基于人工智能的纸板生产全生命周期监管系统及方法技术方案

本发明专利技术公开了基于人工智能的纸板生产全生命周期监管系统及方法，属于纸板生产监管技术领域。本系统包括：全生命周期生产模块、校验模块、运输环境智能分析模块、实时预测模块以及智能调节模块；所述全生命周期生产模块的输出端与所述校验模块的输入端相连接；所述校验模块的输出端与所述运输环境智能分析模块的输入端相连接；所述运输环境智能分析模块的输出端与所述实时预测模块的输入端相连接；所述实时预测模块的输出端与所述智能调节模块的输入端相连接；本发明专利技术结合纸板生产的全生命周期，借助人工智能的方式，能够判断出当前生产纸板的参数能否满足收货方的需求条件，有利于节约资源，保护环境，提高客户满意度。提高客户满意度。提高客户满意度。

【技术实现步骤摘要】
基于人工智能的纸板生产全生命周期监管系统及方法


[0001]本专利技术涉及纸板生产监管
，具体为基于人工智能的纸板生产全生命周期监管系统及方法。

技术介绍

[0002]瓦楞纸板是目前包装的重要材料之一，在目前的纸板生产
上，一般设置有出场校验环节，要保证出场强度满足收货方的强度需求，然而在后续的运输过程中，由于一般都会有堆码的情况，并且最底部的纸板要承受来自顶部载荷的静态压力，以及运输过程中的人工机械搬运的冲击对瓦楞纸板的强度也会造成一定的影响；而在远洋运输时，集装箱内不仅湿度大，昼夜温差还容易导致集装箱四壁产生积水，使得纸板的含水量发生变化，极大地影响强度；而在目前的技术手段中，一旦出现纸板不满足收货方强度需求，生产方一味提高瓦楞纸板抗压强度，造成包装材料成本的增加，不利于环保事业。而且，不同的路径运输方式导致生产参数随意改变，极大增加生产难度。

技术实现思路

[0003]本专利技术的目的在于提供基于人工智能的纸板生产全生命周期监管系统及方法，以解决上述
技术介绍
中提出的问题。
[0004]为了解决上述技术问题，本专利技术提供如下技术方案：基于人工智能的纸板生产全生命周期监管方法，该方法包括以下步骤：
[0005]S1、构建纸板生产全生命周期流程，所述纸板生产全生命周期流程包括模切、压痕、接合与运输，获取历史数据中不同的纸板生产全生命周期流程下的主要生产参数；
[0006]S2、获取历史数据中纸板运输到达时的校验强度，所述运输到达时的校验强度指纸板在出厂后经过不同路径环境到达目的地后进行校验得出的强度，基于出厂时的校验强度，生成在不同路径环境下的强度损耗；
[0007]S3、构建路径参数，所述路径参数包括拆卸次数、运输组成以及纸板压力，所述拆卸次数指在运输过程中对纸板进行人工或机械拆卸的次数；所述运输组成包括水路运输与其他运输；所述纸板压力指下层纸板受到的来自上层纸板的压力数据；
[0008]S4、根据路径参数构建路径影响分析模型，判断在不同的路径环境下对纸板运输造成的预测强度损耗，获取收货方的校验强度指标，基于预测强度损耗计算出到达收货方的预测强度，若存在预测强度低于收货方的校验强度指标，反馈至生产端口；
[0009]S5、生产端口接收到反馈信息后，标记当前收货方，对纸板参数进行智能调节，提高出厂强度，构建参数监管模型，基于路径环境对胶黏剂与原纸含水量进行调节。
[0010]根据上述技术方案，在步骤S1中，所述主要生产参数指模切流程中的钢刀数据、压痕流程中的钢线数据、接合流程中的胶黏剂数据与运输流程中的路径环境数据。
[0011]根据上述技术方案，所述构建路径影响分析模型包括：
[0012]获取历史数据下不同路径环境下的强度损耗，基于每一个路径环境构建路径参数
集合[x0、y0、z0、h0]，其中x0、y0、z0分别代表不同的路径参数，指运输过程中对纸板进行人工或机械拆卸的次数、运输组成时长、压力数据；h0指强度损耗；
[0013]所述y0中包括y1、y2；其中，y1指水路运输总时长，y2指其他运输总时长；所述z0中包括[z1、z2、
…
、z
n
]，其中，z1、z2、
…
、z
n
分别指第1、2、
……
、n层纸板的压力数据，z1＝0；
[0014]纸板在实际运输过程一般都会有堆码的情况，并且最底部的纸板不仅承受来自顶部载荷的静态压力，还要承受运输过程中因振动、冲击等造成的动态压力；在水路运输时，集装箱内不仅湿度大，昼夜温差还容易导致集装箱四壁产生积水，降低纸板强度；
[0015]基于历史数据的路径参数作为训练集，构建路径影响分析模型：
[0016]基于历史数据拟合一个初始线性预测模型：
[0017]F
r
＝k1*x0+k2*y1+k3*y2+k4*z
r
+φ
[0018]其中，F
r
代表强度损耗数据，k1、k2、k3、k4代表线性预测模型的系数值；z
r
指第r层纸板的压力数据；φ代表常数误差项；
[0019]调用测试数据组，代入初始线性预测模型，计算模型输出值与测试数据组的真实值之间的差值，选取出模型输出值高于真实值，且高于部分小于系统设置的阈值的数据组记为学习组；
[0020]对学习组中每一个数据样本r
i
，分别计算其负梯度r
ti
：
[0021][0022]其中，F(r
i
)为数据样本r
i
的强度损耗数据取值，F(r
i
)采用初始线性预测模型计算，L(g
i
,F(r
i
))为对应的损失函数；
[0023]形成一个数据样本r
i
的负梯度后，构建新的学习组[r
i
、r
ti
]，以r
ti
替换原来的真实值；
[0024]将新的学习组作为下一次训练的基础数据，根据回归树原则，创建第一次迭代下生成的负梯度拟合形成第一棵回归树；
[0025]对数据进行迭代训练，每次训练过程中F(r
i
)均采用上一次的输出模型，记在第t次迭代下生成的负梯度拟合形成第t棵回归树，第t棵回归树的叶子节点区域记为R
tj
，基于叶子节点区域上的1至J个叶子节点计算最佳拟合值c
tj
：
[0026][0027]其中，c为常数项；
[0028]根据每一次迭代下的叶子节点区域遍历叶子区域形成最终的学习器：
[0029][0030]其中，F
t
(r)为最终输出的路径影响分析模型；T代表迭代总次数；I代表与最佳拟合值c
tj
组合的指示函数；若r
i
∈R
tj
，则I＝1，否则I＝0
[0031]根据运输路径，获取路径参数，基于最终输出的路径影响分析模型，判断在不同的
路径环境下对纸板运输造成的预测强度损耗，获取收货方的校验强度指标，基于预测强度损耗计算出到达收货方的预测强度，若存在预测强度低于收货方的校验强度指标，反馈至生产端口。
[0032]根据上述技术方案，所述构建参数监管模型包括：
[0033]生产端口接收到反馈信息后，标记当前收货方，对纸板参数进行智能调节，构建参数监管模型：
[0034]获取路径环境下拆卸次数与水路运输总时长，计算历史数据下未发生强度损耗不满足到达时的校验强度的路径环境数据，分别计算拆卸次数与水路运输总时长的平均值；
[0035]若存在拆卸次数超出平均值，对胶黏剂生产参数进行调节，若存在水路运输总时长超出平均值，与原纸含水量参数进行调节。
[0036]相对来说，改变瓦楞纸板的生产工艺是改变纸板挤压破损问题最简单、最直接的方式本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于人工智能的纸板生产全生命周期监管方法，其特征在于：该方法包括以下步骤：S1、构建纸板生产全生命周期流程，所述纸板生产全生命周期流程包括模切、压痕、接合与运输，获取历史数据中不同的纸板生产全生命周期流程下的主要生产参数；S2、获取历史数据中纸板运输到达时的校验强度，所述运输到达时的校验强度指纸板在出厂后经过不同路径环境到达目的地后进行校验得出的强度，基于出厂时的校验强度，生成在不同路径环境下的强度损耗；S3、构建路径参数，所述路径参数包括拆卸次数、运输组成以及纸板压力，所述拆卸次数指在运输过程中对纸板进行人工或机械拆卸的次数；所述运输组成包括水路运输与其他运输；所述纸板压力指下层纸板受到的来自上层纸板的压力数据；S4、根据路径参数构建路径影响分析模型，判断在不同的路径环境下对纸板运输造成的预测强度损耗，获取收货方的校验强度指标，基于预测强度损耗计算出到达收货方的预测强度，若存在预测强度低于收货方的校验强度指标，反馈至生产端口；S5、生产端口接收到反馈信息后，标记当前收货方，对纸板参数进行智能调节，提高出厂强度，构建参数监管模型，基于路径环境对胶黏剂与原纸含水量进行调节。2.根据权利要求1所述的基于人工智能的纸板生产全生命周期监管方法，其特征在于：在步骤S1中，所述主要生产参数指模切流程中的钢刀数据、压痕流程中的钢线数据、接合流程中的胶黏剂数据与运输流程中的路径环境数据。3.根据权利要求2所述的基于人工智能的纸板生产全生命周期监管方法，其特征在于：所述构建路径影响分析模型包括：获取历史数据下不同路径环境下的强度损耗，基于每一个路径环境构建路径参数集合[x0、y0、z0、h0]，其中x0、y0、z0分别代表不同的路径参数，指运输过程中对纸板进行人工或机械拆卸的次数、运输组成时长、压力数据；j0指强度损耗；所述y0中包括y1、y2；其中，y1指水路运输总时长，y2指其他运输总时长；所述z0中包括[z1、z2、
…
、z
n
]，其中，z1、z2、
…
、z
n
分别指第1、2、
……
、n层纸板的压力数据，z1＝0；基于历史数据的路径参数作为训练集，构建路径影响分析模型：基于历史数据拟合一个初始线性预测模型：其中，F
r
代表强度损耗数据，k1、k2、k3、k4代表线性预测模型的系数值；z
r
指第r层纸板的压力数据；代表常数误差项；调用测试数据组，代入初始线性预测模型，计算模型输出值与测试数据组的真实值之间的差值，选取出模型输出值高于真实值，且高于部分小于系统设置的阈值的数据组记为学习组；对学习组中每一个数据样本r
i
，分别计算其负梯度r
ti
：其中，F(r
i
)为数据样本r
i
的强度损耗数据取值，F(r
i
)采用初始线性预测模型计算，L(g
i
,F(r
i
))为对应的损失函数；形成每一个数据样本r
i
的负梯度后，构建新的学习组[r
i
、r
ti
]，以r
ti
替换原来的真实
值；将新的学习组作为下一次训练的基础数据，根据回归树原则，创建第一次迭代下生成的负梯度拟合形成第一棵回归树；对数据进行迭代训练，每次训练过程中F(r
i
)均采用上一次的输出模型，记在第t次迭代下生成的负梯度拟合形成第t棵回归树，第t棵回归树的叶子节点区域记为R
tj
，基于叶子节点区域上的1至J个叶子节点计算最佳拟合值c
tj
：其中，c为常数项；根据每一次迭代下的叶子节点区域遍历叶子区域形成最终的学习器：其中，F
t
(r)为最终输出的路径影响分析模型；T代表迭代总次数；I代表与最佳拟合值c
tj
组合的指示函数；根据运输路径，获取路径参数，基于最终输出的路径影响分析模型，判断在不同的路径环境下对纸板运输造成的预测强度损耗，获取收货方的校验强度指标，基于预测强度损耗计算出到达收货方的预测强度，若存在预测强度低于...

【专利技术属性】
技术研发人员：司马会锋，司马俊楠，司马俊魁，仝娜娜，宋中秋，
申请(专利权)人：洛阳浩德包装有限公司，
类型：发明
国别省市：