CN112273696A - 切丝后水分控制方法、装置以及设备 - Google Patents

Abstract

本发明公开了一种切丝后水分控制方法、装置以及设备，本发明针对现有控制切丝后含水率的缺陷，提出通过预先构建两种预测模型，并结合生产数据及工艺标准，对润叶加料及松散回潮两个工序的物料含水率进行预测，其中润叶加料出口的含水预测最优值可以直接作用在对松散回潮出口含水的预测，而松散回潮出口的含水预测最优值可以直接作为调控加水系统的目标值，由此在控制烟丝含水的同时解决了松散回潮出口含水率和切丝后含水率之间的质量指标关联匹配问题，可见本发明能够有效提升切丝后含水率的控制精度，实现制丝车间各工序生产相互协同，尤其是可以保证切丝后含水率稳定性以及后道烘丝工序加工强度一致性，最终实现制丝生产加工均质化。

Description

切丝后水分控制方法、装置以及设备

技术领域

本发明涉及烟草加工领域，尤其涉及一种切丝后水分控制方法、装置以及设备。

背景技术

切丝后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，该指标受到烟草企业的广泛关注。

图1为制丝车间投料段至切丝工序的工艺流程图，依据图中生产设备布局可知，一方面由于受各种因素影响，中间环节易造成水分散失；另一方面由于物料通常仅是在松散回潮工序中进行水分调节，而在润叶加料工序仅进行加料工作，除去糖料中的固定水分，工序至此便不会再对物料水分进行修正，也即是说对于切丝后含水率的调控取决于在先工序的水分监控。

现有的切丝后含水率是通过工艺员根据生产实际、天气状况、贮叶时间等情况，人工估算出润叶加料出口含水率和松散回潮出口含水率，从而实现切后含水率的控制。但是，简单的人工估算无法实现前后工序参数协同和精准控制，因此，为保障制丝过程中切丝后含水率的稳定性达到预期，需要一种更为准确、科学的水分控制方法。

发明内容

由此，本发明旨在提供一种切丝后水分控制方法、装置以及设备，以解决在调控切丝后烟丝含水时仅凭人工估算的弊端，能够提高烟丝含水率控制的稳定性和准确性，且进一步贴合烟厂加工智能化控制的高标准需求。

本发明采用的技术方案如下：

第一方面，本发明提供了一种切丝后水分控制方法，其中，包括：

利用预处理后的生产历史数据，训练第一预测模型以及第二预测模型；

根据当前生产数据、预设的切丝后含水率期望值以及所述第一预测模型，预测润叶加料出口的第一含水率最优值；

根据所述第一含水率最优值、当前生产数据以及所述第二预测模型，预测松散回潮出口的第二含水率最优值；

基于所述第二含水率最优值以及松散回潮出口的第一实测含水率，控制松散回潮工序阶段的加水量，以此实现对切丝后水分的控制。

在其中至少一种可能的实现方式中，所述第一预测模型为正向预测模型，所述预测润叶加料出口的第一含水率最优值包括：

将润叶加料出口含水率的若干仿真值、设定的贮叶时间、切丝片区温湿度作为第一输入变量输入至所述正向预测模型，得到若干相应于所述仿真值的切丝后含水率预测值；

比对各所述切丝后含水率预测值与所述切丝后含水率期望值的差异；

将差异最小的所述切丝后含水率预测值对应的所述仿真值作为所述第一含水率最优值。

在其中至少一种可能的实现方式中，所述第二预测模型为逆向预测模型，所述预测松散回潮出口的第二含水率最优值包括：

根据松散回潮片区温湿度、润叶加料的物料流量、润叶加料的加料流量、润叶加料片区温湿度、润叶加料出口温度、润叶加料热蒸汽添加值、润叶加料出口的第二实测含水率、薄片回潮出口的第三实测含水率作为第二输入变量输入至所述逆向预测模型，得到所述第二含水率最优值。

在其中至少一种可能的实现方式中，所述方法还包括：

监测针对所述第二实测含水率和/或所述第三实测含水率的调整值；

根据所述调整值，实时修正生产历史数据中相应的含水率数据；

基于修正后的生产历史数据，优化第一预测模型以及第二预测模型的参数。

在其中至少一种可能的实现方式中，对生产历史数据预处理包括：

获取生产设备及生产工艺中的有效历史数据；

对所述有效历史数据的缺失值进行填充，和/或识别及剔除所述有效历史数据的异常值，和/或对所述有效历史数据进行光滑去噪；

经上述处理后得到历史数据原始样本，并根据生产调度信息对所述历史数据原始样本进行分类；

对分类后的所述历史数据原始样本进行归一化处理，得到所述生产历史数据。

第二方面，本发明提供了一种切丝后水分控制装置，其中，包括：

模型训练模块，用于利用预处理后的生产历史数据，训练第一预测模型以及第二预测模型；

第一含水率最优值预测模块，用于根据当前生产数据、预设的切丝后含水率期望值以及所述第一预测模型，预测润叶加料出口的第一含水率最优值；

第二含水率最优值预测模块，用于根据所述第一含水率最优值、当前生产数据以及所述第二预测模型，预测松散回潮出口的第二含水率最优值；

水分控制模块，用于基于所述第二含水率最优值以及松散回潮出口的第一实测含水率，控制松散回潮工序阶段的加水量，以此实现对切丝后水分的控制。

在其中至少一种可能的实现方式中，所述第一预测模型为正向预测模型，所述第一含水率最优值预测模块具体包括：

切丝后含水率预测单元，用于将润叶加料出口含水率的若干仿真值、设定的贮叶时间、切丝片区温湿度作为第一输入变量输入至所述正向预测模型，得到若干相应于所述仿真值的切丝后含水率预测值；

误差比对单元，用于比对各所述切丝后含水率预测值与所述切丝后含水率期望值的差异；

第一含水率最优值确定单元，用于将差异最小的所述切丝后含水率预测值对应的所述仿真值作为所述第一含水率最优值。

在其中至少一种可能的实现方式中，所述第二预测模型为逆向预测模型，所述第二含水率最优值预测模块具体用于：

根据松散回潮片区温湿度、润叶加料的物料流量、润叶加料的加料流量、润叶加料片区温湿度、润叶加料出口温度、润叶加料热蒸汽添加值、润叶加料出口的第二实测含水率、薄片回潮出口的第三实测含水率作为第二输入变量输入至所述逆向预测模型，得到所述第二含水率最优值。

在其中至少一种可能的实现方式中，所述装置还包括模型优化模块，所述模型优化模块具体包括：

含水实测值调整监测单元，用于监测针对所述第二实测含水率和/或所述第三实测含水率的调整值；

历史数据修正单元，用于根据所述调整值，实时修正生产历史数据中相应的含水率数据；

模型优化单元，用于基于修正后的生产历史数据，优化第一预测模型以及第二预测模型的参数。

在其中至少一种可能的实现方式中，模型训练模块模块包括数据样本预处理单元，所述数据样本预处理单元具体包括：

数据获取组件，用于获取生产设备及生产工艺中的有效历史数据；

数据处理组件，用于对所述有效历史数据的缺失值进行填充，和/或识别及剔除所述有效历史数据的异常值，和/或对所述有效历史数据进行光滑去噪；

数据聚类组件，用于经上述处理后得到历史数据原始样本，并根据生产调度信息对所述历史数据原始样本进行分类；

数据整理组件，用于对分类后的所述历史数据原始样本进行归一化处理，得到所述生产历史数据。

第三方面，本发明提供了一种切丝后水分控制设备，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。

本发明的构思在于针对现有控制切丝后含水率基于人工估算的缺陷，提出通过预先构建两种预测模型，并结合生产数据及工艺标准设定，对润叶加料及松散回潮两个工序的物料含水率进行预测，并且其中润叶加料出口的含水预测最优值可以直接作用在对松散回潮出口含水的预测，而松散回潮出口的含水预测最优值可以直接作为调控智能加水系统的目标值，由此在控制烟丝含水的同时解决了松散回潮出口含水率和切丝后含水率之间的质量指标关联匹配问题，可见，本发明与智能水分调控机制结合，能够有效提升切丝后含水率的控制精度，实现制丝车间各工序生产相互协同，尤其是可以保证切丝后含水率稳定性以及后道烘丝工序加工强度一致性，最终实现制丝生产加工均质化以及高度智能化。

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为本发明提供的切丝后水分控制方法的实施例的流程图；

图3为本发明提供的模型参数优化方法的实施例的流程图；

图4为本发明提供的数据样本预处理方法的实施例的流程图；

图5为本发明提供的切丝后水分控制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。

本发明提出了一种基于正向预测的切丝后水分控制方法的实施例，参照图2所示，具体可以包括：

步骤S1、利用预处理后的生产历史数据，训练第一预测模型以及第二预测模型；

步骤S2、根据当前生产数据、预设的切丝后含水率期望值以及所述第一预测模型，预测润叶加料出口的第一含水率最优值；

步骤S3、根据所述第一含水率最优值、当前生产数据以及所述第二预测模型，预测松散回潮出口的第二含水率最优值；

步骤S4、基于所述第二含水率最优值以及松散回潮出口的第一实测含水率，控制松散回潮工序阶段的加水量，以此实现对切丝后水分的控制。

具体地，可以根据制丝智能排产系统，给出当天的生产调度令，从而确定当前工班生产时间、牌号、批次等信息，结合工艺标准，设定当前牌号切丝后含水率期望值。依据图1中生产设备布局将切丝前工序分离，采取“分段建模在先，串联预测在后”的方式建立两个预测模型。所称分段建模包括：①第一预测模型(水分仪3至水分仪4)，在实际操作中可以使用正向神经网络模型(Forward-MLP)并结合切丝后含水率期望值，进行润叶加料出口含水率最优值的预测；②第二预测模型(水分仪1至水分仪3)，在实际操作中可以使用逆向XGBoost模型(Converse-XGBoost)并结合润叶加料出口含水率最优值进行松散回潮出口含水率最优值的预测。

该松散回潮出口含水率最优值可以直接作为松散回潮智能加水系统的目标设定值，结合水分仪1提供的含水实测值(第一实测含水率)，智能加水系统会根据生产参数计算出各个等级的加水量进行施加，配合经上述发明构思提供的两种预测手段，可以在加水过程中更为精准地贴合后道切丝工序含水的目标需求，利用模型预测出最优值以及实测值给出的反馈，对加水量进行智能调控，这样，在物料从松散回潮出口到达润叶加料出口的时间内，能够有效保证料头含水率的稳定性以及符合性，结合前文介绍，在此加工环节对切丝后含水值具有修正影响的部分，即发生在松散回潮工序的加水阶段；由此可见，当投料段开始生产时，实时采集相关数据并协同工序间的参数进行所述预测操作，通过串联预测得到符合切丝后含水率期望值的松散回潮出口含水最优值，再由智能加水系统据此进行快速调控，以此实现对切丝后含水的智能控制，也即是使得切丝后含水接近或等于当前牌号的切丝后含水率的目标期望。

这里将对前述提及的两个预测模型进行具体说明

一、关于第一预测模型，所述预测润叶加料出口的第一含水率最优值包括：

将润叶加料出口含水率的若干仿真值、设定的贮叶时间、切丝片区温湿度作为第一输入变量输入至所述正向预测模型，得到若干相应于所述仿真值的切丝后含水率预测值；

比对各所述切丝后含水率预测值与所述切丝后含水率期望值的差异；

将差异最小的所述切丝后含水率预测值对应的所述仿真值作为所述第一含水率最优值。

具体来说，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：可以使切丝后水分控制误差在±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。

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、贮叶时间、切丝片区温度、切丝片区湿度为输入变量，切丝后含水率为输出变量。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，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。

由上述确定的定量变量作为第一输入变量输入至前述第一预测模型，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，输入至前述第一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，虚拟特征变量值为1，否则虚拟特征变量值为0。

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，切丝后含水率期望值为20.7，使用蒙特卡洛仿真对润叶加料出口含水率在期望值范围内生成不重复的若干随机数，并根据生产调度等数据，获取储叶时间和物料切烘的时间后，得到虚拟特征变量，以及切丝片区温度、切丝片区湿度，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；将各切丝后含水率预测值与切丝后含水率期望值进行比对，找到最接近切丝后含水率期望值的切丝后含水率预测值，其对应的仿真出来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，对此后文将做说明。

二、关于第二预测模型，所述预测松散回潮出口的第二含水率最优值包括：

根据松散回潮片区温湿度、润叶加料的物料流量、润叶加料的加料流量、润叶加料片区温湿度、润叶加料出口温度、润叶加料热蒸汽添加值、润叶加料出口的第二实测含水率、薄片回潮出口的第三实测含水率作为第二输入变量输入至前述逆向预测模型，得到所述第二含水率最优值。

具体来说，本实施例根据图1的工艺路线，是在投料段的(水分仪1至水分仪3)建立投料段模型，该模型的设计初衷是通过逆向预测方式，由润叶加料出口含水率直接预测出松散回潮出口含水率。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使用逆向模型(优选Converse-XGBoost)进行松散回潮加料出口含水率的预测，并可以选取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，同时可以使用贝叶斯调参方式进行模型参数优化，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，可以有多种选择。对于模型输入数据的选取以及该优选示例中提及的逆向XGBoost模型后文将做说明，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：使松散回潮出口含水率预测值误差在±0.2％以内。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。

其中，为了实现逆向预测的构思，所述变量种类至少需要包括润叶加料出口含水率，因而可以在实际操作中，依据工艺标准给定润叶加料出口含水率的标准值，也即是润叶加料出口含水率最优值(第一含水率最优值)。

关于特征选择，经发明人实践分析并结合图1示出的投料段各工序，从大量相关的历史数据中选择如下12个特征变量包括：松散回潮出口含水率作为输出变量，以及松散回潮片区温度、松散回潮片区相对湿度、润叶加料的物料流量、润叶加料的加料流量、润叶加料片区温度、润叶加料片区相对湿度、润叶加料出口温度、润叶加料热蒸汽添加值、润叶加料出口含水率(与前述润叶加料出口含水率的标准值对应，在训练阶段可以获取到相应历史数据)、薄片含水率、薄片掺配流量作为候选输入变量。

以上各变量数据的获取可以参考如下：温湿度参数一般可来自温湿度传感器，物料流量及掺配流量一般可来自计量秤，热蒸汽添加值一般可来自热蒸汽供给设备的控制参数，含水率一般可来自水分仪；进一步地，在某些实施方式中，以上各设备参数及生产参数也可以取自经数据采集装置存储在MES系统(制造执行系统Manufacturing ExecutionSystem)数据库中的数据，实际操作中可以通过MES系统进行查询及获取。

需说明的是，以上变量的选择仅仅是从设备生产参数中进行初步选择，为了提升模型处理精度，发明人提出对这些初步选择的参数进行进一步的相关性分析，因而提出在确定上述输出变量并选取了若干候选输入变量后，还需逐个分析出上述各候选输入变量与输出变量(即松散回潮出口含水率)的相关性，确定相关性系数。这里，在某些具体实施方式中，本发明对上述输入变量与输出变量进行Pearson相关性分析，发现其中薄片掺配流量与松散回潮出口含水率的相关性仅为0.03，因而可以认为前文初步选择的各种输入变量中，该变量与松散回潮出口含水率相关性很低，可以从候选输入变量中排除，即经过上述相关性的进一步分析可以确定原始输入变量为如下10种：松散回潮片区温度、松散回潮片区相对湿度、润叶加料的物料流量、润叶加料的加料流量、润叶加料片区温度、润叶加料片区相对湿度、润叶加料出口温度、润叶加料热蒸汽添加值、润叶加料出口含水率、薄片含水率。

至此，便可以基于前述特征选择部分确定的若干种输入变量进行模型训练，并据此在实际测试及应用阶段则可以按此从设备及生产参数中获取相应的数据。

然而，发明人又在前述原始输入变量基础上，进一步提出了特征再构造的构思，也即是通过前述预设过程确定出的原始输入变量构造出新变量，即是提出一种具体的根据现有变量进行新变量构造的方式。在原始输入变量中，片区相对湿度指当前湿空气中水蒸汽内分压力和相同温度下饱和湿空气内水蒸气分压力的比值，那么根据干燥理论的知识，物料水分散失主要与湿空气中的水蒸气分压有关，而且空气中的温度和相对湿度是两个相互影响的变量，因此，通过片区相对湿度及片区温度便可以计算出湿空气的焓值，完成输入变量的进一步构造。即，在实际操作中，可以通过前文所述片区相对湿度和片区温度计算出片区的湿空气焓，由此，便可以获得该较佳实施例所确定的最终的输入变量种类：

松散回潮片区湿空气焓值、润叶加料的物料流量、润叶加料的加料流量、润叶加料片区湿空气焓、润叶加料出口温度、润叶加料热蒸汽添加值、润叶加料出口含水率、薄片含水率。

在完成了特征选取及模型构造，便可以将输入变量输入至第二预测模型进行逆向预测，得到目标松散回潮出口含水率的预测值。具体在实际生产操作中，可以根据生产需求基于工艺标准给定一个润叶加料出口含水率的标准设定值，即第一含水率最优值，接着可以通过MES系统前述若干种输入变量值，再输入进该第二预测模型，得到满足润叶加料出口含水率标准的松散回潮出口含水率(第二含水率最优值)。

对上述两个预测模型进行具体说明之后，还可以进一步指出的是，对于第一预测模型和第二预测模型可以与多批次生成关联，也即是可以在生产过程中实时根据生产及设备数据变化，对模型参数进行动态调整，也可以在各批次生产间隙，利用已完成的生产数据进行数据累积，逐渐形成更大规模的数据集用于在下一批次生产前对模型进行再训练再优化。这里，提供一种模型优化参考示例，如图3所示，包括

步骤S10、监测针对所述第二实测含水率和/或所述第三实测含水率的调整值；

步骤S11、根据所述调整值，实时修正生产历史数据中相应的含水率数据；

步骤S12、基于修正后的生产历史数据，优化第一预测模型以及第二预测模型的参数。

这里的第二实测含水率、第三实测含水率对应于图1中的水分仪3和水分仪5(可以理解地，前述第一实测含水率对应水分仪1)，该示例中主要可以针对第二预测模型进行参数优化，因为所述第二实测含水率、所述第三实测含水率主要作用在第二预测模型，当然并不排除由于数据之间相互关联，在对第二预测模型进行优化阶段也可以对第一预测模型做相适应的优化。具体地，水分仪作为水分实测数据提供仪器，其显示数据需在预设标准精度内才可以准确、可靠地提供生产监控及相应处理算法的数据基础。因而，在实际生产操作中，在两批次生产间隙，可通过烘箱法测定某工序后物料含水率的真实值与相应水分仪显示值之间的差异，如果差异超出设定的标准，工艺人员则会对该水分仪显示值进行调整校准。结合图3举例来说，当某批次生产结束后，MES系统中的批次生产状态会变成已完成，在此前提下按预定周期(例如每10分钟)访问一次生产数据库，一旦检测到生产状态为已完成，便自动选取所需的相关历史数据对模型进行优化训练；同时，生产数据库也实时监测水分仪的调整校准值，同样地，可以按一定周期(例如每10分钟)监测一次水分仪调整值，一旦该值发生变化，便对历史数据中相应的含水率数据进行调整，更为优选地，因为每次调整后的含水率数据均会存储在数据表里，当每一次检测到水分仪零位变化时，只需对该表里对应的水分做一次调整即可。比如历史数据包含第1批次、第2批次生产设备数据，在第3批次开始前，调整过一次与第二实测含水率对应的水分仪3(调整值＝+0.88)，那么便可以将表中存储的数据变更为：第1批次及第2批次中的水分仪3的所有数值均+0.88，然后用修正后的前两批次数据对模型进行优化；如果在第3批次完成后又调整一次+0.99，则只需对当前表里面的前三批次所有水分仪3的数据+0.99即可，然后用修正后的前三批次数据对模型参数再次进行优化。

最后需说明的是，为保证模型精度，更佳地还可以设计相应的数据清洗预处理机制，这里结合图4示例，提供了至少一种生产历史数据预处理思路，具体包括：

步骤S20、获取生产设备及生产工艺中的有效历史数据；

步骤S21、对所述有效历史数据的缺失值进行填充，和/或识别及剔除所述有效历史数据的异常值，和/或对所述有效历史数据进行光滑去噪；

步骤S22、经上述处理后得到历史数据原始样本，并根据生产调度信息对所述历史数据原始样本进行分类；

步骤S23、对分类后的所述历史数据原始样本进行归一化处理，得到所述生产历史数据。

在实际操作中，可以对设备及工艺原始数据进行有效数据筛选，先获取到与含水控制相关的有效数据，然后可以进行三种方面的检测(单独或多种)：缺失与否、异常与否、噪声与否。具体地，如果检测到存在缺失值，则可以使用但不限于热卡填补法进行数据填充；对异常值则可以进行3σ原则识别并剔除；还可以通过分箱法光滑前述有效数据，去除其中干扰项。

完成上述清洗处理后，便可以得到历史数据原始样本，接着可以基于聚类思想将数据分类，分类的标准可以与实际生产调度贴合，即可以判断是否为首班批次，以及相应地根据切烘及贮叶安排区分出不同加工时段的数据类型，当然，具体的聚类标准可有所不同，对此本发明不做限定。但可以补充的是，进一步地可通过预设置信度对数据正态性进行检验，即保证聚类后的数据可在较高置信度下满足正态分布的要求。最后，由于预测模型描述的是实际问题的内蕴的特征，因而可以采用归一化思路整理分类后的所述历史数据原始样本，也即是为了准确描述处客观规律，除去量纲对数据的影响，由此便可以得到预处理后的生产历史数据。

综上所述，本发明的构思在于针对现有控制切丝后含水率基于人工估算的缺陷，提出通过预先构建两种预测模型，并结合生产数据及工艺标准设定，对润叶加料及松散回潮两个工序的物料含水率进行预测，并且其中润叶加料出口的含水预测最优值可以直接作用在对松散回潮出口含水的预测，而松散回潮出口的含水预测最优值可以直接作为调控智能加水系统的目标值，由此在控制烟丝含水的同时解决了松散回潮出口含水率和切丝后含水率之间的质量指标关联匹配问题，可见，本发明与智能水分调控机制结合，能够有效提升切丝后含水率的控制精度，实现制丝车间各工序生产相互协同，尤其是可以保证切丝后含水率稳定性以及后道烘丝工序加工强度一致性，最终实现制丝生产加工均质化以及高度智能化。

相应于上述各实施例及优选方案，本发明还提供了一种切丝后水分控制装置的实施例，如图5所示，具体可以包括如下部件：

模型训练模块1，用于利用预处理后的生产历史数据，训练第一预测模型以及第二预测模型；

第一含水率最优值预测模块2，用于根据当前生产数据、预设的切丝后含水率期望值以及所述第一预测模型，预测润叶加料出口的第一含水率最优值；

第二含水率最优值预测模块3，用于根据所述第一含水率最优值、当前生产数据以及所述第二预测模型，预测松散回潮出口的第二含水率最优值；

水分控制模块4，用于基于所述第二含水率最优值以及松散回潮出口的第一实测含水率，控制松散回潮工序阶段的加水量，以此实现对切丝后水分的控制。

在其中至少一种可能的实现方式中，所述第一预测模型为正向预测模型，所述第一含水率最优值预测模块具体包括：

切丝后含水率预测单元，用于将润叶加料出口含水率的若干仿真值、设定的贮叶时间、切丝片区温湿度作为第一输入变量输入至所述正向预测模型，得到若干相应于所述仿真值的切丝后含水率预测值；

误差比对单元，用于比对各所述切丝后含水率预测值与所述切丝后含水率期望值的差异；

第一含水率最优值确定单元，用于将差异最小的所述切丝后含水率预测值对应的所述仿真值作为所述第一含水率最优值。

在其中至少一种可能的实现方式中，所述第二预测模型为逆向预测模型，所述第二含水率最优值预测模块具体用于：

根据松散回潮片区温湿度、润叶加料的物料流量、润叶加料的加料流量、润叶加料片区温湿度、润叶加料出口温度、润叶加料热蒸汽添加值、润叶加料出口的第二实测含水率、薄片回潮出口的第三实测含水率作为第二输入变量输入至所述逆向预测模型，得到所述第二含水率最优值。

在其中至少一种可能的实现方式中，所述装置还包括模型优化模块，所述模型优化模块具体包括：

含水实测值调整监测单元，用于监测针对所述第二实测含水率和/或所述第三实测含水率的调整值；

历史数据修正单元，用于根据所述调整值，实时修正生产历史数据中相应的含水率数据；

模型优化单元，用于基于修正后的生产历史数据，优化第一预测模型以及第二预测模型的参数。

在其中至少一种可能的实现方式中，模型训练模块模块包括数据样本预处理单元，所述数据样本预处理单元具体包括：

数据获取组件，用于获取生产设备及生产工艺中的有效历史数据；

数据处理组件，用于对所述有效历史数据的缺失值进行填充，和/或识别及剔除所述有效历史数据的异常值，和/或对所述有效历史数据进行光滑去噪；

数据聚类组件，用于经上述处理后得到历史数据原始样本，并根据生产调度信息对所述历史数据原始样本进行分类；

数据整理组件，用于对分类后的所述历史数据原始样本进行归一化处理，得到所述生产历史数据。

应理解以上图5所示的切丝后水分控制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)一种切丝后水分控制设备。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，所述切丝后水分控制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切丝后水分控制方法。

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)

1.一种切丝后水分控制方法，其特征在于，包括：

利用预处理后的生产历史数据，训练第一预测模型以及第二预测模型；

根据当前生产数据、预设的切丝后含水率期望值以及所述第一预测模型，预测润叶加料出口的第一含水率最优值；

根据所述第一含水率最优值、当前生产数据以及所述第二预测模型，预测松散回潮出口的第二含水率最优值；

基于所述第二含水率最优值以及松散回潮出口的第一实测含水率，控制松散回潮工序阶段的加水量，以此实现对切丝后水分的控制。

2.根据权利要求1所述的切丝后水分控制方法，其特征在于，所述第一预测模型为正向预测模型，所述预测润叶加料出口的第一含水率最优值包括：

将润叶加料出口含水率的若干仿真值、设定的贮叶时间、切丝片区温湿度作为第一输入变量输入至所述正向预测模型，得到若干相应于所述仿真值的切丝后含水率预测值；

比对各所述切丝后含水率预测值与所述切丝后含水率期望值的差异；

将差异最小的所述切丝后含水率预测值对应的所述仿真值作为所述第一含水率最优值。

3.根据权利要求1所述的切丝后水分控制方法，其特征在于，所述第二预测模型为逆向预测模型，所述预测松散回潮出口的第二含水率最优值包括：

根据松散回潮片区温湿度、润叶加料的物料流量、润叶加料的加料流量、润叶加料片区温湿度、润叶加料出口温度、润叶加料热蒸汽添加值、润叶加料出口的第二实测含水率、薄片回潮出口的第三实测含水率作为第二输入变量输入至所述逆向预测模型，得到所述第二含水率最优值。

4.根据权利要求3所述的切丝后水分控制方法，其特征在于，所述方法还包括：

监测针对所述第二实测含水率和/或所述第三实测含水率的调整值；

根据所述调整值，实时修正生产历史数据中相应的含水率数据；

基于修正后的生产历史数据，优化第一预测模型以及第二预测模型的参数。

5.根据权利要求1～4任一项所述的切丝后水分控制方法，其特征在于，对生产历史数据预处理包括：

获取生产设备及生产工艺中的有效历史数据；

对所述有效历史数据的缺失值进行填充，和/或识别及剔除所述有效历史数据的异常值，和/或对所述有效历史数据进行光滑去噪；

经上述处理后得到历史数据原始样本，并根据生产调度信息对所述历史数据原始样本进行分类；

对分类后的所述历史数据原始样本进行归一化处理，得到所述生产历史数据。

6.一种切丝后水分控制装置，其特征在于，包括：

模型训练模块，用于利用预处理后的生产历史数据，训练第一预测模型以及第二预测模型；

第一含水率最优值预测模块，用于根据当前生产数据、预设的切丝后含水率期望值以及所述第一预测模型，预测润叶加料出口的第一含水率最优值；

第二含水率最优值预测模块，用于根据所述第一含水率最优值、当前生产数据以及所述第二预测模型，预测松散回潮出口的第二含水率最优值；

水分控制模块，用于基于所述第二含水率最优值以及松散回潮出口的第一实测含水率，控制松散回潮工序阶段的加水量，以此实现对切丝后水分的控制。

7.根据权利要求6所述的切丝后水分控制装置，其特征在于，所述第二预测模型为逆向预测模型，所述第二含水率最优值预测模块具体用于：

根据松散回潮片区温湿度、润叶加料的物料流量、润叶加料的加料流量、润叶加料片区温湿度、润叶加料出口温度、润叶加料热蒸汽添加值、润叶加料出口的第二实测含水率、薄片回潮出口的第三实测含水率作为第二输入变量输入至所述逆向预测模型，得到所述第二含水率最优值。

8.根据权利要求7所述的切丝后水分控制装置，其特征在于，所述装置还包括模型优化模块，所述模型优化模块具体包括：

含水实测值调整监测单元，用于监测针对所述第二实测含水率和/或所述第三实测含水率的调整值；

历史数据修正单元，用于根据所述调整值，实时修正生产历史数据中相应的含水率数据；

模型优化单元，用于基于修正后的生产历史数据，优化第一预测模型以及第二预测模型的参数。

9.根据权利要求6～8任一项所述的切丝后水分控制装置，其特征在于，模型训练模块模块包括数据样本预处理单元，所述数据样本预处理单元具体包括：

数据获取组件，用于获取生产设备及生产工艺中的有效历史数据；

数据处理组件，用于对所述有效历史数据的缺失值进行填充，和/或识别及剔除所述有效历史数据的异常值，和/或对所述有效历史数据进行光滑去噪；

数据聚类组件，用于经上述处理后得到历史数据原始样本，并根据生产调度信息对所述历史数据原始样本进行分类；

数据整理组件，用于对分类后的所述历史数据原始样本进行归一化处理，得到所述生产历史数据。

10.一种切丝后水分控制设备，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任一项所述的切丝后水分控制方法。

Images