CN111597729A - 加工设备工艺参数优化方法及系统 - Google Patents
加工设备工艺参数优化方法及系统 Download PDFInfo
- Publication number
- CN111597729A CN111597729A CN202010458355.0A CN202010458355A CN111597729A CN 111597729 A CN111597729 A CN 111597729A CN 202010458355 A CN202010458355 A CN 202010458355A CN 111597729 A CN111597729 A CN 111597729A
- Authority
- CN
- China
- Prior art keywords
- quality index
- value
- data
- training
- model
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 219
- 238000012545 processing Methods 0.000 title claims abstract description 57
- 230000008569 process Effects 0.000 claims abstract description 177
- 238000005457 optimization Methods 0.000 claims abstract description 88
- 238000004519 manufacturing process Methods 0.000 claims abstract description 59
- 230000007613 environmental effect Effects 0.000 claims abstract description 45
- 239000013072 incoming material Substances 0.000 claims abstract description 44
- 238000012549 training Methods 0.000 claims description 77
- 238000012360 testing method Methods 0.000 claims description 62
- 230000006870 function Effects 0.000 description 16
- 241000208125 Nicotiana Species 0.000 description 14
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 14
- 238000004422 calculation algorithm Methods 0.000 description 11
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 239000000463 material Substances 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 6
- 239000002245 particle Substances 0.000 description 5
- 238000012216 screening Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 230000002411 adverse Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 235000019504 cigarettes Nutrition 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000002922 simulated annealing Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000003889 chemical engineering Methods 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种加工设备工艺参数优化方法及系统,该方法包括:实时采集生产线数据并获取质量指标的目标值;设定工艺参数的初始值、以及所述质量指标的预设偏差值;利用包括当前时刻在内的一段历史生产线数据及所述工艺参数,分别预测得到所述质量指标的预测值及所述质量指标的不确定性范围;根据所述质量指标的预设偏差值和预测值、以及所述质量指标的不确定性范围确定优化目标,优化更新所述工艺参数和所述预设偏差值;利用更新后的工艺参数和所述预设偏差值进行迭代优化过程,直至满足终止条件;迭代优化完成后,输出当前工艺参数的值作为当前来料信息和环境参数下的最优工艺参数。利用本发明,可以提高工艺参数优化结果的准确性和稳定性。
Description
技术领域
本发明涉及设备控制领域,具体涉及一种加工设备工艺参数优化方法及系统。
背景技术
工艺参数优化是提高产品质量、实现生产“零”次品的重要技术手段,在烟草、化工、先进制造等行业领域存在工艺参数优化的旺盛需求。一道工序可以简单地分为三个阶段:加工前、加工中和加工后,加工前需要获取来料的信息和当前环境参数,如形状、尺寸、温度、湿度等;加工中则会调整加工设备的工艺参数,如加工时间、温度、压力、速度等;加工后则需要检测产品的质量指标,如良率、温度、湿度、导电性等。工艺参数优化需要根据当前环境参数和来料信息,动态优化调整加工设备的工艺参数,以达到产品质量指标最优的目的。
在现有技术中,数据驱动的工艺参数优化方法通常是利用预测模型建立工艺相关变量与质量指标之间的关系,对质量指标进行预测,并寻求在当前环境参数、来料信息的情况下,使质量指标最优的工艺参数组合,从而实现工艺参数的优化。但是在实践中发现,预测模型的精准度往往不尽如人意,预测结果的偏差将直接影响工艺参数优化的优化目标,进而带来控制建议的失误。而且,模型精度达到一定程度后,进一步提升模型精度的空间有限,甚至于几无可能,并且花费的成本也会非常巨大。
因此,在预测模型存在不确定性的情况下,如何进一步提高工艺参数优化的准确性是目前亟需解决的问题。
发明内容
本发明实施例提供一种加工设备工艺参数优化方法及系统,以降低质量指标预测结果的偏差对工艺参数优化的影响,提高工艺参数优化结果的准确性和稳定性。
为此,本发明提供如下技术方案:
一种加工设备工艺参数优化方法,所述方法包括:
实时采集生产线数据并获取质量指标的目标值,所述生产线数据包括:来料信息和环境参数;
设定工艺参数的初始值、以及所述质量指标的预设偏差值;
利用包括当前时刻在内的一段历史生产线数据及所述工艺参数,分别预测得到所述质量指标的预测值及所述质量指标的不确定性范围;
根据所述质量指标的预设偏差值和预测值、以及所述质量指标的不确定性范围确定优化目标,优化更新所述工艺参数和所述预设偏差值;利用更新后的工艺参数和所述预设偏差值进行迭代优化过程,直至满足终止条件;
迭代优化完成后,输出当前工艺参数的值作为当前来料信息和环境参数下的最优工艺参数。
可选地,所述方法还包括按照以下方式训练所述质量指标预测模型和质量指标上下限预测模型:
按照设定频次采集生产线数据、工艺参数、以及质量指标的历史数据,得到对应待预测工况时段的数据集,所述生产线数据包括:来料信息和环境参数;
对所述数据集进行时间维度的滑窗处理,并对滑窗内的生产线数据进行统计,得到统计性特征;
根据所述统计性特征、工艺参数、以及质量指标,生成输入输出数据对,每个输入输出数据对作为一个数据样本;
利用所述数据样本分别训练得到质量指标预测模型和质量指标上下限预测模型;
所述利用包括当前时刻在内的一段历史生产线数据及所述工艺参数分别预测得到所述质量指标的预测值及所述质量指标的不确定性范围包括:
将包括当前时刻在内的一段历史生产线数据的统计性特征及所述工艺参数输入所述质量指标预测模型,得到所述质量指标的预测值;
将包括当前时刻在内的一段历史生产线数据的统计性特征及所述工艺参数输入所述质量指标上下限预测模型,得到所述质量指标的不确定性范围。
可选地,训练所述质量指标预测模型和质量指标上下限预测模型的过程还包括:将所有数据样本划分为训练数据集和测试数据集;
所述利用所述数据样本训练得到质量指标预测模型包括:
选择至少两个用于质量指标预测的回归模型,并利用所述训练数据集分别训练得到各回归模型的参数;
利用所述测试数据集对各回归模型进行测试,并根据测试结果选择其中最优回归模型作为质量指标预测模型;
所述利用所述数据样本训练得到质量指标上下限预测模型包括:
选择至少两个用于质量指标上下限预测的分位数回归模型,并利用所述训练数据集分别训练得到各分位数回归模型的参数;
利用所述测试数据集对各分位数回归模型进行测试,并根据测试结果选择其中最优分位数回归模型作为质量指标上下限预测模型。
可选地,所述根据所述质量指标的预设偏差值和预测值、以及所述质量指标的不确定性范围确定优化目标,优化更新所述工艺参数和所述预设偏差值包括:
计算所述预测值和所述目标值的偏差,并根据所述不确定性范围计算所述偏差小于所述预设偏差值的概率;根据所述概率确定是否满足约束条件;
如果是,则根据所述预设偏差值确定优化目标函数值;
否则,根据所述预设偏差值及惩罚项确定优化目标函数值,所述惩罚项与所述概率成反比;
以所述优化目标函数值最小为优化目标,更新所述预设偏差值和所述工艺参数。
可选地,所述确定所述偏差小于所述预设偏差值的概率包括:
利用蒙特卡洛随机模拟方法确定所述偏差小于所述预设偏差值的概率。
可选地,根据所述概率确定是否满足约束条件包括:
如果所述概率大于设定的概率阈值,则确定满足约束条件;否则确定不满足约束条件。
可选地,所述终止条件包括:迭代次数达到设定次数;或者一定次数的迭代结果未发生变化。
可选地,所述方法还包括:
按照所述最优工艺参数控制所述加工设备在当前来料信息和环境参数下运行。
一种加工设备工艺参数优化系统,所述系统包括:
数据获取模块,用于实时采集生产线数据并获取质量指标的目标值,所述生产线数据包括:来料信息和环境参数;
设置模块,用于设定工艺参数的初始值、以及所述质量指标的预设偏差值;
预测模块,用于利用包括当前时刻在内的一段历史生产线数据及所述工艺参数,分别预测得到所述质量指标的预测值及所述质量指标的不确定性范围;
优化控制模块,用于根据所述质量指标的预设偏差值和预测值、以及所述质量指标的不确定性范围确定优化目标,优化更新所述工艺参数和所述预设偏差值;利用更新后的工艺参数和所述预设偏差值进行迭代优化过程,直至满足终止条件;
输出模块,用于在迭代优化完成后,输出当前工艺参数的值作为当前来料信息和环境参数下的最优工艺参数。
可选地,所述系统还包括:模型建立模块,用于分别训练得到质量指标预测模型和质量指标上下限预测模型,所述模型建立模块包括:
数据采集单元,用于按照设定频次采集生产线数据、工艺参数、以及质量指标的历史数据,得到对应待预测工况时段的数据集,所述生产线数据包括:来料信息和环境参数;
统计单元,用于对所述数据集进行时间维度的滑窗处理,并对滑窗内的生产线数据进行统计,得到统计性特征;
样本生成单元,用于根据所述统计性特征、工艺参数、以及质量指标,生成输入输出数据对,每个输入输出数据对作为一个数据样本;
第一模型建立单元,用于利用所述数据样本训练得到质量指标预测模型;
第二模型建立单元,用于利用所述数据样本训练得到质量指标上下限预测模型;
所述预测模块包括:
质量指标预测单元,用于将包括当前时刻在内的一段历史生产线数据的统计性特征及所述工艺参数输入所述质量指标预测模型,得到所述质量指标的预测值;
范围预测单元,用于将包括当前时刻在内的一段历史生产线数据的统计性特征及所述工艺参数输入所述质量指标上下限预测模型,预测得到所述质量指标的不确定性范围。
可选地,所述模型建立模块还包括:
样本划分单元,用于将所有数据样本划分为训练数据集和测试数据集;
所述第一模型建立单元包括:
第一训练子单元,用于选择至少两个用于质量指标预测的回归模型,并利用所述训练数据集分别训练得到各回归模型的参数;
第一测试子单元,用于利用所述测试数据集对各回归模型进行测试,并根据测试结果选择其中最优回归模型作为质量指标预测模型;
所述第二模型建立单元包括:
第二训练子单元,用于选择至少两个用于质量指标上下限预测的分位数回归模型,并利用所述训练数据集分别训练得到各分位数回归模型的参数;
第二测试子单元,用于利用所述测试数据集对各分位数回归模型进行测试,并根据测试结果选择其中最优分位数回归模型作为质量指标上下限预测模型。
可选地,所述优化控制模块包括:
偏差确定单元,用于计算所述预测值和所述目标值的偏差,并根据所述不确定性范围计算所述偏差小于所述预设偏差值的概率;
判断单元,用于根据所述概率确定是否满足约束条件;
优化目标确定单元,用于在所述判断单元确定满足约束条件时,根据所述预设偏差值确定优化目标函数值;在所述判断单元确定不满足约束条件时,根据所述预设偏差值及惩罚项确定优化目标函数值,所述惩罚项与所述概率成反比;
参数更新单元,用于以所述优化目标函数值最小为优化目标,更新所述预设偏差值和所述工艺参数,然后触发所述预测模块利用更新后的工艺参数和所述预设偏差值进行预测。
可选地,所述偏差确定单元利用蒙特卡洛随机模拟方法确定所述偏差小于所述预设偏差值的概率。
可选地,所述判断单元在所述概率大于设定的概率阈值时,确定满足约束条件;否则确定不满足约束条件。
可选地,所述终止条件包括:迭代次数达到设定次数;或者一定次数的迭代结果未发生变化。
可选地,所述系统还包括:
加工控制模块,用于按照所述最优工艺参数控制所述加工设备在当前来料信息和环境参数下运行。
本发明实施例提供的加工设备工艺参数优化方法及系统,针对预测模型存在不确定性的情况,不仅利用来料信息、环境参数及工艺参数进行质量指标的预测,而且对质量指标的不确定范围进行预测,根据质量指标的不确定范围进一步对工艺参数进行优化,使质量指标与目标值偏差达到一个可接受的概率水平,从而提高优化结果的准确性和稳定性,进而得到当前来料信息和环境参数下的最优工艺参数。
进一步地,按照所述最优工艺参数控制所述加工设备在当前来料信息和环境参数下运行,可以有效地保证质量指标达到设定需求。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1是本发明实施例加工设备工艺参数优化方法的一种流程图;
图2是本发明实施例中生成模型训练数据样本的流程图;
图3是本发明实施例中利用数据样本训练得到质量指标预测模型的一种流程图;
图4是本发明实施例中利用数据样本训练得到质量指标上下限预测模型的一种流程图;
图5是本发明实施例加工设备工艺参数优化系统的一种结构框图;
图6是本发明加工设备工艺参数优化系统中模型建立模块的一种结构框图;
图7是本发明加工设备工艺参数优化系统中模型建立模块的另一种结构框图;
图8是本发明系统中所述优化控制模块的一种结构框图。
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。
本发明实施例提供的加工设备工艺参数优化方法及系统,充分考虑质量指标预测模型的不确定性,对质量指标的不确定范围进行预测,根据质量指标的不确定范围进一步对工艺参数进行优化,使优化结果达到一个可接受的概率水平,从而提高优化结果的准确性和稳定性,进而得到当前来料信息和环境参数下的最优工艺参数。
如图1所示,是本发明实施例加工设备工艺参数优化方法的一种流程图,包括以下步骤:
步骤101,实时采集生产线数据,并获取质量指标的目标值,所述生产线数据包括:来料信息和环境参数。
需要说明的是,在实际应用中,在采集生产线数据时,可以只采集其中与质量指标相关度较高的数据,也可以采集生产线的所有数据,对此本发明实施例不做限定。当然,如果采集的是所有数据,还可以通过筛选,去除其中与质量指标相关度较低的数据,避免这些数据对后续质量指标的预测及工艺参数的优化产生不利影响。
步骤102,设定工艺参数的初始值、以及所述质量指标的预设偏差值。
步骤103,利用包括当前时刻在内的一段历史生产线数据及所述工艺参数,分别预测得到所述质量指标的预测值及所述质量指标的不确定性范围。
具体地,可以利用预先训练的质量指标预测模型得到质量指标的预测值,利用质量指标上下限预测模型得到所述质量指标的不确定性范围。
需要说明的是,为了避免一些异常数据对预测结果的准确性产生不利影响,还可先对获取的数据进行预处理,主要包括:数据时间戳对齐、缺失值处理、异常值处理等。另外,还需要对采集的生产线数据进行统计,得到相应的统计性特征,然后将得到的统计性特征和所述工艺参数整理为质量指标预测模型和指标上下限预测模型所需要的数据结构。
所述质量指标预测模型的目的是建立工艺相关变量与质量指标之间的关系,输入参数包括当前时刻在内的一段历史环境参数、来料信息和加工中设备的工艺参数的统计性特征集合,输出参数是未来时刻质量指标的预测值。所述质量指标预测模型为回归模型,具体可以采用一些常用算法比如人工神经网络、支持向量机、随机森林等来构建。
所述质量指标上下限预测模型的目的是评估质量指标预测的不确定性。所述质量指标上下限预测模型为分位数回归模型,具体可以采用常用算法比如分位数线性回归、分位数随机森林、分位数梯度提升树等来构建。
所述质量指标预测模型和所述质量指标上下限预测模型可以预先离线训练,训练过程将在后面详细说明。
步骤104,判断是否达到终止条件。如果是,则执行步骤106;否则,执行步骤105。
在本发明实施例中,所述终止条件可以包括:迭代次数达到设定次数;或者一定次数的迭代结果未发生变化。
步骤105,根据所述质量指标的预设偏差值和预测值、以及所述质量指标的不确定性范围确定优化目标,优化更新所述工艺参数和所述预设偏差值。然后,执行步骤103,即利用更新后的工艺参数和所述预设偏差值进行预测。
在本发明实施例中,优化目标可以所述工艺参数和所述预测偏差值来决定,而且根据所述质量指标的预设偏差值和预测值、以及所述质量指标的不确定性范围的不同,优化目标函数值也会有所不同。
具体地,首先计算所述预测值和所述目标值的偏差,并根据所述不确定性范围计算所述偏差小于所述预设偏差值的概率。然后根据所述概率确定是否满足约束条件;如果是,则根据所述预设偏差值确定优化目标函数值;否则,根据所述预设偏差值及惩罚项确定优化目标函数值,所述惩罚项与所述概率成反比;最后以所述优化目标函数值最小为优化目标,更新所述预设偏差值和所述工艺参数。
比如,如果所述概率大于设定的概率阈值,则确定满足约束条件;否则确定不满足约束条件。在本发明实施例中,可以利用蒙特卡洛随机模拟方法确定所述偏差小于所述预设偏差值的概率。
根据预测模型得到的质量指标的预测值及其上下限,建立预测值的数据分布,一般假设预测值服从正态分布,有99.7%的概率(6倍标准差)落在上限值和下限值之间,因此该分布的均值为期望值,标准差为(上限值-下限值)/6。根据预测值的数据分布,生成大量随机数,计算每个随机预测值和目标值的偏差,并和预设偏差值相比较。根据比较结果确定计算得到的偏差值小于预设偏差值的数据比例,将该比例作为预测值的偏差(即预测值和目标值的偏差)小于该预设偏差值的概率。
步骤106,输出当前工艺参数的值作为当前来料信息和环境参数下的最优工艺参数。
上述步骤105->步骤103->步骤104->步骤105是一个迭代优化的过程,其目的是对工艺参数进行不断的优化。
在本发明实施例中,对所述工艺参数的优化更新具体可以选用机会约束规划模型建模,并采用元启发式算法求解,例如遗传算法、粒子群算法、模拟退火算法等。
相应地,对应于不同的求解方法,更新所述工艺参数和所述预设偏差值的具体方式也会有所不同,比如,相应于遗传算法,可以通过解基因的选择、交叉、变异操作;相应于粒子群算法,可以通过解粒子的全局最优、个体最优的位置来更新下一代粒子的位置;相应于模拟退火算法,可以通过解的随机扰动搜索最佳邻域解。
通过上述对工艺参数的进一步优化,可以得到当前来料信息和环境参数下的最优工艺参数,使得质量指标和目标值偏差最小。
相应地,可以按照最终得到的最优工艺参数控制所述加工设备在当前来料信息和环境参数下运行,保证达到预期的质量指标。
需要说明的是,所述质量指标预测模型和所述质量指标上下限预测模型的输入参数相同,而且数据样本的生成也相同。
如图2所示,是本发明实施例中生成模型训练数据样本的流程图,包括以下步骤:
步骤201,按照设定频次采集生产线数据、工艺参数、以及质量指标的历史数据,得到对应待预测工况时段的数据集,所述生产线数据包括:来料信息和环境参数。
进一步地,为了避免一些异常数据对后续模型准确性产生不利影响,还可先对采集的上述历史数据进行预处理,主要包括:数据时间戳对齐、缺失值处理、异常值处理等。
步骤202,对所述数据集进行时间维度的滑窗处理,并对滑窗内的生产线数据进行统计,得到统计性特征。
步骤203,根据所述统计性特征、工艺参数、以及质量指标,生成输入输出数据对,每个输入输出数据对作为一个数据样本。
需要说明的是,在实际应用中,针对质量指标预测模型和质量指标上下限预测模型,可以分别选定一种模型结构,利用所述数据样本分别训练得到相应的质量指标预测模型和质量指标上下限预测模型。另外还需要说明的是,所述质量指标上下限预测模型指的是质量指标上限预测模型和质量指标下限预测模型,这两个模型需要分别训练得到。由于质量指标上限预测模型和质量指标下限预测模型的结构与训练过程类似,因此,为了描述方便,将这两个模型统称为质量指标上下限预测模型。
当然,还可以对得到的所有数据样本进行划分,将其中一部分划分为训练数据集,另一部分作为测试数据集。相应地,针对质量指标预测模型和质量指标上下限预测模型,可以分别选定两种或两种以上的回归模型架构和分位数回归模型架构,然后基于所述训练数据集和测试数据集,在预先选定的模型架构上进行质量指标预测模型及质量指标上下限预测模型的训练及测试,根据测试结果从所有训练的模型中选择最优的模型。
如图3所示,是本发明实施例中利用数据样本训练得到质量指标预测模型的一种流程图,包括以下步骤:
步骤301,选择至少两个用于质量指标预测的回归模型,并利用所述训练数据集分别训练得到各回归模型的参数。
步骤302,利用所述测试数据集对各回归模型进行测试,得到对应各回归模型的测试结果。
步骤303,根据所述测试结果选择其中最优回归模型作为质量指标预测模型。
类似的,如图4所示,是本发明实施例中利用数据样本训练得到质量指标上下限预测模型的一种流程图,包括以下步骤:
步骤401,选择至少两个用于质量指标上下限预测的分位数回归模型,并利用所述训练数据集分别训练得到各分位数回归模型的参数。
步骤402,利用所述测试数据集对各分位数回归模型进行测试,得到对应各分位数回归模型的测试结果。
步骤403,根据所述测试结果选择其中最优分位数回归模型作为质量指标上下限预测模型。
相应地,在上述步骤103利用上述训练得到的质量指标预测模型和质量指标上下限预测模型进行预测时,可以将包括当前时刻在内的一段历史生产线数据的统计性特征及所述工艺参数输入所述质量指标预测模型,得到所述质量指标的预测值;将包括当前时刻在内的一段历史生产线数据的统计性特征及所述工艺参数输入所述质量指标上下限预测模型,得到所述质量指标的不确定性范围。
下面举例说明在某卷烟厂制丝工艺的松散回潮工序中应用本发明方法进行的实施验证过程。
卷烟厂制丝工艺是将大片的烟叶备料,经过解包、松包、真空回潮、松散回潮、加料、除杂、切叶丝、干燥、加香等工序,处理成成品烟丝,以供卷烟机卷接包装。其中松散回潮工序的目的是增加烟片的含水率和温度,提高烟片的耐加工性,使切片后烟片松散,改善烟片的感官质量。
具体的验证过程如下:
1离线训练预测模型
1.1 历史数据采集
以一定采集频率(如6秒一个数据点)采集烟丝松散回潮过程中的环境参数、来料信息、质量指标以及工艺参数,采集数据集包括多种烟丝牌号的多个月份的历史数据。其中:
环境参数包括:环境温度以及环境湿度;
来料信息包括:松散回潮入口水分、松散回潮物料流量、烟丝牌号等;
工艺参数包括:松散回潮热风温度、松散回潮加水流量等;
质量指标包括:松散回潮出口水分、松散回潮出料温度。
1.2 历史数据预处理
首先,对于采集的环境参数、来料信息、质量指标以及工艺参数这些历史数据进行缺失值筛查,如果存在缺失值,则按照线性差值或多项式差值的方式进行缺失值填充。
然后,对于填充后的历史数据进行环境参数、来料信息、质量指标以及工艺参数数据的时戳校准,使数据集的时间戳对齐。
然后,对于各数据集的各项变量,通过3sigma准则,基于历史数据统计计算上下限,根据上下限筛选出极值异常值,对异常值进行插值替换处理。
然后,对于异常值处理完毕的数据集,依据松散回潮物料流量提取出物料流量达到稳定状态时的工况数据集。筛除非生产阶段、断料等时段的数据集。
进一步地,还可基于相关性对数据进行筛选,具体如下:
对于预处理完成的数据集,分析环境参数以及工艺参数变量各自与质量指标参数(松散回潮出口水分、松散回潮出料温度)之间的Spearman相关性系数。对于与两项质量指标参数相关性系数绝对值低于0.05的特征做删除处理,以此形成用于两项质量指标预测的特征集合。同时结合回潮机理,分析加入机理性特征:理论出口水分。理论出口水分通过(加水量+入口水分*物料流量)/(物料流量+加水量)得到。
1.3对于预处理完成的数据集,按照一定的滑窗长度(如每10个点一个窗口)做滑窗处理。为了充分提取历史滑窗数据段的信息,对于数据段分别提取均值、标准偏差、最大值、最小值以及偏度等统计性特征。对于各变量提取的统计性特征,首先评估方差阈值,若方差小于一定阈值,则删除统计性特征。删除后,对于剩余的特征再使用递归特征消除法,对剩余的特征做筛选,得到出口水分和出料温度预测的最终特征集合。
对处理好的特征数据集,按照当前时刻滑窗统计特征对应当前时刻后三分钟质量指标(出口水分及出料温度)的形式组成模型输入输出数据样本。
1.4 数据训练集和测试集划分
对于整理好的数据样本,分别划分用于出口水分和出料温度预测的训练数据集及测试数据集。具体地,可以首先整理出所有牌号各自的样本集合,然后对各牌号的样本集合按照训练样本和测试集样本量比例7:3划分,形成各牌号各自的训练数据集和测试数据集。
1.5预测模型训练及超参数优化
对于各个牌号的烟丝,建立以下六个模型:
1)出口水分GBDT期望预测模型
2)出口水分GBDT分位数回归上限预测模型
3)出口水分GBDT分位数回归下限预测模型
4)出料温度GBDT期望预测模型
5)出料温度GBDT分位数回归上限预测模型
6)出料温度GBDT分位数回归下限预测模型
上述6个模型的训练过程都通过十折交叉验证方法来选择最优的GBDT(GradientBoostingDecisionTree,梯度提升迭代决策树)模型超参数组合。预 测期望模型评估通过MAPE(Mean Absolute Percentage Error,平均绝对百分 误差)指标评估。预测上下限模型评估通过上下限损失函数进行评估。损失函 数计算公式如下所示:
2 在线预测
2.1数据采集
在线运行时,对松散回潮质量指标预测(出口水分及出料温度)所需的工艺参数及环境参数进行实时采集。
2.2数据预处理
在线运行时,以一定的频率(如每分钟一次)调用预测模型进行预测。每次调用预测模型时,需要首先从实时采集数据中提取包含当前时刻的历史数据段,数据段长度为离线训练时特征处理过程中的滑窗长度。
对提取的滑窗数据进行预处理,具体处理过程可参照前面离线训练过程中对历史数据的预处理,在此不再详细描述。
对预处理后的滑窗数据提取统计性特征,得到用于出口水分及出料温度预测的相关特征。
2.3对工艺参数的优化过程
优化模型选用基于随机模拟的粒子群优化算法,利用该优化算法对预测得到的不确定性参进行优化,最终达到终止条件,输出最优工艺参数。
3.优化效果
选取该卷烟厂制丝工艺松散回潮工序的某个批次进行实验验证,控制加水量以使出口含水率达到要求。使用过程能力指数Cpk衡量一个批次出口含水率的质量,Cpk的计算公式如下:
经过实验证明,优化前Cpk为1.43,优化后Cpk为1.85,提升了29.4%。
本发明实施例提供的加工设备工艺参数优化方法,针对预测模型存在不确定性的情况,不仅利用来料信息、环境参数及工艺参数进行质量指标的预测,而且对质量指标的不确定范围进行预测,根据质量指标的不确定范围进一步对工艺参数进行优化,使质量指标与目标值偏差达到一个可接受的概率水平,从而提高优化结果的准确性和稳定性,进而得到当前来料信息和环境参数下的最优工艺参数。按照所述最优工艺参数控制所述加工设备在当前来料信息和环境参数下运行,可以有效地保证质量指标达到设定需求。
相应地,本发明实施例还提供一种加工设备工艺参数优化系统,如图5所示,是该系统的一种结构框图。
在该实施例中,所述系统包括以下各模块:
数据获取模块501,用于实时采集生产线数据并获取质量指标的目标值,所述生产线数据包括:来料信息和环境参数;
设置模块502,用于设定工艺参数的初始值、以及所述质量指标的预设偏差值;
预测模块503,用于利用包括当前时刻在内的一段历史生产线数据及所述工艺参数,分别预测得到所述质量指标的预测值及所述质量指标的不确定性范围;
优化控制模块504,用于根据所述质量指标的预设偏差值和预测值、以及所述质量指标的不确定性范围确定优化目标,优化更新所述工艺参数和所述预设偏差值;利用更新后的工艺参数和所述预设偏差值进行迭代优化过程,直至满足终止条件;
输出模块,用于在迭代优化完成后,输出当前工艺参数的值作为当前来料信息和环境参数下的最优工艺参数。
所述终止条件可以包括:迭代次数达到设定次数;或者一定次数的迭代结果未发生变化。
上述预测模块503可以利用预先训练的质量指标预测模型得到质量指标的预测值,利用质量指标上下限预测模型得到所述质量指标的不确定性范围。所述质量指标预测模型和质量指标上下限预测模型可以由模型建立模块离线训练得到,在实际应用中,所述模型建立模块可以作为本发明系统的一部分,也可以独立于本发明系统,对此不做限定。
如图6所示,是本发明加工设备工艺参数优化系统中模型建立模块的一种结构框图。
所述模型建立模块包括:
数据采集单元601,用于按照设定频次采集生产线数据、工艺参数、以及质量指标的历史数据,得到对应待预测工况时段的数据集,所述生产线数据包括:来料信息和环境参数;
统计单元602,用于对所述数据集进行时间维度的滑窗处理,并对滑窗内的生产线数据进行统计,得到统计性特征;
样本生成单元603,用于根据所述统计性特征、工艺参数、以及质量指标,生成输入输出数据对,每个输入输出数据对作为一个数据样本;
第一模型建立单元604,用于利用所述数据样本训练得到质量指标预测模型;
第二模型建立单元605,用于利用所述数据样本训练得到质量指标上下限预测模型。
进一步地,为了避免一些异常数据对后续模型准确性产生不利影响,在所述模型建立模块中还可包括数据预处理单元,用于对采集的上述历史数据进行预处理,主要包括:数据时间戳对齐、缺失值处理、异常值处理等。
相应地,所述预测模块503可以包括以下各单元:
质量指标预测单元,用于将包括当前时刻在内的一段历史生产线数据的统计性特征及所述工艺参数输入所述质量指标预测模型,得到所述质量指标的预测值;
范围预测单元,用于将包括当前时刻在内的一段历史生产线数据的统计性特征及所述工艺参数输入所述质量指标上下限预测模型,预测得到所述质量指标的不确定性范围。
进一步地,为了提高所述质量指标预测模型和质量指标上下限预测模型的准确性,在实际应用中,还可以对得到的所有数据样本进行划分,将其中一部分划分为训练数据集,另一部分作为测试数据集。相应地,针对质量指标预测模型和质量指标上下限预测模型,可以分别选定两种或两种以上的回归模型架构和分位数回归模型架构,然后基于所述训练数据集和测试数据集,在预先选定的模型架构上进行质量指标预测模型及质量指标上下限预测模型的训练及测试,根据测试结果从所有训练的模型中选择最优的模型。
如图7所示,是本发明加工设备工艺参数优化系统中模型建立模块的另一种结构框图。
与图6所示实施例相比,区别在于在该实施例中,所述模型建立模块还包括:样本划分单元701,用于将所有数据样本划分为训练数据集和测试数据集。
相应地,在该实施例中,所述第一模型建立单元604可以包括以下各单元:
第一训练子单元,用于选择至少两个用于质量指标预测的回归模型,并利用所述训练数据集分别训练得到各回归模型的参数;
第一测试子单元,用于利用所述测试数据集对各回归模型进行测试,并根据测试结果选择其中最优回归模型作为质量指标预测模型;
同样,在该实施例中,所述第二模型建立单元605可以包括以下各单元:
第二训练子单元,用于选择至少两个用于质量指标上下限预测的分位数回归模型,并利用所述训练数据集分别训练得到各分位数回归模型的参数;
第二测试子单元,用于利用所述测试数据集对各分位数回归模型进行测试,并根据测试结果选择其中最优分位数回归模型作为质量指标上下限预测模型。
在图5中,优化控制模块504需要针对针对预测模型存在不确定性,根据质量指标的不确定范围进一步对工艺参数进行优化,通过迭代优化过程,得到当前来料信息和环境参数下的最优工艺参数。
如图8所示,是本发明系统中所述优化控制模块的一种结构框图,包括以下各单元:
偏差确定单元801,用于计算所述预测值和所述目标值的偏差,并根据所述不确定性范围计算所述偏差小于所述预设偏差值的概率;比如,可以利用蒙特卡洛随机模拟方法确定所述偏差小于所述预设偏差值的概率;
判断单元802,用于根据所述概率确定是否满足约束条件;比如,在所述概率大于设定的概率阈值时,确定满足约束条件;否则确定不满足约束条件;
优化目标确定单元803,用于在所述判断单元802确定满足约束条件时,根据所述预设偏差值确定优化目标函数值;在所述判断单元802确定不满足约束条件时,根据所述预设偏差值及惩罚项确定优化目标函数值,所述惩罚项与所述概率成反比;
参数更新单元804,用于以所述优化目标函数值最小为优化目标,更新所述预设偏差值和所述工艺参数,然后触发图5中的预测模块503利用更新后的工艺参数和所述预设偏差值进行预测。
本发明实施例提供的加工设备工艺参数优化系统,针对预测模型存在不确定性的情况,不仅利用来料信息、环境参数及工艺参数进行质量指标的预测,而且对质量指标的不确定范围进行预测,根据质量指标的不确定范围进一步对工艺参数进行优化,使优化结果达到一个可接受的概率水平,从而提高优化结果的准确性和稳定性,进而得到当前来料信息和环境参数下的最优工艺参数。
进一步地,在本发明系统另一实施例中,所述输出模块505将得到的最优工艺参数输出给用于控制加工设备的加工控制模块(未图示),使所述加工控制模块按照所述最优工艺参数控制所述加工设备在当前来料信息和环境参数下运行。
利用本发明方案,可以不需要预测模型达到一个非常高的精准度,而是允许预测模型存在一定的不确定性,也就是说,即使预测模型存在一定的不确定性,也能够得到精准、稳定的最优工艺参数,使质量指标达到设定需求。
需要说明的是,对于上述本发明装置各实施例而言,由于各模块、单元的功能实现与相应的方法中类似,因此对所述装置各实施例描述得比较简单,相关之处可参见方法实施例的相应部分说明。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。而且,以上所描述的系统实施例仅仅是示意性的,其中作为分离部件说明的模块和单元可以是或者也可以不是物理上分开的,即可以位于一个网络单元上,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
本领域普通技术人员可以理解实现上述方法实施方式中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,所述的程序可以存储于计算机可读取存储介质中,这里所称的存储介质,如:ROM/RAM、磁碟、光盘等。
相应地,本发明实施例还提供一种用于烘丝机工艺优化方法的装置,该装置是一种电子设备,比如,可以是移动终端、计算机、平板设备、个人数字助理等。所述电子设备可以包括一个或多个处理器、存储器;其中,所述存储器用于存储计算机可执行指令,所述处理器用于执行所述计算机可执行指令,以实现前面各实施例所述的方法。
以上对本发明实施例进行了详细介绍,本文中应用了具体实施方式对本发明进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及装置,其仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围,本说明书内容不应理解为对本发明的限制。因此,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (12)
1.一种加工设备工艺参数优化方法,其特征在于,所述方法包括:
实时采集生产线数据并获取质量指标的目标值,所述生产线数据包括:来料信息和环境参数;
设定工艺参数的初始值、以及所述质量指标的预设偏差值;
利用包括当前时刻在内的一段历史生产线数据及所述工艺参数,分别预测得到所述质量指标的预测值及所述质量指标的不确定性范围;
根据所述质量指标的预设偏差值和预测值、以及所述质量指标的不确定性范围确定优化目标,优化更新所述工艺参数和所述预设偏差值;利用更新后的工艺参数和所述预设偏差值进行迭代优化过程,直至满足终止条件;
迭代优化完成后,输出当前工艺参数的值作为当前来料信息和环境参数下的最优工艺参数。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括按照以下方式训练所述质量指标预测模型和质量指标上下限预测模型:
按照设定频次采集生产线数据、工艺参数、以及质量指标的历史数据,得到对应待预测工况时段的数据集,所述生产线数据包括:来料信息和环境参数;
对所述数据集进行时间维度的滑窗处理,并对滑窗内的生产线数据进行统计,得到统计性特征;
根据所述统计性特征、工艺参数、以及质量指标,生成输入输出数据对,每个输入输出数据对作为一个数据样本;
利用所述数据样本分别训练得到质量指标预测模型和质量指标上下限预测模型;
所述利用包括当前时刻在内的一段历史生产线数据及所述工艺参数分别预测得到所述质量指标的预测值及所述质量指标的不确定性范围包括:
将包括当前时刻在内的一段历史生产线数据的统计性特征及所述工艺参数输入所述质量指标预测模型,得到所述质量指标的预测值;
将包括当前时刻在内的一段历史生产线数据的统计性特征及所述工艺参数输入所述质量指标上下限预测模型,得到所述质量指标的不确定性范围。
3.根据权利要求2所述的方法,其特征在于,训练所述质量指标预测模型和质量指标上下限预测模型的过程还包括:将所有数据样本划分为训练数据集和测试数据集;
所述利用所述数据样本训练得到质量指标预测模型包括:
选择至少两个用于质量指标预测的回归模型,并利用所述训练数据集分别训练得到各回归模型的参数;
利用所述测试数据集对各回归模型进行测试,并根据测试结果选择其中最优回归模型作为质量指标预测模型;
所述利用所述数据样本训练得到质量指标上下限预测模型包括:
选择至少两个用于质量指标上下限预测的分位数回归模型,并利用所述训练数据集分别训练得到各分位数回归模型的参数;
利用所述测试数据集对各分位数回归模型进行测试,并根据测试结果选择其中最优分位数回归模型作为质量指标上下限预测模型。
4.根据权利要求1所述的方法,其特征在于,所述根据所述质量指标的预设偏差值和预测值、以及所述质量指标的不确定性范围确定优化目标,优化更新所述工艺参数和所述预设偏差值包括:
计算所述预测值和所述目标值的偏差,并根据所述不确定性范围计算所述偏差小于所述预设偏差值的概率;根据所述概率确定是否满足约束条件;
如果是,则根据所述预设偏差值确定优化目标函数值;
否则,根据所述预设偏差值及惩罚项确定优化目标函数值,所述惩罚项与所述概率成反比;
以所述优化目标函数值最小为优化目标,更新所述预设偏差值和所述工艺参数。
5.根据权利要求4所述的方法,其特征在于,所述根据所述概率确定是否满足约束条件包括:
如果所述概率大于设定的概率阈值,则确定满足约束条件;否则确定不满足约束条件。
6.根据权利要求1至5任一项所述的方法,其特征在于,所述方法还包括:
按照所述最优工艺参数控制所述加工设备在当前来料信息和环境参数下运行。
7.一种加工设备工艺参数优化系统,其特征在于,所述系统包括:
数据获取模块,用于实时采集生产线数据并获取质量指标的目标值,所述生产线数据包括:来料信息和环境参数;
设置模块,用于设定工艺参数的初始值、以及所述质量指标的预设偏差值;
预测模块,用于利用包括当前时刻在内的一段历史生产线数据及所述工艺参数,分别预测得到所述质量指标的预测值及所述质量指标的不确定性范围;
优化控制模块,用于根据所述质量指标的预设偏差值和预测值、以及所述质量指标的不确定性范围确定优化目标,优化更新所述工艺参数和所述预设偏差值;利用更新后的工艺参数和所述预设偏差值进行迭代优化过程,直至满足终止条件;
输出模块,用于在迭代优化完成后,输出当前工艺参数的值作为当前来料信息和环境参数下的最优工艺参数。
8.根据权利要求7所述的系统,其特征在于,所述系统还包括:模型建立模块,用于分别训练得到质量指标预测模型和质量指标上下限预测模型,所述模型建立模块包括:
数据采集单元,用于按照设定频次采集生产线数据、工艺参数、以及质量指标的历史数据,得到对应待预测工况时段的数据集,所述生产线数据包括:来料信息和环境参数;
统计单元,用于对所述数据集进行时间维度的滑窗处理,并对滑窗内的生产线数据进行统计,得到统计性特征;
样本生成单元,用于根据所述统计性特征、工艺参数、以及质量指标,生成输入输出数据对,每个输入输出数据对作为一个数据样本;
第一模型建立单元,用于利用所述数据样本训练得到质量指标预测模型;
第二模型建立单元,用于利用所述数据样本训练得到质量指标上下限预测模型;
所述预测模块包括:
质量指标预测单元,用于将包括当前时刻在内的一段历史生产线数据的统计性特征及所述工艺参数输入所述质量指标预测模型,得到所述质量指标的预测值;
范围预测单元,用于将包括当前时刻在内的一段历史生产线数据的统计性特征及所述工艺参数输入所述质量指标上下限预测模型,预测得到所述质量指标的不确定性范围。
9.根据权利要求8所述的系统,其特征在于,所述模型建立模块还包括:
样本划分单元,用于将所有数据样本划分为训练数据集和测试数据集;
所述第一模型建立单元包括:
第一训练子单元,用于选择至少两个用于质量指标预测的回归模型,并利用所述训练数据集分别训练得到各回归模型的参数;
第一测试子单元,用于利用所述测试数据集对各回归模型进行测试,并根据测试结果选择其中最优回归模型作为质量指标预测模型;
所述第二模型建立单元包括:
第二训练子单元,用于选择至少两个用于质量指标上下限预测的分位数回归模型,并利用所述训练数据集分别训练得到各分位数回归模型的参数;
第二测试子单元,用于利用所述测试数据集对各分位数回归模型进行测试,并根据测试结果选择其中最优分位数回归模型作为质量指标上下限预测模型。
10.根据权利要求7所述的系统,其特征在于,所述优化控制模块包括:
偏差确定单元,用于计算所述预测值和所述目标值的偏差,并根据所述不确定性范围计算所述偏差小于所述预设偏差值的概率;
判断单元,用于根据所述概率确定是否满足约束条件;
优化目标确定单元,用于在所述判断单元确定满足约束条件时,根据所述预设偏差值确定优化目标函数值;在所述判断单元确定不满足约束条件时,根据所述预设偏差值及惩罚项确定优化目标函数值,所述惩罚项与所述概率成反比;
参数更新单元,用于以所述优化目标函数值最小为优化目标,更新所述预设偏差值和所述工艺参数,然后触发所述预测模块利用更新后的工艺参数和所述预设偏差值进行预测。
11.根据权利要求10所述的系统,其特征在于,
所述判断单元在所述概率大于设定的概率阈值时,确定满足约束条件;否则确定不满足约束条件。
12.根据权利要求7至11任一项所述的系统,其特征在于,所述系统还包括:
加工控制模块,用于按照所述最优工艺参数控制所述加工设备在当前来料信息和环境参数下运行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010458355.0A CN111597729B (zh) | 2020-05-27 | 2020-05-27 | 加工设备工艺参数优化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010458355.0A CN111597729B (zh) | 2020-05-27 | 2020-05-27 | 加工设备工艺参数优化方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111597729A true CN111597729A (zh) | 2020-08-28 |
CN111597729B CN111597729B (zh) | 2023-07-25 |
Family
ID=72188805
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010458355.0A Active CN111597729B (zh) | 2020-05-27 | 2020-05-27 | 加工设备工艺参数优化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111597729B (zh) |
Cited By (43)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112163798A (zh) * | 2020-10-29 | 2021-01-01 | 黑龙江东方学院 | 一种大数据驱动的自调控汽车加工流水线数字孪生系统 |
CN112257948A (zh) * | 2020-10-30 | 2021-01-22 | 红云红河烟草(集团)有限责任公司 | 润叶加料出口含水率预测方法、装置以及设备 |
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 |
CN112486123A (zh) * | 2020-11-30 | 2021-03-12 | 山东中烟工业有限责任公司 | 一种基于来料状态的卷烟机参数设置预测系统和方法 |
CN112650173A (zh) * | 2020-12-17 | 2021-04-13 | 内蒙古第一机械集团股份有限公司 | 一种钢丝螺套装配工艺参数控制方法 |
CN112766059A (zh) * | 2020-12-30 | 2021-05-07 | 深圳市裕展精密科技有限公司 | 产品加工品质的检测方法、检测装置 |
CN112790418A (zh) * | 2021-03-18 | 2021-05-14 | 河南中烟工业有限责任公司 | 一种叶丝超级回潮的加水控制方法及系统 |
CN112790421A (zh) * | 2021-03-18 | 2021-05-14 | 河南中烟工业有限责任公司 | 一种基于滑窗预测的梗丝加料出口含水率的控制方法 |
CN112836317A (zh) * | 2021-03-05 | 2021-05-25 | 南昌工程学院 | 一种基于眼动追踪技术的产品设计智能建模方法 |
CN112914139A (zh) * | 2021-03-18 | 2021-06-08 | 河南中烟工业有限责任公司 | 一种松散回潮工序的加水量的控制方法及系统 |
CN113076309A (zh) * | 2021-03-26 | 2021-07-06 | 四川中烟工业有限责任公司 | 烟草生丝水分加水量预测系统及方法 |
CN113573488A (zh) * | 2021-07-01 | 2021-10-29 | 德中(天津)技术发展股份有限公司 | 激光和化学结合选择性活化绝缘材料制造导电图案的系统 |
CN113573489A (zh) * | 2021-07-01 | 2021-10-29 | 德中(天津)技术发展股份有限公司 | 激光和化学结合选择性活化绝缘材料制造导电图案的方法 |
CN113705897A (zh) * | 2021-08-30 | 2021-11-26 | 江西鑫铂瑞科技有限公司 | 一种面向工业铜箔生产的产品质量预测方法及系统 |
CN114140034A (zh) * | 2022-01-30 | 2022-03-04 | 希望知舟技术(深圳)有限公司 | 基于工况的质量监控方法及相关装置 |
CN114323725A (zh) * | 2022-01-26 | 2022-04-12 | 深圳市信润富联数字科技有限公司 | 点胶机健康度检测方法、装置、设备及存储介质 |
CN114358966A (zh) * | 2022-03-16 | 2022-04-15 | 希望知舟技术(深圳)有限公司 | 一种基于机器学习的生产排产方法、装置及存储介质 |
CN114493049A (zh) * | 2022-04-07 | 2022-05-13 | 卡奥斯工业智能研究院(青岛)有限公司 | 基于数字孪生的产线优化方法、装置、电子设备及介质 |
CN114510852A (zh) * | 2022-04-20 | 2022-05-17 | 希望知舟技术(深圳)有限公司 | 一种基于异常工况的生产工艺参数的推荐方法及装置 |
CN114612007A (zh) * | 2022-04-11 | 2022-06-10 | 宁夏全通枸杞产业有限公司 | 一种枸杞白兰地和枸杞保健醋联合生产调节方法及系统 |
CN114794670A (zh) * | 2022-04-01 | 2022-07-29 | 深圳市如本科技有限公司 | 鞋涂场景仿真实施方法及鞋涂测试装置 |
CN114819575A (zh) * | 2022-04-18 | 2022-07-29 | 中国兵器装备集团自动化研究所有限公司 | 一种多时间尺度数据融合的质量分析与优化方法及系统 |
CN114971599A (zh) * | 2022-08-02 | 2022-08-30 | 杭州安脉盛智能技术有限公司 | 食品制造加工工艺参数设置方法、装置、设备及介质 |
CN115018401A (zh) * | 2022-08-09 | 2022-09-06 | 启东赢维数据信息科技有限公司 | 一种磨毛机滚轮辊间压力补偿及监控预警系统 |
CN115048422A (zh) * | 2022-05-16 | 2022-09-13 | 上海控软网络科技有限公司 | 一种工艺推荐方法、装置、设备及存储介质 |
CN115146875A (zh) * | 2022-09-02 | 2022-10-04 | 北京寄云鼎城科技有限公司 | 基于历史数据的工艺参数推荐方法、设备、系统及介质 |
CN115347300A (zh) * | 2022-08-04 | 2022-11-15 | 东软睿驰汽车技术(沈阳)有限公司 | 箱体结构设计方法 |
CN115385554A (zh) * | 2022-09-06 | 2022-11-25 | 河北光兴半导体技术有限公司 | 加料控制系统、加料控制方法及加料系统 |
CN115456459A (zh) * | 2022-09-30 | 2022-12-09 | 浙江中泽精密科技有限公司 | 一种新能源动力电池盖板片加工工艺方法及系统 |
CN115509196A (zh) * | 2022-10-27 | 2022-12-23 | 深圳市卓讯达科技发展有限公司 | 一种基于机器学习的制造工艺优化方法及装置 |
CN115796707A (zh) * | 2023-02-02 | 2023-03-14 | 浪潮通用软件有限公司 | 一种pvb树脂产品质量指标预测方法及装置 |
CN115826541A (zh) * | 2023-02-16 | 2023-03-21 | 一夫科技股份有限公司 | 一种β型建筑石膏粉的生产控制方法及系统 |
CN115983684A (zh) * | 2022-12-19 | 2023-04-18 | 常熟中佳新材料有限公司 | 一种制冷用铜管生产缺陷管理方法及系统 |
CN116128102A (zh) * | 2022-12-09 | 2023-05-16 | 常熟中佳新材料有限公司 | 一种制冷设备用异形铜管生产优化方法及系统 |
CN116307289A (zh) * | 2023-05-19 | 2023-06-23 | 苏州益诚隆纺织科技有限公司 | 一种纺织品加工工序参数检测预测方法、系统及存储介质 |
CN116312882A (zh) * | 2023-02-17 | 2023-06-23 | 宝胜高压电缆有限公司 | 一种聚丙烯电缆生产工艺优化方法及系统 |
CN116306320A (zh) * | 2023-05-18 | 2023-06-23 | 张家港市欧凯医疗器械有限公司 | 非血管腔道导丝生产质量管理方法及系统 |
CN116415434A (zh) * | 2023-04-07 | 2023-07-11 | 平湖市山特螺纹工具有限公司 | 一种用于高强度钢的丝锥加工工艺方法及系统 |
CN116993233A (zh) * | 2023-09-28 | 2023-11-03 | 南通华隆微电子股份有限公司 | 一种提高二极管封装质量的方法与系统 |
CN117076260A (zh) * | 2023-10-17 | 2023-11-17 | 杭州和利时自动化有限公司 | 一种参数及设备异常检测方法及装置 |
WO2024011936A1 (zh) * | 2022-07-11 | 2024-01-18 | 华为云计算技术有限公司 | 一种工艺参数的优化方法及装置 |
CN117420804A (zh) * | 2023-11-13 | 2024-01-19 | 嘉兴富瑞特精密机电有限公司 | 一种金属箱体流水线智能优化控制方法 |
CN117884816A (zh) * | 2024-03-18 | 2024-04-16 | 苏芯物联技术(南京)有限公司 | 一种基于历史焊接电流工艺区间的快速工艺推荐方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102831269A (zh) * | 2012-08-16 | 2012-12-19 | 内蒙古科技大学 | 一种流程工业过程工艺参数的确定方法 |
US20170061305A1 (en) * | 2015-08-28 | 2017-03-02 | Jiangnan University | Fuzzy curve analysis based soft sensor modeling method using time difference Gaussian process regression |
CN110674598A (zh) * | 2019-08-26 | 2020-01-10 | 江苏师范大学 | 一种基于支持向量机和粒子群算法的注塑工艺优化方法 |
-
2020
- 2020-05-27 CN CN202010458355.0A patent/CN111597729B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102831269A (zh) * | 2012-08-16 | 2012-12-19 | 内蒙古科技大学 | 一种流程工业过程工艺参数的确定方法 |
US20170061305A1 (en) * | 2015-08-28 | 2017-03-02 | Jiangnan University | Fuzzy curve analysis based soft sensor modeling method using time difference Gaussian process regression |
CN110674598A (zh) * | 2019-08-26 | 2020-01-10 | 江苏师范大学 | 一种基于支持向量机和粒子群算法的注塑工艺优化方法 |
Cited By (66)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112163798A (zh) * | 2020-10-29 | 2021-01-01 | 黑龙江东方学院 | 一种大数据驱动的自调控汽车加工流水线数字孪生系统 |
CN112257948A (zh) * | 2020-10-30 | 2021-01-22 | 红云红河烟草(集团)有限责任公司 | 润叶加料出口含水率预测方法、装置以及设备 |
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 |
CN112486123A (zh) * | 2020-11-30 | 2021-03-12 | 山东中烟工业有限责任公司 | 一种基于来料状态的卷烟机参数设置预测系统和方法 |
CN112486123B (zh) * | 2020-11-30 | 2022-04-08 | 山东中烟工业有限责任公司 | 一种基于来料状态的卷烟机参数设置预测系统和方法 |
CN112650173A (zh) * | 2020-12-17 | 2021-04-13 | 内蒙古第一机械集团股份有限公司 | 一种钢丝螺套装配工艺参数控制方法 |
CN112650173B (zh) * | 2020-12-17 | 2022-08-23 | 内蒙古第一机械集团股份有限公司 | 一种钢丝螺套装配工艺参数控制方法 |
CN112766059A (zh) * | 2020-12-30 | 2021-05-07 | 深圳市裕展精密科技有限公司 | 产品加工品质的检测方法、检测装置 |
CN112766059B (zh) * | 2020-12-30 | 2024-05-03 | 富联裕展科技(深圳)有限公司 | 产品加工品质的检测方法、检测装置 |
CN112836317A (zh) * | 2021-03-05 | 2021-05-25 | 南昌工程学院 | 一种基于眼动追踪技术的产品设计智能建模方法 |
CN112914139B (zh) * | 2021-03-18 | 2022-04-19 | 河南中烟工业有限责任公司 | 一种松散回潮工序的加水量的控制方法及系统 |
CN112914139A (zh) * | 2021-03-18 | 2021-06-08 | 河南中烟工业有限责任公司 | 一种松散回潮工序的加水量的控制方法及系统 |
CN112790418B (zh) * | 2021-03-18 | 2022-05-24 | 河南中烟工业有限责任公司 | 一种叶丝超级回潮的加水控制方法及系统 |
CN112790421A (zh) * | 2021-03-18 | 2021-05-14 | 河南中烟工业有限责任公司 | 一种基于滑窗预测的梗丝加料出口含水率的控制方法 |
CN112790418A (zh) * | 2021-03-18 | 2021-05-14 | 河南中烟工业有限责任公司 | 一种叶丝超级回潮的加水控制方法及系统 |
CN113076309A (zh) * | 2021-03-26 | 2021-07-06 | 四川中烟工业有限责任公司 | 烟草生丝水分加水量预测系统及方法 |
CN113076309B (zh) * | 2021-03-26 | 2023-05-09 | 四川中烟工业有限责任公司 | 烟草生丝水分加水量预测系统及方法 |
CN113573488A (zh) * | 2021-07-01 | 2021-10-29 | 德中(天津)技术发展股份有限公司 | 激光和化学结合选择性活化绝缘材料制造导电图案的系统 |
CN113573489B (zh) * | 2021-07-01 | 2024-04-05 | 德中(天津)技术发展股份有限公司 | 激光和化学结合选择性活化绝缘材料制造导电图案的方法 |
CN113573489A (zh) * | 2021-07-01 | 2021-10-29 | 德中(天津)技术发展股份有限公司 | 激光和化学结合选择性活化绝缘材料制造导电图案的方法 |
CN113705897B (zh) * | 2021-08-30 | 2023-09-26 | 江西鑫铂瑞科技有限公司 | 一种面向工业铜箔生产的产品质量预测方法及系统 |
CN113705897A (zh) * | 2021-08-30 | 2021-11-26 | 江西鑫铂瑞科技有限公司 | 一种面向工业铜箔生产的产品质量预测方法及系统 |
CN114323725A (zh) * | 2022-01-26 | 2022-04-12 | 深圳市信润富联数字科技有限公司 | 点胶机健康度检测方法、装置、设备及存储介质 |
CN114140034B (zh) * | 2022-01-30 | 2022-04-29 | 希望知舟技术(深圳)有限公司 | 基于工况的质量监控方法及相关装置 |
CN114140034A (zh) * | 2022-01-30 | 2022-03-04 | 希望知舟技术(深圳)有限公司 | 基于工况的质量监控方法及相关装置 |
CN114358966A (zh) * | 2022-03-16 | 2022-04-15 | 希望知舟技术(深圳)有限公司 | 一种基于机器学习的生产排产方法、装置及存储介质 |
CN114794670A (zh) * | 2022-04-01 | 2022-07-29 | 深圳市如本科技有限公司 | 鞋涂场景仿真实施方法及鞋涂测试装置 |
CN114493049A (zh) * | 2022-04-07 | 2022-05-13 | 卡奥斯工业智能研究院(青岛)有限公司 | 基于数字孪生的产线优化方法、装置、电子设备及介质 |
WO2023193458A1 (zh) * | 2022-04-07 | 2023-10-12 | 卡奥斯工业智能研究院(青岛)有限公司 | 基于数字孪生的产线优化方法、装置、电子设备及介质 |
CN114612007A (zh) * | 2022-04-11 | 2022-06-10 | 宁夏全通枸杞产业有限公司 | 一种枸杞白兰地和枸杞保健醋联合生产调节方法及系统 |
CN114819575A (zh) * | 2022-04-18 | 2022-07-29 | 中国兵器装备集团自动化研究所有限公司 | 一种多时间尺度数据融合的质量分析与优化方法及系统 |
CN114510852A (zh) * | 2022-04-20 | 2022-05-17 | 希望知舟技术(深圳)有限公司 | 一种基于异常工况的生产工艺参数的推荐方法及装置 |
CN115048422A (zh) * | 2022-05-16 | 2022-09-13 | 上海控软网络科技有限公司 | 一种工艺推荐方法、装置、设备及存储介质 |
WO2024011936A1 (zh) * | 2022-07-11 | 2024-01-18 | 华为云计算技术有限公司 | 一种工艺参数的优化方法及装置 |
CN114971599A (zh) * | 2022-08-02 | 2022-08-30 | 杭州安脉盛智能技术有限公司 | 食品制造加工工艺参数设置方法、装置、设备及介质 |
CN115347300B (zh) * | 2022-08-04 | 2023-09-08 | 东软睿驰汽车技术(沈阳)有限公司 | 箱体结构设计方法 |
CN115347300A (zh) * | 2022-08-04 | 2022-11-15 | 东软睿驰汽车技术(沈阳)有限公司 | 箱体结构设计方法 |
CN115018401A (zh) * | 2022-08-09 | 2022-09-06 | 启东赢维数据信息科技有限公司 | 一种磨毛机滚轮辊间压力补偿及监控预警系统 |
CN115018401B (zh) * | 2022-08-09 | 2022-10-25 | 启东赢维数据信息科技有限公司 | 一种磨毛机滚轮辊间压力补偿及监控预警系统 |
CN115146875A (zh) * | 2022-09-02 | 2022-10-04 | 北京寄云鼎城科技有限公司 | 基于历史数据的工艺参数推荐方法、设备、系统及介质 |
CN115385554A (zh) * | 2022-09-06 | 2022-11-25 | 河北光兴半导体技术有限公司 | 加料控制系统、加料控制方法及加料系统 |
CN115456459B (zh) * | 2022-09-30 | 2023-05-05 | 浙江中泽精密科技有限公司 | 一种新能源动力电池盖板片加工工艺方法及系统 |
CN115456459A (zh) * | 2022-09-30 | 2022-12-09 | 浙江中泽精密科技有限公司 | 一种新能源动力电池盖板片加工工艺方法及系统 |
CN115509196A (zh) * | 2022-10-27 | 2022-12-23 | 深圳市卓讯达科技发展有限公司 | 一种基于机器学习的制造工艺优化方法及装置 |
CN116128102A (zh) * | 2022-12-09 | 2023-05-16 | 常熟中佳新材料有限公司 | 一种制冷设备用异形铜管生产优化方法及系统 |
CN116128102B (zh) * | 2022-12-09 | 2024-01-23 | 常熟中佳新材料有限公司 | 一种制冷设备用异形铜管生产优化方法及系统 |
CN115983684B (zh) * | 2022-12-19 | 2024-01-26 | 常熟中佳新材料有限公司 | 一种制冷用铜管生产缺陷管理方法及系统 |
CN115983684A (zh) * | 2022-12-19 | 2023-04-18 | 常熟中佳新材料有限公司 | 一种制冷用铜管生产缺陷管理方法及系统 |
CN115796707A (zh) * | 2023-02-02 | 2023-03-14 | 浪潮通用软件有限公司 | 一种pvb树脂产品质量指标预测方法及装置 |
CN115826541A (zh) * | 2023-02-16 | 2023-03-21 | 一夫科技股份有限公司 | 一种β型建筑石膏粉的生产控制方法及系统 |
CN116312882A (zh) * | 2023-02-17 | 2023-06-23 | 宝胜高压电缆有限公司 | 一种聚丙烯电缆生产工艺优化方法及系统 |
CN116312882B (zh) * | 2023-02-17 | 2024-02-20 | 宝胜高压电缆有限公司 | 一种聚丙烯电缆生产工艺优化方法及系统 |
CN116415434B (zh) * | 2023-04-07 | 2024-05-24 | 平湖市山特螺纹工具有限公司 | 一种用于高强度钢的丝锥加工工艺方法及系统 |
CN116415434A (zh) * | 2023-04-07 | 2023-07-11 | 平湖市山特螺纹工具有限公司 | 一种用于高强度钢的丝锥加工工艺方法及系统 |
CN116306320A (zh) * | 2023-05-18 | 2023-06-23 | 张家港市欧凯医疗器械有限公司 | 非血管腔道导丝生产质量管理方法及系统 |
CN116306320B (zh) * | 2023-05-18 | 2023-09-15 | 张家港市欧凯医疗器械有限公司 | 非血管腔道导丝生产质量管理方法及系统 |
CN116307289A (zh) * | 2023-05-19 | 2023-06-23 | 苏州益诚隆纺织科技有限公司 | 一种纺织品加工工序参数检测预测方法、系统及存储介质 |
CN116307289B (zh) * | 2023-05-19 | 2023-08-18 | 苏州益诚隆纺织科技有限公司 | 一种纺织品加工工序参数检测预测方法、系统及存储介质 |
CN116993233B (zh) * | 2023-09-28 | 2023-12-12 | 南通华隆微电子股份有限公司 | 一种提高二极管封装质量的方法与系统 |
CN116993233A (zh) * | 2023-09-28 | 2023-11-03 | 南通华隆微电子股份有限公司 | 一种提高二极管封装质量的方法与系统 |
CN117076260B (zh) * | 2023-10-17 | 2024-01-26 | 杭州和利时自动化有限公司 | 一种参数及设备异常检测方法及装置 |
CN117076260A (zh) * | 2023-10-17 | 2023-11-17 | 杭州和利时自动化有限公司 | 一种参数及设备异常检测方法及装置 |
CN117420804B (zh) * | 2023-11-13 | 2024-03-26 | 嘉兴富瑞特精密机电有限公司 | 一种金属箱体流水线智能优化控制方法 |
CN117420804A (zh) * | 2023-11-13 | 2024-01-19 | 嘉兴富瑞特精密机电有限公司 | 一种金属箱体流水线智能优化控制方法 |
CN117884816A (zh) * | 2024-03-18 | 2024-04-16 | 苏芯物联技术(南京)有限公司 | 一种基于历史焊接电流工艺区间的快速工艺推荐方法 |
CN117884816B (zh) * | 2024-03-18 | 2024-05-17 | 苏芯物联技术(南京)有限公司 | 一种基于历史焊接电流工艺区间的快速工艺推荐方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111597729B (zh) | 2023-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111597729B (zh) | 加工设备工艺参数优化方法及系统 | |
CN109674080B (zh) | 烟叶回潮加水量预测方法、存储介质及终端设备 | |
CN108652066B (zh) | 预测松散回潮工序加水量的方法及装置 | |
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 | |
JP2000517473A (ja) | 単一ステップフィードバックによる統計的シミュレーションを用いて製造プロセスを監視かつ分析するためのシステム | |
CN109343489B (zh) | 烟草制丝工艺参数自愈控制方法及系统 | |
CN112273695A (zh) | 松散回潮出口含水率预测方法、装置以及设备 | |
CN112273696A (zh) | 切丝后水分控制方法、装置以及设备 | |
CN114115393A (zh) | 一种制丝线薄板烘丝机出口水分和温度的控制方法 | |
CN115511398A (zh) | 一种基于时间敏感网络的焊接质量智能检测方法及系统 | |
CN114819178A (zh) | 一种铁路施工进度指标预测和在线更新方法 | |
CN115034303A (zh) | 一种食品有害物质定向检测方法及系统 | |
CN111127242A (zh) | 一种基于小样本数据的电力系统可靠性动态实时评估方法 | |
CN108068294B (zh) | 塑胶押出制程控制方法及参数调整系统 | |
JP2013137774A (ja) | プロセスの状態予測方法およびプロセス状態予測システム | |
CN111524023A (zh) | 温室调节方法及系统 | |
CN116757354A (zh) | 一种基于多层感知机的烟叶复烤段关键参数筛选方法 | |
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 | |
US20230221687A1 (en) | A system and method for evaluation of sand compactibility | |
CN114186878A (zh) | 一种基于模型池的流程工业质量数据预测算法 | |
CN113076309B (zh) | 烟草生丝水分加水量预测系统及方法 | |
CN114692507A (zh) | 基于堆叠泊松自编码器网络的计数数据软测量建模方法 | |
He et al. | Uncertainty-Aware Data-Driven Tobacco Loosening and Conditioning Process Moisture Prediction and Control Optimization | |
CN113624317A (zh) | 烟丝掺配工序电子皮带秤异常在线监测方法 | |
CN114692515B (zh) | 一种基于时间滞后xgboost模型的熟料游离钙含量软测量方法 |
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 |