本发明专利技术涉及人工智能技术领域，揭露了一种低浊点油酸的制备方法和装置，该方法包括：获取低浊点油酸的历史实验数据，利用BERT模型对历史实验数据进行语义特征提取，得到历史实验数据的语义特征；根据语义特征和预设的制备因素对历史实验数据进行数据分类，得到历史实验数据的分类数据；根据分类数据和预设的熵值法生成预设的制备因素的因素熵值；利用因素熵值和分类数据生成低浊点油酸的最佳制备条件，根据最佳制备条件对低浊点油酸进行制备。本发明专利技术还提出一种低浊点油酸的制备装置。本发明专利技术可以提高低浊点油酸的制备的效率。提高低浊点油酸的制备的效率。提高低浊点油酸的制备的效率。
【技术实现步骤摘要】
低浊点油酸的制备方法及装置
[0001]本专利技术涉及人工智能
，尤其涉及一种低浊点油酸的制备方法及装置。
技术介绍
[0002]油酸是重要的油脂精细化工产品，除广泛应用在化工、机械行业外，在医药、日化等方面的应用也受到了重视，尤其是以工业油酸经过处理得到的高纯油酸是一种主要的化学试剂，它可以广泛应用于化工分析、有机合成和药物制备等方面。
[0003]国内工业油酸的浊点一般在11
‑
14℃以上，此种油酸在温度低的坏境下使用效果不理想，市面上需求浊点低的油酸，因此，如何提升低浊点油酸的制备效率，成为了亟待解决的问题。
技术实现思路
[0004]本专利技术提供一种低浊点油酸的制备方法及装置，其主要目的在于解决低浊点油酸的制备时效率较低的问题。
[0005]为实现上述目的，本专利技术提供的一种低浊点油酸的制备方法，包括：获取低浊点油酸的历史实验数据，利用BERT模型对所述历史实验数据进行语义特征提取，得到所述历史实验数据的语义特征；根据所述语义特征和预设的制备因素对所述历史实验数据进行数据分类，得到所述历史实验数据的分类数据；根据所述分类数据和预设的熵值法生成所述预设的制备因素的因素熵值，其中，所述预设的熵值法为：
[0006]其中，是所述预设的制备因素的第个指标元素的因素熵值，是对数函数，是所述预设的制备因素的第个所述因素指标的第个指标元素的指标权重，是所述因素指标的标识，是所述指标元素的标识，是所述因素指标的总数；利用所述因素熵值和所述分类数据生成所述低浊点油酸的最佳制备条件，根据所述最佳制备条件对所述低浊点油酸进行制备。
[0007]可选地，所述利用BERT模型对所述历史实验数据进行语义特征提取，得到所述历史实验数据的语义特征，包括：利用BERT模型对所述历史实验数据进行标记化处理，得到所述历史实验数据的标记数据；对所述标记数据进行向量转化，得到所述标记数据的数据向量；根据所述数据向量对所述标记数据进行语义分类，得到所述标记数据的分类数据；
对所述分类数据中的词语进行位置识别，得到所述分类数据的顺序属性，利用所述顺序属性和所述分类数据确定所述历史实验数据的语义特征。
[0008]可选地，所述对所述标记数据进行向量转化，得到所述标记数据的数据向量，包括：确定所述标记数据的数据总数，根据所述数据总数和预设的词典对所述标记数据进行编码，得到所述标记数据的编码数据；对所述编码数据进行数据降维，得到所述编码数据的降维数据，确定所述降维数据为所述标记数据的数据向量。
[0009]可选地，所述根据所述语义特征和预设的制备因素对所述历史实验数据进行数据分类，得到所述历史实验数据的分类数据，包括：根据预设的制备因素确定所述语义特征的聚类中心，利用预设的聚类算法计算所述语义特征与所述聚类中心的目标函数值，其中，所述预设的聚类算法为：
[0010]其中，是所述语义特征与所述聚类中心的目标函数值，是所述语义特征的标识，是所述聚类中心的标识，是所述聚类中心的总数，是第个所述语义特征，是第个所述聚类中心，是所述语义特征的总数，是距离函数，是最小值函数；根据所述目标函数值对所述语义特征进行特征划分，得到所述语义特征的分类特征，根据所述分类特征确定所述历史实验数据的分类数据。
[0011]可选地，所述根据所述分类数据和预设的熵值法生成所述预设的制备因素的因素熵值，包括：根据所述分类数据确定所述预设的制备因素的因素指标，对所述因素指标进行标准化处理，得到所述因素指标的标准化指标；计算所述标准化指标的指标权重，利用所述指标权重和所述预设的熵值法生成所述预设的制备因素的因素熵值。
[0012]可选地，所述对所述因素指标进行标准化处理，得到所述因素指标的标准化指标，包括：利用预设的正向指标算法生成所述因素指标的正向指标，其中，所述预设的正向指标算法为：
[0013]其中，是所述因素指标的正向指标，是第个所述因素指标的第个指标元素，是指标元素中的最小值，是指标元素中的最大值，是所述因素指标的标识，是所述指标元素的标识；
利用预设的反向指标算法生成所述因素指标的反向指标，其中，所述预设的反向指标算法为：
[0014]其中，是所述因素指标的反向指标，是第个所述因素指标的第个指标元素，是指标元素中的最小值，是指标元素中的最大值，是所述因素指标的标识，是所述指标元素的标识；根据所述正向指标和所述反向指标生成所述因素指标的标准化指标。
[0015]可选地，所述计算所述标准化指标的指标权重，包括：利用如下指标权重算法计算所述标准化指标的指标权重：
[0016]其中，是所述预设的制备因素的第个所述因素指标的第个指标元素的指标权重，是第个所述因素指标的第个指标元素，是所述因素指标的标识，是所述指标元素的标识，是所述因素指标的标识，是所述因素指标的总数。
[0017]可选地，所述利用所述因素熵值和所述分类数据生成所述低浊点油酸的最佳制备条件，包括：根据所述因素熵值生成所述预设的制备因素的因素权重，对所述因素权重和所述分类数据进行加权处理，得到所述预设的制备因素的因素评价值；利用所述因素评价值和预设的评价阈值确定所述低浊点油酸的最佳制备条件。
[0018]可选地，所述根据所述因素熵值生成所述预设的制备因素的因素权重，包括：
[0019]其中，是所述预设的制备因素的因素权重，是所述预设的制备因素的第个指标元素的因素熵值，是所述指标元素的标识，是所述指标元素的总数。
[0020]为了解决上述问题，本专利技术还提供一种低浊点油酸的制备装置，所述装置包括：特征提取模块，用于获取低浊点油酸的历史实验数据，利用BERT模型对所述历史实验数据进行语义特征提取，得到所述历史实验数据的语义特征；数据分类模块，用于根据所述语义特征和预设的制备因素对所述历史实验数据进行数据分类，得到所述历史实验数据的分类数据；因素熵值模块，用于根据所述分类数据和预设的熵值法生成所述预设的制备因素的因素熵值，其中，所述预设的熵值法为：
[0021]其中，是所述预设的制备因素的第个指标元素的因素熵值，是对数函数，是所述预设的制备因素的第个所述因素指标的第个指标元素的指标权重，是所述因素指标的标识，是所述指标元素的标识，是所述因素指标的总数；最佳条件模块，用于利用所述因素熵值和所述分类数据生成所述低浊点油酸的最佳制备条件，根据所述最佳制备条件对所述低浊点油酸进行制备。
[0022]本专利技术实施例通过对低浊点油酸的历史实验数据进行语义特征提取和数据分类，得到所述历史实验数据的分类数据，表征出了制备油酸的影响因素与油酸浊点之间的初步关系，利用预设的熵值法生成所述预设的制备因素的因素熵值，进一步确定出不同的制备因素对油酸浊点的影响程度，建立了油酸浊点与制备因素的定量关系，根据定量关系可以很快确定出制备低浊点油酸的最佳条件，因此本专利技术提出低浊点油酸的制备方法及装置，可以解决低浊点油酸的制备效率较低的问题。
附图说明
[0023]图1为本专利技术一实施例提供的低浊本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种低浊点油酸的制备方法，其特征在于，所述方法包括：获取低浊点油酸的历史实验数据，利用BERT模型对所述历史实验数据进行语义特征提取，得到所述历史实验数据的语义特征；根据所述语义特征和预设的制备因素对所述历史实验数据进行数据分类，得到所述历史实验数据的分类数据；根据所述分类数据和预设的熵值法生成所述预设的制备因素的因素熵值，其中，所述预设的熵值法为：其中，是所述预设的制备因素的第个指标元素的因素熵值，是对数函数，是所述预设的制备因素的第个所述因素指标的第个指标元素的指标权重，是所述因素指标的标识，是所述指标元素的标识，是所述因素指标的总数；利用所述因素熵值和所述分类数据生成所述低浊点油酸的最佳制备条件，根据所述最佳制备条件对所述低浊点油酸进行制备。2.如权利要求1所述的低浊点油酸的制备方法，其特征在于，所述利用BERT模型对所述历史实验数据进行语义特征提取，得到所述历史实验数据的语义特征，包括：利用BERT模型对所述历史实验数据进行标记化处理，得到所述历史实验数据的标记数据；对所述标记数据进行向量转化，得到所述标记数据的数据向量；根据所述数据向量对所述标记数据进行语义分类，得到所述标记数据的分类数据；对所述分类数据中的词语进行位置识别，得到所述分类数据的顺序属性，利用所述顺序属性和所述分类数据确定所述历史实验数据的语义特征。3.如权利要求2所述的低浊点油酸的制备方法，其特征在于，所述对所述标记数据进行向量转化，得到所述标记数据的数据向量，包括：确定所述标记数据的数据总数，根据所述数据总数和预设的词典对所述标记数据进行编码，得到所述标记数据的编码数据；对所述编码数据进行数据降维，得到所述编码数据的降维数据，确定所述降维数据为所述标记数据的数据向量。4.如权利要求1所述的低浊点油酸的制备方法，其特征在于，所述根据所述语义特征和预设的制备因素对所述历史实验数据进行数据分类，得到所述历史实验数据的分类数据，包括：根据预设的制备因素确定所述语义特征的聚类中心，利用预设的聚类算法计算所述语义特征与所述聚类中心的目标函数值，其中，所述预设的聚类算法为：其中，是所述语义特征与所述聚类中心的目标函数值，是所述语义特征的标识，是所述聚类中心的标识，是所述聚类中心的总数，是
第个所述语义特征，是第个所述聚类中心，是所述语义特征的总数，是距离函数，是最小值函数；根据所述目标函数值对所述语义特征进行特征划分，得到所述语义特征的分类特征，根据所述分类特征确定所述历史实验数据的分类数据。5.如权利要求1所述的低浊点油酸的制备方法，其特征在于，所述根据所述分类数据和预设的熵值法生成所述预设的制备因素的因素熵值，包括：根据所述分类数据确定所述预设的制备因素的因素指标，对所述因素指标进行标准化处理，得到所述因素指标的标准化指标；计算所述标准化指标的指标权重，利用所述...
【专利技术属性】
技术研发人员：袁钢，鄢国权，蔡万根，罗焕林，杨建国，袁志，黄新华，袁杰，岳杨，熊建华，朱利军，付利民，熊智闻，徐涛，邓乾春，胡超权，李红艳，赵强，
申请(专利权)人：江西省天玉油脂有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。