CN109508859A - 一种影响叶丝填充值的关键制丝过程参数智能识别方法 - Google Patents
一种影响叶丝填充值的关键制丝过程参数智能识别方法 Download PDFInfo
- Publication number
- CN109508859A CN109508859A CN201811169309.8A CN201811169309A CN109508859A CN 109508859 A CN109508859 A CN 109508859A CN 201811169309 A CN201811169309 A CN 201811169309A CN 109508859 A CN109508859 A CN 109508859A
- Authority
- CN
- China
- Prior art keywords
- leg
- ori
- data
- cut tobacco
- latent 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
- 238000000034 method Methods 0.000 title claims abstract description 100
- 241000208125 Nicotiana Species 0.000 title claims abstract description 74
- 235000002637 Nicotiana tabacum Nutrition 0.000 title claims abstract description 74
- 238000012545 processing Methods 0.000 title claims abstract description 56
- 238000010219 correlation analysis Methods 0.000 claims abstract description 9
- 230000001419 dependent effect Effects 0.000 claims description 28
- 238000004519 manufacturing process Methods 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 5
- 230000000717 retained effect Effects 0.000 claims description 5
- 230000000153 supplemental effect Effects 0.000 claims description 5
- 238000001816 cooling Methods 0.000 claims description 4
- 238000002790 cross-validation Methods 0.000 claims description 4
- 239000000835 fiber Substances 0.000 claims description 3
- 239000007788 liquid Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 210000001520 comb Anatomy 0.000 claims description 2
- 238000012217 deletion Methods 0.000 claims description 2
- 230000037430 deletion Effects 0.000 claims description 2
- 238000000611 regression analysis Methods 0.000 claims description 2
- 230000007812 deficiency Effects 0.000 abstract description 2
- 238000013139 quantization Methods 0.000 abstract description 2
- 235000019504 cigarettes Nutrition 0.000 description 16
- 238000001514 detection method Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 230000005622 photoelectricity Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 210000000697 sensory organ Anatomy 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Manufacture Of Tobacco Products (AREA)
Abstract
本发明提出一种影响叶丝填充值的关键过程参数智能识别方法。叶丝填充值是表征叶丝质量的重要指标之一，依靠工艺人员经验无法完备且定量地识别导致其波动的关键过程参数。基于制丝过程历史数据，通过偏最小二乘提取潜变量T，使潜变量T尽可能多的包含制丝过程参数的特征以及与叶丝填充值的关联关系；再通过典型相关分析对潜变量T进一步浓缩，使新潜变量Tnew代表了原潜变量T中与叶丝填充值密切相关的波动；最后通过Lasso回归进行制丝过程参数对新潜变量Tnew的降维和估计，识别导致叶丝填充值波动的关键过程参数。本发明弥补了工艺人员识别结果不完备、无量化的不足，有效提高关键过程参数识别的可靠性，为制丝过程叶丝填充值的工艺调整提供了理论依据。
Description
技术领域
本发明涉及卷烟制叶过程影响在制品质量的关键过程参数智能识别方法，特别是制叶片工段和制叶丝工段中影响叶丝填充值的关键过程参数智能识别方法。
背景技术
随着近年来烟草行业全球化、新的法律法规以及外部环境的重大变化，中国烟草面临愈来愈严峻的竞争压力和社会压力。大众消费升级对卷烟质量提出了更高的要求，卷烟生产需要进一步提升卷烟产品质量的稳定性。制丝过程是凸显卷烟感官风格、稳定产品质量的重要环节，其中叶丝填充值是表征叶丝质量的重要物理指标之一，叶丝填充值的变化也是影响烟支重量和吸阻的最主要因素。松散回潮机、一次加料机、预配柜、二次加料机、配叶柜、切丝机、增温增湿机、烘丝机等多个设备的众多制丝过程参数都会直接影响叶丝填充值，从进一步提升制丝过程在制品质量均质化的角度，需要分析制丝过程参数与叶丝填充值的关联关系，有效识别影响叶丝填充值的关键过程参数，为后续工艺调整和提升提供理论依据和关注方向。由于影响叶丝填充值的制丝设备过程参数众多、且过程参数之间存在耦合关系，依靠工艺人员经验和知识无法完备且定量地识别导致叶丝填充值波动的关键过程参数，工艺人员识别结果具有很大的主观性。
发明内容
针对依靠工艺人员经验和知识无法完备且定量地识别导致叶丝填充值波动的关键过程参数，基于制丝过程参数和叶丝填充值历史数据的深入利用，提出一种影响叶丝填充值的关键过程参数智能识别方法，准确表征制丝过程参数与叶丝填充值的关联关系，有效提高关键过程参数识别的可靠性，为制丝过程叶丝填充值的工艺调整和提升提供理论依据和关注方向。
本本发明所采用的具体技术方案如下：
一种影响叶丝填充值的关键制丝过程参数智能识别方法包括步骤：
步骤1)：根据制丝生产过程的设备布局，梳理从制叶片工段的松散回潮机到制叶丝工段的冷却风选机之间所有设备的工艺、设备参数，从制丝集控系统、MES系统采集某一生产线的制丝过程参数数据Xori(Iori×Jori)和叶丝填充值数据Yori(Iori×1)；其中，Iori表示原始数据的批次个数，Jori表示原始数据的参数个数；xij(i＝1,2,…,Iori；j＝1,2,…,Jori)表示某一生产线第 i个批次第j个参数的均值，yi(i＝1,2,…,Iori)表示某一生产线利群第i个批次叶丝填充值的均值；对合并后的原始数据Dori＝[Xori Yori]进行缺失数据剔除、离群数据剔除和数据标准化预处理，获得合法数据Dleg＝[Xleg Yleg]，其中Xleg为(Ileg×Jori)维、Yleg为(Ileg×1)维；
步骤2)采用偏最小二乘方法(Partial Least Squares，PLS)对自变量Xleg和因变量Yleg进行回归分析，提取潜变量T(Ileg×A)，其中A是保留的潜变量个数；使潜变量T尽可能多的包含自变量Xleg的特征以及与因变量Yleg的关联关系；
步骤3)采用典型相关分析方法(Canonical Correlation Analysis，CCA)对潜变量T进一步浓缩，提取出与因变量Yleg最相关的新潜变量Tnew(Ileg×1)，新潜变量Tnew代表了原潜变量T 中与叶丝填充值Yleg密切相关的波动；
步骤4)在分析影响叶丝填充值的关键过程参数时，根据工艺人员先验知识会尽可能多的选择过程参数构成自变量Xleg(Ileg×Jori)，需要寻找对新潜变量Tnew具有较强解释性的自变量Xleg子集使自变量Xleg对新潜变量Tnew的回归模型具有较好的解释能力和预测精度。借鉴 Lasso回归方法能通过自动压缩不重要参数的回归系数为0、保持重要参数稀疏性的特点，采用该方法进行自变量Xleg对新潜变量Tnew的降维和参数估计，获得各个过程参数的回归系数 (即重要性指标)，利用该指标识别影响叶丝填充值的关键过程参数。
由于卷烟制丝过程生产流程长、影响因素多，合并后的原始数据Dori＝[Xori Yori]无法避免存在数据缺失，造成原始数据Dori信息不完备；且卷烟制丝过程生产环境恶劣、运行工况复杂，合并后的原始数据Dori无法避免存在各种过失误差；另外卷烟制丝过程不同参数的检测数据具有不同的量纲，数据平均值和方差的较大差异，会使数据均值和方差较小的变量被淹没掉，
在本发明的优选实施方案中，
所述步骤1)中对原始数据Dori经过以下步骤处理：
第一步：合并后的原始数据Dori＝[Xori Yori]信息不完备，对上述不完备原始数据Dori的处理是将存在数据缺失的某一行记录直接删除，以减少原始数据Dori样本个数换取数据信息的完备性，得到经过第一步预处理后的数据Dstep1＝{d′1,d′2,...,d′step1}；
第二步：利用3σ准则对经过第一步预处理后的数据Dstep1进行进一步处理，将数据Dstep1中存在离群数据的某一行记录直接删除
其中，表示数据Dstep1中第j个参数的平均值
如果某个数据d′ij的残差eij满足|eij|＞3σj，则数据d′ij为离群数据，将第i行记录直接删除；在剔除第i行记录后，对剩下的数据继续进行3σ处理，直到不再有离群数据为止，得到经过第二步预处理后的数据Dstep2＝{d″1,d″2,...,d″step2}；
第三步：需要对数据Dstep2进行减均值除标准差sj的标准化预处理，获得合法数据 Dleg＝[Xleg Yleg]
作为优选，所述步骤(2)具体为：采用偏最小二乘方法(PLS)提取制丝过程参数数据Xleg(自变量)和叶丝填充值数据Yleg(因变量)之间的关联关系，获得潜变量T(Ileg×A)，使潜变量T 尽可能多的包含自变量Xleg的特征以及与因变量Yleg的关联关系；其中，所述关联关系包括外部关系和内部关系：
外部关系：
内部关系：
其中，P(Jori×A)与Q(1×A)分别是Xleg(Ileg×Jori)和Yleg(Ileg×1)的负载矩阵；T(Ileg×A)与 U(Ileg×A)分别是Xleg(Ileg×Jori)和Yleg(Ileg×1)的潜变量矩阵；
E(Ileg×Jori)和F(Ileg×1)分别是Xleg(Ileg×Jori)和Yleg(Ileg×1)的建模残差；
A是保留的潜变量个数，通过交叉检验方法确定；
是自变量数据Xleg潜变量ta和因变量数据Yleg潜变量ua的内部回归系数。
作为优选，所述步骤3)采用典型相关分析方法(CCA)进一步提取潜变量T(Ileg×A)与因变量Yleg(Ileg×1)的相关关系，通过使潜变量T(Ileg×A)进一步浓缩，获得与因变量Yleg最相关的新潜变量Tnew(Ileg×1)，新潜变量Tnew代表了原潜变量T中与因变量Yleg密切相关的波动；具体包括如下步骤：
步骤a)：寻求2组投影向量wT(A×1)、wY(1×1)，使两组综合指标和之间的相关系数最大，其准则函数为：
其中，STY表示潜变量T(Ileg×A)与因变量Yleg(Ileg×1)的互协方差矩阵，STT、SYY分别表示潜变量T(Ileg×A)和因变量Yleg(Ileg×1)的协方差矩阵；
步骤b)：引入Lagrange乘数，求解上述准则函数，得到如下的广义特征方程：
其中，λ表示两组综合指标和之间的相关系数；
步骤c):利用投影向量wT对潜变量T(Ileg×A)进行特征精简，获得新潜变量Tnew(Ileg×1)
Tnew＝TwT。
作为优选，所述步骤(4)具体为：
采用Lasso回归方法进行自变量Xleg对新潜变量Tnew的降维和参数估计：
其中，α表示惩罚因子、为非负常数，||β||1表示回归系数向量β的L1范数。
根据回归结果的交叉验证确定惩罚因子α的大小，进而获得与该α值对应的回归系数向量β。向量β中元素0所对应的过程参数为非关键过程参数，而非0元素的大小表征了所对应过程参数对叶丝填充值的重要程度。根据各个过程参数的回归系数识别影响叶丝填充值的关键过程参数。
在本发明一个具体的实施方式中，所述步骤1)中选取48个制丝过程参数，其中，48个制丝参数为：
根据本发明提供的方法，获取了影响叶丝填充值关键制丝过程参数，其中，包括1区筒壁温度、二次加水流量、1区冷凝水温度、2区冷凝水温度、一次烟叶流量、松散热风温度、 KLD烘后温度、一次料液流量、松散前端加水流量、松散出口温度。
本发明的有益效果是：
本发明首先通过偏最小二乘提取潜变量T，使潜变量T尽可能多的包含制丝过程参数的特征以及与叶丝填充值的关联关系；再通过典型相关分析对潜变量T进一步浓缩，使新潜变量Tnew代表了原潜变量T中与叶丝填充值密切相关的波动；最后通过Lasso回归进行制丝过程参数对新潜变量Tnew的降维和估计，获得导致叶丝填充值波动的关键过程参数。本发明充分利用卷烟制丝过程的历史运行数据，实现了影响叶丝填充值的关键过程参数智能识别，弥补了工艺人员识别结果不完备、无量化的不足，获得的关键过程参数更加完备、更加科学，能够为制丝过程叶丝填充值的工艺调整和提升提供理论依据和关注方向。
附图说明
图1为卷烟制丝过程制叶片工段和制叶丝工段的工艺流程图；
图2为影响叶丝填充值的关键过程参数智能识别方法流程图；
图3为影响叶丝填充值的制丝过程参数重要度图。
具体实施方式
为了更好的理解本发明的技术方案，以下结合说明书附图对本发明的实施方式作进一步描述。本发明是用于卷烟制丝过程影响叶丝填充值的关键过程参数智能识别方法。制叶片工段和制叶丝工段的工艺流程如图1所示，拆掉外包装的烟片依次经过切片机、松散润叶机、就地风选机、光电除杂机、一次加料机、预配柜、二次加料机、配叶柜、切丝机、增温增湿机、薄板烘丝机和冷却风选机后，加工成具有规定填充值的叶丝送往叶丝装箱站。本发明的一种影响叶丝填充值关键过程参数智能识别方法流程如2所示，主要分为以下几步：
(1)数据的收集和清洗
根据制丝生产过程的设备布局，梳理从制叶片工段的松散回潮机到制叶丝工段的冷却风选机之间所有设备的工艺、设备参数，从制丝集控系统、MES系统采集某一生产线利群A牌号的制丝过程参数数据Xori(Iori×Jori)和叶丝填充值数据Yori(Iori×1)。其中，Iori表示原始数据的批次个数，Jori表示原始数据的参数个数。xij(i＝1,2,…,Iori；j＝1,2,…,Jori)表示某一生产线利群A牌号第i个批次第j个参数的均值，yi(i＝1,2,…,Iori)表示某一生产线利群A牌号第i 个批次叶丝填充值的均值。根据与工艺人员的沟通，选择如表1所示的48个制丝过程参数。
表1与叶丝填充值相关的制丝过程参数
由于卷烟制丝过程生产流程长、影响因素多，合并后的原始数据Dori＝[Xori Yori]无法避免存在数据缺失，造成原始数据Dori信息不完备。对上述不完备原始数据Dori的处理是将存在数据缺失的某一行记录直接删除，以减少原始数据Dori样本个数换取数据信息的完备性，得到经过第一步预处理后的数据Dstep1＝{d′1,d′2,...,d′step1}。
由于卷烟制丝过程生产环境恶劣、运行工况复杂，合并后的原始数据Dori无法避免存在各种过失误差。利用3σ准则对经过第一步预处理后的数据Dstep1进行进一步处理，将数据Dstep1中存在离群数据的某一行记录直接删除。
其中，表示数据Dstep1中第j个参数的平均值
如果某个数据dij′的残差eij满足|eij|＞3σj，则数据d′ij为离群数据，将第i行记录直接删除。在剔除第i行记录后，对剩下的数据继续进行3σ处理，直到不再有离群数据为止，得到经过第二步预处理后的数据Dstep2＝{d″1,d″2,...,d″step2}。
由于卷烟制丝过程不同参数的检测数据具有不同的量纲，数据平均值和方差的较大差异，会使数据均值和方差较小的变量被淹没掉，需要对数据Dstep2进行减均值除标准差sj的标准化预处理，获得合法数据Dleg＝[Xleg Yleg]。
选取杭州卷烟厂2017年1～3月和7～9月的制丝过程A-E线“利群某牌号”下的历史数据，通过缺失数据剔除、离群数据剔除和数据标准化(减均值、除标准差)预处理，获得合法数据Dleg＝[Xleg Yleg]，其中Xleg为(179×48)维、Yleg为(179×1)维。
(2)采用偏最小二乘提取潜变量
采用偏最小二乘方法(PLS)提取制丝过程参数数据Xleg(自变量)和叶丝填充值数据Yleg (因变量)之间的关联关系，获得潜变量T(Ileg×A)，使潜变量T尽可能多的包含自变量Xleg的特征以及与因变量Yleg的关联关系。
外部关系：
内部关系：其中，P(Jori×A)与Q(1×A)分别是Xleg(Ileg×Jori)和Yleg(Ileg×1)的负载矩阵，T(Ileg×A)与 U(Ileg×A)分别是Xleg(Ileg×Jori)和Yleg(Ileg×1)的潜变量矩阵(得分矩阵)。E(Ileg×Jori)和 F(Ileg×1)分别是Xleg(Ileg×Jori)和Yleg(Ileg×1)的建模残差。A是保留的潜变量个数，通过交叉 检验方法确定。是自变量数据Xleg潜变量ta和因变量数据Yleg潜变量ua的内部 回归系数。
利用PLS提取Xleg(179×48)和Yleg(179×1)的关联关系，获得潜变量T(179×36)，保留的潜变量个数为36。
(3)采用典型相关分析对潜变量进行浓缩
采用典型相关分析方法(CCA)进一步提取潜变量T(Ileg×A)与因变量Yleg(Ileg×1)的相关关系，通过使潜变量T(Ileg×A)进一步浓缩，获得与因变量Yleg最相关的新潜变量Tnew(Ileg×1)，新潜变量Tnew代表了原潜变量T中与因变量Yleg密切相关的波动。
寻求2组投影向量wT(A×1)、wY(1×1)，使两组综合指标和之间的相关系数最大，其准则函数为：
其中，STY表示潜变量T(Ileg×A)与因变量Yleg(Ileg×1)的互协方差矩阵，STT、SYY分别表示潜变量T(Ileg×A)和因变量Yleg(Ileg×1)的协方差矩阵。
引入Lagrange乘数，求解上述准则函数，得到如下的广义特征方程：
其中，λ表示两组综合指标和之间的相关系数。
利用投影向量wT对潜变量T(Ileg×A)进行特征精简，获得新潜变量Tnew(Ileg×1)。
Tnew＝TwT
利用CCA进一步提取潜变量T(179×36)与因变量Yleg(179×1)的相关关系，获得浓缩后的新潜变量Tnew(179×1)。
(4)采用Lasso回归识别关键过程参数
在分析影响叶丝填充值的关键过程参数时，根据工艺专家先验知识会尽可能多的选择过程参数构成自变量Xleg(Ileg×Jori)，需要寻找对新潜变量Tnew具有较强解释性的自变量Xleg子集使自变量Xleg对新潜变量Tnew的回归模型具有较好的解释能力和预测精度。借鉴Lasso回归方法能通过自动压缩不重要参数的回归系数为0、保持重要参数稀疏性的特点，采用该方法进行自变量Xleg对新潜变量Tnew的降维和参数估计。
其中，α表示惩罚因子、为非负常数，||β||1表示回归系数向量β的L1范数。
根据回归结果的交叉验证确定惩罚因子α的大小，进而获得与该α值对应的回归系数向量β。向量β中元素0所对应的过程参数为非关键过程参数，而非0元素的大小表征了所对应过程参数对叶丝填充值的重要程度。根据各个过程参数的回归系数识别影响叶丝填充值的关键过程参数。
利用Lasso回归进行自变量Xleg(179×48)对新潜变量Tnew(179×1)的降维和参数估计，根据回归结果的交叉验证选取均方根误差RMES首次小于0.01时对应的回归系数向量β(48×1)，如表2所示。此时惩罚因子α等于0.4059，回归系数向量β的L1范数为0.7005。
表2影响叶丝填充值的各个过程参数回归系数
各个过程参数对叶丝填充值的重要度如图2所示。关键过程参数依次为：1区筒壁温度、二次加水流量、1区冷凝水温度、2区冷凝水温度、一次烟叶流量、松散热风温度、KLD烘后温度、一次料液流量、松散前端加水流量、松散出口温度。
Claims (7)
1.一种影响叶丝填充值的关键制丝过程参数智能识别方法，其特征在于，该方法包括如下步骤：
步骤1)：根据制丝生产过程的设备布局，梳理从制叶片工段的松散回潮机到制叶丝工段的冷却风选机之间所有设备的工艺、设备参数，从制丝集控系统、MES系统采集某一生产线的制丝过程参数数据Xori(Iori×Jori)和叶丝填充值数据Yori(Iori×1)；其中，Iori表示原始数据的批次个数，Jori表示原始数据的参数个数；xij(i＝1,2,…,Iori；j＝1,2,…,Jori)表示某一生产线第i个批次第j个参数的均值，yi(i＝1,2,…,Iori)表示某一生产线利群第i个批次叶丝填充值的均值；对合并后的原始数据Dori＝[Xori Yori]进行缺失数据剔除、离群数据剔除和数据标准化预处理，获得合法数据Dleg＝[Xleg Yleg]，其中Xleg为(Ileg×Jori)维、Yleg为(Ileg×1)维；
步骤2)：采用偏最小二乘方法对自变量Xleg和因变量Yleg进行回归分析，提取潜变量T(Ileg×A)，其中A是保留的潜变量个数；使潜变量T包含多个自变量Xleg的特征以及多组与因变量Yleg的关联关系；
步骤3)：采用典型相关分析方法对潜变量T进一步浓缩，提取出与因变量Yleg最相关的新潜变量Tnew(Ileg×1)，新潜变量Tnew代表了原潜变量T中与叶丝填充值Yleg密切相关的波动；
步骤4)：选择多个制丝过程参数构成自变量Xleg(Ileg×Jori)，其中，自变量Xleg满足对新潜变量Tnew的回归模型具有较好的解释能力和预测精度；
采用Lasso回归方法进行自变量Xleg对新潜变量Tnew的降维和参数估计，获得各个过程参数的回归系数，利用该指标识别影响叶丝填充值的关键过程参数。
2.如权利要求1所述的一种影响叶丝填充值的关键制丝过程参数智能识别方法，其特征在于，所述步骤1)中对原始数据Dori经过以下步骤处理：
第一步：合并后的原始数据Dori＝[Xori Yori]信息不完备，对上述不完备原始数据Dori的处理是将存在数据缺失的某一行记录直接删除，以减少原始数据Dori样本个数换取数据信息的完备性，得到经过第一步预处理后的数据Dstep1＝{d′1,d′2,...,d′step1}；
第二步：利用3σ准则对经过第一步预处理后的数据Dstep1进行进一步处理，将数据Dstep1中存在离群数据的某一行记录直接删除
其中，表示数据Dstep1中第j个参数的平均值
如果某个数据d′ij的残差eij满足|eij|＞3σj，则数据d′ij为离群数据，将第i行记录直接删除；在剔除第i行记录后，对剩下的数据继续进行3σ处理，直到不再有离群数据为止，得到经过第二步预处理后的数据Dstep2＝{d″1,d″2,...,d″step2}；
第三步：需要对数据Dstep2进行减均值除标准差sj的标准化预处理，获得合法数据Dleg＝[Xleg Yleg]
3.如权利要求1所述的一种影响叶丝填充值的关键制丝过程参数智能识别方法，其特征在于，所述步骤2)具体为：
采用偏最小二乘方法提取制丝过程参数数据Xleg和叶丝填充值数据Yleg之间的关联关系，获得潜变量T(Ileg×A)，潜变量T包含多个自变量Xleg的特征以及与因变量Yleg的关联关系，其中，所述关联关系包括外部关系和内部关系：
外部关系：
内部关系：
其中，P(Jori×A)与Q(1×A)分别是Xleg(Ileg×Jori)和Yleg(Ileg×1)的负载矩阵；T(Ileg×A)与U(Ileg×A)分别是Xleg(Ileg×Jori)和Yleg(Ileg×1)的潜变量矩阵；
E(Ileg×Jori)和F(Ileg×1)分别是Xleg(Ileg×Jori)和Yleg(Ileg×1)的建模残差；
A是保留的潜变量个数，通过交叉检验方法确定；
是自变量数据Xleg潜变量ta和因变量数据Yleg潜变量ua的内部回归系数。
4.如权利要求1所述的一种影响叶丝填充值的关键制丝过程参数智能识别方法，其特征在于，所述步骤3)采用典型相关分析方法(CCA)进一步提取潜变量T(Ileg×A)与因变量Yleg(Ileg×1)的相关关系，通过使潜变量T(Ileg×A)进一步浓缩，获得与因变量Yleg最相关的新潜变量Tnew(Ileg×1)，新潜变量Tnew代表了原潜变量T中与因变量Yleg密切相关的波动；具体包括如下步骤：
步骤a)：寻求2组投影向量wT(A×1)、wY(1×1)，使两组综合指标和之间的相关系数最大，其准则函数为：
其中，STY表示潜变量T(Ileg×A)与因变量Yleg(Ileg×1)的互协方差矩阵，STT、SYY分别表示潜变量T(Ileg×A)和因变量Yleg(Ileg×1)的协方差矩阵；
步骤b)：引入Lagrange乘数，求解上述准则函数，得到如下的广义特征方程：
其中，λ表示两组综合指标和之间的相关系数；
步骤c):利用投影向量wT对潜变量T(Ileg×A)进行特征精简，获得新潜变量Tnew(Ileg×1)
Tnew＝TwT。
5.如权利要求1所述的一种影响叶丝填充值的关键制丝过程参数智能识别方法，其特征在于，所述步骤4)具体为：
采用Lasso回归方法进行自变量Xleg对新潜变量Tnew的降维和参数估计：
其中，α表示惩罚因子、为非负常数，||β||1表示回归系数向量β的L1范数。
根据回归结果的交叉验证确定惩罚因子α的大小，进而获得与该α值对应的回归系数向量β；向量β中元素0所对应的过程参数为非关键过程参数，而非0元素的大小表征了所对应过程参数对叶丝填充值的重要程度；根据各个过程参数的回归系数识别影响叶丝填充值的关键过程参数。
6.如权利要求1所述的影响叶丝填充值的关键制丝过程参数智能识别方法，其特征在于：所述步骤1)中选取48个制丝过程参数，其中，48个制丝过程参数为：
。
7.如权利要求6所述的方法用于获取影响叶丝填充值的关键制丝过程参数，其中，关键制丝过程参数包括1区筒壁温度、二次加水流量、1区冷凝水温度、2区冷凝水温度、一次烟叶流量、松散热风温度、KLD烘后温度、一次料液流量、松散前端加水流量、松散出口温度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811169309.8A CN109508859B (zh) | 2018-10-08 | 2018-10-08 | 一种影响叶丝填充值的关键制丝过程参数智能识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811169309.8A CN109508859B (zh) | 2018-10-08 | 2018-10-08 | 一种影响叶丝填充值的关键制丝过程参数智能识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109508859A true CN109508859A (zh) | 2019-03-22 |
| CN109508859B CN109508859B (zh) | 2023-01-06 |
Family
ID=65746442
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811169309.8A Active CN109508859B (zh) | 2018-10-08 | 2018-10-08 | 一种影响叶丝填充值的关键制丝过程参数智能识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109508859B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113642854A (zh) * | 2021-07-23 | 2021-11-12 | 重庆中烟工业有限责任公司 | 烟支单支克重预测方法、装置及计算机可读存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130110271A1 (en) * | 2009-01-07 | 2013-05-02 | Claes Fornell | Statistical impact analysis machine |
| CN104699050A (zh) * | 2015-02-13 | 2015-06-10 | 浙江中烟工业有限责任公司 | 数据驱动的卷烟制丝过程制叶丝段在线监测和故障诊断方法 |
| CN105242660A (zh) * | 2015-07-15 | 2016-01-13 | 浙江中烟工业有限责任公司 | 基于相对变化分析的多模态卷烟制叶丝过程在线监测与故障诊断方法 |
-
2018
- 2018-10-08 CN CN201811169309.8A patent/CN109508859B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130110271A1 (en) * | 2009-01-07 | 2013-05-02 | Claes Fornell | Statistical impact analysis machine |
| CN104699050A (zh) * | 2015-02-13 | 2015-06-10 | 浙江中烟工业有限责任公司 | 数据驱动的卷烟制丝过程制叶丝段在线监测和故障诊断方法 |
| CN105242660A (zh) * | 2015-07-15 | 2016-01-13 | 浙江中烟工业有限责任公司 | 基于相对变化分析的多模态卷烟制叶丝过程在线监测与故障诊断方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113642854A (zh) * | 2021-07-23 | 2021-11-12 | 重庆中烟工业有限责任公司 | 烟支单支克重预测方法、装置及计算机可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109508859B (zh) | 2023-01-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021073462A1 (zh) | 基于相似日负荷曲线的10kV静态负荷模型参数辨识方法 | |
| CN108280479B (zh) | 一种基于负荷特性指标加权聚类算法的电网用户分类方法 | |
| CN109343344A (zh) | 卷烟设备操控参数寻优方法 | |
| CN107274067B (zh) | 一种配电变压器过载风险评估方法 | |
| CN110826618A (zh) | 一种基于随机森林的个人信用风险评估方法 | |
| CN103577883A (zh) | 一种网-荷智能互动方法及装置 | |
| US20210109140A1 (en) | Method for identifying parameters of 10 kv static load model based on similar daily load curves | |
| CN109992921A (zh) | 一种燃煤电厂锅炉热效率的在线软测量方法及系统 | |
| CN110765962A (zh) | 一种基于三维点云轮廓分维值的植物识别分类方法 | |
| CN110097060A (zh) | 一种面向树干图像的开集识别方法 | |
| CN107423746B (zh) | 基于聚类分析的电力线通信用电量数据分析方法及系统 | |
| CN111178594A (zh) | 一种火电机组调峰能力预测方法、装置及系统 | |
| CN110084149A (zh) | 一种基于难样本四元组动态边界损失函数的人脸验证方法 | |
| CN112699605A (zh) | 一种充电桩故障元件预测方法及系统 | |
| CN117113235B (zh) | 一种云计算数据中心能耗优化方法及系统 | |
| CN111783837A (zh) | 一种基于多核学习的特征融合方法 | |
| CN110413601A (zh) | 一种基于高斯朴素贝叶斯分类器和预报误差法相结合的发电机组辨识数据筛选方法 | |
| CN106296315A (zh) | 基于用户用电数据的情境感知系统 | |
| CN109508859A (zh) | 一种影响叶丝填充值的关键制丝过程参数智能识别方法 | |
| CN113627860A (zh) | 基于人工智能的仓库仓储一体化智能管理系统及管理方法 | |
| CN110427019B (zh) | 一种基于多变量判别分析的工业过程故障分类方法及控制装置 | |
| CN111680748A (zh) | 航天器状态模式的识别方法及识别装置 | |
| CN113094448B (zh) | 住宅空置状态的分析方法及分析装置、电子设备 | |
| CN117131345A (zh) | 一种基于数据深度学习计算的多源数据参数评估方法 | |
| CN111984629A (zh) | 多维场景下基于数据挖掘的台区线损率标准库构建方法 |
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 |