Page 49 - 《橡塑技术与装备》2026年2期

综述与专论
SPECIAL AND COMPREHENSIVE REVIEW

过交叉验证、留一法等方法验证模型的准确性和泛化 从每次操作中学习，不断优化其预测和决策能力。面
能力。确保模型在不同的数据集上都能提供可靠的预 对不断变化的市场和环境条件，系统自动调整其策略
测结果。将训练好的模型应用于实际的废塑料热解过 和参数。
程，评估不同条件下的环境影响。模型可以预测在不 1.14 实时监测和质量控制基础理论的开发
同热解参数下，对环境的直接和间接影响，帮助决策 策略
者优化热解过程，减少环境负担。随着技术的进步和 通过收集的数据经过实时处理和分析，实时监测
新数据的积累，不断改进和扩展模型，纳入更多影响 系统与质量控制流程相结合，实现一个闭环控制系统，
因素，提高评估的准确性和全面性。AI 模型可以评估 通过反馈环路将监测数据与设定的目标值进行比较，
热解过程对环境的影响，如温室气体排放、污染物释 自动调整过程参数，以达到最优操作状态 。通过实时
放等。通过预测模型，可以量化不同操作条件下的环 监测和 AI 分析，可以监控热解过程中的产品质量，及
境影响，从而指导优化策略，减少对环境的负面影响。 时调整工艺参数以保证产出的稳定性和高质量。
1.11 资源回收率预测基础理论的开拓策略
通过收集废塑料的物理化学性质、热解条件、产 2 AI 废塑料热解模型主要功能分析及关
物类型、回收率的历史数据，以及任何可能影响回收 键技术实施策略
率的因素，使用统计方法或机器学习算法来确定哪些 AI 赋能下的废塑料热解技术正朝着更高效率、更
特征对预测回收率最重要，创建新的特征，如温度 - 清洁以及资源回收利用率最大化的目标迈进。首先，
时间交互特征，或者通过聚类分析等方法发现新的模 深度学习算法被应用于热解过程的优化控制，通过实
式。根据问题的性质和数据的特性选择合适的模型， 时监测和预测热解条件，实现对反应参数的精确调控，
验证调整模型参数，优化模型性能。将预测模型与热 从而提高热解效率和产物质量。其次，强化学习技术
解过程控制系统集成，实现集成优化。持续监控预测 在模拟热解过程的复杂动态行为上展现出巨大潜力，
系统的性能，收集反馈数据，以评估模型的长期有效 通过构建虚拟实验平台，不断调整优化策略以达到最
性。根据新的数据和反馈进行模型的更新和优化，以 佳热解效果。此外，集成人工智能与物联网（IoT）技
适应工艺的变化和环境条件的改变。 术，实现热解设备的远程监控与智能维护，降低运行
创建一个能够预测和优化废塑料热解过程资源回 成本并提高设备可靠性。
收率的 AI 系统，从而提高资源利用效率，减少环境污 AI 废塑料热解技术围绕提高效率、优化过程、增
染。 强决策能力以及预测等方面开拓。
1.12 设备维护与故障预测基础理论的开拓 2.1 线性回归模型和逻辑回归模型的主要分
策略 析及关键技术实施策略
通过收集设备历史的运行数据和实时运行状态， 线性回归模型和逻辑回归模型在废塑料热解中的
选择对设备故障预测有显著影响的特征并创建新的特 应用主要体现在预测和分类两个方面，分别针对数值
征。将实时收集的数据与预测模型连接，实现实时故 预测和类别预测任务。
障预测。将预测系统与现有的设备管理系统、工作流 2.1.1 线性回归模型主要功能分析及关键技
系统集成，确保数据流的顺畅。在实际环境中部署预 术实施策略
测系统，持续监控其性能和效果。定期评估预测系统 主要功能 ：回归模型主要用于预测连续变量，如
的准确性和效率，根据评估结果进行优化。 废塑料热解过程中的产率、能量消耗、温度变化等。
1.13 集成与协同基础理论的开拓策略 关键技术实施策略 ：
通过把 AI 的各门类技术整合到整个废塑料热解 （1）数据收集 ：收集废塑料热解过程中的各种参
过程的各个环节，以实现高效、环保的资源回收与处 数，如温度、压力、时间、原料种类、热解产物的产率等。
理。首先，需要建立一个集成的数据平台，该平台能 （2）特征选择 ：选择对预测目标有显著影响的特
够收集、存储和处理来自不同源头的数据。开发基于 征作为输入变量。
AI 的调度与优化算法。构建预测与决策支持系统。开 （3）模型训练 ：使用历史数据训练线性回归模型，
发可视化用户界面。建立持续学习机制，使系统能够 找到最佳的参数（权重和截距）使得预测结果与实际

2026 第 52 卷 ·3·
年