CN109343489A - 烟草制丝工艺参数自愈控制方法及系统 - Google Patents
烟草制丝工艺参数自愈控制方法及系统 Download PDFInfo
- Publication number
- CN109343489A CN109343489A CN201811276413.7A CN201811276413A CN109343489A CN 109343489 A CN109343489 A CN 109343489A CN 201811276413 A CN201811276413 A CN 201811276413A CN 109343489 A CN109343489 A CN 109343489A
- Authority
- CN
- China
- Prior art keywords
- parameter
- regression model
- technological parameter
- independent variable
- variable
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Stored Programmes (AREA)
Abstract
本发明公开一种烟草制丝工艺参数自愈控制方法,包括以下步,采集烟草制丝工艺中各个工序的工艺参数;采用工艺参数建立回归模型,并对所述回归模型进行训练,确认目标变量和自变量,从目标变量和自变量中选择对目标变量影响显著的若干个自变量,根据系数权重对所述自变量进行筛选,得到预设范围内权重对应的自变量,交叉验证,将工艺参数纳入目标回归模型中,得到相应类别的目标回归模型;当任意类别中的工艺参数出现异常时,通过异常工艺参数对应类别的目标回归模型解除当前工序中的工艺参数以及下一工序中的输出参数产生的异常,实现工艺参数自愈的控制过程。通过本发明获得各个监测控制参数的多参数关联模型,可用于制丝工艺的全局参数优化。
Description
技术领域
本发明涉及工业自动化技术领域,尤其涉及一种烟草制丝工艺参数自愈控制方法及系统。
背景技术
在卷烟加工工艺中,制丝工艺是一个重要环节,其工艺优劣不但直接影响后续卷接工序的工作效率,并且与成品烟支质量密切相关。但是在实际生产过程中总是不可避免地会出现参数异常报警情况,由于制丝工艺是一个多参数、多耦合、非线性、多干扰的连续生产过程,当出现参数异常报警时,操作人员很难快速、有效地追溯并定位上游产生异常的原因,这样就会导致消除异常参数调整难大、效率低;另一方面,异常参数对下游工艺参数的影响也没有可靠的评估手段,操作人员无法采取相应措施及时补偿调控,从而会对后续工艺流程产生非常大的影响。
发明内容
本发明针对现有技术中的缺点,提供了一种烟草制丝工艺参数自愈控制方法及系统。
为了解决上述技术问题,本发明通过下述技术方案得以解决:
一种烟草制丝工艺参数自愈控制方法,包括以下步骤:
采集烟草制丝工艺中各个工序的工艺参数,其中,工艺参数包括三种类别,即输入参数、加工参数和输出参数;
采用工艺参数建立回归模型,并对所述回归模型进行训练,确认目标变量和自变量,从目标变量和自变量中选择对目标变量影响显著的若干个自变量,根据系数权重对所述自变量进行筛选,得到预设范围内权重对应的自变量,交叉验证,得到目标回归模型,将输入参数、加工参数和输出参数纳入目标回归模型中,得到相应类别的目标回归模型;
当任意类别中的工艺参数出现异常时,通过异常工艺参数对应类别的目标回归模型解除当前工序中的工艺参数以及下一工序中的输出参数产生的异常,实现工艺参数自愈的控制过程。
作为一种可实施方式,所述当任意类别中的工艺参数出现异常时,通过异常工艺参数对应类别的目标回归模型解除当前工序中的工艺参数以及下一工序中的输出参数产生的异常,实现工艺参数自愈的控制过程,具体过程为:
选择异常工艺参数对应的目标回归模型,确认出当前各自变量的影响程度并对影响程度进行排列,得到影响程度大的前若干个自变量,并根据影响度的排列顺序对相应的自变量进行调整,直至异常解除;或,
对下一工序中工艺参数选择下一工序中输出参数对应的目标回归模型,确认异常参数对下一工序中输出参数的影响,调整下一工序中输出参数,抵消异常影响,异常解除后,下一工序中工艺参数恢复到初始设置。
作为一种可实施方式,所述目标回归模型包括输入参数回归模型、加工参数回归模型和输出参数回归模型。
作为一种可实施方式,第i工序的第k个输出参数所对应的回归模型表示为:
其中,表示第i工序输入参数,i表示工序的序号,a表示具体的参数,k表示个数,表示第1工序输入参数,表示第i工序加工参数,i表示工序的序号,b表示具体的参数,k表示个数,表示第1工序加工参数,表示第i工序输出参数,i表示工序的序号,c表示具体的参数,k表示个数,表示第1工序输出参数。
作为一种可实施方式,对回归模型进行训练,确认目标变量和自变量,从目标变量和自变量中选择对目标变量影响显著的自变量,根据系数权重对所述自变量进行筛选,得到预设范围内权重对应的自变量,交叉验证,得到目标回归模型,将输入参数、加工参数和输出参数纳入目标回归模型中,得到三种类别的目标回归模型的具体过程为:
将输出参数表示为目标变量y,将所述目标变量对应的自变量表示为x1,x2,...,xm,对回归模型进行训练;
将自变量x1,x2,...,xm分别与y建立一元回归模型,得到每个一元回归模型回归系数的检验统计量F,记作其中,m表示个数,取检验统计量中的最大值,即通过置信度α得到检验统计量Fα,若其中,F进表示检验统计量的临界值,则停止筛选;若则选入
假设是x1,将自变量(x1,x2),(x1,x3),…(x1,xm)与因变量y建立二元回归模型,计算二元回归模型中x2,x3,...,xm回归系数的检验统计量F,并记作其中,m表示个数,取检验统计量中的最大值,即若F进表示检验统计量的临界值,n表示个数,则停止筛选,因变量y与自变量x1之间的回归模型就是最优回归模型;若F进表示检验统计量的临界值,n表示个数,则选进
重复筛选和选进过程,直到未被选入模型的自变量的F值都小于响应的临界值F进为止,则回归模型为目标回归模型;
假设自变量表示为var1,var2,...,varn,相关系数为coef1,coef2,...,coefn,则权重系数定义为计算目标回归模型中每个系数的权重,通过权重占比确立出最终自变量;
对目标回归模型进行交叉验证,验证成功,则目标回归模型建立成功;
将输入参数、加工参数和输出参数纳入目标回归模型中,得到三种类别的目标回归模型。
作为一种可实施方式,所述选择异常工艺参数对应的目标回归模型,确认出当前各自变量的影响程度并对影响程度进行排列,得到影响程度大的前若干个自变量,并根据影响度的排列顺序对相应的自变量进行调整,直至异常解除,具体步骤为:
当某一输出参数出现异常时,设异常输出参数为yerror,在所有目标回归模型中查找出所述异常输出参数对应的目标回归模型;
设定异常输出参数的自变量表示为vark,自变量系数表示为coefk,则异常输出参数对应的目标回归模型表示为:
yerror=coef1·var1+coef2·var2+...+coefk·vark+...;
通过历史统计信息得到各个自变量的均值为则影响度表示为其中,Dk表示影响度,对各个参数的影响度进行排序,并确定出影响度大的前若干个自变量;
根据影响度的排序依次对各个自变量进行调整,使所有自变量调整为历史均值,若异常无法解除,则扩大调整范围,直至异常解除。
作为一种可实施方式,所述对下一工序中工艺参数选择下一工序中输出参数对应的目标回归模型,确认异常参数对下一工序中输出参数的影响,调整下一工序中输出参数,抵消异常影响,异常解除后,下一工序中输出参数恢复到初始设置,具体步骤为:
设异常输出参数的自变量表示为自变量系数为
将自变量进行求和计算,得到异常输出参数对应自变量的影响度的总和为下一工序中输出参数的正常自变量影响值总和表示为Dnormal;
对下一工序中输出参数的各个自变量进行预防性调整,使得Dnormal+Derror=0;
当异常解除时,使得下一工序中输出参数恢复至初始设定值。
一种烟草制丝工艺参数自愈控制系统,包括数据采集模块、模型建立模块和异常消除模块;
所述数据采集模块,用于采集烟草制丝工艺中各个工序的工艺参数,其中,工艺参数包括三种类别,即输入参数、加工参数和输出参数;
所述模型建立模块,用于采用工艺参数建立回归模型,并对所述回归模型进行训练,确认目标变量和自变量,从目标变量和自变量中选择对目标变量影响显著的若干个自变量,根据系数权重对所述自变量进行筛选,得到预设范围内权重对应的自变量,交叉验证,得到目标回归模型,将输入参数、加工参数和输出参数纳入目标回归模型中,得到三种类别的目标回归模型,包括输入参数回归模型、加工参数回归模型和输出参数回归模型;
所述异常消除模块,用于当任意类别中的工艺参数出现异常时,通过异常工艺参数对应类别的目标回归模型解除当前工序中的工艺参数以及下一工序中的输出参数产生的异常,实现工艺参数自愈的控制过程。
作为一种可实施方式,所述异常消除模块被设置为:选择异常工艺参数对应的目标回归模型,确认出当前各自变量的影响程度并对影响程度进行排列,得到影响程度大的前若干个自变量,并根据影响度的排列顺序对相应的自变量进行调整,直至异常解除;对下一工序中工艺参数选择下一工序中输出参数对应的目标回归模型,确认异常参数对下一工序中输出参数的影响,调整下一工序中输出参数,抵消异常影响,异常解除后,下一工序中工艺参数恢复到初始设置。
本发明由于采用了以上技术方案,具有显著的技术效果:
本发明提供一种烟草制丝工艺参数自愈控制方法及系统,当某工艺参数出现异常报警时,能够快速追溯定位上游异常诱因,同时可以提供有效的应对措施,降低甚至消除异常参数对后续流程的影响,实现全局参数的自愈控制。
本发明的方法和系统能够获得各个监测控制参数的多参数关联模型,可用于制丝工艺的全局参数优化;当某个监测控制参数出现超限异常报警时,能够快速定位关键影响变量,并自动对影响变量进行调整,极大地降低消除异常成本;当某个监测控制参数出现超限异常报警时,也能够对下游的加工参数进行预防性调整,尽可能地降低异常参数对后续工艺的影响,实现制丝工艺参数的自愈控制。
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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明方法的整体流程示意图;
图2是本发明系统的整体结构示意图;
图3是薄板烘丝出口温度回归模型拟合效果的示意图。
具体实施方式
下面结合实施例对本发明做进一步的详细说明,以下实施例是对本发明的解释而本发明并不局限于以下实施例。
一种烟草制丝工艺参数自愈控制方法,包括以下步骤:
S100、采集烟草制丝工艺中各个工序的工艺参数,其中,工艺参数包括三种类别,即输入参数、加工参数和输出参数;
S200、采用工艺参数建立回归模型,并对所述回归模型进行训练,确认目标变量和自变量,从目标变量和自变量中选择对目标变量影响显著的若干个自变量,根据系数权重对所述自变量进行筛选,得到预设范围内权重对应的自变量,交叉验证,得到目标回归模型,将输入参数、加工参数和输出参数纳入目标回归模型中,得到相应类别的目标回归模型;
S300、当任意类别中的工艺参数出现异常时,通过异常工艺参数对应类别的目标回归模型解除当前工序中的工艺参数以及下一工序中的输出参数产生的异常,实现工艺参数自愈的控制过程。
通过本发明的方法能够获得各个监测控制参数的多参数关联模型,可用于制丝工艺的全局参数优化;当某个监测控制参数出现超限异常报警时,能够快速定位关键影响变量,并自动对影响变量进行调整,极大地降低消除异常成本;当某个监测控制参数出现超限异常报警时,也能够对下游的加工参数进行预防性调整,尽可能地降低异常参数对后续工艺的影响,实现制丝工艺参数的自愈控制。
在步骤S300中,所述当任意类别中的工艺参数出现异常时,通过异常工艺参数对应类别的目标回归模型解除当前工序中的工艺参数以及下一工序中的输出参数产生的异常,实现工艺参数自愈的控制过程,具体过程为:
S310a、选择异常工艺参数对应的目标回归模型,确认出当前各自变量的影响程度并对影响程度进行排列,得到影响程度大的前若干个自变量,并根据影响度的排列顺序对相应的自变量进行调整,直至异常解除;或,
S310b、对下一工序中工艺参数选择下一工序中输出参数对应的目标回归模型,确认异常参数对下一工序中输出参数的影响,调整下一工序中输出参数,抵消异常影响,异常解除后,下一工序中工艺参数恢复到初始设置。
在本实施例中、所述目标回归模型包括输入参数回归模型、加工参数回归模型和输出参数回归模型。
更具体地,以上目标回归模型可以用统一的公式表示,即第i工序的第k个输出参数所对应的回归模型表示为:
其中,表示第i工序输入参数,i表示工序的序号,a表示具体的参数,k表示个数,表示第1工序输入参数,表示第i工序加工参数,i表示工序的序号,b表示具体的参数,k表示个数,表示第1工序加工参数,表示第i工序输出参数,i表示工序的序号,c表示具体的参数,k表示个数,表示第1工序输出参数。
在步骤S200中,对回归模型进行训练,确认目标变量和自变量,从目标变量和自变量中选择对目标变量影响显著的自变量,根据系数权重对所述自变量进行筛选,得到预设范围内权重对应的自变量,交叉验证,得到目标回归模型,将输入参数、加工参数和输出参数纳入目标回归模型中,得到三种类别的目标回归模型的具体过程为:
S201、将输出参数表示为目标变量y,将所述目标变量对应的自变量表示为x1,x2,...,xm,对回归模型进行训练;
S202、将自变量x1,x2,...,xm分别与y建立一元回归模型,得到每个一元回归模型回归系数的检验统计量F,记作其中,m表示个数,取检验统计量中的最大值,即通过置信度α得到检验统计量Fα,若其中,F进表示检验统计量的临界值,则停止筛选;若则选入
S203、假设是x1,将自变量(x1,x2),(x1,x3),…(x1,xm)与因变量y建立二元回归模型,计算二元回归模型中x2,x3,...,xm回归系数的检验统计量F,并记作其中,m表示个数,取检验统计量中的最大值,即若F进表示检验统计量的临界值,n表示个数,则停止筛选,因变量y与自变量x1之间的回归模型就是最优回归模型;若F进表示检验统计量的临界值,n表示个数,则选进
S204、重复筛选和选进过程,直到未被选入模型的自变量的F值都小于响应的临界值F进为止,则回归模型为目标回归模型;
S205、假设自变量表示为var1,var2,...,varn,相关系数为coef1,coef2,...,coefn,则权重系数定义为计算目标回归模型中每个系数的权重,取前95%权重占比所对应的自变量确认为最终自变量;
S206、对目标回归模型进行交叉验证,验证成功,则目标回归模型建立成功;
S207、将输入参数、加工参数和输出参数纳入目标回归模型中,得到三种类别的目标回归模型。
在步骤S310a中,所述选择异常工艺参数对应的目标回归模型,确认出当前各自变量的影响程度并对影响程度进行排列,得到影响程度大的前若干个自变量,并根据影响度的排列顺序对相应的自变量进行调整,直至异常解除,具体步骤为:
当某一输出参数出现异常时,设异常输出参数为yerror,在所有目标回归模型中查找出所述异常输出参数对应的目标回归模型;
设定异常输出参数的自变量表示为vark,自变量系数表示为coefk,则异常输出参数对应的目标回归模型表示为:
yerror=coef1·var1+coef2·var2+...+coefk·vark+...;
通过历史统计信息得到各个自变量的均值为则影响度表示为其中,Dk表示影响度,对各个参数的影响度进行排序,并确定出影响度大的前若干个自变量;
根据影响度的排序依次对各个自变量进行调整,使所有自变量调整为历史均值,若异常无法解除,则扩大调整范围,直至异常解除。
在步骤S310b中,所述对下一工序中工艺参数选择下一工序中输出参数对应的目标回归模型,确认异常参数对下一工序中输出参数的影响,调整下一工序中输出参数,抵消异常影响,异常解除后,下一工序中输出参数恢复到初始设置,具体步骤为:
设异常输出参数的自变量表示为自变量系数为
将自变量进行求和计算,得到异常输出参数对应自变量的影响度的总和为下一工序中输出参数的正常自变量影响值总和表示为Dnormal;
对下一工序中输出参数的各个自变量进行预防性调整,使得Dnormal+Derror=0;
当异常解除时,使得下一工序中输出参数恢复至初始设定值。
下面,结合具体实际应用来对本发明的方法进行验证,具体如下:
将本发明提出的烟草制丝工艺参数自愈控制方法及系统应用于某卷烟生产企业的某细支烟生产线,该制丝产线的生产工艺主要包含松散回潮、叶片加料、薄板烘丝、比例掺配和混丝加香五个步骤,其中松散回潮过程参数包含7项,叶片加料16项,薄板烘丝12项,比例掺配7项,以及混丝加香8项,具体参数信息如表1所示。该实施例以C8为目标进行回归模型训练,C8是薄板烘丝阶段非常重要的监测控制量,表示薄板烘丝出口温度,该实施例用于训练的历史数据跨度为6个月,具体实施过程如下:
表1各个工序参数汇总表
步骤1、由目标变量为C8,确定自变量范围为上游工序参数及当前工序的输入参数和加工参数,因此C8参数的回归方程可表示为
C8=f(A1~A7,B1~B5,B7~B13,B15~B18,C3~C7,C9~C14)
为便于描述,令C8参数为目标变量y,对应自变量为x1,x2,...,xm,自变量个数m=34;
步骤2、将全部自变量分别与y建立一元回归方程,计算每个一元回归方程中回归系数的检验统计量F,记为取最大值对给定置信度α,查F-分布表可得Fα,若停止筛选;若选入
步骤3、不妨设是x1,可以将分别将自变量(x1,x2),(x1,x3),…(x1,xm)与因变量y建立二元回归方程,计算回归方程中x2,x3,...,xm的回归系数检验统计量F,记为取若则停止筛选,y与x1之间的回归方程就是最优回归方程;若选进
步骤4、重复以上步骤2)和步骤3),直到未被选入模型的自变量的F值都小于响应的临界值F进为止,此时的回归方程就是目标回归方程;
步骤5、对自变量进行进一步筛选。由权重系数计算公式计算回归模型每个系数的权重,取前95%权重占比所对应的自变量为最终自变量;
步骤6、交叉验证,在给定的建模样本中,拿出80%的样本进行模型构建,留20%的样本用所述建立的模型进行预测,并求这小部分样本的预报误差,验证模型的有效性。
通过以上步骤获得的回归模型可表示如下:
对应的自变量所包含参数的具体物理意义如表2所示。图3给出了回归模型的拟合结果与实际数值的对比,从图中可以看到回归模型能够对原始数据进行有效拟合。
表2参数物理意义
通过重复以上步骤,可以获得各个工艺阶段每个输出参数的多元回归模型。当某输出参数出现超限报警时,可以根据其对应的回归模型对上游参数进行调整来消除报警;同样的,对后续工艺的影响也可通过目标参数对应的回归模型来进行预防性调整,从而实现制丝工艺参数的自愈控制,有效降低了烟草制丝的生产成本。
相对于现有技术中,消除异常参数调整难大、效率低;异常参数对下游工艺参数的影响也没有可靠的评估手段,操作人员无法采取相应措施及时补偿调控,从而会对后续工艺流程产生非常大的影响,通过本发明的方法和系统能够获得各个监测控制参数的多参数关联模型,可用于制丝工艺的全局参数优化;当某工艺参数出现异常报警时,能够快速追溯定位上游异常诱因,同时可以提供有效的应对措施,降低甚至消除异常参数对后续流程的影响,实现全局参数的自愈控制。
实施例2:
一种烟草制丝工艺参数自愈控制系统,如图所示,包括数据采集模块100、模型建立模块200和异常消除模块300;
所述数据采集模块100,用于采集烟草制丝工艺中各个工序的工艺参数,其中,工艺参数包括三种类别,即输入参数、加工参数和输出参数;
所述模型建立模块200,用于采用工艺参数建立回归模型,并对所述回归模型进行训练,确认目标变量和自变量,从目标变量和自变量中选择对目标变量影响显著的若干个自变量,根据系数权重对所述自变量进行筛选,得到预设范围内权重对应的自变量,交叉验证,得到目标回归模型,将输入参数、加工参数和输出参数纳入目标回归模型中,得到三种类别的目标回归模型,包括输入参数回归模型、加工参数回归模型和输出参数回归模型;
所述异常消除模块300,用于当任意类别中的工艺参数出现异常时,通过异常工艺参数对应类别的目标回归模型解除当前工序中的工艺参数以及下一工序中的输出参数产生的异常,实现工艺参数自愈的控制过程。
所述异常消除模块300,具体被设置为:选择异常工艺参数对应的目标回归模型,确认出当前各自变量的影响程度并对影响程度进行排列,得到影响程度大的前若干个自变量,并根据影响度的排列顺序对相应的自变量进行调整,直至异常解除;对下一工序中工艺参数选择下一工序中输出参数对应的目标回归模型,确认异常参数对下一工序中输出参数的影响,调整下一工序中输出参数,抵消异常影响,异常解除后,下一工序中工艺参数恢复到初始设置。
通过本发明的系统也同样能够获得各个监测控制参数的多参数关联模型,可用于制丝工艺的全局参数优化;当某个监测控制参数出现超限异常报警时,能够快速定位关键影响变量,并自动对影响变量进行调整,极大地降低消除异常成本;当某个监测控制参数出现超限异常报警时,也能够对下游的加工参数进行预防性调整,尽可能地降低异常参数对后续工艺的影响,实现制丝工艺参数的自愈控制。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本发明的实施例可提供为方法、装置、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
需要说明的是:
说明书中提到的“一个实施例”或“实施例”意指结合实施例描述的特定特征、结构或特性包括在本发明的至少一个实施例中。因此,说明书通篇各个地方出现的短语“一个实施例”或“实施例”并不一定均指同一个实施例。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
此外,需要说明的是,本说明书中所描述的具体实施例,其零、部件的形状、所取名称等可以不同。凡依本发明专利构思所述的构造、特征及原理所做的等效或简单变化,均包括于本发明专利的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离本发明的结构或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。
Claims (9)
1.一种烟草制丝工艺参数自愈控制方法,其特征在于包括以下步骤:
采集烟草制丝工艺中各个工序的工艺参数,其中,工艺参数包括三种类别,即输入参数、加工参数和输出参数;
采用工艺参数建立回归模型,并对所述回归模型进行训练,确认目标变量和自变量,从目标变量和自变量中选择对目标变量影响显著的若干个自变量,根据系数权重对所述自变量进行筛选,得到预设范围内权重对应的自变量,交叉验证,得到目标回归模型,将输入参数、加工参数和输出参数纳入目标回归模型中,得到相应类别的目标回归模型;
当任意类别中的工艺参数出现异常时,通过异常工艺参数对应类别的目标回归模型解除当前工序中的工艺参数以及下一工序中的输出参数产生的异常,实现工艺参数自愈的控制过程。
2.根据权利要求1所述的烟草制丝工艺参数自愈控制方法,其特征在于,所述当任意类别中的工艺参数出现异常时,通过异常工艺参数对应类别的目标回归模型解除当前工序中的工艺参数以及下一工序中的输出参数产生的异常,实现工艺参数自愈的控制过程,具体过程为:
选择异常工艺参数对应的目标回归模型,确认出当前各自变量的影响程度并对影响程度进行排列,得到影响程度大的前若干个自变量,并根据影响度的排列顺序对相应的自变量进行调整,直至异常解除;或,
对下一工序中工艺参数选择下一工序中输出参数对应的目标回归模型,确认异常参数对下一工序中输出参数的影响,调整下一工序中输出参数,抵消异常影响,异常解除后,下一工序中工艺参数恢复到初始设置。
3.根据权利要求1所述的烟草制丝工艺参数自愈控制方法,其特征在于,所述目标回归模型包括输入参数回归模型、加工参数回归模型和输出参数回归模型。
4.根据权利要求3所述的烟草制丝工艺参数自愈控制方法,其特征在于,第i工序的第k个输出参数所对应的回归模型表示为:
其中,表示第i工序输入参数,i表示工序的序号,a表示具体的参数,k表示个数,表示第1工序输入参数,表示第i工序加工参数,i表示工序的序号,b表示具体的参数,k表示个数,表示第1工序加工参数,表示第i工序输出参数,i表示工序的序号,c表示具体的参数,k表示个数,表示第1工序输出参数。
5.根据权利要求4所述的烟草制丝工艺参数自愈控制方法,其特征在于,对回归模型进行训练,确认目标变量和自变量,从目标变量和自变量中选择对目标变量影响显著的自变量,根据系数权重对所述自变量进行筛选,得到预设范围内权重对应的自变量,交叉验证,得到目标回归模型,将输入参数、加工参数和输出参数纳入目标回归模型中,得到三种类别的目标回归模型的具体过程为:
将输出参数表示为目标变量y,将所述目标变量对应的自变量表示为x1,x2,...,xm,对回归模型进行训练;
将自变量x1,x2,...,xm分别与y建立一元回归模型,得到每个一元回归模型回归系数的检验统计量F,记作其中,m表示个数,取检验统计量中的最大值,即通过置信度α得到检验统计量Fα,若其中,F进表示检验统计量的临界值,则停止筛选;若则选入
假设是x1,将自变量(x1,x2),(x1,x3),…(x1,xm)与因变量y建立二元回归模型,计算二元回归模型中x2,x3,...,xm回归系数的检验统计量F,并记作其中,m表示个数,取检验统计量中的最大值,即若F进表示检验统计量的临界值,n表示个数,则停止筛选,因变量y与自变量x1之间的回归模型就是最优回归模型;若F进表示检验统计量的临界值,n表示个数,则选进
重复筛选和选进过程,直到未被选入模型的自变量的F值都小于响应的临界值F进为止,则回归模型为目标回归模型;
假设自变量表示为var1,var2,...,varn,相关系数为coef1,coef2,...,coefn,则权重系数定义为计算目标回归模型中每个系数的权重,通过权重占比确立出最终自变量;
对目标回归模型进行交叉验证,验证成功,则目标回归模型建立成功;
将输入参数、加工参数和输出参数纳入目标回归模型中,得到三种类别的目标回归模型。
6.根据权利要求2所述的烟草制丝工艺参数自愈控制方法,其特征在于,所述选择异常工艺参数对应的目标回归模型,确认出当前各自变量的影响程度并对影响程度进行排列,得到影响程度大的前若干个自变量,并根据影响度的排列顺序对相应的自变量进行调整,直至异常解除,具体步骤为:
当某一输出参数出现异常时,设异常输出参数为yerror,在所有目标回归模型中查找出所述异常输出参数对应的目标回归模型;
设定异常输出参数的自变量表示为vark,自变量系数表示为coefk,则异常输出参数对应的目标回归模型表示为:
yerror=coef1·var1+coef2·var2+...+coefk·vark+...;
通过历史统计信息得到各个自变量的均值为则影响度表示为其中,Dk表示影响度,对各个参数的影响度进行排序,并确定出影响度大的前若干个自变量;
根据影响度的排序依次对各个自变量进行调整,使所有自变量调整为历史均值,若异常无法解除,则扩大调整范围,直至异常解除。
7.根据权利要求2所述的烟草制丝工艺参数自愈控制方法,其特征在于,所述对下一工序中工艺参数选择下一工序中输出参数对应的目标回归模型,确认异常参数对下一工序中输出参数的影响,调整下一工序中输出参数,抵消异常影响,异常解除后,下一工序中输出参数恢复到初始设置,具体步骤为:
设异常输出参数的自变量表示为自变量系数为
将自变量进行求和计算,得到异常输出参数对应自变量的影响度的总和为下一工序中输出参数的正常自变量影响值总和表示为Dnormal;
对下一工序中输出参数的各个自变量进行预防性调整,使得Dnormal+Derror=0;
当异常解除时,使得下一工序中输出参数恢复至初始设定值。
8.一种烟草制丝工艺参数自愈控制系统,其特征在于,包括数据采集模块、模型建立模块和异常消除模块;
所述数据采集模块,用于采集烟草制丝工艺中各个工序的工艺参数,其中,工艺参数包括三种类别,即输入参数、加工参数和输出参数;
所述模型建立模块,用于采用工艺参数建立回归模型,并对所述回归模型进行训练,确认目标变量和自变量,从目标变量和自变量中选择对目标变量影响显著的若干个自变量,根据系数权重对所述自变量进行筛选,得到预设范围内权重对应的自变量,交叉验证,得到目标回归模型,将输入参数、加工参数和输出参数纳入目标回归模型中,得到三种类别的目标回归模型,包括输入参数回归模型、加工参数回归模型和输出参数回归模型;
所述异常消除模块,用于当任意类别中的工艺参数出现异常时,通过异常工艺参数对应类别的目标回归模型解除当前工序中的工艺参数以及下一工序中的输出参数产生的异常,实现工艺参数自愈的控制过程。
9.根据权利要求8所述的烟草制丝工艺参数自愈控制系统,其特征在于,所述异常消除模块被设置为:选择异常工艺参数对应的目标回归模型,确认出当前各自变量的影响程度并对影响程度进行排列,得到影响程度大的前若干个自变量,并根据影响度的排列顺序对相应的自变量进行调整,直至异常解除;对下一工序中工艺参数选择下一工序中输出参数对应的目标回归模型,确认异常参数对下一工序中输出参数的影响,调整下一工序中输出参数,抵消异常影响,异常解除后,下一工序中工艺参数恢复到初始设置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811276413.7A CN109343489B (zh) | 2018-10-30 | 2018-10-30 | 烟草制丝工艺参数自愈控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811276413.7A CN109343489B (zh) | 2018-10-30 | 2018-10-30 | 烟草制丝工艺参数自愈控制方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109343489A true CN109343489A (zh) | 2019-02-15 |
CN109343489B CN109343489B (zh) | 2020-02-11 |
Family
ID=65311247
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811276413.7A Active CN109343489B (zh) | 2018-10-30 | 2018-10-30 | 烟草制丝工艺参数自愈控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109343489B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109674080A (zh) * | 2019-03-07 | 2019-04-26 | 山东中烟工业有限责任公司 | 烟叶回潮加水量预测方法、存储介质及终端设备 |
CN110558598A (zh) * | 2019-08-14 | 2019-12-13 | 长沙学院 | 基于数据驱动的烟草烘丝干头过程fnn-arx建模方法 |
CN112021627A (zh) * | 2020-07-10 | 2020-12-04 | 张家口卷烟厂有限责任公司 | 制丝流水线异常监控系统及方法 |
CN114578780A (zh) * | 2022-05-06 | 2022-06-03 | 广东祥利科技有限公司 | 交联聚乙烯在线生产监测方法及系统 |
CN115657595A (zh) * | 2022-10-18 | 2023-01-31 | 力劲精密机械(昆山)有限公司 | 一种卧式加工中心多轴协同控制方法和系统 |
CN117035560A (zh) * | 2023-10-09 | 2023-11-10 | 深圳市五轮科技股份有限公司 | 基于大数据的电子烟生产数据管理系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102567812A (zh) * | 2012-01-09 | 2012-07-11 | 红云红河烟草(集团)有限责任公司 | 一种烟草加工工序中用加工参数预测控制指标的方法 |
CN103543719A (zh) * | 2013-10-17 | 2014-01-29 | 中国科学院软件研究所 | 一种基于工况的流程行业操作模式自适应调整方法 |
CN107330555A (zh) * | 2017-06-30 | 2017-11-07 | 红云红河烟草(集团)有限责任公司 | 一种基于随机森林回归的制丝过程参数赋权方法 |
US20180260726A1 (en) * | 2017-03-13 | 2018-09-13 | Kabushiki Kaisha Toshiba | Analysis apparatus, analysis method, and non-transitory computer readable medium |
-
2018
- 2018-10-30 CN CN201811276413.7A patent/CN109343489B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102567812A (zh) * | 2012-01-09 | 2012-07-11 | 红云红河烟草(集团)有限责任公司 | 一种烟草加工工序中用加工参数预测控制指标的方法 |
CN103543719A (zh) * | 2013-10-17 | 2014-01-29 | 中国科学院软件研究所 | 一种基于工况的流程行业操作模式自适应调整方法 |
US20180260726A1 (en) * | 2017-03-13 | 2018-09-13 | Kabushiki Kaisha Toshiba | Analysis apparatus, analysis method, and non-transitory computer readable medium |
CN107330555A (zh) * | 2017-06-30 | 2017-11-07 | 红云红河烟草(集团)有限责任公司 | 一种基于随机森林回归的制丝过程参数赋权方法 |
Non-Patent Citations (1)
Title |
---|
张良东: "《统计建模法在柳州卷烟厂制丝生产线上的应用》", 《轻工科技》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109674080A (zh) * | 2019-03-07 | 2019-04-26 | 山东中烟工业有限责任公司 | 烟叶回潮加水量预测方法、存储介质及终端设备 |
CN110558598A (zh) * | 2019-08-14 | 2019-12-13 | 长沙学院 | 基于数据驱动的烟草烘丝干头过程fnn-arx建模方法 |
CN110558598B (zh) * | 2019-08-14 | 2021-08-20 | 长沙学院 | 基于数据驱动的烟草烘丝干头过程fnn-arx建模方法 |
CN112021627A (zh) * | 2020-07-10 | 2020-12-04 | 张家口卷烟厂有限责任公司 | 制丝流水线异常监控系统及方法 |
CN112021627B (zh) * | 2020-07-10 | 2022-03-18 | 张家口卷烟厂有限责任公司 | 制丝流水线异常监控系统 |
CN114578780A (zh) * | 2022-05-06 | 2022-06-03 | 广东祥利科技有限公司 | 交联聚乙烯在线生产监测方法及系统 |
CN114578780B (zh) * | 2022-05-06 | 2022-08-16 | 广东祥利科技有限公司 | 交联聚乙烯在线生产监测方法及系统 |
CN115657595A (zh) * | 2022-10-18 | 2023-01-31 | 力劲精密机械(昆山)有限公司 | 一种卧式加工中心多轴协同控制方法和系统 |
CN115657595B (zh) * | 2022-10-18 | 2024-01-05 | 力劲精密机械(昆山)有限公司 | 一种卧式加工中心多轴协同控制方法和系统 |
CN117035560A (zh) * | 2023-10-09 | 2023-11-10 | 深圳市五轮科技股份有限公司 | 基于大数据的电子烟生产数据管理系统 |
CN117035560B (zh) * | 2023-10-09 | 2024-02-20 | 深圳市五轮科技股份有限公司 | 基于大数据的电子烟生产数据管理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109343489B (zh) | 2020-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109343489A (zh) | 烟草制丝工艺参数自愈控制方法及系统 | |
Ko et al. | Assessment of achievable PI control performance for linear processes with dead time | |
JP3930465B2 (ja) | モデルベース制御のための高速プラントテスト方法 | |
EP3172629B1 (en) | Robust control design approach for chemical processing industries and other industries | |
Wu et al. | Calibrating water distribution model via genetic algorithms | |
CN112273696B (zh) | 切丝后水分控制方法、装置以及设备 | |
CN109213098A (zh) | 调整运行参数的方法、装置、电子设备和计算机可读介质 | |
Hain et al. | Identification-based power unit model for load-frequency control purposes | |
US20090171638A1 (en) | Advanced-process-control system utilizing a lambda tuner | |
CN106342313B (zh) | 一种基于层次分析法的测试性指标分配方法 | |
CN101860025A (zh) | 基于预测-校正技术的电网未来运行方式网损计算方法 | |
CN105956755A (zh) | 电力综合线损率影响因子量化关系建立方法及系统 | |
CN109086979A (zh) | 一种基于最大熵有序加权平均的数控机床可靠性分配方法 | |
Puig et al. | Robust gain-scheduled Smith PID controllers for second order LPV systems with time varying delay | |
CN112462626B (zh) | 一种并网逆变器运行参数的仿真优化方法 | |
CN109964180A (zh) | 用于确定调节装置的参数的装置和方法 | |
CN107885075B (zh) | 一种对过程控制智能整定的检测方法及系统 | |
Grasso et al. | An approach to analog fault diagnosis using genetic algorithms | |
CN110707695B (zh) | 基于人工智能的暂态功角稳定裕度计算方法及系统 | |
da_Fonseca Neto et al. | On the convergence of DLQR control system design and recurrences of riccati and lyapunov in dynamic programming strategies | |
TWI736999B (zh) | 資料分析裝置、資料分析方法以及與其相關的品質提升系統 | |
Samsonov et al. | Optimization of filtering properties of the control system with the Smith predictor | |
CN115495939B (zh) | 一种基于等效流量差幅的汽轮机组调门流量特性诊断方法 | |
CN108923441B (zh) | 一种利用相频特性六点数值的pss参数优化整定方法 | |
Cui et al. | Modeling and analysis of sensor uncertainty for non-iterative air balancing methods |
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 |