CN112068507A - 一种烟草加工水分大数据人工智能控制方法 - Google Patents
一种烟草加工水分大数据人工智能控制方法 Download PDFInfo
- Publication number
- CN112068507A CN112068507A CN202010757659.7A CN202010757659A CN112068507A CN 112068507 A CN112068507 A CN 112068507A CN 202010757659 A CN202010757659 A CN 202010757659A CN 112068507 A CN112068507 A CN 112068507A
- Authority
- CN
- China
- Prior art keywords
- data
- control
- humidity
- artificial intelligence
- tobacco
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 87
- 235000002637 Nicotiana tabacum Nutrition 0.000 title claims abstract description 39
- 238000012545 processing Methods 0.000 title claims abstract description 21
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 18
- 244000061176 Nicotiana tabacum Species 0.000 title 1
- 238000004519 manufacturing process Methods 0.000 claims abstract description 62
- 241000208125 Nicotiana Species 0.000 claims abstract description 38
- 230000007613 environmental effect Effects 0.000 claims abstract description 25
- 238000005516 engineering process Methods 0.000 claims abstract description 9
- 238000013178 mathematical model Methods 0.000 claims abstract description 3
- 230000008569 process Effects 0.000 claims description 62
- 238000004458 analytical method Methods 0.000 claims description 13
- 238000007405 data analysis Methods 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 8
- 238000013461 design Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 238000004088 simulation Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 238000009434 installation Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 230000006855 networking Effects 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims description 3
- 238000012790 confirmation Methods 0.000 claims description 3
- 238000009472 formulation Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 2
- 230000008859 change Effects 0.000 abstract description 4
- 235000019504 cigarettes Nutrition 0.000 abstract description 4
- 230000007547 defect Effects 0.000 abstract description 2
- 238000012797 qualification Methods 0.000 abstract description 2
- 239000000463 material Substances 0.000 description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000001035 drying Methods 0.000 description 2
- 239000013072 incoming material Substances 0.000 description 2
- 238000001179 sorption measurement Methods 0.000 description 2
- 238000010923 batch production Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种烟草加工水分大数据人工智能控制方法，属于烟草加工领域，所述的烟草加工水分大数据人工智能控制方法通个模拟人工智能建立相应的控制数学模型来实现对不同环境温湿下的烟草水份进行精确控制。针对不同温湿度环境下人工智能烟草水份控制方法，从而达到了提高烟草加工水份控制精度，避免了因环境温湿度变化因素，人为操作差异造成水份控制精度波动，产品水份合格率低的弊端。以此来为环境温湿度对制丝加工过程工艺指标及产品质量的影响提供理论基础，同时为提升卷烟精细化加工工艺质量及优化设备控制参数、控制模型和控制标准提供科学依据。
Description
技术领域
本发明属于烟草加工技术领域，更具体的说涉及一种烟草加工水分大数据人工智能控制方法。
背景技术
在当前计算机、信息化、网络化及软件开发技术和平台日益发展的大环境，以及工业4.0、工业互联网、物联网、大数据、AI人工智能应用需求等飞速发展的大趋势下，对当前烟草生产、加工、工艺、质量、技术等方面的需求和要求也在不断提升。烟草行业作为国有重点企业，有责任有义务为消费者提供高质量高品位的产品，所以把当前先进的技术应用到烟草生产中以提高生产设备的效率和效益以及提升产品的加工工艺和质量，具有重大的意义也是不容推卸的责任和义务。
传统的烟草水份控制模型是通过预先提供一个模型（计算表达式），根据入口水分和出口水分（目标水分）的水分差，结合物料流量，计算加水量。其特点是计算简单方便，模型来自人为经验提供，引入因素较少，基本是入口水分、出口水分、流量、吸附率等，对不同温湿度环境下，不同来料品种及不同烟叶吸附率没有更好的办法解决。
由于传统控制模型是在系统调试期间固定的模型，调试期的物料特性和生产时的物料特性不可能没有变化。故无法解决好不同温湿度环境下，不同批次间牌号（烟叶等级）差异性问题以及批次内物料特性（水分、吸附性等）不均匀的问题。
针对以上存在的问题，水份控制模型应该能根据生产过程中环境温湿度变化，烟草来料等级等因素经行切换。当批内来料波动较大时，能动态根据当前物料特性自学习模型，并将影响所有因素（特征）如生产环境温湿度等,尽可能包括在模型中，增加模型特征量。
发明内容
本发明通过研究制丝烟叶烟丝在正常生产过程中，各不同的生产工序在不同环境温湿度条件下，工序间物料流转过程中环境温湿度与水分散失对应关系，以及对关键工艺点出口水分的影响，以此来为环境温湿度对制丝加工过程工艺指标及产品质量的影响提供理论基础，同时为提升卷烟精细化加工工艺质量及优化设备控制参数、控制模型和控制标准提供科学依据。
为了实现上述目的，本发明是通过以下技术方案实现的：实时采集建立数据库，通个模拟人工智能建立相应的控制数学模型来实现对不同环境温湿下的烟草水份进行精确控制；根据不同的采集季节、时间段将各关键设备和工艺点的环境温湿度数据与生产和控制因素相结合，设计整理出各种相关性统计报表和分析图表；根据制丝生产线的特点和具体情况进行分析，确定需要纳入系统进行采样分析的关键工艺点和重点设备，在此基础上进行安装点位选择及设备选型，建立相关的采集网络并配置相关采集设备，来实现环境温湿度数据采集的硬件基础和环境。
优选的，所述的采集网络包括温湿度检测仪表，根据制丝生产线环境温湿度采集需求，在车间内布置8个数据采集点，分别为5T烘丝机人口电子秤（1个采集点）、5T切丝后暂储柜（1个采集点）、5T润叶加料机（1个采集点）、3T润叶加料机（1个采集点）、3T异物剔除机（1个采集点）、2T烘梗丝机（1个采集点）、储丝房（2个采集点,3T储叶柜和5T成品丝柜）。
优选的，数据采集系统在选型和设计上参考制丝生产线控制系统，并通过在原制丝生产线控制系统的软硬件和网络基础上，对原制丝生产线控制系统进行相应的改造，通过配置与环境温湿度数据采集仪表相匹配的采集接口和模块（4-20mA模拟量），先将相关环境温湿度数据采集到对应的生产线控制系统，再通过制丝生产线控制系统与中控系统间的主干网络系统实现数据的上传。
优选的，所述的实时采集建立数据库采用以下方法，环境温湿度数据分析系统一方面通过对采集上来的制丝生产线各关键设备和工艺点的环境温湿度数据的整理、分类及存储，来建立环境温湿度数据的分析基础和环境；另一方面通过与制丝生产管理系统进行组网和通讯连接，获取以下与数据分析相关的具体的生产和控制因素：
1）、产品的品牌、批次、配方；
2）、各环境温湿度数据所对应的工艺段、工艺点；
3）、各环境温湿度数据所对应的生产设备及控制点；
4）、关键工艺点和设备的控制指标，控制参数等等要素。
优选的，数据报表分为过程数据报表和统计报表，系统实时采集车间温湿度数据，各个区域的数据点并入各自对应的工序单元（共用的装置也作为独立的设备分别并入不同的工序单元），在过程数据报表可以查看实时过程数据报表，可以查看某生产批次对应的过程数据，也可以人工指定时间段查看此时段内的过程数据。
优选的，当上述采集的环境、设备、控制等数据积累到一定数据量后，针对不同的工艺点开发设计不同的控制模型，并技术上引入AI人工智能、机器学习等先进技术和手段，通过不断积累的大量的历史生产数据，让计算机自动从这些历史数据中学习找到映射规律g(x),让g(x)无限接近于“上帝模型F(x)”，g(x) ≈ F(x），随着数据量的不断积累和增长，控制模型也在学习过程中不断精细和完备；
当控制模型在精细和完备化方面达到一定程度后，并通过一段时间的模拟和测试并确认其结果的可信度后，逐步以此模型来指导工艺和控制指标，并以反馈数据来不断优化和完善控制模型。
本发明有益效果：
本发明设计了一套针对不同温湿度环境下人工智能烟草水份控制方法，从而达到了提高烟草加工水份控制精度，避免了因环境温湿度变化因素，人为操作差异造成水份控制精度波动，产品水份合格率低的弊端。通过研究制丝烟叶烟丝在正常生产过程中，各不同的生产工序在不同环境温湿度条件下，工序间物料流转过程中环境温湿度与水分散失对应关系，以及对关键工艺点出口水分的影响，以此来为环境温湿度对制丝加工过程工艺指标及产品质量的影响提供理论基础，同时为提升卷烟精细化加工工艺质量及优化设备控制参数、控制模型和控制标准提供科学依据。
附图说明
图1为本发明流程图。
具体实施方式
为了便于本领域一般技术人员理解和实现本发明，现结合附图及具体实施例进一步描述本发明的技术方案。
根据制丝生产线的特点和具体情况进行分析，确定需要纳入系统进行采样分析的关键工艺点和重点设备，在此基础上进行安装点位选择及设备选型。通过在确定的点位安装环境温湿度检测仪表，建立相关的采集网络并配置相关采集设备，来实现环境温湿度数据采集的硬件基础和环境。
环境温湿度数据采集的硬件主要包括以下内容：
温湿度检测仪表：环境温湿度数据采集仪表考虑选择行业内有应用基础的成熟产品，设备标准、检测精度和运行稳定性能满足需求的工业型产品，具备模拟量或网络接口并带现场显示面板，以便于数据的采集传输及现场查看，根据制丝生产线环境温湿度采集需求，在车间内布置8个数据采集点，分别为5T烘丝机人口电子秤（1个采集点）、5T切丝后暂储柜（1个采集点）、5T润叶加料机（1个采集点）、3T润叶加料机（1个采集点）、3T异物剔除机（1个采集点）、2T烘梗丝机（1个采集点）、储丝房（2个采集点,3T储叶柜和5T成品丝柜）。
结合制丝生产线环境温湿度数据采集需求，拟选择国际大品牌工业温湿度传感器（墙面安装）来实现车间温湿度的数据采集。
（2）、温湿度数据采集网络：考虑到生产线需要纳入系统进行采样分析的关键工艺点和重点设备数量多且发布广，所以考虑对需要进行环境温湿度数据进行采样的工艺点和设备所对应的控制系统进行改造，借用原控制系统已经建立的软硬件和网络平台基础上，来实现环境温湿度数据的采集及汇总。
（3）、温湿度数据采集系统：
数据采集系统在选型和设计上参考制丝生产线控制系统，并通过在原制丝生产线控制系统的软硬件和网络基础上，对原制丝生产线控制系统进行相应的改造，通过配置与环境温湿度数据采集仪表相匹配的采集接口和模块（4-20mA模拟量），先将相关环境温湿度数据采集到对应的生产线控制系统，再通过制丝生产线控制系统与中控系统间的主干网络系统实现数据的上传。
在上述硬件基础和环境搭建完成后，就可以着手进行环境温湿度数据分析系统的开发设计工作。环境温湿度数据分析系统考虑按照B/S模式架构，采用微软Visual Studio开发平台进行开发设计。环境温湿度数据分析系统一方面通过对采集上来的制丝生产线各关键设备和工艺点的环境温湿度数据的整理、分类及存储，来建立环境温湿度数据的分析基础和环境；另一方面通过与制丝生产管理系统进行组网和通讯连接，获取以下与数据分析相关的具体的生产和控制因素：
1）、产品的品牌、批次、配方；
2）、各环境温湿度数据所对应的工艺段、工艺点；
3）、各环境温湿度数据所对应的生产设备及控制点；
4）、关键工艺点和设备的控制指标，控制参数等等要素；
5）、生产的季节、时间段等外部因素。
数据报表分为过程数据报表和统计报表，系统实时采集车间温湿度数据，各个区域的数据点并入各自对应的工序单元（共用的装置也作为独立的设备分别并入不同的工序单元），在过程数据报表可以查看实时过程数据报表，可以查看某生产批次对应的过程数据，也可以人工指定时间段查看此时段内的过程数据。
为了方便后续的模型分析，在各工序批次生产结束时，系统将同时统计批次时间段内的温湿度统计值（均值、标偏）等，这样，通过批次号将生产数据和温湿度数据关联起来，方便建模分析。
在此基础上，根据不同的采集季节、时间段将各关键设备和工艺点的环境温湿度数据与生产和控制因素相结合，设计整理出各种相关性统计报表和分析图表。通过系统提供的统计报表和分析图表，可以对各个采集点的数据进行人为的分析和判别，摸索出外部温湿度对产品水分的影响规律及影响因子。
只有通过大量的历史生产数据，让计算机自动从这些历史数据中学习找到映射规律g(x),g(x)无限接近于“上帝模型F(x)”，g(x) ≈ F(x）。技术上引入人工智能、机器学习。利用大量的生产数据，分等级因素等，让计算机自动学习模型，作为控制的预设模型。学习得到的模型引入生产控制，控制效果达标时，不改变模型，否则，利用最新的生产数据，自动学习，修正模型。
当获取生产数据及相关的温湿度数据后，若要分析各数据之间的因果关系，系统提供了相应的分析工具，只要将数据导入工具软件，即可分析。利用工业实时数据库，存储海量历史数据，用作智能学习的训练数据，自学习软件，学习模型，并与PLC交互。机器学习采用微软ML.NET框架。 ML.NET 使你能够在联机或脱机场景中将机器学习添加到 .NET 应用程序中。借助此功能，可以使用应用程序的可用数据进行自动预测。 机器学习应用程序利用数据中的模式来进行预测，而不需要进行显式编程。
ML.NET 的核心是机器学习模型。该模型指定将输入数据转换为预测所需的步骤。借助 ML.NET，可以通过指定算法来训练自定义模型，也可以导入预训练的 TensorFlow 和ONNX 模型。拥有模型后，可以将其添加到应用程序中进行预测。ML.NET 在使用 .NET Core的 Windows、Linux 和 macOS 或使用 .NET Framework 的 Windows 上运行。所有平台均支持 64 位。 Windows 支持 32 位，TensorFlow、LightGBM 和 ONNX 相关功能除外。
当上述采集的环境、设备、控制等数据积累到一定数据量后，针对不同的工艺点开发设计不同的控制模型，并技术上引入AI人工智能、机器学习等先进技术和手段，通过不断积累的大量的历史生产数据，让计算机自动从这些历史数据中学习找到映射规律g(x),让g(x)无限接近于“上帝模型F(x)”，g(x) ≈ F(x）。随着数据量的不断积累和增长，控制模型也在学习过程中不断精细和完备。
当控制模型在精细和完备化方面达到一定程度后，并通过一段时间的模拟和测试并确认其结果的可信度后，逐步以此模型来指导工艺和控制指标，并以反馈数据来不断优化和完善控制模型，实现提高控制指标、产品质量，提升卷烟品质和企业效益的目标。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (6)
1.一种烟草加工水分大数据人工智能控制方法，其特征在于：实时采集建立数据库，通个模拟人工智能建立相应的控制数学模型来实现对不同环境温湿下的烟草水份进行精确控制；根据不同的采集季节、时间段将各关键设备和工艺点的环境温湿度数据与生产和控制因素相结合，设计整理出各种相关性统计报表和分析图表；根据制丝生产线的特点和具体情况进行分析，确定需要纳入系统进行采样分析的关键工艺点和重点设备，在此基础上进行安装点位选择及设备选型，建立相关的采集网络并配置相关采集设备，来实现环境温湿度数据采集的硬件基础和环境。
2.根据权利要求1所述的一种烟草加工水分大数据人工智能控制方法，其特征在于：所述的采集网络包括温湿度检测仪表，根据制丝生产线环境温湿度采集需求，在车间内布置8个数据采集点，分别为5T烘丝机人口电子秤（1个采集点）、5T切丝后暂储柜（1个采集点）、5T润叶加料机（1个采集点）、3T润叶加料机（1个采集点）、3T异物剔除机（1个采集点）、2T烘梗丝机（1个采集点）、储丝房（2个采集点,3T储叶柜和5T成品丝柜）。
3.根据权利要求1或2所述的一种烟草加工水分大数据人工智能控制方法，其特征在于：数据采集系统在选型和设计上参考制丝生产线控制系统，并通过在原制丝生产线控制系统的软硬件和网络基础上，对原制丝生产线控制系统进行相应的改造，通过配置与环境温湿度数据采集仪表相匹配的采集接口和模块（4-20mA模拟量），先将相关环境温湿度数据采集到对应的生产线控制系统，再通过制丝生产线控制系统与中控系统间的主干网络系统实现数据的上传。
4.根据权利要求3所述的一种烟草加工水分大数据人工智能控制方法，其特征在于：所述的实时采集建立数据库采用以下方法，环境温湿度数据分析系统一方面通过对采集上来的制丝生产线各关键设备和工艺点的环境温湿度数据的整理、分类及存储，来建立环境温湿度数据的分析基础和环境；另一方面通过与制丝生产管理系统进行组网和通讯连接，获取以下与数据分析相关的具体的生产和控制因素：
1）、产品的品牌、批次、配方；
2）、各环境温湿度数据所对应的工艺段、工艺点；
3）、各环境温湿度数据所对应的生产设备及控制点；
4）、关键工艺点和设备的控制指标，控制参数等等要素。
5.根据权利要求1、2、4中任意一条权利要求所述的一种烟草加工水分大数据人工智能控制方法，其特征在于：数据报表分为过程数据报表和统计报表，系统实时采集车间温湿度数据，各个区域的数据点并入各自对应的工序单元（共用的装置也作为独立的设备分别并入不同的工序单元），在过程数据报表可以查看实时过程数据报表，可以查看某生产批次对应的过程数据，也可以人工指定时间段查看此时段内的过程数据。
6. 根据权利要求5所述的所述的一种烟草加工水分大数据人工智能控制方法，其特征在于：当上述采集的环境、设备、控制等数据积累到一定数据量后，针对不同的工艺点开发设计不同的控制模型，并技术上引入AI人工智能、机器学习等先进技术和手段，通过不断积累的大量的历史生产数据，让计算机自动从这些历史数据中学习找到映射规律g(x),让g(x)无限接近于“上帝模型F(x)”，g(x) ≈ F(x），随着数据量的不断积累和增长，控制模型也在学习过程中不断精细和完备；
当控制模型在精细和完备化方面达到一定程度后，并通过一段时间的模拟和测试并确认其结果的可信度后，逐步以此模型来指导工艺和控制指标，并以反馈数据来不断优化和完善控制模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010757659.7A CN112068507A (zh) | 2020-07-31 | 2020-07-31 | 一种烟草加工水分大数据人工智能控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010757659.7A CN112068507A (zh) | 2020-07-31 | 2020-07-31 | 一种烟草加工水分大数据人工智能控制方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112068507A true CN112068507A (zh) | 2020-12-11 |
Family
ID=73656700
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010757659.7A Pending CN112068507A (zh) | 2020-07-31 | 2020-07-31 | 一种烟草加工水分大数据人工智能控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112068507A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112947342A (zh) * | 2021-02-26 | 2021-06-11 | 四川中烟工业有限责任公司 | 数据驱动的烟草生丝水分控制系统及控制方法 |
-
2020
- 2020-07-31 CN CN202010757659.7A patent/CN112068507A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112947342A (zh) * | 2021-02-26 | 2021-06-11 | 四川中烟工业有限责任公司 | 数据驱动的烟草生丝水分控制系统及控制方法 |
| CN112947342B (zh) * | 2021-02-26 | 2024-03-12 | 四川中烟工业有限责任公司 | 数据驱动的烟草生丝水分控制系统及控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109631973B (zh) | 一种传感器的自动校准方法和系统 | |
| CN111597729A (zh) | 加工设备工艺参数优化方法及系统 | |
| CN111184246B (zh) | 一种控制烘丝入口含水率的方法和系统 | |
| CN111144667A (zh) | 一种基于梯度提升树的烟草回潮机出料含水率预测方法 | |
| 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 | |
| CN102095831A (zh) | 水分仪管理方法和系统 | |
| CN102885392A (zh) | 一种制丝工艺质量监控系统及方法 | |
| CN112273696B (zh) | 切丝后水分控制方法、装置以及设备 | |
| CN102944426A (zh) | 一种x型航空发动机试车台测控系统和测控方法 | |
| CN112068507A (zh) | 一种烟草加工水分大数据人工智能控制方法 | |
| CN110163479A (zh) | 一种烟草卷包车间质量异常问题主因模型的建立方法 | |
| CN114563988A (zh) | 一种基于随机森林算法的水厂智能pac投加方法及系统 | |
| CN115438726A (zh) | 一种基于数字孪生技术的设备寿命与故障类型预测方法及系统 | |
| CN109333159A (zh) | 刀具磨损状态在线监测的深度核极限学习机方法及系统 | |
| CN105843191B (zh) | 一种双通道滤棒成型工艺质量分析和追溯系统及其方法 | |
| CN105628646B (zh) | 一种卷烟在线焦油预测及预警方法 | |
| CN111459084A (zh) | 流水生产线在线水分仪检测精准度智能管控系统 | |
| CN117452891A (zh) | 基于数字孪生的绿茶杀青过程的虚拟仿真监控方法 | |
| CN112651173A (zh) | 一种基于跨域光谱信息的农产品品质无损检测方法及可泛化系统 | |
| CN116755411A (zh) | 一种工业设备数据采集方法及装置 | |
| CN108021753A (zh) | 一种考虑工况差异的数控机床可靠性评估的方法 | |
| CA2761682A1 (en) | Real-time process for targeting trait phenotyping of plant breeding experiments | |
| CN113778042A (zh) | 基于信息化建模的工控设备指令模拟运行通信系统 | |
| CN211015605U (zh) | 烟叶收购质量评价系统 | |
| CN202974663U (zh) | 一种x型航空发动机试车台测控系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201211 |