CN112036701B - 一种面向多工序工业生产过程的工艺参数优化方法 - Google Patents
一种面向多工序工业生产过程的工艺参数优化方法 Download PDFInfo
- Publication number
- CN112036701B CN112036701B CN202010751566.3A CN202010751566A CN112036701B CN 112036701 B CN112036701 B CN 112036701B CN 202010751566 A CN202010751566 A CN 202010751566A CN 112036701 B CN112036701 B CN 112036701B
- Authority
- CN
- China
- Prior art keywords
- quality index
- data set
- procedure
- final
- final quality
- 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
- 238000000034 method Methods 0.000 title claims abstract description 320
- 238000005457 optimization Methods 0.000 title claims abstract description 69
- 238000009776 industrial production Methods 0.000 title claims abstract description 18
- 238000004519 manufacturing process Methods 0.000 claims abstract description 24
- 238000012216 screening Methods 0.000 claims abstract description 9
- 241000208125 Nicotiana Species 0.000 claims description 55
- 235000002637 Nicotiana tabacum Nutrition 0.000 claims description 55
- 238000004422 calculation algorithm Methods 0.000 claims description 31
- 238000012360 testing method Methods 0.000 claims description 31
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 24
- 239000000463 material Substances 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000001035 drying Methods 0.000 claims description 8
- 238000012417 linear regression Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000007637 random forest analysis Methods 0.000 claims description 8
- 230000002068 genetic effect Effects 0.000 claims description 7
- 230000003750 conditioning effect Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 239000002245 particle Substances 0.000 claims description 4
- 238000002922 simulated annealing Methods 0.000 claims description 4
- 239000007788 liquid Substances 0.000 claims description 3
- 238000010998 test method Methods 0.000 description 7
- 235000019504 cigarettes Nutrition 0.000 description 4
- 238000003908 quality control method Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000003050 experimental design method Methods 0.000 description 1
- 239000013072 incoming material Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007493 shaping process Methods 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- A—HUMAN NECESSITIES
- A24—TOBACCO; CIGARS; CIGARETTES; SIMULATED SMOKING DEVICES; SMOKERS' REQUISITES
- A24B—MANUFACTURE OR PREPARATION OF TOBACCO FOR SMOKING OR CHEWING; TOBACCO; SNUFF
- A24B3/00—Preparing tobacco in the factory
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种面向多工序工业生产过程的工艺参数优化方法，包括以下步骤：步骤S101：生产过程分析，识别出工业生产过程的最终质量指标、各个工序的质量指标及工序内的工艺参数；步骤S102：以批次号为基础，将最终质量指标与各工序的质量指标和工序内的工艺参数进行关联，形成一条批次记录，采集多条批次记录，形成建模数据集；步骤S103：从建模数据集中筛选出最终质量指标和各工序的质量指标数据，形成最终质量指标预测数据集；本发明通过最优最终质量指标模型得到各工序最优质量指标，通过各工序最优质量指标得到各工序最优工艺参数，即可在生产过程中，通过控制工艺参数为最优工艺参数即可得到较高的最终质量指标，提高工业生产效率。
Description
技术领域
本发明涉及烟草制丝技术领域，尤其涉及一种面向多工序工业生产过程的工艺参数优化方法。
背景技术
随着烟草行业市场竞争的日益激烈，消费者对成品烟质量的要求也越来越高。研究表明，制丝过程结束时的整丝率对成品烟质量有较大影响。因此，可通过提高整丝率从而改善成品烟质量。制丝过程包含多个工序，各个工序的工艺参数对该工序乃至整丝率有较大影响。为了获得尽可能高的整丝率，需要对各个工序的工艺参数进行优化，找到工艺参数的最优组合。
目前，对制丝过程工艺参数进行优化的方法主要有人工经验法、全面试验法、正交试验法和全局建模优化法。人工经验法指根据生产人员的长期生产经验设计其认为较优的工艺参数；全面试验法指试验每一种不同工艺参数的组合，得到对应的产品质量，产品质量最优的工艺参数组合即为最优工艺参数；正交试验法与全面试验法的思路类似，它是根据正交性从全面试验中挑选出有代表性的点进行试验，这些有代表性的点具备了“均匀分散、齐整可比”的特点，正交试验法是一种快速、经济的实验设计方法；全局建模优化法是通过建立制丝工艺全部参数与最终质量指标的关系模型，再基于模型寻找出最优的制丝工艺参数。
人工经验法对生产人员的要求很高，并且无法保证所设工艺参数为最优参数；在复杂的生产工艺下，全面试验法需要试验次数过多，甚至趋于无穷，难以实现；正交试验所获得的参数组合只是试验所用水平的某种组合，其结果不会超越所取水平的范围，因此难以获得真正的最优工艺参数组合；全局建模优化法在实际生产过程中难以应用，因为制丝过程包含的工艺参数过多，并且不同工序的参数间存在关联，这会大大降低模型的精度和优化结果的可信度。
例如，一种在中国专利文献上公开的“一种烟草制丝过程中的质量控制与诊断分析方法及系统”，其公告号：CN102919995B，其申请日：2012年11月01日，包括以下步骤：S1，识别主机设备在生产中的工艺质量指标，并为主机设备配置与所述工艺质量指标相关的设备参数和工艺参数；S2，在烟草制丝过程中采集主机设备的工艺参数和设备参数，将采集的工艺参数和设备参数存储在历史数据库中，并通过关系数据库实现表单化；S3，根据采集的主机设备的工艺参数和设备参数对主机设备进行设备和工艺分析；所述设备和工艺分析包括：S3-1，对主机设备的工艺性能进行的设备工艺性能分析；S3-2，根据主机设备的设定值、实际值和输出值进行的主机设备闭环回路分析；S3-3，对影响主机设备性能的外部输入进行的外部输入分析；所述外部输入包括工艺配套及来料；S3-4，将至少两个相同的主机设备的输入或输出进行对比分析的同种设备对比分析，通过同种主机设备的输入或输出的差异大小判断主机设备的性能；S4，根据设备工艺性能分析、主机设备闭环回路分析、外部输入分析以及同种设备对比分析对工段中的主机设备和烟草制丝的批次进行设备和工艺打分。该申请只要对烟草制丝过程的主机设备进行工艺性能分析，根据同种设备进行对比分析实现质量控制，对于烟草制丝的整个过程，只涉及了工艺参数的物料问题，难以对烟草的整丝率产生良好的影响。
发明内容
本发明主要解决现有的技术中由于工艺参数不佳而造成碎丝率较高进而影响成品烟质量的问题；提供一种面向多工序工业生产过程的工艺参数优化方法，合理配置工艺参数，提高烟草整丝率。
本发明的上述技术问题主要是通过下述技术方案得以解决的：一种面向多工序工业生产过程的工艺参数优化方法，包括以下步骤：
步骤S101：生产过程分析，识别出工业生产过程的最终质量指标、各个工序的质量指标及工序内的工艺参数；
步骤S102：以批次号为基础，将最终质量指标与各工序的质量指标和工序内的工艺参数进行关联，形成一条批次记录，采集多条批次记录，形成建模数据集；
步骤S103：从建模数据集中筛选出最终质量指标和各工序的质量指标数据，形成最终质量指标预测数据集；从建模数据集中筛选出各工序的质量指标和工序内工艺参数数据，形成各工序质量指标预测数据集；
步骤S104：基于最终质量指标预测数据集和各工序质量指标预测数据集，分别建立最终质量指标预测模型和各工序质量指标预测模型；
步骤S105：基于最终质量指标预测模型，构建第一层最优化问题并求解，得到使最终质量指标最优的各工序最优质量指标；
步骤S106：将得到的各工序最优质量指标作为各工序的目标，基于各工序质量指标预测模型，构建第二层最优化问题并求解，得到使各工序质量指标最优的各工序工艺参数。
作为优选，所述的步骤S104中，建立最终质量指标预测模型的方法为：
步骤A：对最终质量指标预测数据集进行预处理，去除含有缺失值及最终质量指标明显偏离正常值的记录；
步骤B：将预处理后的最终质量指标预测数据集切分为训练集和测试集两部分，其中训练集和测试集中样本数分别占80％和20％，以各工序质量指标作为输入，产品最终质量指标作为输出，在训练集上分别采用随机森林、神经网络或线性回归算法建立对应的模型，再使用测试集数据验证各模型的准确率，选择准确率最高的模型作为最终质量指标预测模型，模型可表示为：
X＝[x1,x2,…,xn]T
y＝f(X)
式中，x1～xn为各工序质量指标，y为产品质量指标最终质量指标，f(X)为所得模型。
作为优选，所述的步骤S105中，第一层最优化问题的求解方法为：
步骤a：根据所述步骤S104的最终质量指标预测模型作为等式约束，根据所述步骤S104的最终质量指标预测模型中各输入的取值范围，作为最优化问题的不等式约束，以最终质量指标最优作为目标函数，构建第一层最优化问题；
步骤b：根据步骤a构建的第一层最优化问题，采用遗传算法、模拟退火算法或粒子群算法进行多次求解，得到算法输出数据集；
步骤c：根据步骤b的算法输出数据集对各工序质量指标分别进行均值运算，得到各工序最优质量指标。
作为优选，所述的步骤S106中，第二层最优化问题的求解方法为：根据步骤S105得到的各工序最优质量指标作为各工序的优化目标，按照步骤S105所述的第一层最优化问题的构建方法，分别构建各个工序的最优化问题，分别求解各个工序的最优化问题，得到使各工序质量指标最优的各工序工艺参数。
作为优选，所述的最终质量指标是否明显偏离正常值的判断方法为：计算产品质量指标最终质量指标预测数据集中产品质量指标最终质量指标的均值μ和标准偏差θ，若某条记录中产品质量指标最终质量指标不在(μ-3θ，μ+3θ)范围内，则判断其偏离正常值，需去除该条记录。
作为优选，所述的步骤S104中，建立各工序质量指标预测模型的方法为：
步骤A1：对各工序质量指标预测数据集进行预处理，去除含有缺失值及各工序质量指标明显偏离正常值的记录；
步骤B1：将预处理后的各工序质量指标预测数据集切分为训练集和测试集两部分，其中训练集和测试集中样本数分别占80％和20％，以各工序工艺参数作为输入，各工序质量指标作为输出，在训练集上分别采用随机森林、神经网络或线性回归算法建立对应的模型，再使用测试集数据验证各模型的准确率，选择准确率最高的模型作为各工序质量指标预测模型。
作为优选，所述的多工序工业生产过程为烟草制丝过程，所述最终质量指标为整丝率，所述工序包括松散回潮、叶丝加料和薄板烘丝。
作为优选，所述的松散回潮工序的质量指标包括出口含水率和出口温度，所述松散回潮工序的工艺参数包括入口含水率、入口物料流量、加水流量和热风温度；所述叶丝加料工序的质量指标包括出口含水率和出口温度，所述叶丝加料工序的工艺参数包括入口含水率、入口物料流量、加料流量、加水流量、加水系数、回风温度、料液温度和热风温度；所述薄板烘丝工序的质量指标包括出口含水率和出口温度，所述薄板烘丝工序的工艺参数包括入口含水率、入口物料流量、HT出口温度、一区筒壁温度、二区筒壁温度、热风温度、蒸汽流量和风速。
本发明的有益效果是：(1)在多工序生产的工艺参数与最终质量指标之间加入各工序的质量指标，采用双层逐步优化的方法寻找工艺参数的最优组合；(2)基于数据建模和最优化求解方法，无需生产人员具备丰富的生产经验，也无需进行大量的参数组合试验，仅需收集实际生产数据，形成建模数据集，即可得到最优的工艺参数组合；在工艺参数与最终质量指标之间加入各工序的质量指标，减少了模型的输入变量的个数，同时避免了不同工序的参数间存在关联对模型的影响，提高了模型的精度和优化结果的可信度；(3)通过最优最终质量指标模型得到各工序最优质量指标，通过各工序最优质量指标得到各工序最优工艺参数，即可在生产过程中，通过控制工艺参数为最优工艺参数即可得到较高的烟草整丝率，大大提高烟草整丝效率。
附图说明
图1是实施例二的烟草制丝过程的工艺参数优化方法的流程框图。
具体实施方式
下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。
实施例一：一种面向多工序工业生产过程的工艺参数优化方法，包括以下步骤：
步骤S101：生产过程分析，识别出工业生产过程的最终质量指标、各个工序的质量指标及工序内的工艺参数。
步骤S102：以批次号为基础，将最终质量指标与各工序的质量指标和工序内的工艺参数进行关联，形成一条批次记录，采集多条批次记录，形成建模数据集。
步骤S103：从建模数据集中筛选出最终质量指标和各工序的质量指标数据，形成最终质量指标预测数据集；从建模数据集中筛选出各工序的质量指标和工序内工艺参数数据，形成各工序质量指标预测数据集。
步骤S104：基于最终质量指标预测数据集和各工序质量指标预测数据集，分别建立最终质量指标预测模型和各工序质量指标预测模型；建立最终质量指标预测模型的方法为：
步骤A：对最终质量指标预测数据集进行预处理，去除含有缺失值及最终质量指标明显偏离正常值的记录；最终质量指标是否明显偏离正常值的判断方法为：计算产品质量指标最终质量指标预测数据集中产品质量指标最终质量指标的均值μ和标准偏差θ，若某条记录中产品质量指标最终质量指标不在(μ-3θ，μ+3θ)范围内，则判断其偏离正常值，需去除该条记录；步骤B：将预处理后的最终质量指标预测数据集切分为训练集和测试集两部分，其中训练集和测试集中样本数分别占80％和20％，以各工序质量指标作为输入，产品最终质量指标作为输出，在训练集上分别采用随机森林、神经网络或线性回归算法建立对应的模型，再使用测试集数据验证各模型的准确率，选择准确率最高的模型作为最终质量指标预测模型，模型可表示为：
X＝[x1,x2,…,xn]T
y＝f(X)
式中，x1～xn为各工序质量指标，y为产品质量指标最终质量指标，f(X)为所得模型；建立各工序质量指标预测模型的方法为：
步骤A1：对各工序质量指标预测数据集进行预处理，去除含有缺失值及各工序质量指标明显偏离正常值的记录；各工序质量指标是否明显偏离正常值的判断方法为：计算各工序质量指标预测数据集中各工序质量指标的均值μ和标准偏差θ，若某条记录中工序质量指标不在(μ-3θ，μ+3θ)范围内，则判断其偏离正常值，需去除该条记录；
步骤B1：将预处理后的各工序质量指标预测数据集切分为训练集和测试集两部分，其中训练集和测试集中样本数分别占80％和20％，以各工序工艺参数作为输入，各工序质量指标作为输出，在训练集上分别采用随机森林、神经网络或线性回归算法建立对应的模型，再使用测试集数据验证各模型的准确率，选择准确率最高的模型作为各工序质量指标预测模型。
步骤S105：基于最终质量指标预测模型，构建第一层最优化问题并求解，得到使最终质量指标最优的各工序最优质量指标；第一层最优化问题的求解方法为：
步骤a：根据步骤S104的最终质量指标预测模型作为等式约束，根据步骤S104的最终质量指标预测模型中各输入的取值范围，作为最优化问题的不等式约束，以最终质量指标最优作为目标函数，构建第一层最优化问题；
步骤b：根据步骤a构建的第一层最优化问题，采用遗传算法、模拟退火算法或粒子群算法进行多次求解，得到算法输出数据集；
步骤c：根据步骤b的算法输出数据集对各工序质量指标分别进行均值运算，得到各工序最优质量指标。
步骤S106：将得到的各工序最优质量指标作为各工序的目标，基于各工序质量指标预测模型，构建第二层最优化问题并求解，得到使各工序质量指标最优的各工序工艺参数；第二层最优化问题的求解方法为：根据步骤S105得到的各工序最优质量指标作为各工序的优化目标，按照步骤S105所述的第一层最优化问题的构建方法，分别构建各个工序的最优化问题，分别求解各个工序的最优化问题，得到使各工序质量指标最优的各工序工艺参数。
实施例二，一种面向多工序工业生产过程的工艺参数优化方法，该多工序工业生产过程为烟草制丝过程，如图1所示，包括以下步骤：
步骤S101：生产过程分析，识别出制丝过程的最终质量指标、各个工序的质量指标及工序内的工艺参数；最终质量指标为整丝率，工序包括松散回潮、叶丝加料和薄板烘丝，松散回潮工序的质量指标包括出口含水率和出口温度，工艺参数包括入口含水率、入口物料流量、加水流量和热风温度；叶丝加料工序的质量指标包括出口含水率和出口温度，工艺参数包括入口含水率、入口物料流量、加料流量、加水流量、加水系数、回风温度、料液温度和热风温度；薄板烘丝工序的质量指标包括出口含水率和出口温度，工艺参数包括入口含水率、入口物料流量、HT出口温度、一区筒壁温度、二区筒壁温度、热风温度、蒸汽流量和风速。
步骤S102：以批次号为基础，将整丝率与各工序的质量指标和工序内的工艺参数进行关联，形成一条批次记录，采集多条批次记录，形成建模数据集。
步骤S103：从建模数据集中筛选出整丝率和各工序的质量指标数据，形成整丝率预测数据集；从建模数据集中筛选出各工序的质量指标和工序内工艺参数数据，形成各工序质量指标预测数据集。
步骤S104：基于整丝率预测数据集和各工序质量指标预测数据集，分别建立整丝率预测模型和各工序质量指标预测模型；建立整丝率预测模型的方法为：
步骤A：对整丝率预测数据集进行预处理，去除含有缺失值及整丝率明显偏离正常值的记录；整丝率是否明显偏离正常值的判断方法为：计算产品质量指标整丝率预测数据集中产品质量指标整丝率的均值μ和标准偏差θ，若某条记录中产品质量指标整丝率不在(μ-3θ，μ+3θ)范围内，则判断其偏离正常值，需去除该条记录；
步骤B：将预处理后的整丝率预测数据集切分为训练集和测试集两部分，其中训练集和测试集中样本数分别占80％和20％，以各工序质量指标作为输入，产品整丝率作为输出，在训练集上分别采用随机森林、神经网络或线性回归算法建立对应的模型，再使用测试集数据验证各模型的准确率，选择准确率最高的模型作为整丝率预测模型，模型可表示为：
X＝[x1,x2,…,xn]T
y＝f(X)
式中，x1～xn为各工序质量指标，y为产品质量指标整丝率，f(X)为所得模型；建立各工序质量指标预测模型的方法为：
步骤A1：对各工序质量指标预测数据集进行预处理，去除含有缺失值及各工序质量指标明显偏离正常值的记录；各工序质量指标是否明显偏离正常值的判断方法为：计算各工序质量指标预测数据集中各工序质量指标的均值μ和标准偏差θ，若某条记录中工序质量指标不在(μ-3θ，μ+3θ)范围内，则判断其偏离正常值，需去除该条记录；
步骤B1：将预处理后的各工序质量指标预测数据集切分为训练集和测试集两部分，其中训练集和测试集中样本数分别占80％和20％，以各工序工艺参数作为输入，各工序质量指标作为输出，在训练集上分别采用随机森林、神经网络或线性回归算法建立对应的模型，再使用测试集数据验证各模型的准确率，选择准确率最高的模型作为各工序质量指标预测模型。
步骤S105：基于整丝率预测模型，构建第一层最优化问题并求解，得到使整丝率最优的各工序最优质量指标；第一层最优化问题的求解方法为：
步骤a：根据步骤S104的整丝率预测模型作为等式约束，根据步骤S104的整丝率预测模型中各输入的取值范围，作为最优化问题的不等式约束，以整丝率最优作为目标函数，构建第一层最优化问题；
步骤b：根据步骤a构建的第一层最优化问题，采用遗传算法、模拟退火算法或粒子群算法进行多次求解，得到算法输出数据集；
步骤c：根据步骤b的算法输出数据集对各工序质量指标分别进行均值运算，得到各工序最优质量指标。
步骤S106：将得到的各工序最优质量指标作为各工序的目标，基于各工序质量指标预测模型，构建第二层最优化问题并求解，得到使各工序质量指标最优的各工序工艺参数；第二层最优化问题的求解方法为：根据步骤S105得到的各工序最优质量指标作为各工序的优化目标，按照步骤S105所述的第一层最优化问题的构建方法，分别构建各个工序的最优化问题，分别求解各个工序的最优化问题，得到使各工序质量指标最优的各工序工艺参数。
在具体应用中，对烟草种类进行分类，根据烟草自身的纯度、含水量以及色泽程度，分为特等烟、一等烟、二等烟、三等烟、四等烟和五等烟，特等烟的烟叶为纯黄色，一等烟、二等烟、三等烟和四等烟的烟叶为黄黑杂色，五等烟整片烟叶为黑色，在平时的生产过程中，由于不同等级的烟草含水量以及韧度均不同，因此，将不同等级的烟草进行分批次制丝，对每个批次的烟草进行10次数据采集，采集其制丝过程中的整丝率、各工序的出口含水率和出口温度以及各工序的工艺参数，形成整丝率指标数据集，并对该数据集通过正态分布方法进行数据处理，剔除非正常数据，并通过神经网络进行指标预测模型，根据模型建立遗传算法的约束函数和优化函数，定义遗传算法的种群数量为50，交叉概率为0.8，变异概率为0.01，迭代次数为200，先对烟草的整丝率进行最优化求解，进行多次求解，并求均值，将其均值作为各工序质量指标的最优解，如表1所示：
表1，整丝率最高的各工序质量指标
根据表1的各工序质量指标作为第二层优化问题的优化函数，各工序质量指标预测模型作为约束函数，定义遗传算法的种群数量为50，交叉概率为0.8，变异概率为0.01，迭代次数为200，对烟草的工序质量指标进行最优化求解，进行多次求解，并求均值，将其均值作为各工序工艺参数的最优解，将得到的最优解的工艺参数作为生产实际的指标，按照该指标进行烟草制丝生产，即可得到较高的烟草整丝率。
以上所述的实施例只是本发明的一种较佳的方案，并非对本发明作任何形式上的限制，在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。
Claims (3)
1.一种面向多工序工业生产过程的工艺参数优化方法，其特征在于，包括以下步骤：
步骤S101：生产过程分析，识别出工业生产过程的最终质量指标、各个工序的质量指标及工序内的工艺参数；
步骤S102：以批次号为基础，将最终质量指标与各工序的质量指标和工序内的工艺参数进行关联，形成一条批次记录，采集多条批次记录，形成建模数据集；
步骤S103：从建模数据集中筛选出最终质量指标和各工序的质量指标数据，形成最终质量指标预测数据集；从建模数据集中筛选出各工序的质量指标和工序内工艺参数数据，形成各工序质量指标预测数据集；
步骤S104：基于最终质量指标预测数据集和各工序质量指标预测数据集，分别建立最终质量指标预测模型和各工序质量指标预测模型；
步骤S105：基于最终质量指标预测模型，构建第一层最优化问题并求解，得到使最终质量指标最优的各工序最优质量指标；
步骤S106：将得到的各工序最优质量指标作为各工序的目标，基于各工序质量指标预测模型，构建第二层最优化问题并求解，得到使各工序质量指标最优的各工序工艺参数；
步骤S105中，第一层最优化问题的求解方法为：
步骤a：根据所述步骤S104的最终质量指标预测模型作为等式约束，根据所述步骤S104的最终质量指标预测模型中各输入的取值范围，作为最优化问题的不等式约束，以最终质量指标最优作为目标函数，构建第一层最优化问题；
步骤b：根据步骤a构建的第一层最优化问题，采用遗传算法、模拟退火算法或粒子群算法进行多次求解，得到算法输出数据集；
步骤c：根据步骤b的算法输出数据集对各工序质量指标分别进行均值运算，得到各工序最优质量指标；
所述步骤S104中，建立最终质量指标预测模型的方法为：
步骤A：对最终质量指标预测数据集进行预处理，去除含有缺失值及最终质量指标明显偏离正常值的记录；
步骤B：将预处理后的最终质量指标预测数据集切分为训练集和测试集两部分，其中训练集和测试集中样本数分别占80％和20％，以各工序质量指标作为输入，产品最终质量指标作为输出，在训练集上分别采用随机森林、神经网络或线性回归算法建立对应的模型，再使用测试集数据验证各模型的准确率，选择准确率最高的模型作为最终质量指标预测模型，模型可表示为：
X＝[x1,x2,…,xn]T
y＝f(X)
式中，x1～xn为各工序质量指标，y为产品质量指标最终质量指标，f(X)为所得模型；
所述步骤S104中，建立各工序质量指标预测模型的方法为：
步骤A1：对各工序质量指标预测数据集进行预处理，去除含有缺失值及各工序质量指标明显偏离正常值的记录；
步骤B1：将预处理后的各工序质量指标预测数据集切分为训练集和测试集两部分，其中训练集和测试集中样本数分别占80％和20％，以各工序工艺参数作为输入，各工序质量指标作为输出，在训练集上分别采用随机森林、神经网络或线性回归算法建立对应的模型，再使用测试集数据验证各模型的准确率，选择准确率最高的模型作为各工序质量指标预测模型；
所述多工序工业生产过程为烟草制丝过程，所述最终质量指标为整丝率，所述工序包括松散回潮、叶丝加料和薄板烘丝；
所述松散回潮工序的质量指标包括出口含水率和出口温度，所述松散回潮工序的工艺参数包括入口含水率、入口物料流量、加水流量和热风温度；
所述叶丝加料工序的质量指标包括出口含水率和出口温度，所述叶丝加料工序的工艺参数包括入口含水率、入口物料流量、加料流量、加水流量、加水系数、回风温度、料液温度和热风温度；
所述薄板烘丝工序的质量指标包括出口含水率和出口温度，所述薄板烘丝工序的工艺参数包括入口含水率、入口物料流量、HT出口温度、一区筒壁温度、二区筒壁温度、热风温度、蒸汽流量和风速。
2.根据权利要求1所述的一种面向多工序工业生产过程的工艺参数优化方法，其特征在于，所述步骤S106中，第二层最优化问题的求解方法为：根据步骤S105得到的各工序最优质量指标作为各工序的优化目标，按照步骤S105所述的第一层最优化问题的构建方法，分别构建各个工序的最优化问题，分别求解各个工序的最优化问题，得到使各工序质量指标最优的各工序工艺参数。
3.根据权利要求1所述的一种面向多工序工业生产过程的工艺参数优化方法，其特征在于，所述最终质量指标是否明显偏离正常值的判断方法为：计算产品质量指标最终质量指标预测数据集中产品质量指标最终质量指标的均值μ和标准偏差θ，若某条记录中产品质量指标最终质量指标不在(μ-3θ，μ+3θ)范围内，则判断其偏离正常值，需去除该条记录。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010751566.3A CN112036701B (zh) | 2020-07-30 | 2020-07-30 | 一种面向多工序工业生产过程的工艺参数优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010751566.3A CN112036701B (zh) | 2020-07-30 | 2020-07-30 | 一种面向多工序工业生产过程的工艺参数优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112036701A CN112036701A (zh) | 2020-12-04 |
| CN112036701B true CN112036701B (zh) | 2022-04-22 |
Family
ID=73583606
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010751566.3A Active CN112036701B (zh) | 2020-07-30 | 2020-07-30 | 一种面向多工序工业生产过程的工艺参数优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112036701B (zh) |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112674380A (zh) * | 2020-12-29 | 2021-04-20 | 广西中烟工业有限责任公司 | 一种卷烟制丝总体综合质量的判定和评价方法 |
| CN112956724A (zh) * | 2021-02-09 | 2021-06-15 | 广西中烟工业有限责任公司 | 一种烘丝工艺参数优化方法 |
| CN113537597A (zh) * | 2021-07-16 | 2021-10-22 | 上海大学 | 一种基于隐私保护的材料性能预测方法及系统 |
| CN113919601A (zh) * | 2021-12-09 | 2022-01-11 | 山东捷瑞数字科技股份有限公司 | 基于产品性能和过程数据模型的树脂工艺预测方法及装置 |
| CN114139839B (zh) * | 2022-02-08 | 2022-05-17 | 希望知舟技术(深圳)有限公司 | 一种基于工况的机器学习方法及相关装置 |
| CN114971599B (zh) * | 2022-08-02 | 2022-10-25 | 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 |
| CN116127824A (zh) * | 2023-01-10 | 2023-05-16 | 首域科技(杭州)有限公司 | 一种烘丝机工艺生产参数优化求解模型建立系统 |
| CN115826541B (zh) * | 2023-02-16 | 2023-05-16 | 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 |
| CN116063013B (zh) * | 2023-03-06 | 2023-06-23 | 一夫科技股份有限公司 | 一种钛石膏生产原料预处理的方法及系统 |
| CN115965166B (zh) * | 2023-03-16 | 2023-05-23 | 昆山市恒达精密机械工业有限公司 | 一种塑胶产品生产工艺的优化方法及系统 |
| CN117408572B (zh) * | 2023-12-13 | 2024-04-19 | 南通纳科达聚氨酯科技有限公司 | 力致变色弹性薄膜的制备优化方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102919995A (zh) * | 2012-11-01 | 2013-02-13 | 上海烟草集团有限责任公司 | 一种烟草制丝过程中的质量控制与诊断分析方法及系统 |
| 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 |
| CN109858714A (zh) * | 2019-04-03 | 2019-06-07 | 杭州安脉盛智能技术有限公司 | 基于改进神经网络的烟丝质检指标预测方法、装置及系统 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007206790A (ja) * | 2006-01-31 | 2007-08-16 | Konica Minolta Holdings Inc | サプライチェーンの最適化支援方法 |
| CN104375478B (zh) * | 2014-09-04 | 2018-09-14 | 太极计算机股份有限公司 | 一种轧钢生产过程产品质量在线预测与优化的方法及装置 |
| CN107330555A (zh) * | 2017-06-30 | 2017-11-07 | 红云红河烟草(集团)有限责任公司 | 一种基于随机森林回归的制丝过程参数赋权方法 |
-
2020
- 2020-07-30 CN CN202010751566.3A patent/CN112036701B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102919995A (zh) * | 2012-11-01 | 2013-02-13 | 上海烟草集团有限责任公司 | 一种烟草制丝过程中的质量控制与诊断分析方法及系统 |
| 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 |
| CN109858714A (zh) * | 2019-04-03 | 2019-06-07 | 杭州安脉盛智能技术有限公司 | 基于改进神经网络的烟丝质检指标预测方法、装置及系统 |
Non-Patent Citations (1)
| Title |
|---|
| "基于DOE和BP神经网络的制丝关键工艺参数优化";吴龙坚;《中国优秀硕士学位论文全文数据库（工程科技Ⅰ辑）》;20160115(第1期);第B024-252页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112036701A (zh) | 2020-12-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112036701B (zh) | 一种面向多工序工业生产过程的工艺参数优化方法 | |
| CN112021626B (zh) | 烟用制丝环节智能化控制系统及方法 | |
| 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 | |
| CN113017132A (zh) | 一种基于烘丝机工艺参数预测的烟丝质量优化的方法 | |
| CN115630839B (zh) | 一种基于数据挖掘的生产智能反馈调控系统 | |
| CN114794521B (zh) | 烟用制丝环节在线水分仪校验方法 | |
| CN107966976A (zh) | 一种数据驱动的烘丝水分控制回路性能评价与调整系统 | |
| CN111882188A (zh) | 基于Birch聚类算法的工艺质量同质化水平评价方法及系统 | |
| CN114115393A (zh) | 一种制丝线薄板烘丝机出口水分和温度的控制方法 | |
| CN116933010A (zh) | 一种基于多源数据融合与深度学习的负载率分析评价方法和系统 | |
| CN111077876B (zh) | 一种电站设备状态智能评价和预警方法、装置及系统 | |
| CN115099457A (zh) | 烟丝结构在线预测分析系统 | |
| CN114532564A (zh) | 基于主成分分析策略的松散回潮出口烟丝含水率控制方法 | |
| CN116268521B (zh) | 一种加料机自适应智能控制系统 | |
| CN112215493A (zh) | 一种卷烟制丝工段工艺质量的判定和评价方法 | |
| 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 | |
| CN115017700A (zh) | 基于scad算法的卷烟制丝过程变量选择及赋权方法 | |
| Shen et al. | The analysis and optimization of the correlation of parameters in the process of threshing and re-drying | |
| CN116882629A (zh) | 打叶复烤工艺参数关联性分析方法 | |
| Zhou et al. | Study on Optimization of Data-Driven Anomaly Detection | |
| CN113379093A (zh) | 油气集输系统能耗分析与优化方法 | |
| CN117932447A (zh) | 基于不同温湿度的松散回潮出口水分变化量预测方法 | |
| CN118340291A (zh) | 基于pso-elm的不同温湿度条件叶丝干燥入口水分控制方法 | |
| CN117422170B (zh) | 基于酸碱度控制灭菌工艺调优方法及系统 |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Ni Jun Inventor after: Cai Changbing Inventor after: Zhu Siqi Inventor after: Wu Jie Inventor after: Zhang Zhiyong Inventor before: Cai Changbing Inventor before: Zhu Siqi Inventor before: Wu Jie Inventor before: Zhang Zhiyong |
|
| CB03 | Change of inventor or designer information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |