CN109674080A - 烟叶回潮加水量预测方法、存储介质及终端设备 - Google Patents

Abstract

本公开提供了一种烟叶回潮加水量预测方法、存储介质及终端设备，通过获取烟叶的生产时间、是否开班、加料后的含水率、烘丝前含水率和烘丝炉壁温度、车间温度、车间湿度参数，并对获取的数据进行标准化和归一化的处理；以上述参数为输入信号，以回潮工序加水量及出口水分为输出，构建BP神经网络，并确定神经网络的迭代次数、学习率与目标值，得到烟叶回潮加水量预测模型；利用一部分处理后的数据作为训练数据对烟叶回潮加水量预测模型进行训练，直到满足设定要求，以训练后的烟叶回潮加水量预测模型对采集的数据进行预测，得到预测结果。

Description

烟叶回潮加水量预测方法、存储介质及终端设备

技术领域

本公开涉及一种烟叶回潮加水量预测方法、存储介质及终端设备。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

据发明人了解，目前的烟草的生产过程主要包括如图1所示的工序，即片烟出库后，经过切片在烟叶加料前，需要进行回潮处理。烟草生产过程中回潮工序的工艺任务为对经过分切和真空回潮后的叶片进行松散，并对叶片进行连续均匀地增温增湿，满足后续工序的工艺要求。回潮工序加水量的多少对烘丝工序炉壁温度和出口水分控制有直接影响，加水量过多或者过少都会导致炉壁温度不符合工艺要求，甚至导致烘丝出口水分不合格，严重影响卷烟产品质量。

目前，操作工需要凭借各人经验预测加水量，由于操作工的工作经验各不相同，并且影响加水量的因素也有很多，预测过程容易出现遗漏，导致预测结果因人而异，烘丝工序炉壁温度合格率较低。如果加水量偏差过大时，烘丝出口水分也会不合格。

发明内容

本公开为了解决上述问题，提出了一种烟叶回潮加水量预测方法、存储介质及终端设备，本公开基于BP神经网络算法，能够对烟叶回潮加水量进行准确的预测，提高了预测的合格率，同时借助GUI构建预测系统，使实施过程简单化。

根据一些实施例，本公开采用如下技术方案：

一种烟叶回潮加水量预测方法，包括以下步骤：

获取烟叶的牌号、生产时间、是否开班、加料后的含水率、烘丝前含水率、烘丝炉壁温度、车间温度、车间湿度参数、回潮加水量、回潮出口水分的历史数据，并对获取的数据进行清洗和归一化的处理；

以烟叶的牌号、生产时间、是否开班、加料后水分、烘丝前水分、烘丝炉壁温度、车间温度、车间湿度为输入信号，以回潮工序加水量及出口水分为输出，构建BP神经网络，并确定神经网络的迭代次数、学习率与目标值，得到烟叶回潮加水量预测模型；

利用一部分处理后的数据作为训练数据对烟叶回潮加水量预测模型进行训练，直到满足设定要求，以训练后的烟叶回潮加水量预测模型对采集的数据进行预测，得到预测结果。

作为一种可选择的方案，将采集的生产时间、是否开班、加料后的含水率、烘丝前含水率和烘丝炉壁温度、温度、湿度参数，依次放进表格中，剔除明显异常的数据。

明显异常的数据是指与所述参数平均值的差值超过平均值的20％以上的数据。

作为一种可选择的方案，标准化的处理过程包括：确定样本周期，将获取数据的时间转换为一年内对应的周期数。

作为一种可选择的方案，归一化的处理过程包括：对各个类别的参数进行标准化，使其都标准化到相应设置的区间内。

作为一种可选择的方案，BP神经网络中，隐含层节点个数根据输入层节点数目、输出层节点数目和调节常数确定。

作为一种可选择的方案，利用Matlab的feedforwardnet(hiddenSizes,trainFcn)函数训练一个神经网络，其中hiddenSizes为隐含层的神经元个数；trainFcn为训练的函数，将归一化后的数据输入网络进行学习，网络成功收敛，即可得到所需的神经网络，网络训练完成后要将数据进行反归一化，通过函数mapminmax(′apply′,input_test′,setting)实现。

作为一种可选择的方案，利用Matlab的GUI构建烟叶回潮加水量预测模型。

一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的烟叶回潮加水量预测方法。

一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的烟叶回潮加水量预测方法。

与现有技术相比，本公开的有益效果为：

本公开利用BP神经网络，通过设置合理的考虑因素，即生产时间、是否开班、加料后的含水率、烘丝前含水率、烘丝炉壁温度、车间温度、车间湿度，构建预测模型，通过预测模型的使用，即可得到回潮加水量及出口水分，预测过程简单，且预测结果精确。不会发生遗漏现象，预测结果具有一致性。

本公开还提供了一种基于Matlab来实现上述预测过程的方案，利用Matlab已有的函数，通过直接添加成熟控件，对控件添加代码，即可实现预测模型的构建，整个过程容易实现，且更加适用于实际应用。

附图说明

构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。

图1为目前的烟草生产工艺流程图；

图2为BP神经网络训练结果图；

图3为实际值与预测值对比图；

图4为Matlab新建GUI步骤一图；

图5为Matlab新建GUI步骤二图；

图6为界面设计过程图；

图7为程序运行结果图；

具体实施方式：

下面结合附图与实施例对本公开作进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

正如背景技术中所述的，目前需要提供一种科学的预测方法，并建立一个便于操作工使用的系统，简化预测过程，提高预测的合格率。本公开提供一种基于BP神经网络和Matlab GUI的烟叶回潮加水量预测方法，是通过以下步骤来实现的：

1确定参数

从制丝车间生产流程图中可以看出，预测回潮工序加水量时需要考虑的因素有很多，然而有些因素由于影响较小或者一直处于稳定状态无需考虑，因此需要先确定预测加水量时需要考虑的主要因素。通过对工艺流程的进一步分析和车间生产环境的统计，预测加水量时需要考虑的包括：生产时间、是否开班、加料后的含水率、烘丝前含水率、烘丝炉壁温度、车间温度、车间湿度，预测结果为回潮加水量及出口水分。

2样本处理

2.1提取数据

在确定需要考虑的因素后需要从车间SPC系统中将所需的数据导出，存放在excel中，主要包括：生产时间、是否开班、回潮加水量、回潮后水分、加料后水分、烘前水分、炉壁温度、车间温度、车间湿度。

2.2数据处理

2.2.1去除无效数据

提取数据后，将数据依次存放在excel表格中，由于生产过程中会出现异常，造成导出的数据中有些是无效的，为了保证结果的准确性，需要将这些无效数据剔除。

2.2.2日期格式处理

时间主要影响回潮工序来料水分，通过统计数据我们发现，一周内来料水分及加水量保持稳定，因此我们在样本中时间以一周为一个周期，这也就需要将时间转换为其在一年当中对应的周数，这里需要用到excel中的函数“WEEKNUM(日期序号，[返回值类型])”。

2.2.3数据归一化

在数据中常存在奇异样本数据，奇异样本数据存在所引起的网络训练时间增加，并可能引起网络无法收敛。为了避免出现这种情况及后面数据处理的方便，加快网络学习速度，可以对数据进行归一化，这里需要用到Matlab中的函数mapminmax(X)。

mapminmax按行逐行地对数据进行标准化处理，将每一行数据分别标准化到区间[ymin,ymax]内，其计算公式是：y＝(ymax-ymin)*(x-xmin)/(xmax-xmin)+ymin。如果某行的数据全部相同，此时xmax＝xmin，除数为0，则Matlab内部将此变换变为y＝ymin，默认ymin＝-1，ymax＝1，本公开中采用默认值即可。

3BP神经网络设计

3.1确定网络层数

BP神经网络可以包含一个到多个隐含层，由于单个隐含层的网络可以通过适当增加神经元节点的个数实现任意非线性映射。因此，一个隐含层即可满足设计要求。

3.2确定神经网络输入输出

根据前面的分析及系统的实际功能，BP神经网络的输入为牌号、生产时间、加料后水分、烘丝前水分、烘丝炉壁温度；BP神经网络的输出为回潮工序加水量及出口水分

3.3隐含层节点数

在BP神经网络中，隐含层节点个数可通过以下公式计算得出：

其中h为隐含层节点数，m为输入层节点数目，n为输出层节点数目，a为之间的调节常数。

3.4确定传递函数及参数

根据BP神经网络的原理及训练过程，需要确定一下函数：网络隐层激励函数、输出层激励函数、网络训练函数和网络性能函数，需要确定的参数为：迭代次数、学习率、目标值。

3.5模型训练

利用Matlab的“feedforwardnet(hiddenSizes,trainFcn)”函数训练一个神经网络，其中hiddenSizes为隐含层的神经元个数；trainFcn为训练的函数。训练函数主要包括以下几种：trainlm—中型网络、trainbfg—BFGS算法(拟牛顿反向传播算法)、traincgb—Powell-Beale共轭梯度反向传播算法。确定了以上参数后，将归一化后的数据输入网络进行学习，网络成功收敛，即可得到所需的神经网络，网络训练完成后要将数据进行反归一化，通过函数mapminmax(′apply′,input_test′,setting)实现。最后将训练好的网络保存。

3.6模型检验

神经网络训练完成后，需要检验是否符合设计要求。本实施例将数据分成两部分，一部分用于训练网络，一部分用于检验网络。网络训练完成后，将验证数据输入网络，查看网络的输出是否符合要求。

4构建烟叶回潮加水量预测系统

本实施例利用Matlab中GUI构建烟叶回潮加水量预测系统，在GUI中调用前面训练好的神经网络，且构建一个易于操作的界面。

1)在Matlab中新建一个GUIDE，选择“Blank GUI(Default)”；

2)在新建的界面中根据功能添加所需的控件，主要包括神经网络的输入参数、输出参数、主要参数趋势图、生产建议；

3)为控件添加代码，实现本实施例所需的功能；

4)检验系统可靠性

系统设计完成后，调试程序，检验系统能否准确快速的运行，实现本实施例要求的功能。

实施例中提供一种基于BP神经网络和Matlab GUI的烟叶回潮加水量预测方法，具体通过以下步骤来实现的：

1确定参数

从制丝车间生产流程图中可以看出，预测回潮工序加水量时需要考虑的因素有很多，然而有些因素由于影响较小或者一直处于稳定状态无需考虑，因此需要先确定预测加水量时需要考虑的主要因素。通过对工艺流程的进一步分析和车间生产环境的统计，预测加水量时需要考虑的包括：生产时间、是否开班、加料后的含水率、烘丝前含水率、烘丝炉壁温度、车间温度、车间湿度，预测结果为回潮加水量及出口水分。

2样本处理

2.1提取数据

在确定需要考虑的因素后需要从车间SPC系统中将所需的数据导出，存放在excel中，主要包括：生产时间、是否开班、回潮加水量、回潮后水分、加料后水分、烘前水分、炉壁温度、车间温度、车间湿度。

2.2数据处理

2.2.1去除无效数据

提取数据后，将数据依次存放在excel表格中，由于生产过程中会出现异常，造成导出的数据中有些是无效的，为了保证结果的准确性，需要将这些无效数据剔除。

2.2.2日期格式处理

利用excel中的函数“WEEKNUM(日期序号，[返回值类型])”，将日期转换为对应的周数，结果如表1所示。

表1日期转换表

2.2.3数据归一化

利用Matlab中的函数mapminmax对数据进行归一化处理，处理结果如表2所示，仅展示炉壁温度的部分转换结果。

表2数据归一化结果

归一化前数据	归一化后数据
		139.52	0.0387
140.62	0.1145
		140.50	0.1061
142.84	0.2667
		140.76	0.1242
140.20	0.0855
		139.60	0.0443

3 BP神经网络设计

3.1确定网络层数

根据上述网络层数确定方法，隐含层数目为1，因此网络层数为3.

3.2确定神经网络输入输出

根据上述分析，神经网络有7个输入节点，分别为生产时间、是否开班、加料后水分、烘丝前水分、烘丝炉壁温度、车间温度、车间湿度；2个输出节点，分别为回潮工序加水量、回潮工序出口水分。

3.3隐含层节点数

根据隐含层节点数计算公式(1)，得出隐含层节点数为7。

3.4确定传递函数及参数

根据训练数据特点及神经网络训练要求，网络隐层激励函数为Tan-Sigmoid函数，输出层激励函数为Tan-Sigmoid函数,网络训练函数为trainbfg，网络性能函数为mse；迭代次数为500，学习率为0.1，目标值为0.00001。

3.5模型训练

利用Matlab的“feedforwardnet(hiddenSizes,trainFcn)”函数训练一个神经网络，其中(hiddenSizes为7，trainFcn为trainbfg，)训练结果如图2所示。将训练结果反归一化，结果如表三所示。最后将训练好的网络保存。

表3数据反归一化结果

3.6模型检验

将验证数据输入网络，查看网络的输出是否符合要求，我们将预测结果误差设置为±3，统计预测的合格率，预测结果及实际结果如图3所示，合格率为95％，符合工艺要求。

4构建烟叶回潮加水量预测系统

1)在Matlab中新建一个GUIDE，如图4，选择“Blank GUI(Default)”如图5；

2)在新建的界面中根据功能添加所需的控件，主要包括神经网络的输入参数、输出参数、主要参数趋势图、生产建议，如图6；

3)设置控件属性，为控件添加代码，实现本实施例所需的功能；

4)检验系统可靠性，将程序运行，依次输入牌号、生产时间、加料后水分、烘丝前水分、烘丝炉壁温度，点击预测按钮，查看运行结果是否正确；点击绘图按钮，如图7所示，即可查看趋势图。

本领域内的技术人员应明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开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，本公开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。

本公开是参照根据本公开实施例的方法、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设备上，使得在计算机或其他可编程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。

以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。

Claims (10)

1.一种烟叶回潮加水量预测方法，其特征是：包括以下步骤：

获取烟叶的生产时间、是否开班、加料后的含水率、烘丝前含水率和烘丝炉壁温度参数、车间温度、车间湿度，并对获取的数据进行标准化和归一化的处理；

以烟叶的生产时间、是否开班、加料后水分、烘丝前水分和烘丝炉壁温度、车间温度、车间湿度为输入信号，以回潮工序加水量及出口水分为输出，构建BP神经网络，并确定神经网络的迭代次数、学习率与目标值，得到烟叶回潮加水量预测模型；

利用一部分处理后的数据作为训练数据对烟叶回潮加水量预测模型进行训练，直到满足设定要求，以训练后的烟叶回潮加水量预测模型对采集的数据进行预测，得到预测结果。

2.如权利要求1所述的一种烟叶回潮加水量预测方法，其特征是：将采集的生产时间、是否开班、加料后的含水率、烘丝前含水率和烘丝炉壁温度、车间温度、车间湿度参数，依次放进表格中，剔除明显异常的数据。

3.如权利要求2所述的一种烟叶回潮加水量预测方法，其特征是：明显异常的数据是指与所述参数平均值的差值超过平均值的20％以上的数据。

4.如权利要求1所述的一种烟叶回潮加水量预测方法，其特征是：标准化的处理过程包括：确定样本周期，将获取数据的时间转换为一年内对应的周期数。

5.如权利要求1所述的一种烟叶回潮加水量预测方法，其特征是：归一化的处理过程包括：对各个类别的参数进行标准化，使其都标准化到相应设置的区间内。

6.如权利要求1所述的一种烟叶回潮加水量预测方法，其特征是：BP神经网络中，隐含层节点个数根据输入层节点数目、输出层节点数目和调节常数确定。

7.如权利要求1所述的一种烟叶回潮加水量预测方法，其特征是：利用Matlab的feedforwardnet(hiddenSizes,trainFcn)函数训练一个神经网络，其中hiddenSizes为隐含层的神经元个数；trainFcn为训练的函数，将归一化后的数据输入网络进行学习，网络成功收敛，即可得到所需的神经网络，网络训练完成后要将数据进行反归一化，通过函数mapminmax(′apply′,input_test′,setting)实现。

8.如权利要求1所述的一种烟叶回潮加水量预测方法，其特征是：利用Matlab的GUI构建烟叶回潮加水量预测模型。

9.一种计算机可读存储介质，其特征是：其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行权利要求1-8中任一项所述的烟叶回潮加水量预测方法。

10.一种终端设备，其特征是：包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行权利要求1-8中任一项所述的烟叶回潮加水量预测方法。