CN115576288B - 一种过滤材料的生产控制方法和*** - Google Patents
一种过滤材料的生产控制方法和*** Download PDFInfo
- Publication number
- CN115576288B CN115576288B CN202211331621.9A CN202211331621A CN115576288B CN 115576288 B CN115576288 B CN 115576288B CN 202211331621 A CN202211331621 A CN 202211331621A CN 115576288 B CN115576288 B CN 115576288B
- Authority
- CN
- China
- Prior art keywords
- scheme
- antistatic
- data
- fiber
- sub
- 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
- 239000000463 material Substances 0.000 title claims abstract description 60
- 238000000195 production control method Methods 0.000 title claims abstract description 8
- 230000003068 static effect Effects 0.000 claims abstract description 97
- 238000004519 manufacturing process Methods 0.000 claims abstract description 93
- 238000007380 fibre production Methods 0.000 claims abstract description 90
- 238000012545 processing Methods 0.000 claims abstract description 82
- 238000000034 method Methods 0.000 claims abstract description 77
- 230000007613 environmental effect Effects 0.000 claims abstract description 74
- 239000000835 fiber Substances 0.000 claims abstract description 65
- 238000001514 detection method Methods 0.000 claims abstract description 22
- 239000002994 raw material Substances 0.000 claims abstract description 14
- 238000001914 filtration Methods 0.000 claims abstract description 11
- 230000005611 electricity Effects 0.000 claims description 37
- 239000002216 antistatic agent Substances 0.000 claims description 24
- 238000003860 storage Methods 0.000 claims description 12
- 238000010801 machine learning Methods 0.000 claims description 4
- 239000013598 vector Substances 0.000 description 27
- 239000002657 fibrous material Substances 0.000 description 20
- 230000008569 process Effects 0.000 description 18
- 238000012549 training Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 13
- 238000012986 modification Methods 0.000 description 8
- 230000004048 modification Effects 0.000 description 8
- 239000000243 solution Substances 0.000 description 8
- 230000001276 controlling effect Effects 0.000 description 7
- 229920001343 polytetrafluoroethylene Polymers 0.000 description 7
- 239000004810 polytetrafluoroethylene Substances 0.000 description 7
- -1 polytetrafluoroethylene Polymers 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000002844 melting Methods 0.000 description 3
- 230000008018 melting Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 239000002253 acid Substances 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 239000003513 alkali Substances 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 239000012943 hotmelt Substances 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000007800 oxidant agent Substances 0.000 description 1
- 230000001590 oxidative effect Effects 0.000 description 1
- 239000012088 reference solution Substances 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000002791 soaking Methods 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- BFKJFAAPBSQJPD-UHFFFAOYSA-N tetrafluoroethene Chemical group FC(F)=C(F)F BFKJFAAPBSQJPD-UHFFFAOYSA-N 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
-
- 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
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Nonwoven Fabrics (AREA)
Abstract
本说明书实施例提供一种过滤材料的生产控制方法,该方法包括基于生产计划获取纤维加工工序的纤维生产要求,通过环境检测装置获取纤维生产的环境数据;基于纤维生产要求和环境数据,预测第一静电数据,以及从候选抗静电方案中确定目标抗静电方案;通过静电检测装置,获取纤维加工工序产出的纤维中预设位置的第二静电数据;基于第一静电数据和第二静电数据的差异,确定对目标抗静电方案的调整,并根据调整确定待实施抗静电方案;基于待实施抗静电方案对纤维加工工序产出的纤维进行抗静电处理,并将处理后的纤维作为过滤材料处理工序的原料。
Description
技术领域
本说明书涉及材料生产领域,特别涉及一种过滤材料的生产控制方法和***。
背景技术
纤维过滤材料(例如,聚四氟乙烯)作为一种高效过滤复合材料,具有新型环保、防油防水、耐强酸、强碱、强氧化剂等诸多优点。然而在其生产过程中会产生静电现象,同时还容易吸附粉尘等杂质等,影响生产质量和生产效率,还存在一定的安全隐患。
因此,有必要提出一种过滤材料的生产控制方法,以实现过滤材料的抗静电处理,提高生产效率。
发明内容
本说明书一个或多个实施例提供一种过滤材料的生产控制方法,生产顺序包括:纤维加工工序、抗静电处理工序、过滤材料处理工序,所述过滤材料的生产控制方法包括:基于生产计划获取纤维生产要求,通过环境检测装置获取纤维生产的环境数据;基于所述纤维生产要求和所述环境数据,预测第一静电数据,以及从候选抗静电方案中确定目标抗静电方案;通过静电检测装置,获取所述纤维加工工序产出的纤维中预设位置的第二静电数据;基于所述第一静电数据和所述第二静电数据的差异,确定对所述目标抗静电方案的调整,并根据所述调整确定待实施抗静电方案;基于所述待实施抗静电方案对所述纤维加工工序产出的所述纤维进行抗静电处理,并将处理后的所述纤维作为所述过滤材料处理工序的原料。
本说明书一个或多个实施例提供一种过滤材料的生产控制***,所述***包括:第一获取模块、确定模块、第二获取模块、调整模块以及处理模块;所述第一获取模块用于基于生产计划获取纤维生产要求,通过环境检测装置获取纤维生产的环境数据;所述确定模块用于基于所述纤维生产要求和所述环境数据,预测第一静电数据,以及从候选抗静电方案中确定目标抗静电方案;所述第二获取模块用于通过静电检测装置,获取所述纤维加工工序产出的纤维中预设位置的第二静电数据;所述调整模块用于基于所述第一静电数据和所述第二静电数据的差异,确定对所述目标抗静电方案的调整,并根据所述调整确定待实施抗静电方案;所述处理模块用于基于所述待实施抗静电方案对所述纤维加工工序产出的所述纤维进行抗静电处理,并将处理后的所述纤维作为所述过滤材料处理工序的原料。
本说明书一个或多个实施例提供一种过滤材料的生产控制装置,包括处理器,所述处理器用于执行上述过滤材料的生产控制方法。
本说明书一个或多个实施例提供一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行上述过滤材料的生产控制方法。
附图说明
本说明书将以示例性实施例的方式进一步说明,这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的编号表示相同的结构,其中:
图1是根据本说明书一些实施例所示的过滤材料的生产控制***的应用场景示意图;
图2是根据本说明书一些实施例所示的过滤材料的生产控制方法的示例性流程图;
图3是根据本说明书一些实施例所示的从候选抗静电方案中确定目标抗静电方案的示例性流程图;
图4是根据本说明书一些实施例所示的静电量预测模型示意图;
图5是根据本说明书一些实施例所示的过滤材料的生产控制***的示例性模块图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案,下面将对实施例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说明书的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
应当理解,本文使用的“***”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的***所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
图1是根据本说明书一些实施例所示的过滤材料的生产控制***的应用场景示意图。
如图1所示,过滤材料的生产控制***的应用场景100可以包括加工设备110、传感设备120、处理器130、存储设备140、用户终端150、网络160。
加工设备110是指用于过滤材料生产的设备,用于完成过滤材料生产的各个工序,例如,纤维加工工序、抗静电工序和过滤材料处理工序(例如,开松、铺网、热熔、针刺等)。
过滤材料是指用于过滤的材料,过滤材料可以包括多种复合材料,例如,聚四氟乙烯(PTFE)等。纤维是指用于过滤材料生产的纤维材料,例如,聚四氟乙烯纤维等。加工设备110可以包括用于对原材料(例如,四氟乙烯等)进行处理以获得纤维材料的设备(例如,纺丝成形设备、切片干燥设备、拉伸设备等)、用于抗静电处理的设备(例如,等离子风枪、除静电棒、抗静电剂处理设备等)、用于过滤材料处理的设备(例如,开松机、铺网机、热熔机等)等。在一些实施例中,加工设备110可以对生产原料进行加工以获得纤维材料,并对获得的纤维材料进行抗静电处理,最后对抗静电处理后的纤维材料进行开松、铺网、热熔、针刺等加工处理以获得过滤材料。其中,纤维加工工序可以用于制备生产过滤材料所需的纤维原料,抗静电处理用于减少该纤维原料的静电,经过抗静电处理的纤维原料可以进入过滤材料处理工序做进一步处理,最终产出过滤材料。在进行过滤材料生产的过程会伴随静电的产生,进而吸附大量的粉尘杂质,影响生产质量和生产效率,甚至可能存在安全隐患,因此,生产过程中的抗静电处理是至关重要的一步。
传感设备120是指用于获取过滤材料生产的环境数据的设备。传感设备120可以包括温度传感器、湿度传感器等。在一些实施例中,传感设备可以单独设置,也可以集成于加工设备110。
处理器130可以用于获取信息,并对收集的信息进行分析加工,以执行本说明书中描述的一个或以上功能。例如,处理器130可以基于传感设备120获取的环境数据以及纤维生产要求预测第一静电数据并确定目标抗静电方案。又例如,处理器130可以基于抗静电方案控制加工设备110对纤维加工工序产出的纤维进行抗静电处理。在一些实施例中,处理设备130可以包括一个或以上处理引擎(例如,单芯片处理引擎或多芯片处理引擎)。
存储设备140可以用于存储数据和/或指令,例如,存储设备140可以用于存储传感设备120所获取的环境数据。存储设备140可以从例如处理器130、用户终端150等获得数据和/或指令。在一些实施例中,存储设备140可以储存处理器130用来执行或使用以完成本说明书中描述的示例性方法的数据和/或指令。
用户终端150可以指用户所使用的一个或多个终端设备或软件。在一些实施例中,用户终端150可以包括具有显示器的移动设备、平板计算机、笔记本电脑等或其任意组合。在一些实施例中,用户可以通过用户终端150查看当前抗静电处理方案等。在一些实施例中,用户还可以基于用户终端150输入纤维生产要求、候选抗静电方案等信息和/或数据。
网络160可以包括提供能够促进过滤材料的生产控制***的应用场景100中各个组件的信息和/或数据交换的任何合适的网络。过滤材料的生产控制***的应用场景100中的一个或多个组件(例如,加工设备110、传感设备120、处理器130、存储设备140、用户终端150)之间可以通过网络160交换信息和/或数据。
应当注意基于过滤材料的生产控制***的应用场景100仅仅是为了说明的目的而提供,并不意图限制本说明书的范围。对于本领域的普通技术人员来说,可以根据本说明书的描述,做出多种修改或变化。例如,应用场景还可以包括数据库。又例如,应用场景100可以在其他设备上实现以实现类似或不同的功能。然而,变化和修改不会背离本说明书的范围。
图2是根据本说明书一些实施例所示的过滤材料的生产控制方法的示例性流程图。如图2所示,流程200包括下述步骤。在一些实施例中,流程200可以由处理器130执行。
步骤210,基于生产计划获取纤维生产要求,通过环境检测装置获取纤维生产的环境数据。
生产计划是指企业对生产任务预先做出统筹安排的计划。生产计划包括生产产品的种类(例如,聚四氟乙烯等)、数量(例如,1吨等)、时间(例如,1星期等)以及对原材料规格参数的要求(例如,纤维产品的相关参数等)等。在一些实施例中,生产计划可以由用户输入获取。
纤维生产要求规定了纤维加工工序产出的纤维的规格参数。纤维生产要求可以包括聚四氟乙烯纤维(PTFE纤维)尺寸规格、数量等。在一些实施例中,纤维生产要求可以基于生产计划获取,并通过用户输入过滤材料的生产控制***。
纤维生产的环境数据是指纤维材料的生产车间的环境数据,例如,温度、湿度等数据。在一些实施例中,环境数据可以通过环境检测装置获取。
环境检测装置是指用于获取生产车间环境数据的装置。环境检测装置可以包括图1中所述的传感设备等。
步骤220,基于纤维生产要求和环境数据,预测第一静电数据,以及从候选抗静电方案中确定目标抗静电方案。
第一静电数据是指纤维材料预测的平均静电数据,例如预测静电电压、预测电荷量等。
在一些实施例中,第一静电数据可以通过历史数据获取。例如,处理器可以将历史数据中纤维生产要求和环境数据与本次生产过程相似的生产过程对应的纤维静电数据确定为第一静电数据。
在一些实施例中,第一静电数据可以基于静电量预测模型获取。关于静电预测模型的更多说明可以参见图4及其相关部分。
候选抗静电方案是指候选的用于对纤维材料进行抗静电处理的方案。在一些实施例中,候选抗静电方案可以包括基于抗静电剂的第一方案,以及基于等离子体发射的第二方案。
第一方案是指通过抗静电剂对纤维材料进行抗静电处理的方案。在一些实施例中,第一方案可以包括多个第一子方案,每个第一子方案至少包括抗静电剂的量、第一处理时间(抗静电剂对纤维材料处理后进行下一步工序之前的时间)和处理模式(例如,喷洒、浸泡等)等参数。在一些实施例中,每个第一子方案中包含至少一个参数的值与其他第一子方案不同,例如,某一第一子方案的抗静电剂的量可以与其他第一子方案不同。又例如,某一第一子方案的第一处理时间可以与其他第一子方案不同等。
第二方案是指通过等离子体发生器对纤维材料进行抗静电处理的方案。其中,等离子发生器是用于等离子体发射的设备,例如,等离子风枪等。在一些实施例中,第二方案可以包括多个第二子方案,每个第二子方案中至少包括等离子发生器的功率、第二处理时间(等离子发生器对纤维材料的处理时间)等参数。在一些实施例中,每个第二子方案中包含至少一个参数的值与其他第二子方案不同,例如,某一第二子方案的等离子体发生器的功率可以与其他第二子方案不同。又例如,某一第二子方案的第二处理时间可以与其他第二子方案不同。
目标抗静电方案是指待调整的对纤维材料进行抗静电处理的方案,调整后的目标抗静电方案可以作为待实施抗静电方案,用于对纤维进行抗静电处理。在一些实施例中,可以由人工基于历史经验确定目标抗静电方案。例如,生产人员可以基于第一静电数据以及历史抗静电方案确定目标抗静电方案。在另一些实施例中,处理器130还可以从候选抗静电方案中确定目标抗静电方案,相关说明可以参见图3及其相关部分。
步骤230,通过静电检测装置,获取纤维加工工序产出的纤维中预设位置的第二静电数据。
预设位置是指人为预设的需要检测静电数据的纤维材料的位置。在一些实施例中,预设位置可以包括多个,例如,预设位置可以包括纤维材料的两端、纤维材料的中点等,预设位置还可以是纤维材料的其他位置,具体可根据生产经验或实际生产需求确定。
第二静电数据是在预设位置实际检测到的纤维材料的静电数据,例如实际静电电压、实际电荷量等。在一些实施例中,第二静电数据可以通过静电检测装置获取。
静电检测装置是用于检测静电数据的装置,例如,静电测试仪等。
在本说明书的一些实施例中,静电检测装置检测纤维材料全部位置的静电数据需要花费的大量的时间和成本,而通过检测预设位置静电数据的方式,可以节约时间和人力成本,提高生产效率。
步骤240,基于第一静电数据和第二静电数据的差异,确定对目标抗静电方案的调整,并根据调整确定待实施抗静电方案,并基于待实施抗静电方案对纤维加工工序产出的纤维进行抗静电处理,并将处理后的纤维作为过滤材料处理工序的原料。
第一静电数据和第二静电数据的差异是指第一静电数据和多个预设位置的第二静电数据的融合值的差异值,例如,第一静电数据与多个预设位置的第二静电数据的平均值的差异值等。又例如,第一静电数据与多个预设位置的第二静电数据的加权平均值的差异值等。
在一些实施例中,处理器130可以对目标抗静电方案进行调整获得待实施抗静电方案。具体地,处理器130可以基于第一静电数据和第二静电数据差异的差异值,确定目标抗静电方案中参数的调整值。例如,处理器可以基于目标抗静电方案为第一方案或第二方案进行不同调整以获得待实施抗静电方案。待实施抗静电方案是指实际用于纤维材料抗静电处理的方案。
在一些实施例中,处理器确定对目标抗静电方案的调整,包括:若目标抗静电方案为第一方案,调整方案中的处理时间,处理时间的调整量基于差异值确定;若目标抗静电方案为第二方案,若方案中处理时间在预设范围内,调节方案中处理功率,处理功率的调整量基于差异值确定。其中,调整量是指对目标抗静电方案的中参数的调整幅度,例如,处理时间的调整幅度、处理功率的调整幅度等。在一些实施例中,调整量可以由人为基于历史经验确定,例如差异值越大,处理时间对应的调整量也越大;又例如,差异值越大,处理功率对应的调整量也越大。
在一些实施例中,处理器对目标抗静电方案的调整量可以基于第一静电数据和第二静电数据的差异值、静电量预测模型输出的置信度、目标抗静电方案的候选子方案中参考的纤维生产要求和环境数据与实际的纤维生产要求和环境数据匹配度确定。例如,调整量可以基于以下公式确定:
调整量=x*(a+b)*A
其中,x表示转换因子,可以由人为预设,a表示置信度,b表示匹配度,A表示差异值。该公式表明差异值越大,调整量越大;置信度越高、匹配度越大,调整量越大(即调整越符合实际生产情况,越准确)。
关于置信度的详细说明可以参见图4及其相关部分,关于匹配度的详细说明可以参见图3及其相关部分。
在本说明书的一些实施例中,基于预测静电量和实际静电量的差异大小,结合向量匹配中当前向量与匹配向量的匹配度以及预测模型预测结果的准确率,来综合确定调整值,使调整量充分满足生产需要和用户需求。
在一些实施例中,处理器可以基于待实施抗静电方案,对纤维加工工序产出的纤维进行抗静电处理,并将处理后的纤维作为过滤材料处理工序的原料,以进行后续的过滤材料开松、铺网、热熔、针刺等处理工序。
在本说明书的一些实施例中,处理器基于预测静电数据和实际静电数据的差异,对预设的静电处理方案进行调整,以使最终的静电处理方案更符合实际生产情况,能够满足用户需求,提高生产质量和生产效率。
图3是根据本说明书一些实施例所示的从候选抗静电方案中确定目标抗静电方案的示例性流程图。在一些实施例中,流程300可以由过滤材料的生产控制***执行。如图3所示,流程300包括下述步骤:
步骤310,基于纤维生产要求和环境数据,在第一数据库和第二数据库中匹配,确定候选第一子方案和候选第二子方案。
其中,第一数据库和第二数据库可以存储候选抗静电方案。
第一数据库中可以存储基于抗静电剂的第一方案。在一些实施例中,第一数据库可以包括多个不同的参考纤维生产要求和参考环境数据,以及不同参考纤维生产要求和参考环境数据所对应的参考第一子方案。
第二数据库中可以存储基于等离子体发射的第二方案。在一些实施例中,第二数据库可以包括多个不同的参考纤维生产要求、参考环境数据,以及不同参考纤维生产要求和参考环境数据所对应的参考第二子方案。
在一些实施例中,可以基于目标历史数据建立数据库(如,第一数据库和第二数据库)。其中,历史数据可以包括历史纤维生产要求、历史环境数据的和对应的历史抗静电方案。目标历史数据为抗静电结果合格的历史数据。
在一些实施例中,可以基于目标历史数据中的历史纤维生产要求和历史环境数据,对目标历史数据进行聚类,确定多个簇。目标历史数据的纤维生产要求和环境数据可以通过特征向量表示,即生产特征向量。生产特征向量的元素可以与纤维生产要求和环境数据相对应。
在一些实施例中,处理器130可以通过聚类算法对生产特征向量进行聚类,得到簇的集合。具体地,处理器130可以基于历史纤维生产要求和历史环境数据对目标历史数据的生产特征向量进行分类,得到多个生产特征类型,并对每一个生产特征类型所对应的一个或多个历史抗静电方案进行对应,得到至少一个簇,每一个簇对应一个聚类中心,该聚类中心为该生产特征类型对应的历史抗静电方案。
在一些实施例中,聚类算法可以包括但不限于K-Means(K均值)聚类、基于密度的聚类方法(DBSCAN)等。
在一些实施例中,可以对上述聚类后的簇进行筛选,将经过筛选后的簇作为目标簇,该目标簇可以用于构建前数据库。
在一些实施例中,可以确定某个簇中任意两个目标历史数据的静电量差异。基于任意两个目标历史数据的静电差异与任意两个目标历史数据所对应的历史抗静电方案的差异之间的匹配关系,对目标历史数据进行筛选。具体地,根据两个目标历史数据的静电差异与历史抗静电方案的差异是否满足预设条件确定二者的匹配度,并进行标记。例如,如果两个目标历史数据的静电差异与历史抗静电方案的差异满足预设条件,则确定两个目标历史数据的匹配,将两个目标历史数据均记为1;否则为不匹配,两个目标历史数据的均记为0。重复上述操作,直到簇中所有的目标历史数据与其他目标历史数据完成静电差异与历史抗静电方案的差异的匹配比较。如果某个目标历史数据被记为0的次数大于等于预设阈值,则删除该目标历史数据。
以下是对目标历史数据的示例性筛选过程:
设置满足匹配的预设条件为:两个目标历史数据的静电量差异和所对应的抗静电方案中的抗静电剂量的差异的倍数关系以及两个目标历史数据各自的静电量与对应的抗静电剂量的倍数关系一致。设置被记为0的次数的预设阈值为2次。
某一簇中有三个目标历史数据A、B、C。其中,目标历史数据A的静电量为320库仑,对应的历史抗静电方案里使用的抗静电剂为32份,抗静电剂量是静电量的0.1倍。目标历史数据B的静电量为450库仑,对应的历史抗静电方案里使用的抗静电剂为73份,抗静电剂量是静电量的0.16倍。目标历史数据C的静电量为270库仑,对应的历史抗静电方案里使用的抗静电剂为27份,抗静电剂量是静电量的0.10倍。目标历史数据A的抗静电剂量是静电量的0.10倍。目标历史数据A与目标历史数据B的静电量差异为130库仑,抗静电剂量的差异为41份,抗静电剂量的差异是静电量差异的0.32倍,不满足预设条件,则将目标历史数据A和B均标为0。目标历史数据A与目标历史数据C的静电量差异为50库仑,抗静电剂量的差异为5份,抗静电剂量的差异是静电量差异的0.1倍,满足预设条件,则将目标历史数据A和B均标为1。目标历史数据B与目标历史数据C的静电量差异为270库仑,抗静电剂量的差异为46份,抗静电剂量的差异是静电量差异的0.17倍,不满足预设条件,则将目标历史数据B和C均标为0。
通过对某一簇中所有目标历史数据完成上述匹配比较后,目标历史数据A、B、C被标记为0的次数分别为1次、2次、1次。目标历史数据B被标记为0的次数达到预设阈值2次。因此,删掉目标历史数据B。
在一些实施例中,可以通过对历史抗静电方案向量化,计算向量间的相似度来确定历史抗静电方案的差异。具体地,可以基于两个目标历史数据对应的历史抗静电方案,确定对应的历史抗静电方案向量。基于两个历史抗静电方案向量的向量距离(如,欧式距离),确定历史抗静电方案的差异。
在一些实施例中,可以通过静电量差异模型确定两个目标历史数据的静电差异。
在一些实施例中,静电量差异模型可以用于对两个目标历史数据进行处理,确定静电差异。其中,静电量差异模型可以包括但不限于卷积神经网络、深度神经网络等一种或多种的组合。
在一些实施例中,静电量差异模型的输入可以为两个目标历史数据的纤维生产要求和环境数据,包括第一目标历史数据的纤维生产要求和环境数据和第二目标历史数据的纤维生产要求和环境数据,输出可以为静电差异。
在一些实施例中,静电量差异模型可以包括第一嵌入层、第二嵌入层和差异层。
第一嵌入层可以提取第一目标历史数据的纤维生产要求和环境数据的特征,获取第一特征。其中,第一特征可以指对纤维生产要求和环境数据进行特征提取后获得的特征。第一特征可以被表示为特征向量。在一些实施例中,第一嵌入层可以是卷积神经网络。第一嵌入层的输入可以包括第一目标历史数据的纤维生产要求和环境数据,嵌入层的输出可以为第一特征。
第二嵌入层可以提取第二目标历史数据的纤维生产要求和环境数据的特征,获取第二特征。与第一特征类似地,第二特征也可以被表示为特征向量。第二嵌入层可以是卷积神经网络。第二嵌入层的输入可以包括第二目标历史数据的纤维生产要求和环境数据,嵌入层的输出可以为第二特征。
差异层可以对第一特征和第二特征进行处理,确定静电差异。差异层可以是深度神经网络。差异层的输入可以包括第一特征和第二特征,差异层的输出可以为静电差异。
在一些实施例中,第一嵌入层、第二嵌入层以及差异层可以通过联合训练得到。训练样本可以包括若干样本历史数据的样本纤维生产要求和样本环境数据,将其中任意两个样本历史数据的纤维生产要求和环境数据作为一组样本对,标签可以为样本对中的两个样本历史数据的实际静电量差异。将样本对中的其中一个历史数据的样本纤维生产要求和样本环境数据输入初始第一嵌入层,将样本对中的另一个目标历史数据的样本纤维生产要求和样本环境数据输入初始第二嵌入层。然后将初始第一嵌入层的输出和初始第二嵌入层的输出一起输入至初始差异层中,并基于初始差异层的输出和标签构建损失函数。基于损失函数迭代更新初始第一判断模型中各层的参数,直至满足预设条件,得到训练好的静电量差异模型。预设条件可以包括但不限于损失函数收敛、损失函数值小于预设值或训练迭代次数达到阈值。
在一些实施例中,第一嵌入层和第二嵌入层可以共享参数。共享参数可以指第一嵌入层和第二嵌入层使用相同的参数。
本说明书一些实施例所述的方法,通过模型对纤维生产要求和环境数据进行处理,可以快速确定静电量差异,能够适应于大量数据的处理情况,提高数据处理效率。
由于在历史数据中,存在抗静电处理结果合格,但其对应的抗静电方案中某些参数设置不合理(如,抗静电剂过量),从而导致成本增加。因此,该历史数据不适宜作为数据库中的参考数据。本说明书一些实施例所述的方法,可以让数据库中的参考数据更具有关联性的同时,更符合实际抗静电处理情况,节约生产成本,提高抗静电效率。
在一些实施例中,处理器130可以基于目标簇确定参考纤维生产要求、参考环境数据和参考方案。在一些实施例中,可以对目标簇中的纤维生产要求、环境数据以及其对应的抗静电方案进行融合,确定参考纤维生产要求、参考环境数据和参考方案。其中,融合操作可以包括但不限于对目标簇中的数据求平均、加权平均(如,权重可以是与簇中心的距离负相关)等。
基于参考纤维生产要求、参考环境数据和参考方案构建数据库。具体地,可以基于参考方案为基于抗静电剂的第一方案,以及其对应的参考纤维生产要求、参考环境数据构建第一数据库。可以基于参考方案为基于等离子体发射的第二方案及其对应的参考纤维生产要求、参考环境数据构建第二数据库。
在一些实施例中,还可以基于其他各种方式建立数据库,例如,通过回归分析法等,对历史数据进行分析处理,得到参考数据,从而构建数据库等,在此不做限制。
本说明书一些实施例所述的方法,通过对目标历史数据聚类分析以及对簇进行筛选,得到更符合生产实际的参考纤维生产要求、参考环境数据和参考方案以构建数据库,从而便于后续确定出更准确的候选抗静电方案。
在一些实施例中,可以进行建模或采用各种数据分析算法,对纤维生产要求和环境数据进行分析处理,确定候选第一子方案和候选第二子方案。
仅作为示例地,可以基于当前纤维生产要求和环境数据,在第一数据库中确定与当前纤维生产要求和环境数据相同或近似的参考纤维生产要求和参考环境数据所对应的参考方案作为候选第一子方案。可以基于当前纤维生产要求和环境数据,在第二数据库中确定与当前纤维生产要求和环境数据相同或近似的参考纤维生产要求和参考环境数据所对应的参考方案作为候选第二子方案。
具体地,确定当前纤维生产要求和环境数据对应的待预测生产信息向量。将第一数据库和第二数据库中的数据向量化,将第一数据库中的参考纤维生产要求和参考环境数据通过向量表示为第一参考生产信息向量。将第二数据库中的参考纤维生产要求和参考环境数据通过向量表示为第二参考生产信息向量。在第一数据库中,基于待预测生产信息向量与第一参考生产信息向量中的向量距离(如,欧式距离),在第一参考生产信息向量中确定至少一个第一目标生产信息向量。将至少一个第一目标生产信息向量所对应的参考方案作为当候选第一子方案。与第一数据库类似地,在第二数据库中确定至少一个第二目标生产信息向量。将至少一个第二目标生产信息向量所对应的参考方案作为当候选第二子方案。
步骤320,基于候选第一子方案的成本和第二候选子方案的成本,确定目标抗静电方案。
候选第一子方案或第二候选子方案的成本是指采取候选第一子方案或第二候选子方案所花费的金额。
在一些实施例中,可以基于预设数量关系确定候选第一子方案或第二候选子方案的成本。例如,候选第一子方案的成本可以包括抗静电剂处理成本。抗静电剂处理成本可以通过以下数量关系确定:抗静电剂处理成本=抗静电剂单位纤维量的用量*价格*纤维总量。候选第二子方案的成本可以包括等离子体处理成本。等离子体处理成本可以通过以下数量关系确定:等离子体处理成本=单位时间的等离子体发生器成本*处理时间。
在一些实施例中,可以基于候选第一子方案的成本和候选第二子方案的成本,确定目标抗静电方案。具体地,可以选取成本较低的方案作为目标抗静电方案。例如,候选第一子方案的成本为16789元,候选第二子方案的成本为18771元。候选第一子方案的成本更低,则将候选第一子方案确定为目标抗静电方案。
本说明书的一些实施例所述的方法,通过对纤维生产要求和所述环境数据进行分析,在数据库中匹配并确定候选第一子方案和候选第二子方案,结合候选第一子方案的成本和候选第二子方案的成进行综合考量,确定目标抗静电方案,从而使最终的静电处理方案更符合实际情况,以满足生产需求。
图4是根据本说明书一些实施例所示的静电量预测模型示意图。
在一些实施例中,可以通过静电量预测模型预测第一静电数据。其中,静电量预测模型可以为机器学习模型。
静电量预测模型可以用于对纤维生产要求和环境数据进行处理,确定第一静电数据。静电量预测模型可以包括但不限于卷积神经网络、深度神经网络等一种或多种的组合。
如图4所示,在一些实施例中,静电量预测模型430的输入可以包括纤维生产要求410和环境数据420,输出可以包括第一静电数据440。在一些实施例中,静电量预测模型430的输出还可以包括预测结果的置信度,该置信度可以表征模型预测结果的可靠程度。
在一些实施例中,静电量预测模型430可以通过多个带有标签的训练样本训练得到。可以基于大多组带有标签的训练样本对初始静电量预测模型进行训练,训练样本可以包括样本纤维生产要求和样本环境数据,训练样本的标签可以是样本纤维生产要求和样本环境数据对应的实际静电数据。标签可以通过静电检测装置在样本纤维生产要和样本环境数据下所检测到的静电数据获取。将多个训练样本输入初始静电量预测模型,基于初始静电量预测模型的输出和标签构建损失函数,并基于损失函数迭代更新初始静电量预测模型的参数,当训练的模型满足预设条件时,训练结束,获取训练好的静电量预测模型430。预设条件可以包括但不限于损失函数收敛、损失函数值小于预设值或训练迭代次数达到阈值等。
在一些实施例中,静电量预测模型430可以为自定义模型。如图4所示,静电量预测模型430还可以包括嵌入层430-1和预测层430-2。
在一些实施例中,嵌入层430-1可以对纤维生产要求410和环境数据420进行处理,确定生产环境特征431。其中,生产环境特征431可以指对纤维生产要求410和环境数据420进行特征提取后获得的特征。在一些实施例中,嵌入层430-1可以是卷积神经网络。嵌入层430-1的输入可以包括纤维生产要求410和环境数据420,嵌入层430-1的输出可以为生产环境特征431。
在一些实施例中,预测层430-2可以对生产环境特征431进行处理,确定第一静电数据440。预测层430-2可以是深度神经网络模型。预测层430-2的输入可以包括生产环境特征431,预测层430-2的输出可以是第一静电数据440。
在一些实施例中,嵌入层430-1可以是前述静电量差异模型中训练好的第一嵌入层或第二嵌入层。本说明书一些实施例,通过共用嵌入层可以减少训练成本,提高训练效率,从而更快速准确地确定静电数据。
在一些实施例中,预测层430-2可以通过训练得到。训练样本可以包括样本生产环境特征,标签可以为样本生产环境特征对应的实际静电数据。标签可以通过静电检测装置在样本生产环境特征所对应的纤维生产要求和环境数据下所检测到的静电数据获取。将样本生产环境特征输入初始预测层,基于初始预测层的输出和标签构建损失函数。基于损失函数迭代更新初始预测层的参数,直至满足预设条件,得到训练好的预测层430-2。预设条件可以包括但不限于损失函数收敛、损失函数值小于预设值或训练迭代次数达到阈值。
在一些实施例中,训练好的嵌入层430-1和训练好的预测层430-2可以组成训练好的静电量预测模型430。
本说明书一些实施例所述的方法,通过模型对纤维生产要求和环境数据进行处理,可以快速预测第一静电数据,从而适应于抗静电处理中具有大量数据的情况,提高数据处理效率。
图5是根据本说明书一些实施例所示的过滤材料的生产控制***的示例性模块图。
如图5所示,过滤材料的生产控制***500可以包括第一获取模块510、确定模块520、第二获取模块530、调整模块540以及处理模块550。
第一获取模块510可以用于基于生产计划获取纤维生产要求,通过环境检测装置获取纤维生产的环境数据。关于获取纤维生产要求和环境数据的详细说明可以参加图2及其相关部分。
确定模块520用于基于纤维生产要求和环境数据,预测第一静电数据,以及从候选抗静电方案中确定目标抗静电方案。关于候选抗静电方案、目标抗静电方案以及确定目标抗静电方案的相关说明可以参加图2及其相关部分。
在一些实施例中,确定模块520可以通过静电量预测模型预测第一静电数据;其中,静电量预测模型为机器学习模型,静电量预测模型的输入包括纤维生产要求和环境数据,输出包括第一静电数据。关于静电量预测模型的更多说明可以参加图4及其相关部分。
在一些实施例中,确定模块520还可以用于基于纤维生产要求和环境数据,在第一数据库和第二数据库中匹配,确定候选第一子方案和候选第二子方案;基于候选第一子方案的成本和第二候子方案的成本,确定目标抗静电方案。相关内容的更多说明可以参见图2、图3及其相关部分。
第二获取模块530用于通过静电检测装置,获取纤维加工工序产出的纤维中预设位置的第二静电数据。关于获取第二静电数据的更多说明可以参见图2及其相关部分。
调整模块540用于基于第一静电数据和第二静电数据的差异,确定对目标抗静电方案的调整,并根据调整确定待实施抗静电方案。相关内容的更多说明可以参见图2及其相关部分。
处理模块550用于基于待实施抗静电方案对纤维加工工序产出的纤维进行抗静电处理,并将处理后的纤维作为过滤材料处理工序的原料。相关内容的更多说明可以参见图2及其相关部分。
本说明书一个或多个实施例还提供一种过滤材料的生产控制装置,包括处理器,所述处理器用于执行前述过滤材料的生产控制方法。
本说明书一个或多个实施例还提供一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行前述过滤材料的生产控制方法。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本说明书的限定。虽然此处并没有明确说明,本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议,所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时,本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,除非权利要求中明确说明,本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如,虽然以上所描述的***组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的***。
同理,应当注意的是,为了简化本说明书披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本说明书实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
最后,应当理解的是,本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此,作为示例而非限制,本说明书实施例的替代配置可视为与本说明书的教导一致。相应地,本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
Claims (10)
1.一种过滤材料的生产控制方法,其特征在于,所述方法包括:
基于生产计划获取纤维加工工序的纤维生产要求,通过环境检测装置获取纤维生产的环境数据,所述纤维生产要求规定了所述纤维加工工序产出的纤维的规格参数;
基于所述纤维生产要求和所述环境数据,预测第一静电数据,以及从候选抗静电方案中确定目标抗静电方案;
通过静电检测装置,获取所述纤维加工工序产出的纤维中预设位置的第二静电数据;
基于所述第一静电数据和所述第二静电数据的差异,确定对所述目标抗静电方案的调整,并根据所述调整确定待实施抗静电方案;
基于所述待实施抗静电方案对所述纤维加工工序产出的所述纤维进行抗静电处理,并将处理后的所述纤维作为过滤材料处理工序的原料。
2.如权利要求1所述的过滤材料的生产控制方法,其特征在于,所述候选抗静电方案包括基于抗静电剂的第一方案,以及基于等离子体发射的第二方案;
所述第一方案包括多个第一子方案,每个第一子方案中包括的参数有抗静电剂的量、第一处理时间和处理模式,所述每个第一子方案中包含至少一个参数的值与其他第一子方案不同;
所述第二方案包括多个第二子方案,每个第二子方案中包括的参数有等离子发生器的功率和第二处理时间,所述每个第二子方案中包含至少一个参数的值与其他第二子方案不同,其中,所述等离子发生器用于所述等离子体发射。
3.如权利要求2所述的过滤材料的生产控制方法,其特征在于,所述从候选抗静电方案中确定目标抗静电方案,包括:
基于所述纤维生产要求和所述环境数据,在第一数据库和第二数据库中匹配,确定候选第一子方案和候选第二子方案;
基于所述候选第一子方案的成本和所述候选第二子方案的成本,确定目标抗静电方案。
4.如权利要求2所述的过滤材料的生产控制方法,其特征在于,预测纤维的第一静电数据,包括通过静电量预测模型预测所述第一静电数据;
其中,所述静电量预测模型为机器学习模型,所述静电量预测模型的输入包括所述纤维生产要求和所述环境数据,输出包括所述第一静电数据。
5.一种过滤材料的生产控制***,包括第一获取模块、确定模块、第二获取模块、调整模块以及处理模块;
所述第一获取模块用于基于生产计划获取纤维加工工序的纤维生产要求,通过环境检测装置获取纤维生产的环境数据,所述纤维生产要求规定了所述纤维加工工序产出的纤维的规格参数;
所述确定模块用于基于所述纤维生产要求和所述环境数据,预测第一静电数据,以及从候选抗静电方案中确定目标抗静电方案;
所述第二获取模块用于通过静电检测装置,获取所述纤维加工工序产出的纤维中预设位置的第二静电数据;
所述调整模块用于基于所述第一静电数据和所述第二静电数据的差异,确定对所述目标抗静电方案的调整,并根据所述调整确定待实施抗静电方案;
所述处理模块用于基于所述待实施抗静电方案对所述纤维加工工序产出的所述纤维进行抗静电处理,并将处理后的所述纤维作为过滤材料处理工序的原料。
6.如权利要求5所述的过滤材料的生产控制***,其特征在于,所述候选抗静电方案包括基于抗静电剂的第一方案,以及基于等离子体发射的第二方案;
所述第一方案包括多个第一子方案,每个第一子方案中包括的参数有抗静电剂的量、第一处理时间和处理模式,所述每个第一子方案中包含至少一个参数的值与其他第一子方案不同;
所述第二方案包括多个第二子方案,每个第二子方案中包括的参数有等离子发生器的功率和第二处理时间,所述每个第二子方案中包含至少一个参数的值与其他第二子方案不同,其中,所述等离子发生器用于所述等离子体发射。
7.如权利要求5所述的过滤材料的生产控制***,所述确定模块进一步用于:
基于所述纤维生产要求和所述环境数据,在第一数据库和第二数据库中匹配,确定候选第一子方案和候选第二子方案;
基于所述候选第一子方案的成本和所述候选第二子方案的成本,确定目标抗静电方案。
8.如权利要求5所述的过滤材料的生产控制***,所述确定模块进一步用于:通过静电量预测模型预测所述第一静电数据;
其中,所述静电量预测模型为机器学习模型,所述静电量预测模型的输入包括所述纤维生产要求和所述环境数据,输出包括所述第一静电数据。
9.一种过滤材料的生产控制装置,包括处理器,所述处理器用于执行权利要求1~4中任一项所述的过滤材料的生产控制方法。
10.一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行如权利要求1~4中任一项所述的过滤材料的生产控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211331621.9A CN115576288B (zh) | 2022-10-28 | 2022-10-28 | 一种过滤材料的生产控制方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211331621.9A CN115576288B (zh) | 2022-10-28 | 2022-10-28 | 一种过滤材料的生产控制方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115576288A CN115576288A (zh) | 2023-01-06 |
CN115576288B true CN115576288B (zh) | 2023-08-08 |
Family
ID=84586985
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211331621.9A Active CN115576288B (zh) | 2022-10-28 | 2022-10-28 | 一种过滤材料的生产控制方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115576288B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06158424A (ja) * | 1992-11-20 | 1994-06-07 | Mitsubishi Rayon Co Ltd | 制電性能に優れたポリエステル繊維およびその製造方法 |
JPH06157788A (ja) * | 1992-11-25 | 1994-06-07 | Dainippon Printing Co Ltd | 帯電防止能を有するトリアセチルセルロースフィルム、そのフィルムを用いた偏光板及びその製造方法 |
CN1112850A (zh) * | 1994-03-05 | 1995-12-06 | 卡尔·弗罗伊登伯格公司 | 空气过滤材料及其应用和制备 |
CN101627060A (zh) * | 2006-07-31 | 2010-01-13 | 尤尼威蒂恩技术有限公司 | 用于控制聚烯烃反应器中的静电荷的方法和装置 |
CN105113080A (zh) * | 2015-10-09 | 2015-12-02 | 江苏工程职业技术学院 | 一种阻燃抗静电超强纱及其生产方法 |
CN110064249A (zh) * | 2019-04-30 | 2019-07-30 | 浙江华基环保科技有限公司 | 一种纯聚四氟乙烯滤布的加工方法 |
CN113262964A (zh) * | 2021-05-06 | 2021-08-17 | 刘壮 | 一种具有耐磨结构的抗静电型pet薄膜涂布工艺 |
CN113513831A (zh) * | 2021-05-08 | 2021-10-19 | 珠海格力电器股份有限公司 | 除静电方法、装置、设备和存储介质 |
CN114086388A (zh) * | 2021-12-08 | 2022-02-25 | 江苏双江能源科技股份有限公司 | 一种废油再生基涤纶dty油剂及制备方法 |
-
2022
- 2022-10-28 CN CN202211331621.9A patent/CN115576288B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06158424A (ja) * | 1992-11-20 | 1994-06-07 | Mitsubishi Rayon Co Ltd | 制電性能に優れたポリエステル繊維およびその製造方法 |
JPH06157788A (ja) * | 1992-11-25 | 1994-06-07 | Dainippon Printing Co Ltd | 帯電防止能を有するトリアセチルセルロースフィルム、そのフィルムを用いた偏光板及びその製造方法 |
CN1112850A (zh) * | 1994-03-05 | 1995-12-06 | 卡尔·弗罗伊登伯格公司 | 空气过滤材料及其应用和制备 |
CN101627060A (zh) * | 2006-07-31 | 2010-01-13 | 尤尼威蒂恩技术有限公司 | 用于控制聚烯烃反应器中的静电荷的方法和装置 |
CN105113080A (zh) * | 2015-10-09 | 2015-12-02 | 江苏工程职业技术学院 | 一种阻燃抗静电超强纱及其生产方法 |
CN110064249A (zh) * | 2019-04-30 | 2019-07-30 | 浙江华基环保科技有限公司 | 一种纯聚四氟乙烯滤布的加工方法 |
CN113262964A (zh) * | 2021-05-06 | 2021-08-17 | 刘壮 | 一种具有耐磨结构的抗静电型pet薄膜涂布工艺 |
CN113513831A (zh) * | 2021-05-08 | 2021-10-19 | 珠海格力电器股份有限公司 | 除静电方法、装置、设备和存储介质 |
CN114086388A (zh) * | 2021-12-08 | 2022-02-25 | 江苏双江能源科技股份有限公司 | 一种废油再生基涤纶dty油剂及制备方法 |
Non-Patent Citations (1)
Title |
---|
聚烯烃包装材料抗静电剂的研究进展;陈宇,庄严,吴瑞征;精细与专用化学品(09);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115576288A (zh) | 2023-01-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US12020415B2 (en) | Method for monitoring manufacture of assembly units | |
US7493185B2 (en) | Quality prognostics system and method for manufacturing processes | |
CN109784348B (zh) | 一种红外电力设备识别和在线诊断方法及其*** | |
CN109297689B (zh) | 一种引入权重因子的大型水力机械智能诊断方法 | |
CN108920863B (zh) | 一种机器人伺服***能耗估计模型的建立方法 | |
CN116129366A (zh) | 基于数字孪生的园区监测方法及相关装置 | |
CN117008557B (zh) | 共混型互穿网络热塑性弹性体的生产控制方法及*** | |
CN115278741B (zh) | 一种基于多模态数据依赖关系的故障诊断方法和装置 | |
CN110571792A (zh) | 一种电网调控***运行状态的分析评估方法及*** | |
CN109214374A (zh) | 视频分类方法、装置、服务器及计算机可读存储介质 | |
CN110757510A (zh) | 一种机器人剩余寿命预测方法及*** | |
Yuan et al. | Abnormal condition identification modeling method based on Bayesian network parameters transfer learning for the electro-fused magnesia smelting process | |
CN117274864A (zh) | 基于异常识别的工业物联网及控制方法 | |
US20220366244A1 (en) | Modeling Human Behavior in Work Environment Using Neural Networks | |
CN111586728B (zh) | 一种面向小样本特征的异构无线网络故障检测与诊断方法 | |
CN110321960A (zh) | 一种工厂生产要素的预测方法及*** | |
CN117630683B (zh) | 基于多尺度融合gru网络的汽车电池soc多步预测方法与*** | |
CN116448161A (zh) | 一种基于人工智能的环境监测设备故障诊断方法 | |
Sampedro et al. | 3D-AmplifAI: An ensemble machine learning approach to digital twin fault monitoring for additive manufacturing in smart factories | |
CN115576288B (zh) | 一种过滤材料的生产控制方法和*** | |
CN116862079B (zh) | 一种企业污染物排放预测方法及预测*** | |
CN115984158A (zh) | 缺陷分析方法、装置、电子设备及计算机可读存储介质 | |
CN117495422A (zh) | 基于电力通信网建设的造价管理***及其方法 | |
CN111062827B (zh) | 一种基于人工智能模式的工程监理方法 | |
Ashfahani et al. | Autonomous deep quality monitoring in streaming environments |
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 |