CN110609523B - 一种茶叶初制过程各单元协同控制方法 - Google Patents
一种茶叶初制过程各单元协同控制方法 Download PDFInfo
- Publication number
- CN110609523B CN110609523B CN201910652334.XA CN201910652334A CN110609523B CN 110609523 B CN110609523 B CN 110609523B CN 201910652334 A CN201910652334 A CN 201910652334A CN 110609523 B CN110609523 B CN 110609523B
- Authority
- CN
- China
- Prior art keywords
- model
- tea
- primary
- unit
- radial basis
- 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
- 238000000034 method Methods 0.000 title claims abstract description 79
- 230000008569 process Effects 0.000 title claims abstract description 60
- 241001122767 Theaceae Species 0.000 title claims abstract 28
- 238000004519 manufacturing process Methods 0.000 claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 28
- 238000013461 design Methods 0.000 claims abstract description 16
- 238000013441 quality evaluation Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 17
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 13
- 238000001035 drying Methods 0.000 claims description 11
- 238000012843 least square support vector machine Methods 0.000 claims description 8
- 238000010977 unit operation Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 6
- 230000007480 spreading Effects 0.000 claims description 6
- 238000003892 spreading Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 5
- 238000005096 rolling process Methods 0.000 claims description 5
- 238000013178 mathematical model Methods 0.000 claims description 4
- 238000005065 mining Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 244000269722 Thea sinensis Species 0.000 description 51
- 235000013616 tea Nutrition 0.000 description 46
- 102000004190 Enzymes Human genes 0.000 description 6
- 108090000790 Enzymes Proteins 0.000 description 6
- 230000009849 deactivation Effects 0.000 description 5
- 235000009569 green tea Nutrition 0.000 description 5
- 238000011144 upstream manufacturing Methods 0.000 description 4
- 150000001413 amino acids Chemical class 0.000 description 3
- 238000011143 downstream manufacturing Methods 0.000 description 3
- 150000008442 polyphenolic compounds Chemical class 0.000 description 3
- 235000013824 polyphenols Nutrition 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 235000009024 Ceanothus sanguineus Nutrition 0.000 description 1
- 240000003553 Leptospermum scoparium Species 0.000 description 1
- 235000015459 Lycium barbarum Nutrition 0.000 description 1
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000008570 general process Effects 0.000 description 1
- 238000004898 kneading Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A23—FOODS OR FOODSTUFFS; TREATMENT THEREOF, NOT COVERED BY OTHER CLASSES
- A23F—COFFEE; TEA; THEIR SUBSTITUTES; MANUFACTURE, PREPARATION, OR INFUSION THEREOF
- A23F3/00—Tea; Tea substitutes; Preparations thereof
- A23F3/06—Treating tea before extraction; Preparations produced thereby
-
- 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] or computer integrated manufacturing [CIM]
- G05B19/41865—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] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Food Science & Technology (AREA)
- Polymers & Plastics (AREA)
- Tea And Coffee (AREA)
Abstract
本发明公开了一种茶叶初制过程中各单元协同控制方法,包括如下步骤:步骤一:对在茶叶初制过程中积累的生产数据进行处理,建立茶叶初制各单元关键工艺参数与各单元运行指标的数据库;步骤二:找出各加工单元后茶叶品质评价与其色差、形态、内部理化成分之间的关系;步骤三:设定茶叶初制最终质量评价指标范围,并根据以下步骤进行数学建模、误差反馈和建立设计空间;本发明与传统的人工控制方法相比,充分利用了茶叶初制过程中积累的生产数据,减少了茶叶初制中的主观性调整,找出了茶叶品质评价与其外部特征和内部理化成分之间的关系,建立了茶叶初制质量设计空间,提高了茶叶初制生产过程的良品率,并对加快茶叶初制自动化进程有着重要的意义。
Description
技术领域
本发明涉及茶叶初制过程茶叶质量控制技术领域,更具体的说,尤其涉及一种茶叶初制过程中各单元协同控制方法。
背景技术
茶叶从鲜叶到能进行销售的商品茶,要经过初制和精制两个阶段。初制是以茶树的嫩叶为原料,经杀青、揉捻、干燥等工艺制成毛茶的过程。其中绿茶加工一般工艺流程为鲜叶-摊青-杀青-杀青后回潮-揉捻-初烘-初烘后回潮-复烘-复烘后回潮-提香等加工单元。这些加工单元在结构上密不可分,在功能上相互协调影响,一个单元的输出是与之相连的单元的输入,下游单元受上游单元的影响,最终产品则是各单元累计作用的结果。
茶叶初制的好坏直接影响着茶叶最终的品质,但由于茶叶生产分散,采摘老嫩不一,造成茶鲜叶批次间的波动,再加上茶叶初制过程很容易受到干扰,比如电磁滚筒杀青时电压波动造成杀青温度的波动,揉捻时力度不均匀等,更容易导致茶叶最终品质参差不齐。在干扰存在或上游工序出现失误时,传统生产线需要依赖工人的经验进行关键工艺调整,这样有很大的主观性且不利于茶叶初制生产线自动化的发展。而茶叶初制过程存在关系变量众多、过程不确定因素复杂、过程关联耦合严重、部分过程可知信息有限等特点,因此难以建立确切的机理模型对茶叶初制过程进行指导。
发明内容
本发明的目的在于解决现有的茶叶初制过程存在关系变量众多、过程不确定因素复杂、过程关联耦合严重、部分过程可知信息有限等特点,因此难以建立确切的机理模型对茶叶初制过程进行指导的问题,提出了一种茶叶初制过程中各单元协同控制方法,当存在干扰或者上游工序出现失误时,通过对下游工序的调整,使茶叶初制的最终质量仍保持在一个较好的范围。
本发明通过以下技术方案来实现上述目的:一种茶叶初制过程中各单元协同控制方法,包括如下步骤:
步骤一:对在茶叶初制过程中积累的生产数据进行处理,建立茶叶初制各单元关键工艺参数与各单元运行指标的数据库;
步骤二:找出各加工单元后茶叶品质评价与其色差、形态、内部理化成分之间的关系;
步骤三:设定茶叶初制最终质量评价指标范围,并根据以下步骤进行数学建模、误差反馈和建立设计空间,具体步骤如下:
S1:针对茶叶初制过程中需要经历的摊青、杀青、回潮、揉捻、初烘、复烘这几个单元,建立各单元关键工艺参数与各单元运行指标之间的数学模型,各单元模型采用数据驱动的黑箱模型,黑箱模型指的是从非线性回归模型、径向基神经网络模型、最小二乘支持向量机模型中选择适合该单元数据特征的模型;这三个模型的公式分别如下:
(1)非线性回归模型:
[y1,y2]=[b0,b1,b2,…,bn,bn+1,bn+2]'[1,x1,x2,·..,xn,y’1,y’2]
其中,y1、y2为本单元茶叶含水率和茶叶品质,bi,i=0,1,…,n+2为回归模型系数,xi,i=1,2,…,n为各单元关键工艺参数,y′1、y′2为上单元茶叶含水率和茶叶品质;
(2)径向基神经网络模型:
上式中,C为径向基函数的中心,σ为径向基函数的敏感域,决定了径向基函数的宽度,||x-c||表示输入节点和径向基函数的中心的距离;
(3)最小二乘支持向量机模型:
其中,ψ(x)表示从样本空间到高维特征空间的映射,ω为权重向量,ωT为ω的转置向量,b为偏差;上式的求解可转化为如下优化问题:
s.t.yi-ωTxi-b=ei;
式中γ为正则化参数,n为训练集样本数目,ei,i=1,2,…,n为每个样本的训练误差,yi,i=1,2,…,n为训练集样本输出值,xi,i=1,2,…,n为训练集样本输入值,b为偏差;采用拉格朗日法将优化问题转化为求解线性方程组问题,最后可得最小二乘支持向量机模型为:
其中x为训练集样本输入值,x′为高斯径向基核函数的中心,σ为径向基核函数的敏感域。
最优模型筛选以均方根误差RMSE为建模目标,同时对最大相对误差MRE、平均相对误差ARE和决定系数R2进行观测,其中:
S2:以各单元运行指标为输入,茶叶初制最终质量为输出建立总体模型;总体模型采用线性主模型和非线性误差补偿模型组成的混合建模策略,可以得到线性主模型为:
式中αi代表拉格朗日乘子,n为训练集样本个数,c为径向基函数的中心,b为偏置项,K(y,c)为高斯径向基核函数:
其中y为训练集样本输入值,c为高斯径向基核函数的中心,σ为径向基核函数的敏感域。
S3:在实际生产数据中可以得到茶叶初制最终质量的目标值范围,由单元模型和总体模型得到茶叶初制最终质量的预测值,根据一定的规则将目标值与预测值的误差合理的反馈给各单元的运行指标,得到各单元运行指标的目标值范围,再根据单元模型可以得到关键工艺参数的目标值范围;这里规则的挖掘采用粗糙集规则挖掘概念,建立误差反馈决策信息表,误差反馈决策信息表以最终含水率目标值、最终品质目标值、最终含水率差值,最终品质差值、运行指标的预测值为条件属性,以运行指标的补偿值为决策属性,对误差反馈决策信息表进行离散化和约简处理,得到误差反馈规则;
S4:将各单元运行指标和关键工艺参数的目标值范围均分为若干等分,产生大量关键工艺参数数据组合,将每个组合代入单元模型与总体模型中,如果得到的最终质量的预测值在目标范围之内,则保留该组数据,如果得到的最终质量的预测值不在目标范围之内,则舍弃该组数据,所有保存下来的数据共同组成茶叶最终质量设计空间。
本发明的有益效果在于:本发明在当出现干扰或者上游工序出现操作失误时,只要该工序的运行指标还在设计空间的范围内,则可以根据设计空间对下游工序关键工艺参数进行调整使茶叶最终质量仍保持良好。本发明与传统的人工控制方法相比,充分利用了茶叶初制过程中积累的生产数据,减少了茶叶初制中的主观性调整,找出了茶叶品质评价与其外部特征和内部理化成分之间的关系,建立了茶叶初制质量设计空间,提高了茶叶初制生产过程的良品率,并对加快茶叶初制自动化进程有着重要的意义。
附图说明
图1是本发明实施例一的绿茶生产过程流程图。
图2是本发明一种茶叶初制过程中各单元协同控制方法在运用到绿茶生产过程时的整体流程框架图。
图3是本发明茶叶初制质量设计空间的一组保留数据。
具体实施方式
下面结合附图对本发明作进一步说明:
如图1~3所示,以一种绿茶初制过程为例,本实施例的实践过程如下:
采用非线性回归模型建立各单元茶叶品质与其外部特征和内部特征之间的关系模型。
摊青叶品质y12=b0+b1x1+b2x2,其中x1为摊青叶色差,x2为摊青叶形态;
杀青叶品质y22=b0+b1x1+b2x2+b3x3+b4x4+b5x5,其中x1为杀青叶色差,x2为杀青叶形态,x3为杀青叶总氨基酸,x4为杀青叶总茶多酚,x5为杀青叶总可溶性糖;
回潮叶品质y3=b0+b1x1+b2x2,其中x1为回潮叶色差,x2为回潮叶形态;
揉捻叶品质y4=b0+b1x1+b2x2,其中x1为揉捻叶色差,x2为揉捻叶形态;
初烘叶品质y52=b0+b1x1+b2x2+b3x3+b4x4+b5x5,其中x1为初烘叶色差,x2为初烘叶形态,x3为初烘叶总氨基酸,x4为初烘叶总茶多酚,x5为初烘叶总可溶性糖;
初烘叶品质y62=b0+b1x1+b2x2+b3x3+b4x4+b5x5,其中x1为复烘叶色差,x2为复烘叶形态,x3为复烘叶总氨基酸,x4为复烘叶总茶多酚,x5为复烘叶总可溶性糖。
步骤二:建立各单元关键工艺参数与各单元运行指标之间的数学模型。
杀青单元非线性回归模型:
[y21,y22]=b0+b1x21+b2x22+b3y11+b4y12;
其中,y21和y22为杀青叶含水率和杀青叶品质,x21和x22为杀青温度和滚筒转速,y11和y12为摊青叶含水率和摊青叶品质。
杀青单元径向基神经网络模型:
其中,Y=[y21,y22],y21和y22为杀青叶含水率和杀青叶品质,x=[x21,x22,y11,y12],x21和x22为杀青温度和滚筒转速,y11和y12为摊青叶含水率和摊青叶品质。
杀青单元最小二乘支持向量机模型:
其中,Y=[y21,y22],y21和y22为杀青叶含水率和杀青叶品质,x=[x21,x22,y11,y12],x21和x22为杀青温度和滚筒转速,y11和y12为摊青叶含水率和摊青叶品质。
以均方根误差RMSE为建模目标,同时对最大相对误差MRE、平均相对误差ARE和决定系数R2进行观测,筛选出最符合杀青单元数据特征的数学模型。其余回潮、揉捻、初烘、复烘按照杀青单元的方法依次筛选出最优模型。
步骤三:以各单元的运行指标摊青叶含水率y11、摊青叶品质y12、杀青叶含水率y21、杀青叶品质y22、回潮叶品质y3、揉捻叶品质y4、初烘叶含水率y51、初烘叶品质y52、复烘叶含水率y61、复烘叶品质y62为输入,以综合生产指标绿茶初制最终含水率z1和最终品质z2为输出建立总体模型。总体模型采用线性主模型和非线性误差补偿模型组成的混合建模策略,可以得到线性主模型为:
线性主模型得到的预测值与实际综合生产指标之间的误差为非线性误差补偿模型采用最小二乘支持向量机建模策略,以各单元的运行指标yij为输入,以线性主模型得到的预测值与实际综合生产指标之间的误差eL为输出,最后可得最小二乘支持向量机(LS-SVM)模型为:
式中αi代表拉格朗日乘子,n为训练集样本个数,c为径向基函数的中心,b为偏置项,K(y,c)为高斯径向基核函数:
其中y为训练集样本输入值,c为高斯径向基核函数的中心,σ为径向基核函数的敏感域。
则最终各单元生产指标与综合生产指标之间的混合模型为:
步骤4:以各工序运行指标为条件属性,综合生产指标为决策属性建立决策信息表。计算出每个属性的重要度,找出重要度超过设定阈值的条件属性yij(i∈1,2,3,4,56;j∈1,2)。
表1为运行指标决策信息表。
表1运行指标决策信息表
然后以综合生产指标的目标值Z′、综合生产指标目标值与预测值的差值E、重要运行指标的预测值为条件属性,以重要运行指标预测值与目标值的差值,即重要运行指标的补偿值Δyij为决策属性建立误差反馈规则的决策信息表。表2为误差反馈决策信息表。
表2误差反馈决策信息表
对误差反馈决策信息表进行离散化处理,属性和属性值约简,得到约简后的决策表,从而得到误差反馈规则。
步骤5:根据误差反馈规则将综合生产指标目标值与预测值的误差反馈给各单元运行指标,得到各单元运行指标的目标值范围,再根据单元模型得到关键工艺参数的目标值范围。
步骤6:通过蒙特卡洛仿真实验建立茶叶初制质量设计空间,假定各单元关键工艺参数服从均匀分布,将各单元运行指标和关键工艺参数的目标值范围均分为若干等分,产生大量关键工艺参数数据组合,将每个数据组合代入单元模型与总体模型中,如果得到的最终质量的预测值在目标范围之内,则保留该组数据,如果得到的最终质量的预测值不在目标范围之内,则舍弃该组数据,将所有保留下来的数据进行整理即可得到茶叶初制质量的设计空间。图3为以一组数据为例的茶叶初制质量设计空间。
当出现干扰或者上游工序出现操作失误时,只要该工序的运行指标还在设计空间的范围内,则可以根据设计空间对下游工序关键工艺参数进行调整使最终结果仍保持良好。如果该工序的运行指标不在设计空间的范围内,则认为无论怎样对下游工序进行调整都不能可能使最终质量为良好。
上述实施例只是本发明的较佳实施例,并不是对本发明技术方案的限制,只要是不经过创造性劳动即可在上述实施例的基础上实现的技术方案,均应视为落入本发明专利的权利保护范围内。
Claims (1)
1.一种茶叶初制过程中各单元协同控制方法,其特征在于:包括如下步骤:
步骤一:对在茶叶初制过程中积累的生产数据进行处理,建立茶叶初制各单元关键工艺参数与各单元运行指标的数据库;
步骤二:找出各加工单元后茶叶品质评价与其色差、形态、内部理化成分之间的关系;
步骤三:设定茶叶初制最终质量评价指标范围,并根据以下步骤进行数学建模、误差反馈和建立设计空间,具体步骤如下:
S1:针对茶叶初制过程中需要经历的摊青、杀青、回潮、揉捻、初烘、复烘这几个单元,建立各单元关键工艺参数与各单元运行指标之间的数学模型,各单元模型采用数据驱动的黑箱模型,黑箱模型指的是从非线性回归模型、径向基神经网络模型、最小二乘支持向量机模型中选择适合该单元数据特征的模型;这三个模型的公式分别如下:
(1)非线性回归模型:
[y1,y2]=[b0,b1,b2,...,bn,bn+1,bn+2]′[1,x1,x2,...,xn,y′1,y′2]
其中,y1、y2为本单元茶叶含水率和茶叶品质,bi,i=0,1,…,n+2为回归模型系数,xi,i=1,2,…,n为各单元关键工艺参数,y′1、y′2为上单元茶叶含水率和茶叶品质;
(2)径向基神经网络模型:
上式中,c为径向基函数的中心,σ为径向基函数的敏感域,决定了径向基函数的宽度,||x-c||表示输入节点和径向基函数的中心的距离;
(3)最小二乘支持向量机模型:
其中,ψ(x)表示从样本空间到高维特征空间的映射,ω为权重向量,ωT为ω的转置向量,b为偏差;上式的求解可转化为如下优化问题:
s.t.yi-ωTxi-b=ei;
式中γ为正则化参数,n为训练集样本数目,ei,i=1,2,…,n为每个样本的训练误差,yi,i=1,2,…,n为训练集样本输出值,xi,i=1,2,…,n为训练集样本输入值,b为偏差;采用拉格朗日法将优化问题转化为求解线性方程组问题,最后可得最小二乘支持向量机模型为:
其中x为训练集样本输入值,x′为高斯径向基核函数的中心,σ为径向基核函数的敏感域;
最优模型筛选以均方根误差RMSE为建模目标,同时对最大相对误差MRE、平均相对误差ARE和决定系数R2进行观测,其中:
S2:以各单元运行指标为输入,茶叶初制最终质量为输出建立总体模型;总体模型采用线性主模型和非线性误差补偿模型组成的混合建模策略,可以得到线性主模型为:
式中αi代表拉格朗日乘子,n为训练集样本个数,c为径向基函数的中心,b为偏置项,K(y,c)为高斯径向基核函数:
其中y为训练集样本输入值,c为高斯径向基核函数的中心,σ为径向基核函数的敏感域;
S3:在实际生产数据中可以得到茶叶初制最终质量的目标值范围,由单元模型和总体模型得到茶叶初制最终质量的预测值,根据一定的规则将目标值与预测值的误差合理的反馈给各单元的运行指标,得到各单元运行指标的目标值范围,再根据单元模型可以得到关键工艺参数的目标值范围;这里规则的挖掘采用粗糙集规则挖掘概念,建立误差反馈决策信息表,误差反馈决策信息表以最终含水率目标值、最终品质目标值、最终含水率差值、最终品质差值、运行指标的预测值为条件属性,以运行指标的补偿值为决策属性,对误差反馈决策信息表进行离散化和约简处理,得到误差反馈规则;
S4:将各单元运行指标和关键工艺参数的目标值范围均分为若干等分,产生大量关键工艺参数数据组合,将每个组合代入单元模型与总体模型中,如果得到的最终质量的预测值在目标范围之内,则保留该组数据,如果得到的最终质量的预测值不在目标范围之内,则舍弃该组数据,所有保存下来的数据共同组成茶叶最终质量设计空间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910652334.XA CN110609523B (zh) | 2019-07-18 | 2019-07-18 | 一种茶叶初制过程各单元协同控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910652334.XA CN110609523B (zh) | 2019-07-18 | 2019-07-18 | 一种茶叶初制过程各单元协同控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110609523A CN110609523A (zh) | 2019-12-24 |
CN110609523B true CN110609523B (zh) | 2021-01-05 |
Family
ID=68889749
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910652334.XA Active CN110609523B (zh) | 2019-07-18 | 2019-07-18 | 一种茶叶初制过程各单元协同控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110609523B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113359628B (zh) * | 2021-05-31 | 2023-04-07 | 三江侗族自治县仙池茶业有限公司 | 一种绿茶加工过程的控制方法和装置 |
CN115951584B (zh) * | 2023-02-09 | 2024-03-15 | 浙江上洋机械股份有限公司 | 用于滚筒杀青机的温度控制系统及方法 |
CN116326654B (zh) * | 2023-05-29 | 2023-09-19 | 微山县碧荷春生物科技有限公司 | 一种茶叶初制过程中各单元协同控制方法及系统 |
CN117236704B (zh) * | 2023-11-16 | 2024-02-06 | 中钢集团武汉安全环保研究院有限公司 | 一种钢铁生产线区域动态安全风险评估量化方法和装置 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120156337A1 (en) * | 2010-12-16 | 2012-06-21 | Studor Charles F | Apparatus and Method for Brewed and Espresso Drink Generation |
CN102222164A (zh) * | 2011-05-30 | 2011-10-19 | 中国标准化研究院 | 一种食品感官质量评价方法及系统 |
CN102831269B (zh) * | 2012-08-16 | 2015-03-25 | 内蒙古科技大学 | 一种流程工业过程工艺参数的确定方法 |
CN103729826B (zh) * | 2013-12-23 | 2018-05-29 | 安徽理工大学 | 一种基于粗糙集约简的图像插值方法 |
CN104472737B (zh) * | 2014-11-27 | 2018-03-06 | 浙江工业大学 | 欠驱动多杆式智能化茶叶连续振动理条机 |
CN105302096B (zh) * | 2015-11-10 | 2019-12-31 | 湖南千盟物联信息技术有限公司 | 一种工厂智能调度方法 |
JP2018018354A (ja) * | 2016-07-28 | 2018-02-01 | 高砂香料工業株式会社 | ディープラーニングを用いた飲食品の品質予測方法及び飲食品 |
CN105974801A (zh) * | 2016-08-03 | 2016-09-28 | 苏州睿渲恒晟智能科技有限公司 | 基于数据驱动的温室环境建模与控制技术 |
CN106325154B (zh) * | 2016-08-24 | 2018-12-11 | 贵州铜仁和泰茶业有限公司 | 一种基于模式识别的茶叶滚炒机控制方法 |
CN107463781B (zh) * | 2017-08-10 | 2020-02-21 | 中南大学 | 用于高炉铁水硅含量预测模型的数据约简处理方法及装置 |
CN107679660A (zh) * | 2017-09-30 | 2018-02-09 | 山东建筑大学 | 基于支持向量机的逐时建筑能耗预测方法 |
CN108664752A (zh) * | 2018-05-23 | 2018-10-16 | 同济大学 | 一种基于工艺规则和大数据分析技术的工艺参数优化方法 |
-
2019
- 2019-07-18 CN CN201910652334.XA patent/CN110609523B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110609523A (zh) | 2019-12-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110609523B (zh) | 一种茶叶初制过程各单元协同控制方法 | |
CN111045326B (zh) | 一种基于递归神经网络的烘丝过程水分预测控制方法及系统 | |
CN111160425A (zh) | 一种基于神经网络的烤烟舒适性分类评价方法 | |
CN109002917A (zh) | 基于lstm神经网络的粮食总产量多维时间序列预测方法 | |
CN104914720B (zh) | 具有自动学习功能的电子鼻智能烘烤控制系统及控制方法 | |
CN107563672A (zh) | 一种基于层次分析法构建卷烟制丝质量评价模型的方法 | |
CN107038292B (zh) | 一种基于自适应多变量非参数核密度估计的多风电场出力相关性建模方法 | |
CN106227038A (zh) | 基于神经网络和模糊控制的粮食烘干塔智能控制方法 | |
CN111182564B (zh) | 一种基于lstm神经网络的无线链路质量预测方法 | |
CN110987862A (zh) | 一种柴油在线调和方法 | |
CN110946313B (zh) | 一种叶丝干燥工序的出口含水率的控制方法及系统 | |
CN107273445A (zh) | 一种大数据分析中缺失数据混合多重插值的装置和方法 | |
CN112163527B (zh) | 一种基于融合模型的烟叶烘烤状态识别方法、装置和系统 | |
CN112273695A (zh) | 松散回潮出口含水率预测方法、装置以及设备 | |
CN112711867B (zh) | 融合理论模型和大数据模型的轧制力预测方法 | |
Hu et al. | Estimation of Chinese agricultural production efficiencies with panel data | |
CN108142976B (zh) | 一种叶丝干燥工艺参数优化方法 | |
Davidson | Fuzzy control for food processes | |
CN114740710A (zh) | 一种随机非线性多智能体的强化学习优化编队控制方法 | |
CN113359628A (zh) | 一种绿茶加工过程的控制方法和装置 | |
CN109583560B (zh) | 双变量施肥装置排肥量预测模型的构建方法及装置 | |
CN114063587B (zh) | 一种基于机器视觉的蛋糕无菌生产控制方法及系统 | |
Zhao et al. | An approach for in-line control of moisture content during green tea processing | |
CN115640893A (zh) | 一种产业链的产业数据预测方法、装置及存储介质 | |
CN107704690B (zh) | 一种对茶叶杀青摊放的影响参数进行优化的方法 |
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 |