CN115879826B - 一种基于大数据的精细化工工艺质检方法、***及介质 - Google Patents
一种基于大数据的精细化工工艺质检方法、***及介质 Download PDFInfo
- Publication number
- CN115879826B CN115879826B CN202310134327.7A CN202310134327A CN115879826B CN 115879826 B CN115879826 B CN 115879826B CN 202310134327 A CN202310134327 A CN 202310134327A CN 115879826 B CN115879826 B CN 115879826B
- Authority
- CN
- China
- Prior art keywords
- information
- data
- quality inspection
- production
- batch
- 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
- 238000000034 method Methods 0.000 title claims abstract description 815
- 238000007689 inspection Methods 0.000 title claims abstract description 322
- 239000012847 fine chemical Substances 0.000 title claims abstract description 115
- 238000001311 chemical methods and process Methods 0.000 title claims abstract description 48
- 230000008569 process Effects 0.000 claims abstract description 764
- 238000004519 manufacturing process Methods 0.000 claims abstract description 350
- 238000012545 processing Methods 0.000 claims abstract description 101
- 238000011156 evaluation Methods 0.000 claims abstract description 53
- 238000005516 engineering process Methods 0.000 claims abstract description 9
- 238000001514 detection method Methods 0.000 claims description 44
- 238000004364 calculation method Methods 0.000 claims description 28
- 238000005265 energy consumption Methods 0.000 claims description 28
- 238000003908 quality control method Methods 0.000 claims description 26
- 238000004220 aggregation Methods 0.000 claims description 12
- 230000002776 aggregation Effects 0.000 claims description 12
- 239000000463 material Substances 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 10
- 230000007306 turnover Effects 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 6
- 230000000379 polymerizing effect Effects 0.000 abstract 1
- 239000000047 product Substances 0.000 description 247
- 239000000306 component Substances 0.000 description 5
- 239000006227 byproduct Substances 0.000 description 4
- 238000013500 data storage Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000002360 preparation method Methods 0.000 description 4
- 238000012797 qualification Methods 0.000 description 4
- 239000002994 raw material Substances 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000006116 polymerization reaction Methods 0.000 description 3
- 230000004931 aggregating effect Effects 0.000 description 2
- 239000008358 core component Substances 0.000 description 2
- -1 firstly Substances 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012824 chemical production Methods 0.000 description 1
- 238000004925 denaturation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
Images
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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本申请实施例提供了一种基于大数据的精细化工工艺质检方法、***及介质。属于精细智造和大数据处理技术领域。方法包括：根据产品工艺数据库提取产品批次信息以及生产工艺信息，根据生成的生产工艺信息画像提取节点质检标准数据与工艺节点质检数据聚合获得全质检波动指数，再通过模型获得工艺复杂指数以及工艺有效利用系数，再结合批次收益数据与全质检波动指数处理获得工艺评定指数，将最优指数的生产批次对应生产工艺信息作为最优工艺方案信息；从而对工艺和质检信息进行处理获得工艺流程质检波动情况，再结合工艺相关指系数获得工艺评定指数对各批次工艺进行评优，实现运用大数据技术对批次产品的工艺和质检进行处理评定的工艺质检技术。
Description
技术领域
本申请涉及精细智造和大数据处理技术领域，具体而言，涉及一种基于大数据的精细化工工艺质检方法、***及介质。
背景技术
在精细化工行业，精细化工生产对生产流程提出了高要求，在市场竞争中，现代精细化工产品具有较高的竞争度，且产品更新速度较快，因此，要对生产工艺流程进行优化，让其与市场需求、客户需求等多方面信息进行有机的整合，这必须要保证对工艺流程内容的优化，在对物料、设备应用、工艺路线、质量控制等方面进行可识别、可导向的选择。但是精细化工的工艺路线由于生产要素、环境、参数具有不可控的微变性，导致存在难以权衡的诸多版本，因此如何找出最优工艺路线，通过大数据智慧手段能够实时、有效、智能地获得针对不同精细化工产品的最优工艺方案，是精细化工加工制造行业面临的普遍难题。
针对上述问题，目前亟待有效的技术解决方案。
发明内容
本申请实施例的目的在于提供一种基于大数据的精细化工工艺质检方法、***及介质，可以对工艺和质检信息进行处理获得工艺流程质检波动情况，再结合工艺相关指系数获得工艺评定指数对各批次工艺进行评优，实现运用大数据技术对批次产品的工艺和质检进行处理评定的工艺质检技术。
本申请实施例还提供了一种基于大数据的精细化工工艺质检方法，包括以下步骤：
建立各类型精细化工产品的产品工艺数据库，并提取精细化工产品各生产批次的产品批次信息，以及对应各生产批次的生产工艺信息；
根据所述产品批次信息获取所述生产批次的产品质检信息和批次利润信息，根据所述批次利润信息提取批次收益数据，并根据所述生产工艺信息提取工艺流程信息、工艺节点检测信息以及工艺要素信息；
根据所述工艺流程信息、工艺节点检测信息以及工艺要素信息生成生产工艺信息画像，并根据所述生产工艺信息画像提取各工艺流程节点的节点质检标准数据，并根据所述产品质检信息提取与所述各工艺流程节点对应的工艺节点质检数据；
根据所述工艺节点质检数据与所述节点质检标准数据进行处理获得所述各工艺流程节点的质检波动数据，并对全工艺流程节点的所述质检波动数据进行聚合处理获得所述生产批次的全质检波动指数；
根据所述生产工艺信息画像提取工艺差错数据和工艺指标数据，根据所述工艺差错数据和工艺指标数据输入工艺处理识别模型中计算获得所述生产批次的工艺复杂指数以及工艺有效利用系数；
根据所述批次收益数据、工艺复杂指数以及工艺有效利用系数与所述全质检波动指数进行处理获得所述生产批次的工艺评定指数；
根据各生产批次的所述工艺评定指数按照预设工艺评优要求进行对比，获得最优生产批次，并将最优生产批次的对应所述生产工艺信息作为最优工艺方案信息。
可选地，在本申请实施例所述的基于大数据的精细化工工艺质检方法中，所述建立各类型精细化工产品的产品工艺数据库，并提取精细化工产品各生产批次的产品批次信息，以及对应各生产批次的生产工艺信息，包括：
基于预设的Hadoop/Hive软件建立各类型精细化工产品的产品工艺数据库；
所述产品工艺数据库包括各类型精细化工产品的生产信息、产品数据、工艺信息以及加工资料信息；
根据所述产品工艺数据库提取精细化工产品多个生产批次的产品批次信息；
并获取与多个生产批次的产品批次信息对应的生产工艺信息。
可选地，在本申请实施例所述的基于大数据的精细化工工艺质检方法中，所述根据所述产品批次信息获取所述生产批次的产品质检信息和批次利润信息，根据所述批次利润信息提取批次收益数据，并根据所述生产工艺信息提取工艺流程信息、工艺节点检测信息以及工艺要素信息，包括：
根据所述产品批次信息获取所述生产批次的产品质检信息和批次利润信息；
所述产品质检信息包括生产节点质检信息、生产抽检信息和成品终检信息；
根据所述批次利润信息提取所述生产批次的批次收益数据；
根据所述生产工艺信息提取工艺流程信息、工艺节点检测信息以及工艺要素信息。
可选地，在本申请实施例所述的基于大数据的精细化工工艺质检方法中，所述根据所述工艺流程信息、工艺节点检测信息以及工艺要素信息生成生产工艺信息画像，并根据所述生产工艺信息画像提取各工艺流程节点的节点质检标准数据，并根据所述产品质检信息提取与所述各工艺流程节点对应的工艺节点质检数据，包括：
根据所述工艺流程信息、工艺节点检测信息以及工艺要素信息生成所述生产批次的生产工艺信息画像；
所述生产工艺信息画像映射所述生产批次全工艺流程的工艺要素、工艺标准以及工艺规程；
根据所述生产工艺信息画像提取全工艺流程中各工艺流程节点的节点质检标准数据；
根据所述产品质检信息的生产节点质检信息提取与所述各工艺流程节点对应的工艺节点质检数据。
可选地，在本申请实施例所述的基于大数据的精细化工工艺质检方法中，所述根据所述工艺节点质检数据与所述节点质检标准数据进行处理获得所述各工艺流程节点的质检波动数据，并对全工艺流程节点的所述质检波动数据进行聚合处理获得所述生产批次的全质检波动指数，包括：
所述工艺节点质检数据包括节点质控数据、节点工时数据、节点能耗数据以及节点操作差错率数据；
根据所述节点质控数据、节点工时数据、节点能耗数据以及节点操作差错率数据预所述节点质检标准数据的节点质量标准数据、节点工时标识数据、节点能耗指标数据以及节点操作容错指标数据进行处理获得所述各工艺流程节点的质检波动数据；
根据全工艺流程节点的所述各工艺流程节点的质检波动数据进行聚合处理，获得所述生产批次的全质检波动指数。
可选地，在本申请实施例所述的基于大数据的精细化工工艺质检方法中，所述根据所述生产工艺信息画像提取工艺差错数据和工艺指标数据，根据所述工艺差错数据和工艺指标数据输入工艺处理识别模型中计算获得所述生产批次的工艺复杂指数以及工艺有效利用系数，包括：
根据所述生产工艺信息画像提取所述生产批次的工艺差错数据和工艺指标数据；
所述工艺差错数据包括流程差错数据、操控差错数据和配制差错数据；
所述工艺指标数据包括设备有效利用数据、库存周转率数据和物料损耗率数据；
根据所述工艺差错数据和工艺指标数据输入工艺处理识别模型中进行计算处理，分别获得所述生产批次的工艺复杂指数以及工艺有效利用系数。
可选地，在本申请实施例所述的基于大数据的精细化工工艺质检方法中，所述根据所述批次收益数据、工艺复杂指数以及工艺有效利用系数与所述全质检波动指数进行处理获得所述生产批次的工艺评定指数，包括：
根据所述生产批次的批次收益数据结合所述工艺复杂指数以及工艺有效利用系数，与所述全质检波动指数通过融合程序进行计算处理，获得所述生产批次的工艺评定指数；
所述工艺评定指数的融合程序计算公式为：
其中，
为工艺评定指数，/>
为工艺复杂指数，/>
为工艺有效利用系数，/>
为全质检波动指数，/>
为批次收益数据，/>
、/>
、/>
、/>
为预设特征系数。
第二方面，本申请实施例提供了一种基于大数据的精细化工工艺质检***，该***包括：存储器及处理器，所述存储器中包括基于大数据的精细化工工艺质检方法的程序，所述基于大数据的精细化工工艺质检方法的程序被所述处理器执行时实现以下步骤：
建立各类型精细化工产品的产品工艺数据库，并提取精细化工产品各生产批次的产品批次信息，以及对应各生产批次的生产工艺信息；
根据所述产品批次信息获取所述生产批次的产品质检信息和批次利润信息，根据所述批次利润信息提取批次收益数据，并根据所述生产工艺信息提取工艺流程信息、工艺节点检测信息以及工艺要素信息；
根据所述工艺流程信息、工艺节点检测信息以及工艺要素信息生成生产工艺信息画像，并根据所述生产工艺信息画像提取各工艺流程节点的节点质检标准数据，并根据所述产品质检信息提取与所述各工艺流程节点对应的工艺节点质检数据；
根据所述工艺节点质检数据与所述节点质检标准数据进行处理获得所述各工艺流程节点的质检波动数据，并对全工艺流程节点的所述质检波动数据进行聚合处理获得所述生产批次的全质检波动指数；
根据所述生产工艺信息画像提取工艺差错数据和工艺指标数据，根据所述工艺差错数据和工艺指标数据输入工艺处理识别模型中计算获得所述生产批次的工艺复杂指数以及工艺有效利用系数；
根据所述批次收益数据、工艺复杂指数以及工艺有效利用系数与所述全质检波动指数进行处理获得所述生产批次的工艺评定指数；
根据各生产批次的所述工艺评定指数按照预设工艺评优要求进行对比，获得最优生产批次，并将最优生产批次的对应所述生产工艺信息作为最优工艺方案信息。
可选地，在本申请实施例所述的基于大数据的精细化工工艺质检***中，所述建立各类型精细化工产品的产品工艺数据库，并提取精细化工产品各生产批次的产品批次信息，以及对应各生产批次的生产工艺信息，包括：
基于预设的Hadoop/Hive软件建立各类型精细化工产品的产品工艺数据库；
所述产品工艺数据库包括各类型精细化工产品的生产信息、产品数据、工艺信息以及加工资料信息；
根据所述产品工艺数据库提取精细化工产品多个生产批次的产品批次信息；
并获取与多个生产批次的产品批次信息对应的生产工艺信息。
第三方面，本申请实施例还提供了一种可读存储介质，所述可读存储介质中包括基于大数据的精细化工工艺质检方法程序，所述基于大数据的精细化工工艺质检方法程序被处理器执行时，实现如上述任一项所述的一种基于大数据的精细化工工艺质检方法的步骤。
由上可知，本申请实施例提供的基于大数据的精细化工工艺质检方法、***及介质。该方法包括：根据产品工艺数据库提取产品批次信息以及生产工艺信息，并获取产品质检信息和批次收益数据，以及工艺流程信息、工艺节点检测信息以及工艺要素信息，并生成生产工艺信息画像提取节点质检标准数据，并根据产品质检信息提取工艺节点质检数据与节点质检标准数据进行处理获得质检波动数据，再聚合处理为全质检波动指数，根据提取的工艺差错数据和工艺指标数据输入工艺处理识别模型中计算获得工艺复杂指数以及工艺有效利用系数，再结合批次收益数据与全质检波动指数进行处理获得工艺评定指数，对工艺评定指数进行工艺评优对比获得最优生产批次，将对应生产工艺信息作为最优工艺方案信息；从而对生产批次产品的工艺信息和质检信息进行处理获得全流程节点的质检波动情况，再结合工艺相关指系数进行评估获得工艺评定指数，根据工艺评定指数对各批次工艺进行评优，实现运用大数据技术对批次产品的工艺和质检进行处理评定的工艺质检技术。
本申请的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请实施例了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种基于大数据的精细化工工艺质检方法的流程图；
图2为本申请实施例提供的一种基于大数据的精细化工工艺质检方法的获取产品批次信息以及生产工艺信息的流程图；
图3为本申请实施例提供的一种基于大数据的精细化工工艺质检方法的获取批次收益数据以及工艺流程信息、工艺节点检测信息、工艺要素信息的流程图；
图4为本申请实施例提供的一种基于大数据的精细化工工艺质检***的结构示意图。
具体实施方式
下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
请参照图1，图1是本申请一些实施例中的一种基于大数据的精细化工工艺质检方法的流程图。该基于大数据的精细化工工艺质检方法用于终端设备中，例如手机、电脑等。该基于大数据的精细化工工艺质检方法，包括以下步骤：
S101、建立各类型精细化工产品的产品工艺数据库，并提取精细化工产品各生产批次的产品批次信息，以及对应各生产批次的生产工艺信息；
S102、根据所述产品批次信息获取所述生产批次的产品质检信息和批次利润信息，根据所述批次利润信息提取批次收益数据，并根据所述生产工艺信息提取工艺流程信息、工艺节点检测信息以及工艺要素信息；
S103、根据所述工艺流程信息、工艺节点检测信息以及工艺要素信息生成生产工艺信息画像，并根据所述生产工艺信息画像提取各工艺流程节点的节点质检标准数据，并根据所述产品质检信息提取与所述各工艺流程节点对应的工艺节点质检数据；
S104、根据所述工艺节点质检数据与所述节点质检标准数据进行处理获得所述各工艺流程节点的质检波动数据，并对全工艺流程节点的所述质检波动数据进行聚合处理获得所述生产批次的全质检波动指数；
S105、根据所述生产工艺信息画像提取工艺差错数据和工艺指标数据，根据所述工艺差错数据和工艺指标数据输入工艺处理识别模型中计算获得所述生产批次的工艺复杂指数以及工艺有效利用系数；
S106、根据所述批次收益数据、工艺复杂指数以及工艺有效利用系数与所述全质检波动指数进行处理获得所述生产批次的工艺评定指数；
S107、根据各生产批次的所述工艺评定指数按照预设工艺评优要求进行对比，获得最优生产批次，并将最优生产批次的对应所述生产工艺信息作为最优工艺方案信息。
需要说明的是，为寻求某种精细化工产品的最优工艺方案，通过对历史生产的产品批次的工艺和质检等信息进行评估，获得生产批次产品的工艺评定指数，通过对工艺评定指数的评优选出最优的生产批次的产品，将产品对应的工艺作为最优工艺方案，通过对某一批次产品的信息数据的评估可反映出该批次产品对应工艺的优劣，从而获得某种精细化工产品在某生成批次的最优工艺方案，通过各类型精细化工产品的产品信息如批号、数量、合格率、生产工时、工艺信息、加工信息、能耗、原料信息、利润收益等建立的产品工艺数据库，提取某产品各生产批次的产品批次信息，以及该批次的生产工艺信息，产品批次信息包括批次产品的质检报告信息、利润收益信息等，生产工艺信息包括批次产品的工艺信息、流程信息、工艺节点质量检验信息、工艺生产要素信息等，根据产品批次信息获取生产批次的产品质检信息和批次利润信息，根据批次利润信息提取批次收益数据，并根据生产工艺信息提取工艺流程信息、工艺节点检测信息以及工艺要素信息，并生成生产工艺信息画像，根据生产工艺信息画像提取各工艺流程节点的节点质检标准数据，即生产工艺中根据产品加工工艺需求划分的预设节点时段内的节点质检标准数据，该节点可以根据工艺阶段、流程步骤、中间阶段产物进行划分，并根据产品质检信息提取与各工艺流程节点对应的工艺节点质检数据，根据工艺节点质检数据与节点质检标准数据进行处理获得各工艺流程节点的质检波动数据，并对全工艺流程节点的质检波动数据进行聚合处理获得全质检波动指数，再通过生产工艺信息画像提取该生产批次的工艺差错数据和工艺指标数据，将工艺差错数据和工艺指标数据输入工艺处理识别模型中计算获得工艺复杂指数以及工艺有效利用系数，最后根据批次收益数据、工艺复杂指数以及工艺有效利用系数与全质检波动指数进行处理获得工艺评定指数，对各生产批次的工艺评定指数按照预设工艺评优要求进行对比，获得最优生产批次，并将最优生产批次的对应生产工艺信息作为最优工艺方案信息进行精细化工产品的加工，该预设工艺评优要求可以是根据产品工艺而设定的工艺评定阈值，根据工艺评定指数与预设工艺评定阈值进行阈值对比，选出符合预设阈值对比要求的工艺评定指数对应的生产批次产品，将该批次产品的工艺作为该产品的最优工艺方案，实现运用大数据技术对批次产品的工艺和质检进行处理评定的工艺质检技术。
请参照图2，图2是本申请一些实施例中的一种基于大数据的精细化工工艺质检方法的获取产品批次信息以及生产工艺信息的流程图。根据本发明实施例，所述建立各类型精细化工产品的产品工艺数据库，并提取精细化工产品各生产批次的产品批次信息，以及对应各生产批次的生产工艺信息，具体为：
S201、基于预设的Hadoop/Hive软件建立各类型精细化工产品的产品工艺数据库；
S202、所述产品工艺数据库包括各类型精细化工产品的生产信息、产品数据、工艺信息以及加工资料信息；
S203、根据所述产品工艺数据库提取精细化工产品多个生产批次的产品批次信息；
S204、并获取与多个生产批次的产品批次信息对应的生产工艺信息。
需要说明的是，为评定某种类型精细化工产品的工艺，首先需将各类型精细化工产品的产品信息如批号、数量、合格率、生产工时、工艺信息、加工信息、能耗、原料信息、利润收益等建立起产品工艺数据库，该产品工艺数据库利用预设的Hadoop/Hive软件进行建立，Hadoop/Hive软件是常用数据处理软件，它包括Hadoop和Hive，Hadoop是能够对大数据进行分布式处理的软件框架，Hadoop最核心是hdfs和mapreduce，hdfs提供数据存储，mapreduce则用于数据计算，Hive则是Hadoop的延伸，Hive是提供了查询功能的数据仓库核心组件，Hadoop底层的hdfs为Hive提供了数据存储，mapreduce为Hive提供了分布式运算，通过Hadoop/Hive软件可对大量采集的各类型精细化工产品的产品信息进行处理从而建立起产品工艺数据库，该产品工艺数据库包括了各类型精细化工产品的生产信息、产品数据、工艺信息以及加工资料信息，根据该数据库可提取任一包含的精细化工产品的多个生产批次的产品批次信息，即不同生产时间获得的各批次的产品批次信息，并可通过数据库同时获取与某一批次的产品批次信息相对应的生产工艺信息。
请参照图3，图3是本申请一些实施例中的一种基于大数据的精细化工工艺质检方法的获取批次收益数据以及工艺流程信息、工艺节点检测信息、工艺要素信息的流程图。根据本发明实施例，所述根据所述产品批次信息获取所述生产批次的产品质检信息和批次利润信息，根据所述批次利润信息提取批次收益数据，并根据所述生产工艺信息提取工艺流程信息、工艺节点检测信息以及工艺要素信息，具体为：
S301、根据所述产品批次信息获取所述生产批次的产品质检信息和批次利润信息；
S302、所述产品质检信息包括生产节点质检信息、生产抽检信息和成品终检信息；
S303、根据所述批次利润信息提取所述生产批次的批次收益数据；
S304、根据所述生产工艺信息提取工艺流程信息、工艺节点检测信息以及工艺要素信息。
需要说明的是，根据产品批次信息获取该生产批次的产品质检信息和批次利润信息，产品质检信息是在该产品生产加工过程中的预设生产节点的质检信息、加工过程中随机抽检的质检信息，以及加工为成品后的成品终检信息，同时根据批次利润信息提取该生产批次产品的批次收益数据，即产品生产收益情况的数据，再根据该批次产品相对应的生产工艺信息提取出工艺流程信息、工艺节点检测信息以及工艺要素信息，即工艺流程信息反映产品加工工艺流程方面的信息，工艺节点检测信息反映在各工艺节点的检测要求、检测方法、检测标准的相关信息，工艺要素信息则是在加工工艺中的设施设备应用、关键工艺要求、加工配方、温湿度压力环境设置、技术指引和技术要求等工艺相关的信息。
根据本发明实施例，所述根据所述工艺流程信息、工艺节点检测信息以及工艺要素信息生成生产工艺信息画像，并根据所述生产工艺信息画像提取各工艺流程节点的节点质检标准数据，并根据所述产品质检信息提取与所述各工艺流程节点对应的工艺节点质检数据，具体为：
根据所述工艺流程信息、工艺节点检测信息以及工艺要素信息生成所述生产批次的生产工艺信息画像；
所述生产工艺信息画像映射所述生产批次全工艺流程的工艺要素、工艺标准以及工艺规程；
根据所述生产工艺信息画像提取全工艺流程中各工艺流程节点的节点质检标准数据；
根据所述产品质检信息的生产节点质检信息提取与所述各工艺流程节点对应的工艺节点质检数据。
需要说明的是，为更好的获得对该批次精细化工产品的生产工艺的信息描述，根据提取的工艺流程信息、工艺节点检测信息以及工艺要素信息生成该批次产品的生产工艺信息画像，该画像是对产品生产工艺的全部流程中的工艺要素、工艺标准以及工艺规程相关信息的映射描述，通过该画像可描述出生产工艺中的工艺要素如配方、核心工艺、温湿度压力参数设置以及技术指引等加工工艺的要素信息，还描述了各加工环节和加工流程的工艺标准信息，以及描述了工艺过程、工艺设备、工艺检验方法的工艺规程信息，根据生成的生产工艺信息画像提取全工艺流程中各工艺流程节点的节点质检标准数据，即根据产品加工工艺需求划分的预设节点时段内的质检标准数据，该数据是对每一节点阶段的加工质量设置的检验标准，根据产品质检信息的生产节点质检信息提取与各工艺流程节点相对应的工艺节点质检数据，即在工艺流程每一节点的实际采集的加工质量检验数据。
根据本发明实施例，所述根据所述工艺节点质检数据与所述节点质检标准数据进行处理获得所述各工艺流程节点的质检波动数据，并对全工艺流程节点的所述质检波动数据进行聚合处理获得所述生产批次的全质检波动指数，具体为：
所述工艺节点质检数据包括节点质控数据、节点工时数据、节点能耗数据以及节点操作差错率数据；
根据所述节点质控数据、节点工时数据、节点能耗数据以及节点操作差错率数据预所述节点质检标准数据的节点质量标准数据、节点工时标识数据、节点能耗指标数据以及节点操作容错指标数据进行处理获得所述各工艺流程节点的质检波动数据；
根据全工艺流程节点的所述各工艺流程节点的质检波动数据进行聚合处理，获得所述生产批次的全质检波动指数。
需要说明的是，由于产品生产过程中不同节点的工艺要求和质检要求具有差异性，且不同节点的加工质量也不同，因此在生产过程中存在加工的波动性，导致不同节点的过程加工质量和工艺实施优劣存在起伏，而质检波动越小的批次产品说明其加工工艺稳定性好，对应加工的产品质量好，因此为获得好的产品和好的工艺，需评估各批次产品在生产过程中的质检稳定度情况，因而引入质检波动数据，而要衡量全生产流程的质检波动情况，需评估每一工艺流程节点的质检波动情况，根据工艺节点质检数据的节点质控数据、节点工时数据、节点能耗数据以及节点操作差错率数据与节点质检标准数据的节点质量标准数据、节点工时标识数据、节点能耗指标数据以及节点操作容错指标数据进行计算处理获得各工艺流程节点的质检波动数据，其中，节点质控数据是节点完成后的质检数据，节点工时数据是节点加工的工时数据，节点能耗数据是节点的能耗情况数据，节点操作差错率数据是节点内生产差错率的统计数据，而节点质检标准数据包括与上述各工艺节点质检数据对应的标准数据，通过计算获得各工艺流程节点的质检波动数据，再进行聚合获得全质检波动指数；
其中，所述各工艺流程节点的质检波动数据的计算公式为：
其中，
为第i个工艺流程节点的质检波动数据，/>
为预设产品工艺特征指数，
、/>
、/>
、/>
分别为第i个工艺流程节点的节点质控数据、节点工时数据、节点能耗数据、节点操作差错率数据，/>
、/>
、/>
、/>
分别为第i个工艺流程节点的节点质量标准数据、节点工时标识数据、节点能耗指标数据、节点操作容错指标数据，/>
、/>
、/>
、/>
为对应特征系数（特征系数通过产品工艺数据库获取）；
所述生产批次的全质检波动指数的计算公式为：
；其中，/>
为全质检波动指数，/>
为预设系数，n为工艺流程节点个数。
根据本发明实施例，所述根据所述生产工艺信息画像提取工艺差错数据和工艺指标数据，根据所述工艺差错数据和工艺指标数据输入工艺处理识别模型中计算获得所述生产批次的工艺复杂指数以及工艺有效利用系数，具体为：
根据所述生产工艺信息画像提取所述生产批次的工艺差错数据和工艺指标数据；
所述工艺差错数据包括流程差错数据、操控差错数据和配制差错数据；
所述工艺指标数据包括设备有效利用数据、库存周转率数据和物料损耗率数据；
根据所述工艺差错数据和工艺指标数据输入工艺处理识别模型中进行计算处理，分别获得所述生产批次的工艺复杂指数以及工艺有效利用系数。
需要说明的是，针对生产批次产品的工艺需描述出其工艺复杂性以及生产工艺资料的有效利用情况，工艺复杂性根据工艺实施中的差错情况进行衡量，工艺有效利用情况根据工艺实施中的设备利用、库存周转、物料损耗的情况进行评估，根据该生产批次的生产工艺信息画像提取描述工艺实施过程的差错数据和指标数据，工艺差错数据反映在工艺实施过程中存在的各类型差错情况，包括流程实施错误的流程差错数据、生产操作错误的操作差错数据、制料配制过程中出现的配制差错数据，工艺指标数据反映工艺实施中的几个关键指标包括设备有效利用数据、库存周转率数据和物料损耗率数据，通过指标数据可衡量出工艺实施过程中生产资料的有效利用情况，再将工艺差错数据和工艺指标数据输入工艺处理识别模型中进行计算处理，可评估出该生产批次的工艺复杂性和工艺有效利用状况，其中，工艺处理识别模型包含对工艺复杂指数和工艺有效利用系数的计算程序方法，根据模型可进行工艺复杂指数和工艺有效利用系数的计算；
所述工艺复杂指数的计算程序公式为：
其中，
为工艺复杂指数，/>
、/>
、/>
分别为流程差错数据、操控差错数据、配制差错数据，/>
、/>
、/>
为特征系数；/>
所述工艺有效利用系数的计算程序公式为：
其中，
为工艺有效利用系数，/>
为设备有效利用数据，/>
为库存周转率数据，
为物料损耗率数据，/>
、/>
为特征系数（特征系数通过产品工艺数据库获取）。
根据本发明实施例，所述根据所述批次收益数据、工艺复杂指数以及工艺有效利用系数与所述全质检波动指数进行处理获得所述生产批次的工艺评定指数，具体为：
根据所述生产批次的批次收益数据结合所述工艺复杂指数以及工艺有效利用系数，与所述全质检波动指数通过融合程序进行计算处理，获得所述生产批次的工艺评定指数；
所述工艺评定指数的融合程序计算公式为：
其中，
为工艺评定指数，/>
为工艺复杂指数，/>
为工艺有效利用系数，/>
为全质检波动指数，/>
为批次收益数据，/>
、/>
、/>
、/>
为预设特征系数（特征系数通过产品工艺数据库获取）。
需要说明的是，通过获得的生产批次的批次收益数据、工艺复杂指数、工艺有效利用系数与全质检波动指数进行计算处理，可获得对该生产批次的产品的生产工艺流程的工艺评定情况，通过上述数据的融合计算出的工艺评定指数，可衡量出该批次产品的工艺评定状况，再根据各生产批次的工艺评定指数对工艺进行评优，选择出适合的工艺路线方案。
如图4所示，本发明还公开了一种基于大数据的精细化工工艺质检***4，包括存储器41和处理器42，所述存储器中包括基于大数据的精细化工工艺质检方法程序，所述基于大数据的精细化工工艺质检方法程序被所述处理器执行时实现如下步骤：
建立各类型精细化工产品的产品工艺数据库，并提取精细化工产品各生产批次的产品批次信息，以及对应各生产批次的生产工艺信息；
根据所述产品批次信息获取所述生产批次的产品质检信息和批次利润信息，根据所述批次利润信息提取批次收益数据，并根据所述生产工艺信息提取工艺流程信息、工艺节点检测信息以及工艺要素信息；
根据所述工艺流程信息、工艺节点检测信息以及工艺要素信息生成生产工艺信息画像，并根据所述生产工艺信息画像提取各工艺流程节点的节点质检标准数据，并根据所述产品质检信息提取与所述各工艺流程节点对应的工艺节点质检数据；
根据所述工艺节点质检数据与所述节点质检标准数据进行处理获得所述各工艺流程节点的质检波动数据，并对全工艺流程节点的所述质检波动数据进行聚合处理获得所述生产批次的全质检波动指数；
根据所述生产工艺信息画像提取工艺差错数据和工艺指标数据，根据所述工艺差错数据和工艺指标数据输入工艺处理识别模型中计算获得所述生产批次的工艺复杂指数以及工艺有效利用系数；
根据所述批次收益数据、工艺复杂指数以及工艺有效利用系数与所述全质检波动指数进行处理获得所述生产批次的工艺评定指数；
根据各生产批次的所述工艺评定指数按照预设工艺评优要求进行对比，获得最优生产批次，并将最优生产批次的对应所述生产工艺信息作为最优工艺方案信息。
需要说明的是，为寻求某种精细化工产品的最优工艺方案，通过对历史生产的产品批次的工艺和质检等信息进行评估，获得生产批次产品的工艺评定指数，通过对工艺评定指数的评优选出最优的生产批次的产品，将产品对应的工艺作为最优工艺方案，通过对某一批次产品的信息数据的评估可反映出该批次产品对应工艺的优劣，从而获得某种精细化工产品在某生成批次的最优工艺方案，通过各类型精细化工产品的产品信息如批号、数量、合格率、生产工时、工艺信息、加工信息、能耗、原料信息、利润收益等建立的产品工艺数据库，提取某产品各生产批次的产品批次信息，以及该批次的生产工艺信息，产品批次信息包括批次产品的质检报告信息、利润收益信息等，生产工艺信息包括批次产品的工艺信息、流程信息、工艺节点质量检验信息、工艺生产要素信息等，根据产品批次信息获取生产批次的产品质检信息和批次利润信息，根据批次利润信息提取批次收益数据，并根据生产工艺信息提取工艺流程信息、工艺节点检测信息以及工艺要素信息，并生成生产工艺信息画像，根据生产工艺信息画像提取各工艺流程节点的节点质检标准数据，即生产工艺中根据产品加工工艺需求划分的预设节点时段内的节点质检标准数据，该节点可以根据工艺阶段、流程步骤、中间阶段产物进行划分，并根据产品质检信息提取与各工艺流程节点对应的工艺节点质检数据，根据工艺节点质检数据与节点质检标准数据进行处理获得各工艺流程节点的质检波动数据，并对全工艺流程节点的质检波动数据进行聚合处理获得全质检波动指数，再通过生产工艺信息画像提取该生产批次的工艺差错数据和工艺指标数据，将工艺差错数据和工艺指标数据输入工艺处理识别模型中计算获得工艺复杂指数以及工艺有效利用系数，最后根据批次收益数据、工艺复杂指数以及工艺有效利用系数与全质检波动指数进行处理获得工艺评定指数，对各生产批次的工艺评定指数按照预设工艺评优要求进行对比，获得最优生产批次，并将最优生产批次的对应生产工艺信息作为最优工艺方案信息进行精细化工产品的加工，该预设工艺评优要求可以是根据产品工艺而设定的工艺评定阈值，根据工艺评定指数与预设工艺评定阈值进行阈值对比，选出符合预设阈值对比要求的工艺评定指数对应的生产批次产品，将该批次产品的工艺作为该产品的最优工艺方案，实现运用大数据技术对批次产品的工艺和质检进行处理评定的工艺质检技术。
根据本发明实施例，所述建立各类型精细化工产品的产品工艺数据库，并提取精细化工产品各生产批次的产品批次信息，以及对应各生产批次的生产工艺信息，具体为：
基于预设的Hadoop/Hive软件建立各类型精细化工产品的产品工艺数据库；
所述产品工艺数据库包括各类型精细化工产品的生产信息、产品数据、工艺信息以及加工资料信息；
根据所述产品工艺数据库提取精细化工产品多个生产批次的产品批次信息；
并获取与多个生产批次的产品批次信息对应的生产工艺信息。
需要说明的是，为评定某种类型精细化工产品的工艺，首先需将各类型精细化工产品的产品信息如批号、数量、合格率、生产工时、工艺信息、加工信息、能耗、原料信息、利润收益等建立起产品工艺数据库，该产品工艺数据库利用预设的Hadoop/Hive软件进行建立，Hadoop/Hive软件是常用数据处理软件，它包括Hadoop和Hive，Hadoop是能够对大数据进行分布式处理的软件框架，Hadoop最核心是hdfs和mapreduce，hdfs提供数据存储，mapreduce则用于数据计算，Hive则是Hadoop的延伸，Hive是提供了查询功能的数据仓库核心组件，Hadoop底层的hdfs为Hive提供了数据存储，mapreduce为Hive提供了分布式运算，通过Hadoop/Hive软件可对大量采集的各类型精细化工产品的产品信息进行处理从而建立起产品工艺数据库，该产品工艺数据库包括了各类型精细化工产品的生产信息、产品数据、工艺信息以及加工资料信息，根据该数据库可提取任一包含的精细化工产品的多个生产批次的产品批次信息，即不同生产时间获得的各批次的产品批次信息，并可通过数据库同时获取与某一批次的产品批次信息相对应的生产工艺信息。
根据本发明实施例，所述根据所述产品批次信息获取所述生产批次的产品质检信息和批次利润信息，根据所述批次利润信息提取批次收益数据，并根据所述生产工艺信息提取工艺流程信息、工艺节点检测信息以及工艺要素信息，具体为：
根据所述产品批次信息获取所述生产批次的产品质检信息和批次利润信息；
所述产品质检信息包括生产节点质检信息、生产抽检信息和成品终检信息；
根据所述批次利润信息提取所述生产批次的批次收益数据；
根据所述生产工艺信息提取工艺流程信息、工艺节点检测信息以及工艺要素信息。
需要说明的是，根据产品批次信息获取该生产批次的产品质检信息和批次利润信息，产品质检信息是在该产品生产加工过程中的预设生产节点的质检信息、加工过程中随机抽检的质检信息，以及加工为成品后的成品终检信息，同时根据批次利润信息提取该生产批次产品的批次收益数据，即产品生产收益情况的数据，再根据该批次产品相对应的生产工艺信息提取出工艺流程信息、工艺节点检测信息以及工艺要素信息，即工艺流程信息反映产品加工工艺流程方面的信息，工艺节点检测信息反映在各工艺节点的检测要求、检测方法、检测标准的相关信息，工艺要素信息则是在加工工艺中的设施设备应用、关键工艺要求、加工配方、温湿度压力环境设置、技术指引和技术要求等工艺相关的信息。
根据本发明实施例，所述根据所述工艺流程信息、工艺节点检测信息以及工艺要素信息生成生产工艺信息画像，并根据所述生产工艺信息画像提取各工艺流程节点的节点质检标准数据，并根据所述产品质检信息提取与所述各工艺流程节点对应的工艺节点质检数据，具体为：
根据所述工艺流程信息、工艺节点检测信息以及工艺要素信息生成所述生产批次的生产工艺信息画像；
所述生产工艺信息画像映射所述生产批次全工艺流程的工艺要素、工艺标准以及工艺规程；
根据所述生产工艺信息画像提取全工艺流程中各工艺流程节点的节点质检标准数据；
根据所述产品质检信息的生产节点质检信息提取与所述各工艺流程节点对应的工艺节点质检数据。
需要说明的是，为更好的获得对该批次精细化工产品的生产工艺的信息描述，根据提取的工艺流程信息、工艺节点检测信息以及工艺要素信息生成该批次产品的生产工艺信息画像，该画像是对产品生产工艺的全部流程中的工艺要素、工艺标准以及工艺规程相关信息的映射描述，通过该画像可描述出生产工艺中的工艺要素如配方、核心工艺、温湿度压力参数设置以及技术指引等加工工艺的要素信息，还描述了各加工环节和加工流程的工艺标准信息，以及描述了工艺过程、工艺设备、工艺检验方法的工艺规程信息，根据生成的生产工艺信息画像提取全工艺流程中各工艺流程节点的节点质检标准数据，即根据产品加工工艺需求划分的预设节点时段内的质检标准数据，该数据是对每一节点阶段的加工质量设置的检验标准，根据产品质检信息的生产节点质检信息提取与各工艺流程节点相对应的工艺节点质检数据，即在工艺流程每一节点的实际采集的加工质量检验数据。
根据本发明实施例，所述根据所述工艺节点质检数据与所述节点质检标准数据进行处理获得所述各工艺流程节点的质检波动数据，并对全工艺流程节点的所述质检波动数据进行聚合处理获得所述生产批次的全质检波动指数，具体为：
所述工艺节点质检数据包括节点质控数据、节点工时数据、节点能耗数据以及节点操作差错率数据；
根据所述节点质控数据、节点工时数据、节点能耗数据以及节点操作差错率数据预所述节点质检标准数据的节点质量标准数据、节点工时标识数据、节点能耗指标数据以及节点操作容错指标数据进行处理获得所述各工艺流程节点的质检波动数据；
根据全工艺流程节点的所述各工艺流程节点的质检波动数据进行聚合处理，获得所述生产批次的全质检波动指数。
需要说明的是，由于产品生产过程中不同节点的工艺要求和质检要求具有差异性，且不同节点的加工质量也不同，因此在生产过程中存在加工的波动性，导致不同节点的过程加工质量和工艺实施优劣存在起伏，而质检波动越小的批次产品说明其加工工艺稳定性好，对应加工的产品质量好，因此为获得好的产品和好的工艺，需评估各批次产品在生产过程中的质检稳定度情况，因而引入质检波动数据，而要衡量全生产流程的质检波动情况，需评估每一工艺流程节点的质检波动情况，根据工艺节点质检数据的节点质控数据、节点工时数据、节点能耗数据以及节点操作差错率数据与节点质检标准数据的节点质量标准数据、节点工时标识数据、节点能耗指标数据以及节点操作容错指标数据进行计算处理获得各工艺流程节点的质检波动数据，其中，节点质控数据是节点完成后的质检数据，节点工时数据是节点加工的工时数据，节点能耗数据是节点的能耗情况数据，节点操作差错率数据是节点内生产差错率的统计数据，而节点质检标准数据包括与上述各工艺节点质检数据对应的标准数据，通过计算获得各工艺流程节点的质检波动数据，再进行聚合获得全质检波动指数；
其中，所述各工艺流程节点的质检波动数据的计算公式为：
其中，
为第i个工艺流程节点的质检波动数据，/>
为预设产品工艺特征指数，
、/>
、/>
、/>
分别为第i个工艺流程节点的节点质控数据、节点工时数据、节点能耗数据、节点操作差错率数据，/>
、/>
、/>
、/>
分别为第i个工艺流程节点的节点质量标准数据、节点工时标识数据、节点能耗指标数据、节点操作容错指标数据，/>
、/>
、/>
、/>
为对应特征系数（特征系数通过产品工艺数据库获取）；
所述生产批次的全质检波动指数的计算公式为：
；其中，/>
为全质检波动指数，/>
为预设系数，n为工艺流程节点个数。
根据本发明实施例，所述根据所述生产工艺信息画像提取工艺差错数据和工艺指标数据，根据所述工艺差错数据和工艺指标数据输入工艺处理识别模型中计算获得所述生产批次的工艺复杂指数以及工艺有效利用系数，具体为：
根据所述生产工艺信息画像提取所述生产批次的工艺差错数据和工艺指标数据；
所述工艺差错数据包括流程差错数据、操控差错数据和配制差错数据；
所述工艺指标数据包括设备有效利用数据、库存周转率数据和物料损耗率数据；
根据所述工艺差错数据和工艺指标数据输入工艺处理识别模型中进行计算处理，分别获得所述生产批次的工艺复杂指数以及工艺有效利用系数。
需要说明的是，针对生产批次产品的工艺需描述出其工艺复杂性以及生产工艺资料的有效利用情况，工艺复杂性根据工艺实施中的差错情况进行衡量，工艺有效利用情况根据工艺实施中的设备利用、库存周转、物料损耗的情况进行评估，根据该生产批次的生产工艺信息画像提取描述工艺实施过程的差错数据和指标数据，工艺差错数据反映在工艺实施过程中存在的各类型差错情况，包括流程实施错误的流程差错数据、生产操作错误的操作差错数据、制料配制过程中出现的配制差错数据，工艺指标数据反映工艺实施中的几个关键指标包括设备有效利用数据、库存周转率数据和物料损耗率数据，通过指标数据可衡量出工艺实施过程中生产资料的有效利用情况，再将工艺差错数据和工艺指标数据输入工艺处理识别模型中进行计算处理，可评估出该生产批次的工艺复杂性和工艺有效利用状况，其中，工艺处理识别模型包含对工艺复杂指数和工艺有效利用系数的计算程序方法，根据模型可进行工艺复杂指数和工艺有效利用系数的计算；
所述工艺复杂指数的计算程序公式为：
其中，
为工艺复杂指数，/>
、/>
、/>
分别为流程差错数据、操控差错数据、配制差错数据，/>
、/>
、/>
为特征系数；
所述工艺有效利用系数的计算程序公式为：
其中，
为工艺有效利用系数，/>
为设备有效利用数据，/>
为库存周转率数据，
为物料损耗率数据，/>
、/>
为特征系数（特征系数通过产品工艺数据库获取）。
根据本发明实施例，所述根据所述批次收益数据、工艺复杂指数以及工艺有效利用系数与所述全质检波动指数进行处理获得所述生产批次的工艺评定指数，具体为：
根据所述生产批次的批次收益数据结合所述工艺复杂指数以及工艺有效利用系数，与所述全质检波动指数通过融合程序进行计算处理，获得所述生产批次的工艺评定指数；
所述工艺评定指数的融合程序计算公式为：
其中，
为工艺评定指数，/>
为工艺复杂指数，/>
为工艺有效利用系数，/>
为全质检波动指数，/>
为批次收益数据，/>
、/>
、/>
、/>
为预设特征系数（特征系数通过产品工艺数据库获取）。
需要说明的是，通过获得的生产批次的批次收益数据、工艺复杂指数、工艺有效利用系数与全质检波动指数进行计算处理，可获得对该生产批次的产品的生产工艺流程的工艺评定情况，通过上述数据的融合计算出的工艺评定指数，可衡量出该批次产品的工艺评定状况，再根据各生产批次的工艺评定指数对工艺进行评优，选择出适合的工艺路线方案。
本发明第三方面提供了一种可读存储介质，所述可读存储介质中包括一种基于大数据的精细化工工艺质检方法程序，所述基于大数据的精细化工工艺质检方法程序被处理器执行时，实现如上述任一项所述的一种基于大数据的精细化工工艺质检方法的步骤。
本发明公开的一种基于大数据的精细化工工艺质检方法、***及介质，通过产品工艺数据库提取产品批次信息以及生产工艺信息，并获取产品质检信息和批次收益数据，以及工艺流程信息、工艺节点检测信息以及工艺要素信息，并生成生产工艺信息画像提取节点质检标准数据，并根据产品质检信息提取工艺节点质检数据与节点质检标准数据进行处理获得质检波动数据，再聚合处理为全质检波动指数，根据提取的工艺差错数据和工艺指标数据输入工艺处理识别模型中计算获得工艺复杂指数以及工艺有效利用系数，再结合批次收益数据与全质检波动指数进行处理获得工艺评定指数，对工艺评定指数进行工艺评优对比获得最优生产批次，将对应生产工艺信息作为最优工艺方案信息；从而对生产批次产品的工艺信息和质检信息进行处理获得全流程节点的质检波动情况，再结合工艺相关指系数进行评估获得工艺评定指数，根据工艺评定指数对各批次工艺进行评优，实现运用大数据技术对批次产品的工艺和质检进行处理评定的工艺质检技术。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个***，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (10)
1.一种基于大数据的精细化工工艺质检方法，其特征在于，包括以下步骤：
建立各类型精细化工产品的产品工艺数据库，并提取精细化工产品各生产批次的产品批次信息，以及对应各生产批次的生产工艺信息；
根据所述产品批次信息获取所述生产批次的产品质检信息和批次利润信息，根据所述批次利润信息提取批次收益数据，并根据所述生产工艺信息提取工艺流程信息、工艺节点检测信息以及工艺要素信息；
根据所述工艺流程信息、工艺节点检测信息以及工艺要素信息生成生产工艺信息画像，并根据所述生产工艺信息画像提取各工艺流程节点的节点质检标准数据，并根据所述产品质检信息提取与所述各工艺流程节点对应的工艺节点质检数据；
将所述工艺节点质检数据与所述节点质检标准数据进行处理，获得所述各工艺流程节点的质检波动数据，并对全工艺流程节点的所述质检波动数据进行聚合处理获得所述生产批次的全质检波动指数；
根据所述生产工艺信息画像提取工艺差错数据和工艺指标数据，将所述工艺差错数据和工艺指标数据输入工艺处理识别模型中计算，获得所述生产批次的工艺复杂指数以及工艺有效利用系数；
将所述批次收益数据、工艺复杂指数以及工艺有效利用系数与所述全质检波动指数进行处理，获得所述生产批次的工艺评定指数；
根据各生产批次的所述工艺评定指数按照预设工艺评优要求进行对比，获得最优生产批次，并将最优生产批次的对应所述生产工艺信息作为最优工艺方案信息。
2.根据权利要求1所述的基于大数据的精细化工工艺质检方法，其特征在于，所述建立各类型精细化工产品的产品工艺数据库，并提取精细化工产品各生产批次的产品批次信息，以及对应各生产批次的生产工艺信息，包括：
基于预设的Hadoop/Hive软件建立各类型精细化工产品的产品工艺数据库；
所述产品工艺数据库包括各类型精细化工产品的生产信息、产品数据、工艺信息以及加工资料信息；
根据所述产品工艺数据库提取精细化工产品多个生产批次的产品批次信息；
并获取与多个生产批次的产品批次信息对应的生产工艺信息。
3.根据权利要求2所述的基于大数据的精细化工工艺质检方法，其特征在于，所述根据所述产品批次信息获取所述生产批次的产品质检信息和批次利润信息，根据所述批次利润信息提取批次收益数据，并根据所述生产工艺信息提取工艺流程信息、工艺节点检测信息以及工艺要素信息，包括：
根据所述产品批次信息获取所述生产批次的产品质检信息和批次利润信息；
所述产品质检信息包括生产节点质检信息、生产抽检信息和成品终检信息；
根据所述批次利润信息提取所述生产批次的批次收益数据；
根据所述生产工艺信息提取工艺流程信息、工艺节点检测信息以及工艺要素信息。
4.根据权利要求3所述的基于大数据的精细化工工艺质检方法，其特征在于，所述根据所述工艺流程信息、工艺节点检测信息以及工艺要素信息生成生产工艺信息画像，并根据所述生产工艺信息画像提取各工艺流程节点的节点质检标准数据，并根据所述产品质检信息提取与所述各工艺流程节点对应的工艺节点质检数据，包括：
根据所述工艺流程信息、工艺节点检测信息以及工艺要素信息生成所述生产批次的生产工艺信息画像；
所述生产工艺信息画像映射所述生产批次全工艺流程的工艺要素、工艺标准以及工艺规程；
根据所述生产工艺信息画像提取全工艺流程中各工艺流程节点的节点质检标准数据；
根据所述产品质检信息的生产节点质检信息提取与所述各工艺流程节点对应的工艺节点质检数据。
5.根据权利要求4所述的基于大数据的精细化工工艺质检方法，其特征在于，所述将所述工艺节点质检数据与所述节点质检标准数据进行处理，获得所述各工艺流程节点的质检波动数据，并对全工艺流程节点的所述质检波动数据进行聚合处理获得所述生产批次的全质检波动指数，包括：
所述工艺节点质检数据包括节点质控数据、节点工时数据、节点能耗数据以及节点操作差错率数据；
将所述节点质控数据、节点工时数据、节点能耗数据以及节点操作差错率数据与所述节点质检标准数据的节点质量标准数据、节点工时标识数据、节点能耗指标数据以及节点操作容错指标数据进行处理，获得所述各工艺流程节点的质检波动数据；
根据全工艺流程节点的所述各工艺流程节点的质检波动数据进行聚合处理，获得所述生产批次的全质检波动指数。
6.根据权利要求5所述的基于大数据的精细化工工艺质检方法，其特征在于，所述根据所述生产工艺信息画像提取工艺差错数据和工艺指标数据，将所述工艺差错数据和工艺指标数据输入工艺处理识别模型中计算，获得所述生产批次的工艺复杂指数以及工艺有效利用系数，包括：
根据所述生产工艺信息画像提取所述生产批次的工艺差错数据和工艺指标数据；
所述工艺差错数据包括流程差错数据、操控差错数据和配制差错数据；
所述工艺指标数据包括设备有效利用数据、库存周转率数据和物料损耗率数据；
将所述工艺差错数据和工艺指标数据输入工艺处理识别模型中进行计算处理，分别获得所述生产批次的工艺复杂指数以及工艺有效利用系数。
7.根据权利要求6所述的基于大数据的精细化工工艺质检方法，其特征在于，所述将所述批次收益数据、工艺复杂指数以及工艺有效利用系数与所述全质检波动指数进行处理，获得所述生产批次的工艺评定指数，包括：
根据所述生产批次的批次收益数据结合所述工艺复杂指数以及工艺有效利用系数与所述全质检波动指数，通过融合程序进行计算处理，获得所述生产批次的工艺评定指数；
所述工艺评定指数的融合程序计算公式为：
其中，
为工艺评定指数，/>
为工艺复杂指数，/>
为工艺有效利用系数，/>
为全质检波动指数，/>
为批次收益数据，/>
、/>
、/>
、/>
为预设特征系数。/>
8.一种基于大数据的精细化工工艺质检***，其特征在于，该***包括：存储器及处理器，所述存储器中包括基于大数据的精细化工工艺质检方法的程序，所述基于大数据的精细化工工艺质检方法的程序被所述处理器执行时实现以下步骤：
建立各类型精细化工产品的产品工艺数据库，并提取精细化工产品各生产批次的产品批次信息，以及对应各生产批次的生产工艺信息；
根据所述产品批次信息获取所述生产批次的产品质检信息和批次利润信息，根据所述批次利润信息提取批次收益数据，并根据所述生产工艺信息提取工艺流程信息、工艺节点检测信息以及工艺要素信息；
根据所述工艺流程信息、工艺节点检测信息以及工艺要素信息生成生产工艺信息画像，并根据所述生产工艺信息画像提取各工艺流程节点的节点质检标准数据，并根据所述产品质检信息提取与所述各工艺流程节点对应的工艺节点质检数据；
将所述工艺节点质检数据与所述节点质检标准数据进行处理，获得所述各工艺流程节点的质检波动数据，并对全工艺流程节点的所述质检波动数据进行聚合处理获得所述生产批次的全质检波动指数；
根据所述生产工艺信息画像提取工艺差错数据和工艺指标数据，将所述工艺差错数据和工艺指标数据输入工艺处理识别模型中计算，获得所述生产批次的工艺复杂指数以及工艺有效利用系数；
将所述批次收益数据、工艺复杂指数以及工艺有效利用系数与所述全质检波动指数进行处理，获得所述生产批次的工艺评定指数；
根据各生产批次的所述工艺评定指数按照预设工艺评优要求进行对比，获得最优生产批次，并将最优生产批次的对应所述生产工艺信息作为最优工艺方案信息。
9.根据权利要求8所述的基于大数据的精细化工工艺质检***，其特征在于，所述建立各类型精细化工产品的产品工艺数据库，并提取精细化工产品各生产批次的产品批次信息，以及对应各生产批次的生产工艺信息，包括：
基于预设的Hadoop/Hive软件建立各类型精细化工产品的产品工艺数据库；
所述产品工艺数据库包括各类型精细化工产品的生产信息、产品数据、工艺信息以及加工资料信息；
根据所述产品工艺数据库提取精细化工产品多个生产批次的产品批次信息；
并获取与多个生产批次的产品批次信息对应的生产工艺信息。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中包括基于大数据的精细化工工艺质检方法程序，所述基于大数据的精细化工工艺质检方法程序被处理器执行时，实现如权利要求1至7中任一项所述的一种基于大数据的精细化工工艺质检方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310134327.7A CN115879826B (zh) | 2023-02-20 | 2023-02-20 | 一种基于大数据的精细化工工艺质检方法、***及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310134327.7A CN115879826B (zh) | 2023-02-20 | 2023-02-20 | 一种基于大数据的精细化工工艺质检方法、***及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115879826A CN115879826A (zh) | 2023-03-31 |
| CN115879826B true CN115879826B (zh) | 2023-05-30 |
Family
ID=85761341
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310134327.7A Active CN115879826B (zh) | 2023-02-20 | 2023-02-20 | 一种基于大数据的精细化工工艺质检方法、***及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115879826B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117910886B (zh) * | 2024-03-19 | 2024-05-28 | 宝鸡核力材料科技有限公司 | 应用于钛合金熔炼下的熔炼效果智能分析方法及*** |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012021995A1 (en) * | 2010-08-18 | 2012-02-23 | Manufacturing Technology Network Inc. | Computer apparatus and method for real-time multi-unit optimization |
| JP2019530060A (ja) * | 2016-08-09 | 2019-10-17 | トモロジック アーベー | 標準プロセスパラメータ入力の変更による産業用機械動作の最適化のためのシステム |
| CN107038254B (zh) * | 2017-05-04 | 2020-08-11 | 顾杏春 | 卷烟质量监控方法及装置 |
| US11188060B2 (en) * | 2018-09-28 | 2021-11-30 | Rockwell Automation Technologies, Inc. | Lifecycle data files for industrial automation project optimization |
| CN111260155A (zh) * | 2020-02-17 | 2020-06-09 | 武汉轻工大学 | 粮食加工的工序优化方法、装置、电子设备及存储介质 |
| CN111695780B (zh) * | 2020-05-18 | 2023-04-18 | 北京科技大学 | 一种工艺流程质量多故障自主检测方法及*** |
| CN113177732A (zh) * | 2021-05-20 | 2021-07-27 | 中船黄埔文冲船舶有限公司 | 一种工艺流程管理方法、装置、介质及终端设备 |
| CN115129008A (zh) * | 2022-06-27 | 2022-09-30 | 阿里云计算有限公司 | 基于工业过程的工艺质量检测方法、设备和存储介质 |
| CN115409270A (zh) * | 2022-09-02 | 2022-11-29 | 郑州巴士麦普科技有限公司 | 一种基于神经网络模型产品生产用预测方法 |
-
2023
- 2023-02-20 CN CN202310134327.7A patent/CN115879826B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN115879826A (zh) | 2023-03-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111784528B (zh) | 异常社群检测方法、装置、计算机设备及存储介质 | |
| CN102668457A (zh) | 用于社交图数据分析以确定社区内的连接性的***和方法 | |
| CN115879826B (zh) | 一种基于大数据的精细化工工艺质检方法、***及介质 | |
| CN112308173B (zh) | 基于多评价因子融合的多目标对象评价方法及其相关设备 | |
| CN115660262B (zh) | 一种基于数据库应用的工程智慧质检方法、***及介质 | |
| CN111724084A (zh) | 数据资产的价值显示方法、装置、设备及存储介质 | |
| CN114638501A (zh) | 一种业务数据处理方法、装置、计算机设备及存储介质 | |
| CN112765463B (zh) | 一种大数据和用户需求的数据管理方法及云计算服务器 | |
| CN107016583A (zh) | 数据处理方法及装置 | |
| CN110580265B (zh) | Etl任务的处理方法、装置、设备及存储介质 | |
| CN116541792A (zh) | 一种基于图神经网络节点分类进行团伙识别的方法 | |
| CN111831817A (zh) | 问卷生成分析方法、装置、计算机设备及可读存储介质 | |
| CN114969738B (zh) | 一种接口异常行为监测方法、***、装置及存储介质 | |
| CN110929285A (zh) | 一种隐私数据的处理方法及装置 | |
| CN116414832A (zh) | 一种基于bim与人工智能的数据档案存储方法及*** | |
| CN116304251A (zh) | 标签处理方法、装置、计算机设备和存储介质 | |
| CN115905715A (zh) | 基于大数据和人工智能的互联网数据分析方法和平台 | |
| CN115617089A (zh) | 基于传感器状态变化的温度控制方法、装置、设备及介质 | |
| CN115099875A (zh) | 基于决策树模型的数据分类方法及相关设备 | |
| CN111723872B (zh) | 行人属性识别方法及装置、存储介质、电子装置 | |
| CN111507397A (zh) | 一种异常数据的分析方法及装置 | |
| CN117808441B (zh) | 一种投标信息核查方法及*** | |
| CN116468271B (zh) | 一种基于大数据的企业风险分析方法、***及介质 | |
| CN117078112B (zh) | 应用于企业异常用电管理的能耗检测方法及数据分析*** | |
| CN117371856A (zh) | 数据质量的监控方法、装置、存储介质及计算机设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information |
Address after: Room 402, Building 8, Xinyi Lingyu R&D Center, No. 26 Honglang North 2nd Road, Xingdong Community, Xin'an Street, Bao'an District, Shenzhen City, Guangdong Province, 518101 Applicant after: Shenzhen pfiter Information Technology Co.,Ltd. Address before: 518101 1901, Building 1, COFCO Chuangxin R&D Center, 69 District, Xingdong Community, Xin'an Street, Bao'an District, Shenzhen, Guangdong Applicant before: Shenzhen pfiter Information Technology Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |