能相关系数，便于针对性地进行高强石膏生产要素的优化，提升优选效果，进而提升高强石膏的生产质量。
激活生产优化组件，结合所述性能相关系数和所述生产要素高频区间，对所述高强石膏生产要素进行寻优，生成第一生产要素优化结果，控制高强石膏生产。
在一个优选实施例中，还包括：
基于所述生产要素高频区间，对所述高强石膏生产要素进行随机赋值，生成Q个初始解，其中，Q个初始解均匀分布于所述生产要素高频区间，50≤Q≤100；遍历所述Q个初始解进行性能预测，生成Q组性能指标预测结果；当所述Q组性能指标预测结果的任意一组满足所述性能指标期望区间，获得所述第一生产要素优化结果；当所述Q组性能指标预测结果均不满足所述性能指标期望区间，遍历所述Q组性能指标预测结果与所述性能指标期望区间比对，获得Q组性能指标偏差值；基于所述性能相关系数和所述Q组性能指标偏差值，获得生产要素调节类型和生产要素调整方向；根据所述生产要素调整方向和所述生产要素调节类型，在所述生产要素高频区间的约束下进行随机调整，生成扩充解集；遍历所述扩充解集进行性能预测，生成扩充解集性能指标预测结果；当所述扩充解集性能指标预测结果的任意一组满足所述性能指标期望区间，获得所述第一生产要素优化结果；否则，迭代寻优分析。
在一个优选实施例中，还包括：
检索K条高强石膏生产日志；对所述K条高强石膏生产日志进行有放回的K次选择，生成第一训练数据集，对BP神经网络进行回归训练，生成第一子预测通道；对所述K条高强石膏生产日志进行有放回的K次选择，生成第Z训练数据集，对BP神经网络进行回归训练，生成第Z子预测通道，其中，Z为整数，Z≥3；构建高频分析通道，其中，所述高频分析通道用于对所述第一子预测通道直到所述第Z子预测通道的输出结果进行高频分析；将所述第一子预测通道直到所述第Z子预测通道的输入节点合并，将所述第一子预测通道直到所述第Z子预测通道的输出节点和所述高频分析通道的输入节点合并，生成性能预测模型，遍历所述Q个初始解进行性能预测，生成Q组性能指标预测结果。
激活生产优化组件，结合所述性能相关系数和所述生产要素高频区间，对所述高强石膏生产要素进行寻优，生成第一生产要素优化结果，控制高强石膏生产，具体过程如下：
基于所述生产要素高频区间，对所述高强石膏生产要素进行随机赋值，生成Q个初始解，其中，Q个初始解均匀分布于所述生产要素高频区间，50≤Q≤100，即每个初始解包括α半水石膏含量、水灰比（水与石膏粉的重量比）、生石灰含量、铝粉含量、温度、硬脂酸钙含量等工艺参数。遍历所述Q个初始解进行性能预测，生成Q组性能指标预测结果，性能指标预测结果是指假设按照所述Q个初始解进行石膏生产控制，所生产出的石膏的密度、抗压强度、抗折强度、比强度等性能指标。
其中，生成Q组性能指标预测结果的具体过程为：检索K条高强石膏生产日志，K条高强石膏生产日志可以理解为历史时间内进行石膏生产所获得的生产记录，包括生产时采用的生产要素和对应的石膏性能，每条高强石膏生产日志均包括多组具有对应关系的生产要素记录和石膏性能记录。对所述K条高强石膏生产日志进行有放回的K次选择，即从每条高强石膏生产日志中随机提取一组生产要素记录和石膏性能记录组成第一训练数据集，对BP神经网络进行回归训练，生成第一子预测通道，即以第一训练数据集中的生产要素记录作为输入数据，以对应的石膏性能记录中的一种性能指标记录（比如抗压强度）对BP神经网络进行输出监督调整，将BP神经网络训练至收敛状态，训练完成的BP神经网络即为所述第一子预测通道，BP神经网络的训练是本领域技术人员常用技术手段，故在此不进行展开。对所述K条高强石膏生产日志进行有放回的K次选择，生成第Z训练数据集，对BP神经网络进行回归训练，生成第Z子预测通道，其中，Z为整数，Z≥3，就是说，采用相同的方法，训练获取Z个子预测通道，第一子预测通道、第二子预测通道直到第Z子预测通道分别用于对不同的性能指标进行预测，比如训练3个子预测通道分别对抗压强度、抗折强度和密度进行预测。进一步构建高频分析通道，其中，所述高频分析通道用于对所述第一子预测通道直到所述第Z子预测通道的输出结果进行高频分析，简单来说，就是对输出结果进行聚类，首先由本领域专业技术人员设置性能指标一致性偏差，即允许存在的性能误差范围，对比第一子预测通道直到所述第Z子预测通道的输出结果中的任意两个输出结果之间的偏差，如果该偏差处于性能指标一致性偏差，将其聚为一类，否则，聚为两类，由此得到所述第一子预测通道直到所述第Z子预测通道的输出结果分别对应的聚类结果，分别选取聚类数量最大的聚类结果中包含的任意一个输出结果作为高频分析通道的输出结果。进一步将所述第一子预测通道直到所述第Z子预测通道的输入节点合并，将所述第一子预测通道直到所述第Z子预测通道的输出节点和所述高频分析通道的输入节点合并，即在进行不同性能的预测后，对所述第一子预测通道直到所述第Z子预测通道的输出节点的输出结果进行高频分析，通过连接所述第一子预测通道直到所述第Z子预测通道和高频分析通道，生成性能预测模型。进一步通过性能预测模型遍历所述Q个初始解进行性能预测，即可输出得到Q组性能指标预测结果（高频分析通道的输出结果）。由此通过集成多个预测通道，提升性能预测的准确性和客观性，进而提升生产要素优化的准确性。
当所述Q组性能指标预测结果的任意一组满足所述性能指标期望区间，说明该组性能指标预测结果对应的初始解的生产性能满足需求，将其作为所述第一生产要素优化结果，进行高强石膏的控制生产，提升石膏生产质量与实际应用场景的适配度，进而提升石膏生产质量。
当所述Q组性能指标预测结果均不满足所述性能指标期望区间，遍历所述Q组性能指标预测结果与所述性能指标期望区间比对，获得Q组性能指标预测结果与所述性能指标期望区间的偏差值作为Q组性能指标偏差值，其中，Q组性能指标偏差值具有正负标识。基于所述性能相关系数和所述Q组性能指标偏差值，获得生产要素调节类型和生产要素调整方向，简单来说，所述性能相关系数是指不同的属性性能指标与不同的属性生产要素分别对应的性能相关系数，即，获取Q组性能指标偏差值中的第一组性能指标偏差值中的偏差属性指标，然后基于所述性能相关系数提取与该偏差属性指标之间的性能相关系数最大的属性生产要素作为生产要素调节类型，并按照第一组性能指标偏差值的正负标识确定调整方向，举例如，第一组性能指标偏差值中的第一个性能偏差值为正，即第一个性能指标预测结果大于性能指标期望区间，第一组性能指标偏差值中的第二个性能偏差值为负，即第二个性能指标预测结果小于性能指标期望区间，则调整的生产要素就要能够使得第一个性能指标预测结果减小的同时，且使得第二个性能指标预测结果增大，可基于能相关系数获取与第一个性能指标强相关、与第二个性能指标弱相关的生产要素，若是找不到此类生产要素，则需要找到两个生产要素，两个生产要素分别与第一个性能指标和第二个性能指标正相关，且，第一个生产要素和第一个性能指标相关性强，和第二个性能指标相关性弱，第二个生产要素和第二性能指标相关性强，和第一个性能指标相关性弱，也可以多个生产要素搭配，使得最终的调节结果是可以使得一个性能指标变大，一个性能指标变小即可，从而得到待进行调节的生产要素作为生产要素调节类型。可以理解的，生产要素调节类型可包括一个或多个生产要素。生产要素调整方向则是指参数的调整方向，具体可根据Q组性能指标偏差值，确定性能指标的调整方向，进而结合性能相关系数，确定生产要素调节类型中的生产要素与性能指标的相关性，即可确定使得性能指标增大或者减小时生产要素调整方向作为生产要素调整方向，从而降低性能指标偏差值。
根据所述生产要素调整方向和所述生产要素调节类型，在所述生产要素高频区间的约束下进行随机调整，即按照所述生产要素调整方向和所述生产要素调节类型，对所述Q个初始解进行调整，调整后的扩充解处于生产要素高频区间的范围内，从而生成扩充解集。利用前述获得的性能预测模型遍历所述扩充解集进行性能预测，即可生成扩充解集性能指标预测结果。当所述扩充解集性能指标预测结果的任意一组满足所述性能指标期望区间，以满足所述性能指标期望区间的扩充解作为所述第一生产要素优化结果。否则，继续进行性能指标偏差值的分析，并进行解集扩充，从而迭代寻优分析，直至性能指标预测结果的任意一组满足所述性能指标期望区间。相比传统的优化算法，使用相关系数作为调整方向的指导，提升了解集扩充的目的性，有利于快速收敛。
按照第一生产要素优化结果控制高强石膏生产吗，可以有效提升高强石膏的性能，进而提升高强石膏生产质量。
基于上述分析可知，本申请提供的一个或多个技术方案，其可达到的有益效果如下：
1.根据高强石膏应用场景，标定性能指标期望区间，激活高频分析组件，遍历性能指标期望区间，对高强石膏生产要素进行高频分析，生成生产要素高频区间，激活对照分析组件，对高强石膏生产要素进行性能关联对照分析，生成性能相关系数，其中，性能相关系数和高强石膏生产要素一一对应，激活生产优化组件，结合性能相关系数和生产要素高频区间，对高强石膏生产要素进行寻优，生成第一生产要素优化结果，控制高强石膏生产。结合高强石膏应用场景和性能相关系数进行生产要素的优化，达到提升石膏性能与应用场景的适配度，进而提升石膏生产质量。
2.基于生产要素高频区间，对高强石膏生产要素进行随机赋值，生成Q个初始解，遍历Q个初始解进行性能预测，生成Q组性能指标预测结果，当Q组性能指标预测结果的任意一组满足性能指标期望区间，获得第一生产要素优化结果，当Q组性能指标预测结果均不满足性能指标期望区间，遍历Q组性能指标预测结果与性能指标期望区间比对，获得Q组性能指标偏差值，基于性能相关系数和Q组性能指标偏差值，获得生产要素调节类型和生产要素调整方向，根据生产要素调整方向和生产要素调节类型，在生产要素高频区间的约束下进行随机调整，生成扩充解集，遍历扩充解集进行性能预测，生成扩充解集性能指标预测结果，当扩充解集性能指标预测结果的任意一组满足性能指标期望区间，获得第一生产要素优化结果，否则，迭代寻优分析。相比传统的优化算法，使用相关系数作为调整方向的指导，达到提升解集扩充的目的性，进而提升收敛速度，即提升生产要素优化效率的技术效果。
实施例二
基于与前述实施例中一种高强石膏的生产优化方法同样的发明构思，如图2所示，本申请还提供了一种高强石膏的生产优化系统，所述系统包括：
性能指标分析模块11，所述性能指标分析模块11用于根据高强石膏应用场景，标定性能指标期望区间；
高频分析模块12，所述高频分析12模块激活高频分析组件，遍历所述性能指标期望区间，对高强石膏生产要素进行高频分析，生成生产要素高频区间；
性能关联分析模块13，所述性能关联分析模块13用于激活对照分析组件，对所述高强石膏生产要素进行性能关联对照分析，生成性能相关系数，其中，所述性能相关系数和所述高强石膏生产要素一一对应；
生产要素优化模块14，所述生产要素优化模块14用于激活生产优化组件，结合所述性能相关系数和所述生产要素高频区间，对所述高强石膏生产要素进行寻优，生成第一生产要素优化结果，控制高强石膏生产。
进一步而言，所述高频分析模块12还用于：
基于所述性能指标期望区间进行整体约束，对所述高强石膏生产要素进行检索，获得第一生产记录检索结果；
当所述第一生产记录检索结果的数量大于0，对所述第一生产记录检索结果进行整体高频分析，生成第二生产要素优化结果，控制高强石膏生产；
当所述第一生产记录检索结果的数量等于0，遍历所述性能指标期望区间进行单性能约束，对所述高强石膏生产要素进行检索，获得第二生产记录检索结果；
基于所述第二生产记录检索结果，遍历所述高强石膏生产要素进行单指标高频分析，生成所述生产要素高频区间。
进一步而言，所述高频分析模块12还用于：
遍历所述高强石膏生产要素，设定生产要素一致性偏差；
获得所述第一生产记录检索结果的第一组生产要素记录值和第二组生产要素记录值；
比对所述第一组生产要素记录值和所述第二组生产要素记录值，获得生产要素偏差绝对值；
当所述生产要素偏差绝对值满足所述生产要素一致性偏差时，将所述第一组生产要素记录值和所述第二组生产要素记录值聚集为一类；
当所述生产要素偏差绝对值不满足所述生产要素一致性偏差时，将所述第一组生产要素记录值和所述第二组生产要素记录值聚集为两类；
遍历所述第一生产记录检索结果进行重复聚类分析，获得生产记录检索结果聚类结果；
提取第一类内聚类数量大于或等于第一预设数量的所述生产记录检索结果聚类结果的任意一组生产要素记录值，设为所述第二生产要素优化结果。
进一步而言，所述高频分析模块12还用于：
根据所述高强石膏生产要素，提取第一属性生产要素一致性偏差；
基于所述第一属性生产要素一致性偏差，对所述第二生产记录检索结果的第一属性生产要素记录值进行聚类分析，获得第一属性生产要素记录值聚类结果；
提取第二类内聚类数量大于或等于第二预设数量的所述第一属性生产要素记录值聚类结果，构建第一属性生产要素高频区间，添加进所述生产要素高频区间。
进一步而言，所述性能关联分析模块13还用于：
根据所述高强石膏生产要素，提取第一属性生产要素、第二属性生产要素直到第N属性生产要素；
根据性能指标集，提取第一属性性能指标、第二属性性能指标直到第M属性性能指标；
遍历所述第一属性性能指标、所述第二属性性能指标直到所述第M属性性能指标，分别对所述第一属性生产要素、所述第二属性生产要素直到所述第N属性生产要素进行单变量皮尔逊相关性分析，生成相关系数矩阵，其中，所述相关系数矩阵为N列，M行；
其中，所述性能相关系数属于所述相关系数矩阵。
进一步而言，所述生产要素优化模块14还用于：
基于所述生产要素高频区间，对所述高强石膏生产要素进行随机赋值，生成Q个初始解，其中，Q个初始解均匀分布于所述生产要素高频区间，50≤Q≤100；
遍历所述Q个初始解进行性能预测，生成Q组性能指标预测结果；
当所述Q组性能指标预测结果的任意一组满足所述性能指标期望区间，获得所述第一生产要素优化结果；
当所述Q组性能指标预测结果均不满足所述性能指标期望区间，遍历所述Q组性能指标预测结果与所述性能指标期望区间比对，获得Q组性能指标偏差值；
基于所述性能相关系数和所述Q组性能指标偏差值，获得生产要素调节类型和生产要素调整方向；
根据所述生产要素调整方向和所述生产要素调节类型，在所述生产要素高频区间的约束下进行随机调整，生成扩充解集；
遍历所述扩充解集进行性能预测，生成扩充解集性能指标预测结果；
当所述扩充解集性能指标预测结果的任意一组满足所述性能指标期望区间，获得所述第一生产要素优化结果；
否则，迭代寻优分析。
进一步而言，所述生产要素优化模块14还用于：
检索K条高强石膏生产日志；
对所述K条高强石膏生产日志进行有放回的K次选择，生成第一训练数据集，对BP神经网络进行回归训练，生成第一子预测通道；
对所述K条高强石膏生产日志进行有放回的K次选择，生成第Z训练数据集，对BP神经网络进行回归训练，生成第Z子预测通道，其中，Z为整数，Z≥3；
构建高频分析通道，其中，所述高频分析通道用于对所述第一子预测通道直到所述第Z子预测通道的输出结果进行高频分析；
将所述第一子预测通道直到所述第Z子预测通道的输入节点合并，将所述第一子预测通道直到所述第Z子预测通道的输出节点和所述高频分析通道的输入节点合并，生成性能预测模型，遍历所述Q个初始解进行性能预测，生成Q组性能指标预测结果。
前述实施例一中的一种高强石膏的生产优化方法具体实例同样适用于本实施例的一种高强石膏的生产优化系统，通过前述对一种高强石膏的生产优化方法的详细描述，本领域技术人员可以清楚地知道本实施例中一种高强石膏的生产优化系统，所以为了说明书的简洁，在此不再详述。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
注意，上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解，本申请不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此，虽然通过以上实施例对本申请进行了较为详细的说明，但是本申请不仅仅限于以上实施例，在不脱离本申请构思的情况下，还可以包括更多其他等效实施例，而本申请的范围由所附的权利要求范围决定。
Claims (5)
1.一种高强石膏的生产优化方法，其特征在于，应用于高强石膏的生产优化系统，所述系统包括高频分析组件，对照分析组件和生产优化组件，包括：
根据高强石膏应用场景，标定性能指标期望区间；
激活高频分析组件，遍历所述性能指标期望区间，对高强石膏生产要素进行高频分析，生成生产要素高频区间；
激活对照分析组件，对所述高强石膏生产要素进行性能关联对照分析，生成性能相关系数，其中，所述性能相关系数和所述高强石膏生产要素一一对应；
激活生产优化组件，结合所述性能相关系数和所述生产要素高频区间，对所述高强石膏生产要素进行寻优，生成第一生产要素优化结果，控制高强石膏生产；
其中，激活高频分析组件，遍历所述性能指标期望区间，对高强石膏生产要素进行高频分析，生成生产要素高频区间，包括：
基于所述性能指标期望区间进行整体约束，对所述高强石膏生产要素进行检索，获得第一生产记录检索结果；
当所述第一生产记录检索结果的数量大于0，对所述第一生产记录检索结果进行整体高频分析，生成第二生产要素优化结果，控制高强石膏生产；
当所述第一生产记录检索结果的数量等于0，遍历所述性能指标期望区间进行单性能约束，对所述高强石膏生产要素进行检索，获得第二生产记录检索结果；
基于所述第二生产记录检索结果，遍历所述高强石膏生产要素进行单指标高频分析，生成所述生产要素高频区间；
当所述第一生产记录检索结果的数量大于0，对所述第一生产记录检索结果进行整体高频分析，生成第二生产要素优化结果，控制高强石膏生产，包括：
遍历所述高强石膏生产要素，设定生产要素一致性偏差；
获得所述第一生产记录检索结果的第一组生产要素记录值和第二组生产要素记录值；
比对所述第一组生产要素记录值和所述第二组生产要素记录值，获得生产要素偏差绝对值；
当所述生产要素偏差绝对值满足所述生产要素一致性偏差时，将所述第一组生产要素记录值和所述第二组生产要素记录值聚集为一类；
当所述生产要素偏差绝对值不满足所述生产要素一致性偏差时，将所述第一组生产要素记录值和所述第二组生产要素记录值聚集为两类；
遍历所述第一生产记录检索结果进行重复聚类分析，获得生产记录检索结果聚类结果；
提取第一类内聚类数量大于或等于第一预设数量的所述生产记录检索结果聚类结果的任意一组生产要素记录值，设为所述第二生产要素优化结果；
基于所述第二生产记录检索结果，遍历所述高强石膏生产要素进行单指标高频分析，生成所述生产要素高频区间，包括：
根据所述高强石膏生产要素，提取第一属性生产要素一致性偏差；
基于所述第一属性生产要素一致性偏差，对所述第二生产记录检索结果的第一属性生产要素记录值进行聚类分析，获得第一属性生产要素记录值聚类结果；
提取第二类内聚类数量大于或等于第二预设数量的所述第一属性生产要素记录值聚类结果，构建第一属性生产要素高频区间，添加进所述生产要素高频区间。
2.如权利要求1所述的方法，其特征在于，激活对照分析组件，对所述高强石膏生产要素进行性能关联对照分析，生成性能相关系数，其中，所述性能相关系数和所述高强石膏生产要素一一对应，包括：
根据所述高强石膏生产要素，提取第一属性生产要素、第二属性生产要素直到第N属性生产要素；
根据性能指标集，提取第一属性性能指标、第二属性性能指标直到第M属性性能指标；
遍历所述第一属性性能指标、所述第二属性性能指标直到所述第M属性性能指标，分别对所述第一属性生产要素、所述第二属性生产要素直到所述第N属性生产要素进行单变量皮尔逊相关性分析，生成相关系数矩阵，其中，所述相关系数矩阵为N列，M行；
其中，所述性能相关系数属于所述相关系数矩阵。
3.如权利要求1所述的方法，其特征在于，激活生产优化组件，结合所述性能相关系数和所述生产要素高频区间，对所述高强石膏生产要素进行寻优，生成第一生产要素优化结果，控制高强石膏生产，包括：
基于所述生产要素高频区间，对所述高强石膏生产要素进行随机赋值，生成Q个初始解，其中，Q个初始解均匀分布于所述生产要素高频区间，50≤Q≤100；
遍历所述Q个初始解进行性能预测，生成Q组性能指标预测结果；
当所述Q组性能指标预测结果的任意一组满足所述性能指标期望区间，获得所述第一生产要素优化结果；
当所述Q组性能指标预测结果均不满足所述性能指标期望区间，遍历所述Q组性能指标预测结果与所述性能指标期望区间比对，获得Q组性能指标偏差值；
基于所述性能相关系数和所述Q组性能指标偏差值，获得生产要素调节类型和生产要素调整方向；
根据所述生产要素调整方向和所述生产要素调节类型，在所述生产要素高频区间的约束下进行随机调整，生成扩充解集；
遍历所述扩充解集进行性能预测，生成扩充解集性能指标预测结果；
当所述扩充解集性能指标预测结果的任意一组满足所述性能指标期望区间，获得所述第一生产要素优化结果；
否则，迭代寻优分析。
4.如权利要求3所述的方法，其特征在于，遍历所述Q个初始解进行性能预测，生成Q组性能指标预测结果，包括：
检索K条高强石膏生产日志；
对所述K条高强石膏生产日志进行有放回的K次选择，生成第一训练数据集，对BP神经网络进行回归训练，生成第一子预测通道；
对所述K条高强石膏生产日志进行有放回的K次选择，生成第Z训练数据集，对BP神经网络进行回归训练，生成第Z子预测通道，其中，Z为整数，Z≥3；
构建高频分析通道，其中，所述高频分析通道用于对所述第一子预测通道直到所述第Z子预测通道的输出结果进行高频分析；
将所述第一子预测通道直到所述第Z子预测通道的输入节点合并，将所述第一子预测通道直到所述第Z子预测通道的输出节点和所述高频分析通道的输入节点合并，生成性能预测模型，遍历所述Q个初始解进行性能预测，生成Q组性能指标预测结果。
5.一种高强石膏的生产优化系统，其特征在于，用于执行权利要求1至4所述的一种高强石膏的生产优化方法中任意一项方法的步骤，所述系统包括高频分析组件，对照分析组件和生产优化组件，所述系统包括：
性能指标分析模块，所述性能指标分析模块用于根据高强石膏应用场景，标定性能指标期望区间；
高频分析模块，所述高频分析模块激活高频分析组件，遍历所述性能指标期望区间，对高强石膏生产要素进行高频分析，生成生产要素高频区间；
性能关联分析模块，所述性能关联分析模块用于激活对照分析组件，对所述高强石膏生产要素进行性能关联对照分析，生成性能相关系数，其中，所述性能相关系数和所述高强石膏生产要素一一对应；
生产要素优化模块，所述生产要素优化模块用于激活生产优化组件，结合所述性能相关系数和所述生产要素高频区间，对所述高强石膏生产要素进行寻优，生成第一生产要素优化结果，控制高强石膏生产。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311540491.4A CN117273497B (zh) | 2023-11-20 | 2023-11-20 | 一种高强石膏的生产优化方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311540491.4A CN117273497B (zh) | 2023-11-20 | 2023-11-20 | 一种高强石膏的生产优化方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117273497A CN117273497A (zh) | 2023-12-22 |
| CN117273497B true CN117273497B (zh) | 2024-02-09 |
Family
ID=89202939
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311540491.4A Active CN117273497B (zh) | 2023-11-20 | 2023-11-20 | 一种高强石膏的生产优化方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117273497B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2120150A1 (en) * | 2008-05-13 | 2009-11-18 | Siemens Aktiengesellschaft | Method and system for monitoring and evaluating application performance |
| CN112700167A (zh) * | 2021-01-14 | 2021-04-23 | 华南理工大学 | 基于差分进化的产品质量指标预测方法 |
| CN114225662A (zh) * | 2021-12-07 | 2022-03-25 | 国网河北能源技术服务有限公司 | 一种基于滞后模型的烟气脱硫脱硝优化控制方法 |
| 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 |
| CN116305671A (zh) * | 2023-05-23 | 2023-06-23 | 山东伟国板业科技有限公司 | 一种人造板的生产线监测方法及系统 |
-
2023
- 2023-11-20 CN CN202311540491.4A patent/CN117273497B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2120150A1 (en) * | 2008-05-13 | 2009-11-18 | Siemens Aktiengesellschaft | Method and system for monitoring and evaluating application performance |
| CN112700167A (zh) * | 2021-01-14 | 2021-04-23 | 华南理工大学 | 基于差分进化的产品质量指标预测方法 |
| CN114225662A (zh) * | 2021-12-07 | 2022-03-25 | 国网河北能源技术服务有限公司 | 一种基于滞后模型的烟气脱硫脱硝优化控制方法 |
| 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 |
| CN116305671A (zh) * | 2023-05-23 | 2023-06-23 | 山东伟国板业科技有限公司 | 一种人造板的生产线监测方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 330MW机组湿法烟气脱硫控制系统目标值优化;刘延泉 等;《中国电力》;第45卷(第04期);第68-72页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117273497A (zh) | 2023-12-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110674604B (zh) | 基于多维时序帧卷积lstm的变压器dga数据预测方法 | |
| CN110083125B (zh) | 一种基于深度学习的机床热误差建模方法 | |
| CN108959728B (zh) | 基于深度学习的射频器件参数优化方法 | |
| CN107742061B (zh) | 一种蛋白质相互作用预测方法、系统和装置 | |
| De Bonet et al. | MIMIC: Finding optima by estimating probability densities | |
| CN109643085B (zh) | 实时工业设备生产预测和操作优化 | |
| KR101130524B1 (ko) | 목표 변수를 위한 데이터 전망 자동 생성 | |
| CN109299501B (zh) | 一种基于工作流的振动光谱分析模型优化方法 | |
| CN106354889B (zh) | 一种基于lwpt-dtw的间歇过程不等长时段同步化的方法 | |
| CN111257934B (zh) | 基于二阶神经元深度神经网络的地震动峰值加速度预测方法 | |
| CN109359768B (zh) | 一种数据处理方法、服务器及电子设备 | |
| CN111985825A (zh) | 一种用于滚磨机定向仪的晶面质量评估方法 | |
| CN113871009A (zh) | 一种重症监护病房中脓毒症预测系统、存储介质及设备 | |
| CN111930601A (zh) | 一种基于深度学习的数据库状态综合评分方法及其系统 | |
| CN117273497B (zh) | 一种高强石膏的生产优化方法及系统 | |
| CN111832748A (zh) | 一种对混合气体浓度进行回归预测的电子鼻宽度学习方法 | |
| CN117497038A (zh) | 一种基于核方法的快速优化培养基配方的方法 | |
| CN107842359B (zh) | 单井可采储量评价方法及装置 | |
| CN115935283A (zh) | 一种基于多元非线性因果分析的干旱成因溯源方法 | |
| CN112926266B (zh) | 一种基于正则化增量式随机权网络的井下供给风量估计方法 | |
| CN108920501B (zh) | 一种关系表非键属性特征抽取与数据生成方法 | |
| CN116070929B (zh) | 一种基于自适应的局部动态焦炭质量预测方法及系统 | |
| CN109992587B (zh) | 基于大数据的高炉铁水硅含量预报关键属性判决方法 | |
| CN116402158A (zh) | 一种机器学习模型筛选方法 | |
| CN116756531B (zh) | 一种面向模型交互联动的带钢热连轧过程监控方法和装置 |
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 |