AI引领塑料助剂行业的技术变革与产业转型

Technological Transformation and Industrial Transformation of Plastic Additive Industry Led by AI

摘要

在塑料工业中，塑料助剂作为提升加工性能与改善产品物理化学性质的关键添加剂，发挥着不可替代的作用，其性能改进与技术创新直接关系到塑料制品的综合质量、环保水平及应用前景。在全球对绿色、高性能塑料需求持续增长的背景下，传统塑料助剂领域面临着研发周期长、实验投入大、配方设计复杂等多重挑战。在此形势下，人工智能（AI）技术依托机器学习、大数据处理与智能算法等手段，为该行业开辟了新的发展路径，助力其向智能化与高效化转型。文章探讨人工智能在推动塑料助剂技术升级与产业变革过程中面临的多类问题，包括数据获取与标准化难度较大、安全与伦理风险突出、实际应用成本较高等，相应提出构建行业数据共享机制、健全AI治理与伦理框架、推动技术成本优化等对策，以促进塑料助剂研发效率与生产智能化的提升，进一步支撑塑料工业向低碳方向转型。

Abstract

In the plastics industry, plastic additives served as key additives for enhancing processing performance and improving the physicochemical properties of products, playing an irreplaceable role. Their performance improvement and technological innovation directly determined the comprehensive quality, environmental compliance, and application prospects of plastic products. Against the backdrop of sustained global growth in demand for green and high-performance plastics, the traditional plastic additives sector faced multiple challenges including long R&D cycles, substantial experimental investment, and complex formulation design. Under these circumstances, AI technology, relying on machine learning, big data processing, and intelligent algorithms, opened up new development pathways for this industry and facilitated its transformation toward intelligence and efficiency. The article explored various challenges encountered by artificial intelligence in promoting technological upgrading and industrial transformation of plastic additives, including considerable difficulties in data acquisition and standardization, prominent security and ethical risks, and relatively high costs of practical application. Correspondingly, it proposed countermeasures such as constructing industry data-sharing mechanisms, improving AI governance and ethical frameworks, and promoting technological cost optimization, so as to enhance R&D efficiency and production intelligence in plastic additives and further support the low-carbon transformation of the plastics industry.

关键词

人工智能 / 塑料助剂 / 技术革新 / 数据平台 / 技术成本

Key words

AI / Plastic additives / Technological innovation / Data platform / Technical cost

人工智能(AI)作为新一代信息技术的核心驱动力，正深刻改变全球制造业的研发范式与生产模式^[1]。AI通过机器学习、深度学习、大数据分析及智能优化算法赋予计算机模拟人类认知与决策的能力，从而在复杂工业场景中实现高效预测、自主优化与精准控制^[2]。近年来，AI技术已从理论研究逐步渗透至材料科学、化学工程等领域，并在高分子材料设计、配方优化及智能制造中展现出巨大潜力。塑料助剂是改善塑料加工性能、物理化学特性及功能性的关键添加剂，包括增塑剂、稳定剂、阻燃剂及抗氧剂等，广泛应用于建筑、汽车、包装及电子电器等领域^[3]。塑料助剂的性能直接影响塑料制品的力学强度、耐候性、环保性及循环利用效率。

在全球范围内，市场对兼具环境友好特性与优异性能的塑料材料的需求正持续攀升。与此同时，传统塑料助剂行业也面临诸多发展瓶颈，例如产品开发周期偏长、实验投入较大、配方体系日趋复杂以及环保法规要求日益严格等。在此背景下，AI技术逐步显现出在推动该领域实现技术创新、加速研发进程与助力可持续发展转型方面的应用前景，成为驱动塑料助剂技术革新与行业进步的关键力量。通过运用AI技术，研究人员能够大幅缩短新型塑料助剂的研发周期，降低实验成本，并精准评估各类助剂的性能特性，进一步优化生产工艺，加速环境友好型助剂的开发与实际应用^[4]。本研究系统分析AI在塑料助剂行业中所带来的技术变革与结构转型路径，以期为该行业的智能化发展提供理论依据和实施建议。

1 AI在塑料助剂技术革新与产业转型中的应用前景

AI技术正推动塑料助剂行业向数字化与智能化方向转型升级。在智能配方设计方面，AI通过数据分析和机器学习，实现高性能材料组合的快速筛选与多目标优化^[5]。同时，借助智能过程控制与质量预测系统，AI进一步优化生产工艺参数，提高产品一致性与资源利用效率。

1.1 智能配方设计与优化

AI技术在新型塑料助剂开发中表现突出，借助智能化的数据处理方法能够快速甄别高性能材料组合，推动塑料行业数字化转型^[6]。相较于过去依赖人工经验与反复试错的传统研究模式，当代AI技术采用机器学习及深度学习算法，可高效分析大规模材料数据，精确锁定最优材料配比^[7]。基于变分自编码算法的智能化平台可从少量科研资料中提取有效材料制备规律，并生成新颖的配方设计思路，显著提升新材料开发效率^[8]。麻省理工学院与杜克大学的研究人员利用机器学习模型，从超过10 000种候选分子中成功筛选出可提升塑料韧性的二茂铁类交联剂。采用筛选出的二茂铁衍生物(m-TMS-Fc)作为交联剂，制备的聚丙烯酸酯塑料抗撕裂强度是以标准二茂铁为交联剂塑料的4倍^[9]。佛山祈业软件公司基于AI技术开发的化工新材料研发系统，可整合配方、工艺和检测数据，实现纳米复合材料性能预测与配方优化，使研发周期缩短60%以上，成本降低30%^[10]。

AI在数据分析和预测建模领域表现优异。该技术能够整合过往实验记录、原材料属性及加工条件等关键参数，构建高精度性能预测系统，辅助科研人员筛选最优聚合物助剂配方^[11]。在研究过程中，运用智能化计算方法结合多目标优化技术可从海量配方方案中高效识别满足特定性能指标的理想组合^[12]。借助预测系统评估各类原料配比的性能表现，再融合多目标优化手段，可有效甄别兼具热稳定性、机械耐久性及长期可靠性等综合性能的优质配方^[13]。这种依托大规模数据分析的智能化研发策略，可在提升塑料助剂开发效率的同时有效克服传统试错方法的不确定性，为高性能材料的精准设计与制备提供新路径。

1.2 生产过程智能化控制

在塑料助剂制造领域，智能控制技术的应用正带来显著变革。基于AI的解决方案能够实时监测生产状态，自主调节运行参数并优化工艺流程，从而有效提高产出率^[14]。与以往主要依靠操作人员主观判断设置生产条件的方式相比，这种智能方法更能适应多变的生产环境。借助遍布生产线的传感装置，系统可持续采集包括温度、压力及物料流量在内的多项核心数据，并运用智能学习模型实现生产参数的实时优化^[15]。在注塑成型领域，奇石乐公司推出了基于AI的自动化质量控制方案，利用模具传感器采集的模腔压力等数据，通过AI模型计算每个生产零件的尺寸、质量等关键质量参数，实现了医疗器械注塑件的100%全自动化质量检测^[16]。

采用智能反馈机制后，工艺参数的稳定性得到明显改善，最终产品的品质一致性也大幅提升^[17]。同时，智能化改造不仅提升了资源利用效率，还推动整个行业向更加环保的方向发展。相较于传统生产方式，现代智能系统可更精准地调控生产参数，从而在保证产品质量的同时实现节能减排目标^[18]。

1.3 质量检测与缺陷预测

AI在塑料助剂生产中的质量检测与缺陷预测方面展现出显著优势。通过机器视觉的自动化质检和基于数据驱动的质量预测模型能够大幅提升塑料助剂生产过程的可靠性和产品一致性^[19]。传统塑料助剂的质量检测依赖人工抽检，效率低且易受主观因素影响。AI驱动的机器视觉系统通过深度学习算法可实时识别塑料助剂产品表面的气泡、裂纹或杂质等缺陷，大幅减少误剔除率，同时优化设备设置时间，实现对塑料助剂全生命周期的精准检测，显著提升质检的全面性和适应性^[20]。香港工业AI及机械人研发中心(FLAIR)开发一套基于AI的质量预测和问题根源分析系统。该系统通过分析注塑过程中的参数数据和产品质量特征能够预测模制产品质量，并在质量偏差超过预设容限时，自动确定造成偏差的一个或多个根本原因，从而有效降低检验成本和返工成本^[21]。

AI技术在塑料助剂制造领域的关键作用还体现在运用数据建模方法预判生产环节可能出现的异常情况，从而采取预防性措施^[22]。这种基于AI的反馈调节机制能够有效控制塑料助剂批次生产中的工艺参数波动，防止大规模质量问题的产生。在塑料助剂制造行业，智能化质量预判系统通过研究加工温度、注射压力等工艺参数与制品质量之间的相互关系，可以提前发现产品缺陷，还能自动调整最优生产参数，既能降低塑料助剂的生产事故率，又能提高原材料的利用效率^[23]。

2 AI在塑料助剂技术革新与产业转型中的现实问题

尽管AI技术在塑料助剂领域的应用已展现出推动技术创新与产业升级的显著潜力，但在实际推广与实施过程中仍存在一系列亟待解决的关键问题。

2.1 数据获取与标准化不足

塑料助剂行业在高分子材料领域具有重要地位，其技术革新与体系优化能够有效提升塑料制品的性能表现，并在成本管控方面发挥积极作用。然而，在生产实践中，由于数据采集覆盖范围有限及标准化水平不高，AI技术在该领域的实际应用效果仍面临较大制约。

塑料助剂行业面临的主要难题是数据来源分散且缺乏统一规范标准。由于该行业高度专业化和细分化，相关数据往往分布于不同企业及科研机构各自独立的数据库中，彼此难以互通，从而加剧了“数据孤岛”问题的严重性^[24]。同时，由于缺乏塑料助剂行业统一的数据标准，不同机构对同类助剂的性能参数采用不同的测试方法、计量单位和记录格式，使数据整合与比对面临巨大困难，直接影响助剂数据的可用性^[25]。数据质量不足严重影响AI模型训练效果是另一关键问题。塑料助剂行业的数据质量问题主要体现在完整性、一致性和时效性三个方面^[26]。在完整性方面，许多企业关于助剂配比与材料性能关联的关键数据记录不全；在一致性方面，同一企业不同时期、不同生产线采集的数据可能因设备更新、工艺调整等原因而缺乏可比性；在时效性方面，部分特种助剂的研发数据更新缓慢，难以及时反映最新技术进展。这些问题均导致基于塑料助剂数据训练的AI模型预测准确度大幅下降^[27]。

2.2 安全与伦理风险

在塑料助剂研究领域，数据作为AI系统的关键支撑要素，其合法合规应用正面临挑战^[28]。添加剂配方资料、生产技术指标及产品检测数据等重要信息具有巨大经济价值，然而在AI辅助的材料研发环节，这些数据通常需要在不同机构之间传递共享，容易引发知识产权纠纷^[29]。当前AI合作体系中普遍存在“数据泄露”风险，由于缺少清晰的数据权属划分标准，原始数据提供方、算法研发团队与二次数据应用者之间的利益边界难以明确。尽管最新数据政策提出的所有权、处理权与使用权分离原则构建了数据确权的基本框架，但针对塑料助剂这一专业领域仍缺乏具体可行的操作规范^[30]。该行业在数据采集过程中还必须应对保密合规性问题。为构建高效的AI模型，相关企业必须整合大量原材料供应方资料、制造条件记录及用户使用反馈，其中可能涉及敏感商业信息或个人隐私数据^[31]。机器学习算法在训练过程中往往需要利用历史生产数据，而这些数据可能存在人为操作偏好或设备检测偏差，致使AI系统延续或放大既有的数据偏差，对塑料助剂领域的技术革新进程产生不利影响。

2.3 技术落地成本高

在塑料助剂制造领域，智能技术的引入虽然前景广阔，但实际推广过程中面临的经济压力不容忽视^[32]。实施智能化解决方案所需的高额投入正成为阻碍该行业大规模应用新兴技术的主要因素。从基础设备购置到个性化程序开发，再到整体系统集成，一套智能化生产管理平台的初期投入可能达到千万元级别。由于塑料助剂的生产条件具有多变性，智能算法必须持续调整优化以适应原材料变化、工艺调整及产品更新等需求，同样需要可观的后续投入^[33]。同时，支撑系统运行的高性能计算设备不仅初始采购成本高昂，还面临供应不稳定和市场价格波动等问题，这都给相关企业带来了额外的经济负担。

3 AI在塑料助剂技术革新与产业转型中的优化路径

AI在塑料助剂产业的实际应用仍面临诸多挑战，需要建立全面的改进方案以加速该行业的智能化发展进程。为实现这一目标，可采取以下措施：建立覆盖全行业的数据协同机制；构建科学合理的伦理准则体系；有效控制技术开发成本。通过这些方式推动AI技术完成从局部创新到整体提升的跨越式发展。

3.1 建立行业数据共享平台

针对塑料助剂行业面临的数据获取与标准化挑战，建立行业级数据共享平台是突破当前困境的关键对策^[34]。相关行业协会及组织应当牵头组织主要塑料助剂生产企业、科研院所和下游应用企业，共同组建“塑料助剂数据联盟”^[35]，并制定统一的塑料助剂产业数据标准体系^[36]。在构建标准化数据库的过程中，初始阶段应集中梳理塑料助剂的基础信息，重点关注各类助剂的化学成分、分子结构及热稳定性等关键属性。随后补充助剂生产技术资料，涵盖适宜加工条件等重要因素^[37]。与此同时，部署分布式智能计算平台，建立“可用不可见”的数据处理机制，在维护企业核心数据权益的同时，支持跨机构联合建模，妥善解决数据开放共享过程中的隐私保护和商业机密等关键问题^[38]。

要提高塑料助剂数据库的质量，必须制定科学规范的数据采集方法。根据塑料行业特点，可编制相关指南，其中应明确各类数据来源渠道、测试精度要求、实验室条件规范及信息存储格式等重要内容^[39]。在数据标注环节，建议采用专业复核制度以保证标注内容的准确性和一致性。考虑到塑料助剂涉及的专业知识较为复杂且评价指标多样，应当召集行业专家共同制定标准化的标注规则。特别是在评估多种助剂协同作用时需要清晰界定“协同效应”“叠加效应”和“拮抗效应”等不同作用类型的判断依据和应用场景。此外，为维持数据库的长期有效性，应构建全流程的质量监控机制，对数据处理的每个阶段进行实时监测，快速识别并纠正潜在问题，实现数据质量的持续改进。这种全面的质量保障措施不仅能确保数据的可信度，还能灵活应对行业发展带来的新需求^[40]。

3.2 完善AI治理与伦理规范

在塑料助剂领域应用AI技术时，必须制定相应的安全管理规范，以界定数据采集范围并完善创新成果的保障机制^[41]。行业协会需要出台针对性的技术应用标准，对数据处理方式和知识产权保护进行清晰规定，确保技术发展与法律合规相协调^[42]。指南应规定塑料助剂企业在使用AI平台时必须通过智能合约明确约定，避免后续的知识产权纠纷。原始配方数据的所有权归属企业；AI服务商仅获得有限加工使用权，不得将数据用于其他目的；衍生的优化配方经营权由双方共享。安全指南还应建立塑料助剂数据的分类分级管理制度。对于核心工艺数据，指南应要求采用联邦学习等隐私计算技术，使塑料助剂数据“可用不可见”。在AI生成内容管理方面，安全指南应引入数字水印技术，为塑料助剂研发中的AI输出打上可追溯标识^[43]。塑料助剂企业可在AI生成的分子设计图纸、工艺优化方案中添加隐蔽水印，记录生成时间、数据来源和参与人员等信息，一旦发生知识产权争议，可通过水印溯源确定权属。

在塑料助剂生产行业广泛推广可解释AI能够提高算法逻辑的可读性与可追溯性。企业应优先考虑结构简单、易于解读的机器学习模型。例如，在调整生产工艺参数等关键应用场景中可更多选用决策树或基于规则的算法，这类模型本身具备良好的解释能力，而非选用内部机制难以解析的深度神经网络。若确实需要应用复杂模型，则可结合局部可解释性技术，对特定决策生成清晰的原因进行说明^[44]。在进行助剂配方推荐时，系统除给出最优配比建议外，还应一并展示影响该结果的主要因素，包括原料属性参数、设备运行状态等变量及其权重，以便技术人员进行评估和确认。同时，在推进智能制造的过程中，必须始终保留人工介入的权限^[45]。一旦智能系统所提出的操作建议超出既定的安全范围，则应强制交由专业人员进行审核批准后方可实施，以此保障生产体系的可靠运行与整体可控性。

3.3 降低技术应用成本

针对塑料助剂行业AI技术应用面临的高成本门槛问题，需要构建多层次、系统化的解决方案体系。

在推动塑料助剂产业以技术革新驱动智能化转型的过程中，产业链上下游主体必须协同发力，以切实降低先进技术的应用门槛。核心企业可通过构建行业级共享技术平台向中小企业开放针对热稳定剂耐温预测、增塑剂相容性分析等特定场景的模块化算法服务与标准化数据接口，有效分摊高昂的前期开发成本^[46]。科研机构应着力开发能够适配多品种、小批量“工业味精”式生产特性的柔性算法架构，利用迁移学习技术使针对特定聚氯乙烯配方等优化模型能够快速迁移至聚烯烃体系，显著减少因产品迭代和配方调整导致的模型重复训练频次。设备供应商则应当提供包括在线质检系统在内的硬件租赁与算力分级服务，将用于模拟复杂析出-迁移过程的高性能计算资源转化为灵活的按需付费模式，减轻企业在固定资产上的投入压力。

技术创新本身也是降低AI应用成本的根本途径^[47]。开发适合塑料助剂行业特点的轻量化AI工具能够有效解决中小企业面临的算力不足、技术能力有限等实际问题。轻量化AI工具的开发应重点采用以下几项关键技术：一是模型压缩技术，包括剪枝(去除神经网络中的冗余连接)、量化(降低参数数值精度)和知识蒸馏(用小模型模仿大模型的行为)等，可在保持模型性能的同时显著减小模型体积和计算需求^[48]；二是高效架构设计，从算法层面优化塑料助剂模型结构，如采用混合专家系统(MoE)，使模型在不同任务中仅激活部分参数，减少实时计算量；三是边缘计算优化，将AI推理过程部署到靠近塑料助剂数据源的边缘设备上，减少对云端算力的依赖，降低网络传输成本和延迟^[49]。

4 结论

随着AI技术的飞速发展，塑料助剂领域正迎来深刻的智能化转型。本文系统阐述AI在该行业技术革新与产业转型中的关键作用，包括智能配方开发与工艺优化、生产流程的智能调控、质量监测与故障预判等方面的应用潜力，同时指出当前面临的若干挑战，如数据采集与标准化程度不足、安全与伦理风险、技术落地成本高等，相应提出了建立行业数据共享平台、完善AI治理与伦理规范、降低技术应用成本等对策，以促进AI技术在塑料助剂全产业链中的深度融合。这些举措显著提升生产效率与产品一致性，使AI成为科技研发中的“强力助推器”，为该行业的绿色可持续发展提供了创新路径。

未来，AI技术与新材料科学、物联网等先进技术的交叉融合将开创塑料助剂发展的新阶段，推动工业系统实现“自我进化”，进而构建高度智能、可持续的新型产业生态。

参考文献

[1] 张朝. 人工智能时代制造业转型升级的四大路径[J]. 中国工业和信息化, 2025(6): 42-47.

[2] 朱云轩, 黎菁, 彭拓宇. 人工智能与工业的深度耦合技术路径: 从云端认知到具身重构[J]. 工业技术经济, 2025, 44(6): 90-98.

[3] 赵昆嵛, 赵燕会, 庄肖, 等. 增塑剂合成及应用研究现状及分析[J]. 橡塑技术与装备, 2023, 49(1): 62-66.

[4] 袁蒙飞. 塑料再生企业颗粒物中重金属、OPEs和PAEs的污染特征及暴露风险评估[D]. 上海: 上海第二工业大学, 2024.

[5] 王琳. 基于改进EVA模型的塑料制品企业价值评估方法[D]. 重庆: 重庆理工大学, 2024.

[6] CHEN T L, PANG Z Q, HE S M, et al. Machine intelligence-accelerated discovery of all-natural plastic substitutes[J]. Nature Nanotechnology, 2024, 19(6): 782-791.

[7] CHEN X J, NIAN M, ZHAO F, et al. Artificial intelligence for the discovery of safe and effective flame retardants[J]. Environmental Science & Technology, 2025, 59(14): 7187-7199.

[8] 陈新宇, 宋志龙, 陆帅华, 等. AI驱动的材料设计: 从小数据到大数据的范式转变[J]. 中国科学(化学), 2025, 55(6): 1648-1659.

[9] KEVLISHVILI I, VAKIL J, KASTNER D W, et al. High-throughput discovery of ferrocene mechanophores with enhanced reactivity and network toughening[J]. ACS Central Science, 2025, 11(10): 1839-1851.

[10] 广东省人工智能产业协会. 化工新材料研发新突破:AI技术助力研发周期缩短超 60%[EB/OL]. [2025-11-04]

[11] 张泽熙, 蔡展翔, 张文彬, 等. 机器学习辅助高分子合成研究进展[J]. 科学通报, 2025, 70(): 471-480.

[12] JIANG S L, WEBB M A. Physics-guided neural networks for transferable property prediction in architecturally diverse copolymers[J]. Macromolecules, 2025, 58(10): 4971-4984.

[13] MA J X, CAO B, DONG S Y, et al. MLMD: A programming-free AI platform to predict and design materials[J]. npj Computational Materials, 2024, 10: 59.

[14] 董倩男, 杨明, 孙浩波. 人工智能算法在智能制造质量控制中的创新应用与案例分析[J]. 上海轻工业, 2024(6): 74-76.

[15] 马艺涛, 李景, 傅南红, 等. 高聚物注塑成型工艺过程智能化技术进展[J]. 高分子材料科学与工程, 2023, 39(11): 165-171.

[16] 奇石乐. 奇石乐推出面向医疗技术领域的人工智能辅助注塑自动化质量控制方案[EB/OL]. [2025-11-04]

[17] 王迺峰. 机械传感技术在工业自动化中的应用与创新[J]. 中国设备工程, 2024(23): 224-226.

[18] 许潇丹, 惠宁. 人工智能对工业绿色低碳发展的影响研究[J]. 陕西师范大学学报(哲学社会科学版), 2024, 53(6): 74-86.

[19] 王宇杰. 基于机器视觉的塑料制品外观缺陷检测[J]. 合成树脂及塑料, 2021, 38(1): 93-96.

[20] 何宏伟, 李兆祥. 塑料制品的质量检测与缺陷分析的智能化[J]. 塑料助剂, 2025(2): 95-97.

[21] 香港生产力促进局创新枢纽. 注塑成型过程中基于人工智能的质量预测和问题根源分析系统[EB/OL]. [2025-11-04]

[22] 王郑琪. 基于多决策方法的优先控制塑料添加剂筛选研究[D]. 北京: 北京化工大学, 2025.

[23] 李红. 人工智能驱动的自动化生产线设计[J]. 中国机械, 2024(1): 29-32.

[24] 马晶, 白鸿雁, 唐佳薇. 塑料企业新质生产力战略转型路径[J]. 塑料助剂, 2025(5): 125-128.

[25] 姜晓琳. 面向AI服务模型训练的任务数据收集策略研究[J]. 自动化应用, 2025, 66(2): 21-24.

[26] 刘一蒙. 智能算法在塑料数字化生产车间的应用优势与前景[J]. 塑料助剂, 2025(4): 123-127.

[27] 张志宽, 罗晓沛. 实用的数据收集与清理模型的研究与应用[J]. 计算机系统应用, 2009, 18(10): 186-188.

[28] 王晶. 石油石化行业数据安全挑战及应对策略[J]. 安全、健康和环境, 2025, 25(6): 80-84.

[29] 闫明, 龙丽达. 人工智能开源模型训练的伦理风险[J]. 西部学刊, 2025(13): 9-12.

[30] 张宁. 生成式人工智能数据安全风险及其防控体系研究[J]. 公安学研究, 2025, 8(2): 83-104.

[31] 陶贤都, 郝爱佳. 生成式人工智能的数据隐私风险及防范[J/OL]. 湖南第一师范学院学报, 1-8[2025-11-04].

[32] 谷磊, 向悦. 塑料企业商业模式创新研究[J]. 塑料助剂, 2025(5): 121-124.

[33] 刘莹. 基于循环经济的塑料包装材料在物流配送中的应用[J]. 塑料助剂, 2025(5): 97-100.

[34] 张冬梅, 黄旭璠. 公共数据开放何以提高新质生产力[J]. 经济论坛, 2025(4): 29-41.

[35] WIESINGER H, SHALIN A N, HUANG X M, et al. LitChemPlast: An open database of chemicals measured in plastics[J]. Environmental Science & Technology Letters, 2024, 11(11): 1147-1160.

[36] WANG J Y, CHAN F K S, JOHNSON M F, et al. Material flow analysis of chemical additives in plastics: A critical review[J]. Critical Reviews in Environmental Science and Technology, 2024, 54(23): 1692-1708.

[37] 张友根. 虚拟工厂科学发展开拓塑料加工智能数字化转型升级新模式[J]. 塑料包装, 2025, 35(3): 28-41.

[38] 聂志军. 基于区块链技术的AI模型安全性研究[J]. 现代工业经济和信息化, 2023, 13(10): 148-150.

[39] 乔少杰, 李洲, 韩楠, 等. 人工智能赋能关系型数据库优化技术: 现状与展望[J]. 计算机学报, 2025, 48(7): 1639-1669.

[40] 马威风, 冯波. 数据质量管理实施策略及平台构建研究[J]. 信息记录材料, 2025, 26(1): 132-135.

[41] 徐顺节. 人工智能生成内容的知识产权归属问题研究[J]. 高科技与产业化, 2025, 31(6): 122-124.

[42] 卞坚宇, 严军. 面向行业数据传输系统的私有数据包过滤机制研究[J]. 工业控制计算机, 2020, 33(5): 8-10.

[43] 蒋雷, 朱婷婷, 汤海林. 大数据背景下塑料加工行业的数据安全与隐私保护[J]. 塑料助剂, 2024(6): 78-82.

[44] 赵跃东, 郭警中. 基于人工智能技术的现代化工生产工艺优化融合应用研究[J]. 电脑知识与技术, 2023, 19(24): 21-23.

[45] 薛皓. 智能生产优化辅助决策系统建设及应用[J]. 中国石油和化工标准与质量, 2020, 40(7): 29-31.

[46] 张琼. 塑料企业数字化营销转型发展[J]. 塑料助剂, 2025(2): 114-116.

[47] 王佳丽. 塑料企业跨组织管控与内部控制整合优化研究[J]. 塑料助剂, 2025(2): 121-124.

[48] 赵军辉, 李怀城, 王东明, 等. 物联网中模型剪枝技术: 现状、方法和展望[J]. 物联网学报, 2024, 8(4): 1-13.

[49] 史宏志, 赵健, 赵雅倩, 等. 大模型时代的混合专家系统优化综述[J]. 计算机研究与发展, 2025, 62(5): 1164-1189.

基金资助

国家科技创新2030-重大项目(2020AAA0108703)