CN108652066A - 松散回潮工序的加水方法及预测该工序加水量的装置 - Google Patents

Abstract

本发明属于烟草制造领域，具体涉及一种松散回潮工序的加水方法，包括：获取第一预测因子，第一预测因子包括预设生产时间、预设生产时间内工作场所温湿度的预测数据及预设入口叶丝含水率；将第一预测因子输入预测模型中，预测出松散回潮工序加水量；建立预测模型通过如下步骤进行：获取多批次烟丝的制备数据，其中，制备数据包括生产时间、生产时间内工作场所温湿度测定数据、入口叶丝含水率和松散回潮工序加水量；根据制备数据，获得预测模型。本发明还涉及预测松散回潮工序加水量的装置。本发明方法通过预测松散回潮工序加水量使叶丝干燥工序的入口叶丝含水率基本保持稳定，保证各批次卷烟产品质量的稳定。

Description

松散回潮工序的加水方法及预测该工序加水量的装置

技术领域

本发明属于烟草制造领域，具体涉及一种松散回潮工序的加水方法，还涉及一种预测松散回潮工序加水量的装置。

背景技术

卷烟烟丝的制备工艺包括制叶片段与制叶丝段，大多数制叶片段和制叶丝段的工艺流程为：松散回潮→烟片预配→杂物剔除→加料→配叶贮叶→切叶丝→叶丝干燥。卷烟烟丝的制备工艺中，叶丝干燥工序的入口叶丝含水率决定了叶丝干燥工序的加工处理强度及之后的各批次卷烟产品的质量稳定性，因而，入口叶丝含水率是卷烟烟丝制备工艺的关键指标之一。其中，对入口叶丝含水率影响较大的主要是松散回潮工序与加料工序，其它工序影响较小。由于加料工序的加料比例及料液配方通常保持稳定，其对入口叶丝含水率稳定性的影响较小，因此，影响入口叶丝含水率稳定性的主要因素是松散回潮工序。

松散回潮工序是通过向原料烟叶中施加一定量的蒸汽和水，使得烟包松散开，并使其出口烟叶保持一定含水率，以方便后续加工的操作。其中，加入的蒸汽主要作热源使用，通常蒸汽的加入量保持不变。因此，松散回潮工序中影响入口叶丝含水率稳定性的主要原因是松散回潮工序的加水量。大多数烟草企业都是由操作人员根据职业经验来控制松散回潮工序的加水量，以保持入口叶丝含水率的稳定性，进而保持各批次卷烟产品的稳定性。但是，这种凭经验控制的方法总是存在较大的误差，导致各批次的入口叶丝含水率并不稳定，影响了卷烟产品的质量稳定。

目前尚需一种松散回潮工序的加水方法，以保持入口叶丝含水率的稳定。

发明内容

本发明提供了一种松散回潮工序的加水方法，其通过预测并控制松散回潮工序的加水量，使得叶丝干燥工序各批次烟丝的入口叶丝含水率达到预设值并基本保持稳定，从而保证各批次卷烟产品质量的稳定。在此基础上，本发明还提供了一种预测松散回潮工序加水量的装置。

本发明第一方面涉及一种松散回潮工序的加水方法，包括如下步骤：

获取第一预测因子，其中，所述第一预测因子包括预设生产时间、预设生产时间内工作场所温湿度的预测数据以及预设入口叶丝含水率；

将所述第一预测因子输入预测模型中，预测出松散回潮工序加水量；

其中，建立预测模型是通过如下步骤进行的：

获取多批次烟丝的制备数据，其中，所述制备数据包括生产时间、生产时间内工作场所温湿度的测定数据、入口叶丝含水率和松散回潮工序加水量；

根据所述制备数据，获得预测模型；

其中，所述生产时间为制叶片段工艺开始至烟丝进入叶丝干燥工序入口所经历的时间。

本发明第一方面的一些实施方式中，所述方法还包括如下步骤：

获取预设投料量；

计算松散回潮工序加水量预测值与预设投料量的比值，预测出松散回潮工序加水比例。

本发明第一方面的一些实施方式中，所述方法还包括：按照预测的加水量或预测的加水比例实施加水操作。

本发明第一方面的一些实施方式中，工作场所为制叶片段与制叶丝段工艺的实施场所，例如实施制叶片段与制叶丝段工艺的车间。

本发明第一方面的一些实施方式中，预设生产时间内工作场所温湿度的预测数据包括预设生产时间内工作场所温度的预测数据和预设生产时间内工作场所湿度的预测数据。

本发明第一方面的一些实施方式中，生产时间内工作场所温湿度的测定数据包括生产时间内工作场所温度的测定数据和生产时间内工作场所湿度的测定数据。

本发明第一方面的一些实施方式中，入口叶丝含水率为刚刚进入叶丝干燥工序入口的烟丝中的含水率。

本发明第一方面的一些实施方式中，投料量为参与制叶片段工艺的原料量。

本发明第一方面的一些实施方式中，投料量为参与松散回潮工序的原料量。

本发明第一方面的一些实施方式中，松散回潮工序加水比例为相对于松散回潮工序投料量的加水比例。

本发明第一方面的一些实施方式中，预测模型为y₀＝f(x₁,x₂,x₃,x₄)；其中：y₀代表松散回潮工序加水量预测值；x₁代表预设生产时间内工作场所温度的预测数据；x₂代表预设生产时间内工作场所湿度的预测数据；x₃代表预设生产时间；x₄代表预设入口叶丝含水率。

本发明第一方面的一些实施方式中，预测模型为y_0＝ax₁ ²+bx₂ ²+cx₃ ²+dx₄ ²+ex₁+fx₂+gx₃+hx₄+i；其中：y₀代表松散回潮工序加水量预测值；x₁代表预设生产时间内工作场所温度的预测数据；x₂代表预设生产时间内工作场所湿度的预测数据；x₃代表预设生产时间；x₄代表预设入口叶丝含水率。

本发明第一方面的一些实施方式中，a为0.05～0.3(例如0.08、0.1、0.12、0.14、0.2、0.24、0.26)，b为0.1～0.5(例如0.13、0.15、0.2、0.3、0.4)，c为-0.5～-0.1(例如-0.4、-0.3、-0.2)，d为1～15(例如2、3、5、8、9、11、13)，e为-0.6～-0.01(例如-0.5、-0.4、-0.3、-0.2、-0.1、-0.06)，f为-1～-0.1(例如-0.9、-0.7、-0.6、-0.5、-0.3、-0.2)，g为0.01～0.9(例如0.08、0.1、0.2、0.3、0.5)，h为-15～-1(例如-13、-11、-9、-5、-3)，i为1～20(例如2、3、5、6、9、13、15、17)。

本发明第一方面的一些实施方式中，预设生产时间内工作场所温湿度的预测数据通过如下的步骤得到：

获取第二预测因子和外界温湿度历史测定数据；其中，所述第二预测因子包括预设生产时间内外界温湿度的预报数据；所述外界温湿度历史测定数据至少包括与制备所述多批次烟丝对应的外界温湿度历史测定数据；

将外界温湿度历史测定数据进行分类处理，得到至少一个类别；

将预设生产时间内外界温湿度的预报数据与各类别的外界温湿度历史测定数据相比较，确定所属的类别；

将第二预测因子输入所属类别对应的函数模型中，确定预设生产时间内工作场所温湿度的预测值。

本发明第一方面的一些实施方式中，外界温湿度历史测定数据包括外界温度历史测定数据和外界湿度历史测定数据。

本发明第一方面的一些实施方式中，预设生产时间内外界温湿度的预报数据包括预设生产时间内外界温度的预报数据和预设生产时间内外界湿度的预报数据。

本发明第一方面的一些实施方式中，预设生产时间内外界温湿度的预报数据由气象局获得，所预报的是预设生产时间内的外界温湿度数据。

本发明第一方面的一些实施方式中，分类处理方法为本领域技术人员公知的，分类处理方法包括但不限于聚类(Cluster)算法、贝叶斯(Bayes)算法、决策树(DecisionTree)算法、支持向量机(Suport Vector Machine)算法、K近邻(KNN)算法等。

本发明第一方面的一些实施方式中，所述第二预测因子还包括工作时间、外界对工作场所温湿度影响的预计作用时间、工作场所温湿度实时测定数据和外界温湿度实时测定数据中的至少一项。

本发明第一方面的一些实施方式中，工作场所由启动预热开始工作，预热是通过设备对工作场所加温加水加蒸汽来进行，工作场所的温湿度随着预热慢慢升高；当工作场所结束工作时，工作场所温湿度会逐渐降低。

本发明第一方面的一些实施方式中，所述工作时间为工作场所启动预热至开始预测所经历的时间。

本发明第一方面的一些实施方式中，工作场所启动预热时刻为ts，工作场所结束工作时刻为te，开始预测时刻为t(位于ts和te之间)，则工作时间为t-ts。

本发明第一方面的一些实施方式中，外界对工作场所温湿度影响的作用时间为外界环境变化对工作场所温湿度形成影响的延时时间。外界对工作场所温湿度影响的预计作用时间相对固定，其可以通过测算发生同向(或同趋势)变化的外界温湿度历史测定曲线与工作场所温湿度历史测定曲线之间的时间差来得到。

本发明第一方面的一些实施方式中，工作场所温湿度实时测定数据为开始预测时刻的工作场所温湿度测定数据。

本发明第一方面的一些实施方式中，外界温湿度实时测定数据为开始预测时刻的外界温湿度测定数据。

本发明第一方面的一些实施方式中，工作场所温湿度实时测定数据包括工作场所温度实时测定数据和工作场所湿度实时测定数据。

本发明第一方面的一些实施方式中，外界温湿度实时测定数据包括外界温度实时测定数据和外界湿度实时测定数据。

本发明第一方面的一些实施方式中，建立函数模型的方法包括如下步骤：

获取历史数据，所述历史数据包括所属类别中的与制备所述多批次烟丝对应的外界温湿度历史测定数据，并且，所述历史数据还包括与该外界温湿度历史测定数据对应的外界温湿度历史预报数据、历史工作时间、外界对工作场所影响的历史作用时间以及工作场所温湿度历史测定数据；

根据所述历史数据，获得函数模型。

本发明第一方面的一些实施方式中，外界温湿度历史预报数据包括外界温度历史预报数据和外界湿度历史预报数据。

本发明第一方面的一些实施方式中，历史工作时间为工作场所启动预热至每批次烟丝开启制叶片段工艺所经历的时间。

本发明第一方面的一些实施方式中，外界对工作场所温湿度影响的历史作用时间为外界环境变化对工作场所温湿度形成影响的历史延时时间。外界对工作场所温湿度影响的历史作用时间可以通过测算发生同向(或同趋势)变化的外界温湿度历史测定曲线与工作场所温湿度历史测定曲线之间的时间差来得到。

本发明第一方面的一些实施方式中，工作场所温湿度历史测定数据包括工作场所温度历史测定数据和工作场所湿度历史测定数据。

本发明第二方面涉及一种预测松散回潮工序加水量的装置，包括：

第一预测因子获取模块，用于获取第一预测因子，其中，所述第一预测因子包括预设生产时间、预设生产时间内工作场所温湿度的预测数据以及预设入口叶丝含水率；其中，所述生产时间为制叶片段工艺开始至烟丝进入叶丝干燥工序入口所经历的时间；

第一预测模块，用于将所述第一预测因子输入预测模型中，预测出松散回潮工序加水量。

本发明第二方面的一些实施方式中，预测装置还包括：

预测模型建立模块，用于获取多批次烟丝的制备数据，其中，所述制备数据包括生产时间、生产时间内工作场所温湿度的测定数据、入口叶丝含水率和松散回潮工序加水量，然后，根据所述制备数据获得预测模型。

本发明第二方面的一些实施方式中，预测装置还包括：

投料量获取模块，用于获取预设投料量；

计算模块，用于计算松散回潮工序加水量预测值与预设投料量的比值，预测出松散回潮工序的加水比例。

本发明第二方面的一些实施方式中，预测预设生产时间内工作场所温湿度数据的装置包括：

获取模块，用于获取第二预测因子和外界温湿度历史测定数据，其中，所述第二预测因子包括预设生产时间内外界温湿度的预报数据，所述外界温湿度历史测定数据至少包括与制备所述多批次烟丝对应的外界温湿度历史测定数据；

分类模块，用于将外界温湿度历史测定数据进行分类处理，得到至少一个类别，将预设生产时间内外界温湿度的预报数据与各类别的外界温湿度历史测定数据相比较，确定所属的类别；

第二预测模块，用于将第二预测因子输入所属类别对应的函数模型中，确定预设生产时间内工作场所温湿度的预测值。

本发明第二方面的一些实施方式中，所述第二预测因子还包括工作时间、外界对工作场所温湿度影响的预计作用时间、工作场所温湿度实时测定数据和外界温湿度实时测定数据中的至少一项。

本发明第二方面的一些实施方式中，所述工作时间为工作场所启动预热至开始预测所经历的时间。

本发明第二方面的一些实施方式中，预测预设生产时间内工作场所温湿度数据的装置还包括：

函数模型建立模块，用于获取历史数据，所述历史数据包括所属类别中的与制备所述多批次烟丝对应的外界温湿度历史测定数据，并且，所述历史数据还包括与该外界温湿度历史测定数据对应的外界温湿度历史预报数据、历史工作时间、外界对工作场所影响的历史作用时间及工作场所温湿度历史测定数据，根据所述历史数据获得函数模型。

本发明第三方面涉及一种预测松散回潮工序加水量的装置，包括存储器和处理器，其中：

存储器，用于存储指令；

处理器，耦合到所述存储器，处理器被配置为基于所述存储器存储的指令执行如本发明第一方面中所述的预测方法。

本发明第四方面涉及一种松散回潮工序的加水装置，包括本发明第二或第三方面的预测装置以及加水设备。

本发明第四方面的一些实施方式中，所述加水设备为定量加水设备，优选为自动定量加水器。

本发明第五方面涉及一种计算机可读存储介质，所述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本发明第一方面中所述的预测方法。

本发明取得的有益效果：

本发明松散回潮工序的加水方法及预测松散回潮工序加水量的装置，通过预测并控制松散回潮工序的加水量，使得叶丝干燥工序各批烟丝的入口叶丝含水率达到预设值并基本保持稳定，从而保证各批次卷烟产品质量的稳定。

附图说明

为了使本发明的内容更容易被清楚的理解，下面根据本发明的具体实施例并结合附图，对本发明作进一步详细的说明，其中：

图1为本发明松散回潮工序的加水方法的一些实施例的示意图；

图2为本发明一些实施例中建立预测模型方法的示意图；

图3为本发明松散回潮工序的加水方法的另一些实施例的示意图；

图4为本发明一些实施例中获得预设生产时间内工作场所温湿度预测数据的方法的示意图；

图5为本发明一些实施例中建立函数模型方法的示意图；

图6为本发明预测松散回潮工序加水量的装置的一些实施例的示意图；

图7为本发明预测松散回潮工序加水量的装置的另一些实施例的示意图；

图8为本发明一些实施例中预测预设生产时间内工作场所温湿度数据的装置的示意图。

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为本发明松散回潮工序的加水方法的一些实施例的示意图。优选地，本实施例可由预测松散回潮工序加水量的装置来执行。该方法包括以下步骤：

步骤11：获取第一预测因子，其中，所述第一预测因子包括预设生产时间、预设生产时间内工作场所温湿度的预测数据以及预设入口叶丝含水率；

在本发明一些实施例中，所述生产时间为制叶片段工艺开始至烟丝进入叶丝干燥工序入口所经历的时间。

在本发明一些实施例中，预设生产时间内工作场所温湿度的预测数据可以为预设生产时间内每个预定时间间隔的工作场所温度和湿度的预测数据，其中，预定时间间隔小于预设生产时间。

在本发明一些实施例中，工作场所为制叶片段与制叶丝段工艺的实施场所，例如实施制叶片段与制叶丝段工艺的车间。

在本发明一些实施例中，预设生产时间内工作场所温湿度的预测数据包括预设生产时间内工作场所温度的预测数据和预设生产时间内工作场所湿度的预测数据。

在本发明一些实施例中，入口叶丝含水率为刚刚进入叶丝干燥工序入口的烟丝中的含水率。

在本发明一些实施例中，工作场所可以是制丝加工现场、烟草加工车间。

在本发明一些实施例中，工作场所温湿度可以是烟草加工车间的环境温湿度，例如：某线烘丝点环境温湿度、A线烘丝点环境温湿度。

步骤12：将所述第一预测因子输入预测模型中，预测出松散回潮工序加水量；

在本发明一些实施例中，预测模型为：

y₀＝f(x₁,x₂,x₃,x₄) (1)

其中：y₀代表松散回潮工序加水量预测值；x₁代表预设生产时间内工作场所温度的预测数据；x₂代表预设生产时间内工作场所湿度的预测数据；x₃代表预设生产时间；x₄代表预设入口叶丝含水率。

在本发明一些实施例中，预测模型为y_0＝ax₁ ²+bx₂ ²+cx₃ ²+dx₄ ²+ex₁+fx₂+gx₃+hx₄+i；其中：y₀代表松散回潮工序加水量预测值；x₁代表预设生产时间内工作场所温度的预测数据；x₂代表预设生产时间内工作场所湿度的预测数据；x₃代表预设生产时间；x₄代表预设入口叶丝含水率。

在本发明一些实施例中，a为0.05～0.3(例如0.08、0.1、0.12、0.14、0.2、0.24、0.26)，b为0.1～0.5(例如0.13、0.15、0.2、0.3、0.4)，c为-0.5～-0.1(例如-0.4、-0.3、-0.2)，d为1～15(例如2、3、5、8、9、11、13)，e为-0.6～-0.01(例如-0.5、-0.4、-0.3、-0.2、-0.1、-0.06)，f为-1～-0.1(例如-0.9、-0.7、-0.6、-0.5、-0.3、-0.2)，g为0.01～0.9(例如0.08、0.1、0.2、0.3、0.5)，h为-15～-1(例如-13、-11、-9、-5、-3)，i为1～20(例如2、3、5、6、9、13、15、17)。

图2为本发明一些实施例中建立预测模型方法的示意图。

如图2所示，步骤12中的预测模型是通过如下步骤建立的：

步骤121：获取多批次烟丝的制备数据，其中，所述制备数据包括生产时间、生产时间内工作场所温湿度的测定数据、入口叶丝含水率和松散回潮工序加水量；

在本发明一些实施例中，所述生产时间为多批次烟丝的生产时间。

在本发明一些实施例中，生产时间内工作场所温湿度的测定数据为多批次烟丝的生产时间内工作场所温湿度测定数据。

在本发明一些实施例中，入口叶丝含水率为多批次烟丝的入口叶丝含水率。

在本发明一些实施例中，松散回潮工序加水量为多批次烟丝的松散回潮工序加水量。

在本发明一些实施例中，生产时间内工作场所温湿度的测定数据包括生产时间内工作场所温度的测定数据和生产时间内工作场所湿度的测定数据。

在本发明一些实施例中，生产时间内工作场所温湿度的测定数据可以为生产时间内每个预定时间间隔的工作场所温度和湿度数据，其中，预定时间间隔小于生产时间。

步骤122：根据所述制备数据，获得预测模型；

在本发明一些实施例中，步骤122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松散回潮工序加水量与第一预测因子的函数预测模型。

图3为本发明松散回潮工序的加水方法的另一些实施例的示意图。在图1基础上，该方法还包括：

步骤13：获取预设投料量；

在本发明一些实施例中，投料量为参与制叶片段工艺的原料量。

步骤14：计算松散回潮工序加水量预测值与预设投料量的比值，预测出松散回潮工序加水比例。

在本发明一些实施例中，松散回潮工序加水比例为相对于松散回潮工序投料量的加水比例。

在本发明一些实施例中，所述方法还包括：按照预测的加水量或预测的加水比例实施加水操作。

图4为本发明一些实施例中获得预设生产时间内工作场所温湿度预测数据的方法的示意图。预设生产时间内工作场所温湿度的预测数据通过如下的步骤得到：

步骤111：获取第二预测因子和外界温湿度历史测定数据；其中，所述第二预测因子包括预设生产时间内外界温湿度的预报数据；所述外界温湿度历史测定数据至少包括与制备所述多批次烟丝对应的外界温湿度历史测定数据；

在本发明一些实施例中，外界温湿度历史测定数据包括外界温度历史测定数据和外界湿度历史测定数据。

在本发明一些实施例中，预设生产时间内外界温湿度的预报数据包括预设生产时间内外界温度的预报数据和预设生产时间内外界湿度的预报数据。

在本发明一些实施例中，预设生产时间内外界温湿度的预报数据由气象局获得，所预报的是预设生产时间内的外界温湿度数据。

在本发明一些实施例中，所述第二预测因子还包括工作时间、外界对工作场所温湿度影响的预计作用时间、工作场所温湿度实时测定数据和外界温湿度实时测定数据中的至少一项。

本发明一些实施例中，工作场所由启动预热开始工作，预热通过设备对工作场所加温加水加蒸汽来进行，工作场所的温湿度随着预热慢慢升高；当工作场所结束工作时，工作场所温湿度会逐渐降低。

在本发明一些实施例中，所述工作时间为工作场所启动预热至开始预测所经历的时间。

在本发明一些实施例中，工作场所启动预热时刻为ts，工作场所结束工作时刻为te，开始预测时刻为t(位于ts和te之间)，则工作时间为t-ts。

在本发明一些实施例中，外界对工作场所温湿度影响的作用时间为外界环境变化对工作场所温湿度形成影响的延时时间。外界对工作场所温湿度影响的预计作用时间相对固定，其可以通过测算发生同向(或同趋势)变化的外界温湿度历史测定曲线与工作场所温湿度历史测定曲线之间的时间差来得到。

在本发明一些实施例中，工作场所温湿度实时测定数据为开始预测时刻的工作场所温湿度测定数据。

在本发明一些实施例中，外界温湿度实时测定数据为开始预测时刻的外界温湿度测定数据。

在本发明一些实施例中，工作场所温湿度实时测定数据包括工作场所温度实时测定数据和工作场所湿度实时测定数据。

在本发明一些实施例中，外界温湿度实时测定数据包括外界温度实时测定数据和外界湿度实时测定数据。

在本发明一些实施例中，预设生产时间内外界温湿度的预报数据可以为预设生产时间内每个预定时间间隔的外界温湿度预报数据，其中，预定时间间隔小于预设生产时间。

在本发明一些实施例中，外界温湿度历史测定数据可以为每个预定时间间隔的外界温湿度历史测定数据。

步骤112：将外界温湿度历史测定数据进行分类处理，得到至少一个类别；

在本发明一些实施例中，分类处理方法为本领域技术人员公知的，分类处理方法包括但不限于聚类(Cluster)算法、贝叶斯(Bayes)算法、决策树(Decision Tree)算法、支持向量机(Suport Vector Machine)算法、K近邻(KNN)算法等。

在本发明一些实施例中，受季节气候影响，一年中天气温湿度变化差异非常明显，因此，本实施例中将相近外界温湿度数据进行分类处理，分类数目可根据外界天气气候变化实际情况进行选择。例如，分类数目为四类，分别为高温高湿、高温低湿、低温高湿、低温低湿四类。这种处理可以进一步提高预测的准确性。

步骤113：将预设生产时间内外界温湿度的预报数据与各类别的外界温湿度历史测定数据相比较，确定所属的类别；

步骤114：将第二预测因子输入所属类别对应的函数模型中，确定预设生产时间内工作场所温湿度的预测值。

在本发明一些实施例中，函数模型为：

y₁＝F(m₁,m₂,m₃,m₄,m₅,m₆,m₇,m₈) (2)

y₂＝Z(m₁,m₂,m₃,m₄,m₅,m₆,m₇,m₈) (3)

其中，y₁代表预设生产时间内工作场所温度预测值，y₂代表预设生产时间内工作场所湿度预测值，m₁代表预设生产时间内外界温度的预报数据，m₂代表预设生产时间内外界湿度的预报数据，m₃代表工作时间，m₄代表外界对工作场所温湿度影响的预计作用时间，m₅代表工作场所温度实时测定数据，m₆代表工作场所湿度实时测定数据，m₇代表外界温度实时测定数据，m₈代表外界湿度实时测定数据。

图5为本发明一些实施例中建立函数模型方法的示意图。建立函数模型的方法包括如下步骤：

步骤1141：获取历史数据，所述历史数据包括所属类别中的与制备所述多批次烟丝对应的外界温湿度历史测定数据，并且，所述历史数据还包括与该外界温湿度历史测定数据对应的外界温湿度历史预报数据、历史工作时间、外界对工作场所影响的历史作用时间以及工作场所温湿度历史测定数据；

在本发明一些实施例中，外界温湿度历史预报数据包括外界温度历史预报数据和外界湿度历史预报数据。

在本发明一些实施例中，历史工作时间为工作场所启动预热至每批次烟丝开启制叶片段工艺所经历的时间。

在本发明一些实施例中，外界对工作场所温湿度影响的历史作用时间为外界环境变化对工作场所温湿度形成影响的历史延时时间。外界对工作场所温湿度影响的历史作用时间可以通过测算发生同向(或同趋势)变化的外界温湿度历史测定曲线与工作场所温湿度历史测定曲线之间的时间差来得到。

在本发明一些实施例中，工作场所温湿度历史测定数据包括工作场所温度历史测定数据和工作场所湿度历史测定数据。

在本发明一些实施例中，外界温湿度历史测定数据、外界温湿度历史预报数据、工作场所温湿度历史测定数据可以为每个预定时间间隔的外界温湿度历史测定数据、外界温湿度历史预报数据、工作场所温湿度历史测定数据，其中，例如，预定时间间隔可以为1小时、半小时、2小时、20分钟等。

步骤1142：根据所述历史数据，获得函数模型。

在本发明一些实施例中，步骤1142可以采用现有的神经网络算法、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预设生产时间内工作场所温湿度预测值与第二预测因子的关系函数。

图6为本发明预测松散回潮工序加水量的装置的一些实施例的示意图；如图6所述，所述预测松散回潮工序加水量的装置包括：

第一预测因子获取模块21，用于获取第一预测因子，其中，所述第一预测因子包括预设生产时间、预设生产时间内工作场所温湿度的预测数据以及预设入口叶丝含水率；其中，所述生产时间为制叶片段工艺开始至烟丝进入叶丝干燥工序入口所经历的时间；

第一预测模块22，用于将所述第一预测因子输入预测模型中，预测出松散回潮工序加水量。

图7为本发明预测松散回潮工序加水量的装置的另一些实施例的示意图；在图6基础上，图7所示的装置还包括：

预测模型建立模块23，用于获取多批次烟丝的制备数据，其中，所述制备数据包括生产时间、生产时间内工作场所温湿度的测定数据、入口叶丝含水率和松散回潮工序加水量，然后，根据所述制备数据获得预测模型。

投料量获取模块24，用于获取预设投料量；

计算模块25，用于计算松散回潮工序加水量预测值与预设投料量的比值，预测出松散回潮工序的加水比例。

图8为本发明一些实施例中预测预设生产时间内工作场所温湿度数据的装置的示意图。

如图8所示，预测预设生产时间内工作场所温湿度数据的装置包括：

获取模块211，用于获取第二预测因子和外界温湿度历史测定数据，其中，所述第二预测因子包括预设生产时间内外界温湿度的预报数据，所述外界温湿度历史测定数据至少包括与制备所述多批次烟丝对应的外界温湿度历史测定数据；

在本发明一些实施例中，所述第二预测因子还包括还包括工作时间、外界对工作场所温湿度影响的预计作用时间、工作场所温湿度实时测定数据和外界温湿度实时测定数据中的至少一项；其中，所述工作时间为工作场所启动预热至开始预测所经历的时间。

分类模块212，用于将外界温湿度历史测定数据进行分类处理，得到至少一个类别，将预设生产时间内外界温湿度的预报数据与各类别的外界温湿度历史测定数据相比较，确定所属的类别；

函数模型建立模块213，用于获取历史数据，所述历史数据包括所属类别中的与制备所述多批次烟丝对应的外界温湿度历史测定数据，并且，所述历史数据还包括与该外界温湿度历史测定数据对应的外界温湿度历史预报数据、历史工作时间、外界对工作场所影响的历史作用时间及工作场所温湿度历史测定数据，根据所述历史数据获得函数模型；

第二预测模块214，用于将第二预测因子输入所属类别对应的函数模型中，确定预设生产时间内工作场所温湿度的预测值。

在本发明一些实施例中，所述预测松散回潮工序加水量的装置可以用于执行实现如上述任一实施例(图1-5)所述的预测松散回潮工序加水量的方法。

本发明还涉及另外的预测松散回潮工序加水量的装置，包括存储器和处理器，其中：

存储器，用于存储指令；

处理器，耦合到所述存储器，处理器被配置为基于所述存储器存储的指令执行如图1-5所涉及的方法。

存储器可以包括高速RAM存储器，也可包括非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器。存储器也可以是存储器阵列。存储器还可能被分块，并且块可按一定的规则组合成虚拟卷。

处理器可以是一个中央处理器CPU，或者GPU，或者可以是专用集成电路ASIC(Application Specific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。

本发明还涉及一种松散回潮工序的加水装置，包括上述的预测装置以及加水设备。

在本发明一些实施例中，所述定量加水设备为定量加水设备(例如自动定量加水器)。

本发明还涉及一种计算机可读存储介质，其中计算机可读存储介质存储有计算机指令，指令被处理器执行时实现如图1-5所涉及的方法。

上面描述的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。

通过实施本发明，通过利用预测模型计算松散回潮工序的加水量，从而控制松散回潮工序的加水，对于控制叶丝干燥工序各批次烟丝的入口叶丝含水率达到预设值并保持稳定有重要意义，从而进一步保证了各批次卷烟产品质量的稳定。

实施例

采用图1-8中的方法及装置，分别预测了2017年4月份和5月份两个批次的松散回潮工序加水量并实施了松散回潮工序加水操作；同时也按照传统方法凭人工经验实施松散回潮工序加水操作；结果见表1-2。其中，绝对误差为实际入口叶丝含水率与入口叶丝含水率设计值(19.5％)的绝对差值，精度为绝对差值除以入口叶丝含水率设计值的结果。其中，实际入口叶丝含水率通过常用的在线水分仪测定。

表1批次一实验结果

	绝对误差(％)	精度(％)
			本发明方法	0.01	0.051
传统方法	0.27	1.385

表2批次二实验结果

	绝对误差(％)	精度(％)
			本发明方法	0.05	0.256
传统方法	0.34	1.744

由表1-2可知，与传统经验方法相比，本发明方法加水的绝对误差更低，并且，本发明加水方法的精度较高。

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 (13)

1.一种松散回潮工序的加水方法，其特征在于，包括如下步骤：

获取第一预测因子，其中，所述第一预测因子包括预设生产时间、预设生产时间内工作场所温湿度的预测数据以及预设入口叶丝含水率；

将所述第一预测因子输入预测模型中，预测出松散回潮工序加水量；

其中，建立预测模型是通过如下步骤进行的：

获取多批次烟丝的制备数据，其中，所述制备数据包括生产时间、生产时间内工作场所温湿度的测定数据、入口叶丝含水率和松散回潮工序加水量；

根据所述制备数据，获得预测模型；

其中，所述生产时间为制叶片段工艺开始至烟丝进入叶丝干燥工序入口所经历的时间。

2.根据权利要求1所述的方法，其特征在于，还包括如下步骤：

获取预设投料量；

计算松散回潮工序加水量预测值与预设投料量的比值，预测出松散回潮工序加水比例。

3.根据权利要求1或2所述的方法，其特征在于，预设生产时间内工作场所温湿度的预测数据通过如下的步骤得到：

获取第二预测因子和外界温湿度历史测定数据；其中，所述第二预测因子包括预设生产时间内外界温湿度的预报数据；所述外界温湿度历史测定数据至少包括与制备所述多批次烟丝对应的外界温湿度历史测定数据；

将外界温湿度历史测定数据进行分类处理，得到至少一个类别；

将预设生产时间内外界温湿度的预报数据与各类别的外界温湿度历史测定数据相比较，确定所属的类别；

将第二预测因子输入所属类别对应的函数模型中，确定预设生产时间内工作场所温湿度的预测值。

4.根据权利要求3所述的方法，其特征在于，所述第二预测因子还包括工作时间、外界对工作场所温湿度影响的预计作用时间、工作场所温湿度实时测定数据和外界温湿度实时测定数据中的至少一项。

5.根据权利要求3所述的方法，其特征在于，建立函数模型的方法包括如下步骤：

获取历史数据，所述历史数据包括所属类别中的与制备所述多批次烟丝对应的外界温湿度历史测定数据，并且，所述历史数据还包括与该外界温湿度历史测定数据对应的外界温湿度历史预报数据、历史工作时间、外界对工作场所影响的历史作用时间及工作场所温湿度历史测定数据；

根据所述历史数据，获得函数模型。

6.一种预测松散回潮工序加水量的装置，其特征在于，包括：

第一预测因子获取模块，用于获取第一预测因子，其中，所述第一预测因子包括预设生产时间、预设生产时间内工作场所温湿度的预测数据以及预设入口叶丝含水率；其中，所述生产时间为制叶片段工艺开始至烟丝进入叶丝干燥工序入口所经历的时间；

第一预测模块，用于将所述第一预测因子输入预测模型中，预测出松散回潮工序加水量。

7.根据权利要求6所述的预测装置，其特征在于，还包括：

预测模型建立模块，用于获取多批次烟丝的制备数据，其中，所述制备数据包括生产时间、生产时间内工作场所温湿度的测定数据、入口叶丝含水率和松散回潮工序加水量，然后根据所述制备数据获得预测模型。

8.根据权利要求6或7所述的预测装置，其特征在于，还包括：

投料量获取模块，用于获取预设投料量；

计算模块，用于计算松散回潮工序加水量预测值与预设投料量的比值，预测出松散回潮工序的加水比例。

9.根据权利要求7所述的预测装置，其特征在于，预测预设生产时间内工作场所温湿度数据的装置包括：

获取模块，用于获取第二预测因子和外界温湿度历史测定数据，其中，所述第二预测因子包括预设生产时间内外界温湿度的预报数据，所述外界温湿度历史测定数据至少包括与制备所述多批次烟丝对应的外界温湿度历史测定数据；

分类模块，用于将外界温湿度历史测定数据进行分类处理，得到至少一个类别，将预设生产时间内外界温湿度的预报数据与各类别的外界温湿度历史测定数据相比较，确定所属的类别；

第二预测模块，用于将第二预测因子输入所属类别对应的函数模型中，确定预设生产时间内工作场所温湿度的预测值；

优选地，所述第二预测因子还包括工作时间、外界对工作场所温湿度影响的预计作用时间、工作场所温湿度实时测定数据和外界温湿度实时测定数据中的至少一项。

10.根据权利要求9所述的预测装置，其特征在于，预测预设生产时间内工作场所温湿度数据的装置还包括：

函数模型建立模块，用于获取历史数据，所述历史数据包括所属类别中的与制备所述多批次烟丝对应的外界温湿度历史测定数据，并且，所述历史数据还包括与该外界温湿度历史测定数据对应的外界温湿度历史预报数据、历史工作时间、外界对工作场所影响的历史作用时间及工作场所温湿度历史测定数据，根据所述历史数据获得函数模型。

11.一种预测松散回潮工序加水量的装置，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，耦合到所述存储器，处理器被配置为基于所述存储器存储的指令执行如权利要求1至5中任一项所述的方法。

12.一种松散回潮工序的加水装置，其特征在于，包括权利要求6至11中任一项所述的预测装置以及加水设备。

13.一种计算机可读存储介质，其特征在于，所述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至5中任一项所述的方法。