CN117333201B - 一种原料油原料溯源管理方法及系统 - Google Patents
一种原料油原料溯源管理方法及系统 Download PDFInfo
- Publication number
- CN117333201B CN117333201B CN202311597456.6A CN202311597456A CN117333201B CN 117333201 B CN117333201 B CN 117333201B CN 202311597456 A CN202311597456 A CN 202311597456A CN 117333201 B CN117333201 B CN 117333201B
- Authority
- CN
- China
- Prior art keywords
- value
- batch
- quality detection
- quality
- taking
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 28
- 239000002994 raw material Substances 0.000 title claims abstract description 20
- 238000001514 detection method Methods 0.000 claims abstract description 146
- 238000000034 method Methods 0.000 claims abstract description 134
- 239000003921 oil Substances 0.000 claims abstract description 53
- 239000010779 crude oil Substances 0.000 claims abstract description 31
- 238000004519 manufacturing process Methods 0.000 claims abstract description 18
- 238000005070 sampling Methods 0.000 claims description 52
- 238000004590 computer program Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 239000000047 product Substances 0.000 description 74
- MWPLVEDNUUSJAV-UHFFFAOYSA-N anthracene Chemical compound C1=CC=CC2=CC3=CC=CC=C3C=C21 MWPLVEDNUUSJAV-UHFFFAOYSA-N 0.000 description 26
- 238000012545 processing Methods 0.000 description 13
- 238000004458 analytical method Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 4
- 239000012467 final product Substances 0.000 description 3
- 238000005194 fractionation Methods 0.000 description 3
- 238000004517 catalytic hydrocracking Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 241000287196 Asthenes Species 0.000 description 1
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003054 catalyst Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000011280 coal tar Substances 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 239000000975 dye Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 238000005984 hydrogenation reaction Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 239000003755 preservative agent Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000005060 rubber Substances 0.000 description 1
- 239000000126 substance 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
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
- G06Q30/0185—Product, service or business identity fraud
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality 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
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Husbandry (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Agronomy & Crop Science (AREA)
- Game Theory and Decision Science (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Factory Administration (AREA)
Abstract
本发明涉及原料溯源管理技术领域,具体涉及一种原料油原料溯源管理方法及系统。本发明获取历史所有批次以及待处理批次产品的原油量、质量检测值和各类工艺参数的时序变化数据,结合所有批次中每类工艺参数的时序变化数据之间的差异和原油量的变化获得波动因子;根据工艺参数的时序变化数据提取参数特征值,分析参数特征值和质量检测值的相关情况,获得影响权重;根据质量检测值、波动因子、影响权重以及参数特征值构建预测方程预测待处理批次的质量值,比较质量预测值与质量检测值进行溯源管理。本发明分析生产中工艺参数对质量的影响构建预测方程,获得更准确的质量预测值,通过比较预测值与检测,实现溯源管理,提高溯源信息的可信度。
Description
技术领域
本发明涉及原料溯源管理技术领域,具体涉及一种原料油原料溯源管理方法及系统。
背景技术
蒽油作为煤焦油的提取物,属于原料油的一种,通过蒽油加氢工艺使其产物的使用效率得到提升,在工业生产中广泛应用于制药、染料、橡胶、防腐剂等领域。对于蒽油产物的溯源,主要是指对蒽油及其衍生物在生产、加工和运输等过程中的来源、质量、安全等方面进行追踪和管理,以保障产品质量、保障消费安全、推动产业升级等等。
蒽油加工过程中对各项工艺参数的要求极高,但也会存在部分工艺参数变化导致最终产品质量发生变化的情况,导致产物中存在过量有害物质,而在建立溯源系统时,现有技术通常采用仅对抽样检测的产品的质量进行评价从而统一赋予溯源码的方式,忽略工艺参数的变化产生的影响,因此会产生产品的溯源信息可信度不够的问题,对于消费者而言具有一定安全隐患。
发明内容
为了解决现有技术在建立溯源系统时,通常采用仅对抽样检测的产品的质量进行评价从而统一赋予溯源码的方式,忽略工艺参数的变化产生的影响,导致产品的溯源信息可信度不够的技术问题,本发明的目的在于提供一种原料油原料溯源管理方法及系统,所采用的技术方案具体如下:
获得历史所有批次和待处理批次的原料油的生产记录,所述生产记录包括各批次产品的原油量、抽样检测时的各类质量检测数据以及各类工艺参数的时序变化数据;根据各批次产品的所述各类质量检测数据获得质量检测值;
将任意一类工艺参数作为待测参数;根据历史所有批次之间待测参数的时序变化数据之间的差异获得波动值;根据历史所有批次的原油量的变化情况和所述波动值获得待测参数对应的波动因子;
根据历史每个批次中待测参数的时序变化数据的变化趋势获得历史每个批次的待测参数的参数特征值;根据历史所有批次中质量检测值和待测参数的参数特征值的相关情况获得待测参数对质量检测值的影响权重;根据历史所有批次的质量检测值、所有工艺参数对应的波动因子、影响权重以及所有工艺参数的参数特征值构建预测方程;
获取待处理批次的每类工艺参数的参数特征值;基于所述预测方程根据待处理批次对应的参数特征值和质量检测值获得质量预测值;根据待处理批次的质量检测值和对应的所述质量预测值之间的差异调整抽样率,进行溯源管理。
进一步地,所述根据历史所有批次之间待测参数的时序变化数据之间的差异获得波动值,包括:
将历史所有批次之间的待测参数的时序变化数据进行两两组合;
以任意一个组合作为待测组合,将所述待测组合中包含采样点个数最多的时序变化数据作为基准,基于DTW算法将所述待测组合的两个时序变化数据进行对齐,获得对齐后的时序数据;
将所述待测组合对应的对齐后的时序数据中所有采样点的数据值的均方误差作为误差值;
将所有组合的误差值的均值作为所述波动值。
进一步地,所述根据历史所有批次的原油量的变化情况和所述波动值获得待测参数对应的波动因子,包括:
将历史所有批次的原油量的平均值作为平均原油量;
根据历史每个批次的原油量和所述平均原油量获得历史所有批次的原油量的方差,作为设备负载值;
将所述设备负载值和所述待测参数的波动值的乘积作为所述待测参数的波动因子。
进一步地,所述参数特征值的获取方法包括:
以历史所有批次中任意一个批次作为待测批次;
将所述待测批次的待测参数的时序变化数据中数据值的最大值和最小值的差值作为数据极差;
获取待测批次的待测参数的时序变化数据中每个采样点的数据值的斜率值,将待测批次的待测参数的时序变化数据中所有采样点对应的斜率值的均值作为斜率均值,基于方差计算公式根据每个采样点的数据值的斜率值和所述斜率均值获得波动程度值;
将所述波动程度值和所述数据极差的乘积作为待测批次的待测参数的参数特征值。
进一步地,所述影响权重的获取方法包括:
将历史所有批次的待测参数对应的参数特征值组成的集合作为第一集合;
将历史所有批次的质量检测值组成的集合作为第二集合;
依次获取所述第一集合和所述第二集合中所有数值的标准差,分别作为第一标准差和第二标准差,将所述第一标准差和第二标准差的乘积作为标准差乘积;
将所述第一集合和第二集合的协方差作为相关值,将所述相关值与所述标准差乘积的比值的绝对值作为所述影响权重。
进一步地,所述预测方程的构建方法包括:
将历史每个批次的所有类别的工艺参数的参数特征值与对应的影响权重相乘并累加后的平均值,作为历史每个批次的综合工艺特征值;
将所有工艺参数的波动因子的均值作为波动均值,将所述波动均值进行非线性归一化并负相关映射后,作为补偿系数;
根据历史每个批次的质量检测值和综合工艺特征值的比值获得线性系数;将所述补偿系数、历史每个批次对应的线性系数与综合工艺特征值的乘积作为回归方程;将历史所有批次的回归方程进行多项式拟合作为所述预测方程。
所述基于所述预测方程根据待处理批次对应的参数特征值和质量检测值获得质量预测值,包括:
将所述待处理批次对应的每类工艺参数的参数特征值和质量检测值作为所述预测方程的输入,利用非线性回归预测获得待处理批次的质量预测值。
进一步地,所述根据待处理批次的质量检测值和对应的所述质量预测值之间的差异调整抽样率,进行溯源管理,包括:
当待处理批次的质量检测值小于或等于质量预测值时,将待处理批次的产品的各类质量检测数据作为待处理批次的原料油的溯源码信息;
当待处理批次的质量检测值大于所述质量预测值时,增大抽样检测时的采样率再次获得质量检测值,直至当质量检测值小于或等于质量预测值时,将待处理批次的产品的各类质量监测数据作为待处理批次的原料油的溯源码信息。
进一步地,所述根据各批次产品的所述各类质量检测数据获得质量检测值,包括:
将每类质量检测数据在所有批次中的数值的均值作为均值特征值,将每类质量检测数据在所有批次中的标准差作为第三标准差;
将每个批次的每类质量检测数据与对应的均值特征值的差值与所述第三标准差的比值作为每类质量检测数据的质量标准值;
将每个批次中所有类别的质量检测数据对应的质量标准值的均值作为质量检测值。
本发明还提出了一种原料油原料溯源管理系统,所述系统包括:
存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时可实现任意一项所述方法的步骤。
本发明具有如下有益效果:
本发明首先获取历史所有批次以及待处理批次的产品的原油量、各类质量检测数据以及各类工艺参数的时序变化数据,然后对质量检测数据进行处理获得每个批次的产品的质量检测值;由于在对蒽油进行加工、提取的过程中,需要对工艺参数进行严格控制才可以保证最终产品的质量,因此工艺参数的变化以及波动对产品的质量检测值会产生一定的影响,故需要分析工艺参数的变化情况;以任意一类工艺参数作为待测参数为例进行说明,根据历史所有批次之间待测参数的时序变化数据之间的差异获得波动值,波动值可以表征出工艺参数的变化情况;然后对历史所有批次的原油量的变化情况进行分析可以反映出生产设备的负载情况,将其与待测参数的波动值进行结合获得的波动因子能够更加精确的表征待测参数对应的波动情况;进一步地,分析待测参数的波动情况对于质量检测值的影响程度:根据历史每个批次中待测参数的时序变化数据的变化趋势可以提取出待测参数的参数特征值,进而根据历史所有批次的产品对应的待测参数的参数特征值和历史所有批次的产品的质量检测值之间的相关情况,即可获得待测参数对质量检测值的影响程度,记作影响权重;至此,本发明分析了工艺参数对于产品的质量的影响,因此可根据历史所有批次的质量检测值、所有工艺参数对应的波动因子、影响权重以及工艺参数的参数特征值构建预测方程;进而基于该预测方程即可根据将待处理批次的产品对应的参数特征值和质量检测值实现预测,获得待处理批次的产品的质量预测值,通过将质量预测值与抽样检测时获得的质量检测值进行比较,从而调整抽样率,进行溯源管理。综上,本发明通过分析原料油生产过程中的工艺参数变化对质量的影响,从而构建了预测方程,能够更加准确的获得质量预测值,进而通过质量预测值与抽样检测时的质量检测进行比较,调整抽样率,以此实现溯源管理,可以更加有效的保证溯源信息的可信度,从而有效保证消费者的安全。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,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的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种原料油原料溯源管理方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种原料油原料溯源管理方法及系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种原料油原料溯源管理方法及系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种原料油原料溯源管理方法的方法流程图,该方法包括以下步骤:
步骤S1:获得历史所有批次和待处理批次的原料油的生产记录,生产记录包括各批次产品的原油量、抽样检测时的各类质量检测数据以及各类工艺参数的时序变化数据;根据各批次产品的各类质量检测数据获得质量检测值。
对于蒽油产物的溯源,主要是指对蒽油及其衍生物在生产、加工和运输等过程中的来源、质量、安全等方面进行追踪和管理;消费者可通过扫描溯源码来追溯蒽油产物的质量检测结果,从而实现产品质量的公开透明。
在对蒽油进行加工、提取的过程中,一般有原料油蒸汽分馏、新氢压缩、加氢精制、加氢裂化、预分馏和精分馏等工艺,该过程均需要对湿度、温度、压力、设备功率等工艺参数进行严格控制,因此工艺参数发生变化会导致产品的质量出现参差,甚至在实际生产过程中,同批量的产品也可能会由于工艺参数的变化导致质量出现差异,因此若直接使用抽样检测的产品的质量作为溯源信息,忽略工艺参数的影响,则会导致产品的溯源信息的可信度不够的问题,故本发明实施例通过分析工艺参数对质量的影响,以此对抽样检测获得的产品质量进行验证,从而有效提高溯源的可信度。
首先,获得生产企业的历史中所有批次以及待处理批次的原料油加工过程的生产记录,生产记录包括各批次产品的原油量、抽样检测时的各类质量检测数据以及各类工艺参数的时序变化数据。需要说明的是,各类工艺参数可以包括上述提到的湿度、温度、压力、设备功率等等;各类质量检测数据可以包括产品颜色指标、透明度指标、溶解度指标等等;具体工艺参数的类别以及质量检测数据的类别实施者可根据实施场景进行调整,在此不做限定;待处理批次即为待溯源的批次的产品。
由于质量检测数据会存在多种数据形式,因此在本发明实施例中对其进行标准化处理,获得质量检测值。
优选地,本发明一个实施例中根据各批次产品的各类质量检测数据获得质量检测值,包括:
首先获取每类质量检测数据在所有批次中的数值的均值,将其作为均值特征值,获取每类质量检测数据在所有批次中的标准差,将其作为第三标准差。然后获取每个批次的每类质量检测数据与对应的均值特征值的差值,将该差值与第三标准差的比值作为每类质量检测数据的质量标准值。最后获得每个批次中所有类别的质量检测数据对应的质量标准值的均值,将该均值作为每个批次的产品的质量检测值。
至此,获得了历史各批次以及待处理批次的产品的原油量、各类工艺参数的时序变化数据以及质量检测值,可以进行后续的分析处理过程。
步骤S2:将任意一类工艺参数作为待测参数;根据历史所有批次之间待测参数的时序变化数据之间的差异获得波动值;根据历史所有批次的原油量的变化情况和波动值获得待测参数对应的波动因子。
为了便于后续的解释以及说明,在本发明实施例中将任意一类工艺参数作为待测参数,通过对待测参数进行后续分析用于解释本发明的过程。
在对蒽油原料油提取的过程中,由于催化剂反应、加氢裂化、分馏等过程以及设备长时间运行,都会导致工艺参数发生一定的变化,进而导致产品的质量存在差异,因此可根据历史所有批次之间待测参数的时序变化数据之间的差异获得波动值,用于表征待测参数的变化情况。
优选地,本发明一个实施例中根据历史所有批次之间待测参数的时序变化数据之间的差异获得波动值,包括:
首先将历史所有批次之间的待测参数的时序变化数据进行两两组合,将组合总数
记作,然后以任意一个组合作为待测组合为例进行分析,将待测组合中包含采样点个数
最多的时序变化数据作为基准,基于DTW算法将待测组合的两个时序变化数据进行对齐,获
得对齐后的两个时序数据,从而将待测组合对应的对齐后的时序数据中所有采样点的数据
值的均方误差作为误差值,最后将所有组合的误差值的均值作为待测参数对应的波动值。
波动值的公式模型包括:
其中,表示波动值,表示组合总数,表示第个组合,表示第个组合对应的
对齐后的每个时序数据中包含的采样点的总数,表示第个组合中对齐后的时序数据
中的第个采样点的数据值,表示第个组合中对齐后的时序数据中的第个采样点的数
据值。
在波动值的公式模型中,误差值表示第个组合中的两个时序数
据之间的均方误差,当该值越大时,则说明该组合中的两个时序数据之间的变化情况越不
相似,也即可表示待测参数的波动情况较大;然后获取所有组合的误差值的均值,也即波动
值,当该值越大时,则说明待测参数在所有批次中的数据变化情
况较为剧烈,也即波动情况剧烈。需要说明的是,基于DTW算法将两个时序数据进行对齐为
本领域技术人员熟知的技术手段,在此不做赘述。
由于随着时间的增加,设备在持续的运行过程中设备负载也会逐渐增加,由此会导致各批次产生的原油量有所差异,同时也会导致工艺参数发生一定的波动,因此在获取到待测参数对应的波动值之后,为了进一步提高表示待测参数波动情况的精度,故本发明实施例根据历史不同批次生产的原油量的变化情况结合上述获得的波动值对待测参数的波动情况进行更加精确的描述。
优选地,本发明一个实施例中根据历史所有批次的原油量的变化情况和波动值获得待测参数对应的波动因子,包括:
首先获取历史所有批次的原油量的平均值,将其作为平均原油量,由于方差可以表征一组数据的波动情况,故根据历史每个批次的原油量和平均原油量计算历史所有批次的原油量的方差,作为设备负载值,最后将该设备负载值和待测参数的波动值的乘积作为待测参数的波动因子。波动因子的公式模型为:
其中,表示波动因子,表示波动值,表示第个批次,表示历史所有批次的总
数,表示第个批次的原油量,表示平均原油量。
在波动因子的公式模型中,通过分析不同批次的原油量之间的波动情况,即获取
历史所有批次的原油量的方差作为设备负载值,当该值越大时,则可说明
设备在长时间运行状态下,呈现出不稳定的状态,因此对工艺参数的影响也就会越大;故将
其与工艺参数的波动值相乘,基于波动值的获取过程中的分析可知,波动值越大,说明波动
情况越剧烈,故,当波动值越大,同时设备负载值越大时,波动因子的值就越大,说明工艺参
数的运行波动越剧烈。
至此,通过分析工艺参数的时序变化数据在历史所有批次之间的变化情况以及结合历史所有批次中原油量的变化情况对工艺参数的波动因子进行了表征,可继续进行后续的分析过程。
步骤S3:根据历史每个批次中待测参数的时序变化数据的变化趋势获得历史每个批次的待测参数的参数特征值;根据历史所有批次中质量检测值和待测参数的参数特征值的相关情况获得待测参数对质量检测值的影响权重;根据历史所有批次的质量检测值、所有工艺参数对应的波动因子、影响权重以及所有工艺参数的参数特征值构建预测方程。
由于在对蒽油进行加工、提取的过程中,需要对工艺参数进行严格控制才可以保证最终产品的质量,因此工艺参数的变化以及波动会对产品的质量检测值的可信度产生一定的影响;故在本发明实施例中,需要分析工艺参数的变化波动对产品的质量检测值产生的影响。
首先可对历史每个批次中待测参数的时序变化数据的变化趋势进行分析,从中提取出历史每个批次的待测参数的特征值,作为参数特征值。
优选地,本发明一个实施例中参数特征值的获取方法包括:
以历史所有批次中任意一个批次作为待测批次对参数特征值的获取方法进行说明;由于数据中数据值的最大值和最小值可以在一定程度上表征出该组数据的变化情况,因此将待测批次的待测参数的时序变化数据中数据值的最大值和最小值的差值作为数据极差,作为提取待测参数的参数特征值的指标之一。由于斜率可以表征数据的变化趋势,所以获取待测批次的待测参数的时序变化数据中每个采样点的数据值的斜率值,然后获取待测批次的待测参数的时序变化数据中所有采样点对应的斜率值的均值,将其作为斜率均值;然后基于方差计算公式根据每个采样点的数据值的斜率值和斜率均值获得方差,将该方差作为波动程度值,待测参数的波动程度值也可作为提取待测参数的参数特征值的指标之一。最后将提取参数特征值的两个指标,即波动程度值和数据极差的乘积作为待测批次的待测参数的参数特征值。参数特征值的公式模型为:
其中,表示参数特征值,表示时序变化数据中数据值的最大值,表示时
序变化数据中数据值的最小值,表示时序变化数据中的采样点的总数,表示时序变化
数据中第个采样点处的斜率值,表示斜率均值。
在参数特征值的公式模型中,由于在提取参数特征值时需要体现工艺参数的波动
变化特性,因此将数据极差以及根据斜率获得的斜率变化方差,即波动程度
值作为提取参数特征值的指标,当数据极差越大,同时波动程度值也越
大时,说明工艺参数的波动情况较为明显,因此参数特征值也就越大。需要说明的是,在本
发明实施例中,将时序上最后一个采样点处的斜率值视为与倒数第二个采样点处的斜率值
相等。
基于上述方法可以获得历史所有批次中待测参数的参数特征值,然后即可分析待测参数的变化波动对产品的质量产生的影响,在本发明实施例中通过分析二者之间的相关情况获得待测参数对质量检测值的影响权重。
优选地,本发明一个实施例中影响权重的获取方法包括:
首先将历史所有批次的待测参数对应的参数特征值组成的集合作为第一集合以
及将历史所有批次的质量检测值组成的集合作为第二集合;然后依次获取第一集合和第二
集合中所有数值的标准差,分别作为第一标准差和第二标准差,将第一标准差和第二标准
差的乘积作为标准差乘积;由于协方差的值可表示两组数据之间的相关情况,因此将第一
集合和第二集合的协方差作为相关值,由于在本发明实施例中只考虑相关情况,不考虑正
相关还是负相关,因此最后将相关值与标准差乘积的比值取绝对值后作为影响权重。以第
类工艺参数作为待测参数为例,影响权重的公式模型为:
其中,表示第类工艺参数的影响权重,表示历史所有批次的第类工艺参数的
参数特征值组成的集合,即第一集合,表示历史所有批次的质量检测值组成的集合,即第
二集合,表示第一集合中所有数值的标准差,即第一标准差,表示第二集合中所有数
值的标准差,即第二标准差,表示协方差。
在影响权重的公式模型中,一组数据的标准差可以表征出该组数据的分布情况,当第一标准差和第二标准差的值都越小时,说明第一集合和第二集合中的数据之间的分布情况越集中、越稳定,此时当分子的协方差即相关值的绝对值越大时,那么则可说明二者之间的相关程度越大,同时可反映出待测参数对质量检测值的影响就越大。
基于上述方法可以获得历史所有批次中所有工艺参数对应的波动因子、影响权重以及所有工艺参数的参数特征值,基于此,可构建预测方程用于获得待处理批次的质量预测值。
优选地,本发明一个实施例中预测方程的构建方法包括:
在本发明实施例中基于历史批次中的数据信息构建预测方程,由于每个批次的产
品都对应有多类工艺参数,并且基于对历史所有批次的每类工艺参数和质量检测值的分
析,获得了每类工艺参数对应的影响权重,那么在本发明实施例中,将每类工艺参数的影响
权重视为固定值,将每个批次的所有类别的工艺参数的参数特征值分别与对应的影响权重
相乘后累加,再取其平均值,将该平均值作为每个批次的综合工艺特征值。然后可以根据每
个批次的质量检测值和综合工艺特征值的比值获得线性系数;将所有工艺参数的波动因子
的均值作为波动均值,记作,将波动均值进行非线性归一化并负相关映射后,作为补偿系
数,补偿系数也可视为固定值;将补偿系数、每个批次对应的线性系数以及综合工艺特征值
三者的乘积作为回归方程;最后将历史所有批次的回归方程进行多项式拟合,作为预测方
程。回归方程具体可以表示为:
其中,表示回归方程的值,表示波动均值,表示第个批次,表示工艺参数的
类别总数,表示第类工艺参数的影响权重,表示第个批次中第类工艺参数的参数特
征值,表示第个批次对应的线性系数,表示双曲正切函数。
在回归方程中,通过对各批次中每类工艺参数影响权重对参数特征值进行加权后
获得综合工艺特征值,用于表征各批次中工艺参数的综合表现;然后再将所有
批次的综合工艺特征值与对应的线性系数相乘,得到。然后再根据波动因
子获得补偿系数,具体为:在获取到波动均值之后,利用双曲正切函数对其进行非线性归一
化,目的在于:双曲正切函数的变化趋势先是剧烈变化而后趋于稳定,当生产过程中的设备
负载、产生的波动在一定范围内时,才能在相近的生产状况下体现出工艺参数的不稳定性,
当波动超出一定范围时,其波动情况不具有参考价值,双曲正切函数正好符合这一特点;然
后再进行负相关映射,获得补偿系数,当波动均值越小时,说明设备负载小,工
艺参数的波动程度也小,那么对产品质量的影响也就越小,所以补偿系数就越大,反之,当
波动均值越大时,说明设备负载大,工艺参数的波动程度也大,那么对产品质量的影响也越
大,所以补偿系数就越小;最后将补偿系数与相乘,即可作为回归方程。需
要说明的是,在本发明实施例所构建的回归方程中,补偿系数以及各类工艺参数的影响权
重均视为固定值,所以每类工艺参数的参数特征值即为自变量,回归方程的值即为因变量。
然后将所有批次的回归方程进行多项式拟合,拟合后的结果即可作为预测方程。需要说明的是,由于每个批次中的线性系数会有所差异,因此本发明实施例中获得的预测方程为非线性方程。
至此,完成了预测方程的构建,可用于后续获得待处理批次的质量预测值,完成溯源管理。
步骤S4:获取待处理批次的每类工艺参数的参数特征值;基于预测方程根据待处理批次对应的参数特征值和质量检测值获得质量预测值;根据待处理批次的质量检测值和对应的质量预测值之间的差异调整抽样率,进行溯源管理。
基于上述预测方程可知,各类工艺参数对应的影响权重可视为定值,而线性系数是由质量检测值和综合工艺特征值获得,而获取综合工艺特征值的前提是获取每类工艺参数的参数特征值,在步骤S1中已经获得了待处理批次的质量检测值,而待处理批次的各类工艺参数的参数特征值也可基于上述步骤中所记载的过程进行处理获得,然后即可基于预测方程进行待处理批次的质量值的预测。
优选地,在本发明一个实施例中基于预测方程根据待处理批次对应的参数特征值和质量检测值获得质量预测值,包括:
将待处理批次对应的每类工艺参数的参数特征值和质量检测值作为预测方程的输入,然后对输入的数据进行步骤S3中的处理,即可获得综合工艺特征值以及对应的线性系数,最后利用预测方程对数据进行非线性回归预测就可以获得待处理批次的质量预测值。
至此,由于质量预测值分析了设备负载以及工艺参数的波动对产品质量产生的影响,因此质量预测值在一定程度上可以更加精确的体现出待处理批次的产品的质量,所以在获取到待处理批次的质量预测值之后,即可将质量预测值与抽样检测时的质量检测值进行比较,完成对质量检测值的评价,进行溯源管理。
优选地,本发明一个实施例中根据待处理批次的质量检测值和对应的质量预测值之间的差异调整抽样率,进行溯源管理,包括:
将待处理批次的质量检测值与质量预测值进行比较,基于上述分析可知质量预测值综合考虑了设备负载以及工艺参数波动对产品质量的影响,所以质量预测值会在一定程度上小于质量检测值,因此能够更加精确的表示产品的质量特性,而当待处理批次的质量检测值小于或等于质量预测值时,可视为此时的质量检测值已经足够精确,所以可以将待处理批次的产品的各类质量检测数据作为待处理批次的原料油的溯源码信息;而当待处理批次的质量检测值大于质量预测值时,则可以视为此时的质量检测值的精确度较低,不足以代表整体的质量特性,所以需要增大抽样检测时的采样率再次获得质量检测值,然后与质量预测值继续进行比较,直至当质量检测值小于或等于质量预测值时,再将待处理批次的产品的各类质量检测数据作为待处理批次的原料油的溯源码信息;以此进行原料油原料的溯源管理,有效保证了待处理批次的产品的溯源信息的可信度。
本实施例还提供了一种原料油原料溯源管理系统,该系统包括存储器、处理器和计算机程序,其中存储器用于存储相应的计算机程序,处理器用于运行相应的计算机程序,计算机程序在处理器上运行时能够实现任意一项一种原料油原料溯源管理方法的步骤。
综上所述,本发明实施例首先获取历史所有批次以及待处理批次的原料油的生产记录,包括各批次产品的原油量、抽样检测时的各类质量检测数据以及各类工艺参数的时序变化数据,然后通过对各类质量检测数据进行标准化等处理将其综合为质量检测值;进一步地,为了便于解释说明,以任意一类工艺参数作为待测参数为例进行后续过程的描述,由于随着运行时间的累加,工艺参数会出现波动,以及设备负载也会逐渐增加,这些因素都会对产品的质量造成一定的影响,因此本发明实施例根据历史各个批次之间待测参数的时序变化数据之间的差异获得待测参数的波动值,然后结合设备负载,设备的负载则由各批次生产的原油量的变化情况体现,将两者进行结合获得待测参数对应的波动因子;进一步地,为了便于分析工艺参数波动与产品质量的关系,所以根据历史每个批次中待测参数的时序变化数据的变化趋势获得每个批次的待测参数的参数特征值,进一步地,分析历史所有批次中待测参数的参数特征值与质量检测值的相关情况,确定待测参数对产品质量的影响情况,即获得影响权重;然后即可根据历史所有批次的质量检测值、所有工艺参数对应的波动因子、影响权重以及所有工艺参数的参数特征值构建预测方程,预测方程考虑了设备负载以及工艺参数的波动变化情况对于产品质量的影响程度,因此可以获得更加准确的质量预测值;进一步地,由于预测方程中各类工艺参数的影响权重可视为固定值,且根据所有工艺参数的波动因子获得的补偿系数也可作为固定值,因此只需获得待处理批次的每类工艺参数的参数特征值以及抽样检测时的质量检测值,并将其作为预测方程的输入,即可利用非线性回归获得待处理批次的质量预测值;由于质量预测值可以在一定程度上更加准确的表征出产品的实际质量,因此可将抽样检测时获得的质量检测值与质量预测值进行比较分析,当质量检测值小于或等于质量预测值时,将待处理批次的产品的各类质量检测数据作为待处理批次的原料油的溯源码信息;而当待处理批次的质量检测值大于质量预测值时,则需要增大抽样检测时的采样率再次获得质量检测值,然后与质量预测值继续进行比较,直至当质量检测值小于或等于质量预测值时,再将待处理批次的产品的各类质量监测数据作为待处理批次的原料油的溯源码信息,以此进行原料油原料的溯源管理。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (2)
1.一种原料油原料溯源管理方法,其特征在于,所述方法包括:
获得历史所有批次和待处理批次的原料油的生产记录,所述生产记录包括各批次产品的原油量、抽样检测时的各类质量检测数据以及各类工艺参数的时序变化数据;根据各批次产品的所述各类质量检测数据获得质量检测值;
将任意一类工艺参数作为待测参数;根据历史所有批次之间待测参数的时序变化数据之间的差异获得波动值;根据历史所有批次的原油量的变化情况和所述波动值获得待测参数对应的波动因子;
根据历史每个批次中待测参数的时序变化数据的变化趋势获得历史每个批次的待测参数的参数特征值;根据历史所有批次中质量检测值和待测参数的参数特征值的相关情况获得待测参数对质量检测值的影响权重;根据历史所有批次的质量检测值、所有工艺参数对应的波动因子、影响权重以及所有工艺参数的参数特征值构建预测方程;
获取待处理批次的每类工艺参数的参数特征值;基于所述预测方程根据待处理批次对应的参数特征值和质量检测值获得质量预测值;根据待处理批次的质量检测值和对应的所述质量预测值之间的差异调整抽样率,进行溯源管理;
所述根据各批次产品的所述各类质量检测数据获得质量检测值,包括:
将每类质量检测数据在所有批次中的数值的均值作为均值特征值,将每类质量检测数据在所有批次中的标准差作为第三标准差;
将每个批次的每类质量检测数据与对应的均值特征值的差值与所述第三标准差的比值作为每类质量检测数据的质量标准值;
将每个批次中所有类别的质量检测数据对应的质量标准值的均值作为质量检测值;
所述根据历史所有批次之间待测参数的时序变化数据之间的差异获得波动值,包括:
将历史所有批次之间的待测参数的时序变化数据进行两两组合;
以任意一个组合作为待测组合,将所述待测组合中包含采样点个数最多的时序变化数据作为基准,基于DTW算法将所述待测组合的两个时序变化数据进行对齐,获得对齐后的时序数据;
将所述待测组合对应的对齐后的时序数据中所有采样点的数据值的均方误差作为误差值;
将所有组合的误差值的均值作为所述波动值;
所述根据历史所有批次的原油量的变化情况和所述波动值获得待测参数对应的波动因子,包括:
将历史所有批次的原油量的平均值作为平均原油量;
根据历史每个批次的原油量和所述平均原油量获得历史所有批次的原油量的方差,作为设备负载值;
将所述设备负载值和所述待测参数的波动值的乘积作为所述待测参数的波动因子;
所述参数特征值的获取方法包括:
以历史所有批次中任意一个批次作为待测批次;
将所述待测批次的待测参数的时序变化数据中数据值的最大值和最小值的差值作为数据极差;
获取待测批次的待测参数的时序变化数据中每个采样点的数据值的斜率值,将待测批次的待测参数的时序变化数据中所有采样点对应的斜率值的均值作为斜率均值,基于方差计算公式根据每个采样点的数据值的斜率值和所述斜率均值获得波动程度值;
将所述波动程度值和所述数据极差的乘积作为待测批次的待测参数的参数特征值;
所述影响权重的获取方法包括:
将历史所有批次的待测参数对应的参数特征值组成的集合作为第一集合;
将历史所有批次的质量检测值组成的集合作为第二集合;
依次获取所述第一集合和所述第二集合中所有数值的标准差,分别作为第一标准差和第二标准差,将所述第一标准差和第二标准差的乘积作为标准差乘积;
将所述第一集合和第二集合的协方差作为相关值,将所述相关值与所述标准差乘积的比值的绝对值作为所述影响权重;
所述预测方程的构建方法包括:
将历史每个批次的所有类别的工艺参数的参数特征值与对应的影响权重相乘并累加后的平均值,作为历史每个批次的综合工艺特征值;
将所有工艺参数的波动因子的均值作为波动均值,将所述波动均值进行非线性归一化并负相关映射后,作为补偿系数;
根据历史每个批次的质量检测值和综合工艺特征值的比值获得线性系数;将所述补偿系数、历史每个批次对应的线性系数与综合工艺特征值的乘积作为回归方程;将历史所有批次的回归方程进行多项式拟合作为所述预测方程;
所述基于所述预测方程根据待处理批次对应的参数特征值和质量检测值获得质量预测值,包括:
将所述待处理批次对应的每类工艺参数的参数特征值和质量检测值作为所述预测方程的输入,利用非线性回归预测获得待处理批次的质量预测值;
所述根据待处理批次的质量检测值和对应的所述质量预测值之间的差异调整抽样率,进行溯源管理,包括:
当待处理批次的质量检测值小于或等于质量预测值时,将待处理批次的产品的各类质量检测数据作为待处理批次的原料油的溯源码信息;
当待处理批次的质量检测值大于所述质量预测值时,增大抽样检测时的采样率再次获得质量检测值,直至当质量检测值小于或等于质量预测值时,将待处理批次的产品的各类质量监测数据作为待处理批次的原料油的溯源码信息。
2.一种原料油原料溯源管理系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311597456.6A CN117333201B (zh) | 2023-11-28 | 2023-11-28 | 一种原料油原料溯源管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311597456.6A CN117333201B (zh) | 2023-11-28 | 2023-11-28 | 一种原料油原料溯源管理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117333201A CN117333201A (zh) | 2024-01-02 |
CN117333201B true CN117333201B (zh) | 2024-02-23 |
Family
ID=89293737
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311597456.6A Active CN117333201B (zh) | 2023-11-28 | 2023-11-28 | 一种原料油原料溯源管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117333201B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003186953A (ja) * | 2001-12-19 | 2003-07-04 | Hitachi Ltd | 品質データ解析システム、品質データ解析方法、該品質データ解析方法をコンピュータに実行させるためのプログラム、該プログラムを記録したコンピュータ読み取り可能な記録媒体、製品の製造方法、品質データの解析サービス提供システム、および品質データの解析サービス提供方法 |
CN103278714A (zh) * | 2013-05-15 | 2013-09-04 | 江苏大学 | 一种混合制程的虚拟测量方法与系统 |
CN106709654A (zh) * | 2016-12-28 | 2017-05-24 | 中南大学 | 一种加氢裂化流程全局运行状况评估与质量追溯方法 |
CN111190944A (zh) * | 2020-01-08 | 2020-05-22 | 北京仿真中心 | 一种数据挖掘方法和系统 |
CN111310990A (zh) * | 2020-02-07 | 2020-06-19 | 北京联合大学 | 一种基于改进灰色组合模型的轨道质量预测方法及系统 |
CN114298578A (zh) * | 2021-12-30 | 2022-04-08 | 中国兵器装备集团自动化研究所有限公司 | 火工品装配过程质量管控方法、系统、电子装置及介质 |
CN114357355A (zh) * | 2022-01-05 | 2022-04-15 | 北京师范大学 | 一种基于曲线特征加权的植被指数时序数据函数拟合重建方法 |
CN115936242A (zh) * | 2022-12-26 | 2023-04-07 | 中科三清科技有限公司 | 空气质量与交通状况的溯源关系数据获取方法及装置 |
WO2023114121A1 (en) * | 2021-12-13 | 2023-06-22 | Mars, Incorporated | A computer-implemented method of predicting quality of a food product sample |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019144386A1 (zh) * | 2018-01-26 | 2019-08-01 | 大连理工大学 | 一种航空发动机过渡态关键性能参数预测方法 |
EP3726316B1 (en) * | 2019-04-17 | 2022-06-29 | ABB Schweiz AG | Controlling technical equipment through quality indicators using parameterized batch-run monitoring |
US11587013B2 (en) * | 2020-03-27 | 2023-02-21 | International Business Machines Corporation | Dynamic quality metrics forecasting and management |
-
2023
- 2023-11-28 CN CN202311597456.6A patent/CN117333201B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003186953A (ja) * | 2001-12-19 | 2003-07-04 | Hitachi Ltd | 品質データ解析システム、品質データ解析方法、該品質データ解析方法をコンピュータに実行させるためのプログラム、該プログラムを記録したコンピュータ読み取り可能な記録媒体、製品の製造方法、品質データの解析サービス提供システム、および品質データの解析サービス提供方法 |
CN103278714A (zh) * | 2013-05-15 | 2013-09-04 | 江苏大学 | 一种混合制程的虚拟测量方法与系统 |
CN106709654A (zh) * | 2016-12-28 | 2017-05-24 | 中南大学 | 一种加氢裂化流程全局运行状况评估与质量追溯方法 |
CN111190944A (zh) * | 2020-01-08 | 2020-05-22 | 北京仿真中心 | 一种数据挖掘方法和系统 |
CN111310990A (zh) * | 2020-02-07 | 2020-06-19 | 北京联合大学 | 一种基于改进灰色组合模型的轨道质量预测方法及系统 |
WO2023114121A1 (en) * | 2021-12-13 | 2023-06-22 | Mars, Incorporated | A computer-implemented method of predicting quality of a food product sample |
CN114298578A (zh) * | 2021-12-30 | 2022-04-08 | 中国兵器装备集团自动化研究所有限公司 | 火工品装配过程质量管控方法、系统、电子装置及介质 |
CN114357355A (zh) * | 2022-01-05 | 2022-04-15 | 北京师范大学 | 一种基于曲线特征加权的植被指数时序数据函数拟合重建方法 |
CN115936242A (zh) * | 2022-12-26 | 2023-04-07 | 中科三清科技有限公司 | 空气质量与交通状况的溯源关系数据获取方法及装置 |
Non-Patent Citations (2)
Title |
---|
" A Dynamic Assessment Method for Urban Eco-environmental Quality Evaluation";KOU GANG 等;《JOURNAL OF MULTI-CRITERIA DECISION ANALYSIS》;第18卷;第23-38页 * |
"水泥熟料质量软测量模型中的时序分析方法";武伟宁;刘小燕;徐学奎;金姣;张美;;《控制理论与应用》;第35卷(第07期);第1029-1036页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117333201A (zh) | 2024-01-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20070250214A1 (en) | Method and apparatus for fuzzy logic control enhancing advanced process control performance | |
CN105300923A (zh) | 一种近红外光谱分析仪在线应用时无测点温度补偿模型修正方法 | |
CN108549908B (zh) | 基于多采样概率核主成分模型的化工过程故障检测方法 | |
CN104932488A (zh) | 一种模型预测控制性能评估与诊断方法 | |
He et al. | A novel adaptive algorithm with near-infrared spectroscopy and its application in online gasoline blending processes | |
CN109324014B (zh) | 一种自适应的原油性质近红外快速预测方法 | |
CN111638707A (zh) | 基于som聚类和mpca的间歇过程故障监测方法 | |
CN116205127A (zh) | 一种基于时间序列分解与相似性度量的装备剩余寿命方法 | |
Wu et al. | Integrated soft sensing of coke-oven temperature | |
He et al. | Weighted incremental minimax probability machine-based method for quality prediction in gasoline blending process | |
CN114970688A (zh) | 基于LSTMAD算法和Hermite插值法的滑坡监测数据预处理方法 | |
Ramaker et al. | Improved monitoring of batch processes by incorporating external information | |
Urtubia et al. | Detection of abnormal fermentations in wine process by multivariate statistics and pattern recognition techniques | |
CN117333201B (zh) | 一种原料油原料溯源管理方法及系统 | |
CN117078105A (zh) | 基于人工智能的生产质量监控方法及系统 | |
CN112307638B (zh) | 一种电容器寿命估算方法、装置及电子设备 | |
CN113297722A (zh) | 滨海土壤盐分评估方法及系统 | |
Ferreira et al. | Study of the application of multiway multivariate techniques to model data from an industrial fermentation process | |
CN110298767B (zh) | 一种火力发电厂时间序列变量异常监测方法及系统 | |
Zheng et al. | Application of multivariate statistical analysis in batch processes | |
CN114118844A (zh) | 一种汽车零部件质量分析系统 | |
CN113390821B (zh) | 一种智能制造炼蜜过程质量的实时监测装备与方法 | |
Hu et al. | A quality spectra-based SVDD method for multi-dimensional quality fluctuation evaluation in complex industrial process | |
Kovačević et al. | Modelling the Fermentation Process in Winemaking using Temperature and Specific Gravity | |
CN111222712A (zh) | 一种基于自回归移动平均和支持向量机的农产品需求量预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |