一种基于大数据分析技术的电工钢用户选材询单推荐方法与流程

1.本发明属于取向硅钢生产技术领域，具体涉及一种基于大数据分析技术的电工钢用户选材询单推荐方法。


背景技术：

2.电工钢是一种软磁性能优异的钢铁产品，主要用来制造各种电机和变压器的铁芯，是电力、电机工业中重要的金属软磁材料。其性能指标主要分为磁性能、力学性能、涂层性能及尺寸公差等方面涉及约100项技术指标，同时电工钢牌号种类较多(约150个牌号)，在客户询单选材推荐过程中，这些性能指标都需要一一进行确认、评估，同时与牌号标准进行比较，是个十分复杂的过程。目前，国内外钢铁产品的用户询单选材主要为材料技术人员通过企业标准、国家国际标准及专家经验进行材料的推荐，导致客户询单选材推荐周期长及过分依赖专家主观经验，同时也很难向客户推荐出性能最优、最适合的产品，产品等级推荐过高造成用户使用成本增加，或者产品等级推荐偏低导致产品部分性能指标不符合客户使用要求。此外推荐产品的可制造性、成材率及成本等关键指标无法量化精确评估，无法提供产品定价及盈利能力支撑。
3.申请号为：cn202010542315.4的发明申请，公开了“一种建材产品的智能交互选材方法”，包括如下步骤：步骤s1：用户通过登录口令启动并登陆系统；步骤s2：选择场景分类、场景风格、场景空间并进入；步骤s3：切换视角并行走查看，对建材产品进行选择；步骤s4：实时渲染生成空间动态展示、全景图、短视频数据以及对应二维码；步骤s5：用户通过扫描二维码登录网站浏览全景图和短视频；步骤s6：浏览过程中对当前视角进行截图并保存在本地。


技术实现要素：

4.为解决以上问题，本发明提供了一种基于大数据分析技术的电工钢用户选材询单推荐方法，其技术方案具体如下：
5.一种基于大数据分析技术的电工钢用户选材询单推荐方法，其特征在于：
6.于终端计算机内、以可与终端计算机各数据库进行信息交互的形式、设置一计算模块；经此计算模块完成如下步骤的运行，据此建立对用户的选材询单推荐：
7.s1：于各数据库完成设定的有效信息的采集，并将采集信息组成关联数据字段；
8.s2：基于各数据库，完成用户询单选材推荐方案模型的设置；
9.s3：基于用户询单选材推荐方案模型，对步骤s1中生成的关联数据字段进行是否符合用户询单选材推荐方案模型的推荐方案的判断，据此筛选出符合用户询单选材推荐方案模型的推荐方案的数据字段、并形成相应的推荐牌号；
10.s4：根据用户需求与生产实绩、通过设定的评估模型对各推荐牌号进行评估计算，据此确定最终的推荐方案。
11.根据本发明的一种基于大数据分析技术的电工钢用户选材询单推荐方法，其特征
在于：
12.于所述的用户询单选材推荐方案模型内形成有如下三级推荐模式：
13.基于企业标准数据库的第一级推荐模式；
14.基于大生产实绩主题表的第二级推荐模式；
15.基于各项性能主题表的第三级推荐模式；
16.以上三级推荐形成依次的先后推荐关系，后一级推荐以不满足前一级推荐为触发条件。
17.根据本发明的一种基于大数据分析技术的电工钢用户选材询单推荐方法，其特征在于：
18.所述的评估模型由性能相似度、可制造性、成材率、成本四个维度因素的加权评估构成；各自的权重根据用户需求与生产实绩确定。
19.根据本发明的一种基于大数据分析技术的电工钢用户选材询单推荐方法，其特征在于：
20.还设有可与计算模块进行交互的用户界面，用户可于用户界面进行需求信息的录入。
21.根据本发明的一种基于大数据分析技术的电工钢用户选材询单推荐方法，其特征在于：
22.所述的于各数据库完成设定的有效信息的采集，以线程并行的方式进行。
23.根据本发明的一种基于大数据分析技术的电工钢用户选材询单推荐方法，其特征在于：
24.所述企业标准数据库基于各个企业标准建立。
25.根据本发明的一种基于大数据分析技术的电工钢用户选材询单推荐方法，其特征在于：
26.所述的“基于大生产实绩主题表的第二级推荐”，具体为：
27.将大生产牌号的100％符合以及3西格玛水平性能符合设定为逻辑或的约束条件，在此约束条件下进行用户需求与大生产实绩主题表的比对，以此完成基于大生产实绩主题表的第二级推荐。
28.根据本发明的一种基于大数据分析技术的电工钢用户选材询单推荐方法，其特征在于：
29.所述的“基于各项性能主题表的第三级推荐”，具体为：
30.设定各项性能的符合率，据此进行各项性能符合率下的用户性能要求与各项性能主题表的比对，据此完成基于各项性能主题表的第三级推荐。
31.根据本发明的一种基于大数据分析技术的电工钢用户选材询单推荐方法，其特征在于：
32.基于性能相似度的评估，具体为：将用户需求性能与大生产实绩性能进行比对，并按推荐牌号进行各项性能要求的打分与统计，所述打分按下式进行：
[0033][0034]
其中，
[0035]
ni＝推荐牌号性能符合样本量；
[0036]
n＝推荐牌号总样本量；
[0037]
pi＝性能i占比；
[0038]
i＝性能类型。
[0039]
根据本发明的一种基于大数据分析技术的电工钢用户选材询单推荐方法，其特征在于：
[0040]
基于可制造性的评估，具体通过对历史供货量、最大订货宽度及涂层类型三个因素各自评估值的加权平均完成。
[0041]
根据本发明的一种基于大数据分析技术的电工钢用户选材询单推荐方法，其特征在于：
[0042]
对历史供货量的评估值通过如下进行：
[0043]
首先设定分值为满分的供货量吨位，
[0044]
然后按照设定的等差梯度下降的供货量吨位进行相应分值减少的分值设定，据此确定基于历史供货量的评估体系设定。
[0045]
根据本发明的一种基于大数据分析技术的电工钢用户选材询单推荐方法，其特征在于：
[0046]
对最大订货宽度及涂层类型的评估值均按照基于各自的二值判断对应的分值进行。
[0047]
根据本发明的一种基于大数据分析技术的电工钢用户选材询单推荐方法，其特征在于：
[0048]
基于成材率的评估，通过将钢卷在硅钢区域的出口重量与入口重量进行比值计算确定。
[0049]
根据本发明的一种基于大数据分析技术的电工钢用户选材询单推荐方法，其特征在于：
[0050]
基于成本的评估，通过对推荐出的牌号进行设定分值内的排序打分完成。
[0051]
本发明的一种基于大数据分析技术的电工钢用户选材询单推荐方法，基于l4计算机系统开发出的计算模块及相应的可与计算模块进行信息交互的用户界面完成；所述的计算模块以与l4计算机内各数据库交互的形式完成设置，借助大数据以及自身设置的用户询单选材推荐方案模型与评估模型，形成可根据不同用户需求对应的不同评价体系，完成与不同用户需求适配的方案推荐。
附图说明
[0052]
图1为本发明的推荐步序示意图；
[0053]
图2为本发明中的技术原理与实施例部分的整体系统框架示意图；
[0054]
图3为本发明中的技术原理与实施例部分的按性能最优的推荐牌号示意图；
[0055]
图4为本发明中的技术原理与实施例部分的按成本最优的推荐牌号示意图；
[0056]
图5为本发明中的技术原理与实施例部分的按可制造最优的推荐牌号示意图；
[0057]
图6为本发明实施例的方案评估维度模型示意图。
具体实施方式
[0058]
下面，根据说明书附图和具体实施方式对本发明的一种基于大数据分析技术的电工钢用户选材询单推荐方法作进一步具体说明。
[0059]
一种基于大数据分析技术的电工钢用户选材询单推荐方法，于终端计算机内、以可与终端计算机各数据库进行信息交互的形式、设置一计算模块；经此计算模块完成如下步骤的运行，据此建立对用户的选材询单推荐：
[0060]
s1：于各数据库完成设定的有效信息的采集，并将采集信息组成关联数据字段；
[0061]
s2：基于各数据库，完成用户询单选材推荐方案模型的设置；
[0062]
s3：基于用户询单选材推荐方案模型，对步骤s1中生成的关联数据字段进行是否符合用户询单选材推荐方案模型的推荐方案的判断，据此筛选出符合用户询单选材推荐方案模型的推荐方案的数据字段、并形成相应的推荐牌号；
[0063]
s4：根据用户需求与生产实绩、通过设定的评估模型对各推荐牌号进行评估计算，据此确定最终的推荐方案。
[0064]
其中，
[0065]
于所述的用户询单选材推荐方案模型内形成有如下三级推荐模式：
[0066]
基于企业标准数据库的第一级推荐模式；
[0067]
基于大生产实绩主题表的第二级推荐模式；
[0068]
基于各项性能主题表的第三级推荐模式；
[0069]
以上三级推荐形成依次的先后推荐关系，后一级推荐以不满足前一级推荐为触发条件。
[0070]
其中，
[0071]
所述的评估模型由性能相似度、可制造性、成材率、成本四个维度因素的加权评估构成；各自的权重根据用户需求与生产实绩确定。
[0072]
其中，
[0073]
还设有可与计算模块进行交互的用户界面，用户可于用户界面进行需求信息的录入。
[0074]
其中，
[0075]
所述的于各数据库完成设定的有效信息的采集，以线程并行的方式进行。
[0076]
其中，
[0077]
所述企业标准数据库基于各个企业标准建立。
[0078]
其中，
[0079]
所述的“基于大生产实绩主题表的第二级推荐”，具体为：
[0080]
将大生产牌号的100％符合以及3西格玛水平性能符合设定为逻辑或的约束条件，在此约束条件下进行用户需求与大生产实绩主题表的比对，以此完成基于大生产实绩主题表的第二级推荐。
[0081]
其中，
[0082]
所述的“基于各项性能主题表的第三级推荐”，具体为：
[0083]
设定各项性能的符合率，据此进行各项性能符合率下的用户性能要求与各项性能主题表的比对，据此完成基于各项性能主题表的第三级推荐。
[0084]
其中，
[0085]
基于性能相似度的评估，具体为：将用户需求性能与大生产实绩性能进行比对，并按推荐牌号进行各项性能要求的打分与统计，所述打分按下式进行：
[0086][0087]
其中，
[0088]
ni＝推荐牌号性能符合样本量；
[0089]
n＝推荐牌号总样本量；
[0090]
pi＝性能i占比；
[0091]
i＝性能类型。
[0092]
其中，
[0093]
基于可制造性的评估，具体通过对历史供货量、最大订货宽度及涂层类型三个因素各自评估值的加权平均完成。
[0094]
其中，
[0095]
对历史供货量的评估值通过如下进行：
[0096]
首先设定分值为满分的供货量吨位，
[0097]
然后按照设定的等差梯度下降的供货量吨位进行相应分值减少的分值设定，据此确定基于历史供货量的评估体系设定。
[0098]
其中，
[0099]
对最大订货宽度及涂层类型的评估值均按照基于各自的二值判断对应的分值进行。
[0100]
其中，
[0101]
基于成材率的评估，通过将钢卷在硅钢区域的出口重量与入口重量进行比值计算确定。
[0102]
其中，
[0103]
基于成本的评估，通过对推荐出的牌号进行设定分值内的排序打分完成。
[0104]
工作原理及实施例
[0105]
本案设立的目的是为智能快速有效推荐最优产品，并利用硅钢产品大生产海量数据对产品进行可制造、成材率、成本及盈利能力评价，提供推荐产品的定价及盈利能力分析供销售部门使用。
[0106]
其通过融合企业标准和大生产实绩数据，利用大数据分析技术，基于用户需求，智能生成并评估最优的产品推荐方案供客户选用，系统框架见图2，主要构成部分如下：
[0107]
1、用户信息、需求的采集
[0108]
1.1用户信息：主要采集用户相关信息，包括：公司名称、联系地址、联系人、所属部门、手机号、联系邮箱、微信号等。
[0109]
1.2用户需求：主要采集用户对产品的具体需求，分为采购规范及具体性能指标：
[0110]
采购规范：主要为采购品种、订货厚度、牌号、涂层类型、切边方式、订货宽度等。
[0111]
性能指标：主要为电磁性能(铁损、磁感、磁致伸缩等)、机械性能(屈服强度、抗拉强度、延伸率、反复弯曲、硬度)、涂层性能(涂层厚度、表面绝缘电阻、涂层附着性)、尺寸偏
差(同板差、宽度公差、不平度、毛刺高度、镰刀湾、残余曲率、叠装系数)等性能要求；
[0112]
2、数据集成
[0113]
本方法是基于用户对性能指标的要求，针对电工钢企业标准、大生产实绩，形成标准数据库、大生产实绩主题及基于每个钢卷的各项性能主题表，并实现各数据主题间相同字段对应，为本方法实现提供数据基础：
[0114]
2.1、标准数据库
[0115]
将各个企业标准纳入数据库，建立企业标准数据库，用于用户询单选材推荐。
[0116]
2.2、大生产实绩主题
[0117]
以大生产实绩数据为基础，建立各个品种、产品的实绩数据库，并统计100％符合及 3西格玛水平符合的实绩主题表，用于用户询单选材推荐。
[0118]
2.3、各项性能主题表
[0119]
串联钢卷全流程数据，主要为质保书数据、成品性能数据、成材率和成本数据，建立磁性能、机械性能、涂层性能、尺寸公差、成材率及成本数据库。
[0120]
3、评估模型
[0121]
管理本方案所用到的所有模型，包括方案生成模型、方案评估模型库：
[0122]
3.1、方案生成模型：
[0123]
模型基于用户需求智能匹配合适的产品牌号，主要分三个层次进行产品推荐：
[0124]
第一层产品推荐：基于各类企业标准数据库，优先推荐企业标准产品供客户使用，实现生产效益、供货效率的最大化。
[0125]
第二层产品推荐：当各类企业标准无法满足客户需求时，进行大生产实绩主题表的比对推荐，通过目前已大生产牌号的100％符合及3西格玛水平性能符合，推荐出符合顾客需求的产品。
[0126]
第三层产品推荐：当第一、第二层产品推荐均无满足客户需求的产品时，进行第三层产品推荐，即通过磁性能、机械性能及涂层性能等各项性能主题表，与用户的性能要求进行比对分析，推送出性能符合率较高的各类牌号。
[0127]
3.2、方案评估模型：利用大生产数据对方案生成模型得到的产品推荐方案进行性能相似度、可制造性、成材率、成本等多个维度的综合评估，最终得到各方案的综合最优指数，进而进行最优产品推荐。
[0128]
性能相似度评估模型：评估客户需求性能与大生产实际性能性能之间的相似度。
[0129]
得分计算逻辑为：
[0130]
1)通过对用户需求性能与大生产实绩性能进行比对，按推荐牌号进行统计，符合用户性能要求的样本量/总的样本量*100，即为该项性能要求的得分；
[0131]
2)不同类型性能要求的占比不同，根据电工钢产品的使用特点，本模型各性能占比设计如下。
[0132][0133]
性能类得分计算：
[0134][0135]
其中：ni＝推荐牌号性能符合样本量；n＝推荐牌号总样本量；pi＝性能i占比；
[0136]
i＝性能类型(磁性能、机械性能、涂层性能、尺寸公差)。
[0137]
可制造性评估模型：通过生产实绩及机组制造能力，通过历史供货量、最大订货宽度、可生产涂层类型三个维度进行可生产性评估。
[0138]
1)历史供货量：对推荐牌号近2年的历史供货量进行统计，当供货量≥1000吨时为满分100分，每减少100吨该项等分-10分。如，历史供货量为850吨，则该项得分为90分。
[0139]
2)最大订货宽度：根据产品类型及机组制造能力，制定出不同牌号最大订货宽度的静态表进行自动询单判断，同时该静态表随着机组制造能力的提升进行定期维护更新。当客户订货宽度超过极限宽度后，该项得分为50分，否则100分。
[0140]
3)涂层类型：受不同牌号产品特点及机组装备能力制约，不同牌号可生产的涂层种类不同，通过建立不同牌号可生产涂层类型的静态表，进行客户询单的自动判定，同时随着产品工艺的优化及机组可制造性的拓展，该静态表可进行实时维护更新。当推荐牌号可生产客户订购的涂层产品类型时，该项得分为100分，否则为50分。
[0141]
因此，可制造性评估模块的最终得分＝average(历史订货量、最大订货款的、涂层类型)。
[0142]
机组成材率评估模型：基于钢卷在硅钢区域的入口、出口重量对推荐牌号的成材率进行综合评估，即推荐牌号综合成材率评估模块得分＝(∑(推荐牌号出口重量)/(推荐牌号入口重量))*100
[0143]
成本评估模型：基于钢卷生产单位成本数据对各推荐牌号成本指标进行评估，评估结果为60-100分，其中成本最低为100，最高为60；
[0144]
综合最优指数：基于性能相似度、可生产性、机组成材率和成本等多个维度评估推荐牌号的评估结果，进行综合加权评估，即综合最优指数＝∑权重*评估指标。根据具体的用户需求与生产实绩确定权重，形成不同的评价体系，据此形成各个体系下的各自最优方案推荐。
[0145]
同时，提供了3种评价体系供选择，分别为性能最优、成本最优、可制造性最优，默认选用性能最优评估模型。
[0146][0147]
备注：各评估指标的占比根据后续的使用情况可进行优化。
[0148]
4数据应用
[0149]
本方案与用户交互前端界面，用户通过相关信息的录入即可生成最优推荐方案。
[0150]
a)方案生成：通过用户基本信息、用户性能需求的录入，调用方案生成模型，生成推荐方案。
[0151]
方案评估：对生成方案调用方案评估模型对方案进行评估，并按照评估得分高低进行排序，推荐最优的五个方案(如图3、4、5所示)，并展示相应方案的各个评估指标的评估结果。
[0152]
按照上述原理的例子，具体如下：
[0153]
1.用户信息录入：
[0154][0155]
2.采购规范录入：
[0156][0157]
3.性能指标录入：
[0158][0159]
4.方案生成及方案评估(参考图6)：
[0160][0161]
备注：系统默认采用性能最优的综合指数评估分排序。
[0162]
本发明的一种基于大数据分析技术的电工钢用户选材询单推荐方法，基于l4计算机系统开发出的计算模块及相应的可与计算模块进行信息交互的用户界面完成；所述的计
算模块以与l4计算机内各数据库交互的形式完成设置，借助大数据以及自身设置的用户询单选材推荐方案模型与评估模型，形成可根据不同用户需求对应的不同评价体系，完成与不同用户需求适配的方案推荐。