CN111612427A - 一种基于深度学习的烟支吸阻智能控制系统及其控制方法 - Google Patents
一种基于深度学习的烟支吸阻智能控制系统及其控制方法 Download PDFInfo
- Publication number
- CN111612427A CN111612427A CN202010446414.2A CN202010446414A CN111612427A CN 111612427 A CN111612427 A CN 111612427A CN 202010446414 A CN202010446414 A CN 202010446414A CN 111612427 A CN111612427 A CN 111612427A
- Authority
- CN
- China
- Prior art keywords
- cigarette
- data
- value
- server
- weight
- 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
- 235000019504 cigarettes Nutrition 0.000 title claims abstract description 264
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000013135 deep learning Methods 0.000 title claims abstract description 26
- 241000208125 Nicotiana Species 0.000 claims abstract description 41
- 235000002637 Nicotiana tabacum Nutrition 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 37
- 230000008859 change Effects 0.000 claims abstract description 24
- 238000004519 manufacturing process Methods 0.000 claims abstract description 17
- 238000013528 artificial neural network Methods 0.000 claims abstract description 10
- 210000004027 cell Anatomy 0.000 claims description 72
- 230000009466 transformation Effects 0.000 claims description 33
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 24
- 238000005096 rolling process Methods 0.000 claims description 24
- 230000015654 memory Effects 0.000 claims description 18
- 239000013598 vector Substances 0.000 claims description 18
- 238000013136 deep learning model Methods 0.000 claims description 17
- 238000006243 chemical reaction Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 15
- 230000000391 smoking effect Effects 0.000 claims description 13
- 238000005056 compaction Methods 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 12
- 229910052742 iron Inorganic materials 0.000 claims description 12
- 238000005476 soldering Methods 0.000 claims description 12
- 239000002699 waste material Substances 0.000 claims description 12
- 238000009825 accumulation Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 7
- 241000510097 Megalonaias nervosa Species 0.000 claims description 6
- 238000010168 coupling process Methods 0.000 claims description 6
- 238000005859 coupling reaction Methods 0.000 claims description 6
- 238000013480 data collection Methods 0.000 claims description 6
- 239000004744 fabric Substances 0.000 claims description 6
- 230000007774 longterm Effects 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 230000003287 optical effect Effects 0.000 claims description 6
- 238000011084 recovery Methods 0.000 claims description 6
- 230000000717 retained effect Effects 0.000 claims description 6
- 238000009423 ventilation Methods 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 claims description 4
- 238000007726 management method Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 238000013500 data storage Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 abstract description 4
- 238000011217 control strategy Methods 0.000 abstract description 2
- 230000006386 memory function Effects 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 7
- 238000012856 packing Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 238000011031 large-scale manufacturing process Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000012858 packaging process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
- H04L67/125—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks involving control of end-device applications over a network
-
- 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]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Marketing (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Medical Informatics (AREA)
- Feedback Control In General (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Manufacturing & Machinery (AREA)
Abstract
本发明公开了一种基于深度学习的烟支吸阻智能控制系统及其控制方法，通过使用单支烟高速数采方法，充分利用烟支生产过程中的数据，尤其是烟丝数据，提升烟支吸阻预测的准确性以及设定目标重量数值的准确性，通过离线预训练的方法，将人工经验知识纳入控制网络中，以人工专家经验为前提，进行模型的预训练，然后通过结合实时在线训练方式，在原有人工经验基础上，对控制策略进行修正，实现控制得实时在线，解决从烟支吸阻检测到控制的长周期，通过基于循环神经网络的烟支吸阻预测方法，通过运用循环神经网络的记忆功能，将人工经验与现有实时数据进行集合，对长期的烟支吸阻变化趋势进行预测，掌握合适的调整时机，提升烟支吸阻的稳定性。
Description
技术领域
本发明属于卷烟生产技术领域，特别涉及一种基于深度学习的烟支吸阻智能控制系统及其控制方法。
背景技术
成品烟支的吸阻值是最终产品的质量考核指标，而在烟支吸阻只有在卷烟机生产时是可控的，后续的输送和包装过程都是不可控的，因此在卷烟机处控制烟支吸阻的稳定性是关键。当前通过调整目标重量来稳定烟支吸阻的主要依据是质检员的多次抽样检测结果与经验。但人工采样检测反馈周期长，另外，质检员检测的是长支烟的烟支吸阻，进行目标重量的调整是直接作用于短支烟的，其中滤棒的烟支吸阻与重量是一个不可控因素，现有操作流程并未对其数据进行跟踪关联，在烟丝换批的过程中，并未对烟丝的不同批次数据特性进行综合考虑设定目标重量值。
发明内容
本发明的目的是提供一种利用单支烟实时数据以及烟丝批次历史数据，建立特征自动选择模型，通过深度学习方法，建立实时智能控制模型，通过调节目标重量来实现批间烟支吸阻的稳定性的烟支吸阻智能控制系统及其控制方法。
为实现上述目的，本发明采用的技术方案如下：
一种基于深度学习的烟支吸阻智能控制系统，包括卷烟机、高速数采系统、卷包数采服务器、企业管理网、应用服务器、应用备份服务器、卷包智能控制服务器、卷包智能控制备份服务器、深度学习模型训练服务器、数据库服务器；其特征在于：所述高速数采系统设置在所述卷包数采服务器上，通过以太网与卷烟机相连接，用于采集卷烟机数据；所述卷包数采服务器，将数据上传给应用服务器；
所述应用服务器，用于与深度学习模型训练服务器、数据库服务器、卷包数采服务器和卷包智能控制服务器进行通信；
所述应用服务器设置有物联网平台，所述物联网平台将卷包数采服务器采集的卷烟机数据进行实例化，并通过自定义协议与卷包智能控制服务器中的数据整流模块进行通信，同时将数据保存到数据库服务器中；
应用服务器将于深度学习模型训练服务器获取的数据分析结果进行可视化展示，将于卷包智能控制服务器获取的目标重量值传给卷包数采服务器；
所述卷包智能控制服务器包括烟支吸阻预测模型、目标重量决策模型、数据整流模块和控制参量变换模块；
所述数据整流模块，通过自定义协议与应用服务器通信，获取应用服务器传来的数据，并通过所述控制参量变换模块，将应用服务器传来的数据变换后输出至烟支吸阻模型；
所述烟支吸阻预测模型将预测结果和整流数据，输出至目标重量决策模型；
所述目标重量决策模型将目标重量值输出到数据整流模块，经过控制参量变换模块变换后，通过自定义协议将数据传给应用服务器；
所述数据库服务器，用于提供数据存储服务；所述数据库服务器可扩展为多个；
所述深度学习模型训练服务器，用于对烟支吸阻预测模型进行预训练，并对数据进行分析，将数据处理后的结果输出至应用服务器；
所述卷包智能控制备份服务器，用于对卷包智能控制服务器的灾备；
所述应用备份服务器，用于对应用服务器的灾备。
优选的，所述烟支吸阻预测模型，采用了特殊隐式单元的LSTM：
其中M称为记忆细胞的特殊单元累加器和I、O、F门控神经元，它在下一个时间步长将拥有一个权值并联结到自身，copy自身状态的真实值和累积的外部信号，这种自联结是由另一个单元学习并决定何时清除记忆内容的乘法门控制的；
首先使用LSTM的当前输入xt和上一个状态传递下来的ht-1拼接训练得到四个状态：
其中：Zi表示I门，Zf表示F门，Zo表示O门；
由于其展开是一个深度前馈网络，其中细胞状态则有：
Ct＝Zf⊙Ct-1+Zi⊙Z
Ht＝Z0⊙tanh(Ct)
输出，也就是烟支吸阻预测值则有：
yt＝σ(W'Ht)
其中：
F门：主要功能是决定应丢弃或保留哪些信息，具体操作是将上一层隐藏状态的信息与当前层的输入进行sigmoid变换，输出值越接近于0，信息就会越容易被删除；
I门：输入门用于更新细胞状态，首先将前一层隐藏状态的信息和当前输入的信息进行sigmoid变换，将值调整到0～1之间来决定要更新哪些信息，0表示不重要，1表示重要，其次还要将前一层隐藏状态的信息和当前输入的信息进行tanh变换，创造一个新的侯选值向量，最后将sigmoid的输出值与tanh的输出值相乘，sigmoid的输出值将决定tanh的输出值中哪些信息是重要且需要保留下来的；
M记忆细胞：前一层的M与F向量逐点相乘，如果它乘以接近0的值，意味着在新的细胞状态中，这些信息是需要丢弃掉的，然后再将该值与I门的输出值逐点相加，将神经网络发现的新信息更新到细胞状态中去，至此，就得到了更新后的细胞状态；
O门：用来确定下一个隐藏状态的值，隐藏状态包含了先前输入的信息，首先，将前一个隐藏状态和当前输入进行sigmoid变换，然后将新得到的细胞状态进行tanh变换，最后将tanh的输出与sigmoid的输出相乘，以确定隐藏状态应携带的信息，再将隐藏状态作为当前细胞的输出，把新的细胞状态和新的隐藏状态传递到下一个时间步长中去。
优选的，所述卷包智能控制备份服务器的运行环境与所述卷包智能控制服务器一样，当卷包智能控制出现故障时，可以实时切换到卷包智能控制备份服务器；所述应用备份服务器的运行环境与所述应用服务器一样，当应用服务器出现故障时，可以实时切换到应用备份服务器。
优选的，所述自定义协议，采用UDP或者TCP通信协议。
优选的，所述卷烟机数据包括：吸丝带位置，B8M状态，ve大风机，ve小风机，ve吸丝带压力，se布带张紧压力，max大风机压力，烙铁1实际温度，烙铁2实际温度，搓板实际温度，水松纸实际温度，生产速度，当前车速，重量校正mg，吸阻校准系数，针辊供丝补偿量，针辊供丝量系数％，吸阻设定值，SRM重量表征数据，重量偏差当前值，重量短期标准差偏差当前值，重量长期标准偏差当前值，重量偏差校准值，过轻烟支重量极限mg，过重烟支重量极限mg，吸阻，通风度，漏气，松头，烟丝温度，重量，压实端量当前值，压实端位置当前值，烟丝水分，烟支第1段重量，烟支第2段重量，烟支第3段重量，烟支第4段重量，烟支第5段重量，目标重量mg，内部目标重量mg，给KIK的测量值，单周圆周值，圆周偏差值，圆周修正，圆周最大值，圆周最小值，烟支直径mm，烟支长度mm，圆周值，光学外观，前排CIS废品状态，后排CIS废品状态。
一种上述的基于深度学习的烟支吸阻智能控制系统的控制方法，包括以下步骤：
步骤1：由高速数采系统采集卷烟机的7200支/分的单支烟毫秒级数据；
步骤2：将高速数采系统采集的数据上传到应用服务器中的物联网平台，物联网平台将采集的卷烟机数据进行实例化，同时将数据保存到到数据库服务器中；
步骤3：应用服务器中的物联网平台通过自定义协议与卷包智能控制服务器中的数据整流模块进行通信；
步骤4：将历史生产数据集合在深度学习模型训练服务器上通过深度学习算法LSTM进行烟支吸阻预测模型的预训练，并将预测结果通过应用服务器输出至卷包智能控制服务器中的烟支吸阻预测模型；
步骤5：将步骤3得到的整流数据经过卷包智能控制服务器中的控制参量变换模块变换后，输出至卷包智能控制服务器中的烟支吸阻预测模型；
步骤6：卷包智能控制服务器中的烟支吸阻预测模型将预测结果和整流数据输出至卷包智能控制服务器中的目标重量决策模型，在预测结果的基础上结合整流数据预测烟支吸阻的变化状态，决策控制器接收到的烟支吸阻下一时刻的变化状态后，会根据接收到的下一时刻的烟支吸阻变化状态调整控制，得到目标重量的调整值，将当前的目标重量值和预测出的烟支吸阻的变化值，重新输入到烟支吸阻预测模型中，如此进行滚动优化，直至找到使得最佳化损失函数J最小的目标重量值；
步骤7：目标重量决策模型将目标重量值输出到数据整流模块，经控制参量变换模块变换后通过自定义协议返回到物联网平台，再经过卷包数采服务器，下发到卷烟机中，然后卷烟机的数据变化会重新输入到烟支吸阻预测模型中，进行新一轮的滚动优化，实现了烟支吸阻的实时在线预测的闭环控制。
优选的，所述步骤1中的高速数采系统运行在卷包数采服务器上，采集的数据包括：吸丝带位置，B8M状态，ve大风机，ve小风机，ve吸丝带压力，se布带张紧压力，max大风机压力，烙铁1实际温度，烙铁2实际温度，搓板实际温度，水松纸实际温度，生产速度，当前车速，重量校正mg，吸阻校准系数，针辊供丝补偿量，针辊供丝量系数％，吸阻设定值，SRM重量表征数据，重量偏差当前值，重量短期标准差偏差当前值，重量长期标准偏差当前值，重量偏差校准值，过轻烟支重量极限mg，过重烟支重量极限mg，吸阻，通风度，漏气，松头，烟丝温度，重量，压实端量当前值，压实端位置当前值，烟丝水分，烟支第1段重量，烟支第2段重量，烟支第3段重量，烟支第4段重量，烟支第5段重量，目标重量mg，内部目标重量mg，给KIK的测量值，单周圆周值，圆周偏差值，圆周修正，圆周最大值，圆周最小值，烟支直径mm，烟支长度mm，圆周值，光学外观，前排CIS废品状态，后排CIS废品状态。
优选的，步骤2所述将高速数采系统采集的数据上传到应用服务器中的物联网平台，包括以下步骤：
步骤2.1：卷烟机把运行数据写入若干文件，把存放这些文件的文件夹共享给物联网平台数据采集程序，数据采集程序通过读取共享文件将数据上传给物联网平台；
步骤2.2：卷烟机和卷包数采程序接口约定：
1)卷烟机要将数据以秒级或更短时间写入磁盘中而不是驻留在文件写入缓冲区，以便物联网平台能实时从文件中获取新数据；
2)卷烟机每次写入的数据量为“一个时间点完整运行数据”的整数倍；
3)卷烟机每次只写一个文件，写完一个文件后再写下一个文件；
4)物联网平台数据采集程序会不间断的读取文件中出现的新数据，当读取速度大于写入速度时，采集程序会以1秒为间隔轮询文件中的新数据；
5)卷烟机创建文件后不能给文件改名，由于物联网平台会同时打开该文件进行读取，因此改名操作会失败；
步骤2.3：程序启动后首先建立对共享文件夹的监听，然后打开最新的数据文件并开始读取数据，如果有新数据，首先将其加入待上传队列，然后判断自上次上传后数据累计时间是否超过一秒，如果超过一秒则上传整批次数据并清空待上传队列，如果没有超过一秒则继续读取新数据；如果没有读取到新数据，首先要查看待上传队列中是否有之前累积的数据，如果有，要先上传这部分数据，然后继续读取新数据；如果没有，要检查文件监控是否给出了新创建的文件，如果有，则打开这个新文件并开始读取数据，否则等待100毫秒再去读取数据并继续作后续判断。
优选的，步骤4所述烟支吸阻预测模型，采用了特殊隐式单元的LSTM：
其中M称为记忆细胞的特殊单元累加器和I、O、F门控神经元，它在下一个时间步长将拥有一个权值并联结到自身，copy自身状态的真实值和累积的外部信号，这种自联结是由另一个单元学习并决定何时清除记忆内容的乘法门控制的；
首先使用LSTM的当前输入xt和上一个状态传递下来的ht-1拼接训练得到四个状态：
其中：Zi表示I门，Zf表示F门，Zo表示O门；
由于其展开是一个深度前馈网络，其中细胞状态则有：
Ct＝Zf⊙Ct-1+Zi⊙Z
Ht＝Z0⊙tanh(Ct)
输出，也就是烟支吸阻预测值则有：
yt＝σ(W'Ht)
其中：
F门：主要功能是决定应丢弃或保留哪些信息，具体操作是将上一层隐藏状态的信息与当前层的输入进行sigmoid变换，输出值越接近于0，信息就会越容易被删除；
I门：输入门用于更新细胞状态，首先将前一层隐藏状态的信息和当前输入的信息进行sigmoid变换，将值调整到0～1之间来决定要更新哪些信息，0表示不重要，1表示重要，其次还要将前一层隐藏状态的信息和当前输入的信息进行tanh变换，创造一个新的侯选值向量，最后将sigmoid的输出值与tanh的输出值相乘，sigmoid的输出值将决定tanh的输出值中哪些信息是重要且需要保留下来的；
M记忆细胞：前一层的M与F向量逐点相乘，如果它乘以接近0的值，意味着在新的细胞状态中，这些信息是需要丢弃掉的，然后再将该值与I门的输出值逐点相加，将神经网络发现的新信息更新到细胞状态中去，至此，就得到了更新后的细胞状态；
O门：用来确定下一个隐藏状态的值，隐藏状态包含了先前输入的信息，首先，将前一个隐藏状态和当前输入进行sigmoid变换，然后将新得到的细胞状态进行tanh变换，最后将tanh的输出与sigmoid的输出相乘，以确定隐藏状态应携带的信息，再将隐藏状态作为当前细胞的输出，把新的细胞状态和新的隐藏状态传递到下一个时间步长中去。
优选的，步骤6所述最佳化损失函数J，包括：
非线性最佳损失函数为：
其中：
χi：表示第i个受控变数(例如，短支烟实际重量)
γi：表示第i个参考变数(例如，烟支吸阻)
ui：表示第i个输出控制变数(例如，目标重量设定值)
ωxi：反应χi相对重要性的加权系数
ωui：惩罚ui相对大幅变化的加权系数。
本发明的有益效果是：
使用单支烟高速数采方法，充分利用烟支生产过程中的数据，尤其是烟丝数据，提升烟支吸阻预测的准确性以及设定目标重量数值的准确性，通过离线预训练的方法，将人工经验知识纳入控制网络中，以人工专家经验为前提，进行模型的预训练，然后通过结合实时在线训练方式，在原有人工经验基础上，对控制策略进行修正，实现控制得实时在线，解决从烟支吸阻检测到控制的长周期，通过基于循环神经网络的烟支吸阻预测方法，通过运用循环神经网络的记忆功能，将人工经验与现有实时数据进行集合，对长期的烟支吸阻变化趋势进行预测，掌握合适的调整时机，提升烟支吸阻的稳定性。
附图说明
图1为本发明的基于深度学习的烟支吸阻智能控制系统架构图；
图2为本发明的基于深度学习的烟支吸阻智能控制系统的控制方法流程图；
图3为本发明的烟支吸阻智能控制流程图；
图4为本发明的高速数采流程框图；
图5为本发明的目标重量决策模型原理框图。
具体实施方式
下面结合附图和实施例，对本发明做进一步描述：
实施例1
如图1、2、3、4、5所示，本发明提供一种基于深度学习的烟支吸阻智能控制系统，包括卷烟机1、高速数采系统11、卷包数采服务器2、企业管理网4、应用服务器5、应用备份服务器6、卷包智能控制服务器7、卷包智能控制备份服务器8、深度学习模型训练服务器9、数据库服务器10，卷包智能控制服务器7包括烟支吸阻预测模型15、目标重量决策模型16、数据整流模块13和控制参量变换模块14。
数据库服务器10，主要是提供数据存储服务，为了保证连续可用性和线性可扩展性，以及跨多台商用服务器而不会出现故障点，采用Cassandra(非开源代码/社区版本)的DataStaxEnterprise(DSE)版本，Cassandra是可扩展NoSQL数据库，DSE是集群化的数据库，由多个DSE组成集群，每个DSE就是一个DSE节点，构建6个DSE节点，对于卷烟机产生的海量数据可以实现灵活的快速的响应时间，系统同时还关联了制造执行系统(manufacturingexecutionsystem，MES)数据。
卷烟机数据包括：吸丝带位置，B8M状态，ve大风机，ve小风机，ve吸丝带压力，se布带张紧压力，max大风机压力，烙铁1实际温度，烙铁2实际温度，搓板实际温度，水松纸实际温度，生产速度，当前车速，重量校正mg，吸阻校准系数，针辊供丝补偿量，针辊供丝量系数％，吸阻设定值，SRM重量表征数据，重量偏差当前值，重量短期标准差偏差当前值，重量长期标准偏差当前值，重量偏差校准值，过轻烟支重量极限mg，过重烟支重量极限mg，吸阻，通风度，漏气，松头，烟丝温度，重量，压实端量当前值，压实端位置当前值，烟丝水分，烟支第1段重量，烟支第2段重量，烟支第3段重量，烟支第4段重量，烟支第5段重量，目标重量mg，内部目标重量mg，给KIK的测量值，单周圆周值，圆周偏差值，圆周修正，圆周最大值，圆周最小值，烟支直径mm，烟支长度mm，圆周值，光学外观，前排CIS废品状态，后排CIS废品状态。
高速数采系统11设置在卷包数采服务器2上，通过以太网与卷烟机1相连接，用于采集卷烟机数据，卷包数采服务器2将数据通过企业管理网4上传给应用服务器5。应用服务器5，用于与深度学习模型训练服务器9、数据库服务器10、卷包数采服务器2和卷包智能控制服务器7进行通信。
深度学习模型训练服务器9，主要是对烟支吸阻预测模型15进行预训练，由于数据量巨大，平常工具无法进行数据分析，此服务器还运行数据预处理模块，对数据进行分析，将数据处理后的结果传给应用服务器5。
应用服务器5设置有采用Thingworx的物联网平台12，物联网平台12将卷包数采服务器2采集的卷烟机数据进行实例化，构建卷烟机的具象化模型，将于深度学习模型训练服务器9获取的数据分析结果进行可视化展示，然后控制系统RemoteThing通过自定义协议3与卷包智能控制服务器7中的数据整流模块13进行通信，同时物联网平台12将数据通过DSEpersistenceprovider保存到DSE数据库服务器10中。自定义协议3，采用UDP或者TCP通信协议。
数据整流模块13获取应用服务器5传来的数据，并通过控制参量变换模块14，将数据变换后输出至烟支吸阻预测模型15；
烟支吸阻预测模型15，采用了特殊隐式单元的LSTM：
其中M称为记忆细胞的特殊单元累加器和I、O、F门控神经元，它在下一个时间步长将拥有一个权值并联结到自身，copy自身状态的真实值和累积的外部信号，这种自联结是由另一个单元学习并决定何时清除记忆内容的乘法门控制的；
首先使用LSTM的当前输入xt和上一个状态传递下来的ht-1拼接训练得到四个状态：
其中：Zi表示I门，Zf表示F门，Zo表示O门；
由于其展开是一个深度前馈网络，其中细胞状态则有：
Ct＝Zf⊙Ct-1+Zi⊙Z
Ht＝Z0⊙tanh(Ct)
输出，也就是烟支吸阻预测值则有：
yt＝σ(W'Ht)
其中：
F门：主要功能是决定应丢弃或保留哪些信息，具体操作是将上一层隐藏状态的信息与当前层的输入进行sigmoid变换，输出值越接近于0，信息就会越容易被删除；
I门：输入门用于更新细胞状态，首先将前一层隐藏状态的信息和当前输入的信息进行sigmoid变换，将值调整到0～1之间来决定要更新哪些信息，0表示不重要，1表示重要，其次还要将前一层隐藏状态的信息和当前输入的信息进行tanh变换，创造一个新的侯选值向量，最后将sigmoid的输出值与tanh的输出值相乘，sigmoid的输出值将决定tanh的输出值中哪些信息是重要且需要保留下来的；
M记忆细胞：前一层的M与F向量逐点相乘，如果它乘以接近0的值，意味着在新的细胞状态中，这些信息是需要丢弃掉的，然后再将该值与I门的输出值逐点相加，将神经网络发现的新信息更新到细胞状态中去，至此，就得到了更新后的细胞状态；
O门：用来确定下一个隐藏状态的值，隐藏状态包含了先前输入的信息，首先，将前一个隐藏状态和当前输入进行sigmoid变换，然后将新得到的细胞状态进行tanh变换，最后将tanh的输出与sigmoid的输出相乘，以确定隐藏状态应携带的信息，再将隐藏状态作为当前细胞的输出，把新的细胞状态和新的隐藏状态传递到下一个时间步长中去。
烟支吸阻预测模型15将预测结果和整流数据，输出至目标重量决策模型16，目标重量决策模型16将目标重量值输出到数据整流模块13，经过控制参量变换模块14变换后，通过自定义协议3将数据传给应用服务器5，应用服务器5再将获取的目标重量值传给卷包数采服务器2，卷包数采服务器2将目标重量值下发到相应的卷烟机1。
卷包智能控制备份服务器8的运行环境与卷包智能控制服务器7一样，用于对卷包智能控制服务器7的灾备，当卷包智能控制服务器7出现故障时，可以实时切换到卷包智能控制备份服务器8；应用备份服务器6的运行环境与应用服务器5一样，用于对应用服务器5的灾备，当应用服务器5出现故障时，可以实时切换到应用备份服务器6。
另一方面，本发明提供一种上述的基于深度学习的烟支吸阻智能控制系统的控制方法，包括以下步骤：
S201、由高速数采系统11采集卷烟机1的7200支/分的单支烟毫秒级数据；高速数采系统11运行在卷包数采服务器2上，采集的数据包括：吸丝带位置，B8M状态，ve大风机，ve小风机，ve吸丝带压力，se布带张紧压力，max大风机压力，烙铁1实际温度，烙铁2实际温度，搓板实际温度，水松纸实际温度，生产速度，当前车速，重量校正mg，吸阻校准系数，针辊供丝补偿量，针辊供丝量系数％，吸阻设定值，SRM重量表征数据，重量偏差当前值，重量短期标准差偏差当前值，重量长期标准偏差当前值，重量偏差校准值，过轻烟支重量极限mg，过重烟支重量极限mg，吸阻，通风度，漏气，松头，烟丝温度，重量，压实端量当前值，压实端位置当前值，烟丝水分，烟支第1段重量，烟支第2段重量，烟支第3段重量，烟支第4段重量，烟支第5段重量，目标重量mg，内部目标重量mg，给KIK的测量值，单周圆周值，圆周偏差值，圆周修正，圆周最大值，圆周最小值，烟支直径mm，烟支长度mm，圆周值，光学外观，前排CIS废品状态，后排CIS废品状态。
S202、将高速数采系统11采集的数据上传到应用服务器5中采用Thingworx的物联网平台12，物联网平台12将采集的卷烟机数据进行实例化，构建卷烟机的具象化模型，同时将数据通过DSEpersistenceprovider保存到DSE数据库服务器10中。
将高速数采系统11采集的数据上传到应用服务器5中的物联网平台12，具体实施方式为：
1、卷烟机1把运行数据写入若干文件，把存放这些文件的文件夹共享给物联网平台12数据采集程序，数据采集程序通过读取共享文件将数据上传给物联网平台12；
2、烟机1和卷包数采程序接口约定：
1)卷烟机1要将数据以秒级或更短时间写入磁盘中而不是驻留在文件写入缓冲区，以便物联网平台12能实时从文件中获取新数据；
2)卷烟机1每次写入的数据量为“一个时间点完整运行数据”的整数倍；
3)卷烟机1每次只写一个文件，写完一个文件后再写下一个文件；
4)物联网平台12数据采集程序会不间断的读取文件中出现的新数据，当读取速度大于写入速度时，采集程序会以1秒为间隔轮询文件中的新数据；
5)卷烟机1创建文件后不能给文件改名，由于物联网平台12会同时打开该文件进行读取，因此改名操作会失败；
3、数据采集程序启动，如图4所示，包括以下步骤：
S401、卷包数采开始，程序启动；
S402、启动对文件夹中新文件的监控，建立对共享文件夹的监听；
S403、打开最新创建的的数据文件，并开始读取数据；
S404、判断是否有新数据，如果读取到新数据，进入步骤S408，如果没有读取到新数据，则进入步骤S405；
S405、判断是否有缓存数据，查看待上传队列中是否有之前累积的数据，如果有，进入步骤S410，如果没有，进入步骤S406；
S406、判断是否有新文件，检查文件监控是否给出了新创建的文件，如果有，进入步骤S403，如果没有，进入步骤S407；
S407、等待100秒，然后进入步骤S404；
S408、读取下一条运行数据，并将其加入待上传队列，然后进入步骤S409；
S409、判断自上次上传后数据累计时间是否超过一秒，如果超过一秒则进入步骤S410；如果没有超过一秒则进入步骤S404；
S410、上传整批次数据并清空待上传队列，然后进入步骤S404。
S203、应用服务器5中的物联网平台12通过自定义协议3与卷包智能控制服务器7中的数据整流模块13进行通信。
S204、将历史生产数据集合在深度学习模型训练服务器9上通过深度学习算法LSTM进行烟支吸阻预测模型15的预训练，并将预测结果通过应用服务器5输出至卷包智能控制服务器7中的烟支吸阻预测模型15；烟支吸阻预测模型15的功能主要是通过输入卷烟机数据(烟支吸阻除外)然后通过深度学习算法LSTM(LongShort-TermMemory)预测烟支吸阻的变化趋势，趋势的变化会为后期的智能控制决策模型提供决策指导；烟支吸阻预测模型的预训练是在深度学习模型训练服务器9上进行的，在线训练则是在卷包智能控制服务器7上进行。烟支吸阻预测模型15，采用了特殊隐式单元的LSTM：
其中M称为记忆细胞的特殊单元累加器和I、O、F门控神经元，它在下一个时间步长将拥有一个权值并联结到自身，copy自身状态的真实值和累积的外部信号，这种自联结是由另一个单元学习并决定何时清除记忆内容的乘法门控制的；
首先使用LSTM的当前输入xt和上一个状态传递下来的ht-1拼接训练得到四个状态：
其中：Zi表示I门，Zf表示F门，Zo表示O门；
由于其展开是一个深度前馈网络，其中细胞状态则有：
Ct＝Zf⊙Ct-1+Zi⊙Z
Ht＝Z0⊙tanh(Ct)
输出，也就是烟支吸阻预测值则有：
yt＝σ(W'Ht)
其中：
F门：主要功能是决定应丢弃或保留哪些信息，具体操作是将上一层隐藏状态的信息与当前层的输入进行sigmoid变换，输出值越接近于0，信息就会越容易被删除；
I门：输入门用于更新细胞状态，首先将前一层隐藏状态的信息和当前输入的信息进行sigmoid变换，将值调整到0～1之间来决定要更新哪些信息，0表示不重要，1表示重要，其次还要将前一层隐藏状态的信息和当前输入的信息进行tanh变换，创造一个新的侯选值向量，最后将sigmoid的输出值与tanh的输出值相乘，sigmoid的输出值将决定tanh的输出值中哪些信息是重要且需要保留下来的；
M记忆细胞：前一层的M与F向量逐点相乘，如果它乘以接近0的值，意味着在新的细胞状态中，这些信息是需要丢弃掉的，然后再将该值与I门的输出值逐点相加，将神经网络发现的新信息更新到细胞状态中去，至此，就得到了更新后的细胞状态；
O门：用来确定下一个隐藏状态的值，隐藏状态包含了先前输入的信息，首先，将前一个隐藏状态和当前输入进行sigmoid变换，然后将新得到的细胞状态进行tanh变换，最后将tanh的输出与sigmoid的输出相乘，以确定隐藏状态应携带的信息，再将隐藏状态作为当前细胞的输出，把新的细胞状态和新的隐藏状态传递到下一个时间步长中去。
S205、将步骤3得到的整流数据经过卷包智能控制服务器7中的控制参量变换模块14变换后，输出至卷包智能控制服务器7中的烟支吸阻预测模型15。
S206、烟支吸阻预测模型15将预测结果和整流数据输出至卷包智能控制服务器7中的目标重量决策模型16，在预测结果的基础上结合整流数据预测烟支吸阻的变化状态；
目标重量决策模型16分为离线学习和在线学习两部分，离线学习主要是学习历史经验知识，在线学习则是在离线学习基础上，也就是在历史经验知识之上，通过当前的生产活动，构建新的决策控制知识，这是一个超越历史经验知识的过程，其中离线学习，主要是通过历史数据(大规模生产数据集合)在深度学习模型训练服务器9上通过深度学习算法(LSTM)进行烟支吸阻预测模型15的训练，模型训练完成后，获取了历史的知识经验，然后到在线学习过程，在线学习会首先加载离线学习产生的烟支吸阻预测模型15，以获取历史经验知识，然后接收当前生产活动，也就是卷烟机数据，然后预测烟支吸阻的变化状态，决策控制器17接收到烟支吸阻下一时刻的变化状态后，会根据接收到的下一时刻的烟支吸阻变化状态调整控制，得到一个新的输出，也就是目标重量的调整值，这时候目标重量的变化显然会引起吸阻的变化，所以将当前的控制输出，也就是目标重量值和预测出的烟支吸阻的变化值，重新输入到烟支吸阻预测模型15中，如此进行滚动优化，直至找到最优值，也就是使得损失函数J最小的目标重量值；
非线性最佳损失函数为：
其中：
χi：表示第i个受控变数(例如，短支烟实际重量)
γi：表示第i个参考变数(例如，烟支吸阻)
ui：表示第i个输出控制变数(例如，目标重量设定值)
ωxi：反应χi相对重要性的加权系数
ωui：惩罚ui相对大幅变化的加权系数。
目标重量决策模型16的主要输出就是目标重量值，通过输出目标重量值来改变短支烟的重量，通过重量的改变来影响烟支吸阻，使得烟支吸阻能稳定在一定的范围内。
S207、目标重量决策模型16将目标重量值输出到数据整流模块13，经控制参量变换模块14变换后通过自定义协议3返回到物联网平台12，再经过卷包数采服务器2，下发到卷烟机1中，然后卷烟机1的数据变化会重新输入到烟支吸阻预测模型15中，进行新一轮的滚动优化，实现了烟支吸阻的实时在线预测的闭环控制，其控制的核心思想是让卷烟机1可以询问“如果”，然后在一个有限的预测区间中，利用过去的经验值，针对此滚动预测域的最佳化损失函数J。
在此过程中，充分利用生产过程中的烟支状态数据和机器参数数据，及时甄别预测异常情况，对出现的参数突变情况可以进行及时的调整。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。
Claims (10)
1.一种基于深度学习的烟支吸阻智能控制系统，包括卷烟机、高速数采系统、卷包数采服务器、企业管理网、应用服务器、应用备份服务器、卷包智能控制服务器、卷包智能控制备份服务器、深度学习模型训练服务器、数据库服务器；其特征在于：所述高速数采系统设置在所述卷包数采服务器上，通过以太网与卷烟机相连接，用于采集卷烟机数据；所述卷包数采服务器，将数据上传给应用服务器；
所述应用服务器，用于与深度学习模型训练服务器、数据库服务器、卷包数采服务器和卷包智能控制服务器进行通信；
所述应用服务器设置有物联网平台，所述物联网平台将卷包数采服务器采集的卷烟机数据进行实例化，并通过自定义协议与卷包智能控制服务器中的数据整流模块进行通信，同时将数据保存到数据库服务器中；
应用服务器将于深度学习模型训练服务器获取的数据分析结果进行可视化展示，将于卷包智能控制服务器获取的目标重量值传给卷包数采服务器；
所述卷包智能控制服务器包括烟支吸阻预测模型、目标重量决策模型、数据整流模块和控制参量变换模块；
所述数据整流模块，通过自定义协议与应用服务器通信，获取应用服务器传来的数据，并通过所述控制参量变换模块，将应用服务器传来的数据变换后输出至烟支吸阻模型；
所述烟支吸阻预测模型将预测结果和整流数据，输出至目标重量决策模型；
所述目标重量决策模型将目标重量值输出到数据整流模块，经过控制参量变换模块变换后，通过自定义协议将数据传给应用服务器；
所述数据库服务器，用于提供数据存储服务；所述数据库服务器可扩展为多个；
所述深度学习模型训练服务器，用于对烟支吸阻预测模型进行预训练，并对数据进行分析，将数据处理后的结果输出至应用服务器；
所述卷包智能控制备份服务器，用于对卷包智能控制服务器的灾备；
所述应用备份服务器，用于对应用服务器的灾备。
2.根据权利要求1所述的一种基于深度学习的烟支吸阻智能控制系统，其特征在于：所述烟支吸阻预测模型，采用了特殊隐式单元的LSTM：
其中M称为记忆细胞的特殊单元累加器和I、O、F门控神经元，它在下一个时间步长将拥有一个权值并联结到自身，copy自身状态的真实值和累积的外部信号，这种自联结是由另一个单元学习并决定何时清除记忆内容的乘法门控制的；
首先使用LSTM的当前输入xt和上一个状态传递下来的ht-1拼接训练得到四个状态：
其中：Zi表示I门，Zf表示F门，Zo表示O门；
由于其展开是一个深度前馈网络，其中细胞状态则有：
Ct＝Zf⊙Ct-1+Zi⊙Z
Ht＝Z0⊙tanh(Ct)
输出，也就是烟支吸阻预测值则有：
yt＝σ(W'Ht)
其中：
F门：主要功能是决定应丢弃或保留哪些信息，具体操作是将上一层隐藏状态的信息与当前层的输入进行sigmoid变换，输出值越接近于0，信息就会越容易被删除；
I门：输入门用于更新细胞状态，首先将前一层隐藏状态的信息和当前输入的信息进行sigmoid变换，将值调整到0～1之间来决定要更新哪些信息，0表示不重要，1表示重要，其次还要将前一层隐藏状态的信息和当前输入的信息进行tanh变换，创造一个新的侯选值向量，最后将sigmoid的输出值与tanh的输出值相乘，sigmoid的输出值将决定tanh的输出值中哪些信息是重要且需要保留下来的；
M记忆细胞：前一层的M与F向量逐点相乘，如果它乘以接近0的值，意味着在新的细胞状态中，这些信息是需要丢弃掉的，然后再将该值与I门的输出值逐点相加，将神经网络发现的新信息更新到细胞状态中去，至此，就得到了更新后的细胞状态；
O门：用来确定下一个隐藏状态的值，隐藏状态包含了先前输入的信息，首先，将前一个隐藏状态和当前输入进行sigmoid变换，然后将新得到的细胞状态进行tanh变换，最后将tanh的输出与sigmoid的输出相乘，以确定隐藏状态应携带的信息，再将隐藏状态作为当前细胞的输出，把新的细胞状态和新的隐藏状态传递到下一个时间步长中去。
3.根据权利要求1所述的一种基于深度学习的烟支吸阻智能控制系统，其特征在于：所述卷包智能控制备份服务器的运行环境与所述卷包智能控制服务器一样，当卷包智能控制出现故障时，可以实时切换到卷包智能控制备份服务器；所述应用备份服务器的运行环境与所述应用服务器一样，当应用服务器出现故障时，可以实时切换到应用备份服务器。
4.根据权利要求1至3任一所述的一种基于深度学习的烟支吸阻智能控制系统，其特征在于：所述自定义协议，采用UDP或者TCP通信协议。
5.根据权利要求4所述的一种基于深度学习的烟支吸阻智能控制系统，其特征在于：所述卷烟机数据包括：吸丝带位置，B8M状态，ve大风机，ve小风机，ve吸丝带压力，se布带张紧压力，max大风机压力，烙铁1实际温度，烙铁2实际温度，搓板实际温度，水松纸实际温度，生产速度，当前车速，重量校正mg，吸阻校准系数，针辊供丝补偿量，针辊供丝量系数％，吸阻设定值，SRM重量表征数据，重量偏差当前值，重量短期标准差偏差当前值，重量长期标准偏差当前值，重量偏差校准值，过轻烟支重量极限mg，过重烟支重量极限mg，吸阻，通风度，漏气，松头，烟丝温度，重量，压实端量当前值，压实端位置当前值，烟丝水分，烟支第1段重量，烟支第2段重量，烟支第3段重量，烟支第4段重量，烟支第5段重量，目标重量mg，内部目标重量mg，给KIK的测量值，单周圆周值，圆周偏差值，圆周修正，圆周最大值，圆周最小值，烟支直径mm，烟支长度mm，圆周值，光学外观，前排CIS废品状态，后排CIS废品状态。
6.权利要求1至5所述的一种基于深度学习的烟支吸阻智能控制系统的控制方法，其特征在于，包括以下步骤：
步骤1：由高速数采系统采集卷烟机的7200支/分的单支烟毫秒级数据；
步骤2：将高速数采系统采集的数据上传到应用服务器中的物联网平台，物联网平台将采集的卷烟机数据进行实例化，同时将数据保存到到数据库服务器中；
步骤3：应用服务器中的物联网平台通过自定义协议与卷包智能控制服务器中的数据整流模块进行通信；
步骤4：将历史生产数据集合在深度学习模型训练服务器上通过深度学习算法LSTM进行烟支吸阻预测模型的预训练，并将预测结果通过应用服务器输出至卷包智能控制服务器中的烟支吸阻预测模型；
步骤5：将步骤3得到的整流数据经过卷包智能控制服务器中的控制参量变换模块变换后，输出至卷包智能控制服务器中的烟支吸阻预测模型；
步骤6：卷包智能控制服务器中的烟支吸阻预测模型将预测结果和整流数据输出至卷包智能控制服务器中的目标重量决策模型，在预测结果的基础上结合整流数据预测烟支吸阻的变化状态，决策控制器接收到的烟支吸阻下一时刻的变化状态后，会根据接收到的下一时刻的烟支吸阻变化状态调整控制，得到目标重量的调整值，将当前的目标重量值和预测出的烟支吸阻的变化值，重新输入到烟支吸阻预测模型中，如此进行滚动优化，直至找到使得最佳化损失函数J最小的目标重量值；
步骤7：目标重量决策模型将目标重量值输出到数据整流模块，经控制参量变换模块变换后通过自定义协议返回到物联网平台，再经过卷包数采服务器，下发到卷烟机中，然后卷烟机的数据变化会重新输入到烟支吸阻预测模型中，进行新一轮的滚动优化，实现了烟支吸阻的实时在线预测的闭环控制。
7.根据权利要求6所述的一种基于深度学习的烟支吸阻智能控制系统的控制方法，其特征在于：所述步骤1中的高速数采系统运行在卷包数采服务器上，采集的数据包括：吸丝带位置，B8M状态，ve大风机，ve小风机，ve吸丝带压力，se布带张紧压力，max大风机压力，烙铁1实际温度，烙铁2实际温度，搓板实际温度，水松纸实际温度，生产速度，当前车速，重量校正mg，吸阻校准系数，针辊供丝补偿量，针辊供丝量系数％，吸阻设定值，SRM重量表征数据，重量偏差当前值，重量短期标准差偏差当前值，重量长期标准偏差当前值，重量偏差校准值，过轻烟支重量极限mg，过重烟支重量极限mg，吸阻，通风度，漏气，松头，烟丝温度，重量，压实端量当前值，压实端位置当前值，烟丝水分，烟支第1段重量，烟支第2段重量，烟支第3段重量，烟支第4段重量，烟支第5段重量，目标重量mg，内部目标重量mg，给KIK的测量值，单周圆周值，圆周偏差值，圆周修正，圆周最大值，圆周最小值，烟支直径mm，烟支长度mm，圆周值，光学外观，前排CIS废品状态，后排CIS废品状态。
8.根据权利要求7所述的一种基于深度学习的烟支吸阻智能控制系统的控制方法，其特征在于：步骤2所述将高速数采系统采集的数据上传到应用服务器中的物联网平台，包括以下步骤：
步骤2.1：卷烟机把运行数据写入若干文件，把存放这些文件的文件夹共享给物联网平台数据采集程序，数据采集程序通过读取共享文件将数据上传给物联网平台；
步骤2.2：卷烟机和卷包数采程序接口约定：
1)卷烟机要将数据以秒级或更短时间写入磁盘中而不是驻留在文件写入缓冲区，以便物联网平台能实时从文件中获取新数据；
2)卷烟机每次写入的数据量为“一个时间点完整运行数据”的整数倍；
3)卷烟机每次只写一个文件，写完一个文件后再写下一个文件；
4)物联网平台数据采集程序会不间断的读取文件中出现的新数据，当读取速度大于写入速度时，采集程序会以1秒为间隔轮询文件中的新数据；
5)卷烟机创建文件后不能给文件改名，由于物联网平台会同时打开该文件进行读取，因此改名操作会失败；
步骤2.3：程序启动后首先建立对共享文件夹的监听，然后打开最新的数据文件并开始读取数据，如果有新数据，首先将其加入待上传队列，然后判断自上次上传后数据累计时间是否超过一秒，如果超过一秒则上传整批次数据并清空待上传队列，如果没有超过一秒则继续读取新数据；如果没有读取到新数据，首先要查看待上传队列中是否有之前累积的数据，如果有，要先上传这部分数据，然后继续读取新数据；如果没有，要检查文件监控是否给出了新创建的文件，如果有，则打开这个新文件并开始读取数据，否则等待100毫秒再去读取数据并继续作后续判断。
9.根据权利要求8所述的一种基于深度学习的烟支吸阻智能控制系统的控制方法，其特征在于：步骤4所述烟支吸阻预测模型，采用了特殊隐式单元的LSTM：
其中M称为记忆细胞的特殊单元累加器和I、O、F门控神经元，它在下一个时间步长将拥有一个权值并联结到自身，copy自身状态的真实值和累积的外部信号，这种自联结是由另一个单元学习并决定何时清除记忆内容的乘法门控制的；
首先使用LSTM的当前输入xt和上一个状态传递下来的ht-1拼接训练得到四个状态：
其中：Zi表示I门，Zf表示F门，Zo表示O门；
由于其展开是一个深度前馈网络，其中细胞状态则有：
Ct＝Zf⊙Ct-1+Zi⊙Z
Ht＝Z0⊙tanh(Ct)
输出，也就是烟支吸阻预测值则有：
yt＝σ(W'Ht)
其中：
F门：主要功能是决定应丢弃或保留哪些信息，具体操作是将上一层隐藏状态的信息与当前层的输入进行sigmoid变换，输出值越接近于0，信息就会越容易被删除；
I门：输入门用于更新细胞状态，首先将前一层隐藏状态的信息和当前输入的信息进行sigmoid变换，将值调整到0～1之间来决定要更新哪些信息，0表示不重要，1表示重要，其次还要将前一层隐藏状态的信息和当前输入的信息进行tanh变换，创造一个新的侯选值向量，最后将sigmoid的输出值与tanh的输出值相乘，sigmoid的输出值将决定tanh的输出值中哪些信息是重要且需要保留下来的；
M记忆细胞：前一层的M与F向量逐点相乘，如果它乘以接近0的值，意味着在新的细胞状态中，这些信息是需要丢弃掉的，然后再将该值与I门的输出值逐点相加，将神经网络发现的新信息更新到细胞状态中去，至此，就得到了更新后的细胞状态；
O门：用来确定下一个隐藏状态的值，隐藏状态包含了先前输入的信息，首先，将前一个隐藏状态和当前输入进行sigmoid变换，然后将新得到的细胞状态进行tanh变换，最后将tanh的输出与sigmoid的输出相乘，以确定隐藏状态应携带的信息，再将隐藏状态作为当前细胞的输出，把新的细胞状态和新的隐藏状态传递到下一个时间步长中去。
10.根据权利要求9所述的一种基于深度学习的烟支吸阻智能控制系统的控制方法，其特征在于：步骤6所述最佳化损失函数J，包括：
非线性最佳损失函数为：
其中：
χi：表示第i个受控变数(例如，短支烟实际重量)
γi：表示第i个参考变数(例如，烟支吸阻)
ui：表示第i个输出控制变数(例如，目标重量设定值)
ωxi：反应χi相对重要性的加权系数
ωui：惩罚ui相对大幅变化的加权系数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010446414.2A CN111612427B (zh) | 2020-05-25 | 2020-05-25 | 一种基于深度学习的烟支吸阻智能控制系统及其控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010446414.2A CN111612427B (zh) | 2020-05-25 | 2020-05-25 | 一种基于深度学习的烟支吸阻智能控制系统及其控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111612427A true CN111612427A (zh) | 2020-09-01 |
| CN111612427B CN111612427B (zh) | 2023-07-11 |
Family
ID=72202396
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010446414.2A Active CN111612427B (zh) | 2020-05-25 | 2020-05-25 | 一种基于深度学习的烟支吸阻智能控制系统及其控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111612427B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112884212A (zh) * | 2021-02-02 | 2021-06-01 | 陕西中烟工业有限责任公司 | 烟支单支克重偏差分析预测方法 |
| CN113837367A (zh) * | 2021-09-24 | 2021-12-24 | 浙江中烟工业有限责任公司 | 一种基于概率神经网络的卷包机烟支吸阻的在线预测方法 |
| CN118134319A (zh) * | 2024-03-04 | 2024-06-04 | 浙江大学 | 基于烟支多质量指标预测的卷接过程异常原因诊断方法 |
| CN118134319B (zh) * | 2024-03-04 | 2024-09-24 | 浙江大学 | 基于烟支多质量指标预测的卷接过程异常原因诊断方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105843188A (zh) * | 2016-04-08 | 2016-08-10 | 浙江中烟工业有限责任公司 | 一种烟支吸阻控制系统及其控制方法 |
| 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 |
| CN109813646A (zh) * | 2019-03-21 | 2019-05-28 | 红云红河烟草(集团)有限责任公司 | 一种预测卷烟吸阻的方法 |
| CN110163480A (zh) * | 2019-04-18 | 2019-08-23 | 红云红河烟草(集团)有限责任公司 | 一种卷包车间质量辅助决策的方法 |
| CA3046221A1 (en) * | 2018-06-13 | 2019-12-13 | Royal Bank Of Canada | K-lstm architecture for purchase prediction |
| CN110990784A (zh) * | 2019-11-19 | 2020-04-10 | 湖北中烟工业有限责任公司 | 一种基于梯度提升回归树的烟支通风率预测方法 |
-
2020
- 2020-05-25 CN CN202010446414.2A patent/CN111612427B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105843188A (zh) * | 2016-04-08 | 2016-08-10 | 浙江中烟工业有限责任公司 | 一种烟支吸阻控制系统及其控制方法 |
| CA3046221A1 (en) * | 2018-06-13 | 2019-12-13 | Royal Bank Of Canada | K-lstm architecture for purchase prediction |
| 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 |
| CN109813646A (zh) * | 2019-03-21 | 2019-05-28 | 红云红河烟草(集团)有限责任公司 | 一种预测卷烟吸阻的方法 |
| CN110163480A (zh) * | 2019-04-18 | 2019-08-23 | 红云红河烟草(集团)有限责任公司 | 一种卷包车间质量辅助决策的方法 |
| CN110990784A (zh) * | 2019-11-19 | 2020-04-10 | 湖北中烟工业有限责任公司 | 一种基于梯度提升回归树的烟支通风率预测方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112884212A (zh) * | 2021-02-02 | 2021-06-01 | 陕西中烟工业有限责任公司 | 烟支单支克重偏差分析预测方法 |
| CN113837367A (zh) * | 2021-09-24 | 2021-12-24 | 浙江中烟工业有限责任公司 | 一种基于概率神经网络的卷包机烟支吸阻的在线预测方法 |
| CN118134319A (zh) * | 2024-03-04 | 2024-06-04 | 浙江大学 | 基于烟支多质量指标预测的卷接过程异常原因诊断方法 |
| CN118134319B (zh) * | 2024-03-04 | 2024-09-24 | 浙江大学 | 基于烟支多质量指标预测的卷接过程异常原因诊断方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111612427B (zh) | 2023-07-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111612427A (zh) | 一种基于深度学习的烟支吸阻智能控制系统及其控制方法 | |
| CN107860099B (zh) | 一种空调的结霜检测方法、装置、存储介质及设备 | |
| CN109222208A (zh) | 面向卷烟生产指标控制的制丝工艺分析优化方法及系统 | |
| CN113485498B (zh) | 一种基于深度学习的室内环境舒适度调节方法及系统 | |
| CN113469449B (zh) | 脱硫系统的寻优控制方法及系统 | |
| CN113375300A (zh) | 空调器的智能控制方法与空调器的智能控制设备 | |
| CN115570228A (zh) | 一种焊接管道供气智能反馈控制方法与系统 | |
| CN117452891A (zh) | 基于数字孪生的绿茶杀青过程的虚拟仿真监控方法 | |
| CN111838744B (zh) | 基于lstm的环境温湿度在烟丝生产过程中的水分连续实时预测方法 | |
| CN117313029A (zh) | 一种基于卡尔曼滤波参数提取与状态更新的多传感器数据融合方法 | |
| KR102387765B1 (ko) | 작물의 생육량 예측 방법 및 장치 | |
| CN115932592A (zh) | 一种基于数字孪生模型的电动汽车电池故障诊断方法 | |
| CN112706001A (zh) | 一种基于边缘数据处理和BiGRU-CNN网络的机床刀具磨损预测方法 | |
| CN114115393A (zh) | 一种制丝线薄板烘丝机出口水分和温度的控制方法 | |
| CN108614536B (zh) | 一种卷烟制丝工艺关键因素的复杂网络构建方法 | |
| Suresh et al. | IoT with evolutionary algorithm based deep learning for smart irrigation system | |
| Ma et al. | Integration agricultural knowledge and Internet of Things for multi-agent deficit irrigation control | |
| CN112925207A (zh) | 一种基于参数辨识的温室环境温度自适应方法 | |
| CN117195053A (zh) | 一种截齿磨损精准识别及采煤机低能耗高效开采方法 | |
| CN116520917A (zh) | 温室大棚农产品环境物联网智能优化监控方法及系统 | |
| CN116663402A (zh) | 一种基于数字孪生的拌和站混凝土质量预测方法 | |
| KR20180024171A (ko) | 온실의 구동기의 파라미터를 결정하는 서버 및 방법 | |
| CN113222268B (zh) | 一种基于多模式推理的烟草烘烤质量预测模型建立方法 | |
| CN111783931B (zh) | 一种基于混合推理的物联网专家系统实现方法及系统 | |
| US20220374920A1 (en) | Statistical analysis method for research conducted after product launch |
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 |