[go: up one dir, main page]

CN120564899B - 一种基于数据分析的氢氧化铝生产质量检测方法及系统 - Google Patents

一种基于数据分析的氢氧化铝生产质量检测方法及系统

Info

Publication number
CN120564899B
CN120564899B CN202511067891.7A CN202511067891A CN120564899B CN 120564899 B CN120564899 B CN 120564899B CN 202511067891 A CN202511067891 A CN 202511067891A CN 120564899 B CN120564899 B CN 120564899B
Authority
CN
China
Prior art keywords
storage grid
sets
sample
storage
diffusion
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
Application number
CN202511067891.7A
Other languages
English (en)
Other versions
CN120564899A (zh
Inventor
郭晓敏
杨永刚
杨德
杨智翔
裴智超
崔聪
侯岩峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hejin City Ju Aluminum Co ltd
Original Assignee
Hejin City Ju Aluminum Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hejin City Ju Aluminum Co ltd filed Critical Hejin City Ju Aluminum Co ltd
Priority to CN202511067891.7A priority Critical patent/CN120564899B/zh
Publication of CN120564899A publication Critical patent/CN120564899A/zh
Application granted granted Critical
Publication of CN120564899B publication Critical patent/CN120564899B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/02—Investigating particle size or size distribution
    • G01N15/0205—Investigating particle size or size distribution by optical means
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/3103—Atomic absorption analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G01N21/3554—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for determining moisture content
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/20—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by using diffraction of the radiation by the materials, e.g. for investigating crystal structure; by using scattering of the radiation by the materials, e.g. for investigating non-crystalline materials; by using reflection of the radiation by the materials
    • G01N23/207—Diffractometry using detectors, e.g. using a probe in a central position and one or more displaceable detectors in circumferential positions
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/05—Investigating materials by wave or particle radiation by diffraction, scatter or reflection
    • G01N2223/056—Investigating materials by wave or particle radiation by diffraction, scatter or reflection diffraction
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/10—Different kinds of radiation or particles
    • G01N2223/101—Different kinds of radiation or particles electromagnetic radiation
    • G01N2223/1016—X-ray

Landscapes

  • Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Human Resources & Organizations (AREA)
  • Biochemistry (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Analytical Chemistry (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Computing Systems (AREA)
  • Marketing (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Dispersion Chemistry (AREA)
  • Primary Health Care (AREA)
  • Manufacturing & Machinery (AREA)
  • Artificial Intelligence (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)

Abstract

本发明公开了一种基于数据分析的氢氧化铝生产质量检测方法及系统，主要涉及质量检测技术领域。其中，该方法包括获取预设标准质量参数和预设质量宽容区间；获得M个存放网格；获得M个存放网格样本化学纯度集合、M个存放网格样本粒度分布集合、M个存放网格样本晶型结构集合和M个存放网格样本含水量集合；基于预设标准质量参数进行质量偏差集中识别，获得M个存放网格生产质量偏差值，结合获取的Q个增量存放网格生产质量偏差值进行均值计算，确定目标生产质量检测结果。解决了现有技术中氢氧化铝批量进行质量检测时，检测质量与实际情况贴合度低，检测结果不准确的技术问题，达到了提高检测可靠性的技术效果。

Description

一种基于数据分析的氢氧化铝生产质量检测方法及系统
技术领域
本发明涉及质量检测技术领域，具体涉及一种基于数据分析的氢氧化铝生产质量检测方法及系统。
背景技术
氢氧化铝作为一种重要的化工原料，广泛应用于铝土矿的加工、生产各种化学产品等领域。在氢氧化铝的生产过程中，确保产品的质量至关重要。然而，传统的生产质量检测方法在面对多质量参数综合分析时，容易忽略整体性，且无法保证检测结果的取样来源分布是否合理，进而导致检测质量与实际情况贴合度低，检测结果不准确。
发明内容
本发明提供了一种基于数据分析的氢氧化铝生产质量检测方法及系统，用于针对解决现有技术中氢氧化铝批量进行质量检测时，检测质量与实际情况贴合度低，检测结果不准确的技术问题。
鉴于上述问题，本发明提供了一种基于数据分析的氢氧化铝生产质量检测方法及系统。
本发明的第一个方面，提供了一种基于数据分析的氢氧化铝生产质量检测方法，所述方法包括：获取预设标准质量参数和预设质量宽容区间；按照预设划分尺度对目标批次的氢氧化铝按照生产时间先后顺序进行存放网格划分，获得M个存放网格，其中，M为正整数，每个存放网格具有时间区间标识，存放网格内的氢氧化铝包装上具有时间戳标识；按照预设样本抽取比例，分别对所述M个存放网格进行样本抽取，获得M个存放网格样本集合，并利用原子吸收光谱仪、激光粒度分布仪、X射线衍射仪和红外水分测定仪遍历所述M个存放网格样本集合进行生产质量检测，获得M个存放网格样本化学纯度集合、M个存放网格样本粒度分布集合、M个存放网格样本晶型结构集合和M个存放网格样本含水量集合；基于所述预设标准质量参数，对所述M个存放网格样本化学纯度集合、M个存放网格样本粒度分布集合、M个存放网格样本晶型结构集合和M个存放网格样本含水量集合进行质量偏差集中识别，获得M个存放网格生产质量偏差值；根据M个存放网格生产质量偏差值和所述时间区间标识，对所述M个存放网格进行时序关联样本增量抽取检测，获得Q个增量存放网格生产质量偏差值，对所述Q个增量存放网格生产质量偏差值和M个存放网格生产质量偏差值进行均值计算，确定目标生产质量检测结果。
在一种可能的实施方式中，所述预设标准质量参数包括化学纯度标准值、粒度分布标准值、晶型结构标准值和含水量标准值。
在一种可能的实施方式中，基于所述预设标准质量参数，对所述M个存放网格样本化学纯度集合、M个存放网格样本粒度分布集合、M个存放网格样本晶型结构集合和M个存放网格样本含水量集合进行质量偏差集中识别，获得M个存放网格生产质量偏差值，包括：根据化学纯度标准值、粒度分布标准值、晶型结构标准值和含水量标准值，对M个存放网格样本化学纯度集合、M个存放网格样本粒度分布集合、M个存放网格样本晶型结构集合和M个存放网格样本含水量集合进行质量偏差识别，获得M个存放网格样本化学纯度偏差值集合、M个存放网格样本粒度分布偏差值集合、M个存放网格样本晶型结构偏差值集合和M个存放网格样本含水量偏差值集合；基于所述M个存放网格样本化学纯度偏差值集合、M个存放网格样本粒度分布偏差值集合、M个存放网格样本晶型结构偏差值集合和M个存放网格样本含水量偏差值集合进行线性拟合集中识别，确定M个存放网格样本化学纯度集中偏差值、M个存放网格样本粒度分布集中偏差值、M个存放网格样本晶型结构集中偏差值和M个存放网格样本含水量集中偏差值；对所述M个存放网格样本化学纯度集中偏差值、M个存放网格样本粒度分布集中偏差值、M个存放网格样本晶型结构集中偏差值和M个存放网格样本含水量集中偏差值分别进行加权计算，获得M个存放网格生产质量偏差值。
在一种可能的实施方式中，基于所述M个存放网格样本化学纯度偏差值集合进行线性拟合集中识别，确定M个存放网格样本化学纯度集中偏差值，包括：结合时间戳标识，在二维映射坐标系中分别对所述M个存放网格样本化学纯度偏差值集合进行二维映射，确定M个二维映射坐标点集合；对所述M个二维映射坐标点集合进行内点判别直线迭代，确定M个初始线性拟合参照线；预构建扩散带宽函数，利用所述扩散带宽函数多次生成扩散带宽对所述M个初始线性拟合参照线进行拟合邻域扩散，确定M个目标线性拟合邻域；遍历计算所述M个目标线性拟合邻域内二维映射坐标点的横坐标绝对值的均值，确定所述M个存放网格样本化学纯度集中偏差值。
在一种可能的实施方式中，对所述M个二维映射坐标点集合进行内点判别直线迭代，确定M个初始线性拟合参照线，包括：分别从所述M个二维映射坐标点集合中随机提取两个点，构建M个第一判别直线；按照预设距离阈值，将到所述M个第一判别直线的距离在预设距离阈值内的二维映射坐标点作为内点并统计内点数量，获得M个第一判别直线内点量；多次从所述M个二维映射坐标点集合中随机提取两个点进行判别直线构建，直至满足预设构建次数，获得M个判别直线集合和M个判别直线内点量集合；将所述M个判别直线内点量集合中最大值对应的判别直线分别作为M个初始线性拟合参照线。
在一种可能的实施方式中，所述扩散带宽函数为：；其中，为扩散带宽，，，，为Gamma函数，。
在一种可能的实施方式中，预构建扩散带宽函数，利用所述扩散带宽函数多次生成扩散带宽对所述M个初始线性拟合参照线进行拟合邻域扩散，确定M个目标线性拟合邻域，包括：从所述M个初始线性拟合参照线中抽取第一初始线性拟合参照线；基于所述扩散带宽函数随机生成第一扩散带宽，根据所述第一扩散带宽对第一初始线性拟合参照线进行邻域构建，确定第一初始拟合邻域；再次基于所述扩散带宽函数随机生成第二扩散带宽，根据所述第二扩散带宽对所述第一初始拟合邻域的边缘向上和向下分别进行扩散，获得第一扩散拟合邻域；判断所述第一扩散拟合邻域的数据量是否大于等于第一初始拟合邻域的数据量，若是，则再次基于所述扩散带宽函数随机生成第三扩散带宽，根据所述第三扩散带宽对所述第一扩散拟合邻域的边缘向上和向下分别进行扩散，直至满足预设扩散次数，将最后一次扩散获得的扩散拟合邻域作为第一目标线性拟合邻域；遍历所述M个初始线性拟合参照线结合所述扩散带宽函数进行拟合邻域扩散，获得所述M个目标线性拟合邻域。
在一种可能的实施方式中，若所述第一扩散拟合邻域的数据量小于第一初始拟合邻域的数据量，则计算第一扩散拟合邻域的数据量与第一初始拟合邻域的数据量的差值，若差值小于等于预设差值，则将所述第一初始拟合邻域作为第一目标线性拟合邻域。
在一种可能的实施方式中，根据M个存放网格生产质量偏差值和所述时间区间标识，对所述M个存放网格进行时序关联样本增量抽取检测，获得Q个增量存放网格生产质量偏差值，包括：分别判断所述M个存放网格生产质量偏差值是否超出预设质量宽容区间，若是，则将其对应的存放网格标识为异常存放网格，获得异常存放网格集合；按照预设前后关联时间区间和异常存放网格集合，结合每个存放网格对应的时间区间标识，确定关联存放网格集合，其中，所述关联存放网格为与异常存放网格集合中对应的异常存放网格的时间区间间隔在预设前后关联时间区间范围内的存放网格；按照预设样本增量，对所述关联存放网格集合和异常存放网格集合进行时序关联样本增量抽取检测，并根据检测结果获得Q个增量存放网格生产质量偏差值，其中，Q为小于等于M的正整数。
本发明的第二个方面，提供了一种基于数据分析的氢氧化铝生产质量检测系统，该系统用于实施前述所述的一种基于数据分析的氢氧化铝生产质量检测方法，所述系统包括：宽容区间获取模块，用于获取预设标准质量参数和预设质量宽容区间；存放网格获得模块，用于按照预设划分尺度对目标批次的氢氧化铝按照生产时间先后顺序进行存放网格划分，获得M个存放网格，其中，M为正整数，每个存放网格具有时间区间标识，存放网格内的氢氧化铝包装上具有时间戳标识；生产质量检测模块，用于按照预设样本抽取比例，分别对所述M个存放网格进行样本抽取，获得M个存放网格样本集合，并利用原子吸收光谱仪、激光粒度分布仪、X射线衍射仪和红外水分测定仪遍历所述M个存放网格样本集合进行生产质量检测，获得M个存放网格样本化学纯度集合、M个存放网格样本粒度分布集合、M个存放网格样本晶型结构集合和M个存放网格样本含水量集合；生产质量偏差值获得模块，用于基于所述预设标准质量参数，对所述M个存放网格样本化学纯度集合、M个存放网格样本粒度分布集合、M个存放网格样本晶型结构集合和M个存放网格样本含水量集合进行质量偏差集中识别，获得M个存放网格生产质量偏差值；目标生产质量检测结果确定模块，用于根据M个存放网格生产质量偏差值和所述时间区间标识，对所述M个存放网格进行时序关联样本增量抽取检测，获得Q个增量存放网格生产质量偏差值，对所述Q个增量存放网格生产质量偏差值和M个存放网格生产质量偏差值进行均值计算，确定目标生产质量检测结果。
本发明中提供的一个或多个技术方案，至少具有如下技术效果或优点：
本发明通过获取预设标准质量参数和预设质量宽容区间，按照预设划分尺度对目标批次的氢氧化铝按照生产时间先后顺序进行存放网格划分，获得M个存放网格，其中，M为正整数，每个存放网格具有时间区间标识，存放网格内的氢氧化铝包装上具有时间戳标识，然后按照预设样本抽取比例，分别对M个存放网格进行样本抽取，获得M个存放网格样本集合，并利用原子吸收光谱仪、激光粒度分布仪、X射线衍射仪和红外水分测定仪遍历M个存放网格样本集合进行生产质量检测，获得M个存放网格样本化学纯度集合、M个存放网格样本粒度分布集合、M个存放网格样本晶型结构集合和M个存放网格样本含水量集合，进而，基于预设标准质量参数，对M个存放网格样本化学纯度集合、M个存放网格样本粒度分布集合、M个存放网格样本晶型结构集合和M个存放网格样本含水量集合进行质量偏差集中识别，获得M个存放网格生产质量偏差值，然后根据M个存放网格生产质量偏差值和时间区间标识，对M个存放网格进行时序关联样本增量抽取检测，获得Q个增量存放网格生产质量偏差值，对Q个增量存放网格生产质量偏差值和M个存放网格生产质量偏差值进行均值计算，确定目标生产质量检测结果。通过上述方法，达到了提高氢氧化铝生产质量检测结果可靠性的技术效果。
附图说明
附图1是本发明提供的一种基于数据分析的氢氧化铝生产质量检测方法流程示意图；
附图2是本发明提供的一种基于数据分析的氢氧化铝生产质量检测系统结构示意图；
附图中所示标号：
11为宽容区间获取模块，12为存放网格获得模块，13为生产质量检测模块，14为生产质量偏差值获得模块，15为目标生产质量检测结果确定模块。
具体实施方式
下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本发明所附权利要求书所限定的范围。需要说明的是，术语“包括”和“具有”，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块。
实施例一，如附图1所示，本发明提供了一种基于数据分析的氢氧化铝生产质量检测方法，所述方法包括：
S1：获取预设标准质量参数和预设质量宽容区间；
进一步的，所述预设标准质量参数包括化学纯度标准值、粒度分布标准值、晶型结构标准值和含水量标准值。
在一个可能的实施例中，预设标准质量参数为本领域技术人员事先定义的对氢氧化铝产品质量进行评估和对比的标准数据，至少包括氢氧化铝的化学纯度标准值、粒度分布标准值、晶型结构标准值和含水量标准值。预设质量宽容区间是本领域技术人员在考虑氢氧化铝的质量波动，为保证产品合格率和生产效率设定的质量偏差范围。
S2：按照预设划分尺度对目标批次的氢氧化铝按照生产时间先后顺序进行存放网格划分，获得M个存放网格，其中，M为正整数，每个存放网格具有时间区间标识，存放网格内的氢氧化铝包装上具有时间戳标识；
在本申请的一个实施例中，由本领域技术人员确定存放仓库中每个存放网格中的可以存放的最大氢氧化铝数量，获得所述预设划分尺度。进而，按照时间先后顺序，将目标批次的氢氧化铝按照生产时间依次放置于存放网格中，获得所述M个存放网格。为了便于后续追溯，每个氢氧化铝包装上具有时间戳标识，根据每个存放网格中最先放入的氢氧化铝包装上的时间戳标识与最后放入的氢氧化铝包装上的时间戳标识之间的时间区间，对所述M个存放网格进行时间区间标识。通过对存放网格进行时间标识，达到了为后续进行有效抽取检测样本提供区分依据的技术效果。
S3：按照预设样本抽取比例，分别对所述M个存放网格进行样本抽取，获得M个存放网格样本集合，并利用原子吸收光谱仪、激光粒度分布仪、X射线衍射仪和红外水分测定仪遍历所述M个存放网格样本集合进行生产质量检测，获得M个存放网格样本化学纯度集合、M个存放网格样本粒度分布集合、M个存放网格样本晶型结构集合和M个存放网格样本含水量集合；
在一个可能的实施例中，预设样本抽取比例指在每个存放网格中进行样本抽取时的比例，如1%~5%。按照预设样本抽取比例，分别对所述M个存放网格进行样本抽取，每个样本代表了其对应网格内的氢氧化铝的质量情况。在抽取M个存放网格样本集合之后，将每个存放网格样本集合均分为4类，分别进行化学纯度、粒度分布、晶型结构和含水量检测。
示例性的，将存放网格样本溶解，通过喷雾器将融化后的样本溶液引入燃烧器中，与气体（如空气或乙炔）混合，形成一个雾化的溶液。利用燃烧器加热使溶液中的金属元素蒸发，并被原子化。进而，利用原子吸收光谱仪的特定波长的光源照射气化后的样品。优选的，光源的波长与待测元素的特征吸收线一致。当样品中存在铝元素时，检测到吸光度变化。通过比较测得的吸光度与标准曲线，计算获得氢氧化铝中各种元素的纯度，获得所述M个存放网格样本化学纯度集合。
优选的，将存放网格样本分散在溶剂中，利用激光粒度分布仪发射激光束对样本进行照射，获得光散射的角度和强度，利用Mie理论进行反演，确定M个存放网格样本粒度分布集合。可选的，将存放网格样本压制成薄片，放置于X射线衍射仪的样本台上，通过旋转样品和探测器，检测不同角度下的衍射强度。根据不同的衍射角度，可以获得样品中晶体的衍射图谱。根据衍射图谱，利用布拉格定律（nλ=2dsinθ）分析出晶体的晶面间距d。通过比对标准衍射数据，确定氢氧化铝样品的晶型结构，获得所述M个存放网格样本晶型结构集合。
优选的，将存放网格样本置于红外水分测定仪的样品盘上，启动红外水分测定仪，利用红外辐射对样品进行加热。通过高精度传感器监测样品质量的变化。随着水分蒸发，样品的质量逐渐减少，获得样品质量变化情况，计算出水分的含量，输出所述M个存放网格样本含水量集合。
通过多维度的质量检测，全面评估氢氧化铝样本的关键质量指标，达到了为后续的质量偏差分析提供了全面的数据支持，从而有效地反映了每个存放网格内氢氧化铝的质量状况的技术效果。
S4：基于所述预设标准质量参数，对所述M个存放网格样本化学纯度集合、M个存放网格样本粒度分布集合、M个存放网格样本晶型结构集合和M个存放网格样本含水量集合进行质量偏差集中识别，获得M个存放网格生产质量偏差值；
进一步的，本发明实施例步骤S4：基于所述预设标准质量参数，对所述M个存放网格样本化学纯度集合、M个存放网格样本粒度分布集合、M个存放网格样本晶型结构集合和M个存放网格样本含水量集合进行质量偏差集中识别，获得M个存放网格生产质量偏差值，具体包括：
根据化学纯度标准值、粒度分布标准值、晶型结构标准值和含水量标准值，对M个存放网格样本化学纯度集合、M个存放网格样本粒度分布集合、M个存放网格样本晶型结构集合和M个存放网格样本含水量集合进行质量偏差识别，获得M个存放网格样本化学纯度偏差值集合、M个存放网格样本粒度分布偏差值集合、M个存放网格样本晶型结构偏差值集合和M个存放网格样本含水量偏差值集合；
基于所述M个存放网格样本化学纯度偏差值集合、M个存放网格样本粒度分布偏差值集合、M个存放网格样本晶型结构偏差值集合和M个存放网格样本含水量偏差值集合进行线性拟合集中识别，确定M个存放网格样本化学纯度集中偏差值、M个存放网格样本粒度分布集中偏差值、M个存放网格样本晶型结构集中偏差值和M个存放网格样本含水量集中偏差值；
对所述M个存放网格样本化学纯度集中偏差值、M个存放网格样本粒度分布集中偏差值、M个存放网格样本晶型结构集中偏差值和M个存放网格样本含水量集中偏差值分别进行加权计算，获得M个存放网格生产质量偏差值。
在一个可能的实施例中，将化学纯度标准值分别与所述M个存放网格样本化学纯度集合进行差值计算，确定M个存放网格样本化学纯度偏差值集合。其中，存放网格样本化学纯度偏差值反映了对应样本中氢氧化铝的纯度情况。基于同样的原理，将所述粒度分布标准值、晶型结构标准值和含水量标准值，分别与M个存放网格样本粒度分布集合、M个存放网格样本晶型结构集合和M个存放网格样本含水量集合进行差值计算，确定对应的M个存放网格样本粒度分布偏差值集合、M个存放网格样本晶型结构偏差值集合和M个存放网格样本含水量偏差值集合。
优选的，以所述M个存放网格样本化学纯度偏差值集合为示例，进行线性拟合集中识别过程的阐述，通过对M个存放网格样本粒度分布偏差值集合、M个存放网格样本晶型结构偏差值集合和M个存放网格样本含水量偏差值集合进行线性拟合集中识别，从而获得所述M个存放网格样本粒度分布集中偏差值、M个存放网格样本晶型结构集中偏差值和M个存放网格样本含水量集中偏差值的原理与获得所述M个存放网格样本化学纯度集中偏差值相同。
进而，按照本领域技术人员预先设定的权重比，对所述M个存放网格样本化学纯度集中偏差值、M个存放网格样本粒度分布集中偏差值、M个存放网格样本晶型结构集中偏差值和M个存放网格样本含水量集中偏差值分别进行对应的加权计算，确定M个存放网格生产质量偏差值。其中，所述M个存放网格生产质量偏差值反映了M个存放网格中氢氧化铝的普遍生产质量情况。
进一步的，基于所述M个存放网格样本化学纯度偏差值集合进行线性拟合集中识别，确定M个存放网格样本化学纯度集中偏差值，包括：
结合时间戳标识，在二维映射坐标系中分别对所述M个存放网格样本化学纯度偏差值集合进行二维映射，确定M个二维映射坐标点集合；
对所述M个二维映射坐标点集合进行内点判别直线迭代，确定M个初始线性拟合参照线；
预构建扩散带宽函数，利用所述扩散带宽函数多次生成扩散带宽对所述M个初始线性拟合参照线进行拟合邻域扩散，确定M个目标线性拟合邻域；
遍历计算所述M个目标线性拟合邻域内二维映射坐标点的横坐标绝对值的均值，确定所述M个存放网格样本化学纯度集中偏差值。
进一步的，对所述M个二维映射坐标点集合进行内点判别直线迭代，确定M个初始线性拟合参照线，本申请实施例步骤S4还包括：
分别从所述M个二维映射坐标点集合中随机提取两个点，构建M个第一判别直线；
按照预设距离阈值，将到所述M个第一判别直线的距离在预设距离阈值内的二维映射坐标点作为内点并统计内点数量，获得M个第一判别直线内点量；
多次从所述M个二维映射坐标点集合中随机提取两个点进行判别直线构建，直至满足预设构建次数，获得M个判别直线集合和M个判别直线内点量集合；
将所述M个判别直线内点量集合中最大值对应的判别直线分别作为M个初始线性拟合参照线。
在本发明的实施例中，将详细阐述对M个存放网格样本化学纯度偏差值集合进行线性拟合处理，从而获得最能代表M个存放网格的化学程度偏差情况的所述M个存放网格样本化学纯度集中偏差值。首先，构建横坐标轴为时间，纵坐标轴为化学纯度偏差值的二维映射坐标系，根据存放网格样本对应的时间戳标识确定样本的生产时间，进而结合存放网格样本化学纯度偏差值，将所述M个存放网格样本化学纯度偏差值集合映射至二维映射坐标系中，获得所述M个二维映射坐标点集合。可选的，每个存放网格样本化学纯度偏差值具有正负标识，当存放网格样本化学纯度大于化学纯度标准值时，存放网格样本化学纯度偏差值为正值；当存放网格样本化学纯度小于化学纯度标准值时，存放网格样本化学纯度偏差值为负值。
当获得所述M个二维映射坐标点集合后，通过对数据进行筛选来获取最具有能代表每个存放网格中化学纯度偏差情况的数据，也就是M个存放网格样本化学纯度集中偏差值。首先，确定M个二维映射坐标点集合内周围分布坐标点较为密集的直线，获得所述M个初始线性拟合参照线；其次，在获得初始线性拟合参照线之后确定分布较为密集的区域对应的边界，也就是所述M个目标线性拟合邻域；最后，分别对所述M个目标线性拟合邻域内二维映射坐标点的横坐标绝对值的均值进行计算，确定所述M个存放网格样本化学纯度集中偏差值。
优选的，在进行边界确定时，为了避免陷入局部最优，采用扩散带宽函数来随机生成对邻域的边界进行扩散的幅度，也就是所述扩散带宽，从而可以达到在提高筛选效率的同时，避免错失更有代表性的二维映射坐标点。
在一个可能的实施例中，分别从所述M个二维映射坐标点集合中随机提取两个点，将经过两个点的直线作为第一判别直线，从而获得M个第一判别直线。以本领域技术人员预先设定的可以将二维映射坐标点作为判别直线的内点的距离为约束，获得预设距离阈值。然后，将到所述M个第一判别直线的距离在预设距离阈值内的二维映射坐标点作为内点并统计内点数量，获得M个第一判别直线内点量。其中，所述M个第一判别直线内点量反映了M个第一判别直线作为线性拟合参照线的可靠程度，内点量越大，表明判别直线周围分布的二维映射坐标点更多，此时，判别直线更为可靠。
基于上述构建第一判别直线的原理，多次从所述M个二维映射坐标点集合中随机提取两个点进行判别直线构建，直至满足本领域技术人员预先设定的最大构建次数，也就是预设构建次数，获得M个判别直线集合和M个判别直线内点量集合。然后，将所述M个判别直线内点量集合中最大值对应的判别直线分别作为M个初始线性拟合参照线。
进一步的，所述扩散带宽函数为：
；
其中，为扩散带宽，，，，为Gamma函数，。
进一步的，预构建扩散带宽函数，利用所述扩散带宽函数多次生成扩散带宽对所述M个初始线性拟合参照线进行拟合邻域扩散，确定M个目标线性拟合邻域，本申请实施例步骤S4还包括：
从所述M个初始线性拟合参照线中抽取第一初始线性拟合参照线；
基于所述扩散带宽函数随机生成第一扩散带宽，根据所述第一扩散带宽对第一初始线性拟合参照线进行邻域构建，确定第一初始拟合邻域；
再次基于所述扩散带宽函数随机生成第二扩散带宽，根据所述第二扩散带宽对所述第一初始拟合邻域的边缘向上和向下分别进行扩散，获得第一扩散拟合邻域；
判断所述第一扩散拟合邻域的数据量是否大于等于第一初始拟合邻域的数据量，若是，则再次基于所述扩散带宽函数随机生成第三扩散带宽，根据所述第三扩散带宽对所述第一扩散拟合邻域的边缘向上和向下分别进行扩散，直至满足预设扩散次数，将最后一次扩散获得的扩散拟合邻域作为第一目标线性拟合邻域；
遍历所述M个初始线性拟合参照线结合所述扩散带宽函数进行拟合邻域扩散，获得所述M个目标线性拟合邻域。
进一步的，若所述第一扩散拟合邻域的数据量小于第一初始拟合邻域的数据量，则计算第一扩散拟合邻域的数据量与第一初始拟合邻域的数据量的差值，若差值小于等于预设差值，则将所述第一初始拟合邻域作为第一目标线性拟合邻域。
在一个可能的实施例中，所述扩散带宽函数所生成的扩散带宽为随机值，主要由Gamma函数中的来控制扩散的范围，从而调节扩散带宽的分布尺度。由于，，其中，服从正态分布，的方差是可变的，可以由本领域技术人员根据实际情况进行设定，的方差为1，波动幅度固定，因此的取值会在一定范围内波动，因此在扩散分析过程中引入了不确定性，从而保证了带宽的波动性，且在（0，2）之间的随机取值，的随机性，会直接影响到带宽的变化，因此可以保证所生成的扩散带宽的随机性。
示例性的，从所述M个初始线性拟合参照线中抽取第一初始线性拟合参照线，从（0，2）中随机取一个值，如0.5，将0.5输入扩散带宽函数中，随机生成，第一扩散带宽输出为0.3。优选的，的取值范围大部分在[-0.5，0.5]之间，也会出现极端值，当出现极端值时，触发重新生成指令，再次随机抽取值，进而利用扩散带宽函数生成扩散带宽。
在获得第一扩散带宽之后，将第一初始线性拟合参照线分别向上和向下平移第一扩散带宽，构建第一初始拟合邻域。再次基于所述扩散带宽函数随机生成第二扩散带宽，根据所述第二扩散带宽对所述第一初始拟合邻域的边缘向上和向下分别进行扩散，获得第一扩散拟合邻域。进而，分别统计第一扩散拟合邻域和第一初始拟合邻域的数据量，当第一扩散拟合邻域的数据量大于等于第一初始拟合邻域的数据量时，则再次基于所述扩散带宽函数随机生成第三扩散带宽，根据所述第三扩散带宽对所述第一扩散拟合邻域的边缘向上和向下分别进行扩散，直至满足预设扩散次数，将最后一次扩散获得的扩散拟合邻域作为第一目标线性拟合邻域；当第一扩散拟合邻域的数据量小于第一初始拟合邻域的数据量，则计算第一扩散拟合邻域的数据量与第一初始拟合邻域的数据量的差值，若差值小于等于预设差值，表明两个邻域的数据量差别不大，此时停止扩散，将所述第一初始拟合邻域作为第一目标线性拟合邻域。
基于获得所述第一目标线性拟合邻域同样的原理，利用扩散带宽函数多次随机生成扩散带宽，对所述M个初始线性拟合参照线进行邻域构建和扩散，获得所述目标线性拟合邻域。
S5：根据M个存放网格生产质量偏差值和所述时间区间标识，对所述M个存放网格进行时序关联样本增量抽取检测，获得Q个增量存放网格生产质量偏差值，对所述Q个增量存放网格生产质量偏差值和M个存放网格生产质量偏差值进行均值计算，确定目标生产质量检测结果。
进一步的，根据M个存放网格生产质量偏差值和所述时间区间标识，对所述M个存放网格进行时序关联样本增量抽取检测，获得Q个增量存放网格生产质量偏差值，本申请实施例步骤S5还包括：
分别判断所述M个存放网格生产质量偏差值是否超出预设质量宽容区间，若是，则将其对应的存放网格标识为异常存放网格，获得异常存放网格集合；
按照预设前后关联时间区间和异常存放网格集合，结合每个存放网格对应的时间区间标识，确定关联存放网格集合，其中，所述关联存放网格为与异常存放网格集合中对应的异常存放网格的时间区间间隔在预设前后关联时间区间范围内的存放网格；
按照预设样本增量，对所述关联存放网格集合和异常存放网格集合进行时序关联样本增量抽取检测，并根据检测结果获得Q个增量存放网格生产质量偏差值，其中，Q为小于等于M的正整数。
在一个可能的实施例中，当M个存放网格生产质量偏差值任意一个超出预设质量宽容区间时，表明该存放网格生产的样本质量合格率较低，此时需要更多的样本来进行验证，同时，与其相邻生产的存放网格中可能也会存在合格率较低的问题，但是由于抽取样本的随机性导致质量较低的氢氧化铝没有被检测出来，因此，需要结合时间区间标识，对异常存放网格和与其关联的关联存放网格集合进行增量检测。进而，融合增量检测的结果对所述M个存放网格生产质量偏差值进行均值计算，获得所述目标生产质量偏差值。其中，所述目标生产质量偏差值反映了目标批次的氢氧化铝的整体生产质量情况。
首先，分别判断所述M个存放网格生产质量偏差值是否超出预设质量宽容区间，若是，表明其对应的存放网格存在异常，将其对应的存放网格标识为异常存放网格，获得异常存放网格集合。进而，按照本领域技术人员预先设定的前后关联时间区间和异常存放网格集合，结合每个存放网格对应的时间区间标识，确定关联存放网格集合。其中，所述关联存放网格为与异常存放网格集合中对应的异常存放网格的时间区间间隔在预设前后关联时间区间范围内的存放网格。也就是说，将与异常存放网格的时间区间标识的时间区间间隔在预设前后关联时间区间范围内的存放网格添加进关联存放网格中。
通过根据预设样本增量，也就是需要进行增添检测的样本数量，根据与获得M个存放网格生产质量偏差值相同的步骤原理，对所述关联存放网格集合和异常存放网格集合进行时序关联样本增量抽取检测，获得Q个增量存放网格生产质量偏差值。由此，达到了提高生产质量检测结果可靠性的技术效果。
综上所述，本发明实施例至少具有如下技术效果：
本发明通过结合预设标准质量参数、质量宽容区间以及生产时间先后顺序对目标批次氢氧化铝进行存放网格划分，并在每个存放网格内进行样本抽取与多维度质量检测，利用原子吸收光谱仪、激光粒度分布仪、X射线衍射仪和红外水分测定仪全面分析样本的化学纯度、粒度分布、晶型结构和含水量，结合质量偏差值进行时序关联样本增量抽取，最终通过均值计算确定生产质量检测结果，达到了高效、可靠的进行氢氧化铝生产质量检测的技术效果。
实施例二，基于与前述实施例中一种基于数据分析的氢氧化铝生产质量检测方法相同的发明构思，如附图2所示，本申请提供了一种基于数据分析的氢氧化铝生产质量检测系统，本发明实施例中的系统与方法实施例基于同样的发明构思。其中，所述系统包括：
宽容区间获取模块11，用于获取预设标准质量参数和预设质量宽容区间；
存放网格获得模块12，用于按照预设划分尺度对目标批次的氢氧化铝按照生产时间先后顺序进行存放网格划分，获得M个存放网格，其中，M为正整数，每个存放网格具有时间区间标识，存放网格内的氢氧化铝包装上具有时间戳标识；
生产质量检测模块13，用于按照预设样本抽取比例，分别对所述M个存放网格进行样本抽取，获得M个存放网格样本集合，并利用原子吸收光谱仪、激光粒度分布仪、X射线衍射仪和红外水分测定仪遍历所述M个存放网格样本集合进行生产质量检测，获得M个存放网格样本化学纯度集合、M个存放网格样本粒度分布集合、M个存放网格样本晶型结构集合和M个存放网格样本含水量集合；
生产质量偏差值获得模块14，用于基于所述预设标准质量参数，对所述M个存放网格样本化学纯度集合、M个存放网格样本粒度分布集合、M个存放网格样本晶型结构集合和M个存放网格样本含水量集合进行质量偏差集中识别，获得M个存放网格生产质量偏差值；
目标生产质量检测结果确定模块15，用于根据M个存放网格生产质量偏差值和所述时间区间标识，对所述M个存放网格进行时序关联样本增量抽取检测，获得Q个增量存放网格生产质量偏差值，对所述Q个增量存放网格生产质量偏差值和M个存放网格生产质量偏差值进行均值计算，确定目标生产质量检测结果。
进一步的，所述预设标准质量参数包括化学纯度标准值、粒度分布标准值、晶型结构标准值和含水量标准值。
进一步的，所述生产质量偏差值获得模块14包括：
偏差值集合获得单元：用于根据化学纯度标准值、粒度分布标准值、晶型结构标准值和含水量标准值，对M个存放网格样本化学纯度集合、M个存放网格样本粒度分布集合、M个存放网格样本晶型结构集合和M个存放网格样本含水量集合进行质量偏差识别，获得M个存放网格样本化学纯度偏差值集合、M个存放网格样本粒度分布偏差值集合、M个存放网格样本晶型结构偏差值集合和M个存放网格样本含水量偏差值集合；
集中偏差值确定单元：用于基于所述M个存放网格样本化学纯度偏差值集合、M个存放网格样本粒度分布偏差值集合、M个存放网格样本晶型结构偏差值集合和M个存放网格样本含水量偏差值集合进行线性拟合集中识别，确定M个存放网格样本化学纯度集中偏差值、M个存放网格样本粒度分布集中偏差值、M个存放网格样本晶型结构集中偏差值和M个存放网格样本含水量集中偏差值；
生产质量偏差值获得单元：用于对所述M个存放网格样本化学纯度集中偏差值、M个存放网格样本粒度分布集中偏差值、M个存放网格样本晶型结构集中偏差值和M个存放网格样本含水量集中偏差值分别进行加权计算，获得M个存放网格生产质量偏差值。
进一步的，所述集中偏差值确定单元包括化学纯度集中偏差值确定单元、粒度分布集中偏差值确定单元、晶型结构集中偏差值确定单元和含水量集中偏差值确定单元。
更进一步的，所述化学纯度集中偏差值获得单元具体包括：
第一确定单元：用于结合时间戳标识，在二维映射坐标系中分别对所述M个存放网格样本化学纯度偏差值集合进行二维映射，确定M个二维映射坐标点集合；
第二确定单元：用于对所述M个二维映射坐标点集合进行内点判别直线迭代，确定M个初始线性拟合参照线；
第三确定单元：用于预构建扩散带宽函数，利用所述扩散带宽函数多次生成扩散带宽对所述M个初始线性拟合参照线进行拟合邻域扩散，确定M个目标线性拟合邻域；
第四确定单元：用于遍历计算所述M个目标线性拟合邻域内二维映射坐标点的横坐标绝对值的均值，确定所述M个存放网格样本化学纯度集中偏差值。
进一步的，所述第二确定单元具体包括：
第一判别直线构建单元：用于分别从所述M个二维映射坐标点集合中随机提取两个点，构建M个第一判别直线；
第一判别直线内点量获得单元：用于按照预设距离阈值，将到所述M个第一判别直线的距离在预设距离阈值内的二维映射坐标点作为内点并统计内点数量，获得M个第一判别直线内点量；
集合获得单元：用于多次从所述M个二维映射坐标点集合中随机提取两个点进行判别直线构建，直至满足预设构建次数，获得M个判别直线集合和M个判别直线内点量集合；
初始线性拟合参照线获取单元：用于将所述M个判别直线内点量集合中最大值对应的判别直线分别作为M个初始线性拟合参照线。
进一步的，所述扩散带宽函数为：
；
其中，为扩散带宽，，，，为Gamma函数，用于调整分布的尺度，。
进一步的，所述第三确定单元具体包括：
第一初始线性拟合参照线抽取单元：用于从所述M个初始线性拟合参照线中抽取第一初始线性拟合参照线；
第一初始拟合邻域确定单元：用于基于所述扩散带宽函数随机生成第一扩散带宽，根据所述第一扩散带宽对第一初始线性拟合参照线进行邻域构建，确定第一初始拟合邻域；
第一扩散拟合邻域获得单元：用于再次基于所述扩散带宽函数随机生成第二扩散带宽，根据所述第二扩散带宽对所述第一初始拟合邻域的边缘向上和向下分别进行扩散，获得第一扩散拟合邻域；
判断单元：用于判断所述第一扩散拟合邻域的数据量与第一初始拟合邻域的数据量的大小关系；
第一处理单元：用于当第一扩散拟合邻域的数据量大于等于第一初始拟合邻域的数据量时，则再次基于所述扩散带宽函数随机生成第三扩散带宽，根据所述第三扩散带宽对所述第一扩散拟合邻域的边缘向上和向下分别进行扩散，直至满足预设扩散次数，将最后一次扩散获得的扩散拟合邻域作为第一目标线性拟合邻域；
第二处理单元：用于当第一扩散拟合邻域的数据量小于第一初始拟合邻域的数据量，则计算第一扩散拟合邻域的数据量与第一初始拟合邻域的数据量的差值，若差值小于等于预设差值，则将所述第一初始拟合邻域作为第一目标线性拟合邻域；
目标线性拟合邻域获得单元：用于遍历所述M个初始线性拟合参照线结合所述扩散带宽函数进行拟合邻域扩散，获得所述M个目标线性拟合邻域。
进一步的，所述目标生产质量检测结果确定模块15包括：
异常存放网格集合获得单元：用于分别判断所述M个存放网格生产质量偏差值是否超出预设质量宽容区间，若是，则将其对应的存放网格标识为异常存放网格，获得异常存放网格集合；
关联存放网格集合确定单元：用于按照预设前后关联时间区间和异常存放网格集合，结合每个存放网格对应的时间区间标识，确定关联存放网格集合，其中，所述关联存放网格为与异常存放网格集合中对应的异常存放网格的时间区间间隔在预设前后关联时间区间范围内的存放网格；
增量存放网格生产质量偏差值获得单元：用于按照预设样本增量，对所述关联存放网格集合和异常存放网格集合进行时序关联样本增量抽取检测，并根据检测结果获得Q个增量存放网格生产质量偏差值，其中，Q为小于等于M的正整数；
均值计算单元：用于对所述Q个增量存放网格生产质量偏差值和M个存放网格生产质量偏差值进行均值计算；
目标生产质量检测结果确定单元：用于根据均值计算结果，确定目标生产质量检测结果。
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。且上述对本说明书特定实施例进行了描述。另外，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。
以上所述仅为本发明的较佳实施例，并不用以限制本申请，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
本说明书和附图仅仅是本发明的示例性说明，且视为已覆盖本发明范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的范围。这样，倘若本发明的这些修改和变型属于本发明及其等同技术的范围之内，则本发明意图包括这些改动和变型在内。

Claims (10)

1.一种基于数据分析的氢氧化铝生产质量检测方法，其特征在于，所述方法包括：
获取预设标准质量参数和预设质量宽容区间；
按照预设划分尺度对目标批次的氢氧化铝按照生产时间先后顺序进行存放网格划分，获得M个存放网格，其中，M为正整数，每个存放网格具有时间区间标识，存放网格内的氢氧化铝包装上具有时间戳标识；
按照预设样本抽取比例，分别对所述M个存放网格进行样本抽取，获得M个存放网格样本集合，并利用原子吸收光谱仪、激光粒度分布仪、X射线衍射仪和红外水分测定仪遍历所述M个存放网格样本集合进行生产质量检测，获得M个存放网格样本化学纯度集合、M个存放网格样本粒度分布集合、M个存放网格样本晶型结构集合和M个存放网格样本含水量集合；
基于所述预设标准质量参数，对所述M个存放网格样本化学纯度集合、M个存放网格样本粒度分布集合、M个存放网格样本晶型结构集合和M个存放网格样本含水量集合进行质量偏差集中识别，获得M个存放网格生产质量偏差值；
根据M个存放网格生产质量偏差值和所述时间区间标识，对所述M个存放网格进行时序关联样本增量抽取检测，获得Q个增量存放网格生产质量偏差值，对所述Q个增量存放网格生产质量偏差值和M个存放网格生产质量偏差值进行均值计算，确定目标生产质量检测结果。
2.如权利要求1所述的一种基于数据分析的氢氧化铝生产质量检测方法，其特征在于，所述预设标准质量参数包括化学纯度标准值、粒度分布标准值、晶型结构标准值和含水量标准值。
3.如权利要求2所述的一种基于数据分析的氢氧化铝生产质量检测方法，其特征在于，基于所述预设标准质量参数，对所述M个存放网格样本化学纯度集合、M个存放网格样本粒度分布集合、M个存放网格样本晶型结构集合和M个存放网格样本含水量集合进行质量偏差集中识别，获得M个存放网格生产质量偏差值，包括：
根据化学纯度标准值、粒度分布标准值、晶型结构标准值和含水量标准值，对M个存放网格样本化学纯度集合、M个存放网格样本粒度分布集合、M个存放网格样本晶型结构集合和M个存放网格样本含水量集合进行质量偏差识别，获得M个存放网格样本化学纯度偏差值集合、M个存放网格样本粒度分布偏差值集合、M个存放网格样本晶型结构偏差值集合和M个存放网格样本含水量偏差值集合；
基于所述M个存放网格样本化学纯度偏差值集合、M个存放网格样本粒度分布偏差值集合、M个存放网格样本晶型结构偏差值集合和M个存放网格样本含水量偏差值集合进行线性拟合集中识别，确定M个存放网格样本化学纯度集中偏差值、M个存放网格样本粒度分布集中偏差值、M个存放网格样本晶型结构集中偏差值和M个存放网格样本含水量集中偏差值；
对所述M个存放网格样本化学纯度集中偏差值、M个存放网格样本粒度分布集中偏差值、M个存放网格样本晶型结构集中偏差值和M个存放网格样本含水量集中偏差值分别进行加权计算，获得M个存放网格生产质量偏差值。
4.如权利要求3所述的一种基于数据分析的氢氧化铝生产质量检测方法，其特征在于，基于所述M个存放网格样本化学纯度偏差值集合进行线性拟合集中识别，确定M个存放网格样本化学纯度集中偏差值，包括：
结合时间戳标识，在二维映射坐标系中分别对所述M个存放网格样本化学纯度偏差值集合进行二维映射，确定M个二维映射坐标点集合；
对所述M个二维映射坐标点集合进行内点判别直线迭代，确定M个初始线性拟合参照线；
预构建扩散带宽函数，利用所述扩散带宽函数多次生成扩散带宽对所述M个初始线性拟合参照线进行拟合邻域扩散，确定M个目标线性拟合邻域；
遍历计算所述M个目标线性拟合邻域内二维映射坐标点的横坐标绝对值的均值，确定所述M个存放网格样本化学纯度集中偏差值。
5.如权利要求4所述的一种基于数据分析的氢氧化铝生产质量检测方法，其特征在于，对所述M个二维映射坐标点集合进行内点判别直线迭代，确定M个初始线性拟合参照线，包括：
分别从所述M个二维映射坐标点集合中随机提取两个点，构建M个第一判别直线；
按照预设距离阈值，将到所述M个第一判别直线的距离在预设距离阈值内的二维映射坐标点作为内点并统计内点数量，获得M个第一判别直线内点量；
多次从所述M个二维映射坐标点集合中随机提取两个点进行判别直线构建，直至满足预设构建次数，获得M个判别直线集合和M个判别直线内点量集合；
将所述M个判别直线内点量集合中最大值对应的判别直线分别作为M个初始线性拟合参照线。
6.如权利要求4所述的一种基于数据分析的氢氧化铝生产质量检测方法，其特征在于，所述扩散带宽函数为：
；
其中，为扩散带宽，，，， 为Gamma函数，。
7.如权利要求4所述的一种基于数据分析的氢氧化铝生产质量检测方法，其特征在于，预构建扩散带宽函数，利用所述扩散带宽函数多次生成扩散带宽对所述M个初始线性拟合参照线进行拟合邻域扩散，确定M个目标线性拟合邻域，包括：
从所述M个初始线性拟合参照线中抽取第一初始线性拟合参照线；
基于所述扩散带宽函数随机生成第一扩散带宽，根据所述第一扩散带宽对第一初始线性拟合参照线进行邻域构建，确定第一初始拟合邻域；
再次基于所述扩散带宽函数随机生成第二扩散带宽，根据所述第二扩散带宽对所述第一初始拟合邻域的边缘向上和向下分别进行扩散，获得第一扩散拟合邻域；
判断所述第一扩散拟合邻域的数据量是否大于等于第一初始拟合邻域的数据量，若是，则再次基于所述扩散带宽函数随机生成第三扩散带宽，根据所述第三扩散带宽对所述第一扩散拟合邻域的边缘向上和向下分别进行扩散，直至满足预设扩散次数，将最后一次扩散获得的扩散拟合邻域作为第一目标线性拟合邻域；
遍历所述M个初始线性拟合参照线结合所述扩散带宽函数进行拟合邻域扩散，获得所述M个目标线性拟合邻域。
8.如权利要求7所述的一种基于数据分析的氢氧化铝生产质量检测方法，其特征在于，若所述第一扩散拟合邻域的数据量小于第一初始拟合邻域的数据量，则计算第一扩散拟合邻域的数据量与第一初始拟合邻域的数据量的差值，若差值小于等于预设差值，则将所述第一初始拟合邻域作为第一目标线性拟合邻域。
9.如权利要求1所述的一种基于数据分析的氢氧化铝生产质量检测方法，其特征在于，根据M个存放网格生产质量偏差值和所述时间区间标识，对所述M个存放网格进行时序关联样本增量抽取检测，获得Q个增量存放网格生产质量偏差值，包括：
分别判断所述M个存放网格生产质量偏差值是否超出预设质量宽容区间，若是，则将其对应的存放网格标识为异常存放网格，获得异常存放网格集合；
按照预设前后关联时间区间和异常存放网格集合，结合每个存放网格对应的时间区间标识，确定关联存放网格集合，其中，所述关联存放网格为与异常存放网格集合中对应的异常存放网格的时间区间间隔在预设前后关联时间区间范围内的存放网格；
按照预设样本增量，对所述关联存放网格集合和异常存放网格集合进行时序关联样本增量抽取检测，并根据检测结果获得Q个增量存放网格生产质量偏差值，其中，Q为小于等于M的正整数。
10.一种基于数据分析的氢氧化铝生产质量检测系统，其特征在于，所述系统用于实施权利要求1-9任一项所述的一种基于数据分析的氢氧化铝生产质量检测方法，所述系统包括：
宽容区间获取模块，用于获取预设标准质量参数和预设质量宽容区间；
存放网格获得模块，用于按照预设划分尺度对目标批次的氢氧化铝按照生产时间先后顺序进行存放网格划分，获得M个存放网格，其中，M为正整数，每个存放网格具有时间区间标识，存放网格内的氢氧化铝包装上具有时间戳标识；
生产质量检测模块，用于按照预设样本抽取比例，分别对所述M个存放网格进行样本抽取，获得M个存放网格样本集合，并利用原子吸收光谱仪、激光粒度分布仪、X射线衍射仪和红外水分测定仪遍历所述M个存放网格样本集合进行生产质量检测，获得M个存放网格样本化学纯度集合、M个存放网格样本粒度分布集合、M个存放网格样本晶型结构集合和M个存放网格样本含水量集合；
生产质量偏差值获得模块，用于基于所述预设标准质量参数，对所述M个存放网格样本化学纯度集合、M个存放网格样本粒度分布集合、M个存放网格样本晶型结构集合和M个存放网格样本含水量集合进行质量偏差集中识别，获得M个存放网格生产质量偏差值；
目标生产质量检测结果确定模块，用于根据M个存放网格生产质量偏差值和所述时间区间标识，对所述M个存放网格进行时序关联样本增量抽取检测，获得Q个增量存放网格生产质量偏差值，对所述Q个增量存放网格生产质量偏差值和M个存放网格生产质量偏差值进行均值计算，确定目标生产质量检测结果。
CN202511067891.7A 2025-07-31 2025-07-31 一种基于数据分析的氢氧化铝生产质量检测方法及系统 Active CN120564899B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202511067891.7A CN120564899B (zh) 2025-07-31 2025-07-31 一种基于数据分析的氢氧化铝生产质量检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202511067891.7A CN120564899B (zh) 2025-07-31 2025-07-31 一种基于数据分析的氢氧化铝生产质量检测方法及系统

Publications (2)

Publication Number Publication Date
CN120564899A CN120564899A (zh) 2025-08-29
CN120564899B true CN120564899B (zh) 2025-09-30

Family

ID=96831664

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202511067891.7A Active CN120564899B (zh) 2025-07-31 2025-07-31 一种基于数据分析的氢氧化铝生产质量检测方法及系统

Country Status (1)

Country Link
CN (1) CN120564899B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101484798A (zh) * 2006-05-05 2009-07-15 夏尔国际许可有限公司 碱式碳酸镧的检定法
CN119780141A (zh) * 2025-03-12 2025-04-08 河津市炬华铝业有限公司 一种氢氧化铝生产用质量检测系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9592456B2 (en) * 2015-02-11 2017-03-14 Ecolab Usa Inc. Methods for enhancing production of aluminum hydroxide in an aluminum hydroxide production process
AU2017400335A1 (en) * 2017-02-24 2019-08-01 GEA Scan-Vibro A/S Circular distribution apparatus
CN111362298B (zh) * 2020-03-06 2022-11-22 郑州大学 一种粒形可控的氧化铟球形粉体的制备方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101484798A (zh) * 2006-05-05 2009-07-15 夏尔国际许可有限公司 碱式碳酸镧的检定法
CN119780141A (zh) * 2025-03-12 2025-04-08 河津市炬华铝业有限公司 一种氢氧化铝生产用质量检测系统

Also Published As

Publication number Publication date
CN120564899A (zh) 2025-08-29

Similar Documents

Publication Publication Date Title
Langford et al. Eddy-covariance data with low signal-to-noise ratio: time-lag determination, uncertainties and limit of detection
Moravek et al. Measurements and quality control of ammonia eddy covariance fluxes: a new strategy for high-frequency attenuation correction
CN107966430A (zh) 一种用于快速检测肥料养分含量的方法
Cavagnolo et al. Bandpass Dependence of X-Ray Temperatures in Galaxy Clusters
EP2111541A1 (en) Advanced pattern recognition systems for spectral analysis
Ping et al. Rapid and accurate identification of Panax ginseng origins based on data fusion of near-infrared and laser-induced breakdown spectroscopy
WO2004079347A1 (en) Method of analysis of nir data
Zou et al. Online simultaneous determination of H 2 O and KCl in potash with LIBS coupled to convolutional and back-propagation neural networks
CN118566442B (zh) 一种大气环境污染物浓度检测方法及系统
Pawar et al. Chloride (HCl∕ Cl−) dominates inorganic aerosol formation from ammonia in the Indo-Gangetic Plain during winter: modeling and comparison with observations
CN120564899B (zh) 一种基于数据分析的氢氧化铝生产质量检测方法及系统
CN106770607A (zh) 一种利用hs‐imr‐ms鉴别卷烟真伪的方法
Cadeo et al. Intercomparison of online and offline XRF spectrometers for determining the PM10 elemental composition of ambient aerosol
Anggraeni et al. Recognition of spectral identifier from green coffee beans of arabica and robusta varieties using laser-induced breakdown spectroscopy
CN119438539A (zh) 一种土壤样品中重金属污染检测方法及系统
CN117169319B (zh) 氧同位素测定方法
CN114662947B (zh) 设备状态监测方法、装置、非易失性存储介质及辐照仪
CN107300535A (zh) 近红外快速检测有机肥有效成分含量的方法
Sadergaski et al. Development of chemometric models to classify solid-state U materials by micro-Raman spectroscopy
CN117422200A (zh) 一种电厂智能监测预警方法及系统
CN117191748A (zh) 一种汞排放在线监测预警方法及系统
CN111551978B (zh) 一种放射性土壤样品采样过程不确定度的评定方法
CN116559210A (zh) 一种矿产品物相检测方法及系统
Molloy et al. Classification of microheterogeneity in solid samples using µXRF
Buwaniwal et al. Long term measurements of aerosol mass concentration with optical particle counters: Discrepancies with plausible reasons

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