CN110866221A - 一种打叶复烤数据准确性的检测方法 - Google Patents

一种打叶复烤数据准确性的检测方法 Download PDF

Info

Publication number
CN110866221A
CN110866221A CN201911228338.1A CN201911228338A CN110866221A CN 110866221 A CN110866221 A CN 110866221A CN 201911228338 A CN201911228338 A CN 201911228338A CN 110866221 A CN110866221 A CN 110866221A
Authority
CN
China
Prior art keywords
tobacco
leaves
data
mathematical model
redrying
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
Application number
CN201911228338.1A
Other languages
English (en)
Other versions
CN110866221B (zh
Inventor
龚霜
杨洋
王东飞
欧明毅
吴有祥
许洪庆
潘俊闽
吕大树
刘素参
张力元
张亚恒
娄元菲
彭黔荣
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.)
China Tobacco Guizhou Industrial Co Ltd
Original Assignee
China Tobacco Guizhou Industrial Co Ltd
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 China Tobacco Guizhou Industrial Co Ltd filed Critical China Tobacco Guizhou Industrial Co Ltd
Priority to CN201911228338.1A priority Critical patent/CN110866221B/zh
Publication of CN110866221A publication Critical patent/CN110866221A/zh
Application granted granted Critical
Publication of CN110866221B publication Critical patent/CN110866221B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Business, Economics & Management (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Primary Health Care (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Health & Medical Sciences (AREA)
  • Algebra (AREA)
  • Manufacturing & Machinery (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Manufacture Of Tobacco Products (AREA)

Abstract

本发明提供一种打叶复烤数据准确性的检测方法，包括：根据烟叶的产地和香型，将烟叶分为清香型、浓香型和中间香型，并把各香型的烟叶按部位分成上部叶、中部叶和下部叶；对不同香型、不同部位烟叶的出片率与原烟含梗率建立数学模型，以表征烟叶的出片率与原烟含梗率的对应关系；根据所述数学模型计算得到不同香型和不同部位烟叶所对应的出片率的上限值和下限值，并建立不同香型和不同部位的烟叶所对应的出片率区间；获取待检测的打叶复烤烟叶的出片率数据，判断所述出片率数据是否处于所对应的出片率区间内，如果否，则判定所述出片率数据异常。本发明能提高企业生产管理的智能性，提高产品数据分析的准确性。

Description

一种打叶复烤数据准确性的检测方法
技术领域
本发明涉及烟草生产管理技术领域，尤其涉及一种打叶复烤数据准确性的检测方法。
背景技术
打叶复烤是在卷烟生产过程中一个重要的工序。随着人们对打叶复烤生产技术的深入研究，出片率成为了鉴定打叶复烤质量的重要指标之一。出片率一方面体现了打叶复烤企业加工水平，一方面体现了工业企业的烟叶成本，因此出片率经常作为一个重点考核指标。前出片率的计算公式＝产出烟叶重量/投入烟叶重量*100％。该计算方法理论可行，但是为了满足考核指标的要求，在实际加工过程中受人为影响因素加大(如：1.为提高出片率，往往另增加投入一些其它等级的烟叶，对成品片烟的质量造成较大影响；2.加工过程中，一旦监控出片率满足了考核要求，部分加工企业就对剩余烟叶进行留存，作为另外一个烟叶模块的备料，对工业企业造成直接的经济损失)。同时，出片率受许多因素影响，包含原烟含梗率、烟叶物理特性、工艺等等因素，其中原烟含梗率是主要影响原因。原烟含梗率与出片率成反比，从理论上说，原烟含梗率每提高1％，出片率相应会降低1％，但在实际生产中并非如此，原烟含梗率与出片率间的关系还会受到烟叶物理特性、加工工艺等因素影响。目前尚无研究准确指出原烟含梗率与出片率间的公式化关系。因此如何对真实的出片率进行监控，是当前卷烟工业企业的重点需求。
发明内容
本发明提供一种打叶复烤数据准确性的检测方法，解决现有烟叶生产企业在打叶复烤时存在数据监控不准确，易造成数据分析结果错误的问题，能提高企业生产管理的智能性，提高产品数据分析的准确性。
为实现以上目的，本发明提供以下技术方案：
一种打叶复烤数据准确性的检测方法，包括：
根据烟叶的产地和香型，将烟叶分为清香型、浓香型和中间香型，并把各香型的烟叶按部位分成上部叶、中部叶和下部叶；
对不同香型、不同部位烟叶的出片率与原烟含梗率建立数学模型，以表征烟叶的出片率与原烟含梗率的对应关系；
根据所述数学模型计算得到不同香型和不同部位烟叶所对应的出片率的上限值和下限值，并建立不同香型和不同部位的烟叶所对应的出片率区间；
获取待检测的打叶复烤烟叶的出片率数据，判断所述出片率数据是否处于所对应的出片率区间内，如果否，则判定所述出片率数据异常。
优选的，还包括：
获取待检测的打叶复烤烟叶的不同部位的原烟含梗率，根据所述数学模型计算得到预测出片率；
根据香型和部位判断所述预测出片率是否处于所对应的所述出片率区间内，如果否，则确定待检测烟叶的出片率数据异常。
优选的，还包括：
获取打叶复烤烟叶的实际出片率，计算所述预测出片率与所述实际出片率的偏差率；
如果所述偏差率大于设定阈值，则判定所对应的出片率数据异常。
优选的，所述对不同香型、不同部位烟叶的出片率与原烟含梗率建立数学模型，包括：
获取清香型、中间香型、浓香型的烟叶的原烟含梗率与出片率数据，并进行二次项数据拟合得到拟合曲线；
根据所述拟合曲线建立所述数学模型。
优选的，所述数学模型包括：
清香型烟叶的上部叶的数学模型为：Y＝-19.859+6.15X-0.107X2；
清香型烟叶的中部叶的数学模型为：Y＝107.349-2.505X+0.037X2；
清香型烟叶的下部叶的数学模型为：Y＝-24.048+5.771X-0.094X2；
其中，Y代表出片率，X代表原烟含梗率。
优选的，所述数学模型还包括：
中间香型烟叶的上部叶的数学模型为：Y＝100.181-1.912X+0.027X2；
中间香型烟叶的中部叶的数学模型为：Y＝37.362+2.166X-0.04X2；
中间香型烟叶的下部叶的数学模型为：Y＝15.691+3.211X-0.053X2。
优选的，所述数学模型还包括：
浓香型烟叶的上部叶的数学模型为：Y＝34.164+0.037X2；
浓香型烟叶的中部叶的数学模型为：Y＝-288.763+25.678X-0.461X2；
浓香型烟叶的下部叶的数学模型为：Y＝59.069+0.006X2。
优选的，还包括：
获取待检测的打叶复烤烟叶的出片率和原烟含梗率的数据，并根据格拉布斯法，将出片率、原烟含梗率数据分别进行排序，把其中最大值及最小值作为可疑值；
通过公式
Figure BDA0002302851680000031
其中i为可疑值的排列序号，
Figure BDA0002302851680000032
为平均值，s为标准差，计算可疑值的Gi值，并与由格拉布斯表获得的临界值作对比，若Gi值大于临界值，则判定该可疑值为异常值；
将所述异常值所对应的出片率与原烟含梗率从数据中剔除，并对剩余数据继续进行判别，直到出片率和原烟含梗率的数据不存在异常值。
本发明提供一种打叶复烤数据准确性的检测方法，根据烟叶的香型和部位建立烟叶的出片率和原烟含梗率的数学模型，并根据数学模型对待检测的烟叶数据进行检测，以判断是否存在数据异常。解决现有烟叶生产企业在打叶复烤时存在数据监控不准确，易造成数据分析结果错误的问题，能提高企业生产管理的智能性，提高产品数据分析的准确性。
附图说明
为了更清楚地说明本发明的具体实施例，下面将对实施例中所需要使用的附图作简单地介绍。
图1～2是本发明提供的一种打叶复烤数据准确性的检测方法示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明实施例的方案，下面结合附图和实施方式对本发明实施例作进一步的详细说明。
本发明提供一种打叶复烤数据准确性的检测方法，解决现有烟叶生产企业在打叶复烤时存在数据监控不准确，易造成数据分析结果错误的问题，能提高企业生产管理的智能性，提高产品数据分析的准确性。
如图1所示，一种打叶复烤数据准确性的检测方法，包括：
S1：根据烟叶的产地和香型，将烟叶分为清香型、浓香型和中间香型，并把各香型的烟叶按部位分成上部叶、中部叶和下部叶；
S2：对不同香型、不同部位烟叶的出片率与原烟含梗率建立数学模型，以表征烟叶的出片率与原烟含梗率的对应关系；
S3：根据所述数学模型计算得到不同香型和不同部位烟叶所对应的出片率的上限值和下限值，并建立不同香型和不同部位的烟叶所对应的出片率区间；
S4：获取待检测的打叶复烤烟叶的出片率数据，判断所述出片率数据是否处于所对应的出片率区间内，如果否，则判定所述出片率数据异常。
具体地，当前烤烟主要有三大代表香型，即清香型、浓香型、中间香型，其分别来自云南产区、河南产区、贵州产区。不同香型/产区、不同部位烟叶的原烟含梗率与出片率关系存在一定差异。将清香型、中间香型、浓香型的原烟含梗率与出片率数据按部位分类，分别通过SPSS进行ANOVA单因素方差分析，检测不同部位烟叶的原烟含梗率与出片率是否存在差异(α＝0.05)，得出不同部位的出片率有极显著差异，且不同部位的原烟含梗率也有极显著性差异。由于不同部位烟叶的原烟含梗率与出片率分别都存在显著差异。在实际应用中，可允许计算出出片率有5％的误差的情况下，计算出不同原烟含梗率所对应出片率的区间，如，其中下限值＝出片率×(95％)，上限值＝出片率×(105％)。
在一实施例中，不同香型不同部位烟叶的不同原烟含梗率所对应出片率如表1所示。
表1
Figure BDA0002302851680000051
根据表1可计算得到清香型烟叶的原烟含梗率所对应出片率区间，如表2所示。
表2
Figure BDA0002302851680000052
根据表1可计算得到中间香型烟叶的原烟含梗率所对应出片率区间，如表3所示。
表3
Figure BDA0002302851680000061
根据表1可计算得到浓香型烟叶的原烟含梗率所对应出片率区间，如表4所示。
表4
Figure BDA0002302851680000062
Figure BDA0002302851680000071
通过对不同产地、不同香型和不同部位得到的烟叶的出片率区间，对待检测烟叶的出片率数据进行检测，如果超出该出片率区间，则判定数据异常。该方法能有效且快速检测出片率及原烟含梗率的数据准确性，提高企业生产管理的智能性，提高产品数据分析的准确性。
如图2所示，该方法还包括：
S5：获取待检测的打叶复烤烟叶的不同部位的原烟含梗率，根据所述数学模型计算得到预测出片率；
S6：根据香型和部位判断所述预测出片率是否处于所对应的所述出片率区间内，如果否，则确定待检测烟叶的出片率数据异常。
在一实施例中，对2019年打叶复烤某企业的提供烟叶模块的出片率、原烟含梗率数据进行抽检，其中A、B和C复烤厂的烟叶模块为中间香型，D复烤厂为清香型，E复烤厂为浓香型。复烤厂提供数据如表5所示，烟叶的原烟含梗率所对应出片率区间可采用表2～表4。
表5
Figure BDA0002302851680000072
将其与上述原烟含梗率所对应出片率区间进行比对，发现模块1～11的出片率均落在区间内，但是模块12，当原烟含梗率为31.5时，E复烤厂提供的出片率为68，没有在区间范围内(51.02～67.45)，因此判定这组数据存在异常。
如图2所示，还包括：
S7：获取打叶复烤烟叶的实际出片率，计算所述预测出片率与所述实际出片率的偏差率，如果所述偏差率大于设定阈值，则判定所对应的出片率数据异常。
在一实施例中，利用数学模型和原烟含梗率进行出片率预测，结果如表6所示，
表6
Figure BDA0002302851680000081
出片率实际值与预测值进行比对，按下面公式计算偏差率，预测值与实际值出片率偏差率＝|预测值-实际值|/实际值×100％，得到结果如表7所示。
表7
Figure BDA0002302851680000082
Figure BDA0002302851680000091
由偏差计算结果看出，各复烤厂出片率及原烟含梗率的数据准确性较高，大部分出片率实际值与预测值偏差均不超过5％，除E复烤厂模块12例外，其偏差值为7.84％。由准确性的快速检测已得知模块12数据，因此偏差较大，存在数据异常。
进一步，所述对不同香型、不同部位烟叶的出片率与原烟含梗率建立数学模型，包括：
获取清香型、中间香型、浓香型的烟叶的原烟含梗率与出片率数据，并进行二次项数据拟合得到拟合曲线；进而根据所述拟合曲线建立所述数学模型。
具体地，对清香型、中间香型、浓香型的原烟含梗率与出片率数据进行线性回归及曲线回归分析，找出两者间的关系。以原烟含梗率为变量，出片率为因变量，将数据在SPSS中代入线性、对数、二次项及Logistic等模型进行分析，得到几个曲线模型拟合曲线及观测值的散点图，其中二次项模型拟合的曲线与原始数据观测值拟合得最好。由此得知，二次项模型最适合本实验的数据建模。
所述数学模型包括：
清香型烟叶的上部叶的数学模型为：Y＝-19.859+6.15X-0.107X2；
清香型烟叶的中部叶的数学模型为：Y＝107.349-2.505X+0.037X2；
清香型烟叶的下部叶的数学模型为：Y＝-24.048+5.771X-0.094X2；其中，Y代表出片率，X代表原烟含梗率。
所述数学模型还包括：
中间香型烟叶的上部叶的数学模型为：Y＝100.181-1.912X+0.027X2；
中间香型烟叶的中部叶的数学模型为：Y＝37.362+2.166X-0.04X2；
中间香型烟叶的下部叶的数学模型为：Y＝15.691+3.211X-0.053X2。
所述数学模型还包括：
浓香型烟叶的上部叶的数学模型为：Y＝34.164+0.037X2；
浓香型烟叶的中部叶的数学模型为：Y＝-288.763+25.678X-0.461X2；
浓香型烟叶的下部叶的数学模型为：Y＝59.069+0.006X2。
该方法还包括：
S9：获取待检测的打叶复烤烟叶的出片率和原烟含梗率的数据，并根据格拉布斯法，将出片率、原烟含梗率数据分别进行排序，把其中最大值及最小值作为可疑值；
S10：通过公式
Figure BDA0002302851680000101
其中i为可疑值的排列序号，
Figure BDA0002302851680000102
为平均值，s为标准差，计算可疑值的Gi值，并与由格拉布斯表获得的临界值作对比，若Gi值大于临界值，则判定该可疑值为异常值；
S11：将所述异常值所对应的出片率与原烟含梗率从数据中剔除，并对剩余数据继续进行判别，直到出片率和原烟含梗率的数据不存在异常值。
可见，本发明提供一种打叶复烤数据准确性的检测方法，根据烟叶的香型和部位建立烟叶的出片率和原烟含梗率的数学模型，并根据数学模型对待检测的烟叶数据进行检测，以判断是否存在数据异常。解决现有烟叶生产企业在打叶复烤时存在数据监控不准确，易造成数据分析结果错误的问题，能提高企业生产管理的智能性，提高产品数据分析的准确性。
以上依据图示所示的实施例详细说明了本发明的构造、特征及作用效果，以上所述仅为本发明的较佳实施例，但本发明不以图面所示限定实施范围，凡是依照本发明的构想所作的改变，或修改为等同变化的等效实施例，仍未超出说明书与图示所涵盖的精神时，均应在本发明的保护范围内。

Claims (8)

1.一种打叶复烤数据准确性的检测方法，其特征在于，包括：
根据烟叶的产地和香型，将烟叶分为清香型、浓香型和中间香型，并把各香型的烟叶按部位分成上部叶、中部叶和下部叶；
对不同香型、不同部位烟叶的出片率与原烟含梗率建立数学模型，以表征烟叶的出片率与原烟含梗率的对应关系；
根据所述数学模型计算得到不同香型和不同部位烟叶所对应的出片率的上限值和下限值，并建立不同香型和不同部位的烟叶所对应的出片率区间；
获取待检测的打叶复烤烟叶的出片率数据，判断所述出片率数据是否处于所对应的出片率区间内，如果否，则判定所述出片率数据异常。
2.根据权利要求1所述的打叶复烤数据准确性的检测方法，其特征在于，还包括：
获取待检测的打叶复烤烟叶的不同部位的原烟含梗率，根据所述数学模型计算得到预测出片率；
根据香型和部位判断所述预测出片率是否处于所对应的所述出片率区间内，如果否，则确定待检测烟叶的出片率数据异常。
3.根据权利要求2所述的打叶复烤数据准确性的检测方法，其特征在于，还包括：
获取打叶复烤烟叶的实际出片率，计算所述预测出片率与所述实际出片率的偏差率；
如果所述偏差率大于设定阈值，则判定所对应的出片率数据异常。
4.根据权利要求3所述的打叶复烤数据准确性的检测方法，其特征在于，所述对不同香型、不同部位烟叶的出片率与原烟含梗率建立数学模型，包括：
获取清香型、中间香型、浓香型的烟叶的原烟含梗率与出片率数据，并进行二次项数据拟合得到拟合曲线；
根据所述拟合曲线建立所述数学模型。
5.根据权利要求4所述的打叶复烤数据准确性的检测方法，其特征在于，所述数学模型包括：
清香型烟叶的上部叶的数学模型为：Y＝-19.859+6.15X-0.107X2；
清香型烟叶的中部叶的数学模型为：Y＝107.349-2.505X+0.037X2；
清香型烟叶的下部叶的数学模型为：Y＝-24.048+5.771X-0.094X2；
其中，Y代表出片率，X代表原烟含梗率。
6.根据权利要求5所述的打叶复烤数据准确性的检测方法，其特征在于，所述数学模型还包括：
中间香型烟叶的上部叶的数学模型为：Y＝100.181-1.912X+0.027X2；
中间香型烟叶的中部叶的数学模型为：Y＝37.362+2.166X-0.04X2；
中间香型烟叶的下部叶的数学模型为：Y＝15.691+3.211X-0.053X2。
7.根据权利要求6所述的打叶复烤数据准确性的检测方法，其特征在于，所述数学模型还包括：
浓香型烟叶的上部叶的数学模型为：Y＝34.164+0.037X2；
浓香型烟叶的中部叶的数学模型为：Y＝-288.763+25.678X-0.461X2；
浓香型烟叶的下部叶的数学模型为：Y＝59.069+0.006X2。
8.根据权利要求7所述的打叶复烤数据准确性的检测方法，其特征在于，还包括：
获取待检测的打叶复烤烟叶的出片率和原烟含梗率的数据，并根据格拉布斯法，将出片率、原烟含梗率数据分别进行排序，把其中最大值及最小值作为可疑值；
通过公式
Figure FDA0002302851670000021
其中i为可疑值的排列序号，
Figure FDA0002302851670000022
为平均值，s为标准差，计算可疑值的Gi值，并与由格拉布斯表获得的临界值作对比，若Gi值大于临界值，则判定该可疑值为异常值；
将所述异常值所对应的出片率与原烟含梗率从数据中剔除，并对剩余数据继续进行判别，直到出片率和原烟含梗率的数据不存在异常值。
CN201911228338.1A 2019-12-04 2019-12-04 一种打叶复烤数据准确性的检测方法 Active CN110866221B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911228338.1A CN110866221B (zh) 2019-12-04 2019-12-04 一种打叶复烤数据准确性的检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911228338.1A CN110866221B (zh) 2019-12-04 2019-12-04 一种打叶复烤数据准确性的检测方法

Publications (2)

Publication Number Publication Date
CN110866221A true CN110866221A (zh) 2020-03-06
CN110866221B CN110866221B (zh) 2023-07-25

Family

ID=69658483

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911228338.1A Active CN110866221B (zh) 2019-12-04 2019-12-04 一种打叶复烤数据准确性的检测方法

Country Status (1)

Country Link
CN (1) CN110866221B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111652419A (zh) * 2020-05-26 2020-09-11 江苏中烟工业有限责任公司 打叶复烤后烟叶中含梗率的预测方法及打叶复烤工艺

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1830335A (zh) * 2006-04-24 2006-09-13 中国烟草总公司郑州烟草研究院 一种打叶复烤配方模块建立的方法
CN102339385A (zh) * 2011-07-28 2012-02-01 南京焦耳科技有限责任公司 基于组合光透视的叶中含梗及含梗率视觉识别检测方法
CN106418635A (zh) * 2015-08-12 2017-02-22 福建武夷烟叶有限公司 降低打叶复烤烟碱变异系数的设备及工艺
CN107677638A (zh) * 2017-09-29 2018-02-09 贵州大学 一种基于近红外光谱技术的初烤把烟含梗率快速检测方法
CN109902900A (zh) * 2017-12-11 2019-06-18 红塔烟草(集团)有限责任公司 一种基于全叶打叶复烤生产的过程能力测评方法
CN109902898A (zh) * 2017-12-11 2019-06-18 红塔烟草(集团)有限责任公司 一种基于切尖打叶复烤生产的过程能力测评方法
CN110122915A (zh) * 2019-05-05 2019-08-16 贵州中烟工业有限责任公司 一种打叶复烤加工质量综合评价方法
CN110349153A (zh) * 2019-07-24 2019-10-18 南京大树智能科技股份有限公司 基于多特征融合的图像法烟草含梗率检测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1830335A (zh) * 2006-04-24 2006-09-13 中国烟草总公司郑州烟草研究院 一种打叶复烤配方模块建立的方法
CN102339385A (zh) * 2011-07-28 2012-02-01 南京焦耳科技有限责任公司 基于组合光透视的叶中含梗及含梗率视觉识别检测方法
CN106418635A (zh) * 2015-08-12 2017-02-22 福建武夷烟叶有限公司 降低打叶复烤烟碱变异系数的设备及工艺
CN107677638A (zh) * 2017-09-29 2018-02-09 贵州大学 一种基于近红外光谱技术的初烤把烟含梗率快速检测方法
CN109902900A (zh) * 2017-12-11 2019-06-18 红塔烟草(集团)有限责任公司 一种基于全叶打叶复烤生产的过程能力测评方法
CN109902898A (zh) * 2017-12-11 2019-06-18 红塔烟草(集团)有限责任公司 一种基于切尖打叶复烤生产的过程能力测评方法
CN110122915A (zh) * 2019-05-05 2019-08-16 贵州中烟工业有限责任公司 一种打叶复烤加工质量综合评价方法
CN110349153A (zh) * 2019-07-24 2019-10-18 南京大树智能科技股份有限公司 基于多特征融合的图像法烟草含梗率检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
张其龙;张晖;符再德;李辉;胡新林;张自杰;石大章;杨再斌;: "打叶复烤过程烟叶性质、质量指标与出片率的相关性" *
张其龙;张晖;符再德;李辉;胡新林;张自杰;石大章;杨再斌;: "打叶复烤过程烟叶性质、质量指标与出片率的相关性", 浙江农业科学, no. 03 *
王发勇等: "打叶复烤片型结构调控技术的研究进展", vol. 25, no. 11 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111652419A (zh) * 2020-05-26 2020-09-11 江苏中烟工业有限责任公司 打叶复烤后烟叶中含梗率的预测方法及打叶复烤工艺

Also Published As

Publication number Publication date
CN110866221B (zh) 2023-07-25

Similar Documents

Publication Publication Date Title
CN110458474B (zh) 一种卷烟卷制物理质量综合评价方法
CN110703214B (zh) 一种气象雷达状态评估和故障监测方法
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
CN108181263B (zh) 基于近红外光谱的烟叶部位特征提取及判别方法
CN110122915B (zh) 一种打叶复烤加工质量综合评价方法
CN109902900B (zh) 一种基于全叶打叶复烤生产的过程能力测评方法
CN113570584A (zh) 基于图像识别的烟丝结构检测方法
CN110866221A (zh) 一种打叶复烤数据准确性的检测方法
CN108366274B (zh) 一种刷播放量的检测方法和装置
CN114034826A (zh) 一种基于数据分析的冻干燕窝工艺用生产环境监测系统
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
CN114897109A (zh) 一种割草机异常监测预警方法
CN113592314A (zh) 基于西格玛水平的制丝工艺质量评价方法
CN112613709A (zh) 电力设备综合状态评估方法、装置、电子设备和存储介质
CN117289778B (zh) 一种工控主机电源健康状态的实时监测方法
Chen et al. Online field performance evaluation system of a grain combine harvester
CN111248485A (zh) 一种在线调整混丝加香水分的方法
CN113576016A (zh) 基于烟丝结构的切丝调节方法
CN115017700A (zh) 基于scad算法的卷烟制丝过程变量选择及赋权方法
CN113115978B (zh) 降低卷烟单支克重偏差的工艺方法
CN109902898B (zh) 一种基于切尖打叶复烤生产的过程能力测评方法
CN115129012A (zh) 一种烟草原料质量控制方法
CN109324009B (zh) 一种烟草制丝生产线全线烟草含水率指标符合性的判别方法
JPWO2018083720A1 (ja) 異常分析方法、プログラムおよびシステム
CN113361661B (zh) 一种数据协同能力评价的建模方法及装置

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