化工分析與檢驗工作中常見難題與對策分析

許叢琳 牟志娟 陳坤(日照安科檢測評價技術有限公司，山東日照 276800)

0 引言

化工分析與檢驗是一項十分復雜的工作，里面涉及很多復雜的操作，比如原料種類的多變性，使用很多的儀器，人為的對產品進行評估和數據分析，需要分析員有深厚的數學功底和數學建模水平，不同的分析人員因為不同的操作和經驗會產生很大的不同，這就可能會導致產品上面出現不同程度的誤差，從而影響到企業實際的生產生活。

1 化工分析與檢驗工作中常見難題及解決方法

化工企業在進行化工分析之前肯定會進行撿樣，制樣，驗樣等一些操作，這些人為的操作中往往就會發生批漏，比如說撿取樣本的時候可能會出現少揀，錯揀，漏檢等現象。這些現象的危害是十分嚴重的，哪怕給你最好的化工分析員，它也會直接導致最后實驗結果分析的不準確，從而錯誤的指導化工生產。下面就如何避免原材料的錯誤和紕漏談一談具體的措施。

首先，撿樣和制樣的人員都是必須經過專門培訓的[1]。撿樣的時候選擇隨機抽樣，比如說礦山企業的磷礦進行撿樣和抽樣，那么就要從不同的井口，井口里面不同的位置進行取樣。下面來說說制樣環節，制樣的機器是十分昂貴的，而且維護成本也是昂貴的。所以最好的做法就是把員工培訓成能夠熟練操作使用這些機器的員工，避免員工在使用機器時候的不當而導致機器出現故障，如果員工在能夠撿樣和制樣的條件下也能夠自己維修制樣機器那是最好的了。最后一點要說明的就是員工采樣和制樣化工分析最好分成兩個步驟，也就是分成兩個工種：一批員工專門從事采樣和制樣，另外一批員工就去從事樣本的化工分析。且每天制作出來的樣本由制樣人直接送去化驗室交給化驗工作員，這樣就能最大程度上避免采樣，制樣，驗樣環節的紕漏。

督促相關工作人員落實分析與檢驗行為。建模與計算機運算只是減少化工分析誤差的手段，化工分析與檢驗工作的本質上是人，數據可以減少理論上和實際工作中的誤差，但一些人為的誤差往往無法避免。相關工作人員在工作中，要提高自身對于新技術的掌握度，比避免操作誤差，細致分析化工分析與檢驗工作中的實驗用量，選定合理科學的指標劑，對于操作流暢要牢記于心，避免實驗誤差。另外，對于化工分析與檢驗的儀器，工作人員要定期清理，在再次使用前要徹底消毒，減少上次實驗殘留，這樣可以減少分析誤差。從而提高分析的精確度，促進企業進一步發展。

2 使用大數據技術解決實驗數據的誤差出現問題及解決方法

在化工企業進行化工分析指導化工生產的時候，最為關鍵的一環就是化工分析所得出的結果了，因為化工企業往往都是以這個結果為指標指導企業進行生產實踐，如果化工分析這個環節出了錯誤，那么就會對企業造成巨大的經濟損失。而這個錯誤可能僅僅只是由化工分析人員分析實驗數據的誤差所導致的，當然，對于誤差這個東西，我們是不可避免的，那么如何把誤差降到最低呢，或者換句話說，如何構建一個數學模型使得對于實驗數據的擬合度最高。這是一個關鍵的問題。

擬合度是數據挖掘中的一個專屬名詞，它的定義就是給你一組實驗數據，你通過一系列的算法和軟件對這些數據進行分析，最后得出一個數學模型也就是一個復雜的多元多次方程組來實現對這些數據的描述，這個就叫做擬合，也就是通過一個數學模型來高度擬合出我們的實驗數據。化工分析中，我們應該怎么做呢，首先，我們必須得要求化工分析人員具有其過硬的專業技能和工作經驗的積累，另外還需要化工分析人員具有深厚的數學功底，至少構建數學模型所需要的基本的高等數學和線性代數以及一些概率論是必須要求的。身處21 世紀，很多產業和服務都搭上了互聯網這輛順風車，從此開始飛速的發展，可以說互聯網深深的改變了我們的生活，身為化工分析員，不僅要學會利用計算機快速性和準確性來為我們服務，也要學會利用計算機的大數據環境對我們的數據進行數據挖掘和數據分析。這一點尤為重要。因為化工分析早在很多年前就已經存在了，那些資深的化工分析員都已經有了很多的行業經驗，但正因為如此，很多老化工分析員就會滿足于現狀，靠著自己幾十年的經驗吃飯，這是不對的。

時代在發展，技術在進步，大數據和人工智能是未來的趨勢，所以我們也要學會使用大數據技術來為企業的化工分析提供服務。我們的第一個需求將實驗數據進行存儲，利用大數據平臺Hadoop，將數據存放在它的分布式文件系統HDFS 中，這樣好方便后面的計算服務。我們的第二個需求是大數據環境下，化工分析所需要的數據計算。可以使用大數據平臺Hadoop的MapReduce 進行計算，或者是通過大數據平臺Spark 代替Hadoop 的MapReduce 進行計算，因為Spark 是基于內存的運算，比MapReduce 快上數百倍。最重要的是對數據進行數據建模和數據分析，使用機器學習的分類，回歸等算法。這兩個算法可以用來用來進行數學模型的耦合性的判斷和模擬，可以通過這些個算法并且通過我們化工企業以往的化工分析的一些數據集，然后通過一個或者幾個生產因素來直接預測我們的生產結果是怎么樣的[3]。還有就是在化工分析中可以對化工分析的數據進行分析，使用機器學習中的推薦算法和關聯算法Fpgrowth 等等，幫我們直接找到最合適的原材料之間的搭配比例。最后還需要化工分析相關人員要做的就是對實驗數據結果的圖形化繪制，我們往往需要使用R 語言對我們的實驗結果進行繪圖，以便結果通過圖形的方式表達出來。這在化工分析中是極其關鍵的。圖1 就是我們的化工數據分析之后的擬合度的數學模型的構建和R 語言的可視化，因為沒有具體的化工分析數據，所以我們使用R 環境自帶的女性身高和體重的數據集進行模擬的圖形，原理一樣。

圖1 R語言對實驗結果的可視化繪圖

3 結語

2016年開始，大數據和人工智能是未來的趨勢，我們的化工分析也應該搭乘一下大數據的順風車，通過大數據的一系列的專業的算法來對我們的化工數據進行分析和構建數學模型，以便更好的來指導我們企業的生產生活實踐，使得企業能夠在減小成本的情況下，同時也獲得更多的經濟收入。