CN112257947A - 制烟环境温湿度预测方法、装置以及设备 - Google Patents
制烟环境温湿度预测方法、装置以及设备 Download PDFInfo
- Publication number
- CN112257947A CN112257947A CN202011193474.4A CN202011193474A CN112257947A CN 112257947 A CN112257947 A CN 112257947A CN 202011193474 A CN202011193474 A CN 202011193474A CN 112257947 A CN112257947 A CN 112257947A
- Authority
- CN
- China
- Prior art keywords
- temperature
- humidity
- data
- prediction
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 235000019504 cigarettes Nutrition 0.000 title claims abstract description 17
- 238000004519 manufacturing process Methods 0.000 claims abstract description 44
- 238000012545 processing Methods 0.000 claims abstract description 25
- 230000001932 seasonal effect Effects 0.000 claims description 46
- 230000007774 longterm Effects 0.000 claims description 45
- 238000012549 training Methods 0.000 claims description 29
- 238000010276 construction Methods 0.000 claims description 28
- 230000008569 process Effects 0.000 claims description 25
- 238000012360 testing method Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 15
- 230000015654 memory Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 11
- 238000007689 inspection Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 230000000750 progressive effect Effects 0.000 claims description 6
- 230000001502 supplementing effect Effects 0.000 claims description 6
- 230000000391 smoking effect Effects 0.000 claims description 3
- 241000208125 Nicotiana Species 0.000 description 12
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 12
- 238000001514 detection method Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 230000001105 regulatory effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 235000019800 disodium phosphate Nutrition 0.000 description 2
- 238000001035 drying Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000012620 biological material Substances 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
- 239000013598 vector Substances 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
- G06Q10/04—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Fuzzy Systems (AREA)
- Probability & Statistics with Applications (AREA)
- General Health & Medical Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Computational Linguistics (AREA)
- Primary Health Care (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (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)
Abstract
本发明公开了一种制烟环境温湿度预测方法、装置以及设备，本发明的构思在于通过特定的数据处理方式并基于时序预测思想构建温湿度预测模型，结合生产当日开始前的起始时序数据，由温湿度预测模型根据温湿度历史数据以及自带的预测函数对未来时间段的温湿度趋势进行准确预测，同时，持续采集生产过程中的温湿度数据使得模型参数得到进一步优化，能够显著降低对未来时段温湿度趋势的预测误差。本发明相比人工预估方式，节省人力的同时并可以获得可靠的未来温度趋势预测结果，相比恒温恒湿系统而言，则无需耗费大量的资源成本。
Description
技术领域
本发明涉及烟草加工领域，尤其涉及一种制烟环境温湿度预测方法、装置以及设备。
背景技术
烟叶是一种多孔生物材料，具有较强的吸附特性，易受空气中的饱和湿含量影响。同时，制丝线生产工序较多，烟叶经过松散回潮、润叶加料、并贮叶一定时间后再进行切丝、烘丝、掺配加香等工序。其中，车间温湿度会对各个加工工序产生影响，尤其当需要结合物料所在环境的温湿度进行某些特定关键参数的指导时，车间温湿度的可靠性及准确性的意义更为凸显。
针对上述制烟领域中的流程工序场景，存在一个特定的技术问题：某些工艺环节中所需的温湿度并不是实时采集的当前温湿度。例如，针对某些生产需要，润叶加料后需要经过4-72小时的贮叶时间才进行后续的切丝烘丝工序，也就是说，工艺流程行进到该特定工序时，生产工艺所需的温湿度参数属于“未来值”，也即是当前并不能确定的变量，因此需要提前预测未来若干小时后的温度和湿度，以此为基础进行相应工艺制程的调控，这才能够有效保证烟叶烟丝在各加工环节中受到温湿度影响尽可能小，进而使得物料品质符合预期要求。
为解决制丝生产车间温湿度对烟叶的影响，目前采用的方法多为基于人工经验进行未来温湿度的估算，或者建立恒温恒湿系统以消除温湿度的影响。前者凭借人力进行估计，既耗费成本也不能确保准确度，尤其，仅凭人工经验难以适应天气骤变这类复杂情况；后者虽然不必对未来温湿度进行预估，但需要全车间采用恒温恒湿控制方式，然而，制丝生产车间空间广、设备多，搭建相适配的恒温恒湿系统需要消耗大量的能源及经济成本，且增加车间维护复杂性。
因而，为了提升对制烟工序中未来环境温湿度的预测准确性，需要找寻一套节省制造成本、降低能耗且更为科学、可靠的温湿度预测方案。
发明内容
由此，本发明旨在提供一种制烟环境温湿度预测方法、装置以及设备，以高效、准确、可靠且经济地解决制烟工序中特定的技术问题。
本发明采用的技术方案如下：
第一方面，本发明提供了一种制烟环境温湿度预测方法，其中，包括：
利用预先处理的温湿度历史数据，并基于时间序列预测算法构建并训练温湿度预测模型；
在生产当日按预设时间周期采集生产前温湿度数据，作为时序起点标签输入至所述温湿度预测模型；
根据所述时序起点标签、所述温湿度历史数据以及所述温湿度预测模型自带的预测函数，预测出未来时段的温湿度趋势；
持续采集生产当日的温湿度数据并补入至所述温湿度历史数据，以对所述温湿度预测模型的参数进行校正优化。
在其中至少一种可能的实现方式中，对温湿度历史数据预先处理包括：
从时序数据库中采集并构建往年至生产当日的温湿度数据集；
对所述温湿度数据集中的缺失值进行填充，和/或识别及剔除所述温湿度数据集中的异常值，和/或对所述温湿度数据集进行光滑去噪；
判断所述温湿度数据集中的数据是否满足周期性，若不满足，则重复上述采集及处理过程。
在其中至少一种可能的实现方式中，对温湿度历史数据预先处理包括：
将所述温湿度历史数据分解为适应所述温湿度预测模型的长期趋势数据以及季节趋势数据；
对所述长期趋势数据和所述季节趋势数据分别按序进行平稳性检验以及白噪音检验。
在其中至少一种可能的实现方式中，所述按序进行平稳性检验以及白噪音检验包括：
若平稳性检验不通过，则对所述长期趋势数据或所述季节趋势数据进行差分运算并再次进行平稳性检验，直至所述长期趋势数据和所述季节趋势数据均为平稳的随机时间序列；
若所述长期趋势数据和所述季节趋势数据均通过平稳性检验，则进行白噪音检验；
若白噪音检验不通过，则确定所述温湿度历史数据无效。
在其中至少一种可能的实现方式中，所述温湿度预测模型构建方式包括：利用信息准则确定出所述长期趋势数据和所述季节趋势数据的阶数。
在其中至少一种可能的实现方式中，所述利用信息准则确定出所述长期趋势数据和所述季节趋势数据的阶数包括：
构造多个具有不同参数的候选温湿度预测模型；
将所述长期趋势数据和所述季节趋势数据，输入到构造的多个温湿度候选预测模型中进行训练；并在训练过程中，计算预设的若干信息准则的和值，选取和值最小时对应的参数作为最终的模型参数。
第二方面，本发明提供了一种制烟环境温湿度预测装置，其中，包括：
数据构建及模型训练模块，用于利用预先处理的温湿度历史数据，并基于时间序列预测算法构建并训练温湿度预测模型；
起始标签采集模块，用于在生产当日按预设时间周期采集生产前温湿度数据，作为时序起点标签输入至所述温湿度预测模型；
未来数据预测模块，用于根据所述时序起点标签、所述温湿度历史数据以及所述温湿度预测模型自带的预测函数，预测出未来时段的温湿度趋势；
历史数据更新模块，用于持续采集生产当日的温湿度数据并补入至所述温湿度历史数据，以对所述温湿度预测模型的参数进行校正优化。
在其中至少一种可能的实现方式中，所述数据构建及模型训练模块包括数据构建单元，所述数据构建单元具体包括：
历史数据获取组件，用于从时序数据库中采集并构建往年至生产当日的温湿度数据集；
数据预处理组件，用于对所述温湿度数据集中的缺失值进行填充，和/或识别及剔除所述温湿度数据集中的异常值，和/或对所述温湿度数据集进行光滑去噪；
周期性检测组件，用于判断所述温湿度数据集中的数据是否满足周期性，若不满足，则重复上述采集及处理过程。
在其中至少一种可能的实现方式中，所述数据构建及模型训练模块包括数据构建单元，所述数据构建单元具体包括：
数据拆解组件，用于将所述温湿度历史数据分解为适应所述温湿度预测模型的长期趋势数据以及季节趋势数据；
数据逐级检验组件，用于对所述长期趋势数据和所述季节趋势数据分别按序进行平稳性检验以及白噪音检验。
在其中至少一种可能的实现方式中，所述数据逐级检验组件包括：
平稳性检验子组件，用于若平稳性检验不通过，则对所述长期趋势数据或所述季节趋势数据进行差分运算并再次进行平稳性检验，直至所述长期趋势数据和所述季节趋势数据均为平稳的随机时间序列；
白噪音检验子组件，用于若所述长期趋势数据和所述季节趋势数据均通过平稳性检验，则进行白噪音检验；
数据有效性确定子组件，用于若白噪音检验不通过，则确定所述温湿度历史数据无效。
在其中至少一种可能的实现方式中，所述数据构建及模型训练模块包括定阶单元，所述定阶单元用于利用信息准则确定出所述长期趋势数据和所述季节趋势数据的阶数，具体包括：
多模型构造组件，用于构造多个具有不同参数的候选温湿度预测模型；
参数确定组件，用于将所述长期趋势数据和所述季节趋势数据，输入到构造的多个候选温湿度预测模型中进行训练；并在训练过程中，计算预设的若干信息准则的和值，选取和值最小时对应的参数作为最终的模型参数。
第三方面，本发明提供了一种制烟环境温湿度预测设备，其中，包括：
一个或多个处理器、存储器以及一个或多个计算机程序，所述存储器可以采用非易失性存储介质，其中所述一个或多个计算机程序被存储在所述存储器中，所述一个或多个计算机程序包括指令，当所述指令被所述设备执行时，使得所述设备执行如第一方面或者第一方面的任一可能实现方式中的所述方法。
本发明的构思在于通过特定的数据处理方式并基于时序预测思想构建温湿度预测模型，结合生产当日开始前的起始时序数据，由温湿度预测模型根据温湿度历史数据以及自带的预测函数对未来时间段的温湿度趋势进行准确预测，同时，持续采集生产过程中的温湿度数据使得模型参数得到进一步优化，能够显著降低对未来时段温湿度趋势的预测误差。本发明相比人工预估方式，节省人力的同时并可以获得可靠的未来温度趋势预测结果，相比恒温恒湿系统而言，则无需耗费大量的资源成本，并且，本发明提供的可靠的预测结果可与现有的智能控制系统串联，通过预测出未来数小时内的温湿度，作为新的特征变量带入智能控制系统中进行计算及控制，能够有效提升整个车间各个工序的智能控制精确度，例如但不限于可以应用在切丝后含水率预测等工序监控环节，从而实现主动对烟叶加工中的含水参数进行调控，避免被动改变的情形。
附图说明
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步描述，其中：
图1为本发明提供的制烟环境温湿度预测方法的实施例的流程图；
图2为本发明提供的制烟环境温湿度预测装置的实施例的示意图。
具体实施方式
下面详细描述本发明的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
发明人在设计本发明的初始，考虑摒弃简单且粗糙的人工估计的方式，使用聚类、回归算法拟合出基于外界天气温湿度变化的车间温湿度数据模型，但聚类+回归的预测方法仍是传统的以特征变量预测目标变量的方法，尤其可以涉及到的主要特征变量仅为外界温湿度和生产开始冷却时间，实质参与预测的变量过少，预测结果准确性难有提升空间，尤其是，经实践发现此方式需要实时接入外网获取所需数据并进行计算，这为车间工业互联网的安全性带来挑战。在此基础上，本发明提出了一种制烟环境温湿度预测方法的实施例，参照图1所示，具体可以包括：
步骤S1、利用预先处理的温湿度历史数据，并基于时间序列预测算法构建并训练温湿度预测模型。
本实施例提出采用时间序列预测技术对制丝车间环境的温湿度参数进行分析和预测，具体而言，可以通过改进ARIMA预测模型，使用SARIMAX时序预测模型作为所述温湿度预测模型的架构，后文将对该模型进行具体介绍。此处先对温湿度历史数据的预先处理方式进行如下说明。
本发明在一些优选实施例中提出，对温湿度历史数据的预先处理可以分为两个主要方向，一种是从数据属性层面进行处理，另一种是站位于时序预测的技术角度进行相应处理。
第一方面，可以参考如下：可以从时序数据库中采集并构建往年至生产当日的温湿度数据集，并对所述温湿度数据集中的缺失值进行填充，和/或识别及剔除所述温湿度数据集中的异常值，和/或对所述温湿度数据集进行光滑去噪，然后判断所述温湿度数据集中的数据是否满足周期性，若不满足，则重复上述采集及处理过程。
在实际操作中，可以从Oracle时序数据库(在某些场景中，温湿度传感器的数据可通过plc-opc sever传输到Oracle时序数据库里)提取上一年或几年至今日的某个工序环境的温湿度数据，对于历史数据的提取，可以结合实际生产的时间调度安排，例如选取10点～23点的时序数据并进行间隔为一小时的采样作为此历史数据，同时还可以使用采集时的日期时间作为数据的序号予以记录。
接着，可以对这些历史数据进行预处理，例如对缺失值使用热卡填补法填充，对异常值进行3σ原则识别并剔除，去除干扰数据质量的噪声，并还可以计算历史数据是否满足周期性的要求，当周期性不满足预设标准时，可以重复上述采样和处理步骤。
第二方面，结合时序预测技术的特点，对温湿度历史数据预先处理还可以包括：
将前述采集到的所述温湿度历史数据分解为适应所述温湿度预测模型的长期趋势数据以及季节趋势数据，然后对分解后的长期趋势数据和季节趋势数据分别按先后次序进行平稳性检验以及白噪音检验。
这里提供一种具体的按序检验思路，如果对前述数据的平稳性检验不通过，则对所述长期趋势数据或所述季节趋势数据进行差分运算并再次进行平稳性检验，直至所述长期趋势数据和所述季节趋势数据均为平稳的随机时间序列；如果所述长期趋势数据和所述季节趋势数据均通过平稳性检验，则开始进行白噪音检验，并且如果白噪音检验不通过，则确定所述温湿度历史数据无效；反之，如果白噪音检验通过，则认定这些数据在时序上存在相关性。
具体结合SARIMAX模型为例，前述数据处理过程如下：SARIMAX模型的时间单位为相应的周期S，表示为SARIMAX(p,d,q)×(P,D,Q,S)，其中p、d、q分别表示自回归、差分、移动平均阶数；P、Q、D分别表示以S为间距的自回归、差分、移动平均阶数。那么，便可以对温湿度历史数据使用诸如X-11方法分解成满足该预测模型的长期趋势数据(p,d,q)、季节趋势数据(P,D,Q,S)，同时也可以分解出随机成分μt用于后续模型构建。
(1)对长期趋势数据和季节趋势数据分别进行平稳性检验，具体可以采用Philips的非参数检验(PP检验)和ADF检验相互验证，例如当P＞0.05时认为通过检验；如果检验结论是温度历史数据不平稳，则可以先进行差分运算后再次进行PP检验和ADF检验，直到历史数据是平稳的随机时间序列，差分的次数就是D和d的值(差分一次d＝1，两次d＝2，以此类推)。
(2)只有在平稳性检验通过后，再开始对长期趋势数据和季节趋势数据进行白噪声检验，例如可以使用AutocorrelationTest并基于bartlett方法进行检验，例如当P值小于0.05时候可以认为上述历史数据属于非白噪声，即不是随机产生的序列，具有时间上的相关性。否则，则认为获取的历史数据是无效数据，不适用时序预测处理。
接续前文，关于所述温湿度预测模型的构建，在本发明一些优选实施例中，可以利用信息准则自动确定出所述长期趋势数据和所述季节趋势数据的阶数，从而可以避免人工观察拖尾和截尾来确定参数值，这样可以提升模型预测的精度。
具体来说，关于定阶方式可以参考如下：首先构造出多个具有不同参数的候选温湿度预测模型，然后将所述长期趋势数据和所述季节趋势数据，输入到构造的多个温湿度候选预测模型中进行训练，并在训练过程中，计算预设的若干信息准则的和值，选取和值最小时对应的参数作为最终的模型参数。
举例而言，可以利用信息准则(AIC、BIC、HQIC)确定长期趋势数据和季节趋势数据中的阶数：p、q、P、Q。具体实现方式可以利用网格搜索法将所有的模型参数p、q、P、Q值(可预先确设定参数值范围)带入到SARIMAX模型，即构造出多个不同参数的SARIMAX模型，然后将温湿度历史数据输入到构造的多个SARIMAX模型中进行训练，并计算出前例三个信息准则(AIC、BIC、HQIC)的值的和，取和最小时候对应的参数作为最终参数，从而可以获得所述温湿度预测模型。
这里还可以补充说明的是，在模型构造过程中：
其一、可以利用移动算子(B表示)令模型形式优化，则前述SARIMAX数学模型可以表示为：
其中
其二、前述是将温湿度两个客体做统一表述，但在实际操作中，可将而二者拆分出，即可以分别获得湿度预测模型为：SARIMAX(1,1,1)x(0,1,1,14)，模型中AR＝0.4675，MA＝-0.7034，SMA＝-0.9426，其数学表达为：
B即为移动算子，xt为时序数据。
温度预测模型为：SARIMAX(0,1,1)x(1,1,1,14)
模型中MA＝-0.1966，SAR＝0.3345，SMA＝-0.9088，其数学表达为：
再回到图1，步骤S2、在生产当日按预设时间周期采集生产前温湿度数据，作为时序起点标签输入至所述温湿度预测模型；
步骤S3、根据所述时序起点标签、所述温湿度历史数据以及所述温湿度预测模型自带的预测函数，预测出未来时段的温湿度趋势；
步骤S4、持续采集生产当日的温湿度数据并补入至所述温湿度历史数据，以对所述温湿度预测模型的参数进行校正优化。
在实际操作中，使用温湿度的时序数据进行预测的同时，还可以持续更新模型数据，例如，将生产当日开始生产时间为12点至24点，那么可以按一小时为周期获取当日10点和11点的温湿度数据作为趋势预测的起点标签，并送入温湿度预测模型，由该模型利用自带的预测函数，再基于已存在的温湿度历史数据以及此两个趋势起点时间数据预测出未来时段的温湿度趋势，这里所述未来时段可通过模型自带的预测函数进行时序起始和终点的设定，例如可以设定预测未来48小时内的温湿度趋势(该趋势可以按未来每小时的数据形成)，或者预测未来72小时内的温湿度趋势，对此本发明不做限定，但需要说明的是，本领域技术人员可以理解，未来时段中越靠近当前时刻的时段，其预测结果相对误差会更小。然后，可以继续持续获取生产开始后的温湿度数据，例如按采样间隔1小时，获取到12点～24点的温湿度数据，以此更新预测模型所用历史数据，这样可以实现模型的自动调参，以便持续对模型进行校正优化，如第二天需要预测未来时段温湿度时，会得到相对更精准的趋势数据，尤其地，对历史数据进行持续补充，可以有效避免因天气骤变或季节变化对生产工艺参数及加工强度的影响。
综上所述，本发明的构思在于通过特定的数据处理方式并基于时序预测思想构建温湿度预测模型，结合生产当日开始前的起始时序数据，由温湿度预测模型根据温湿度历史数据以及自带的预测函数对未来时间段的温湿度趋势进行准确预测，同时，持续采集生产过程中的温湿度数据使得模型参数得到进一步优化，能够显著降低对未来时段温湿度趋势的预测误差。本发明相比人工预估方式，节省人力的同时并可以获得可靠的未来温度趋势预测结果，相比恒温恒湿系统而言，则无需耗费大量的资源成本，并且，本发明提供的可靠的预测结果可与现有的智能控制系统串联，通过预测出未来数小时内的温湿度，作为新的特征变量带入智能控制系统中进行计算及控制，能够有效提升整个车间各个工序的智能控制精确度，例如但不限于可以应用在切丝后含水率预测等工序监控环节，从而实现主动对烟叶加工中的含水参数进行调控，避免被动改变的情形。
发明人还对本发明提出的方案进行实际实验验证，得到如下结论：
本发明实现计算机代替人工预测未来车间的环境温湿度，预测准确率显著提高。通过实施本发明进行模拟测试，可使得48小时内湿度预测误差在±0.2％内的占比为83.10％，温度预测误差在±2℃内的占比为78.90％；而在48-72小时内湿度预测误差在±0.4％占比为82.49％。温度预测误差在±4℃内占比为74.20％。并且，根据模型预测效果验证标准，温湿度预测得分分别为88.12和87.49，MES分别为0.16和0.28，预测值和实际值吻合度高，可证本发明提供的温湿度预测模型效果优。
相应于上述各实施例及优选方案，本发明还提供了一种制烟环境温湿度预测装置的实施例，如图2所示，具体可以包括如下部件：
数据构建及模型训练模块1，用于利用预先处理的温湿度历史数据，并基于时间序列预测算法构建并训练温湿度预测模型；
起始标签采集模块2，用于在生产当日按预设时间周期采集生产前温湿度数据，作为时序起点标签输入至所述温湿度预测模型；
未来数据预测模块3，用于根据所述时序起点标签、所述温湿度历史数据以及所述温湿度预测模型自带的预测函数，预测出未来时段的温湿度趋势；
历史数据更新模块4，用于持续采集生产当日的温湿度数据并补入至所述温湿度历史数据，以对所述温湿度预测模型的参数进行校正优化。
在其中至少一种可能的实现方式中，所述数据构建及模型训练模块包括数据构建单元，所述数据构建单元具体包括：
历史数据获取组件，用于从时序数据库中采集并构建往年至生产当日的温湿度数据集；
数据预处理组件，用于对所述温湿度数据集中的缺失值进行填充，和/或识别及剔除所述温湿度数据集中的异常值，和/或对所述温湿度数据集进行光滑去噪；
周期性检测组件，用于判断所述温湿度数据集中的数据是否满足周期性，若不满足，则重复上述采集及处理过程。
在其中至少一种可能的实现方式中，所述数据构建及模型训练模块包括数据构建单元，所述数据构建单元具体包括：
数据拆解组件，用于将所述温湿度历史数据分解为适应所述温湿度预测模型的长期趋势数据以及季节趋势数据；
数据逐级检验组件，用于对所述长期趋势数据和所述季节趋势数据分别按序进行平稳性检验以及白噪音检验。
在其中至少一种可能的实现方式中，所述数据逐级检验组件包括：
平稳性检验子组件，用于若平稳性检验不通过，则对所述长期趋势数据或所述季节趋势数据进行差分运算并再次进行平稳性检验，直至所述长期趋势数据和所述季节趋势数据均为平稳的随机时间序列；
白噪音检验子组件，用于若所述长期趋势数据和所述季节趋势数据均通过平稳性检验，则进行白噪音检验；
数据有效性确定子组件，用于若白噪音检验不通过，则确定所述温湿度历史数据无效。
在其中至少一种可能的实现方式中，所述数据构建及模型训练模块包括定阶单元，所述定阶单元用于利用信息准则确定出所述长期趋势数据和所述季节趋势数据的阶数，具体包括：
多模型构造组件，用于构造多个具有不同参数的候选温湿度预测模型；
参数确定组件，用于将所述长期趋势数据和所述季节趋势数据，输入到构造的多个候选温湿度预测模型中进行训练；并在训练过程中，计算预设的若干信息准则的和值，选取和值最小时对应的参数作为最终的模型参数。
应理解以上图2所示的制烟环境温湿度预测装置可中各个部件的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些部件可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分部件以软件通过处理元件调用的形式实现，部分部件通过硬件的形式实现。例如，某个上述模块可以为单独设立的处理元件，也可以集成在电子设备的某一个芯片中实现。其它部件的实现与之类似。此外这些部件全部或部分可以集成在一起，也可以独立实现。在实现过程中，上述方法的各步骤或以上各个部件可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如，以上这些部件可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit；以下简称：ASIC)，或，一个或多个微处理器(Digital Singnal Processor；以下简称：DSP)，或，一个或者多个现场可编程门阵列(Field Programmable Gate Array；以下简称：FPGA)等。再如，这些部件可以集成在一起，以片上系统(System-On-a-Chip；以下简称：SOC)的形式实现。
综合上述各实施例及其优选方案，本领域技术人员可以理解的是，在实际操作中，本发明所涉及的技术构思可适用于多种实施方式，本发明以下述载体作为示意性说明：
(1)一种制烟环境温湿度预测设备。该设备具体可以包括：一个或多个处理器、存储器以及一个或多个计算机程序，其中所述一个或多个计算机程序被存储在所述存储器中，所述一个或多个计算机程序包括指令，当所述指令被所述设备执行时，使得所述设备执行前述实施例或者等效实施方式的步骤/功能。
优选地，所述制烟环境温湿度预测设备可以是指烟丝加工生成环节中涉及的中控机或其他管理平台、载体。
(2)一种可读存储介质，在可读存储介质上存储有计算机程序或上述装置，当计算机程序或上述装置被执行时，使得计算机执行前述实施例或等效实施方式的步骤/功能。
在本发明所提供的几个实施例中，任一功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的某些技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以如下所述软件产品的形式体现出来。
(3)一种计算机程序产品(该产品可以包括上述装置)，该计算机程序产品在终端设备上运行时，使终端设备执行前述实施例或等效实施方式的制烟环境温湿度预测方法。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到上述实施方法中的全部或部分步骤可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，上述计算机程序产品可以包括但不限于是指APP；接续前文，上述设备/终端可以是一台计算机设备，并且，该计算机设备的硬件结构还可以具体包括：至少一个处理器，至少一个通信接口，至少一个存储器和至少一个通信总线；处理器、通信接口、存储器均可以通过通信总线完成相互间的通信。其中，处理器可能是一个中央处理器CPU、DSP、微控制器或数字信号处理器，还可包括GPU、嵌入式神经网络处理器(Neural-network Process Units；以下简称：NPU)和图像信号处理器(Image Signal Processing；以下简称：ISP)，该处理器还可包括特定集成电路ASIC，或者是被配置成实施本发明实施例的一个或多个集成电路等，此外，处理器可以具有操作一个或多个软件程序的功能，软件程序可以存储在存储器等存储介质中；而前述的存储器/存储介质可以包括：非易失性存储器(non-volatile memory)，例如非可移动磁盘、U盘、移动硬盘、光盘等，以及只读存储器(Read-Only Memory；以下简称：ROM)、随机存取存储器(Random Access Memory；以下简称：RAM)等。
本发明实施例中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示单独存在A、同时存在A和B、单独存在B的情况。其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项”及其类似表达，是指的这些项中的任意组合，包括单项或复数项的任意组合。例如，a，b和c中的至少一项可以表示：a，b，c，a和b，a和c，b和c或a和b和c，其中a，b，c可以是单个，也可以是多个。
本领域技术人员可以意识到，本说明书中公开的实施例中描述的各模块、单元及方法步骤，能够以电子硬件、计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方式来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
以及，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。尤其，对于装置、设备等实施例而言，由于其基本相似于方法实施例，所以相关之处可参见方法实施例的部分说明即可。以上所描述的装置、设备等实施例仅仅是示意性的，其中作为分离部件说明的模块、单元等可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个地方，例如系统网络的节点上。具体可根据实际的需要选择其中的部分或者全部模块、单元来实现上述实施例方案的目的。本领域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。
以上依据图式所示的实施例详细说明了本发明的构造、特征及作用效果，但以上仅为本发明的较佳实施例，需要言明的是，上述实施例及其优选方式所涉及的技术特征，本领域技术人员可以在不脱离、不改变本发明的设计思路以及技术效果的前提下，合理地组合搭配成多种等效方案；因此，本发明不以图面所示限定实施范围，凡是依照本发明的构想所作的改变，或修改为等同变化的等效实施例，仍未超出说明书与图示所涵盖的精神时，均应在本发明的保护范围内。
Claims (10)
1.一种制烟环境温湿度预测方法，其特征在于，包括：
利用预先处理的温湿度历史数据，并基于时间序列预测算法构建并训练温湿度预测模型；
在生产当日按预设时间周期采集生产前温湿度数据，作为时序起点标签输入至所述温湿度预测模型；
根据所述时序起点标签、所述温湿度历史数据以及所述温湿度预测模型自带的预测函数，预测出未来时段的温湿度趋势；
持续采集生产当日的温湿度数据并补入至所述温湿度历史数据，以对所述温湿度预测模型的参数进行校正优化。
2.根据权利要求1所述的制烟环境温湿度预测方法，其特征在于，对温湿度历史数据预先处理包括：
从时序数据库中采集并构建往年至生产当日的温湿度数据集；
对所述温湿度数据集中的缺失值进行填充，和/或识别及剔除所述温湿度数据集中的异常值，和/或对所述温湿度数据集进行光滑去噪；
判断所述温湿度数据集中的数据是否满足周期性，若不满足，则重复上述采集及处理过程。
3.根据权利要求1或2所述的制烟环境温湿度预测方法，其特征在于，对温湿度历史数据预先处理包括：
将所述温湿度历史数据分解为适应所述温湿度预测模型的长期趋势数据以及季节趋势数据；
对所述长期趋势数据和所述季节趋势数据分别按序进行平稳性检验以及白噪音检验。
4.根据权利要求3所述的制烟环境温湿度预测方法，其特征在于，所述按序进行平稳性检验以及白噪音检验包括：
若平稳性检验不通过，则对所述长期趋势数据或所述季节趋势数据进行差分运算并再次进行平稳性检验，直至所述长期趋势数据和所述季节趋势数据均为平稳的随机时间序列；
若所述长期趋势数据和所述季节趋势数据均通过平稳性检验，则进行白噪音检验；
若白噪音检验不通过，则确定所述温湿度历史数据无效。
5.根据权利要求3所述的制烟环境温湿度预测方法，其特征在于，所述温湿度预测模型构建方式包括：利用信息准则确定出所述长期趋势数据和所述季节趋势数据的阶数。
6.根据权利要求5所述的制烟环境温湿度预测方法，其特征在于，所述利用信息准则确定出所述长期趋势数据和所述季节趋势数据的阶数包括：
构造多个具有不同参数的候选温湿度预测模型；
将所述长期趋势数据和所述季节趋势数据，输入到构造的多个温湿度候选预测模型中进行训练；并在训练过程中，计算预设的若干信息准则的和值，选取和值最小时对应的参数作为最终的模型参数。
7.一种制烟环境温湿度预测装置，其特征在于，包括：
数据构建及模型训练模块，用于利用预先处理的温湿度历史数据，并基于时间序列预测算法构建并训练温湿度预测模型；
起始标签采集模块，用于在生产当日按预设时间周期采集生产前温湿度数据，作为时序起点标签输入至所述温湿度预测模型；
未来数据预测模块，用于根据所述时序起点标签、所述温湿度历史数据以及所述温湿度预测模型自带的预测函数，预测出未来时段的温湿度趋势；
历史数据更新模块，用于持续采集生产当日的温湿度数据并补入至所述温湿度历史数据，以对所述温湿度预测模型的参数进行校正优化。
8.根据权利要求7所述的制烟环境温湿度预测装置，其特征在于，所述数据构建及模型训练模块包括数据构建单元，所述数据构建单元具体包括：
数据拆解组件，用于将所述温湿度历史数据分解为适应所述温湿度预测模型的长期趋势数据以及季节趋势数据；
数据逐级检验组件，用于对所述长期趋势数据和所述季节趋势数据分别按序进行平稳性检验以及白噪音检验。
9.根据权利要求8所述的制烟环境温湿度预测装置，其特征在于，所述数据构建及模型训练模块包括定阶单元，所述定阶单元用于利用信息准则确定出所述长期趋势数据和所述季节趋势数据的阶数，具体包括：
多模型构造组件，用于构造多个具有不同参数的候选温湿度预测模型；
参数确定组件，用于将所述长期趋势数据和所述季节趋势数据，输入到构造的多个候选温湿度预测模型中进行训练；并在训练过程中，计算预设的若干信息准则的和值，选取和值最小时对应的参数作为最终的模型参数。
10.一种制烟环境温湿度预测设备，其特征在于，包括：
一个或多个处理器、存储器以及一个或多个计算机程序，其中所述一个或多个计算机程序被存储在所述存储器中，所述一个或多个计算机程序包括指令，当所述指令被所述设备执行时，使得所述设备执行权利要求1～6任一项所述的制烟环境温湿度预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011193474.4A CN112257947A (zh) | 2020-10-30 | 2020-10-30 | 制烟环境温湿度预测方法、装置以及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011193474.4A CN112257947A (zh) | 2020-10-30 | 2020-10-30 | 制烟环境温湿度预测方法、装置以及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112257947A true CN112257947A (zh) | 2021-01-22 |
Family
ID=74268424
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011193474.4A Pending CN112257947A (zh) | 2020-10-30 | 2020-10-30 | 制烟环境温湿度预测方法、装置以及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112257947A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113325906A (zh) * | 2021-06-10 | 2021-08-31 | 上海电气风电集团股份有限公司 | 风电机组的电气部件的湿度控制方法、系统、设备及介质 |
| CN113607413A (zh) * | 2021-08-26 | 2021-11-05 | 上海航数智能科技有限公司 | 一种基于可控温湿度的轴承部件故障监测预测方法 |
| CN115758733A (zh) * | 2022-11-21 | 2023-03-07 | 贵州电网有限责任公司 | 一种导线接头温度预测方法、装置、设备及存储介质 |
| CN115906631A (zh) * | 2022-11-21 | 2023-04-04 | 贵州电网有限责任公司 | 一种断路器油温预测方法、装置、设备及存储介质 |
| CN116311829A (zh) * | 2023-05-22 | 2023-06-23 | 广州豪特节能环保科技股份有限公司 | 一种数据机房远程报警方法及装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104504475A (zh) * | 2014-12-24 | 2015-04-08 | 上海大学 | 基于ar*-svm混合建模的雾霾时间序列预测方法 |
| CN104899658A (zh) * | 2015-06-12 | 2015-09-09 | 哈尔滨工业大学 | 基于时间序列预测模型适用性量化的预测模型选择方法 |
| CN105184094A (zh) * | 2015-09-23 | 2015-12-23 | 华南理工大学建筑设计研究院 | 一种建筑物周边气温预测方法 |
-
2020
- 2020-10-30 CN CN202011193474.4A patent/CN112257947A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104504475A (zh) * | 2014-12-24 | 2015-04-08 | 上海大学 | 基于ar*-svm混合建模的雾霾时间序列预测方法 |
| CN104899658A (zh) * | 2015-06-12 | 2015-09-09 | 哈尔滨工业大学 | 基于时间序列预测模型适用性量化的预测模型选择方法 |
| CN105184094A (zh) * | 2015-09-23 | 2015-12-23 | 华南理工大学建筑设计研究院 | 一种建筑物周边气温预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 刘吉辉: "面向时间序列的古建筑室内环境预测方法研究", 《中国优秀硕士学位论文全文数据库-工程科技Ⅱ辑》 * |
| 林利明等: "时序数据库在卷烟行业应用的分析", 《轻工科技》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113325906A (zh) * | 2021-06-10 | 2021-08-31 | 上海电气风电集团股份有限公司 | 风电机组的电气部件的湿度控制方法、系统、设备及介质 |
| CN113607413A (zh) * | 2021-08-26 | 2021-11-05 | 上海航数智能科技有限公司 | 一种基于可控温湿度的轴承部件故障监测预测方法 |
| CN115758733A (zh) * | 2022-11-21 | 2023-03-07 | 贵州电网有限责任公司 | 一种导线接头温度预测方法、装置、设备及存储介质 |
| CN115906631A (zh) * | 2022-11-21 | 2023-04-04 | 贵州电网有限责任公司 | 一种断路器油温预测方法、装置、设备及存储介质 |
| CN116311829A (zh) * | 2023-05-22 | 2023-06-23 | 广州豪特节能环保科技股份有限公司 | 一种数据机房远程报警方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112257947A (zh) | 制烟环境温湿度预测方法、装置以及设备 | |
| CN112149373B (zh) | 一种复杂模拟电路故障识别与估计方法及系统 | |
| CN113570138B (zh) | 一种时间卷积网络的设备剩余使用寿命预测方法及装置 | |
| CN111191193A (zh) | 一种基于自回归滑动平均模型的长期土壤温湿度高精度预测方法 | |
| CN109740760A (zh) | 文本质检自动化训练方法、电子装置及计算机设备 | |
| CN110544180A (zh) | 一种基于能耗预测和分析诊断的建筑节能系统 | |
| CN103310051A (zh) | 一种全寿命周期内的车载信息终端故障率预测方法 | |
| CN111027193A (zh) | 一种基于回归模型的短期水位预测方法 | |
| CN116646030B (zh) | 基于电子烟雾检测的烟油成分识别方法及系统 | |
| CN112215398A (zh) | 电力用户负荷预测模型建立方法、装置、设备及存储介质 | |
| CN116663746A (zh) | 一种电力负荷预测方法、装置、计算机设备及存储介质 | |
| CN112015779A (zh) | 学生偏好预测的方法、系统和装置 | |
| CN113110961B (zh) | 设备异常检测方法、装置、计算机设备及可读存储介质 | |
| CN114912716A (zh) | 基于双向长短时记忆网络的短期电力负荷预测方法及系统 | |
| CN111950795A (zh) | 基于随机森林的松散回潮加水比例的预测方法 | |
| CN116706992A (zh) | 一种分布式光伏集群的自适应功率预测方法、装置和设备 | |
| CN105046372B (zh) | 一种逐日蔬菜价格的预测方法和装置 | |
| CN113127464B (zh) | 农业大数据环境特征处理方法、装置及电子设备 | |
| CN110852322B (zh) | 感兴趣区域的确定方法及装置 | |
| CN115329814B (zh) | 一种基于图像信号处理的低压用户链路识别方法及装置 | |
| CN113076309B (zh) | 烟草生丝水分加水量预测系统及方法 | |
| CN114819248A (zh) | 一种基于随机森林的风电发电量预测方法及设备 | |
| CN114764741A (zh) | 一种风力发电机运行风功率预测的方法和系统 | |
| CN113780644A (zh) | 一种基于在线学习的光伏出力预测方法 | |
| CN116671867B (zh) | 一种针对水下作业人员的睡眠质量评测方法及系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210122 |