CN111386364B - 用于去皮处理的控制器和方法 - Google Patents

Abstract

一种用于对大麻的一个或多个输入单元进行去皮处理成一个或多个最终产品的系统、控制器和方法。该方法包括：分析输入单元的一个或多个特征；将输入单元切成预定尺寸；打开切割输入单元；对打开的输入单元执行去皮，以将大麻分为多个成分，所述成分包括韧皮、纤维和芯内纤维(hurd)；将纤维压实成包；粉碎芯内纤维和韧皮；将粉碎的芯内纤维和韧皮与热塑性聚合物混合成最终产品；从去皮、压实、粉碎和组合中的至少一种接收分析仪数据；根据分析仪数据训练机器学习模型；使用训练后的机器学习模型来调整一个或多个方面以获得所需的最终产品。

Description

用于去皮处理的控制器和方法

技术领域

本公开总体上涉及包括农产品的生物质产品的处理。更具体地，本公开涉及用于生物质产品的去皮处理的系统、控制器和方法。

背景技术

去皮是将整捆的某些双子叶植物秸秆研磨并分离为各种纤维和非纤维部分以供内部使用或出售给他人的过程。在特定情况下，秸秆可以是大麻秸秆。

来自大麻茎杆的纤维通常提供某些益处；例如，茎通常具有高的强度重量比。作为另一个示例，茎杆通常可以具有诸如抗菌和防水的特征。

从农学角度来看，大麻通常在各种土壤和气候中快速生长。它通常对农作物害虫具有抵抗力，从而减少了对除草剂和杀虫剂的需求。这是一种三重“产品”作物，与其他一些农作物相比，其能够以高于平均产量和美元收益产生种子、茎秆以及有价值的生物化学物质。

一旦被处理，大麻秸秆(也称为茎杆)的典型成分，是韧皮纤维、芯内纤维、短纤维和粉尘。这些成分中的每一个都可以成为有价值的原材料，用于各种消费、商业和工业产品。这些成分可用于许多行业，例如消费品、汽车、建筑材料、工业吸收剂以及动物和宠物护理。

通常，去皮用于将整个大麻秸秆分成各种成分，例如干净的韧皮纤维、干净的芯内纤维、麻尘和短纤维。例如取决于所种植的品种、农艺实践、浸渍程度、加工时的水分含量、去皮方法以及所需的产品清洁度(即被芯内纤维或粉尘污染的程度)，韧皮纤维部分通常占去皮系统产品重量的约20-25％。“清洁的”韧皮纤维(即纯度>95％)的应用实例包括气流成网非织造垫子和毯子、特种纸浆和纸张、纤维素化学品、纺织品和土工织物。短纤维通常比清洁的韧皮短且纯度低，约占去皮系统产品重量的0-5％。例如取决于所种植的品种、农艺实践、浸渍程度、加工时的水分含量、去皮方法以及加工时输入的功率以及所需的芯内纤维特征，例如清洁度和粒度分布，芯内纤维部分通常占去皮系统产品重量的约40-50％。清洁芯内纤维的应用实例包括建筑、工业和民用吸收剂、动物床上用品以及用作生化、生物混料产品和生物能源行业的原料。麻尘通常在去皮处理中机械分离并收集。例如取决于所种植的品种、农艺实践、浸渍程度、加工时的水分含量、去皮方法和加工时输入的功率，麻尘通常约占去皮系统产品重量的25％至40％。例如，麻尘可用作生物炭生产(园艺级)的原料，或用作生物塑料的填料。

去皮处理的示例性目标是使处理后的各部分之和的商业价值最大化，同时使处理成本最小化，这主要与功耗、劳动力和原料价格有关。

典型地，去皮处理从原材料分级和选择开始。这可以在现场(即在运送材料之前)或在工厂现场(即在接收到材料时)完成。传统上，选择和购买适合去皮的秸秆留给有经验和知识的秸秆专家，他们要到田间旅行，对作物进行物理检查并进行与纤维质量、浸渍程度和水分含量有关的基本手工测试(定性和定量)。然后，该专家将根据这些测试以及对加工设施的数量需求、种植者的价格预期以及其他位置材料的可获得性和质量的了解来做出购买决定。去皮处理通常在将各种处理过的秸秆部分放到大容量存储箱中以备将来使用(例如，混料并挤压成混料边脚)或包装出售给其他人(例如出售给非织造布生产线的打包的韧皮纤维，出售给绝缘混凝土制造商的1m ³手提袋中的芯内纤维)。

发明内容

一方面，提供了一种用于对农业生物质的一个或多个输入单元进行去皮处理的方法，该方法包括：分析输入单元的一个或多个特征；将输入单元切成预定尺寸；打开切割输入单元；去皮打开的输入单元以将打开的输入单元分成多个成分，这些成分包括韧皮、短纤维、芯内纤维和粉尘；将韧皮切成一个或多个长度；按确定的比例混合芯内纤维、切割的韧皮和短纤维；粉碎混合物；将混合物与热塑性聚合物混合成最终产品；从去皮、切割、混合、粉碎和组合中的至少一步接收分析仪数据；根据分析仪数据训练机器学习模型，以估计最终产品的成分含量与所述分析、切割、打开、去皮、压实、粉碎和组合中至少一步的一个或多个方面之间的关系，至少部分地基于来自训练后的机器学习模型的输出来调整一个或多个方面以获得所需的最终产品。

在特定情况下，农业生物质是双子叶植物。

在另一种情况下，输入单元的一个或多个特征包括浸润程度、化学成分和水分含量中至少之一的传感器数据。

在另一种情况下，估计的关系包括预测韧皮、芯内纤维和粉尘的潜在产量。

在另一种情况下，调整一个或多个方面以获得所需的最终产品包括选择用作后续输入单元的材料。

在另一种情况下，该方法还包括识别具有短韧皮纤维的韧皮，并且将所识别的韧皮重新混合进芯内纤维中以获得韧皮-芯内纤维混合物。

在另一种情况下，还包括通过使用动态弯曲分析仪对所述最终产品进行机械测试来确定所述最终产品的机械性能。

在另一种情况下，最终产品的成分含量包括产品产量潜力、产品价值潜力和计划的加工成本中的至少一项，并且其中估计包括基于所分析的输入单元的一个或多个特征，使用数据库中的知识发现(KDD)。

在另一种情况下，该方法还包括在打包机液压单元的冲程处用传感器测量韧皮纤维纯度。

在另一种情况下，最终产品具有超过50％的纤维含量。

在另一方面，提供了一种用于对农业生物质的一个或多个输入单元进行去核处理的控制器，该控制器包括至少一个处理单元和数据存储器，该至少一个处理单元与数据存储器通信并配置为执行：控制模块，用于：从一个或多个传感器接收输入单元的一个或多个特征；指示切割单元将输入单元切割成预定尺寸；指示打开单元打开切割输入单元；指示去皮机对打开的输入单元进行去皮，以将打开的输入单元分成多个成分，这些成分包括韧皮、短纤维、芯内纤维和粉尘；指示混合单元混合芯内纤维、短纤维和切割的韧皮；指示粉碎机粉碎芯内纤维和韧皮；指示混料机将粉碎的芯内纤维和韧皮与热塑性聚合物混合成最终产品；并从所述去皮机、混合单元、打包机、粉碎机、混料机以及一个或多个传感器中的至少一个接收数据；数据科学模块，用于：基于分析仪数据训练机器学习模型，以估计最终产品的成分含量与分析、切割、打开、去皮、压实、粉碎和组合中至少一步的一个或多个方面之间的关系；并至少部分地基于训练后的机器学习模型的输出，将要对一个或多个方面进行的调整传达给控制模块，以获得所需的最终产品。

在特定情况下，农业生物质包括双子叶植物。

在另一种情况下，输入单元的一个或多个特征包括浸润程度、化学成分和水分含量中至少之一的传感器数据。

在另一种情况下，估计的关系包括预测韧皮、芯内纤维和粉尘的潜在产量。

在另一种情况下，调整一个或多个方面以获得所需的最终产品包括选择用作后续输入单元的材料。

在另一种情况下，控制模块还接收具有短韧皮纤维的韧皮的识别信息，并指示将所识别的韧皮重新混合到芯内纤维中以获得韧皮-芯内纤维混合物。

在另一种情况下，控制器还包括通过使用动态弯曲分析仪对所述最终产品进行机械测试来确定所述最终产品的机械性能。

在另一种情况下，最终产品的成分含量包括产品产量潜力、产品价值潜力和计划的加工成本中的至少一项，并且其中估计包括基于所分析的输入单元的一个或多个特征，使用数据库中的知识发现(KDD)。

在另一种情况下，控制器还包括在打包机液压单元的冲程处用传感器测量韧皮纤维纯度。

在另一方面，提供了一种打包机，其包括：框架；安装在框架上的电动机；活塞，其位于框架中并机械地连接至电动机，该活塞可沿竖直轴移动；打包机，其位于活塞的下端，该打包机包括至少一个透明窗口；传感器，其位于打包机上，并配置为通过透明窗口感测框架，该框架接收打包机与框架下部之间的材料，打包机经由活塞通过电动机向下推动以压缩材料，传感器在材料压缩期间感测材料的至少一种特征。

在另一方面，提供了一种用于在具有固定几何形状的材料上测试机械性能的动态弯曲测试仪，包括：一对固定的下辊；可移动的上辊，其水平地位于一对固定的下辊之间，并垂直位于一对固定的下辊之上；机械定位器，其与上辊机械连通以使上辊沿垂直轴移动；以及载荷传感器，其位于机械定位器和上辊之间，接收在上辊和下辊之间的材料，其中机械定位器在上辊上施加向下的力，直到上辊达到预定的向下偏转距离为止，当上辊达到预定的向下偏转距离时力被载荷传感器记录，该力与材料的弯曲强度成正比。

在本文中预期和描述了这些和其他方面。将理解的是，前述概述阐述了系统和方法的代表性方面，以帮助熟练的读者理解以下详细描述。

附图说明

现在将参考附图仅以举例的方式描述本公开的优选实施例，其中：

图1示出了示例性去皮处理的第一去皮阶段；

图2示出了示例性去皮处理的各个阶段；

图3示出了根据实施例的用于去皮处理的控制器；

图4示出了根据实施例的用于去皮处理的系统；

图5示出了根据实施例的用于去皮处理的方法；

图6示意性地示出了示例性去皮处理中的材料流动；

图7示出了在输入阶段的示例生产流程；

图8示出了在韧皮生产阶段的示例生产流程；

图9示出了在芯内纤维生产阶段的示例生产流程；

图10示出了示例逻辑流程；和

图11示出了根据实施例的打包机液压单元的正视图；

图12A示出了根据实施例的动态弯曲测试仪的正视图；和

图12B示出了图12A的动态弯曲测试仪的特写正视图。

具体实施方式

在进一步详细描述本公开的主题之前，应当理解，本发明不限于所描述的特定实施例，而是仅由所附权利要求的范围来限定。还应理解，本文中使用的术语仅出于描述特定实施方案的目的，而无意于进行限制，因为本公开的范围将仅由所附权利要求书限制。

为了图示的简单和清楚，在认为适当的情况下，可以在附图之间重复参考标号以指示对应或相似的元件。另外，阐述了许多具体细节以便提供对本文所述实施例的透彻理解。然而，本领域普通技术人员将理解，可以在没有这些具体细节的情况下实践本文描述的实施例。在其他情况下，未详细描述公知的方法、过程和组件，以免混淆本文中的实施例。而且，该描述不应被认为是限制本文描述的实施例的范围。

除非上下文另有指示，否则贯穿本公开内容使用的各种术语可以如下阅读和理解：贯穿全文使用的“或”是包含性的，如同书面和/或；贯穿全文使用的单数冠词和代词包括其复数形式，反之亦然；类似地，性别代词包括其对应代词，因此代词不应被理解为将本文所述的任何内容限制为单一性别的使用、实现、表现等。与其他实施例相比，“示例性”应被理解为“说明性”和“示例性”，而不一定被理解为“优选的”。术语的进一步定义可以在本文中阐述；但是，在下文中将不再赘述。如从阅读本公开/说明书将理解的，这些可以适用于那些术语的先前和后续实例。

除非另有定义，否则本文中使用的所有技术和科学术语具有与本发明所属领域的普通技术人员通常所理解的相同含义。尽管与本文描述的那些类似或等同的任何方法和材料也可以用于本发明的实践或测试中，但是本文描述了有限数量的示例性方法和材料。

必须注意，如本文和所附权利要求书中所使用的，单数形式的“一个”、“一种”和“该”包括复数指示物，除非上下文另外明确指出。

本文示例的执行指令的任何模块、单元、组件、服务器、计算机、终端、引擎或设备可以包括或可以访问诸如存储介质、计算机存储介质或数据存储设备(可移动和不可移动)的计算机可读介质(例如磁盘、光盘或磁带)。计算机存储介质可以包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据的信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质的示例包括RAM、ROM、EEPROM、闪存或其他存储技术、CD-ROM、数字多功能光盘(DVD)或其他光学存储、磁带装置、磁带、磁盘存储或其他磁性存储设备，或可以用来存储信息并且可以由应用程序、模块或两者访问的任何其他介质。任何这样的计算机存储介质都可以是设备的一部分，或者可以访问或连接到设备。此外，除非上下文另外明确指出，否则本文阐述的任何处理器或控制器都可以被实现为单个处理器或多个处理器。可以排列或分布多个处理器，并且即使可以例示单个处理器，本文所指的任何处理功能也可以由一个或多个处理器执行。可以使用计算机可读/可执行指令来实现本文描述的任何方法、应用程序或模块，这些指令可以由这样的计算机可读介质存储或以其他方式保存，并由一个或多个处理器执行。

本公开总体上涉及包括生物质农产品的生物质产品的处理。更具体地，本公开涉及用于去皮处理的系统、控制器和方法。

有利地，本文描述的实施例可以提供包括生物质农产品在内的生物质产品的低成本、高容量、易于扩展和灵活的处理。在特定情况下，生物质农产品可以是双子叶植物产品；例如，大麻、亚麻、洋麻和黄麻。此外，有利地，本文描述的实施例可以显着减少材料处理并降低生产成本。此外，有利地，本文描述的实施例允许大麻茎杆处理的垂直整合，以根据需要自动将原始大麻茎成分引导至高价值产品的生产。

有利地，本文描述的实施例允许例如使用可见和近红外光谱仪(Vis-NIR)对从进入的包接收的样品进行光谱分析，以确定浸渍程度、化学组成和水分含量中的至少一项使控制器能够预测在处理这些包时韧皮、芯内纤维和粉尘中至少一种的潜在产量。光谱分析可以相应地用作计算机集成制造(CIM)环境中材料选择的基础，该环境同时针对不同客户优化每种不同产品的生产。如本文所述，光谱传感器的使用可以代替在堆垛场的这种材料的主观质量评估。光谱传感器可以被人工智能(AI)系统(例如，机器学习范例)有利地用来选择接收到的包以处理成各个部分，然后其可以由其他“智能传感器”(包括在韧皮纤维打包线处的另一个光谱传感器)进行扫描。在大多数情况下，当感测到的包在整个去皮处理中移动时，可以跟踪包，并将与输入特征进行比较的它们的输出特征存储在数据库中。

在某些情况下，可以在固定设施中进行去皮。在其他情况下，可以在移动设施中执行去皮，该移动设施可以移至大麻产量高的地区。

可以对水分含量在10-20％重量的范围内的适当浸渍的大麻秸秆包进行去皮；尽管可以设计一些去皮机，并且能够在现场处理后不久且没有任何浸渍的情况下对“绿色”材料进行去皮。材料可以是新材料，也可以是风化材料，根据材料的存储方式，较旧的材料可能更干燥且变质程度更高。秸秆的价值可能取决于多种因素，例如品种、成熟度、作物年限、水分含量、浸渍程度、变质、扣除(杂草、种子和污垢)。通常，对于来自水分在12-15％的纤维大麻品种的干净、无杂草、适当浸渍的秸秆包通常会给予更高的价格。

图1示意性地示出了根据实施例的示例性去皮处理10的单个阶段。最初从农场收到大麻包，对其进行采样、扫描、标记和堆垛。根据其扫描特征由CIM系统指定的包将从堆垛场中检索。在12处接收大麻包，在14处将包拆开。在16处对这些包进行去皮和纤维清洁。然后将成分送去18处进行空气分离或除尘，其中在19处去除空气和粉尘。其余成分被送到20进行筛分，其中在21处去除多余的芯内纤维(即混料线不需要的芯内纤维)。剩余的芯内纤维被送到22处进行芯内纤维粉碎。此外，多余的韧皮(即混料线不需要的韧皮)在23处被去除。在24处将剩余的韧皮进行韧皮纤维切割。然后可以将处理的芯内纤维和韧皮与在27处输入的热塑性聚合物混合，以在26处进行混合。可以在28处进行混料和挤压，挤压的边角料的最终产品在29处进行输出。

在某些情况下，将干净的芯内纤维送入粉碎线中，并加入刚好足够的韧皮(优选地，首先短韧皮，然后如果需要，可以使用更长的韧皮)在混料颗粒或挤压型材中实现机械性能指标。

图2示出了根据实施例的示例性去皮处理50的各个阶段。在收集阶段52处，大麻包在工厂现场被接收，并且例如被卸荷、称重、测试水分含量、浸渍程度和化学组成，被标记并被存储以备将来使用。化学成分(即纤维素、半纤维素、木质素、灰分和提取物)通常与韧皮、芯内纤维和粉尘的相对组成有关，因此可用于预测去皮部分的理论收率。浸渍程度和水分含量通常与去皮处理中的产品纯度、功耗和纤维损坏有关。包可以以具有不同重量的圆形或正方形格式接收。第一阶段12的有价值的方面是提供准确和公正的原材料评估以协助生产计划的能力。在示例中，可以使用一个或多个光谱传感器，例如可见和近红外光谱仪(Vis-NIR)单元，来分析包芯样品。在某些情况下，Vis-NIR单元可以确定水分含量和化学成分，例如包的纤维素、半纤维素、木质素、提取物和灰分的成分。在某些情况下，还可以扫描秸秆表面以确定浸渍程度。在其他情况下，可以使用其他类型或组合的分析仪单元来提取相同的信息。该信息可用于为包分配质量和值。在示例中，如本文所述，可以为包分配以下信息：产品潜在产量(单个产品)、产品潜在价值(单个产品)和/或预计加工成本。

在破损阶段54处，包被分解成松散的秸秆形式，从而可以将秸秆送入去皮机。该阶段还允许将秸秆片被切成预定尺寸的长度，或者利用该系统，可以将秸秆片切成满足需求的形式。在示例中，切割单元(例如，轧刀机构)可用于切割包(或其部分)，然后由打开单元“打开”以松开秸秆并允许气动输送和连续计量至去皮机。在特定情况下，首先需要使用轧刀将圆包切成相似的长度。在另一种情况下，可以将方形包直接输入到打开单元中，或者用轧刀切成类似的长度。打开单元打开秸秆，并确保材料朝着去皮段的流动相对均匀。在某些情况下，在打开机排出时，可以根据原料的原始水分含量和过程传感器(例如，去皮机的电动机负载，位于集尘系统中的相对湿度探头以及位于韧皮纤维打包机中的Vis-NIR分析仪)的反馈将水分添加到原料中韧皮。在某些情况下，可以通过蒸汽或雾化喷嘴来增加水分。在某些情况下，可能需要单独的“活动底部”保留容器或存储箱，以使水分含量在去皮或清洁之前完全平衡。

在某些情况下，系统基于例如以下标准中的一个或多个从可用包库存中选择合适的包：初步Vis-NIR扫描结果、未结订单、交货日期、预计需求、产品库存水平、原材料库存水平、原材料年龄、不同产品的市场价格以及投入成本(例如电价)。从堆垛场取回包，并将其带到工厂现场进行处理。该选择过程可以排他地基于接收到包时的传感器数据。传感器数据可以从Vis-NIR获得，但是任何合适的传感器或传感器组合都可以用于提供有关化学成分、浸渍程度和水分含量的信息。

可以基于数据科学模块122对馏分收率和产品属性做出的预测来为特定订单选择包，并在首次在堆垛场接收包时收集的数据作为机器学习模型的输入特征(例如，重量、水分含量、Vis-NIR扫描数据)。通过这种方式，可以将包的扫描特征与最终的去皮部分的最佳应用相匹配。这样，如果包的水分含量过高(例如，由于变质和存储过程中增加的火灾风险)，则它们可以自动下降。

在某些情况下，可以按照特定最终用户的指定减掉并减少工艺纤维的长度。此类最终用户的应用可以包括，例如，定制裁剪的工艺纤维，用于与机织织物的其他天然或合成纤维混纺和纺丝；特种纸增强纤维；与热塑性塑料混料并挤压或造粒或注塑为生物混料材料等。在特定情况下，工艺纤维可以沉积在皮埃罗切割机或类似设备的进料带上，以预定的速度运行以输送特定的切割长度。一旦沿第一方向切割，纤维就可以掉落到相对于第一切割器垂直定向的第二切割器的进料带上。这样，可以按照特定最终用户的要求在两个方向上将纤维切成高度均匀的水平。与进料皮带和压紧辊的速度有关的切割头的频率可用于确定每个阶段的切割长度。

在一些实施例中，如本文所述，可以使用机器学习(ML)技术，对来自挤压线上的连续弯曲分析仪的传感器反馈数据进行数据中的自动知识发现(KDD)，以将纤维切割长度调整为控制弯曲强度。连续弯曲分析仪的输出可用于调节韧皮纤维含量，以用于机械性能控制。

在去皮阶段56处，去皮机机械地处理打开的秸秆，以将韧皮纤维束与芯内纤维颗粒分离。一旦机械分离，通过筛选可将成分分离成韧皮与芯内纤维。可以重复机械处理和分离，以生产足够清洁的纤维以进行精制。可以通过“冷凝单元”去除粉尘，该“冷凝单元”在筛选之前将空气与韧皮和芯内纤维分离。优选地，处理韧皮纤维使得其纯度足以供给精制线，并产生纯净的待售芯内纤维。在框68处，可以将芯内纤维存储在存储单元中，以用于输出或用于本文所述的进一步处理。

在去皮阶段56的示例处，可以从秸秆开口单元或活动底存储箱系统中吸取水分平衡的秸秆，然后将其送入去皮机中，以将芯内纤维与纤维分离，并生成纤维、芯内纤维和粉尘的混合物。在去皮机的出口，材料被吸入空气分离器中，该空气分离器将空气和粉尘从分离出的纤维和芯内纤维中去除。然后，纤维和芯内纤维可以掉入纤维分离器(例如筛网)中，其中可以去除大部分芯内纤维。

在某些情况下，然后可以将离开纤维分离器的韧皮纤维在次级去皮机、空气分离器和纤维分离器中进行再处理，以产生纯度约为80-85％的更纯净的韧皮纤维。该纯度水平可能足够纯净以供给提纯线。在某些情况下，韧皮纤维可以直接进入打包机，或者可以在精制线中进一步处理成更高的纯度。在某些情况下，在框58处，经由粉尘清洁器从空气处理系统中抽出粉尘。尽管获得的纯度水平可以达到80-85％，但是可以考虑的是，出于降低成本等原因，可以达到40％至50％的纯度，如果下游客户需要或要求，可以达到85％以上的纯度。

在某些情况下，对于某些市场或产业，例如，绝缘混凝土、大型动物床上用品、小型动物床上用品等，可以通过颗粒大小对芯内纤维流进一步分类。在某些情况下，短韧皮纤维(例如，长度小于2英寸)也可以从芯内纤维流中回收，重新引入韧皮产品中，进行单独包装出售，或进一步机械处理成增强纤维，以混料和挤制成生物混料材料。在框66处，短纤维可被存储在存储单元处以用于输出或用于如本文所述的进一步处理。将韧皮纤维重新引入芯内纤维中可导致混料物(例如生物混料材料)的机械性能提高。

在某些情况下，去皮机可以装配有逆变器负载电动机和变频驱动器(VFD)。来自VFD的信息(例如功耗)可以与空气处理系统中取得的相对湿度测量值以及使用光谱传感器在纤维打包机上处取得的韧皮纯度测量值结合使用，以调整操作条件，例如去皮机RPM、水分添加率、以及秸秆的供给速度。

在某些情况下，可以使用一个或多个精制阶段(例如，每个精制阶段包含精细开松机和筛选装置(例如分步清洁机))利用相关的除草清理和短纤维回收进一步提纯去皮的韧皮纤维，例如从80-85％纯度提高到例如95-98％纯度。有利地，这可以提高韧皮纤维的纯度，最大程度地减少纤维的损坏或缩短，消除芯内纤维，并回收短纤维。在这种情况下，使用两个精细开松机打开包含15％至20％芯内纤维的韧皮纤维。然后可以将纤维吸出，直接供给两步清洁器，再供给整理清洁器。在精炼机的末端，韧皮纤维可包含少于5％的芯内纤维。这可以被称为“工艺纤维”，并且可以用于各种应用中，例如，例如绝缘毛毡的气流成网的非织造材料、土工织物、用于树脂传递模塑的纤维垫等。也可以使用皮埃罗切割机或类似装置将这些纤维横切成特定长度，例如用于生物混料材料的混料和挤压，特种纸中的增强纤维等。从韧皮中取出的芯内纤维可以清洗短纤维，并与去皮线中的清洁芯内纤维混合，也可以单独包装出售。在某些情况下，由于它可以接受额外的机械加工，因此这种芯内纤维的颗粒大小可能小于去皮的颗粒大小。在某些情况下，在框60处，经由集尘单元从精炼机提取粉尘。

在韧皮打包阶段62处，可以使用打包机将工艺纤维压实成优选地具有一致的重量和水分含量的包。在某些情况下，还可以使用与打包机相关的光谱传感器(例如Vis-NIR单元)对纤维的纯度进行分析。光谱传感器可以测量水分含量，以直接反馈控制加湿步骤。在加湿步骤中，可以将水分添加到供给去皮阶段的单元的排出中，以在供给到精制阶段时添加更多的水分。通常，大多数水分可以在去皮之前添加。

光谱传感器(例如，Vis-NIR传感器)可以在打包机液压单元的每个冲程中测量韧皮纤维纯度；打包机液压单元通常包括液压柱塞，其压缩打包机中的韧皮纤维。光谱传感器可以在制造每个包时提供每个包的多种分析；与扫描完成的包相比，这可以提供增强的质量控制。应当理解，在其他情况下，可以使用能够确定水分含量(用于反馈水分控制)和/或测量纯度(用于去皮控制)的另一种传感器或传感器组合。纤维打包机特别用于包装和标记纤维产品，并在某些情况下执行质量控制和处理控制反馈。

如图11的打包机液压单元1100的示例性实施例中所示，一个或多个传感器头1102可被安装在打包机1104的表面中或表面上。在该实施例中，打包机1100包括框架1110和安装在框架上以驱动连接到打包机1104的活塞1114的电动机1112。活塞1114周期性地以冲程运动向下推动打包机1104，以压缩打包机1104和下部1116之间的材料1108。在每个行程时，或在一定数量的行程之后，可通过打包机1104上的透明窗口1106进行扫描，该透明窗口可承受包压缩的压力。每当打包机1100达到预定液压压力(表示材料1108正在被压缩)时，传感器1102可以读取读数以确定被压缩的材料的特征。在特定情况下，传感器头1102可以是光谱传感器(例如Vis-NIR)、湿度探头、气压探头等中的至少一个。

在一些情况下，“细度”传感器可以被集成到打包机1104中，该传感器将测量在特定的液压柱塞压力下从喷嘴到纤维的压缩空气流。较细的纤维比粗纤维更限制气流，因此可以提供有关纺织品或气流成网非织造物中纤维价值的反馈。

在韧皮打包阶段62处，可以测量每个包的重量及其水分含量和韧皮纤维纯度(例如，通过诸如Vis-NIR分析仪的光谱传感器)。在某些情况下，可以校正包重量的水分含量，以确保产品质量稳定。

在某些情况下，产品传感器信息可以反馈到控制系统以进行过程调整，还可以与相应的原材料属性和工厂运行条件一起进行编译，以进行实时产品成本核算和价值优化。通常，将包的干重确定为“包总重”*(100％-水分百分比)。通过这种方式，可以以干基或标准水分含量确定(在某些情况下，出售)纤维。

在某些情况下，使用ML和/或KDD，可以基于不同部分的产量、产品属性或总体经济绩效，针对特定的生产运行自动选择包和进行处理。有利地，这可以最小化不同生产运行之间“不合格”材料的生产，并通过外推大量运行数据来“扩展”可能的性能和运行条件范围，从而支持新产品开发。

当系统从产品测试和过程操作的收集数据中学习时，它可以使用KDD将产品属性和处理条件链接到原材料属性，例如从接收材料时收到的扫描。这样，机器学习模型可以用于自动接收订单并选择输入材料(例如，从货场)，这些输入材料经过优化后可以满足订单关于例如数量、质量等的规格要求以及设置去皮系统的处理条件。在韧皮切割阶段64处，可以通过切割单元将来自去皮阶段64的韧皮切割成期望或指定的长度。在某些情况下，可以将切割的韧皮发送到混合阶段70。在其他情况下，可以将切割的韧皮发送到韧皮打包阶段62。

在芯内纤维粉碎阶段72，在与热塑性塑料混料并挤压成型材(例如，出售给最终用户)或母料颗粒(例如，用于出售给其他挤压设施)之前可以将芯内纤维和切割的韧皮粉碎并过筛。可以进行粉碎以产生稳定的细颗粒用于混料。在某些情况下，可以使用锤磨机进行粉碎。在某些情况下，可以使用旋风分离器从粉碎的芯内纤维和韧皮中分离出空气。可以将芯内纤维颗粒和一定量的韧皮纤维混合在一起，然后再通过开槽或多孔筛将其引入锤磨机中；尺寸可以通过最终产品的处理程度来确定。如本文所述，可以选择要混合在一起的芯内纤维颗粒和韧皮纤维的比例，以满足混合材料的机械性能目标。可以对颗粒和纤维进行机械研磨，直到它们通过筛网，然后将它们抽吸到旋风分离器和旋转气闸中以除去空气。然后可以将粉碎的材料放入计量仓和定量(或基于质量的)计量螺杆中，以便始终如一地输送到混料机中。在某些情况下，可通过去皮工厂的空气处理系统提供抽吸功能，该系统的尺寸最好适合此额外的空气量；这种方法可能是有益的，因为集尘室可以捕获任何残留的粉尘。

在混料阶段74，可以将粉碎的材料与液体热塑性聚合物或分散剂组合成具有均匀外观和组成的颗粒或挤压形状。在某些情况下，可将麻尘与其他成分一起引入挤压机中。混料可以生产用于挤压或注射成型的颗粒，也可以生产挤压的型材(例如边脚)以出售给他人。可以将粉碎的芯内纤维和短纤维以及适当量和类型的热塑性聚合物和添加剂(如果需要，例如热塑性分散剂)一起供给到混料挤压机中，在此处将它们加热并混合在一起，以产生均匀的混合物。合适的热塑性聚合物的示例包括PVC、聚丙烯、聚乙烯、聚羟基丁酸、聚乙烯醇和聚乳酸。如果母料颗粒是目标产品，则可以在装袋前将混合物通过制粒模挤压并冷却至传送带上。如果挤压的型材是目标产品，则可以将混合物以其熔融状态转移到多个型材挤压机中，以便随后形成最终的横截面。然后可以冷却并切成一定长度。在某些情况下，对挤压型材的化学成分(例如通过Vis-NIR分析仪)和弯曲强度(例如通过机械挠度测试)进行自动测试可以提供质量控制信息并反馈给去皮系统以调节数量和/或将短切韧皮纤维的长度引入混料系统。在某些情况下，可以通过将此类测试数据与操作条件和原材料属性一起输入ML和KDD技术来确定控制条件。

在一些实施例中，混阶段62的目标产品可以是具有高纤维含量的耐用的、易于分散的纤维混料材料颗粒。然后可以将纤维含量为95％或更高的耐用的、易于分散的颗粒与天然聚合物混合。在母料颗粒为目标产品的情况下，可能希望纤维含量为95％至100％。然而，应当理解，这些母料颗粒的下游处理者可以满足任何其他百分比的纤维含量，例如50％(或更高)。

现在参考图3，其中示出了根据实施例的用于去皮处理的控制器100。

控制器100可以在合适的计算设备上执行；例如，台式计算机、膝上型计算机、微控制器、可编程逻辑控制器、现场可编程门阵列、服务器等。

图3示出了控制器100的实施例的各种物理和逻辑组件。如图所示，控制器100具有多个物理和逻辑组件，包括中央处理单元(“CPU”)110、随机存取存储器(“RAM”)104、输入接口106、输出接口108、非易失性存储器112和使CPU 110能够与其他组件通信的本地总线114。在某些情况下，控制器100还包括网络接口110，以经由诸如局域网或因特网的网络与其他设备通信。CPU 110执行操作系统以及各种模块120，如下文更详细地描述。RAM 104向CPU 110提供相对响应的易失性存储器。输入接口106使管理员或用户能够经由输入设备(例如，键盘和鼠标)提供输入。输出接口108将信息输出到输出设备，例如显示器和/或扬声器。非易失性存储器112存储操作系统和程序，包括用于实现操作系统和模块的计算机可执行指令，以及这些服务使用的任何数据。在控制器100的操作期间，可以从非易失性存储器112检索操作系统、模块和相关数据，并将其放置在RAM104中以促进执行。

附加的存储数据可以存储在数据库116中。在实施例中，数据库116可以存储与去皮处理有关的各种数据。作为示例，这样的数据可以包括以下中的任意一个或多个：运营数据、与客户相关的数据和运营管理数据。

运行数据可以包括例如：

o货运卡数据；

o缩放票证数据；

o包/批次/装载质量信息(例如，化学成分、含水量、浸渍程度)；

o SCADA系统信息(例如，现场仪器和过程集成的高级传感器)；

o操作员日志表；和

o质量保证/质量控制测试数据。

与客户有关的数据可以包括例如：

o订单数量；

o产品规格；

o应收账款；

o订单周期；和

o必须收到日期订单。

运营管理数据可以包括例如：

o生产计划；

o供应管理(例如，采购、物流、库存)；

o产品管理(例如，库存、物流)；

o财务；

o人力资源；和

o销售和营销。

在实施例中，如下文更详细地描述，控制器100包括各种模块120；包括数据科学模块122和控制模块124。在某些情况下，各种模块120中的一些或全部可以组合在一起，可以在服务器侧设备上远程执行，也可以在系统200的其他组件上执行(如下所述)。在一些情况下，各种模块120中的一些或全部可以在诸如CIM服务器640的服务器侧CIM设备上远程执行(如图6-10所示)。

图4示出了根据实施例的用于去皮处理的系统200。系统200包括与一个或多个分析仪202、切割单元204、打开单元206、去皮机208、打包机210、粉碎机212、混料机214和混合单元216通信的控制器100。在实施例中，控制模块124通过向系统200的其他组件提供指令并从系统200的其他组件接收反馈来协调和/或控制去皮处理。

在某些情况下，分析仪202可以包含一个或多个传感器。在进一步的实施例中，系统200的一些或所有组件可以彼此直接通信。

现在参考图5，其中示出了根据实施例的用于去皮处理的方法300。

在框302处，输入接口106用于接收与一个或多个大麻输入单元有关的关联信息。在某些情况下，输入单元可以是输入包、输入批次、输入卡车等。为了本公开的目的，将输入单元描述为输入包。这些通常是带入处理设施的大麻单元。关联信息可以包括，例如，负载重量、田间位置、作物品种/年份、涉及到包的生长、包扎、打包、装载或运输的包的名称、包的存储位置、识别包的供应商的包编号(将系统定向到有关该农民及其农作物的数据)等。

在框304处，一个或多个分析仪202分析输入包。在特定情况下，这种分析包括称重、采样和/或扫描。在某些情况下，分析仪202可以是Vis-NIR光谱仪。在某些情况下，分析仪202可以是例如定位内部岩石或金属碎片的密度计。在某些情况下，分析仪202可以是用于测量水分含量的湿度计。在某些情况下，分析仪202可以是光学扫描仪，用于测量例如被处理的茎杆的直径。分析仪202可以将分析的结果传送到控制器100，以与数据库116中的每个特定包链接。分析数据可以传送到数据科学模块122，如本文所述。

在某些情况下，对输入包的分析包括确定包的化学组成；例如，确定韧皮百分比、芯内纤维百分比和/或其他成分的百分比。在某些情况下，对输入包的分析包括确定浸渍程度；例如，确定功耗和/或潜在的韧皮纯度。在某些情况下，对输入包的分析包括确定水分含量；例如，确定潜在的功耗和/或潜在的纤维长度。在某些情况下，可以根据上面确定的质量对包进行分类和分离，以供以后根据特定用途进行选择。

例如，当控制模块124要求纯度为98％且纤维长度为1.25”的纺织级韧皮纤维时，控制模块124或控制器100的另一个元件将访问数据库116，以查看什么材料(例如堆垛场中的材料)最适合于制造该产品，以及最适合同时制造哪种芯内纤维产品，以最大程度地提高系统获利能力，以及如何最佳配置所有处理系统以最大程度地减少不合格的材料。在示例中，纺织级韧皮纤维通常应被一致地浸渍，这可能排除了相应的芯内纤维的某些应用(例如，马褥)。这样，控制模块124就不能在运行(例如纺织品)时生产这种其他应用。在另一个示例中，如果接收到需要快速填充的大型纺织品订单，则由于吞吐量原因可能要预先准备好纤维素含量高(表示韧皮含量高)的一致浸渍的包。这种材料通常会产生较少的芯内纤维，因此在开始去皮处理之前，必须降低基于芯内纤维的生产量，或者必须增加芯内纤维库存。

在框306处，切割单元204切割包，例如，如本文关于破损阶段54更详细描述的。

在框308处，打开单元206打开包，例如，如本文关于破损阶段54更详细描述的。

在框310处，去皮机208在打开的包上执行去皮，例如，如本文关于去皮阶段56更详细描述的。

在框311处，在某些情况下，控制器100可以输出散装产品。例如，可以输出芯内纤维、去皮粉尘、打包的提纯粉尘或打包的短纤维中的一种或多种。

在框330处，打包机210将工艺纤维压实成包，例如，如本文关于纤维打包阶段58更详细描述的。在一些情况下，一个或多个分析仪202例如，使用Vis-NIR分析仪可分析浸渍程度、包的化学成分和/或湿度。可以将这种分析供给到数据科学模块122中，以进行反馈过程控制和/或针对产品特定用途的秸秆选择。在某些情况下，将执行所有包数据的收集，以便可以使用该数据控制单个包的选择和处理，以实现特定的产品结果。在框332处，然后可以根据需要清洁打包的韧皮。

在一些情况下，如本文所述，混合单元216可以将芯内纤维、短纤维和切割的韧皮混合成由控制模块124确定的比例。

在框312处，如在此所述，可以将在310处从去皮输出的韧皮切割成期望的或指定的长度。切割的韧皮以及在框310处去皮的其他输出、芯内纤维、提纯粉尘和短纤维一起在框314处被输送到粉碎机212。

在框314处，例如，粉碎机212粉碎和筛选芯内纤维和/或韧皮，如本文中关于粉碎阶段60所更详细描述的。在某些情况下，一个或多个分析仪202可以例如使用图像分析仪分析芯内纤维的粒度分布。可以将这种分析供给到数据科学模块122中，以进行反馈过程控制和/或质量保证/质量控制。在一些情况下，一个或多个分析仪202可以例如对于芯内纤维使用Vis-NIR分析仪或对于韧皮使用连续弯曲分析仪来分析粉碎的芯内纤维和/或韧皮的化学组成。可以将这样的分析供给到数据科学模块122中，以用于去皮过程的反馈控制以达到目标纯度，用于切割单元204的前馈控制以达到目标弯曲强度，和/或用于特定产品用途的秸秆选择。

通常，弯曲强度将与韧皮长度和韧皮含量成比例。可能的最低强度是仅存在粉碎的芯内纤维时。必须了解完整的产品规格，以优化芯内纤维的几何形状，从而影响粘合面积和堆积密度。

在框316处，例如，如本文中关于混料阶段62更详细所述的，混料机214将粉碎的材料与热塑性聚合物混合成包含均匀外观和组成的颗粒或挤压形状的最终产品。在某些情况下，一个或多个分析仪202可以分析挤压材料的弯曲强度；例如使用弯曲测试仪。可以将这种分析供给到数据科学模块122中，以对切割单元204进行反馈控制，以达到目标弯曲强度和/或质量保证/质量控制。在实施例中，可以通过增加韧皮含量或增加韧皮长度来达到目标弯曲强度或质量控制。

在某些情况下，在框318处，数据科学模块122从操作员或用户输入的输入接口106接收日志信息。

在框320处，数据科学模块122使用训练数据来构建机器学习模型，该训练数据包括来自一个或多个分析仪202和/或输入接口106的数据。机器学习模型构建最终产品的特征、输入包的特征和/或操作条件之间的相互关系。在框322处，一旦机器学习模型足够成熟，已经接收到足够的训练数据，则控制模块124就可以使用机器学习模型基于相应的输入包和操作条件的特征来预测成分的特征或最终产品的特征。在某些情况下，这样的特征可以包括预期的最终产物产量、最终产物的质量以及生产最终产物所需的时间。

在特定情况下，可以使用有监督学习技术来开发机器学习模型。有监督学习技术通过从示例数据集中学习输出和输入要素之间的关系和依存关系来生成模型。用于训练有监督机器学习模型的数据集包括带标签的示例，在这些示例中的输入和所需输出是事先已知的。在某些情况下，使用的有监督学习技术包括，例如，最近邻、朴素贝叶斯、决策树、线性回归、支持向量机(SVM)、神经网络。

在另一种情况下，可以使用无监督学习技术来开发机器学习模型。可以使用未标记的数据来训练无监督模型。这些技术检测模式以计算与其他数据点的相似性(或不相似性)指标，并对数据点进行汇总或分组，以提供有意义的数据见解。在某些情况下，使用的无监督学习技术例如包括k-均值聚类、分层聚类、生成对抗网络和自动编码器。

在其他情况下，可以使用半监督学习技术来开发机器学习模型。半监督技术介于有监督技术和无监督技术之间。半监督学习的输入数据主要是未标记的，但包含小的示例标记集，其可作为引导和成长集群的“种子”。在某些情况下，使用的半监督学习技术包括生成模型、转导SVM和基于图的方法。

在某些情况下，可以使用强化学习技术来开发机器学习模型。强化学习技术通常是不监督的或无监督的。强化学习技术试图在特定的上下文中确定理想的响应，以通过回馈迄今学到的模型来最大化其性能，从而通过从错误中学习来进一步改进。强化学习并不严格依赖用于学习的标记数据集的集合。相反，它依赖于能够监测所采取行动的响应并根据奖励的定义进行测量。在这方面，可以将其视为通过探索学习。在某些情况下，使用的半监督学习技术例如包括动态编程、Q学习、时差和深度对抗网络。

在特定情况下，机器学习模型可以是回归类型的模型，例如，线性回归、逻辑回归、多项式回归、逐步回归、岭回归、套索回归、ElasticNet回归、基于多层感知器的回归、偏最小二乘回归、回归树和支持向量机回归。选择的回归模型可能取决于自变量的数量、回归线的形状和因变量的类型。用于模型的初始训练数据可以包括在控制器100的开发的工程阶段期间完成的实验室测试。在这种情况下，可以在启动/调试期间，并且在某些情况下，在通过并发现场传感器测量和实验室分析来确定此处描述的输出属性的初始阶段(例如3个月)生成训练数据。这样，可以将来自在传感器位置获得的手动样本的带有时间戳的实验室数据手动输入到数据库中，作为“参考”、“地面真相”或“校准”点。

在某些情况下，可以使用机器学习模型的集合，例如多种回归技术或同时运行的其他技术。集合可以是同构的或异构的。同构集合包括多个相同机器学习类型的分类器(例如，多个支持向量机)。同构集合中的每个模型可以具有不同的参数值，并且可以使用训练集中样本的不同子集进行训练。异构集合包括属于多种机器学习技术的多个模型；例如，回归模型、K均值聚类和SVM。可以在相同的训练数据上或在训练数据的不同子集上训练异构集合中的模型。如果异构集合中存在多种机器学习技术，则可以在仅对该实例唯一的一些样本上训练该多样性的每个实例。

在框324处，控制模块124可以使用机器学习模型来调整系统200的其他组件的一个或多个方面，以获得所需的最终产品。例如，调整切割单元204的切碎长度或调整去皮机208的去皮机速度。在特定情况下，如果必须增加弯曲强度，但韧皮库存不足(例如，由于材料的韧皮含量较低)，则切碎长度会增加。如果打包机光谱传感器指示纯度低，但水分含量在目标范围内，则可以提高去皮机的速度以提高清洁度。

图6示意性地示出了根据实施例的示例性去皮方法400中的材料流动。初级去皮机411从已经将秸秆切割成指定长度的秸秆切割器410获得秸秆(例如，用于去皮的原材料，也称为茎或茎秆)。初级去皮机411将秸秆分成韧皮和芯内纤维，留下粉尘作为潜在可用的副产品。初级去皮机411将粉尘送至粉尘大容量存储器，将韧皮送至次级去皮机412，然后将芯内纤维送至芯内纤维清洁器421。次级去皮机进一步将秸秆分为韧皮和芯内纤维，将粉尘留作潜在可用的副产品。次级去皮机412将粉尘送至粉尘大容量存储器，将韧皮发送至初级清洁器413，并将芯内纤维送至芯内纤维清洁器421。初级清洁器413对韧皮进行清洁，分离出一些残留的芯内纤维并将粉尘留作潜在可用的副产品。初级清洁器413将粉尘送至粉尘大容量存储器，韧皮送至次级清洁器414，芯内纤维送至芯内纤维清洁器421。次级清洁器414清洁韧皮，分离出更多残留的芯内纤维，并将粉尘留作潜在可用的副产品。次级清洁器414将粉尘送至粉尘大容量存储器，将韧皮传送至切割器415，并将芯内纤维送至芯内纤维清洁器421。切割器415切割韧皮。切割器415将例如大部分的切割的韧皮的第一部分送至打包机417，并且发送例如的切割的韧皮的其余部分的第二部分以被重新混合416到芯内纤维中以改善机械性能。可以通过每种成分的体积计量完成重新混合，由此韧皮含量更高或韧皮纤维更长通常会提高机械性能。在某些情况下，打包机417打包韧皮并将韧皮送至仓库。

在该示例性方法中，芯内纤维清洁器421接收各种长度和清洁度的芯内纤维。芯内纤维清洁器421清洗芯内纤维以去除短韧皮纤维。芯内纤维清洁器421将清洁的芯内纤维送至粉碎机431，并将任何短韧皮纤维送至短韧皮纤维存储箱422。短韧皮纤维存储箱422将例如大部分短韧皮纤维的第一部分送至打包机424和发送例如短韧皮纤维的其余部分的第二部分以被重新混合423到芯内纤维中以改善机械性能。在某些情况下，打包机424打包短韧皮纤维并将韧皮送至仓库。

在该示例性方法中，粉碎机431接收清洁的芯内纤维、重新混合的长韧皮纤维和重新混合的短韧皮纤维(一起称为“三种材料”)。粉碎机431将三种材料一起粉碎成粉末状。粉碎机431使用分散剂441将粉末造粒。分散剂441可以是液体，并且与随后的混料中使用的天然聚合物相容。粉碎机431将颗粒送至颗粒磨机451。颗粒磨机451将颗粒送至颗粒大容量存储器/装袋。

在去皮过程中，可能会进行边角料、踢脚板、外壳、模制件和其他此类产品的混料和型材挤压。可能还会对挤压型材进行连续的机械测试，以及控制短韧皮纤维和长韧皮纤维的添加的反馈。

在机械测试的示例中，可以使用连续动态弯曲测试仪1200，如图12A和图12B所示。弯曲测试仪1200可以对具有固定几何形状的轮廓的材料1208(例如从挤压线的末端出来的材料)执行测试。材料1208横穿三个辊、两个下部固定辊1206和一个上部可移动辊1204，如方向箭头1210所示。每个辊之间的水平距离是已知的。上辊1204可沿垂直轴移动。机械定位器1201机械地连接到上辊1204，并且在测试过程中，在上辊1204上施加向下的力，直到其达到预定的“梁偏转”距离1210为止。在机械定位器1201和上辊1204之间是载荷传感器1202。对于一定的“梁偏转”距离1210，由载荷传感器测量的力与材料的弯曲强度成比例。在这种情况下，如果力高于期望阈值，则控制模块124可以减少韧皮含量或减少长度，反之亦然。

图7示意性地示出了根据实施例的在示例性去皮系统中的输入阶段的示例性生产流程500。在这种情况下，生产流程500的各个元件可以通过数据网络510进行通信。在生产流程500中，将茎杆包(例如，在其上面已经标有单独的ID号)带入工厂并放置在送料传送器520上。包扫描和采样系统531识别与给定包相关联的加标签的ID，以便可以在控制器100中的整个处理过程中跟踪其成分材料。从输入的包中获得采样，如在此描述的，例如Vis-NIR数据、湿度探头数据、气压探头数据。数据科学模块122可以使用该采样数据将最终输出特征与给定包的输入采样特征相关联。然后，可以使用此输入数据来训练机器学习模型以预测输出特征。采样可以包括将机械探针插入到包的中间以提取芯样品。Vis-NIR扫描仪可以检查芯样本以确定茎杆包内的纤维的相对质量。包扫描和采样系统531可以包括其自身的AI模块或连接至外部AI模块，例如数据科学模块122。系统中可能还内置有水分扫描仪，使得，如果传感器指示包中的水分过高，则整个系统将自动降低速度，以避免撕裂茎杆纤维。

质量信息被标记在包的ID号上，以便在整个库存和生产过程中进行跟踪/追溯。标记可以是例如条形码、RFID芯片等。在控制模块124的示例中，CIM服务器540可以用于确定何时要制造某些产品。然后，CIM服务器540可以扫描库存系统以“发现”哪些包被“预测”为最适于为期望的输出提供最合适的茎杆质量。一个或多个人工智能模块550(数据科学模块122的每个部分)可以用于生成预测。在一些情况下，CIM服务器540可以是其自己的模块或控制器100的组件。

去皮传感器571监测去皮设备561(例如，泵、电动机、驱动器等)的操作指标，以监测生产和材料处理设备，以便中断去皮设备561中可能引起瓶颈、堵塞生产线或导致生产线关闭的任何问题。去皮传感器571可以经由蓝牙(或其他合适的)连接连接到CIM服务器540。去皮设备561可以产生韧皮580和芯内纤维590。

图8示意性地示出了根据实施例的在示例性去皮系统中的韧皮生产阶段的示例性生产流程501。在生产流程501中，材料经过去皮设备561，并部分转换为韧皮580。包中指示的质量水平可以指导韧皮纤维长度的输出，由自动切割机562制备(例如，皮埃罗切割机)，在某些情况下，它可以定制具有优化功能的自动韧皮切割设备。在某些情况下，根据韧皮的用途，对于低质量的输入材料，韧皮可以切短，对于高质量的输入材料，可以将韧皮切成长的长度。质量通常取决于输出的产品。例如，对于纺织品，高品质可以是具有高纤维素的良好浸渍的材料，对于动物寝具，高质量可以是具有低纤维素的未被浸渍的材料。在示例中，长的长度可以在6-8英寸之间，而短的长度可以在1英寸以下。

韧皮扫描和采样系统532可以在将韧皮580传送到自动切割机562之前对其进行扫描。切割机传感器572监测自动切割机562的操作指标。切割机传感器572可以通过蓝牙(或其他合适的)连接连接到CIM服务器540。第二传感器572可以是例如重量传感器、液位指示器、电动机负载、弯曲测试仪(E/IM)、温度传感器、压力传感器或任何过程传感器。自动切割机562将切割的韧皮递送到自动打包机563，其更一般地可以是韧皮包扎单元。打包机562可以是例如纸板打包机、垂直或水平装袋线等。打包扫描系统533可以扫描韧皮包的内容。打包扫描系统533可以利用嵌入在自动打包机563压缩头中的Vis-NIR扫描仪：每次其压下以压缩包时，头中的Vis-NIR单元被触发并扫描包捆上的顶部的一行韧皮。韧皮扫描和采样系统532和打包扫描系统533中的每一个(或两者)可以包括其自身的AI模块，或者可以连接至诸如数据科学模块122的外部AI模块。CIM服务器540与去皮设备561通信，并从韧皮扫描和采样系统532和/或打包扫描系统533接收扫描数据。

图9示意性地示出了根据实施例的在示例性去皮系统中的芯内纤维生产阶段的示例生产流程502。在生产流程502中，材料经过去皮设备561，并部分转化为芯内纤维590。混料机/造粒机564将芯内纤维590混料和/或造粒。所得的生物颗粒可以存储在生物颗粒存储料仓565中。一些或全部生物颗粒被输送到挤压机/注塑成型机566。一个或多个芯内纤维传感器573(在该示例中在三个芯内纤维传感器573a、573b和573c处示出)在芯内纤维处理的不同位置处监控指标。芯内纤维传感器573可以经由蓝牙(或其他合适的)连接连接到CIM服务器540。例如，第一芯内纤维传感器573a可监测混料机/造粒机564的操作指标，第二芯内纤维传感器573b可监测生物颗粒存储料仓565的操作指标，而第三芯内纤维传感器573c可监测混料机/注塑成型机566的操作指标。CIM服务器540直接或通过数据网络510与去皮设备561、混料机/造粒机564、生物颗粒存储料仓565和/或挤压机/注射成型机566通信。

在一些实施例中，扫描系统531、532、533可以是例如3D扫描系统(例如，确定内部纤维特征)；OTC扫描仪；或光学扫描仪(例如，确定形状和尺寸)。也可以使用执行类似或互补功能的其他合适的扫描系统。在一些实施例中，传感器可以是光密度计(例如，用于测量整个包或茎杆的密度)。湿度计(例如测量包或茎杆中的水分含量)；或光子传感器。也可以使用执行类似或互补功能的其他合适的传感器。

图10示意性地示出了根据一个实施例的示例性去皮系统中的示例性逻辑流程600。逻辑流程600示出了AI模块650与其他考虑相结合以做出实时处理决策的各种考虑。AI模块650是数据科学模块122的一部分。基于作为控制器100一部分的CIM服务器640获得和处理的信息，可以将手动数据输入620与第一扫描数据631组合以达到包属性660。如果属性660满足生产要求(例如，馏分收率，产量和产品质量)，则将其选中。手动数据输入620(可以提供农民文件的基础)包括输入为用于产率分析的数据的变量。变量可以包括例如注册号，使用的品种，种植和/或收获的日期，灌溉历史，施肥历史以及每包的平均产率。第一扫描数据631可以包括例如ID号和污染物信息(可以从中得出初步的纤维顺序匹配)。包目的660可以是例如包中的期望的，预期的或预测的纤维质量(例如，优质，基本等)。第二扫描数据632可以包含关于预切韧皮的特征的信息。第三扫描数据633可以包含关于打包的芯内纤维的特征的信息。第三扫描数据633提供与质量控制662有关的信息，然后将其传送到CIM服务器640。来自系统中各种传感器的传感器数据670被传送到CIM服务器640。传感器数据670可以包含有关以下信息：例如，去皮设备，自动切纸机，自动打包机，混料机/造粒机，生物颗粒储料仓，挤压机和注塑机的操作。

CIM服务器640具有一个或多个文件-处理这些文件以使去皮系统的功能自动化。这些文件可以包括例如农民文件641，设备文件642，客户文件643，生产文件644，未完成订单文件645和趋势/统计文件646。农民文件641通过跟踪处理的每包草的产率和污染物来保持对秸秆的质量的运行控制；并提供了农民供应的可追溯性。设备文件642监测电动机，泵和阀门，以预见操作问题；自动控制生产；自动化维护计划；并存储数据以实现基于AI的机器学习。客户文件643监测每个订单，以确保根据对客户的承诺(相对于特定的客观质量标准)(诸如交货时间、订单数量和承诺的交货日期)完成订单。生产文件644基于例如以下自动计划生产调度：(a)匹配来自扫描的输入包的输出以匹配质量需求；(b)按时完成100％质量控制的订单。未结订单文件645实时监测生产，并对照其主文件标准检查各个客户订单，以确保满足要求的结果和交货日期。趋势/统计文件646监测市场趋势和价格，以基于历史趋势和统计机会为短期库存生产处理更期望的有价值和优选的产品。AI模块650可以使用“自上而下，自下而上”的问题解决过程；他们记录并分析所有过去的生产变量及其结果“值”，以便“预测”未来的生产结果。作为数据科学模块122的一部分，A1模块650可以建立和使用机器学习模型来获得预测。

在一些实施例中，CIM服务器640在生产的不同阶段或甚至在每个阶段内使用其一些或全部文件。当输入的茎秆被传送到去皮设备561时，这些文件包括例如：农民文件641(用于质量和产率)、设备文件642(用于维护和生产率)、客户文件643(用于规格、条款、和数量)、生产文件644(用于计划的输出)、未完成订单文件645(用于基于更改的调整)和趋势/统计文件646。当将切割的韧皮交付给自动打包机563时，这些文件包括例如：农民文件641(用于质量和产率)、客户文件643(用于规格、条款和数量)、生产文件644(用于生产)和趋势/统计文件646。当混料的/成颗粒的芯内纤维被传送到生物颗粒存储料仓565，这些文件包括例如：农民文件641(用于质量监测和茎杆产率)，设备文件642(用于生产和设备监测/控制)、客户文件643(用于规格和订单)、生产文件644(用于生产计划和调度)以及趋势/统计文件646。当生物颗粒被传送到挤压机/注塑机566时，这些文件包括例如：设备文件642(用于维护和生产率)、客户文件643(用于规格、条款和数量)、生产文件644(用于计划的输出)、未结订单文件645(用于基于更改的调整)以及趋势/统计文件646。

有利地，作为示例，系统200可以基于期望的产品规格或订单量来优先选择输入包。作为另一示例，可以基于期望的韧皮纯度要求和/或最终用途来选择输入包。在示例性情况下，可以通过接收一个或多个订单，选择根据机器学习模型以最低成本生产出最佳产品的原材料，选择所有部分的产率，寻找可以填充非目标部分的订单，然后开始去皮处理。

作为示例，一个或多个分析仪202可以用于分析粉碎的芯内纤维，以通过化学组成分析来确认芯内纤维纯度。此类分析可用于关闭成分质量平衡(结合对秸秆包和干净的韧皮产品的Vis-NIR分析)，用作与其他分析仪202的校准交叉检查。

作为示例，使用数据科学模块122的分析，系统200可以确定在挤压产品中需要多少切割的韧皮纤维以实现弯曲强度目标。因此，对于限定的挤压横截面，弯曲强度通常是韧皮含量、韧皮纤维长度、粉碎的粒度和挤压部分中树脂含量的函数。

作为另一示例，基于由一个或多个分析仪202对挤压部分进行的连续偏转测试(偏转距离和载荷)，使用连续弯曲测试，控制器100可以控制韧皮含量。通常，如果弯曲强度在控制限制之外波动，则韧皮含量被调整。

作为另一示例，基于由一个或多个分析仪202对挤压部分进行的连续偏转测试(偏转距离和载荷)，使用数据科学模块122的分析，系统200可以调整切割单元204的切段长度以控制弯曲强度。

作为另一示例，数据科学模块122可以针对输出纤维的期望特征来预测输入茎杆的水分相对较高。这种类型的预测可能是标准模型预测控制的一部分，可能由KDD告知。因此，控制模块124可以指示系统200的组件，例如去皮机208，降低它们各自的吞吐速率，例如放慢进给速率和/或锯切速度。这样可以确保从茎秆中处理的纤维不会因为处理得太快了撕裂纤维而被“损坏”。

作为另一示例，数据科学模块122可以使用机器学习模型来外推来自一个或多个分析仪202在去皮处理的不同阶段的数据之间的相关性，以概念化最终产品的特征，例如，具有一定的重量、强度等。在特定情况下，操作系统将生成数据，这些数据将构成机器学习模型(例如，基于回归的模型)的基础。对于基于回归的模型，可以根据输入材料的输入特征外推回归曲线以预测去皮处理的输出。在特定情况下，操作到外推区域中可以因此生成不再外推的新数据。多次重复此方法可能会导致发现新的材料功能以及可能的新产品。

在一些实施例中，可以使用各种数据科学或机器学习技术。由监督或无监督的数据科学模块122旨在使用从一个或多个分析仪202接收的数据来优化去皮处理的特定方面。在这种情况下，接收到的数据表示训练集，数据科学模块122在训练集上使用该训练集来提炼机器学习模型，控制模块124会使用该训练集来控制去皮处理的组件。数据科学模块122可以使用多种机器学习方法。例如，数据科学模块122可以使用长期短期记忆(LSTM)神经网络GPNet或其合适的替代方法来有效地改进去皮处理的特定方面。当数据库116不包含数据或包含很少数据时，数据科学模块122可以从有限的监督模型开始，然后随着数据库116增长而移至非监督模型。训练集可以在启动期间生成，并且可以通过实验室分析得到证实，以备份高级传感器(例如Vis-NIR)。

在一些实施例中，一个或多个分析仪202可以在空气处理系统中包括湿度传感器探针，以允许控制器100在去皮之前控制水分。在一些实施例中，一个或多个分析仪202可以包括传感器，以确定去皮机208的电动机负载，以允许控制器100在去皮之前控制水分。在一些实施例中，一个或多个分析仪202可以在产品存储箱中包括负载传感器，以允许控制器100控制成分的产量。在一些实施例中，一个或多个分析仪202可以包括传感器，以确定打包机210的液压柱塞的压力和/或位置，以允许控制器100监测和调节纤维细度。在一些实施例中，一个或多个分析仪202可以包括传感器，以确定打包机210的包重量，以允许控制器100监测和调节纤维细度。在一些实施例中，一个或多个分析仪202可以包括传感器，以确定包的表面上的空气背压和/或流速，以允许控制器100监测纤维细度。数据科学模块122可以将由一个或多个分析仪202获得的数据链接到原材料属性，这可以帮助CIM使用例如KDD和自动调整模型预测控制(MPC)来基于那些参数更好地选择材料。在另外的实施例中，在去皮处理的各个阶段的其他传感器可以被包括作为一个或多个分析仪202。

有利地，本文描述的实施例可以用于自动化生产计划和调度。使用预测的输出，系统200可以基于未结订单、承诺的交货日期、原材料和其他生产输入的可用性、输入和产品的市场价格、历史和合同客户需求和期望来执行实时统计分析。例如，客户可以例如通过在线门户网站提供最终产品的所需规格，并接收预计的价格和完成日期。有利地，系统200可以允许“及时”的生产计划和执行。因此，减少与存货(其占用资金和生产时间，显着影响毛利率)相关的成本，实际上消除了旧的或损坏的货物，处理成本以及进行清仓销售的需要。同样有利地，系统200允许从接收到成品的材料可追溯性。此外，系统200允许包括原材料、处理中和成品测试的完整质量数据集以及完整过程操作数据。以这种方式，系统200提供了生成每个订单的分析证书(C ofA)的能力。

通过将机器学习技术应用于由系统200生成的分析仪202数据，去皮处理可以越来越多地实现自动化，从而减少了人工干预的要求，并最终提高了最终产品的效率和准确性。

本发明的上述实施例旨在作为本公开的示例，并且在不脱离本公开的范围的情况下，本领域的技术人员可以对其进行变更和修改，而本公开的范围不单独被所附的权利要求书限定。例如，所讨论的实施例可以全部或部分地变化和组合。

Claims (13)

1.一种用于对双子叶植物农业生物质的一个或多个输入单元进行去皮处理的方法，所述方法包括：

利用光谱传感器产生光谱分析数据以分析所述输入单元的一个或多个特征；

使用训练好的机器学习模型将光谱分析数据作为输入，并以去皮后农业生物量的预测化学成分作为输出，所述预测化学成分包括至少一种纤维素、半纤维素、木质素、木质素、提取物和灰分，所述机器学习模型使用采样数据包括样品单元分析和相应的测量化学成分分析；

将所述输入单元切割成预定尺寸，其中所述预定尺寸是基于预测化学成分而确定的；

打开所述切割的输入单元；

去皮所述打开的输入单元以将所述打开的输入单元分成多个成分，所述成分包括韧皮、短纤维、芯内纤维和粉尘；

将所述韧皮切成一个或多个长度；

混合所述芯内纤维、切割的韧皮和短纤维；

粉碎混合物；以及

将所述混合物与热塑性聚合物混合成最终产品，所述最终产物是一种生物复合产物，包括与热塑性聚合物结合的共混物。

2.根据权利要求1所述的方法，还包括：选择用作未来用作后续输入单元的材料。

3.根据权利要求1所述的方法，还包括识别具有短韧皮纤维的韧皮，并且将所识别的韧皮重新混合进芯内纤维中以获得芯内纤维、韧皮切片和短纤维的混合物。

4.根据权利要求1所述的方法，还包括通过使用动态弯曲分析仪对所述最终产品进行机械测试来确定所述最终产品的机械性能。

5.根据权利要求1所述的方法，其中由所述经过训练的机器学习模型进行的估计包括基于样本的一个或多个特征，使用数据库中的知识发现(KDD)。

6.根据权利要求1所述的方法，还包括在打包机液压单元的冲程处用光谱传感器测量韧皮纤维纯度以作为一个或多个样本特征。

7.根据权利要求3所述的方法，其中，所述芯内纤维、韧皮切片和短纤维的混合物具有超过50％的短纤维含量。

8.一种用于对双子叶植物农业生物质的一个或多个输入进行去皮处理的在计算设备上执行的控制器，所述控制器包括至少一个处理单元和数据存储器，所述至少一个处理单元与所述数据存储器通信并被配置为执行：

数据科学模块，用于：使用训练的机器学习模型将光谱分析数据作为输入，并估计去皮后农业生物量的化学成分作为输出，化学成分包括纤维素、半纤维素、木质素、提取物和灰分，训练的训练数据包括从样本单元分析的光谱分析数据和相应的样本单元的化学成分；和

控制模块，用于：

从传感器接收一个或多个所述输入单元的一个或多个特征，所述传感器包括用于产生光谱分析数据的光谱传感器；

指示切割单元将一个或多个所述输入单元切成预定尺寸，其中所述预定尺寸是基于预测化学成分而确定的；

指示打开单元打开所述切割的一个或多个输入单元；

指示去皮机对一个或多个打开的输入单元进行去皮，以将一个或多个打开的输入单元分成多个成分，所述成分包括韧皮、短纤维、芯内纤维和粉尘；

指示混合单元混合芯内纤维、短纤维和切割的韧皮；

指示粉碎机粉碎所述芯内纤维和韧皮；

指示混料机将粉碎的芯内纤维和韧皮与热塑性聚合物混合成最终产品，所述最终产物是一种生物复合产物，包括与热塑性聚合物结合的共混物。

9.根据权利要求8所述的控制器，其中，其中所述控制器还选择用做未来输入单元的材料。

10.根据权利要求8所述的控制器，其中，所述控制模块还接收具有短韧皮纤维的韧皮的识别信息，并指示将所识别的韧皮重新混合进芯内纤维中以获得芯内纤维、韧皮切片和短纤维的混合物。

11.根据权利要求8所述的控制器，还包括通过动态弯曲分析仪从所述最终产品的机械测试中接收所述最终产品的机械性能。

12.根据权利要求8所述的控制器，其中，其中由所述经过训练的机器学习模型进行的估计包括基于样本的一个或多个特征，使用数据库中的知识发现(KDD)。

13.根据权利要求8所述的控制器，还包括在打包机液压单元的冲程处用光谱传感器测量韧皮纤维纯度以作为一个或多个样本特征。

Images