CN111427322B - 一种基于机器学习算法的制丝烘丝筒冷却水分智能控制系统 - Google Patents
一种基于机器学习算法的制丝烘丝筒冷却水分智能控制系统 Download PDFInfo
- Publication number
- CN111427322B CN111427322B CN202010311649.0A CN202010311649A CN111427322B CN 111427322 B CN111427322 B CN 111427322B CN 202010311649 A CN202010311649 A CN 202010311649A CN 111427322 B CN111427322 B CN 111427322B
- Authority
- CN
- China
- Prior art keywords
- data
- drying cylinder
- intelligent control
- matrix
- module
- 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
- 238000001035 drying Methods 0.000 title claims abstract description 138
- 238000001816 cooling Methods 0.000 title claims abstract description 36
- 238000010801 machine learning Methods 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 59
- 230000008569 process Effects 0.000 claims abstract description 53
- 238000004088 simulation Methods 0.000 claims abstract description 28
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 238000012800 visualization Methods 0.000 claims abstract description 13
- 241000208125 Nicotiana Species 0.000 claims description 84
- 235000002637 Nicotiana tabacum Nutrition 0.000 claims description 84
- 239000011159 matrix material Substances 0.000 claims description 76
- 238000003384 imaging method Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 11
- 230000009471 action Effects 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 5
- 230000018044 dehydration Effects 0.000 claims description 5
- 238000006297 dehydration reaction Methods 0.000 claims description 5
- 230000008030 elimination Effects 0.000 claims description 5
- 238000003379 elimination reaction Methods 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 235000017166 Bambusa arundinacea Nutrition 0.000 claims description 2
- 235000017491 Bambusa tulda Nutrition 0.000 claims description 2
- 244000082204 Phyllostachys viridis Species 0.000 claims description 2
- 235000015334 Phyllostachys viridis Nutrition 0.000 claims description 2
- 239000011425 bamboo Substances 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims description 2
- 238000009826 distribution Methods 0.000 claims description 2
- 230000007613 environmental effect Effects 0.000 claims 2
- 238000004519 manufacturing process Methods 0.000 description 45
- 239000000498 cooling water Substances 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 235000019504 cigarettes Nutrition 0.000 description 3
- 238000005094 computer simulation Methods 0.000 description 3
- 238000000265 homogenisation Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 239000002585 base Substances 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 230000006837 decompression Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000004886 process control Methods 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 239000003513 alkali Substances 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 239000000945 filler Substances 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 231100000989 no adverse effect Toxicity 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
Images
Classifications
-
- 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]
- G05B19/41875—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 quality surveillance of production
-
- 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
- G05B2219/32368—Quality control
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
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)
- Manufacture Of Tobacco Products (AREA)
- Drying Of Solid Materials (AREA)
Abstract
本发明公开了一种基于机器学习算法的制丝烘丝筒冷却水分智能控制系统，包括数据采集平台和智能控制模型，其中：数据采集平台包括数据采集模块和烘丝筒具象化模型；智能控制模型包括数据预处理模块、智能控制算法网络和仿真虚拟环境模块，数据预处理模块对采集数据进行预处理后输入智能控制算法网络；智能控制算法网络根据预处理的数据生成设备控制状态；仿真虚拟环境模块根据设备控制状态，并采用直接采集数据进行仿真模拟，获得下一时刻的设备控制状态并反馈给智能控制算法网络；智能控制算法网络在需要进行工艺参数调整时，根据设备控制状态生成设备控制指令并经数据采集平台发送至烘丝筒的主控PLC以控制烘丝筒的运行参数调整。
Description
技术领域
本发明属于制丝烘丝筒技术领域，具体涉及一种基于机器学习算法的制丝烘丝筒冷却水分智能控制系统。
背景技术
随着互联网技术、信息数字技术、人工智能技术的迅速进步，智能制造大范围推广成为可能。经过十多年的技术积累，智能制造在全球范围内快速发展，智能制造以新的数字信息技术为基础，结合新的制造工艺和材料，贯穿产品的设计、生产、管理、服务各个环节，是先进制造过程、系统与模式的总称，具有信息深度自感知、优化自决策和精准控制自执行等功能。在智能制造过程中，利用多功能传感器和智能控制系统，设备可以进行自感知、自分析、自决策等智能活动，减少设备响应问题的时间，实时反馈并优化生产物流信息，提升企业生产效率。
滚筒烘丝机用于烟草制丝生产线上对切丝后的叶丝、梗丝进行高温快速烘干，能去除青杂气味和游离碱，使烟丝香气显露，烟味更为醇和。快速干燥，能使叶丝、梗丝具有良好的卷曲度和松散度，提高填充能力。在烟草制丝线生产过程中，烘丝机是重要的设备之一，是保证卷烟内在质量的关键性设备。
叶丝干燥工序是卷烟制叶丝生产过程中的重要工序，主要通过高温环境使回潮后的叶丝迅速蒸发水分，促使叶丝松散，产生一定卷曲，增加叶丝的填充能力，去除叶丝中的部分杂气，以达到满足卷烟生产的技术标准要求。烘丝冷却后水分作为叶丝干燥过程的观测指标，客观反映了加工过程/生产制造的控制水平，是整个制丝过程唯一的行业对标指标。
实际生产过程中，滚筒式烘丝机可通过调整热风风温或者筒壁温度两种模式对烘叶丝水分进行调节，采用调节筒壁温度的方式对烘叶丝水分进行调节。由于烘丝过程控制具有较强的非线性、不确定性和滞后性等特点，再加上烟草本身的性质特殊，使得烘丝过程水分控制变得十分复杂。传统的PID控制存在响应稳态误差大、响应时间长等问题，容易产生干头干尾现象，造成过程损耗增加；生产过程中人工调节筒壁温度存在响应不及时、主观判断失误等风险，(在料头控制过程中较为明显)这些都可能影响烟丝最终品质。
因此，迫切地需要一种制丝烘丝筒冷却水分智能控制方法以实现对烟丝水分的控制，使烟丝水分满足需求。
发明内容
本发明的目的是提供一种基于机器学习算法的制丝烘丝筒冷却水分智能控制系统，实现烟丝生产均质化，减少生产过程的干头、干尾量，提高烟丝出丝率，提升产品质量。
本发明的技术方案为：
一种基于机器学习算法的制丝烘丝筒冷却水分智能控制系统，包括数据采集平台和智能控制模型，其中：
所述数据采集平台包括数据采集模块和烘丝筒具象化模型，所述数据采集模块实时采集烘丝筒运行数据、产品工艺质量数据、产品信息、质量检测数据、工艺规范要求以及设备校正数据，并根据采集数据实时更新烘丝筒具象化模型；
所述智能控制模型包括数据预处理模块、智能控制算法网络和仿真虚拟环境模块，所述数据预处理模块从所述烘丝筒具象化模型获取数据并对数据进行预处理后输入所述智能控制算法网络；所述智能控制算法网络根据预处理的数据生成设备控制状态并发送至所述仿真虚拟环境模块；所述仿真虚拟环境模块根据从所述烘丝筒具象化模型直接获取的数据进行仿真模拟，获得下一时刻的设备运行状态并反馈给智能控制算法网络；所述智能控制算法网络在需要进行工艺参数调整时，根据设备控制状态生成设备控制指令并经所述数据采集平台发送至烘丝筒的主控PLC以控制烘丝筒的运行参数调整。
优选地，所述数据采集模块从烘丝筒的主控PLC上实时采集烘丝筒运行数据和产品工艺质量数据；
所述数据采集模块从烘丝筒对应的业务管理系统中实时采集产品信息、质量检测数据、工艺规范要求以及设备校正数据等信息。
其中，所述烘丝筒具象化模型是根据采集数据构建得到，包含实时采集的采集烘丝筒运行数据、产品工艺质量数据、产品信息、质量检测数据、工艺规范要求以及设备校正数据，根据采集数据的实时变化反应烘丝筒实时运行状态。
其中，所述数据预处理模块对获取数据依次进行数据剔除、数据清洗、数据标定处理。
其中，所述智能控制算法网络包括：
决策控制模块，其由全连接神经网络组成，用于根据预处理后的生成实时数据生成当前时刻的状态空间矩阵，并发送至所述仿真虚拟环境模块，还用于根据从记忆模块获取的一系列空间状态矩阵，预测输出动作矩阵，动作矩阵中包含工艺参数调整时间和调整量，并将动作矩阵输出至所述数据采集平台；
记忆模块，其用于保存所述仿真虚拟环境模块发送的下一时刻的状态空间矩阵。
其中，所述仿真虚拟环境模块包括：
构建模块，用于根据从所述烘丝筒具象化模型直接获取的入口烟丝水分、入口烟丝流量、SIROX水分增量、冷却水分设定值、脱水量设定值、CK干燥因子以及KLD一次减压后蒸汽压力这7种特征数据构建环境特征矩阵；
记忆模块，用于缓存环境特征矩阵和当前时刻的状态空间矩阵；
仿真模块，用于根据所述环境特征矩阵和从所述智能控制算法网络获取的当前时刻的状态空间矩阵进行虚拟环境建模，生成下一时刻的状态空间矩阵并发送至所述智能控制算法网络。
与现有技术相比，本发明具有的有益效果为：
本发明提供的基于机器学习算法的制丝烘丝筒冷却水分智能控制系统可以解决烟草行业内制丝烘丝筒控制过程智能化改造的问题，降低烘丝过程对操作人员的依赖，从而解决人力成本，提高烟丝生产质量的均质化，减少生产过程的干头、干尾量，提高烟丝出丝率，提升产品质量。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动前提下，还可以根据这些附图获得其他附图。
图1是实施例提供的基于机器学习算法的制丝烘丝筒冷却水分智能控制系统的结构示意图；
图2是实施例提供的烘丝筒具象化模型的结构示意图；
图3是实施例提供的仿真虚拟环境的原理示意图；
图4是实施例提供的智能控制模型算法网络的原理示意图；
图5是实施例提供的制丝烘丝筒冷却水分智能控制系统拓扑图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不限定本发明的保护范围。
为了提升烟草行业在产品生产加工方面的智能制造能力，本发明基于大数据和机器学习算法，从产品生产过程中工艺质量控制的角度，提出制丝工艺段烘丝筒冷却水分智能控制系统，实现烟丝生产均质化，减少生产过程的干头、干尾量，提高烟丝出丝率，提升产品质量。
图1是实施例提供的基于机器学习算法的制丝烘丝筒冷却水分智能控制系统的结构示意图。如图1所示，该制丝烘丝筒冷却水分智能控制系统按如下方式设计和运行：
本系统根据制丝烘丝段生产加工特点，在数据采集平台中将烘丝筒设备抽象出烘丝筒具像化模型，并将烘丝筒生产过程实时采集的数据以及业务管理系统中相关的业务数据进行关联后存储到烘丝筒具像化模型中保存；在生产过程进行智能控制时，智能控制模型会从烘丝筒具像化模型中读取数据，通过数据预处理模块对数据进行数据标识、噪音剔除、数据清洗、数据整流等操作后分别送入智能控制算法网络和烘丝段仿真虚拟环境中；智能控制算法网络对预处理之后的实时生产数据进行智能算法分析，并根据工艺质量要求在合适的时机生成设备控制状态，并将设备控制状态预下发到仿真虚拟环境中，仿真虚拟环境根据预下发的设备控制状态，使用当前的生产数据进行仿真模拟运行，并将运行后的空间状态矩阵反馈给智能控制算法网络，网络根据空间状态矩阵中的数据进行评判决定是否正式下发指令，如果正式下发，指令将通过数据采集平台下达至烘丝筒设备控制的PLC，并最终在烘丝筒设备中执行，否则，指令会被放弃，智能控制算法网络继续等待下一次合适的干预控制时机。
下面针对每一部分内容进行详细说明。
数据采集平台包含数据采集模块和烘丝筒具象化模型。
数据采集模块通过工业以太网以OPC客户端的形式与烘丝筒PLC连接，以毫秒级频率读取PLC数据获取烘丝筒运行数据和产品工艺质量数据，之后通过Websockt协议将采集数据同步传输至数据采集平台，保存到烘丝筒具像化模型中。
数据采集平台通过工业互联网与企业业务管理系统对接，通过数据接口，如WebService、REST API、WinSocket等形式获取产品信息、质量检测数据、工艺规范要求、设备校正数据等信息，保存到烘丝筒具像化模型中。
上述采集数据都以DataStream的形式保存到分布式大数据存储节点中；这样做的目的是为了保证数据采集平台中的数据可以真实地反映出烘丝筒设备运行中的实际状态，通过多方面的数据更真实、可靠的构建出烘丝筒具像化模型，保证烘丝筒具像化模型能够更好地为智能控制模型提供数据服务；用户也可以通过烘丝筒具像化模型中数据的实时变化，更好地掌握物理世界中烘丝筒设备的实际运行状态，做好设备运行管理工作。
烘丝筒具像化模型基于CPS体系中的“数字孪生”技术将烘丝筒运行数据、产品工艺质量数据、产品信息、质量检测数据、工艺规范要求、设备校正数据等信息融为一体，以烘丝筒生产设备为中心围绕着工艺过程控制进行数字建模，按照CPS的体系架构对工艺流程、业务逻辑关系和数据信息进行整理，建立烘丝筒具象化模型；实现生产车间烘丝设备的具象化模型，并在具象化模型内将烘丝筒控制指令的上传、下达以服务的形式进行封装，实现烘丝筒的反向控制。构建的烘丝筒具像化模型在毫秒级别上与物理世界中的烘丝筒保持状态同步，可以通过数字化的模型真实有效的反映物理世界中烘丝筒的实际情况。
图2为烘丝筒具象化模型的结构示意图。该烘丝筒具象化模型主要包括工艺规范要求，设备校正数据，产品信息，产品工艺质量数据(工艺质量数据)以及由设备状态、生产状态、能源消耗和环境温湿度组成的烘丝筒运行数据。
其中，烘丝筒运行数据是指设备运行过程中自身产生的数据，具体包括筒体电机电流、热风电机电流、冷凝水泵电机电流、膨胀轮电机频率等。产品工艺质量数据是指设备运行过程中自身产生的与产品工艺质量相关的数据，具体包括烘前叶丝流量、烘前叶丝累积量、烘前水分、蒸汽参数、阀门参数、热风参数、排潮参数等。质量检测数据是烘丝过程中通过质量检测设备(传感器)产生的评价产品质量水平的数据，具体包括冷却水分。
智能控制模型包括数据预处理模块、智能控制算法网络和仿真虚拟环境模块。
数据预处理模块是一套具备毫秒级处理能力，能够在毫秒级单位时间内对实时数据流进行数据剔除、数据清洗、数据标定，为制丝烘丝筒冷却水分智能控制系统提供有效、干净的实时数据的数据预处理系统。数据预处理模块能够在数据传递过程中实时对数据进行标定，并对某一个或某一组数据添加数据标签(DataTag)，同时根据预置在数据处理规则库中的约束规则，对数据进行清洗和整合工作，例如剔除一个或一组噪声数据，对一组值求均值或偏差，并将计算后的结果插入数据流对应的位置中等操作；该数据处理时效性要求很高，所以数据预处理模块对数据处理的能力达到毫秒级水平，能够根据烘丝筒特征在毫秒级别上对其产生的实时数据流进行数据预处理，且不对数据的有效性产生损耗。
仿真虚拟环境是通过分析烘丝筒工作原理、控制模式等内在逻辑后，根据推导出一系列计算机仿真运算公式，构建出的一个根据烘丝筒T时刻运行过程数据，动态预测T+1时刻工艺质量参数变化的计算机仿真系统，其进行数据拟合后与实际值的精度偏差小于0.00043。如图3所示，该模型按如下方式设计和运行：
仿真虚拟环境所需要的数据支撑直接来自烘丝筒具像化模型中的实时烘丝筒运行数据，该实时烘丝筒运行数据无需经过数据预处理模块，这样保证数据能够直接的反映出现场的生产状况，防止仿真虚拟环境进行工艺参数预测时出现误差；仿真虚拟环境将智能控制算法网络输出的状态空间矩阵和根据入口烟丝水分、入口烟丝流量、SIROX水分增量(烘丝机运行产生的生产数据)、冷却水分设定值、脱水量设定值、CK干燥因子以及KLD一次减压后蒸汽压力(烘丝机运行产生的生产数据)这7种特征数据构建的环境特征矩阵分别保存到Base缓存区，之后运用计算机仿真运算公式、PLC控制逻辑、自动化控制方法(如扰动稳态误差等)，完成虚拟环境建模，对工艺质量参数(如蒸汽薄膜阀开度、冷却水分等)进行状态拟合，生成新的T+1时刻的状态空间矩阵(T+1时刻的数据是360秒内所有工艺参数的变化数据，而非一个固定时刻的工艺参数快照)，传送至记忆模块保存，为智能控制算法网络提供仿真数据支撑，增强智能控制算法网络的控制精度。
T时刻的状态空间矩阵是根据烘丝筒运行数据构建获得，是不包含蒸汽薄膜阀开度、冷却水分这两个工艺质量参数的。为了根据T时刻的状态空间矩阵和上述7中特殊数据拟合获得蒸汽薄膜阀开度、冷却水分这两个工艺质量参数的，引入环境特征矩阵。
其中，环境特征矩阵是根据入口烟丝水分、入口烟丝流量、SIROX水分增量、冷却水分设定值、脱水量设定值、CK干燥因子以及KLD一次减压后蒸汽压力这7种特征数据构建的构建获得，在构建环境特征矩阵时，对于可控的数据(也就是能够改变的数据值为可控量，包括SIROX水分增加量、脱水量设定值、CK干燥因子)直接用来构建环境特征矩阵；对于不可控的数据(也就是不能够改变的数据值为不可控量，包括入口烟丝水分、入口烟丝流量、冷却水分设定值、KLD一次减压后蒸汽压力)，先对不可控的数据进行联合概率分布统计后，再构建环境特征矩阵。
利用T时刻的状态空间矩阵和构建的环境特征矩阵作为输入，利用训练好的神经网络模型对输入的状态空间矩阵和环境特征矩阵进行运算，以获得T+1时刻的状态空间矩阵，该T+1时刻的状态空间矩阵在原有T时刻状态空间矩阵的基础上，增加了蒸汽薄膜阀开度、冷却水分。
采集的实时数据往往会存在一定扰动，为了消除这些扰动带来的误差，状态空间矩阵和环境特征矩阵在输入至训练好的神经网络模型前，还需要进行扰动修正处理，即增加扰动稳态误差来修正状态空间矩阵和环境特征矩阵。
智能控制算法网络是一套能够在烘丝筒生产过程中，利用生产过程实时数据，动态预测工艺质量考核参数目标未来变化情况，并根据控制原理智能化控制烘丝筒运行状态的机器学习模型。如图4所示，该智能控制算法网络按如下方式设计和运行：
智能控制算法网络从数据预处理模块接收预处理后的实时烘丝筒运行数据流，在决策控制模块中动态生成T时刻的状态空间矩阵，发送给虚拟仿真环境；虚拟仿真环境使用实时采集数据，动态构建出T时刻的环境特征矩阵(此时环境特征矩阵与状态空间矩阵在时间序列上保持一致)，并将传入的状态空间矩阵与环境特征矩阵通过虚拟仿真技术进行状态拟合，生成新的T+1时刻的状态空间矩阵，传送至记忆模块保存；策控制模块按毫秒级频率周期性检索记忆模块，通过全连接神经网络对其中保存的一系列状态空间矩阵进行运算，预测输出动作矩阵，动作矩阵中包含工艺参数调整时间和调整量，并将动作矩阵通过数据采集平台下发至烘丝筒设备的主控PLC上，完成烘丝筒设备的工艺参数调整。智能控制模型算法网络能够确保在正确的时刻对烘丝筒进行正确的控制干预，保证生产过程工艺质量的稳定性，提高产品品质。
冷却水的含水量是由筒壁温度决定的，筒壁温度越高，冷却水的含水量越少，因此，动作矩阵中包含筒壁温度设定时间和设定值，将该筒壁温度设定时间和设定值通过数据采集平台下发至烘丝筒设备的主控PLC上，完成烘丝筒设备的筒壁温度的调整，进而调控冷却水的含水量。
智能控制模型算法网络能够根据烘丝筒实际运行数据和虚拟仿真数据对烘丝筒进行实时过程控制，且每批烟丝生产完成后，工艺质量控制指标中冷却水分均值偏差达到(-0.0054+0.00043)以内，冷却水分标偏(SD)小于0.0036。
上述的制丝烘丝筒冷却水分智能控制系统需要根据系统功能结构分别将组件安装到多台计算机服务器上运行，同时需要通过网络与烘丝筒设备主控PLC连接获取烘丝筒的实时运行数据，并向其下发控制指令。制丝烘丝筒冷却水分智能控制系统运行需要的最小系统拓扑，如图5所示。
其中边缘计算服务器用于与现场主控PLC连通，获取烘丝筒运行数据和业务管理系统中的生产数据，并执行智能控制模型下达的控制指令；数据采集平台服务器用于运行数据采集平台，构建烘丝筒具像化模型；数据库集群服务器用于以分布式数据库架构存储采集的现场实时数据；制丝智控服务器用于运行智能控制模型，根据实时数据生成控制指令并下发。
现有人工智能大多应用于图像识别、语义分析、行为识别、棋类竞技、个性化广告推送等领域进行数据分析、事物处理、逻辑判断，对人工智能处理结果的实时性和预测精度要求不高，且容错性比强；本发明设计应用于烟草行业工业现场烘丝筒设备控制，可以实现实时数据流的毫秒级处理和分析预测，并在秒级内给出控制方法和控制方案，能确保每一次下达的控制指令都正确有效，不对设备运行造成不良影响，且生产出的产品，质量品质符合企业生产要求和质量规范。
本发明中设计的制丝烘丝筒冷却水分智能控制系统采用的是烘丝筒运行干预式控制方式，是基于现有的烘丝筒控制方式进行的，仍采用筒壁温度调整的方式实现冷却水分控制，控制方法和控制内容都不变，只需保证智能控制与烘丝筒间能够进行通信实现数据采集和指令下达即可，无需对现有的烘丝筒设备进行改造，可以大大降低系统应用的难度和实施过程中的风险，系统实施和后期维护的成本低。
本发明中设计的制丝烘丝筒冷却水分智能控制系统具备毫秒级处理能力，能够在毫秒级单位时间内对实时数据流进行数据剔除、数据清洗、数据标定，为制丝烘丝筒冷却水分智能控制系统提供有效、干净的实时数据，为智能控制系统满足高速生产过程中的控制精度提供数据保障。
本发明中设计的制丝烘丝筒冷却水分智能控制系统中建立的烘丝筒具像化模型以烘丝筒生产设备为中心围绕着工艺过程控制进行数字建模，将所有与烘丝筒相关的数据按照生产关系组织在一起，并在具象化模型内将烘丝筒控制指令的上传、下达以服务的形式进行封装；实现了烘丝筒物理设备在数字世界中完整的虚拟映射，同时虚拟具象化模型中的数据和控制服务还可以通过接口为第三方系统提供服务。
以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的最优选实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于机器学习算法的制丝烘丝筒冷却水分智能控制系统，其特征在于，包括数据采集平台和智能控制模型，其中：
所述数据采集平台包括数据采集模块和烘丝筒具象化模型，所述数据采集模块实时采集烘丝筒运行数据、产品工艺质量数据、产品信息、质量检测数据、工艺规范要求以及设备校正数据，并根据采集数据实时更新烘丝筒具象化模型；
所述智能控制模型包括数据预处理模块、智能控制算法网络和仿真虚拟环境模块，所述数据预处理模块从所述烘丝筒具象化模型获取数据并对数据进行预处理后输入所述智能控制算法网络；所述智能控制算法网络根据预处理的数据生成设备控制状态并发送至所述仿真虚拟环境模块；所述仿真虚拟环境模块根据从所述烘丝筒具象化模型直接获取的数据进行仿真模拟，获得下一时刻的设备控制状态并反馈给智能控制算法网络；所述智能控制算法网络在需要进行工艺参数调整时，根据设备控制状态生成设备控制指令并经所述数据采集平台发送至烘丝筒的主控PLC以控制烘丝筒的运行参数调整；
所述智能控制算法网络包括：
决策控制模块，其由全连接神经网络组成，用于根据预处理后的实时烘丝筒运行数据生成当前时刻的状态空间矩阵，并发送至所述仿真虚拟环境模块，还用于根据从记忆模块获取的一系列空间状态矩阵，预测输出动作矩阵，动作矩阵中包含工艺参数调整时间和调整量，并将动作矩阵输出至所述数据采集平台；
记忆模块，其用于保存所述仿真虚拟环境模块发送的下一时刻的状态空间矩阵。
2.如权利要求1所述的基于机器学习算法的制丝烘丝筒冷却水分智能控制系统，其特征在于，所述数据采集模块从烘丝筒的主控PLC上实时采集烘丝筒运行数据和产品工艺质量数据；
所述数据采集模块从烘丝筒对应的业务管理系统中实时采集产品信息、质量检测数据、工艺规范要求以及设备校正数据。
3.如权利要求1所述的基于机器学习算法的制丝烘丝筒冷却水分智能控制系统，其特征在于，所述烘丝筒具象化模型是根据采集数据构建得到，包含实时采集的烘丝筒运行数据、产品工艺质量数据、产品信息、质量检测数据、工艺规范要求以及设备校正数据，根据采集数据的实时变化反应烘丝筒实时运行状态。
4.如权利要求1所述的基于机器学习算法的制丝烘丝筒冷却水分智能控制系统，其特征在于，所述数据预处理模块对获取数据依次进行数据剔除、数据清洗、数据标定处理。
5.如权利要求1所述的基于机器学习算法的制丝烘丝筒冷却水分智能控制系统，其特征在于，所述仿真虚拟环境模块包括：
构建模块，用于根据从所述烘丝筒具象化模型直接获取的入口烟丝水分、入口烟丝流量、SIROX水分增量、冷却水分设定值、脱水量设定值、CK干燥因子以及KLD一次减压后蒸汽压力这7种特征数据构建环境特征矩阵；
记忆模块，用于缓存环境特征矩阵和当前时刻的状态空间矩阵；
仿真模块，用于根据所述环境特征矩阵和从所述智能控制算法网络获取的当前时刻的状态空间矩阵进行虚拟环境建模，生成下一时刻的状态空间矩阵并发送至所述智能控制算法网络。
6.如权利要求5所述的基于机器学习算法的制丝烘丝筒冷却水分智能控制系统，其特征在于，在构建环境特征矩阵时，对于可控的数据，直接用来构建环境特征矩阵；对于不可控的数据，先对不可控的数据进行联合概率分布统计后，再构建环境特征矩阵。
7.如权利要求5所述的基于机器学习算法的制丝烘丝筒冷却水分智能控制系统，其特征在于，仿真模块中，利用T时刻的状态空间矩阵和构建的环境特征矩阵作为输入，利用训练好的神经网络模型对输入的状态空间矩阵和环境特征矩阵进行运算，以获得T+1时刻的状态空间矩阵，该T+1时刻的状态空间矩阵在原有T时刻状态空间矩阵的基础上，增加了蒸汽薄膜阀开度、冷却水分。
8.如权利要求5所述的基于机器学习算法的制丝烘丝筒冷却水分智能控制系统，其特征在于，状态空间矩阵和环境特征矩阵在输入至训练好的神经网络模型前，还需要进行扰动修正处理，即增加扰动稳态误差来修正状态空间矩阵和环境特征矩阵。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010311649.0A CN111427322B (zh) | 2020-04-20 | 2020-04-20 | 一种基于机器学习算法的制丝烘丝筒冷却水分智能控制系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010311649.0A CN111427322B (zh) | 2020-04-20 | 2020-04-20 | 一种基于机器学习算法的制丝烘丝筒冷却水分智能控制系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111427322A CN111427322A (zh) | 2020-07-17 |
| CN111427322B true CN111427322B (zh) | 2021-02-19 |
Family
ID=71554751
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010311649.0A Active CN111427322B (zh) | 2020-04-20 | 2020-04-20 | 一种基于机器学习算法的制丝烘丝筒冷却水分智能控制系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111427322B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112263012B (zh) * | 2020-10-15 | 2022-03-25 | 中国烟草总公司郑州烟草研究院 | 一种基于配方参数库的复烤机含水率控制方法 |
| CN115251446A (zh) * | 2022-08-10 | 2022-11-01 | 湖北中烟工业有限责任公司 | 一种基于边缘计算单元的烘丝机动态调优控制方法及装置 |
| CN117471982A (zh) * | 2023-11-07 | 2024-01-30 | 广东知业科技有限公司 | 一种边缘计算远程控制plc的方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB1486201A (en) * | 1973-10-15 | 1977-09-21 | Industrial Nucleonics Corp | Tobacco dryer controller |
| CN102871214A (zh) * | 2012-10-08 | 2013-01-16 | 秦皇岛烟草机械有限责任公司 | 基于模型预测的烘丝机出口水分控制方法 |
| CN106054834A (zh) * | 2016-06-17 | 2016-10-26 | 河南中烟工业有限责任公司 | 一种基于松散回潮的烟片质量控制方法及系统 |
| CN109222208A (zh) * | 2018-10-30 | 2019-01-18 | 杭州安脉盛智能技术有限公司 | 面向卷烟生产指标控制的制丝工艺分析优化方法及系统 |
| 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 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102488308A (zh) * | 2011-12-14 | 2012-06-13 | 东华大学 | 烘丝机水分先进协调控制系统 |
-
2020
- 2020-04-20 CN CN202010311649.0A patent/CN111427322B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB1486201A (en) * | 1973-10-15 | 1977-09-21 | Industrial Nucleonics Corp | Tobacco dryer controller |
| CN102871214A (zh) * | 2012-10-08 | 2013-01-16 | 秦皇岛烟草机械有限责任公司 | 基于模型预测的烘丝机出口水分控制方法 |
| CN106054834A (zh) * | 2016-06-17 | 2016-10-26 | 河南中烟工业有限责任公司 | 一种基于松散回潮的烟片质量控制方法及系统 |
| CN109222208A (zh) * | 2018-10-30 | 2019-01-18 | 杭州安脉盛智能技术有限公司 | 面向卷烟生产指标控制的制丝工艺分析优化方法及系统 |
| 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 (2)
| Title |
|---|
| 烘丝机出口含水率智能控制方法研究;陈传通等;《制造业自动化》;20160731;第38卷(第7期);第37-40页 * |
| 面向卷烟设备智能控制的公共信息模型设计与数据相关性分析;张雪嫣;《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》;20200315(第03期);第B024-350页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111427322A (zh) | 2020-07-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111427322B (zh) | 一种基于机器学习算法的制丝烘丝筒冷却水分智能控制系统 | |
| 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 | |
| CN111144667A (zh) | 一种基于梯度提升树的烟草回潮机出料含水率预测方法 | |
| CN112413831A (zh) | 一种中央空调节能控制系统及方法 | |
| CN104102211B (zh) | 一种燃煤热电厂热电联产系统的调度方法、服务器和系统 | |
| CN116611349B (zh) | 基于神经网络的滚筒烘丝工艺参数优化方法及系统 | |
| CN117743772B (zh) | 基于人工智能模型的卫生纸干燥参数优化方法及系统 | |
| CN117272212B (zh) | 基于实时数据对制冷系统进行最优运行参数选择的方法 | |
| CN104131847B (zh) | 汽轮机组定滑压自动优化控制系统及其自动优化方法 | |
| CN103605385A (zh) | 一种用于日光温室的co2气肥精细调控方法与装置 | |
| CN116822353A (zh) | 一种制造工艺过程的数字孪生模型快速构建方法 | |
| CN114415607A (zh) | 基于数据驱动的设计工艺制造一体化数字孪生系统 | |
| CN116449779A (zh) | 基于Actor-Critic结构的汽车车身喷涂用环境数据分析方法 | |
| CN115509194A (zh) | 一种基于ar智能技术的卷烟设备数字孪生监测系统及方法 | |
| CN116909166A (zh) | 一种数字孪生虚拟仿真处理方法及系统 | |
| Pawlowski et al. | Event-based control and wireless sensor network for greenhouse diurnal temperature control: A simulated case study | |
| CN109973355A (zh) | 一种面向空气压缩机的节能降耗方法 | |
| CN116418840A (zh) | 物联网系统、物联网信息处理方法和装置及存储介质 | |
| CN112228951A (zh) | 边缘分析控制方法、及区域供冷供热控制系统 | |
| CN115251446A (zh) | 一种基于边缘计算单元的烘丝机动态调优控制方法及装置 | |
| Zhao et al. | Rainfall study based on ARIMA-RBF combined model | |
| Li et al. | An AI Model Automatic Training and Deployment Platform Based on Cloud Edge Architecture for DC Energy-Saving | |
| Yang et al. | A Heat Load Prediction Method for District Heating Systems Based on the AE-GWO-GRU Model | |
| CN114484584A (zh) | 一种基于离线强化学习的供热控制方法及系统 | |
| TWI818523B (zh) | 智能低碳的生產管理排程系統及相關方法 |
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 |