CN112257948A - 润叶加料出口含水率预测方法、装置以及设备 - Google Patents
润叶加料出口含水率预测方法、装置以及设备 Download PDFInfo
- Publication number
- CN112257948A CN112257948A CN202011197681.7A CN202011197681A CN112257948A CN 112257948 A CN112257948 A CN 112257948A CN 202011197681 A CN202011197681 A CN 202011197681A CN 112257948 A CN112257948 A CN 112257948A
- Authority
- CN
- China
- Prior art keywords
- shredding
- water content
- moisture content
- leaf
- humidity
- 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 65
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 108
- 238000004519 manufacturing process Methods 0.000 claims abstract description 26
- 238000001035 drying Methods 0.000 claims abstract description 24
- 238000004088 simulation Methods 0.000 claims abstract description 11
- 238000003860 storage Methods 0.000 claims description 37
- 238000012216 screening Methods 0.000 claims description 22
- 238000005520 cutting process Methods 0.000 claims description 21
- 230000015654 memory Effects 0.000 claims description 14
- 241000208125 Nicotiana Species 0.000 claims description 13
- 235000002637 Nicotiana tabacum Nutrition 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 8
- 238000010219 correlation analysis Methods 0.000 claims description 7
- 238000009736 wetting Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 abstract description 22
- 238000012545 processing Methods 0.000 abstract description 16
- 238000000265 homogenisation Methods 0.000 abstract description 3
- 239000000463 material Substances 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000012795 verification Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000001556 precipitation Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 235000019800 disodium phosphate Nutrition 0.000 description 2
- 238000010220 Pearson correlation analysis Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000003491 array 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
- 239000000969 carrier Substances 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning 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
- 238000005457 optimization Methods 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007704 transition Effects 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
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/08—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- 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)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Development Economics (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Game Theory and Decision Science (AREA)
Abstract
本发明公开了一种润叶加料出口含水率预测方法、装置以及设备,本发明的构思在于利用预测模型及特征参数替代传统人工估算含水率的方式,尤其是本发明采用了正向预测构思结合反推误差的逻辑,即通过特定输入变量经由预先构建的模型处理后,可以得到相应于若干仿真输入值的切丝后含水率预测值,然后再由获得的切丝后含水率预测值与既定期望值进行误差比对,从而可以在若干仿真值中锁定出润叶加料出口含水率目标值。由此可见,本发明可以有效提升润叶加料出口含水率的预测精度,进而确保切丝后含水率稳定性以及烘丝工序加工强度一致性、并解决切丝后含水率质量指标之间的关联匹配问题,实现制丝车间的工序生产协同,最终保证制丝生产加工均质化。
Description
技术领域
本发明涉及烟草加工领域,尤其涉及一种润叶加料出口含水率预测方法、装置以及设备。
背景技术
润叶加料出口含水率是制丝生产环节的一项重要工艺指标,其符合性和稳定性对后工序的过程控制稳定具有重要作用。润叶加料出口含水率直接影响着切丝后含水率,同时也是指导松散回潮工序的依据,是重要的过渡指标,因而受到烟草企业的广泛关注。
图1为制丝车间投料段(具体参考润叶加料工序)至切丝工序的工艺流程图,依据图中生产设备布局可知,润叶加料工序结束后需要进行一定时间的贮叶,然后再进行切丝和烘丝工序。通常来说,润叶加料工序结束后,物料需要存贮4-72小时不等之后再进行切丝生产,而贮叶后的制丝工序中不会再对物料进行含水调节,因此润叶加料工序后的含水率的合适与否,直接影响到切丝后含水率。
现有的润叶加料出口含水率是通过工艺员根据生产实际情况、天气状况、储叶时间等因素进行人工估算。但是,由于润叶加料出口含水率受很多因素影响,简单估算无法实现前后工序参数协同和精准控制,因此为保障制丝生产过程中切丝后含水率的稳定性,亟需设计一套更为准确、科学的方法,以实现对润叶加料出口含水率的准确预测,进而使得对后续切丝后含水率的控制更为稳定。
发明内容
由此,本发明旨在提供一种润叶加料出口含水率预测方法、装置以及设备,以解决人工估算的弊端,从而提高含水率控制的稳定性和准确性。
本发明采用的技术方案如下:
第一方面,本发明提供了一种润叶加料出口含水率预测方法,其中,包括:
基于神经网络框架预先训练润叶加料出口到切丝后的含水率预测模型;
生成润叶加料出口含水率的若干个随机值;
获取切丝片区温湿度以及贮叶时间;
将所述随机值、所述切丝片区温湿度以及所述贮叶时间作为第一输入变量,输入至所述含水率预测模型,得到若干切丝后含水率预测值;
利用所述切丝后含水率预测值与预设的切丝后含水率期望值进行比较,将最接近所述切丝后含水率期望值的所述切丝后含水率预测值所对应的所述随机值作为最终的润叶加料出口含水率预测结果。
在其中至少一种可能的实现方式中,所述生成润叶加料出口含水率的若干个随机值包括:
预设润叶加料出口含水率的期望值;
利用蒙特卡洛仿真,在所述期望值范围内生成润叶加料出口含水率的不重复的若干随机值。
在其中至少一种可能的实现方式中,所述获取切丝片区温湿度包括:
获取待预测时段的本地区天气预报数据;
按预先确定的各天气指标优先级以及天气指标与切丝片区温湿度的对应关系,基于所述本地区天气预报数据进行多级筛选;
根据筛选结果,确定与所述本地区天气预报数据匹配的所述切丝片区温湿度。
在其中至少一种可能的实现方式中,所述预先确定的各天气指标优先级以及天气指标与切丝片区温湿度的对应关系包括:
预先收集本地区天气以及切丝片区温湿度的历史数据;
基于所述历史数据,建立本地区天气与切丝片区温湿度之间的对应关系;
对所述对应关系进行相关性分析,获得各天气指标与切丝片区温湿度的相关系数值;
根据所述相关系数值的大小,确定各天气指标的优先级。
在其中至少一种可能的实现方式中,所述方法还包括:
根据生产调度数据,获取切烘批次及时间;
基于所述贮叶时间以及所述切烘批次及时间,构建若干与切丝后含水率相关的含水影响因子;
将所述含水影响因子作为第二输入变量,输入至所述含水率预测模型。
第二方面,本发明提供了一种润叶加料出口含水率预测装置,其中,包括:
模型构建模块,用于基于神经网络框架预先训练润叶加料出口到切丝后的含水率预测模型;
含水率随机生成模块,用于生成润叶加料出口含水率的若干个随机值;
定量输入特征获取模块,用于获取切丝片区温湿度以及贮叶时间;
切丝后含水率预测模块,用于将所述随机值、所述切丝片区温湿度以及所述贮叶时间作为第一输入变量,输入至所述含水率预测模型,得到若干切丝后含水率预测值;
润叶加料出口含水率确定模块,用于利用所述切丝后含水率预测值与预设的切丝后含水率期望值进行比较,将最接近所述切丝后含水率期望值的所述切丝后含水率预测值所对应的所述随机值作为最终的润叶加料出口含水率预测结果。
在其中至少一种可能的实现方式中,所述含水率随机生成模块包括:
期望值设定单元,用于预设润叶加料出口含水率的期望值;
随机仿真单元,用于利用蒙特卡洛仿真,在所述期望值范围内生成润叶加料出口含水率的不重复的若干随机值。
在其中至少一种可能的实现方式中,所述定量输入特征获取模块包括温湿度获取子模块,所述温湿度获取子模块具体包括:
未来天气数据获取单元,用于获取待预测时段的本地区天气预报数据;
天气指标筛选单元,用于按预先确定的各天气指标优先级以及天气指标与切丝片区温湿度的对应关系,基于所述本地区天气预报数据进行多级筛选;
温湿度选取单元,用于根据筛选结果,确定与所述本地区天气预报数据匹配的所述切丝片区温湿度。
在其中至少一种可能的实现方式中,所述天气指标筛选单元包括:
历史数据收集组件,用于预先收集本地区天气以及切丝片区温湿度的历史数据;
对应关系建立组件,用于基于所述历史数据,建立本地区天气与切丝片区温湿度之间的对应关系;
相关性分析组件,用于对所述对应关系进行相关性分析,获得各天气指标与切丝片区温湿度的相关系数值;
天气指标定级组件,用于根据所述相关系数值的大小,确定各天气指标的优先级。
在其中至少一种可能的实现方式中,所述装置还包括含水影响因子构建模块,所述含水影响因子构建模块具体包括:
切烘批次及时间获取单元,用于根据生产调度数据,获取切烘批次及时间;
含水影响因子构建单元,用于基于所述贮叶时间以及所述切烘批次及时间,构建若干与切丝后含水率相关的含水影响因子;
且所述含水率预测模块还用于将所述含水影响因子作为第二输入变量,输入至所述含水率预测模型。
第三方面,本发明提供了一种润叶加料出口含水率预测设备,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。
本发明的构思在于利用预测模型及特征参数替代传统人工估算含水率的方式,尤其是本发明采用了正向预测构思结合反推误差的逻辑,即通过特定输入变量经由预先构建的模型处理后,可以得到相应于若干仿真输入值的切丝后含水率预测值,然后再由获得的切丝后含水率预测值与既定期望值进行误差比对,从而可以在若干仿真值中锁定出润叶加料出口含水率目标值。由此可见,本发明可以有效提升润叶加料出口含水率的预测精度,进而确保切丝后含水率稳定性以及烘丝工序加工强度一致性、并解决切丝后含水率质量指标之间的关联匹配问题,实现制丝车间的工序生产协同,最终保证制丝生产加工均质化。
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为投料切丝工艺流程示意图;
图2为本发明提供的润叶加料出口含水率预测方法的实施例的流程图;
图3为本发明提供的天气指标定级方法的实施例的流程图;
图4为本发明提供的润叶加料出口含水率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。
在对本发明具体技术方案介绍之前,先对发明人的处理及推导思路进行如下说明。目前润叶加料出口含水率预测主要采用人工经验估算或者建立多元线性回归模型进行求解,发明人尝试给定切丝后含水率逆向预测润叶加料出口含水率,再进而由润叶加料出口含水率指导松散回潮机回潮加水比例参考值。
但经实践发现,上述逆向预测方式存在以下三点缺陷:
(1)逆向预测的预测值与实际值之间误差较大,且切丝后含水率CPK合格率低,不利于后道工序的加工。
(2)车间的环境温湿度受天气、季节变化的影响,存在较大差异,导致物料在输送、存储过程含水率散失的程度不同,引起润叶加料出口含水率和切丝后含水率波动较大。
(3)实际生产调度中通常存在不同情况,这些差异都会导致即便估测出的润叶加料出口含水率均值相同,但是切丝后含水率却因不同情况出现差异。
有鉴于此,发明人认为有必要调整预测策略,提出了一种基于正向预测的润叶加料出口含水率预测方法的实施例,参照图2所示,具体可以包括:
步骤S1、基于神经网络框架预先训练润叶加料出口到切丝后的含水率预测模型。
本实施例为润叶加料工序至切丝段(可以结合图1理解为水分仪3至水分仪4)建模,也即是设计初衷是通过正向预测方式,先预测出切丝后的含水率,而非直接预测润叶加料出口含水率。具体而言,可以预先通过特征工程分析选取合适的工艺参数和设备参数构建数据集,并基于机器学习算法在润叶加料出口至切丝后采用诸如MLP神经网络架构进行正向预测。在实际操作中,可以建立三层神经网络模型,并选取80%的数据样本做训练集用于训练该模型,20%数据样本作为测试集进行验证,同时可以使用带交叉验证的网格收缩调参方式进行模型参数优化,进而可以得到第一层隐含层神经元为20,第二层隐含层神经元为10,第三层隐含层神经元为20,并使用relu函数作为激活函数,以及alpha为0.1、学习率为0.05的参数进行该神经网络模型训练,本领域技术人员可以理解的是前述内容仅为示意性说明,对于模型架构及训练方式,本发明并不做限定。对于模型输入数据的选取后文将做说明,此处先以实际操作为例,结合本发明应用场景给定一个可以参考的模型预测效果目标:可以使润叶加料出口含水率预测误差在±0.2以内,并且由该润叶加料出口含水率实际生产得到的切丝后含水率实际值与期望值的误差在±0.15内,同时实际切丝后含水率CPK大于1.33。同理地,此技术目标也仅是示意性质的,而非对本发明的限定。
步骤S2、生成润叶加料出口含水率的若干个随机值;
步骤S3、获取切丝片区温湿度以及贮叶时间。
经发明人分析认为,贮叶时间的长短对水分的均衡程度会产生影响,即也会影响切丝后含水率。贮叶后,由于物料在机器上振荡传输且暴露在空气中,使得水分散失,此外,环境温湿度也对切丝后物料的含水率有着重要影响。据此,本发明在解决模型特征选取问题时,初步考虑选取润叶加料出口含水率X1、贮叶时间X2、切丝片区温度X3、切丝片区湿度X4为输入变量,切丝后含水率为输出变量Y。其中需要说明的是,由于本发明采用的正向预测切丝后含水率,然后反向锁定相对应的润叶加料出口含水率,因而这里的输入变量润叶加料出口含水率X1,在本实施例中进一步体现为可以生成若干个润叶加料出口含水率的随机值作为输入参数,这样便可以通过正向预测方式得到足够的切丝后含水率预测值,以便可以更为全面地比对、辨别出最优的润叶加料出口含水率,提高含水率控制的稳定性和准确性。因此,在实际操作中可以利用仿真方式生成多个随机数值,在本发明的一些较佳实施例中,具体可以采用蒙特卡洛仿真方法产生随机数进行上述统计模拟控制;进一步地,为了使得预测结果接近预期,在另一些较佳实施例中,可以预先依据经验或需求设定润叶加料出口含水率的期望值μ1,利用蒙特卡洛仿真,在所述期望值范围内,例如μ1±0.3生成润叶加料出口含水率的不重复的若干随机值作为输入变量之一。
步骤S4、将所述随机值、所述切丝片区温湿度以及所述贮叶时间作为第一输入变量,输入至所述含水率预测模型,得到若干切丝后含水率预测值。
由上述确定的定量变量作为第一输入变量输入至前述含水率预测模型,便可以获得相应于若干随机值的预测值。此外,为了提升模型预测精度,还可以在前文基础上进一步构造新变量,例如可能会影响含水的其他因素,基于此,在本发明的一些较佳实施例中,发明人经分析认为对于前述贮叶时间这一特征变量,由于贮叶时间与后道的切丝烘丝工序具有关联,切烘工序的时机以及相应的生产调度会改变贮叶时间,而贮叶时间的长短对切丝后含水率又有较大影响,因而本发明提出可以通过构造虚拟变量的方式进行进一步的输入特征分析,虚拟变量的构造方式本身可有多种实现手段,例如但不限于独热编码等,对此本发明不作限定。而需要具体说明的是,可以根据生产调度数据获取切烘批次及时间,再基于贮叶时间以及所述切烘批次及时间,构建若干与切丝后含水率相关的含水影响因子,进而将这些含水影响因子作为第二输入变量,输入至前述含水率预测模型共同参与预测分析。这里结合某一生产场景给出如下参考示例:根据贮叶时间长短,可以分为同天投料与切烘,当天投料隔天切烘、当天投料跨周末切烘。具体地,例如当贮叶时间不大于12小时,设同天投料与切烘虚拟特征变量D1值为1,表征其余两种情况的虚拟特征变量为0;当贮叶时间大于12小时且不大于36小时,设当天投料隔天切烘虚拟特征变量值D2为1,其他两个虚拟特征变量值为0;当贮叶时间大于36小时,设当天投料跨周末切烘虚拟特征变量值D3为1,其余两个虚拟特征变量值为0。
并且进一步地,发明人分析生产实际情况后发现,每日开班第一批次的切丝后含水率波动较大,通常是由于开班设备状态不稳定,环境参数变化较大引起的。因此,还可以引入是否是首批这一虚拟变量作为含水影响因子,对开班首批与否进行甄别处理,例如切丝开始时间介于11:30-12:30,则可定义为首批切烘,虚拟特征变量值D为1,否则虚拟特征变量值为0。
也即是说,在本发明一些优选实施例中,输入至预测模型的变量可参见下表:
步骤S5、利用所述切丝后含水率预测值与预设的切丝后含水率期望值进行比较,将最接近所述切丝后含水率期望值的所述切丝后含水率预测值所对应的所述随机值作为最终的润叶加料出口含水率预测结果。
结合前文各实施例及优选方案举例来说,根据实际生产情况以及工艺标准,为润叶加料出口含水率和切丝后含水率分别设定一个期望值,设润叶加料出口含水率期望值为μ1,切丝后含水率期望值为μ2=20.7,使用蒙特卡洛仿真对润叶加料出口含水率X1在期望值μ1±0.3范围内生成不重复的若干随机数,并根据生产调度等数据,获取储叶时间X2和物料切烘的时间后,得到虚拟特征变量D1,D2,D3和D,以及切丝片区温度X3、切丝片区湿度X4,将这些输入变量带入正向三层神经网络预测模型,得到若干切丝后含水率预测值当成立时,对应的润叶加料出口含水率就是求解的最优值,也即是得到了目标润叶加料出口含水率,进一步地,可以利用这个最优值指导回潮出口等其他工序的含水控制。
此外,本发明对于前述提及的切丝片区温度、湿度两个输入变量做了进一步分析,考虑到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,润叶加料出口含水率是现在值,而切丝片区温湿度以及切丝后含水率属于“未来值”。那么,作为模型输入变量的切丝片区温湿度是当前并不能确定的变量,所以在使用神经网络模型对切丝后水分进行预测时,更佳的方式是对切丝片区温湿度变量进行预估,也即是可以先假定与一个未来待预测的时间段,并通过现有渠道获取待预测时段的本地区天气预报数据,也即是获得了未来的天气环境数据,接着可以按预先确定的各天气指标优先级以及天气指标与切丝片区温湿度的对应关系,基于本地区天气预报数据进行多级筛选,最后根据筛选结果,确定处与本地区天气预报数据匹配的切丝片区温湿度作为前述输入变量X3X4。
这其中涉及的主要环节是如何确定各天气指标优先级以及天气指标与切丝片区温湿度的对应关系,因而,本发明结合图3给出了一种示意性参考:
步骤S10、预先收集本地区天气以及切丝片区温湿度的历史数据;
步骤S20、基于所述历史数据,建立本地区天气与切丝片区温湿度之间的对应关系;
步骤S30、对所述对应关系进行相关性分析,获得各天气指标与切丝片区温湿度的相关系数值;
步骤S40、根据所述相关系数值的大小,确定各天气指标的优先级。
具体而言,可以利用聚类思想作为指导,使用指标分级筛选策略,实现切丝片区温湿度的预估,例如首先可以收集到本地区历史天气和切丝片区温湿度数据,建立两者之间对应关系;获得对应关系后,可依据但不限于Pearson相关性分析手段,获得切丝片区温湿度与天气数据中各指标(例如天气状况、最高气温、最低气温、降水概率、相对湿度、风向以及风力等级等)的相关系数值,从而可以依据各相关系数值的排序将天气数据中各指标划分出优先级;完成定级操作后,可以根据输入的待预测时段的天气预报数据中的各指标优先级进行多级筛选,例如降水概率优先级最高,通过查询天气预报中的降水概率以及前述建立的对应关系,可以首先筛选出若干温湿度候选值,然后再根据次一级的指标做进一步筛选,当筛选过程最后出现唯一的温度和湿度值时,多级筛选完成,那么便可以输出最接近于待预测时段天气预报数据的切丝片区温湿度,并作为前述第一输入变量,执行后续切丝后含水率的预测。
综上所述,本发明的构思在于利用预测模型及特征参数替代传统人工估算含水率的方式,尤其是本发明采用了正向预测构思结合反推误差的逻辑,即通过特定输入变量经由预先构建的模型处理后,可以得到相应于若干仿真输入值的切丝后含水率预测值,然后再由获得的切丝后含水率预测值与既定期望值进行误差比对,从而可以在若干仿真值中锁定出润叶加料出口含水率目标值。由此可见,本发明可以有效提升润叶加料出口含水率的预测精度,进而确保切丝后含水率稳定性以及烘丝工序加工强度一致性、并解决切丝后含水率质量指标之间的关联匹配问题,实现制丝车间的工序生产协同,最终保证制丝生产加工均质化。
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:
针对润叶加料出口含水率而言,统计预测误差在±0.2内的结果,其他预测方法占比为63.10%,而本发明提供的方法占比高达98.38%。
将润叶加料出口含水率的预测结果应用于指导实际生产,切丝后含水率实际值与期望值之间的误差分布与同期对比,统计预测误差在±0.15内的结果,其他预测方法占比为62.57%,而本发明提供的方法占比达83.24%;同时,切丝含水率CPK达标合格率传统方法为91.44%,本发明方法为97.30%,提升了5.86个百分点。
经上述验证可见,本发明提出的预测方法可以显著提高润叶加料出口含水率和切丝后含水率的稳定性和准确性,从而可以更加有效地保证后续工序的加工稳定性。
相应于上述各实施例及优选方案,本发明还提供了一种润叶加料出口含水率预测装置的实施例,如图4所示,具体可以包括如下部件:
模型构建模块1,用于基于神经网络框架预先训练润叶加料出口到切丝后的含水率预测模型;
含水率随机生成模块2,用于生成润叶加料出口含水率的若干个随机值;
定量输入特征获取模块3,用于获取切丝片区温湿度以及贮叶时间;
切丝后含水率预测模块4,用于将所述随机值、所述切丝片区温湿度以及所述贮叶时间作为第一输入变量,输入至所述含水率预测模型,得到若干切丝后含水率预测值;
润叶加料出口含水率确定模块5,用于利用所述切丝后含水率预测值与预设的切丝后含水率期望值进行比较,将最接近所述切丝后含水率期望值的所述切丝后含水率预测值所对应的所述随机值作为最终的润叶加料出口含水率预测结果。
在其中至少一种可能的实现方式中,所述含水率随机生成模块包括:
期望值设定单元,用于预设润叶加料出口含水率的期望值;
随机仿真单元,用于利用蒙特卡洛仿真,在所述期望值范围内生成润叶加料出口含水率的不重复的若干随机值。
在其中至少一种可能的实现方式中,所述定量输入特征获取模块包括温湿度获取子模块,所述温湿度获取子模块具体包括:
未来天气数据获取单元,用于获取待预测时段的本地区天气预报数据;
天气指标筛选单元,用于按预先确定的各天气指标优先级以及天气指标与切丝片区温湿度的对应关系,基于所述本地区天气预报数据进行多级筛选;
温湿度选取单元,用于根据筛选结果,确定与所述本地区天气预报数据匹配的所述切丝片区温湿度。
在其中至少一种可能的实现方式中,所述天气指标筛选单元包括:
历史数据收集组件,用于预先收集本地区天气以及切丝片区温湿度的历史数据;
对应关系建立组件,用于基于所述历史数据,建立本地区天气与切丝片区温湿度之间的对应关系;
相关性分析组件,用于对所述对应关系进行相关性分析,获得各天气指标与切丝片区温湿度的相关系数值;
天气指标定级组件,用于根据所述相关系数值的大小,确定各天气指标的优先级。
在其中至少一种可能的实现方式中,所述装置还包括含水影响因子构建模块,所述含水影响因子构建模块具体包括:
切烘批次及时间获取单元,用于根据生产调度数据,获取切烘批次及时间;
含水影响因子构建单元,用于基于所述贮叶时间以及所述切烘批次及时间,构建若干与切丝后含水率相关的含水影响因子;
且所述含水率预测模块还用于将所述含水影响因子作为第二输入变量,输入至所述含水率预测模型。
应理解以上图4所示的润叶加料出口含水率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)一种润叶加料出口含水率预测设备。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,所述润叶加料出口含水率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润叶加料出口含水率预测方法。
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)
1.一种润叶加料出口含水率预测方法,其特征在于,包括:
基于神经网络框架预先训练润叶加料出口到切丝后的含水率预测模型;
生成润叶加料出口含水率的若干个随机值;
获取切丝片区温湿度以及贮叶时间;
将所述随机值、所述切丝片区温湿度以及所述贮叶时间作为第一输入变量,输入至所述含水率预测模型,得到若干切丝后含水率预测值;
利用所述切丝后含水率预测值与预设的切丝后含水率期望值进行比较,将最接近所述切丝后含水率期望值的所述切丝后含水率预测值所对应的所述随机值作为最终的润叶加料出口含水率预测结果。
2.根据权利要求1所述的润叶加料出口含水率预测方法,其特征在于,所述生成润叶加料出口含水率的若干个随机值包括:
预设润叶加料出口含水率的期望值;
利用蒙特卡洛仿真,在所述期望值范围内生成润叶加料出口含水率的不重复的若干随机值。
3.根据权利要求1所述的润叶加料出口含水率预测方法,其特征在于,所述获取切丝片区温湿度包括:
获取待预测时段的本地区天气预报数据;
按预先确定的各天气指标优先级以及天气指标与切丝片区温湿度的对应关系,基于所述本地区天气预报数据进行多级筛选;
根据筛选结果,确定与所述本地区天气预报数据匹配的所述切丝片区温湿度。
4.根据权利要求3所述的润叶加料出口含水率预测方法,其特征在于,所述预先确定的各天气指标优先级以及天气指标与切丝片区温湿度的对应关系包括:
预先收集本地区天气以及切丝片区温湿度的历史数据;
基于所述历史数据,建立本地区天气与切丝片区温湿度之间的对应关系;
对所述对应关系进行相关性分析,获得各天气指标与切丝片区温湿度的相关系数值;
根据所述相关系数值的大小,确定各天气指标的优先级。
5.根据权利要求1~4任一项所述的润叶加料出口含水率预测方法,其特征在于,所述方法还包括:
根据生产调度数据,获取切烘批次及时间;
基于所述贮叶时间以及所述切烘批次及时间,构建若干与切丝后含水率相关的含水影响因子;
将所述含水影响因子作为第二输入变量,输入至所述含水率预测模型。
6.一种润叶加料出口含水率预测装置,其特征在于,包括:
模型构建模块,用于基于神经网络框架预先训练润叶加料出口到切丝后的含水率预测模型;
含水率随机生成模块,用于生成润叶加料出口含水率的若干个随机值;
定量输入特征获取模块,用于获取切丝片区温湿度以及贮叶时间;
切丝后含水率预测模块,用于将所述随机值、所述切丝片区温湿度以及所述贮叶时间作为第一输入变量,输入至所述含水率预测模型,得到若干切丝后含水率预测值;
润叶加料出口含水率确定模块,用于利用所述切丝后含水率预测值与预设的切丝后含水率期望值进行比较,将最接近所述切丝后含水率期望值的所述切丝后含水率预测值所对应的所述随机值作为最终的润叶加料出口含水率预测结果。
7.根据权利要求6所述的润叶加料出口含水率预测装置,其特征在于,所述含水率随机生成模块包括:
期望值设定单元,用于预设润叶加料出口含水率的期望值;
随机仿真单元,用于利用蒙特卡洛仿真,在所述期望值范围内生成润叶加料出口含水率的不重复的若干随机值。
8.根据权利要求6所述的润叶加料出口含水率预测装置,其特征在于,所述定量输入特征获取模块包括温湿度获取子模块,所述温湿度获取子模块具体包括:
未来天气数据获取单元,用于获取待预测时段的本地区天气预报数据;
天气指标筛选单元,用于按预先确定的各天气指标优先级以及天气指标与切丝片区温湿度的对应关系,基于所述本地区天气预报数据进行多级筛选;
温湿度选取单元,用于根据筛选结果,确定与所述本地区天气预报数据匹配的所述切丝片区温湿度。
9.根据权利要求6~8任一项所述的润叶加料出口含水率预测装置,其特征在于,所述装置还包括含水影响因子构建模块,所述含水影响因子构建模块具体包括:
切烘批次及时间获取单元,用于根据生产调度数据,获取切烘批次及时间;
含水影响因子构建单元,用于基于所述贮叶时间以及所述切烘批次及时间,构建若干与切丝后含水率相关的含水影响因子;
且所述含水率预测模块还用于将所述含水影响因子作为第二输入变量,输入至所述含水率预测模型。
10.一种润叶加料出口含水率预测设备,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1~5任一项所述的润叶加料出口含水率预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011197681.7A CN112257948A (zh) | 2020-10-30 | 2020-10-30 | 润叶加料出口含水率预测方法、装置以及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011197681.7A CN112257948A (zh) | 2020-10-30 | 2020-10-30 | 润叶加料出口含水率预测方法、装置以及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112257948A true CN112257948A (zh) | 2021-01-22 |
Family
ID=74267597
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011197681.7A Pending CN112257948A (zh) | 2020-10-30 | 2020-10-30 | 润叶加料出口含水率预测方法、装置以及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112257948A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113951533A (zh) * | 2021-09-15 | 2022-01-21 | 深圳市信润富联数字科技有限公司 | 烟叶加工方法、系统、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105341985A (zh) * | 2015-12-10 | 2016-02-24 | 龙岩烟草工业有限责任公司 | 烘丝机入口叶丝含水率控制方法和系统 |
CN108142976A (zh) * | 2017-11-29 | 2018-06-12 | 昆明理工大学 | 一种叶丝干燥工艺参数优化方法 |
CN108652066A (zh) * | 2018-05-31 | 2018-10-16 | 福建中烟工业有限责任公司 | 松散回潮工序的加水方法及预测该工序加水量的装置 |
CN109740293A (zh) * | 2019-02-15 | 2019-05-10 | 河南中烟工业有限责任公司 | 一种烤烟型烘后烟丝含水率的修正值计算方法 |
CN111597729A (zh) * | 2020-05-27 | 2020-08-28 | 北京天泽智云科技有限公司 | 加工设备工艺参数优化方法及系统 |
-
2020
- 2020-10-30 CN CN202011197681.7A patent/CN112257948A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105341985A (zh) * | 2015-12-10 | 2016-02-24 | 龙岩烟草工业有限责任公司 | 烘丝机入口叶丝含水率控制方法和系统 |
CN108142976A (zh) * | 2017-11-29 | 2018-06-12 | 昆明理工大学 | 一种叶丝干燥工艺参数优化方法 |
CN108652066A (zh) * | 2018-05-31 | 2018-10-16 | 福建中烟工业有限责任公司 | 松散回潮工序的加水方法及预测该工序加水量的装置 |
CN109740293A (zh) * | 2019-02-15 | 2019-05-10 | 河南中烟工业有限责任公司 | 一种烤烟型烘后烟丝含水率的修正值计算方法 |
CN111597729A (zh) * | 2020-05-27 | 2020-08-28 | 北京天泽智云科技有限公司 | 加工设备工艺参数优化方法及系统 |
Non-Patent Citations (2)
Title |
---|
王龙柱: "基于 RBF 神经网络的叶丝生丝含水率预测", 《应用技术》 * |
钟文焱: "基于多因素分析的烘丝机入口含水率预测模型的建立与应用", 《烟草科技》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113951533A (zh) * | 2021-09-15 | 2022-01-21 | 深圳市信润富联数字科技有限公司 | 烟叶加工方法、系统、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112273696B (zh) | 切丝后水分控制方法、装置以及设备 | |
CN108229742B (zh) | 一种基于气象数据以及数据趋势的负荷预测方法 | |
CN110991786B (zh) | 基于相似日负荷曲线的10kV静态负荷模型参数辨识方法 | |
CN108596242B (zh) | 基于小波神经网络和支持向量机的电网气象负荷预测方法 | |
CN107292502B (zh) | 一种配电网可靠性评估方法 | |
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 | |
CN112273695A (zh) | 松散回潮出口含水率预测方法、装置以及设备 | |
CN115034519A (zh) | 一种用电负荷的预测方法、装置、电子设备以及存储介质 | |
CN112257948A (zh) | 润叶加料出口含水率预测方法、装置以及设备 | |
CN111598457B (zh) | 一种电力无线网络质量的确定方法及装置 | |
CN115470862A (zh) | 动态自适应负荷预测模型组合方法 | |
CN112085321A (zh) | 一种基于边缘计算的台区状态评价方法 | |
CN111950795A (zh) | 基于随机森林的松散回潮加水比例的预测方法 | |
CN116933423A (zh) | 一种基于ga-bp神经网络的打叶风分工艺参数优化方法及装置 | |
CN115374938A (zh) | 一种基于XGBoost的配电网电压预测方法 | |
CN109921462B (zh) | 一种基于lstm的新能源消纳能力评估方法及系统 | |
CN111178604A (zh) | 一种95598故障工单数预测方法 | |
CN116826745B (zh) | 一种电力系统背景下的分层分区短期负荷预测方法及系统 | |
CN107808209B (zh) | 基于加权kNN距离的风电场异常数据辨识方法 | |
CN113349267A (zh) | 一种智能调节红茶发酵室环境的方法及系统 | |
CN111864728B (zh) | 一种可重构配电网重要设备识别方法和系统 | |
CN111932081A (zh) | 一种电力信息系统运行状态评估方法及系统 | |
CN108123436B (zh) | 基于主成分分析和多元回归算法的电压越限预测模型 | |
CN116307844A (zh) | 一种低压台区线损评估分析方法 | |
CN116090349A (zh) | 一种光学薄膜生产工艺优化方法、设备及存储介质 |
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 |
Application publication date: 20210122 |
|
RJ01 | Rejection of invention patent application after publication |