CN108376263B - 工作场所环境温湿度预测方法和装置 - Google Patents
工作场所环境温湿度预测方法和装置 Download PDFInfo
- Publication number
- CN108376263B CN108376263B CN201810156864.0A CN201810156864A CN108376263B CN 108376263 B CN108376263 B CN 108376263B CN 201810156864 A CN201810156864 A CN 201810156864A CN 108376263 B CN108376263 B CN 108376263B
- Authority
- CN
- China
- Prior art keywords
- humidity
- temperature
- workplace
- prediction
- clustering
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种工作场所环境温湿度预测方法和装置。该方法包括:获取预测影响因子,其中,所述预测影响因子包括未来预定预测时间段的当地天气预报温度和湿度数据;根据聚类模型种类与当地天气温度和湿度值的对应关系,确定未来预定预测时间段的当地天气预报温度和湿度数据所对应的聚类模型;确定所述聚类模型对应的关系函数模型,其中,所述关系函数模型为工作场所环境温湿度与预测影响因子的关系函数模型;将预测影响因子输入所述关系函数模型,确定未来预定预测时间段工作场所环境温湿度的预测值。本发明可以准确地获取未来预定预测时间段内的烟草加工车间环境温湿度的预测值,以提高卷烟产品质量的稳定性。
Description
技术领域
本发明涉及卷烟生产加工领域,特别涉及一种工作场所环境温湿度预测方法和装置。
背景技术
烟草原料属于多孔介质,具有吸湿和解湿的特性,受周围环境温湿度的影响较大。烟草的制丝加工过程是一种典型的流水线加工流程,环境温湿度会直接影响过程参数和质量指标,尤其对物料流转过程中的物料水分有一定的影响,从而影响烟丝的物理指标和感官质量。
为解决制丝生产环境温湿度的影响,个别卷烟企业采取恒温恒湿控制的策略,但制丝加工现场空间大,采取恒温恒湿控制需要消耗大量的能源动力。对于没有采取恒温恒湿控制的企业,目前工作场所工艺技术人员一般根据经验判断未来批次生产时间段内的温湿度情况,并对加工参数进行适当调整。但在天气环境变化较大时,人工经验判断的准确性低,严重影响了加工参数设置的准确性。
发明内容
鉴于以上技术问题,本发明提供了一种工作场所环境温湿度预测方法和装置,可以准确地获取未来预定预测时间段内的烟草加工车间环境温湿度的预测值。
根据本发明的一个方面,提供一种工作场所环境温湿度预测方法,包括:
获取预测影响因子,其中,所述预测影响因子包括未来预定预测时间段的当地天气预报温度和湿度数据;
根据聚类模型种类与当地天气温度和湿度值的对应关系,确定未来预定预测时间段的当地天气预报温度和湿度数据所对应的聚类模型;
确定所述聚类模型对应的关系函数模型,其中,所述关系函数模型为工作场所环境温湿度与预测影响因子的关系函数模型;
将预测影响因子输入所述关系函数模型,确定未来预定预测时间段工作场所环境温湿度的预测值。
在本发明的一些实施例中,所述预测影响因子还包括过去预定参考时间段的当地天气实测温度数据、过去预定参考时间段的当地天气实测湿度数据、过去预定参考时间段的工作场所实测温度数据、过去预定参考时间段的工作场所实测湿度数据、外部环境变化对工作场所内环境影响的作用时间、工作时间和冷却时间中的至少一项。
在本发明的一些实施例中,获取工作时间和冷却时间包括:
获取当天生产开始时刻和当天生产结束时刻;
在当前时刻处于当天生产开始时刻和当天生产结束时刻的情况下,根据当前时刻和当天生产开始时刻的差确定工作时间,冷却时间为0;
在当前时刻大于当天生产结束时刻的情况下,根据当前时刻和当天生产开始时刻的差确定工作时间,根据当前时刻和当天生产结束时刻确定冷却时间。
在本发明的一些实施例中,所述工作场所环境温湿度预测方法还包括:
采用数据拟合确定工作场所环境温湿度与预测影响因子的关系函数;
将当地天气实测湿度和温度数据进行聚类处理,确定至少一种聚类模型;
对工作场所环境温湿度与预测影响因子的关系函数进行分类处理,得到与聚类模型相对应的关系函数模型。
在本发明的一些实施例中,所述工作场所环境温湿度预测方法还包括:
将当地天气实测湿度和温度数据进行聚类处理,确定至少一种聚类模型;
针对每一种聚类模型,确定与所述聚类模型相对应的关系函数模型。
在本发明的一些实施例中,所述工作场所环境温湿度预测方法还包括:
确定聚类模型种类与当地天气温度和湿度值的对应关系。
在本发明的一些实施例中,关系函数模型的数目与聚类模型的数目相同。
根据本发明的另一方面,提供一种工作场所环境温湿度预测装置,包括:
预测影响因子获取模块,用于获取预测影响因子,其中,所述预测影响因子包括未来预定预测时间段的当地天气预报温度和湿度数据;
聚类模型确定模块,用于根据聚类模型种类与当地天气温度和湿度值的对应关系,确定未来预定预测时间段的当地天气预报温度和湿度数据所对应的聚类模型;
关系函数确定模块,用于确定所述聚类模型对应的关系函数模型,其中,所述关系函数模型为工作场所环境温湿度与预测影响因子的关系函数模型;
预测值确定模块,用于将预测影响因子输入所述关系函数模型,确定未来预定预测时间段工作场所环境温湿度的预测值。
在本发明的一些实施例中,所述工作场所环境温湿度预测装置用于执行实现如上述任一实施例所述的工作场所环境温湿度预测方法的操作。
根据本发明的另一方面,提供一种工作场所环境温湿度预测装置,包括存储器和处理器,其中:
存储器,用于存储指令;
处理器,用于执行所述指令,使得所述工作场所环境温湿度预测装置执行实现如上述任一实施例所述的工作场所环境温湿度预测方法的操作。
根据本发明的另一方面,提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述指令被处理器执行时实现如上述任一实施例所述的工作场所环境温湿度预测方法。
本发明可以准确地获取未来预定预测时间段内的烟草加工车间环境温湿度的预测值,本发明将未知的预测影响因子从未知变为可知,从而可以指导烟草加工参数设置,提高卷烟产品质量的稳定性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明工作场所环境温湿度预测方法一些实施例的示意图。
图2为本发明工作场所环境温湿度预测方法另一些实施例的示意图。
图3为本发明一些实施例中获取工作时间和冷却时间的示意图。
图4为本发明一些实施例中聚类处理的示意图。
图5为本发明工作场所环境温湿度预测方法又一些实施例的示意图。
图6为本发明一个实施例中某线烘丝点环境预测温度与实测温度的对比示意图。
图7为本发明一个实施例中某线烘丝点环境预测湿度与实测湿度的对比示意图。
图8为本发明工作场所环境温湿度预测装置一些实施例的示意图。
图9为本发明工作场所环境温湿度预测装置另一些实施例的示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
同时,应当明白,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为授权说明书的一部分。
在这里示出和讨论的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它示例可以具有不同的值。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
图1为本发明工作场所环境温湿度预测方法一些实施例的示意图。优选的,本实施例可由工作场所环境温湿度预测装置执行。该方法包括以下步骤:
步骤11,获取预测影响因子,其中,所述预测影响因子包括未来预定预测时间段的当地天气预报温度和湿度数据。
在本发明的一些实施例中,所述预测影响因子还可以包括过去预定参考时间段的当地天气实测温度数据、过去预定参考时间段的当地天气实测湿度数据、过去预定参考时间段的工作场所实测温度数据、过去预定参考时间段的工作场所实测湿度数据、外部环境变化对工作场所内环境影响的作用时间、工作时间和冷却时间中的至少一项。
在本发明的一些实施例中,所述未来预定预测时间段的当地天气预报温度和湿度数据可以为未来预定预测时间段内每个预定时间间隔的当地天气预报温度和湿度数据,其中,所述预定时间间隔小于预定预测时间段。
在本发明的一些实施例中,所述过去预定参考时间段的当地天气实测温度数据、当地天气实测湿度数据、工作场所实测温度数据和工作场所实测湿度数据可以为过去预定参考时间段内每个预定时间间隔的当地天气实测温度数据、当地天气实测湿度数据、工作场所实测温度数据和工作场所实测湿度数据,其中,所述预定时间间隔小于预定参考时间段。
在本发明的一些实施例中,所述未来预定预测时间段可以为未来48小时;所述过去预定参考时间段可以为过去1年;所述预定时间间隔为1小时。
在本发明的一些实施例中,所述未来预定预测时间段的当地天气预报温度和湿度数据可以为未来48小时内每个小时的当地天气预报温度和湿度数据。
在本发明的一些实施例中,所述过去预定参考时间段的当地天气实测温度数据、当地天气实测湿度数据、工作场所实测温度数据和工作场所实测湿度数据可以为过去1年内每个小时的当地天气实测温度数据、当地天气实测湿度数据、工作场所实测温度数据和工作场所实测湿度数据。
步骤12,根据聚类模型种类与当地天气温度和湿度值的对应关系,确定未来预定预测时间段的当地天气预报温度和湿度数据所对应的聚类模型,其中,聚类模型种类与当地天气温度和湿度值的对应关系为根据预先获取的或本次获取的预测影响因子进行聚类处理而预先确定的。
步骤13,确定所述聚类模型对应的关系函数模型,其中,所述聚类模型和所述关系函数模型是根据预先获取的或本次获取的预测影响因子进行聚类处理或数据拟合处理而获取的。
步骤14,将预测影响因子输入所述关系函数模型,确定未来预定预测时间段工作场所环境温湿度的预测值。
在本发明的一些实施例中,所述工作场所可以是制丝加工现场等烟草加工车间。
在本发明的一些实施例中,所述工作场所环境温湿度可以是烟草加工车间环境温湿度,例如:某线烘丝点环境温湿度、A线烘丝点环境温湿度。
基于本发明上述实施例提供的工作场所环境温湿度预测方法,具体可以是一种烟草加工车间环境温湿度预测方法,本发明上述实施例可以准确地获取未来预定预测时间段内的烟草加工车间环境温湿度的预测值,本发明上述实施例将未知的预测影响因子从未知变为可知,从而可以指导烟草加工参数设置,提高卷烟产品质量的稳定性。
图2为本发明工作场所环境温湿度预测方法另一些实施例的示意图。优选的,本实施例可由工作场所环境温湿度预测装置执行。该方法可以包括步骤21-步骤27,其中步骤21、步骤25-27分别与图1实施例的步骤11-步骤14相同或相似。
步骤21,获取预测影响因子。
在本发明的一些实施例中,影响工作场所环境温湿度的预测影响因子主要有9个,分别为:
(1)未来48小时内每个小时当地天气预报温度数据。
该数据从当地气象局获取。
(2)未来48小时内每个小时当地天气预报湿度数据。
该数据从当地气象局获取。
(3)过去1年内每个小时当地天气实测温度数据。
该数据从当地气象局获取。
(4)过去1年内每个小时当地天气实测湿度数据。
该数据从当地气象局获取。
(5)过去1年内每个小时工作场所实测温度数据。
该数据从工作场所某温度检测点获取。
(6)过去1年内每个小时工作场所实测湿度数据。
该数据从工作场所某湿度检测点获取。
(7)外部环境变化对工作场所内环境影响的作用时间。
外部环境的变化对工作场所内环境温湿度的影响需要一定的延时时间,该时间根据实际情况测算获取。
(8)工作时间(即,生产时间)。
(9)冷却时间(即,停止生产时间)。
图3为本发明一些实施例中获取工作时间和冷却时间的示意图。如图3所示,当工作场所开始工作时,设备会进行加温加水加蒸汽,工作场所环境温湿度都会慢慢的升高;当工作场所结束工作时,工作场所环境温湿度会逐渐降低,进入冷却阶段。
因此,步骤21中获取工作时间和冷却时间的步骤可以包括:
步骤211,获取当天生产开始时刻ts和当天生产结束时刻te。
步骤212,在当前时刻t处于当天生产开始时刻ts和当天生产结束时刻te的情况下,根据当前时刻和当天生产开始时刻的差确定工作时间(即工作时间为t-ts),冷却时间为0。
步骤213,在当前时刻t’大于当天生产结束时刻te的情况下,根据当前时刻和当天生产开始时刻的差确定工作时间(即工作时间为t’-ts),根据当前时刻和当天生产结束时刻确定冷却时间(即冷却时间为t’-te)。
步骤22,通过对所述预测影响因子的数据运算,采用数据拟合算法拟合出工作场所环境温湿度与预测影响因子的关系函数,分别为:
y1=f(x1,x2,x3,x4,x5,x6,x7,x8,x9) (1)
y2=F(x1,x2,x3,x4,x5,x6,x7,x8,x9) (2)
其中,y1为工作场所环境温度预测值,y2为工作场所环境湿度预测值,x1,x2,x3,x4,x5,x6,x7,x8,x9为上述9个预测影响因子。
在本发明的一些实施例中,步骤22具体可以采用神经网络算法、线性回归算法、向量回归算法、多项式曲线拟合算法等数据拟合算法拟合出工作场所环境温湿度与预测影响因子的关系函数。
在本发明的一些实施例中,步骤22具体可以采用现有的一些数据拟合算法拟合出工作场所环境温湿度与预测影响因子的关系函数。
步骤23,将当地天气实测湿度和温度数据进行聚类处理,确定至少一种聚类模型(即,确定至少一种类簇);并确定聚类模型种类与当地天气温度和湿度值的对应关系。
由于环境温湿度受天气变化的影响较大,受季节气候影响,一年中天气温湿度的变化差异非常明显,因此本发明上述实施例将相近外部天气温湿度数据进行聚类处理,聚类的数目可以根据当地天气变化实际情况进行设定。
图4为本发明一些实施例中聚类处理的示意图。如图4所示的实施例中将相近天气温湿度数据聚成一类簇,图4实施例中,聚类数目设置为4。其结果如图4所示:横坐标为温度、纵坐标为湿度。由此相当于把全年的天气温湿度划分为高温高湿(A区域)、高温低湿(B区域)、低温高湿(C区域)、低温低湿(D区域)四类。
在本发明的一些实施例中,步骤23具体可以采用划分法(PartitioningMethods)、层次法(Hierarchical Methods)、基于密度的方法(density-based methods)、基于网格的方法(grid-based methods)、基于模型的方法(Model-Based Methods)等聚类算法对当地天气实测湿度和温度数据进行聚类处理,确定至少一种聚类模型。
在本发明的一些实施例中,步骤23具体可以采用现有的一些聚类算法对当地天气实测湿度和温度数据进行聚类处理,确定至少一种聚类模型。
步骤24,在步骤23的聚类处理后,对步骤22确定的工作场所环境温湿度与预测影响因子的关系函数进行分类处理,得到与不同聚类模型相对应的关系函数模型。
在本发明的一些实施例中,关系函数模型的数目与聚类模型的数目相同,关系函数模型与聚类模型一一对应。
例如:在聚类数目为4的情况下,针对图4所示的四类聚类模型,将诸如公式(1)和(2)所示的关系函数,划分为4类不同的关系函数模型,分别对应图4所示的四类聚类模型。
步骤25,根据聚类模型种类与当地天气温度和湿度值的对应关系,确定未来预定预测时间段的当地天气预报温度和湿度数据所对应的聚类模型。
在本发明的一些实施例中,步骤25具体可以包括:将当前的外部天气环境温湿度(即,未来预定预测时间段的当地天气预报温度和湿度数据)与聚类模型种类进行聚类比较,明确当前的外部天气环境温湿度归属哪一类。
步骤26,根据步骤24确定的聚类模型与关系函数模型的对应关系,确定步骤25确定的聚类模型所对应的关系函数模型。
例如:对于图4具体实施例的四类聚类模型而言,步骤25和步骤26具体可以包括:将当前的天气温湿度与聚类模型比较,例如属于A区域(高温高湿),则调用高温高湿的关系函数模型。
步骤27,将预测影响因子输入所述关系函数模型(即,调用该类的工作场所温湿度关系函数,并输入相应的影响因子数据),确定未来预定预测时间段工作场所环境温湿度的预测值。
本发明上述实施例通过采用信息化手段固化聚类模型、以及工作场所环境温湿度与预测影响因子的关系函数,从而可以实现烟草加工车间环境温湿度预测的系统化。
本发明上述实施例通过历史数据分析,查找出影响工作场所环境温湿度的9个影响因子,拟合出工作场所环境温湿度与影响因子之间的相关关系函数。由于环境温湿度受天气变化的影响较大,尤其是天气突变过程对环境温湿度影响尤为明显,因此将相近天气温湿度进行聚类处理,从而可以进一步提高工作场所温湿度预测的准确性。
图5为本发明工作场所环境温湿度预测方法又一些实施例的示意图。优选的,本实施例可由工作场所环境温湿度预测装置执行。该方法可以包括步骤51-步骤56,其中,步骤51与图1实施例的步骤11或图2实施例的相同或相似,这里不再详述;步骤54-56分别与图2实施例的步骤25-27或图1实施例的步骤11-步骤14相同或相似,这里不再详述。
步骤51,获取预测影响因子。
步骤52,将当地天气实测湿度和温度数据进行聚类处理,确定至少一种聚类模型。
例如:如图4所示的实施例中,可以将相近天气温湿度数据聚成一类簇,图4实施例中,聚类数目设置为4。其结果如图4所示:横坐标为温度、纵坐标为湿度。由此相当于把全年的天气温湿度划分为高温高湿(A区域)、高温低湿(B区域)、低温高湿(C区域)、低温低湿(D区域)四类。
步骤53,针对每一种聚类模型,确定与所述聚类模型相对应的关系函数模型(例如公式(1)和(2)所示的关系函数)。
步骤54,根据聚类模型种类与当地天气温度和湿度值的对应关系,确定未来预定预测时间段的当地天气预报温度和湿度数据所对应的聚类模型。
步骤55,根据步骤53确定的聚类模型与关系函数模型的对应关系,确定步骤54确定的聚类模型所对应的关系函数模型。
例如:对于图4具体实施例的四类聚类模型而言,步骤54和步骤55具体可以包括:将当前的天气温湿度与聚类模型比较,例如属于A区域(高温高湿),则调用高温高湿的关系函数模型。
步骤56,将预测影响因子输入所述关系函数模型(即,调用该类的工作场所温湿度关系函数,并输入相应的影响因子数据),确定未来预定预测时间段工作场所环境温湿度的预测值。
图5实施例与图4实施例的差别仅在于:图5实施例先进行聚类处理,确定至少一种聚类模型;然后再针对每一种聚类模型,确定与所述聚类模型相对应的关系函数模型。而图4实施例则先确定工作场所环境温湿度与预测影响因子的关系函数;再进行聚类处理;最后再将工作场所环境温湿度与预测影响因子的关系函数进行分类处理,得到与不同聚类模型相对应的关系函数模型。
本发明上述实施例通过采用信息化手段固化聚类模型、以及工作场所环境温湿度与预测影响因子的关系函数,从而可以实现烟草加工车间环境温湿度预测的系统化。
本发明上述实施例可以准确地获取未来预定预测时间段内的烟草加工车间环境温湿度的预测值,本发明上述实施例将未知的预测影响因子从未知变为可知,从而可以指导烟草加工参数设置,提高卷烟产品质量的稳定性。
本发明上述实施例可以准确地获取未来预定预测时间段内的烟草加工车间环境温湿度的预测值,下面通过具体实施例,以某线烘丝点环境温湿度为例,对本发明上述实施例的预测精度进行验证。
图6为本发明一个实施例中某线烘丝点环境预测温度与实测温度的对比示意图。图7为本发明一个实施例中某线烘丝点环境预测湿度与实测湿度的对比示意图。其中,某线为A线。
如图6和7所示,分别统计了2017年10月及11月两个月A线烘丝预测数据与实测数据的差值,并计算其均值、标偏及总体误差,具体结果见如下表1和表2所示,其中表1为2017年10月A线烘丝预测与实测数据对比,表2为2017年11月A线烘丝预测与实测数据对比。
表1
项目 | 均值 | 标偏 | 总体误差 |
温度差值(预测-实际)℃ | -0.207 | 0.754 | 0.592 |
湿度差值(预测-实际)% | 1.021 | 2.922 | 3.154 |
表2
项目 | 均值 | 标偏 | 总体误差 |
温度差值(预测-实际)℃ | 0.334 | 0.777 | 0.883 |
湿度差值(预测-实际)% | -1.167 | 3.158 | 3.187 |
由表1和表2可知,2017年10月和11月烘丝环境的预测温度和实测温度总体误差分别为0.592℃和0.883℃,2017年10月和11月预测湿度和实测湿度的总体误差分别为3.154%和3.187%。
因此,本发明上述实施例针对烟草加工车间环境温湿度的预测误差很低,本发明上述实施例针对烟草加工车间环境温湿度的预测精度很高。
图8为本发明工作场所环境温湿度预测装置一些实施例的示意图。如图8所示,所述工作场所环境温湿度预测装置可以包括预测影响因子获取模块81、聚类模型确定模块82、关系函数确定模块83和预测值确定模块84,其中:
预测影响因子获取模块81,用于获取预测影响因子,其中,所述预测影响因子包括未来预定预测时间段的当地天气预报温度和湿度数据。
聚类模型确定模块82,用于根据聚类模型种类与当地天气温度和湿度值的对应关系,确定未来预定预测时间段的当地天气预报温度和湿度数据所对应的聚类模型。
关系函数确定模块83,用于确定所述聚类模型对应的关系函数模型,其中,所述关系函数模型为工作场所环境温湿度与预测影响因子的关系函数模型。
预测值确定模块84,用于将预测影响因子输入所述关系函数模型,确定未来预定预测时间段工作场所环境温湿度的预测值。
在本发明的一些实施例中,所述工作场所环境温湿度预测装置可以用于执行实现如上述任一实施例(例如图1-图5任一实施例)所述的工作场所环境温湿度预测方法的操作。
基于本发明上述实施例提供的工作场所环境温湿度预测装置,具体可以是一种烟草加工车间环境温湿度预测装置,本发明上述实施例可以准确地获取未来预定预测时间段内的烟草加工车间环境温湿度的预测值,本发明上述实施例将未知的预测影响因子从未知变为可知,从而可以指导烟草加工参数设置,提高卷烟产品质量的稳定性。
图9为本发明工作场所环境温湿度预测装置另一些实施例的示意图。如图9所示,所述工作场所环境温湿度预测装置可以包括存储器91和处理器92,其中:
存储器91,用于存储指令。
处理器92,用于执行所述指令,使得所述工作场所环境温湿度预测装置执行实现如上述任一实施例(例如图1-图5任一实施例)所述的工作场所环境温湿度预测方法的操作。
本发明上述实施例可以通过采用信息化手段固化聚类模型、以及工作场所环境温湿度与预测影响因子的关系函数,从而可以实现烟草加工车间环境温湿度预测的系统化。
本发明上述实施例可以准确地获取未来预定预测时间段内的烟草加工车间环境温湿度的预测值,本发明上述实施例将未知的预测影响因子从未知变为可知,从而可以指导烟草加工参数设置,提高卷烟产品质量的稳定性。
根据本发明的另一方面,提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述指令被处理器执行时实现如上述任一实施例所述的工作场所环境温湿度预测方法。
基于本发明上述实施例提供的计算机可读存储介质,可以通过采用信息化手段固化聚类模型、以及工作场所环境温湿度与预测影响因子的关系函数,从而可以实现烟草加工车间环境温湿度预测的系统化。本发明上述实施例可以准确地获取未来预定预测时间段内的烟草加工车间环境温湿度的预测值,本发明上述实施例将未知的预测影响因子从未知变为可知,从而可以指导烟草加工参数设置,提高卷烟产品质量的稳定性。
在上面所描述的工作场所环境温湿度预测装置可以实现为用于执行本申请所描述功能的通用处理器、可编程逻辑控制器(PLC)、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件或者其任意适当组合。
至此,已经详细描述了本发明。为了避免遮蔽本发明的构思,没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述,完全可以明白如何实施这里公开的技术方案。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
本发明的描述是为了示例和描述起见而给出的,而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本发明的原理和实际应用,并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。
Claims (8)
1.一种工作场所环境温湿度预测方法,其特征在于,包括:
获取预测影响因子,其中,所述预测影响因子包括未来预定预测时间段的当地天气预报温度和湿度数据、过去预定参考时间段的当地天气实测温度数据、过去预定参考时间段的当地天气实测湿度数据、过去预定参考时间段的工作场所实测温度数据、过去预定参考时间段的工作场所实测湿度数据、工作时间和冷却时间;
采用数据拟合确定工作场所环境温湿度与预测影响因子的关系函数;
将过去预定参考时间段的当地天气实测湿度和温度数据进行聚类处理,确定至少一种聚类模型;
确定聚类模型种类与当地天气温度和湿度值的对应关系,其中,聚类模型种类包括高温高湿类聚类模型、高温低湿类聚类模型、低温高湿类聚类模型和低温低湿类聚类模型;
对工作场所环境温湿度与预测影响因子的关系函数进行分类处理,得到与聚类模型相对应的关系函数模型;
根据聚类模型种类与当地天气温度和湿度值的对应关系,确定未来预定预测时间段的当地天气预报温度和湿度数据所对应的聚类模型;
确定所述聚类模型对应的关系函数模型,其中,所述关系函数模型为工作场所环境温湿度与预测影响因子的关系函数模型;
将预测影响因子输入所述关系函数模型,确定未来预定预测时间段工作场所环境温湿度的预测值。
2.根据权利要求1所述的工作场所环境温湿度预测方法,其特征在于,所述预测影响因子还包括外部环境变化对工作场所内环境影响的作用时间。
3.根据权利要求2所述的工作场所环境温湿度预测方法,其特征在于,还包括:
将过去预定参考时间段的当地天气实测湿度和温度数据进行聚类处理,确定至少一种聚类模型;
针对每一种聚类模型,确定与所述聚类模型相对应的关系函数模型。
4.根据权利要求1-3中任一项所述的工作场所环境温湿度预测方法,其特征在于,关系函数模型的数目与聚类模型的数目相同。
5.一种工作场所环境温湿度预测装置,其特征在于,包括:
预测影响因子获取模块,用于获取预测影响因子,其中,所述预测影响因子包括未来预定预测时间段的当地天气预报温度和湿度数据、过去预定参考时间段的当地天气实测温度数据、过去预定参考时间段的当地天气实测湿度数据、过去预定参考时间段的工作场所实测温度数据、过去预定参考时间段的工作场所实测湿度数据、工作时间和冷却时间;
聚类模型确定模块,用于根据聚类模型种类与当地天气温度和湿度值的对应关系,确定未来预定预测时间段的当地天气预报温度和湿度数据所对应的聚类模型;
关系函数确定模块,用于确定所述聚类模型对应的关系函数模型,其中,所述关系函数模型为工作场所环境温湿度与预测影响因子的关系函数模型;
预测值确定模块,用于将预测影响因子输入所述关系函数模型,确定未来预定预测时间段工作场所环境温湿度的预测值;
其中,工作场所环境温湿度预测装置,用于采用数据拟合确定工作场所环境温湿度与预测影响因子的关系函数;将过去预定参考时间段的当地天气实测湿度和温度数据进行聚类处理,确定至少一种聚类模型;确定聚类模型种类与当地天气温度和湿度值的对应关系,其中,聚类模型种类包括高温高湿类聚类模型、高温低湿类聚类模型、低温高湿类聚类模型和低温低湿类聚类模型;对工作场所环境温湿度与预测影响因子的关系函数进行分类处理,得到与聚类模型相对应的关系函数模型。
6.根据权利要求5所述的工作场所环境温湿度预测装置,其特征在于,所述工作场所环境温湿度预测装置用于执行实现如权利要求2-4中任一项所述的工作场所环境温湿度预测方法的操作。
7.一种工作场所环境温湿度预测装置,其特征在于,包括存储器和处理器,其中:
存储器,用于存储指令;
处理器,用于执行所述指令,使得所述工作场所环境温湿度预测装置执行实现如权利要求1-4中任一项所述的工作场所环境温湿度预测方法的操作。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述指令被处理器执行时实现如权利要求1-4中任一项所述的工作场所环境温湿度预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810156864.0A CN108376263B (zh) | 2018-02-24 | 2018-02-24 | 工作场所环境温湿度预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810156864.0A CN108376263B (zh) | 2018-02-24 | 2018-02-24 | 工作场所环境温湿度预测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108376263A CN108376263A (zh) | 2018-08-07 |
CN108376263B true CN108376263B (zh) | 2020-09-29 |
Family
ID=63017905
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810156864.0A Active CN108376263B (zh) | 2018-02-24 | 2018-02-24 | 工作场所环境温湿度预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108376263B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112163377B (zh) * | 2020-10-13 | 2024-07-02 | 北京智芯微电子科技有限公司 | 变压器温度预警模型的获取方法和装置及温度预测方法 |
CN113325906B (zh) * | 2021-06-10 | 2022-03-29 | 上海电气风电集团股份有限公司 | 风电机组的电气部件的湿度控制方法、系统、设备及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103235620A (zh) * | 2013-04-19 | 2013-08-07 | 河北农业大学 | 基于全局变量预测模型的温室环境智能控制方法 |
CN106228274A (zh) * | 2016-08-03 | 2016-12-14 | 河海大学常州校区 | 基于som神经网络数据聚类识别的光伏电站发电量预测方法 |
CN107577916A (zh) * | 2017-10-11 | 2018-01-12 | 中国科学院寒区旱区环境与工程研究所 | 基于区域的冻土指数确定方法及电子设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3206179A1 (en) * | 2016-02-09 | 2017-08-16 | Tata Consultancy Services Limited | Method and system for agriculture field clustering and ecological forecasting |
-
2018
- 2018-02-24 CN CN201810156864.0A patent/CN108376263B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103235620A (zh) * | 2013-04-19 | 2013-08-07 | 河北农业大学 | 基于全局变量预测模型的温室环境智能控制方法 |
CN106228274A (zh) * | 2016-08-03 | 2016-12-14 | 河海大学常州校区 | 基于som神经网络数据聚类识别的光伏电站发电量预测方法 |
CN107577916A (zh) * | 2017-10-11 | 2018-01-12 | 中国科学院寒区旱区环境与工程研究所 | 基于区域的冻土指数确定方法及电子设备 |
Non-Patent Citations (1)
Title |
---|
二次聚类与神经网络结合的日光温室温度二步预测方法;陈昕等;《农业机械学报》;20171204;第48卷(第S1期);354页1.1节第1段 * |
Also Published As
Publication number | Publication date |
---|---|
CN108376263A (zh) | 2018-08-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108652066B (zh) | 预测松散回潮工序加水量的方法及装置 | |
CN113017132A (zh) | 一种基于烘丝机工艺参数预测的烟丝质量优化的方法 | |
CN111597729A (zh) | 加工设备工艺参数优化方法及系统 | |
CN108376263B (zh) | 工作场所环境温湿度预测方法和装置 | |
CN109261724B (zh) | 一种在多品种轧制模式下提高预设定模型精度的方法 | |
CN107067100A (zh) | 风电功率异常数据辨识方法及辨识装置 | |
CN111580384B (zh) | 水泥生产中分解炉温度pid控制系统参数自动调整方法 | |
CN115936262B (zh) | 基于大数据的环境干扰的产量预测方法、系统和介质 | |
CN111339633B (zh) | 基于数据变化特征模糊度量的热量表性能退化评估方法 | |
CN110876481B (zh) | 一种烟草烘丝参数的控制方法和装置 | |
CN110533247B (zh) | 一种采用气温数据异常点补偿的月度用电量预测方法 | |
CN116388150A (zh) | 基于数字孪生和神经网络技术的配变短期负荷预测方法 | |
CN115251445A (zh) | 一种松散回潮机出口烟叶含水率的控制方法 | |
CN115455359A (zh) | 小批量误差数据的自动校正与分布拟合方法 | |
CN114912716A (zh) | 基于双向长短时记忆网络的短期电力负荷预测方法及系统 | |
CN114403487A (zh) | 一种松散回潮的加水控制方法 | |
CN103793762A (zh) | 一种基于小样本多类型参数的刀具寿命预测方法 | |
CN110163480B (zh) | 一种卷包车间质量辅助决策的方法 | |
CN110555220B (zh) | 一种光电转换模型的率定方法及系统 | |
CN113780852B (zh) | 一种板带轧制过程质量缺陷的诊断方法 | |
CN113876008B (zh) | 一种控制松散回潮烟片含水率稳定性的方法 | |
CN113076309B (zh) | 烟草生丝水分加水量预测系统及方法 | |
Xi et al. | Economic losses risk assessment of industrial users due to voltage sags based on uncertainty of process immunity | |
CN111266405B (zh) | 一种板带材热轧过程控制方法和控制装置 | |
CN117871771B (zh) | 一种基于大数据的燃气能源监测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |