化工分析与检验工作中常见难题与对策分析

2020-05-25许丛琳牟志娟陈坤日照安科检测评价技术有限公司山东日照276800

化工管理 2020年13期

许丛琳牟志娟陈坤(日照安科检测评价技术有限公司，山东日照 276800)

0 引言

化工分析与检验是一项十分复杂的工作，里面涉及很多复杂的操作，比如原料种类的多变性，使用很多的仪器，人为的对产品进行评估和数据分析，需要分析员有深厚的数学功底和数学建模水平，不同的分析人员因为不同的操作和经验会产生很大的不同，这就可能会导致产品上面出现不同程度的误差，从而影响到企业实际的生产生活。

1 化工分析与检验工作中常见难题及解决方法

化工企业在进行化工分析之前肯定会进行捡样，制样，验样等一些操作，这些人为的操作中往往就会发生批漏，比如说捡取样本的时候可能会出现少拣，错拣，漏检等现象。这些现象的危害是十分严重的，哪怕给你最好的化工分析员，它也会直接导致最后实验结果分析的不准确，从而错误的指导化工生产。下面就如何避免原材料的错误和纰漏谈一谈具体的措施。

首先，捡样和制样的人员都是必须经过专门培训的[1]。捡样的时候选择随机抽样，比如说矿山企业的磷矿进行捡样和抽样，那么就要从不同的井口，井口里面不同的位置进行取样。下面来说说制样环节，制样的机器是十分昂贵的，而且维护成本也是昂贵的。所以最好的做法就是把员工培训成能够熟练操作使用这些机器的员工，避免员工在使用机器时候的不当而导致机器出现故障，如果员工在能够捡样和制样的条件下也能够自己维修制样机器那是最好的了。最后一点要说明的就是员工采样和制样化工分析最好分成两个步骤，也就是分成两个工种：一批员工专门从事采样和制样，另外一批员工就去从事样本的化工分析。且每天制作出来的样本由制样人直接送去化验室交给化验工作员，这样就能最大程度上避免采样，制样，验样环节的纰漏。

督促相关工作人员落实分析与检验行为。建模与计算机运算只是减少化工分析误差的手段，化工分析与检验工作的本质上是人，数据可以减少理论上和实际工作中的误差，但一些人为的误差往往无法避免。相关工作人员在工作中，要提高自身对于新技术的掌握度，比避免操作误差，细致分析化工分析与检验工作中的实验用量，选定合理科学的指标剂，对于操作流畅要牢记于心，避免实验误差。另外，对于化工分析与检验的仪器，工作人员要定期清理，在再次使用前要彻底消毒，减少上次实验残留，这样可以减少分析误差。从而提高分析的精确度，促进企业进一步发展。

2 使用大数据技术解决实验数据的误差出现问题及解决方法

在化工企业进行化工分析指导化工生产的时候，最为关键的一环就是化工分析所得出的结果了，因为化工企业往往都是以这个结果为指标指导企业进行生产实践，如果化工分析这个环节出了错误，那么就会对企业造成巨大的经济损失。而这个错误可能仅仅只是由化工分析人员分析实验数据的误差所导致的，当然，对于误差这个东西，我们是不可避免的，那么如何把误差降到最低呢，或者换句话说，如何构建一个数学模型使得对于实验数据的拟合度最高。这是一个关键的问题。

拟合度是数据挖掘中的一个专属名词，它的定义就是给你一组实验数据，你通过一系列的算法和软件对这些数据进行分析，最后得出一个数学模型也就是一个复杂的多元多次方程组来实现对这些数据的描述，这个就叫做拟合，也就是通过一个数学模型来高度拟合出我们的实验数据。化工分析中，我们应该怎么做呢，首先，我们必须得要求化工分析人员具有其过硬的专业技能和工作经验的积累，另外还需要化工分析人员具有深厚的数学功底，至少构建数学模型所需要的基本的高等数学和线性代数以及一些概率论是必须要求的。身处21 世纪，很多产业和服务都搭上了互联网这辆顺风车，从此开始飞速的发展，可以说互联网深深的改变了我们的生活，身为化工分析员，不仅要学会利用计算机快速性和准确性来为我们服务，也要学会利用计算机的大数据环境对我们的数据进行数据挖掘和数据分析。这一点尤为重要。因为化工分析早在很多年前就已经存在了，那些资深的化工分析员都已经有了很多的行业经验，但正因为如此，很多老化工分析员就会满足于现状，靠着自己几十年的经验吃饭，这是不对的。

时代在发展，技术在进步，大数据和人工智能是未来的趋势，所以我们也要学会使用大数据技术来为企业的化工分析提供服务。我们的第一个需求将实验数据进行存储，利用大数据平台Hadoop，将数据存放在它的分布式文件系统HDFS 中，这样好方便后面的计算服务。我们的第二个需求是大数据环境下，化工分析所需要的数据计算。可以使用大数据平台Hadoop的MapReduce 进行计算，或者是通过大数据平台Spark 代替Hadoop 的MapReduce 进行计算，因为Spark 是基于内存的运算，比MapReduce 快上数百倍。最重要的是对数据进行数据建模和数据分析，使用机器学习的分类，回归等算法。这两个算法可以用来用来进行数学模型的耦合性的判断和模拟，可以通过这些个算法并且通过我们化工企业以往的化工分析的一些数据集，然后通过一个或者几个生产因素来直接预测我们的生产结果是怎么样的[3]。还有就是在化工分析中可以对化工分析的数据进行分析，使用机器学习中的推荐算法和关联算法Fpgrowth 等等，帮我们直接找到最合适的原材料之间的搭配比例。最后还需要化工分析相关人员要做的就是对实验数据结果的图形化绘制，我们往往需要使用R 语言对我们的实验结果进行绘图，以便结果通过图形的方式表达出来。这在化工分析中是极其关键的。图1 就是我们的化工数据分析之后的拟合度的数学模型的构建和R 语言的可视化，因为没有具体的化工分析数据，所以我们使用R 环境自带的女性身高和体重的数据集进行模拟的图形，原理一样。