CN111184246B - 一种控制烘丝入口含水率的方法和系统 - Google Patents
一种控制烘丝入口含水率的方法和系统 Download PDFInfo
- Publication number
- CN111184246B CN111184246B CN201811353612.3A CN201811353612A CN111184246B CN 111184246 B CN111184246 B CN 111184246B CN 201811353612 A CN201811353612 A CN 201811353612A CN 111184246 B CN111184246 B CN 111184246B
- Authority
- CN
- China
- Prior art keywords
- variable
- moisture
- stage
- feeding
- cut tobacco
- 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
- 241000208125 Nicotiana Species 0.000 title claims abstract description 86
- 235000002637 Nicotiana tabacum Nutrition 0.000 title claims abstract description 86
- 238000001035 drying Methods 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 33
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 70
- 238000010801 machine learning Methods 0.000 claims abstract description 33
- 238000004519 manufacturing process Methods 0.000 claims abstract description 32
- 238000005457 optimization Methods 0.000 claims description 40
- 238000012545 processing Methods 0.000 claims description 34
- 238000003860 storage Methods 0.000 claims description 30
- 239000000463 material Substances 0.000 claims description 16
- 230000007613 environmental effect Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 6
- 238000003825 pressing Methods 0.000 claims description 6
- 238000010220 Pearson correlation analysis Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 2
- 238000012549 training Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 230000003252 repetitive effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000009736 wetting Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A24—TOBACCO; CIGARS; CIGARETTES; SIMULATED SMOKING DEVICES; SMOKERS' REQUISITES
- A24B—MANUFACTURE OR PREPARATION OF TOBACCO FOR SMOKING OR CHEWING; TOBACCO; SNUFF
- A24B3/00—Preparing tobacco in the factory
- A24B3/04—Humidifying or drying tobacco bunches or cut tobacco
Landscapes
- Manufacture Of Tobacco Products (AREA)
- Drying Of Solid Materials (AREA)
Abstract
本发明公开了一种控制烘丝入口含水率的方法和系统，在不改变制丝生产线任何结构和原理、不增加额外测点、不影响正常生产的前提下，通过采集历史操作的基础工况信息和机器学习的方法，提供安全、便捷、合理的加水比例建议，并预测出各阶段含水量的变化量，以及中间松散出口、润叶入口、润叶出口、烘丝入口这四个位置的含水率预测，从而达到烘丝入口含水率的控制。
Description
技术领域
本发明涉及烘丝技术领域，尤其涉及一种控制烘丝入口含水率的方法和系统。
背景技术
烟草含水率控制是烟草行业关注的重要课题，其主要难点在于烘丝之前各工艺段含水率控制难度较大，主要是影响烟草含水率的因素较多，如环境温湿度，留柜时长，加水比例、蒸汽比例等。
目前烟草制丝的生产前的工单往往只下达了一个加水比例，而该加水比例往往由有经验的员工设定，不同的员工，设定值可能不同，同时，由于影响含水率的因素多，导致烟草质量不稳定。因此有必要提出一种低成本、安全、便捷的智能化的辅助决策方案，帮助烟草制丝车间提供一个较准确可靠的加水比例，从而达到烘丝入口含水率的控制。
发明内容
本发明为解决上述技术问题，提供了一种控制烘丝入口含水率的方法和系统，在不改变制丝生产线任何结构和原理、不增加额外测点、不影响正常生产的前提下，通过机器学习的方法，提供安全、便捷、合理的加水比例建议，并预测出各阶段含水量的变化量，以及中间松散出口、润叶入口、润叶出口、烘丝入口这四个位置的含水率预测，从而达到烘丝入口含水率的控制。
一种控制烘丝入口含水率的方法，采集历史操作的基础工况信息，不同的基础工况建立不同的工作模型。所述基础工况包括烘丝入口前的加工阶段影响烘丝入口含水率的主要因素的相应参数，所述加工阶段包括：松散阶段、预混柜阶段、润叶加料阶段和贮叶阶段，其中，所述松散阶段的主要因素包括：加水比例、蒸汽比例、松散回风温度、松散物料流量、压空到松散的加料比例、松散环境温湿度、松散水分变化量；所述预混柜阶段的主要因素包括：预混柜的环境温湿度、预混柜时长、预混柜水分变化量；所述润叶加料阶段的主要因素包括：加料回风温度、加料物料流量、加料蒸汽补偿实际比例、压空到加料的加料比例、加料的环境温湿度、润叶加料水分变化量；所述贮叶阶段的主要因素包括：贮叶柜环境温湿度、贮叶环境温湿度、贮叶柜时长、贮叶水分变化量。
建立机器学习模型，所述机器学习模型包括编码单元、优化目标和变量编码；其中，所述编码单元是模型的主要信息单元，是机器学习的知识点，包括基础工况信息及与每组基础工况信息对应的松散出口水分仪零点值、加料入口水分仪零点值、加料出口水分仪零点值和烘丝入口水分仪零点值；控制烘丝入口含水率为所述优化目标；所述变量编码是模型定位的一种编码，由各阶段各变量计算得出，实现各变量对模型的映射，即根据变量可以快速找到相应的模型，所述变量为基础工况信息中的一种或多种的组合；所述工作模型通过变量编码与编码单元一一对应，通过对应关系指示机器学习任务将工作模型派给哪个编码单元，或者当前工作模型从哪个编码单元获取历史操作信息。
给出下单时产线上各个测点获得的当前的加工阶段的基础工况信息、松散出口水分仪零点值、加料入口水分仪零点值、加料出口水分仪零点值、烘丝入口水分仪零点值和烘丝入口含水率设定值，得到变量编码，匹配到编码单元，计算得到预混柜阶段、润叶加料阶段和贮叶阶段三个阶段的阶段水分变化量，最后得到松散阶段的加水比例，生成优化方案。
可选的，在制丝实际生产中，开始阶段往往是个循序渐进的过程，是倒“U”的动态数据，无法稳定反应实际变量与相关因素的关系，为进一步提升优化方案的可靠度，前面N分钟数据是不加以处理为变量编码的，即所述机器学习模型的学习过程中剔除产线中非稳定数据，不加以处理为变量编码，所述非稳定数据包括产线工作起始阶段的数据、生产中断料时间段内的数据、远超设定的正常范围内的异常数据，数据的筛选大大提高了最后优化方案的精准性。
可选的，所述机器学习模型根据不同的加工阶段建立不同的模型，形成多阶段串联模型，并针对各个加工阶段分别进行Pearson相关性分析，筛选出相关性显著性强的变量，再对所筛选出的变量进行变量编码。即在各个加工阶段中，相关性较小的变量不在模型的考虑范围，模型只考虑如何优化相关性较大的变量来达到控制烘丝入口含水率，大大提高了预测效率和预测准确度。
在获得优化方案时，先通过产线工作前就能获得的变量去预测各个加工阶段的水分变化量，再通过各阶段水分变化量，从烘丝入口含水率设定值依次反推出润叶加料出口含水率、润叶加料入口含水率、松散出口含水率以及松散阶段水分变化量。
可选的，所述变量编码是整型的数据类型存储的，它代表了加水比例、蒸汽比例、回风温度、物料流量、压空到松散的加料比例、松散环境温湿度等各阶段因变量，具体计算公式为：变量编码＝取整函数((变量–变量最低值)/变量步长)。
生成优化方案时，如果存在当前变量对应的变量编码样本则直接使用，如果不存在则通过最小二乘法、线性回归、支持向量机方法去计算，预测，生成优化方案，当再次遇到相同情况时，可以减少训练的过程，直接匹配到历史值作为加水比例的预测，大大提高了效率，且精确度也有所提高。
可选的，采集各个加工阶段水分变化量的计算公式为：
所述松散水分变化量＝(松散出口含水率-松散出口水分仪零点值)-松散入口默认含水率；
所述预混柜水分变化量(润叶入口含水率-润叶入口水分仪零点值)-(松散出口含水率-松散出口水分仪零点值)；
所述润叶加料水分变化量＝(润叶出口含水率-润叶出口水分仪零点)-(润叶入口含水率-润叶入口水分仪零点值)；
所述贮叶水分变化量＝(烘丝入口含水率-烘丝入口水分仪零点值)-(润叶出口含水率-润叶出口水分仪零点值)；
其中，含水率通过水分仪测得。
在通过烘丝入口含水率逆推计算各个出入口含水率时，计算公式为：
润叶出口含水率＝(烘丝入口含水率-烘丝入口水分仪零点值)-贮叶水分变化量+润叶出口水分仪零点值；
润叶入口含水率＝(润叶出口含水率-润叶出口水分仪零点值)-润叶水分变化量+润叶入口水分仪零点值；
松散出口含水率＝(润叶入口含水率-润叶入口水分仪零点值)-预混柜水分变化量+松散出口水分仪零点值；
松散水分变化量＝(松散出口含水率-松散出口水分仪零点值)-松散入口默认含水率。
可选的，所述机器学习模型，建立变量编码溯源机制，每条优化方案都可追溯到变量编码的源头，用户查询该优化方案的依据如牌号、批次、时间、生产线、基础工况、操作状态等信息，使优化方案更具有合理性和安全可信性。
对应的，一种控制烘丝入口含水率的系统，以控制烘丝入口含水率为目标，包括基础工况信息采集模块和机器学习模型。
所述基础工况信息采集模块包括安装在制丝生产线上的检测装置。
所述基础工况信息包括烘丝入口前的加工阶段影响烘丝入口含水率的主要因素的相应参数，所述加工阶段包括：松散阶段、预混柜阶段、润叶加料阶段和贮叶阶段；其中，所述松散阶段的主要因素包括：加水比例、蒸汽比例、松散回风温度、松散物料流量、压空到松散的加料比例、松散环境温湿度、松散水分变化量；所述预混柜阶段的主要因素包括：预混柜的环境温湿度、预混柜时长、预混柜水分变化量；所述润叶加料阶段的主要因素包括：加料回风温度、加料物料流量、加料蒸汽补偿实际比例、压空到加料的加料比例、加料的环境温湿度、润叶加料水分变化量；所述贮叶阶段的主要因素包括：贮叶柜环境温湿度、贮叶环境温湿度、贮叶柜时长、贮叶水分变化量；一种基础工况信息对应一种工作模型；
所述机器学习模型包括变量编码、编码单元和优化目标。
所述编码单元包括包括基础工况信息及与每组基础工况信息对应的松散出口水分仪零点值、加料入口水分仪零点值、加料出口水分仪零点值和烘丝入口水分仪零点值。
控制烘丝入口含水率为所述优化目标。
所述工作模型通过变量编码与编码单元一一对应，所述变量编码由基础工况信息中的一种变量或多种变量的组合计算得出，实现基础工况信息对编码单元的映射，指示机器学习任务将工作模型派给哪个编码单元以及当前基础工况信息从哪个编码单元获取历史操作信息。
给出下单时产线上各个测点获得的当前的加工阶段的基础工况信息、松散出口水分仪零点值、加料入口水分仪零点值、加料出口水分仪零点值、烘丝入口水分仪零点值和烘丝入口含水率设定值，得到变量编码，得到编码单元，计算得到预混柜阶段、润叶加料阶段和贮叶阶段三个阶段的阶段水分变化量，最后得到松散阶段的加水比例，生成优化方案。
可选的，所述机器学习模型根据不同的加工阶段建立不同的模型，形成多阶段串联模型，并针对各个加工阶段分别进行Pearson相关性分析，筛选出相关性显著性强的变量，再对所筛选出的变量进行变量编码。
可选的，所述变量编码是整型的数据类型存储的，具体计算公式如为：变量编码＝取整函数((变量–变量最低值)/变量步长)；，生成优化方案时，如果存在当前变量对应的变量编码样本则直接使用，如果不存在则通过最小二乘法、线性回归、支持向量机方法去计算，预测，生成优化方案。
由上述对本发明的描述可知，和现有技术相比，本发明具有如下优点：
1、通过历史操作，获取相应基础工况信息的加水比例，达到对烘丝入口水分的精确控制的目的；
2、建立多阶段串联模型，只考虑相关性强的因素，大大提高预测的效率；
3、记录历史操作，使得每个优化方案都可以追溯到源头，使优化方案更具有合理性和安全可信性。
4、通过变量编码，将大量的历史数据样本精编为一个不重复、高价值的编码库，大大降低了内存空间，且提高了模型训练效率。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
其中：
图1是本发明一种控制烘丝入口含水率的方法的实现示意图；
图2是本发明基础工况信息的组成示意图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚、明白，以下结合附图和实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
实施例一：一种控制烘丝入口含水率的方法，请参阅图1，采集历史操作的基础工况信息，不同的基础工况建立不同的工作模型；
建立机器学习模型，所述机器学习模型包括编码单元、优化目标和变量编码；控制烘丝入口含水率为所述优化目标，所述工作模型通过变量编码与编码单元一一对应；
给出下单时产线上各个测点获得的当前的加工阶段的基础工况信息、松散出口水分仪零点值、加料入口水分仪零点值、加料出口水分仪零点值、烘丝入口水分仪零点值和烘丝入口含水率设定值，得到变量编码，匹配到编码单元，计算得到预混柜阶段、润叶加料阶段和贮叶阶段三个阶段的阶段水分变化量，最后得到松散阶段的加水比例，生成优化方案。
如下表为测试检验效果表，通过给定的烘丝入口含水率设定值，即可到推出润叶出口含水率、润叶入口含水率、松散出口含水率和加水比例，用所述方法预测出的水分变化量推出来的各出入口含水率与实测值误差极小，基本控制在0.5允差范围内，甚至大部分达到了0.2的优秀允差范围内，且加水比例也是与实测值偏差极小。
表1.测试检验效果
请参阅图2，所述基础工况包括烘丝入口前的加工阶段影响烘丝入口含水率的主要因素的相应参数，所述加工阶段包括：松散阶段、预混柜阶段、润叶加料阶段和贮叶阶段，其中，所述松散阶段的主要因素包括：加水比例、蒸汽比例、松散回风温度、松散物料流量、压空到松散的加料比例、松散环境温湿度、松散水分变化量；所述预混柜阶段的主要因素包括：预混柜的环境温湿度、预混柜时长、预混柜水分变化量；所述润叶加料阶段的主要因素包括：加料回风温度、加料物料流量、加料蒸汽补偿实际比例、压空到加料的加料比例、加料的环境温湿度、润叶加料水分变化量；所述贮叶阶段的主要因素包括：贮叶柜环境温湿度、贮叶环境温湿度、贮叶柜时长、贮叶水分变化量。
所述编码单元是模型的主要信息单元，是机器学习的知识点，包括基础工况信息及与每组基础工况信息对应的松散出口水分仪零点值、加料入口水分仪零点值、加料出口水分仪零点值和烘丝入口水分仪零点值；控制烘丝入口含水率为所述优化目标；所述变量编码是模型定位的一种编码，由各阶段各变量计算得出，实现各变量对模型的映射，即根据变量可以快速找到相应的模型，所述变量为基础工况信息中的一种或多种的组合；所述工作模型通过变量编码与编码单元一一对应，通过对应关系指示机器学习任务将工作模型派给哪个编码单元，或者当前工作模型从哪个编码单元获取历史操作信息。
采集各个加工阶段水分变化量的计算公式为：
所述松散水分变化量＝(松散出口含水率-松散出口水分仪零点值)-松散入口默认含水率；
所述预混柜水分变化量(润叶入口含水率-润叶入口水分仪零点值)-(松散出口含水率-松散出口水分仪零点值)；
所述润叶加料水分变化量＝(润叶出口含水率-润叶出口水分仪零点)-(润叶入口含水率-润叶入口水分仪零点值)；
所述贮叶水分变化量＝(烘丝入口含水率-烘丝入口水分仪零点值)-(润叶出口含水率-润叶出口水分仪零点值)；
其中，含水率通过水分仪测得。
在通过烘丝入口含水率逆推计算各个出入口含水率时，计算公式为：
润叶出口含水率＝(烘丝入口含水率-烘丝入口水分仪零点值)-贮叶水分变化量+润叶出口水分仪零点值；
润叶入口含水率＝(润叶出口含水率-润叶出口水分仪零点值)-润叶水分变化量+润叶入口水分仪零点值；
松散出口含水率＝(润叶入口含水率-润叶入口水分仪零点值)-预混柜水分变化量+松散出口水分仪零点值；
松散水分变化量＝(松散出口含水率-松散出口水分仪零点值)-松散入口默认含水率。
实施例二，在制丝实际生产中，开始阶段往往是个循序渐进的过程，是倒“U”的动态数据，无法稳定反应实际变量与相关因素的关系，为进一步提升优化方案的可靠度，前面N分钟数据是不加以处理为变量编码的，即所述机器学习模型的学习过程中剔除产线中非稳定数据，不加以处理为变量编码，所述非稳定数据包括产线工作起始阶段的数据、生产中断料时间段内的数据、远超设定的正常范围内的异常数据，数据的筛选大大提高了最后优化方案的精准性。
实施例三，所述机器学习模型根据不同的加工阶段建立不同的模型，形成多阶段串联模型，并针对各个加工阶段分别进行Pearson相关性分析，筛选出相关性显著性强的变量，再对所筛选出的变量进行变量编码。即在各个加工阶段中，相关性较小的变量不在模型的考虑范围，模型只考虑如何优化相关性较大的变量来达到控制烘丝入口含水率，大大提高了预测效率和预测准确度。
在获得优化方案时，先通过产线工作前就能获得的变量去预测各个加工阶段的水分变化量，再通过各阶段水分变化量，从烘丝入口含水率设定值依次反推出润叶加料出口含水率、润叶加料入口含水率、松散出口含水率以及松散阶段水分变化量。
本实施例中，所述变量编码是整型的数据类型存储的，它代表了加水比例、蒸汽比例、回风温度、物料流量、压空到松散的加料比例、松散环境温湿度等各阶段因变量，具体计算公式为：变量编码＝取整函数((变量–变量最低值)/变量步长)。
生成优化方案时，如果存在当前变量对应的变量编码样本则直接使用，如果不存在则通过最小二乘法、线性回归、支持向量机方法去计算，预测，生成优化方案，当再次遇到相同情况时，可以减少训练的过程，直接匹配到历史值作为加水比例的预测，大大提高了效率，且精确度也有所提高。
实施例四，对应的，一种控制烘丝入口含水率的系统，以控制烘丝入口含水率为目标，包括基础工况信息采集模块和机器学习模型，不同的基础工况建立不同的工作模型，所述机器学习模型包括变量编码、编码单元和优化目标。
控制烘丝入口含水率为所述优化目标；所述工作模型通过变量编码与编码单元一一对应，所述变量编码由基础工况信息中的一种变量或多种变量的组合计算得出，实现基础工况信息对编码单元的映射，指示机器学习任务将工作模型派给哪个编码单元以及当前基础工况信息从哪个编码单元获取历史操作信息。
本实施例中，所述基础工况信息采集模块包括原本就安装在制丝生产线上的检测装置。所述基础工况信息包括烘丝入口前的加工阶段影响烘丝入口含水率的主要因素的相应参数，所述加工阶段包括：松散阶段、预混柜阶段、润叶加料阶段和贮叶阶段；其中，所述松散阶段的主要因素包括：加水比例、蒸汽比例、松散回风温度、松散物料流量、压空到松散的加料比例、松散环境温湿度、松散水分变化量；所述预混柜阶段的主要因素包括：预混柜的环境温湿度、预混柜时长、预混柜水分变化量；所述润叶加料阶段的主要因素包括：加料回风温度、加料物料流量、加料蒸汽补偿实际比例、压空到加料的加料比例、加料的环境温湿度、润叶加料水分变化量；所述贮叶阶段的主要因素包括：贮叶柜环境温湿度、贮叶环境温湿度、贮叶柜时长、贮叶水分变化量。
所述编码单元包括包括基础工况信息及与每组基础工况信息对应的松散出口水分仪零点值、加料入口水分仪零点值、加料出口水分仪零点值和烘丝入口水分仪零点值。
给出下单时产线上各个测点获得的当前的加工阶段的基础工况信息、松散出口水分仪零点值、加料入口水分仪零点值、加料出口水分仪零点值、烘丝入口水分仪零点值和烘丝入口含水率设定值，得到变量编码，得到编码单元，计算得到预混柜阶段、润叶加料阶段和贮叶阶段三个阶段的阶段水分变化量，最后得到松散阶段的加水比例，生成优化方案。
综上所述，和现有技术相比，本申请提出的一种控制烘丝入口含水率的方法和系统，通过历史操作，获取相应基础工况信息的加水比例，达到对烘丝入口水分的精确控制的目的，且由于全部优化方案均来自历史操作，使得每个优化方案都可以追溯到源头，使优化方案更具有合理性和安全可信性。本申请通过建立多阶段串联模型，只考虑相关性强的因素，大大提高预测的效率，同时，还通过变量编码，将大量的历史数据样本精编为一个不重复、高价值的编码库，大大降低了内存空间，且提高了模型训练效率
上面结合附图对本发明进行了示例性描述，显然本发明具体实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进，或未经改进将本发明的构思和技术方案直接应用于其它场合的，均在本发明的保护范围之内。
Claims (10)
1.一种控制烘丝入口含水率的方法，其特征在于，采集历史操作的基础工况信息，不同的基础工况建立不同的工作模型；
所述基础工况包括烘丝入口前的加工阶段中影响烘丝入口含水率的主要因素的相应参数，所述加工阶段包括：松散阶段、预混柜阶段、润叶加料阶段和贮叶阶段；
其中，所述松散阶段的主要因素包括：加水比例、蒸汽比例、松散回风温度、松散物料流量、压空到松散的加料比例、松散环境温湿度、松散水分变化量；
所述预混柜阶段的主要因素包括：预混柜的环境温湿度、预混柜时长、预混柜水分变化量；所述润叶加料阶段的主要因素包括：加料回风温度、加料物料流量、加料蒸汽补偿实际比例、压空到加料的加料比例、加料的环境温湿度、润叶加料水分变化量；
所述贮叶阶段的主要因素包括：贮叶柜环境温湿度、贮叶环境温湿度、贮叶柜时长、贮叶水分变化量；
建立机器学习模型，所述机器学习模型包括编码单元、优化目标和变量编码；
其中，所述编码单元是模型的主要信息单元，是机器学习的知识点，包括基础工况信息及与每组基础工况信息对应的松散出口水分仪零点值、加料入口水分仪零点值、加料出口水分仪零点值和烘丝入口水分仪零点值；
控制烘丝入口含水率为所述优化目标；
所述变量编码是模型定位的一种编码，由各阶段各变量计算得出，实现各变量对模型的映射，即根据变量可以快速找到相应的模型，所述变量为基础工况信息中的一种或多种的组合；所述工作模型通过变量编码与编码单元一一对应，通过对应关系指示机器学习任务将工作模型派给哪个编码单元，或者当前工作模型从哪个编码单元获取历史操作信息；
给出下单时产线上各个测点获得的当前的加工阶段的基础工况信息、松散出口水分仪零点值、加料入口水分仪零点值、加料出口水分仪零点值、烘丝入口水分仪零点值和烘丝入口含水率设定值，得到变量编码，匹配到编码单元，计算得到预混柜阶段、润叶加料阶段和贮叶阶段三个阶段的阶段水分变化量，最后得到松散阶段的加水比例，生成优化方案。
2.根据权利要求1所述的一种控制烘丝入口含水率的方法，其特征在于，所述机器学习模型的学习过程中剔除产线中非稳定数据，不加以处理为变量编码，所述非稳定数据包括产线工作起始阶段的数据、生产中断料时间段内的数据、远超设定的正常范围内的异常数据。
3.根据权利要求1所述的一种控制烘丝入口含水率的方法，其特征在于，所述机器学习模型根据不同的加工阶段建立不同的模型，形成多阶段串联模型，并针对各个加工阶段分别进行Pearson相关性分析，筛选出相关性显著性强的变量，再对所筛选出的变量进行变量编码。
4.根据权利要求1所述的一种控制烘丝入口含水率的方法，其特征在于，所述变量编码是整型的数据类型存储的，具体计算公式为：变量编码＝取整函数((变量–变量最低值)/变量步长)。
5.根据权利要求4所述的一种控制烘丝入口含水率的方法，其特征在于，生成优化方案时，如果存在当前变量对应的变量编码样本则直接使用，如果不存在则通过最小二乘法、线性回归和支持向量机方法去计算、预测、生成优化方案。
6.根据权利要求1所述的一种控制烘丝入口含水率的方法，其特征在于，所述松散水分变化量＝(松散出口含水率-松散出口水分仪零点值)-松散入口默认含水率；所述预混柜水分变化量＝(润叶入口含水率-润叶入口水分仪零点值)-(松散出口含水率-松散出口水分仪零点值)；所述润叶加料水分变化量＝(润叶出口含水率-润叶出口水分仪零点)-(润叶入口含水率-润叶入口水分仪零点值)；所述贮叶水分变化量＝(烘丝入口含水率-烘丝入口水分仪零点值)-(润叶出口含水率-润叶出口水分仪零点值)。
7.根据权利要求1所述的一种控制烘丝入口含水率的方法，其特征在于，所述机器学习模型建立变量编码溯源机制，每条优化方案都可追溯到变量编码的源头。
8.一种控制烘丝入口含水率的系统，以控制烘丝入口含水率为目标，其特征在于，包括基础工况信息采集模块和机器学习模型；
所述基础工况信息采集模块包括安装在制丝生产线上的检测装置；
所述基础工况信息包括烘丝入口前的加工阶段影响烘丝入口含水率的主要因素的相应参数，所述加工阶段包括：松散阶段、预混柜阶段、润叶加料阶段和贮叶阶段；其中，所述松散阶段的主要因素包括：加水比例、蒸汽比例、松散回风温度、松散物料流量、压空到松散的加料比例、松散环境温湿度、松散水分变化量；所述预混柜阶段的主要因素包括：预混柜的环境温湿度、预混柜时长、预混柜水分变化量；所述润叶加料阶段的主要因素包括：加料回风温度、加料物料流量、加料蒸汽补偿实际比例、压空到加料的加料比例、加料的环境温湿度、润叶加料水分变化量；所述贮叶阶段的主要因素包括：贮叶柜环境温湿度、贮叶环境温湿度、贮叶柜时长、贮叶水分变化量；一种基础工况信息对应一种工作模型；
所述机器学习模型包括变量编码、编码单元和优化目标；
所述编码单元包括包括基础工况信息及与每组基础工况信息对应的松散出口水分仪零点值、加料入口水分仪零点值、加料出口水分仪零点值和烘丝入口水分仪零点值；
控制烘丝入口含水率为所述优化目标；
所述工作模型通过变量编码与编码单元一一对应，所述变量编码由基础工况信息中的一种变量或多种变量的组合计算得出，实现基础工况信息对编码单元的映射，指示机器学习任务将工作模型派给哪个编码单元或当前基础工况信息从哪个编码单元获取历史操作信息；
给出下单时产线上各个测点获得的当前的加工阶段的基础工况信息、松散出口水分仪零点值、加料入口水分仪零点值、加料出口水分仪零点值、烘丝入口水分仪零点值和烘丝入口含水率设定值，得到变量编码，得到编码单元，计算得到预混柜阶段、润叶加料阶段和贮叶阶段三个阶段的阶段水分变化量，最后得到松散阶段的加水比例，生成优化方案。
9.根据权利要求8所述的一种控制烘丝入口含水率的系统，其特征在于，所述机器学习模型根据不同的加工阶段建立不同的模型，形成多阶段串联模型，并针对各个加工阶段分别进行Pearson相关性分析，筛选出相关性显著性强的变量，再对所筛选出的变量进行变量编码。
10.根据权利要求8所述的一种控制烘丝入口含水率的系统，其特征在于，所述变量编码是整型的数据类型存储的，具体计算公式为：
变量编码＝取整函数((变量–变量最低值)/变量步长)；生成优化方案时，如果存在当前变量对应的变量编码样本则直接使用，如果不存在则通过最小二乘法、线性回归和支持向量机方法去计算、预测、生成优化方案。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811353612.3A CN111184246B (zh) | 2018-11-14 | 2018-11-14 | 一种控制烘丝入口含水率的方法和系统 |
| PCT/CN2019/089598 WO2020098261A1 (zh) | 2018-11-14 | 2019-05-31 | 一种控制烘丝入口含水率的方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811353612.3A CN111184246B (zh) | 2018-11-14 | 2018-11-14 | 一种控制烘丝入口含水率的方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111184246A CN111184246A (zh) | 2020-05-22 |
| CN111184246B true CN111184246B (zh) | 2021-05-28 |
Family
ID=70684195
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811353612.3A Active CN111184246B (zh) | 2018-11-14 | 2018-11-14 | 一种控制烘丝入口含水率的方法和系统 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN111184246B (zh) |
| WO (1) | WO2020098261A1 (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112021626B (zh) * | 2020-07-10 | 2021-08-17 | 张家口卷烟厂有限责任公司 | 烟用制丝环节智能化控制系统及方法 |
| CN112132316A (zh) * | 2020-08-19 | 2020-12-25 | 张家口卷烟厂有限责任公司 | 制丝环节在线设备异常监控系统及方法 |
| CN111938187A (zh) * | 2020-08-25 | 2020-11-17 | 红塔烟草(集团)有限责任公司 | 一种润叶加料机新风温度智能调节装置及调节方法 |
| CN112273696B (zh) * | 2020-10-30 | 2022-04-01 | 红云红河烟草(集团)有限责任公司 | 切丝后水分控制方法、装置以及设备 |
| CN112273695A (zh) * | 2020-10-30 | 2021-01-29 | 红云红河烟草(集团)有限责任公司 | 松散回潮出口含水率预测方法、装置以及设备 |
| CN112800671B (zh) * | 2021-01-26 | 2024-05-31 | 联想(北京)有限公司 | 一种数据处理方法、装置及电子设备 |
| CN113515045B (zh) * | 2021-07-12 | 2024-02-20 | 浙江中烟工业有限责任公司 | 一种基于历史数据预判的松散润叶出口水分控制方法 |
| CN115707397A (zh) * | 2021-08-19 | 2023-02-21 | 秦皇岛烟草机械有限责任公司 | 一种烘丝前水分控制方法 |
| CN115336780B (zh) * | 2021-08-26 | 2023-09-26 | 张家口卷烟厂有限责任公司 | 基于神经网络模型和双重参数修正的松散回潮加水控制系统 |
| CN115251445B (zh) * | 2022-08-15 | 2023-05-23 | 北京航天拓扑高科技有限责任公司 | 一种松散回潮机出口烟叶含水率的控制方法 |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE4204771B4 (de) * | 1992-02-18 | 2006-01-12 | Hauni Maschinenbau Ag | Verfahren und Anordnung zum Betrieb eines dampfbeheizten Trockners |
| DE19756217A1 (de) * | 1997-12-17 | 1999-07-01 | Bat Cigarettenfab Gmbh | Verfahren zur Behandlung von Tabakfeinschnitt |
| CN101488024A (zh) * | 2009-01-23 | 2009-07-22 | 秦皇岛烟草机械有限责任公司 | 烟草加工过程参数的在线质量评估与实时智能控制方法 |
| CN102090708B (zh) * | 2010-09-10 | 2013-08-21 | 龙岩烟草工业有限责任公司 | 一种提高烟丝含水率稳定性的控制方法 |
| CN103750528B (zh) * | 2011-12-31 | 2016-03-23 | 贵州中烟工业有限责任公司 | 一种设定烘丝入口水分值的方法 |
| CN102708296A (zh) * | 2012-05-15 | 2012-10-03 | 红云红河烟草(集团)有限责任公司 | 一种基于灰色多因素预测模型的能源供需预测方法 |
| EP2821865A1 (en) * | 2013-07-01 | 2015-01-07 | International Tobacco Machinery Poland Sp. z o.o. | Method and system for establishing a data set for identification of parts, modules and/or activities for conversion of flexible production system |
| CN105243435B (zh) * | 2015-09-15 | 2018-10-26 | 中国科学院南京土壤研究所 | 一种基于深度学习元胞自动机模型的土壤含水量预测方法 |
| 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 |
| CN108652066B (zh) * | 2018-05-31 | 2021-07-13 | 福建中烟工业有限责任公司 | 预测松散回潮工序加水量的方法及装置 |
| CN108760668B (zh) * | 2018-06-01 | 2019-10-29 | 南京林业大学 | 基于加权自动编码器的马尾松苗木根部水分快速测量方法 |
-
2018
- 2018-11-14 CN CN201811353612.3A patent/CN111184246B/zh active Active
-
2019
- 2019-05-31 WO PCT/CN2019/089598 patent/WO2020098261A1/zh active Application Filing
Also Published As
| Publication number | Publication date |
|---|---|
| WO2020098261A1 (zh) | 2020-05-22 |
| CN111184246A (zh) | 2020-05-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111184246B (zh) | 一种控制烘丝入口含水率的方法和系统 | |
| DE102011102034B4 (de) | Online-Abgleich eines prozessanalytischen Modells mit effektivem Prozessbetrieb | |
| CN109711659A (zh) | 一种工业生产的良率提升管理系统和方法 | |
| CN102095831A (zh) | 水分仪管理方法和系统 | |
| CN110646685B (zh) | 一种开关柜状态综合评估方法 | |
| CN102919995B (zh) | 一种烟草制丝过程中的质量控制与诊断分析方法及系统 | |
| CN114418144A (zh) | 一种除湿机故障分析方法及系统 | |
| CN108279641B (zh) | 一种cnc调机方法及其系统 | |
| WO2021111936A1 (ja) | 予測システム、情報処理装置および情報処理プログラム | |
| CN111950165A (zh) | 典型环境下的电能表可靠性分析方法 | |
| CN113778042B (zh) | 基于信息化建模的工控设备指令模拟运行通信系统 | |
| CN1388472A (zh) | 评价自动机器效率的方法 | |
| WO2018141427A1 (de) | Verfahren zum kalibrieren und mess- und analyseverfahren | |
| CN116609255B (zh) | 一种建筑涂料的耐候性测试方法及系统 | |
| JP2013257875A (ja) | 工業用機械の測定のための測定機器 | |
| CN113570266B (zh) | 一种基于数字孪生技术的外部损失成本控制方法 | |
| CN116415688B (zh) | 一种流体回路状态监测基线模型在线学习方法及系统 | |
| CN111091153B (zh) | 一种纸页松厚度软测量方法 | |
| CN116976293A (zh) | 一种电气试验报告数据自动采集系统及方法 | |
| CN116681340A (zh) | 一种卷烟制丝生产批次间差异性评价方法及改进方法 | |
| CN117029899A (zh) | 一种冷冻设备仪表调试系统及方法 | |
| Siddiqui et al. | An Approach for Collection and Analysis of Manufacturing Test Sites Data for Electronic Products | |
| CN116663711A (zh) | 一种建筑能耗数据的预测处理方法及应用 | |
| CN118266613A (zh) | 烟丝含水率和填充值的预测方法、装置及存储介质 | |
| Gutman et al. | Modelling and prediction of bending stiffness for paper board manufacturing |
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 | ||
| CP03 | Change of name, title or address |
Address after: 361000 one of unit 702, No. 1, xishanwei Road, phase III Software Park, Xiamen Torch High tech Zone, Xiamen, Fujian Province Patentee after: Xiamen Yitong Intelligent Technology Group Co.,Ltd. Address before: B11, 4th floor, 1036 Xiahe Road, Siming District, Xiamen City, Fujian Province, 361000 Patentee before: XIAMEN ETOM SOFTWARE TECHNOLOGY Co.,Ltd. |
|
| CP03 | Change of name, title or address | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A method and system for controlling the moisture content at the entrance of wire drying Granted publication date: 20210528 Pledgee: Agricultural Bank of China Limited Xiamen Lianqian Branch Pledgor: Xiamen Yitong Intelligent Technology Group Co.,Ltd. Registration number: Y2024980004722 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right |