CN110675919A - 一种基于k-近邻方法的烘丝过程入口水份预测方法及系统 - Google Patents

一种基于k-近邻方法的烘丝过程入口水份预测方法及系统 Download PDF

Info

Publication number
CN110675919A
CN110675919A CN201910898270.1A CN201910898270A CN110675919A CN 110675919 A CN110675919 A CN 110675919A CN 201910898270 A CN201910898270 A CN 201910898270A CN 110675919 A CN110675919 A CN 110675919A
Authority
CN
China
Prior art keywords
moisture
parameter
historical data
drying process
data record
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.)
Pending
Application number
CN201910898270.1A
Other languages
English (en)
Inventor
张和明
彭鹏
张毅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
Original Assignee
Tsinghua University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tsinghua University filed Critical Tsinghua University
Priority to CN201910898270.1A priority Critical patent/CN110675919A/zh
Publication of CN110675919A publication Critical patent/CN110675919A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/10—Analysis or design of chemical reactions, syntheses or processes
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics

Landscapes

  • Chemical & Material Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Analytical Chemistry (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Manufacture Of Tobacco Products (AREA)

Abstract

本发明提出的一种基于K‑近邻方法的烘丝过程入口水份预测方法及系统，所述方法包括：采集历史时刻润叶加料出口水份、储叶时间、厂房温度、厂房湿度、储叶房温度、储叶房湿度及烘丝过程入口水份，将设定时间窗口内采集到的前6项参数作为一条历史数据记录，并进行中心化处理；采集当前时刻的上述前6项参数作为当前时刻数据记录，并进行中心化处理；计算经中心化后的当前时刻数据记录与每条历史数据记录的欧式距离，对其进行排序，选择最短的前k个欧氏距离对应的历史数据记录；计算选择的k个历史数据记录的K近邻权值；根据各K近邻权值及与历史烘丝过程入口水份得到当前时刻的烘丝入口水份预测值。本发明有助于保持卷烟生产过程中的水份稳定。

Description

一种基于K-近邻方法的烘丝过程入口水份预测方法及系统
技术领域
本发明属于面向卷烟过程的烘丝单元自动控制技术领域，尤其涉及一种基于K-近邻方法的烘丝过程入口水份预测方法及系统。
背景技术
中国是世界烟草第一大国，烟草产量和卷烟产量均为世界第一，占世界总产量的1/3左右；烟草行业在我国国民经济中占着重要的地位。但是，我国目前的烟草行业信息化、智能化水平较低，缺乏国际竞争力，与英、美等国烟草业相比存在着较大差距。目前，如何提高我国烟草行业的信息化和智能化水平已经成为重中之重。
卷烟制叶丝线工艺主要包括备料、分片、真空回潮、松散回潮、预配储叶、定量喂料、润叶加料、配叶储叶、切丝、定量喂料、膨胀单元、烘丝、掺配、混配、定量喂料、混合加香、贮丝等步骤。其中烘丝工艺和储叶工艺对成品烟丝的填充值、碎丝率和香气特性等感官质量具有重要影响。烘丝过程出口水份是烘丝过程的重要参数，其稳定性和准确性是烘丝过程的重要评价指标，但是目前对于卷烟过程制丝工艺段的水份分析大多集中于烘丝过程出口水份和烘丝过程入口水份之间的研究，且主要利用烘丝进出口阶段的相应参数对烘丝出口水份进行预测，忽略了储叶阶段和润叶加料阶段对烘丝过程水份的影响。
在烘丝过程的参数中，烘丝过程入口水份对烘丝过程出口水份的影响最大，而烘丝过程的入口水份又受润叶加料出口水份、储叶时间、厂房温度、厂房湿度、储叶房温度及储叶房湿度等因素的影响，其中储叶时间、厂房温度、厂房湿度、储叶房温度及储叶房湿度均属于储叶阶段参数，润叶加料出口水份属于润叶加料阶段参数，均由传感器测量得到。目前，对烘丝入口水份主要是通过传感器采集得到，缺少对烘丝入口水份的预测。如果实时测得的烘丝过程入口水份超标，操作人员将根据经验调整烘丝机入口前的水份，但是该方法无法及时保持烟丝水份的稳定。因此，如果能够提前预测烘丝过程入口水份，操作人员便可以根据预测结果及时采取措施以维持稳定的烘丝过程入口水份。
另一方面，K-近邻方法是数据处理的经典方法之一，其已经成功应用于图像识别，文本分类等技术领域。其用于预测的核心思想是找到样本在特征空间中对应的K个最邻近的样本，并根据K个最邻近样本的目标值加权平均得到待预测样本的目标值，其中权值由预测样本和邻近样本之间的距离决定。K-近邻方法理论成熟，思想简单，对数据的分布没有要求，适用场景广。
目前还未见将K-近邻方法用于烘丝过程入口水份预测的相关报道。
发明内容
本发明的目的是为针对上述对烘丝过程和储叶过程水份分析存在的忽略储叶段对烘丝段的影响的问题，提出了一种基于K-近邻方法的烘丝过程入口水份预测方法及系统，利用K-近邻方法来根据润叶加料出口水份、储叶时间、厂房温度、厂房湿度、储叶房温度及储叶房湿度等因素预测烘丝过程入口水份，为操作人员调节烘丝过程和储叶过程相应工艺参数提供参考，有助于保持卷烟生产过程中的水份稳定。
为了实现上述目的，本发明采用如下技术方案：
本发明提出的一种基于K-近邻方法的烘丝过程入口水份预测方法，其特征在于，包括以下步骤：
1)构建烘丝过程和储叶过程数据库，该数据库中存储有距离当前时刻设定时间范围内的各历史时刻采集到的润叶加料出口水份、储叶时间、厂房温度、厂房湿度、储叶房温度、储叶房湿度及烘丝过程入口水份，其中将设定时间窗口内采集到的润叶加料出口水份、储叶时间、厂房温度、厂房湿度、储叶房温度和储叶房湿度作为一条历史数据记录，同时将该时间窗口内采集的烘丝过程入口水份与相应的一条历史数据记录匹配；对每一条历史数据记录中的各个参数分别利用以下公式进行中心化：
Figure BDA0002210970650000021
式中，x表示任一历史数据记录中的某一参数，x_normalize表示经中心化后的参数x，u,σ分别表示烘丝过程和储叶过程数据库中在参数x之前存储的所有时刻该参数的均值和标准差；
2)采集当前时刻的润叶加料出口水份、储叶时间、厂房温度、厂房湿度、储叶房温度及储叶房湿度作为当前时刻数据记录，并对该数据记录中的各参数均利用公式(1)进行中心化；
3)计算经中心化后的当前时刻数据记录与烘丝过程和储叶过程数据库中经中心化后的每条历史数据记录的欧式距离，并对欧氏距离进行排序，选择其中最短的前k个欧氏距离di对应的k条历史数据记录，i＝1,2,…,k，k为超参数；
4)根据选择的k个欧式距离di计算相应历史数据记录的K近邻权值wi，计算公式如下：
Figure BDA0002210970650000022
5)根据上述k条历史数据记录的K近邻权值wi及与各条历史数据记录相匹配的烘丝过程入口水份yi，采用以下公式计算当前时刻的烘丝入口水份预测值y：
Figure BDA0002210970650000031
进一步地，步骤3)还包括以下步骤：将筛选出的k条历史数据记录中的各参数与在此之前的历史数据记录中的相应参数进行比对，选出波动幅度最大的参数，作为待调节参数。
本发明还提出一种基于K-近邻方法的烘丝过程入口水份预测系统，其特征在于，该系统包括多个传感器，分别用于采集润叶加料出口水份、储叶时间、厂房温度、厂房湿度、储叶房温度、储叶房湿度和烘丝过程入口水份，以及与各传感器相连的控制器；该控制器控制各传感器定期采集相应数据，并对采集的数据进行如下数据处理：
1)将距离当前时刻设定时间范围内的各历史时刻采集到的润叶加料出口水份、储叶时间、厂房温度、厂房湿度、储叶房温度、储叶房湿度及烘丝过程入口水份等参数存储至烘丝过程和储叶过程数据库中，其中将设定时间窗口内采集到的润叶加料出口水份、储叶时间、厂房温度、厂房湿度、储叶房温度和储叶房湿度作为一条历史数据记录，同时将该时间窗口内采集的烘丝过程入口水份与相应的一条历史数据记录匹配；对每一条历史数据记录中的各个参数分别利用以下公式进行中心化：
Figure BDA0002210970650000032
式中，x表示任一历史数据记录中的某一参数，x_normalize表示经中心化后的参数x，u,σ分别表示烘丝过程和储叶过程数据库中在参数x之前存储的所有时刻该参数的均值和标准差；
2)将采集的当前时刻的润叶加料出口水份、储叶时间、厂房温度、厂房湿度、储叶房温度及储叶房湿度作为当前时刻数据记录，并对该数据记录中的各参数均利用公式(1)进行中心化；
3)计算经中心化后的当前时刻数据记录与烘丝过程和储叶过程数据库中经中心化后的每条历史数据记录的欧式距离，并对欧氏距离进行排序，选择其中最短的前k个欧氏距离di对应的k条历史数据记录，i＝1,2,…,k，k为超参数；
4)根据选择的k个欧式距离di计算相应历史数据记录的K近邻权值wi，计算公式如下：
Figure BDA0002210970650000033
5)根据上述k条历史数据记录的K近邻权值wi及与各条历史数据记录相匹配的烘丝过程入口水份yi，采用以下公式计算当前时刻的烘丝入口水份预测值y：
Figure BDA0002210970650000041
本发明的特点及有益效果：
本发明提出一种基于K-近邻方法的烘丝过程入口水份预测方法及系统，利用润叶加料出口水份、储叶时间、厂房温度、厂房湿度、储叶房温度及储叶房湿度等因素可以实时的预测烘丝过程入口水份。K-近邻方法相对于其它的机器学习方法实现原理简单，预测精度高，并且具有一定程度的可解释性，即分析通过K-近邻方法筛选出的若干条历史数据记录中各参数的波动幅度，将波动幅度最大的参数作为后续待调节对象，为操作人员后续调整烘丝过程相应工艺参数提供一定的参考。对烘丝过程的入口水份预测之后，如果烘丝过程的入口水份不在设定范围内，操作人员可以实时地进行调整烘丝入口前的温湿度等工艺参数，以维持烘丝过程入口水份的稳定，从而实现卷烟生产质量的提高。
附图说明
图1是对三种香烟利用本发明方法得到的烘丝入口水份预测值和实测值的对比图，其中(a)为A品牌香烟，(b)为B品牌香烟，(c)为C品牌香烟。
具体实施方式
以下结合附图及实施例对发明技术方案作进一步详细说明如下：
本发明提出的一种基于K-近邻方法的烘丝过程入口水份预测方法，包括以下步骤：
1)构建烘丝过程和储叶过程数据库，该数据库中存储有距离当前时刻设定时间范围(如一个月、一周等，根据实际应用场景设定)内的各历史时刻采集到的润叶加料出口水份、储叶时间、厂房温度、厂房湿度、储叶房温度、储叶房湿度及烘丝过程入口水份等参数，各参数均由相应传感器按照设定的频率采集并存储至烘丝过程和储叶过程数据库中，其中将设定时间窗口(保证在该时间窗口内，各传感器均只采集一次数据)内采集到的润叶加料出口水份、储叶时间、厂房温度、厂房湿度、储叶房温度和储叶房湿度作为一条历史数据记录，同时将该时间窗口内采集的烘丝过程入口水份与相应的一条历史数据记录匹配；对每一条历史数据记录中的各个参数分别利用以下公式进行中心化：
Figure BDA0002210970650000042
式中，x表示任一历史数据记录中的某一参数，x_normalize表示经中心化后的参数x，u,σ分别表示烘丝过程和储叶过程数据库中在参数x之前存储的所有时刻该参数的均值和标准差。
2)利用传感器采集当前时刻的润叶加料出口水份、储叶时间、厂房温度、厂房湿度、储叶房温度及储叶房湿度作为当前时刻数据记录，并对该数据记录中的各参数均利用公式(1)进行中心化。
3)计算经中心化后的当前时刻数据记录与烘丝过程和储叶过程数据库中经中心化后的每条历史数据记录的欧式距离，并对欧氏距离进行排序，选择其中最短的前k个欧氏距离di对应的k条历史数据记录，i＝1,2,…,k，k为超参数，本实施例k优选3或5，可根据预测精度和速度进行调整；
进一步地，将筛选出的k条历史数据记录中的各参数与在此之前的历史数据记录中的相应参数进行比对，选出波动幅度最大的参数，作为待调节参数，若后续计算的当前时刻的烘丝入口水份预测值超过设定阈值，则操作人员可通过调整该波动幅度最大的参数至正常范围以维持烘丝入口水份的稳定，为操作人员提供一定参考。
4)根据选择的k个欧式距离di计算相应历史数据记录的K近邻权值wi，计算公式如下：
Figure BDA0002210970650000051
5)根据上述k条历史数据记录的K近邻权值wi及与各条历史数据记录相匹配的烘丝过程入口水份yi，采用以下公式计算当前时刻的烘丝入口水份预测值y：
本方法在卷烟制备过程中不断进行，得到上述烘丝入口水份预测值后，若该预测值超过设定的阈值，则操作人员可结合上述待调节参数并依据烘丝过程的制备要求对相应工艺参数进行调整；若烘丝入口水份预测值未超过设定的阈值，则维持当前的工艺参数。
图1(a)、(b)、(c)分别是本发明方法在某卷烟厂品牌A、品牌B、品牌C的香烟生产过程中烘丝过程入口水份预测的应用，可以看出，预测值和实际值的绝对误差可以控制在±2％之内，预测精度高，可以用于实际的生产过程。
本发明还提出一种基于K-近邻方法的烘丝过程入口水份预测系统，该系统包括多个传感器，分别用于采集润叶加料出口水份、储叶时间、厂房温度、厂房湿度、储叶房温度、储叶房湿度和烘丝过程入口水份，以及与各传感器相连的控制器；该控制器控制各传感器定期采集相应数据，并对采集的数据按照上述步骤1)～5)进行数据处理，得到当前时刻的烘丝过程入口水份预测值。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (4)

1.一种基于K-近邻方法的烘丝过程入口水份预测方法，其特征在于，包括以下步骤：
1)构建烘丝过程和储叶过程数据库，该数据库中存储有距离当前时刻设定时间范围内的各历史时刻采集到的润叶加料出口水份、储叶时间、厂房温度、厂房湿度、储叶房温度、储叶房湿度及烘丝过程入口水份，其中将设定时间窗口内采集到的润叶加料出口水份、储叶时间、厂房温度、厂房湿度、储叶房温度和储叶房湿度作为一条历史数据记录，同时将该时间窗口内采集的烘丝过程入口水份与相应的一条历史数据记录匹配；对每一条历史数据记录中的各个参数分别利用以下公式进行中心化：
Figure FDA0002210970640000011
式中，x表示任一历史数据记录中的某一参数，x_normalize表示经中心化后的参数x，u,σ分别表示烘丝过程和储叶过程数据库中在参数x之前存储的所有时刻该参数的均值和标准差；
2)采集当前时刻的润叶加料出口水份、储叶时间、厂房温度、厂房湿度、储叶房温度及储叶房湿度作为当前时刻数据记录，并对该数据记录中的各参数均利用公式(1)进行中心化；
3)计算经中心化后的当前时刻数据记录与烘丝过程和储叶过程数据库中经中心化后的每条历史数据记录的欧式距离，并对欧氏距离进行排序，选择其中最短的前k个欧氏距离di对应的k条历史数据记录，i＝1,2,…,k，k为超参数；
4)根据选择的k个欧式距离di计算相应历史数据记录的K近邻权值wi，计算公式如下：
Figure FDA0002210970640000012
5)根据上述k条历史数据记录的K近邻权值wi及与各条历史数据记录相匹配的烘丝过程入口水份yi，采用以下公式计算当前时刻的烘丝入口水份预测值y：
Figure FDA0002210970640000013
2.根据权利要求1所述的烘丝过程入口水份预测方法，其特征在于，步骤3)还包括以下步骤：将筛选出的k条历史数据记录中的各参数与在此之前的历史数据记录中的相应参数进行比对，选出波动幅度最大的参数，作为待调节参数。
3.一种基于K-近邻方法的烘丝过程入口水份预测系统，其特征在于，包括多个传感器，分别用于采集润叶加料出口水份、储叶时间、厂房温度、厂房湿度、储叶房温度、储叶房湿度和烘丝过程入口水份，以及与各传感器相连的控制器；该控制器控制各传感器定期采集相应数据，并对采集的数据进行如下数据处理：
1)将距离当前时刻设定时间范围内的各历史时刻采集到的润叶加料出口水份、储叶时间、厂房温度、厂房湿度、储叶房温度、储叶房湿度及烘丝过程入口水份等参数存储至烘丝过程和储叶过程数据库中，其中将设定时间窗口内采集到的润叶加料出口水份、储叶时间、厂房温度、厂房湿度、储叶房温度和储叶房湿度作为一条历史数据记录，同时将该时间窗口内采集的烘丝过程入口水份与相应的一条历史数据记录匹配；对每一条历史数据记录中的各个参数分别利用以下公式进行中心化：
Figure FDA0002210970640000021
式中，x表示任一历史数据记录中的某一参数，x_normalize表示经中心化后的参数x，u,σ分别表示烘丝过程和储叶过程数据库中在参数x之前存储的所有时刻该参数的均值和标准差；
2)将采集的当前时刻的润叶加料出口水份、储叶时间、厂房温度、厂房湿度、储叶房温度及储叶房湿度作为当前时刻数据记录，并对该数据记录中的各参数均利用公式(1)进行中心化；
3)计算经中心化后的当前时刻数据记录与烘丝过程和储叶过程数据库中经中心化后的每条历史数据记录的欧式距离，并对欧氏距离进行排序，选择其中最短的前k个欧氏距离di对应的k条历史数据记录，i＝1,2,…,k，k为超参数；
4)根据选择的k个欧式距离di计算相应历史数据记录的K近邻权值wi，计算公式如下：
Figure FDA0002210970640000022
5)根据上述k条历史数据记录的K近邻权值wi及与各条历史数据记录相匹配的烘丝过程入口水份yi，采用以下公式计算当前时刻的烘丝入口水份预测值y：
4.根据权利要求3所述的烘丝过程入口水份预测系统，其特征在于，步骤3)还包括以下步骤：将筛选出的k条历史数据记录中的各参数与在此之前的历史数据记录中的相应参数进行比对，选出波动幅度最大的参数，作为待调节参数。
CN201910898270.1A 2019-09-23 2019-09-23 一种基于k-近邻方法的烘丝过程入口水份预测方法及系统 Pending CN110675919A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910898270.1A CN110675919A (zh) 2019-09-23 2019-09-23 一种基于k-近邻方法的烘丝过程入口水份预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910898270.1A CN110675919A (zh) 2019-09-23 2019-09-23 一种基于k-近邻方法的烘丝过程入口水份预测方法及系统

Publications (1)

Publication Number Publication Date
CN110675919A true CN110675919A (zh) 2020-01-10

Family

ID=69077494

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910898270.1A Pending CN110675919A (zh) 2019-09-23 2019-09-23 一种基于k-近邻方法的烘丝过程入口水份预测方法及系统

Country Status (1)

Country Link
CN (1) CN110675919A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112434868A (zh) * 2020-11-30 2021-03-02 红云红河烟草(集团)有限责任公司 一种薄板干燥工序精准控制智能预测模型及应用
CN113040412A (zh) * 2021-03-15 2021-06-29 红塔烟草(集团)有限责任公司 一种滚筒气流烘丝机智能控制方法和装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105341985A (zh) * 2015-12-10 2016-02-24 龙岩烟草工业有限责任公司 烘丝机入口叶丝含水率控制方法和系统
CN107966976A (zh) * 2017-12-06 2018-04-27 中南大学 一种数据驱动的烘丝水分控制回路性能评价与调整系统
CN108652066A (zh) * 2018-05-31 2018-10-16 福建中烟工业有限责任公司 松散回潮工序的加水方法及预测该工序加水量的装置
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105341985A (zh) * 2015-12-10 2016-02-24 龙岩烟草工业有限责任公司 烘丝机入口叶丝含水率控制方法和系统
CN107966976A (zh) * 2017-12-06 2018-04-27 中南大学 一种数据驱动的烘丝水分控制回路性能评价与调整系统
CN108652066A (zh) * 2018-05-31 2018-10-16 福建中烟工业有限责任公司 松散回潮工序的加水方法及预测该工序加水量的装置
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
WANG,YANG等: "An Operation Mode Optimization Method for Tobacco Loosening and Conditioning Process Based on Batch Clustering and KNN Algorithm", 《2018 CHINESE AUTOMATION CONGRESS (CAC)》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112434868A (zh) * 2020-11-30 2021-03-02 红云红河烟草(集团)有限责任公司 一种薄板干燥工序精准控制智能预测模型及应用
CN113040412A (zh) * 2021-03-15 2021-06-29 红塔烟草(集团)有限责任公司 一种滚筒气流烘丝机智能控制方法和装置

Similar Documents

Publication Publication Date Title
CN111597729A (zh) 加工设备工艺参数优化方法及系统
CN110675919A (zh) 一种基于k-近邻方法的烘丝过程入口水份预测方法及系统
CN102509243A (zh) 卷烟制造过程质量评价方法及其系统
CN104914720A (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
CN112914139B (zh) 一种松散回潮工序的加水量的控制方法及系统
CN110946313B (zh) 一种叶丝干燥工序的出口含水率的控制方法及系统
CN114027539B (zh) 一种基于模型预测控制的松散回潮定量加水控制方法
CN110132880B (zh) 一种基于近红外光谱的烟叶整体感官质量评价方法
CN114403487B (zh) 一种松散回潮的加水控制方法
CN115251445A (zh) 一种松散回潮机出口烟叶含水率的控制方法
CN105334738B (zh) 一种适用于烟草加工过程pid控制回路的性能评价方法
CN114115393A (zh) 一种制丝线薄板烘丝机出口水分和温度的控制方法
CN108614536B (zh) 一种卷烟制丝工艺关键因素的复杂网络构建方法
CN114532564A (zh) 基于主成分分析策略的松散回潮出口烟丝含水率控制方法
CN113576016A (zh) 基于烟丝结构的切丝调节方法
CN110973687A (zh) 一种制丝过程水分精准控制方法
CN113876008B (zh) 一种控制松散回潮烟片含水率稳定性的方法
CN111543668B (zh) 一种打叶复烤配方模块的设计方法
CN112434868A (zh) 一种薄板干燥工序精准控制智能预测模型及应用
CN112434867A (zh) 一种叶片段水份智能预测模型及应用
CN107907445B (zh) 一种智能卷烟软点硬点检测方法
CN112231977A (zh) 一种复烤机配方参数库的构建方法
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
CN112800671B (zh) 一种数据处理方法、装置及电子设备
CN116998747A (zh) 一种制丝工序含水率调整方法、介质及系统

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200110

RJ01 Rejection of invention patent application after publication