CN112434868A - 一种薄板干燥工序精准控制智能预测模型及应用 - Google Patents

一种薄板干燥工序精准控制智能预测模型及应用 Download PDF

Info

Publication number
CN112434868A
CN112434868A CN202011381887.5A CN202011381887A CN112434868A CN 112434868 A CN112434868 A CN 112434868A CN 202011381887 A CN202011381887 A CN 202011381887A CN 112434868 A CN112434868 A CN 112434868A
Authority
CN
China
Prior art keywords
drying process
prediction model
intelligent prediction
data
sheet drying
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
Application number
CN202011381887.5A
Other languages
English (en)
Inventor
胡东东
马晓龙
王力家
杨晶津
李天明
华一崑
刘继辉
树林
高成文
姜哲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hongyun Honghe Tobacco Group Co Ltd
Original Assignee
Hongyun Honghe Tobacco Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hongyun Honghe Tobacco Group Co Ltd filed Critical Hongyun Honghe Tobacco Group Co Ltd
Priority to CN202011381887.5A priority Critical patent/CN112434868A/zh
Publication of CN112434868A publication Critical patent/CN112434868A/zh
Pending legal-status Critical Current

Links

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"
    • 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
    • A24B3/04—Humidifying or drying tobacco bunches or cut tobacco
    • A—HUMAN NECESSITIES
    • A24—TOBACCO; CIGARS; CIGARETTES; SIMULATED SMOKING DEVICES; SMOKERS' REQUISITES
    • A24B—MANUFACTURE OR PREPARATION OF TOBACCO FOR SMOKING OR CHEWING; TOBACCO; SNUFF
    • A24B9/00—Control of the moisture content of tobacco products, e.g. cigars, cigarettes, pipe tobacco
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Molecular Biology (AREA)
  • Marketing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Biology (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Primary Health Care (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Manufacturing & Machinery (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Manufacture Of Tobacco Products (AREA)

Abstract

本发明涉及一种薄板干燥工序精准控制智能预测模型及应用，选取薄板干燥工序多个设定时间段的历史数据作为待选样本；任选一个设定时间段的历史数据作为样本数据；运用简单移动平均方法计算得到样本数据库；运用SCAD方法筛选出影响烘丝出料含水率的关键参数；以样本数据库为基础，运用前馈神经网络方法或支持向量机大数据方法构建薄板干燥关键参数智能预测模型。本技术方案针对卷烟产品内在质量的稳定性和一致性，结合数据和感官品吸验证数据，利用简单移动平均方法及遗传算法等对历史数据的感官致性的研究，挖掘薄板干燥工序对卷烟产品感官质量影响较大的关键参数，逐步确定感官类参数的设计范围，建立与之相适应的薄板干燥调控模式。

Description

一种薄板干燥工序精准控制智能预测模型及应用
技术领域
本发明属于面向卷烟的薄板干燥过程单元的自动控制技术领域，特别是指一种薄板干燥工序精准控制智能预测模型及应用。
背景技术
中国是世界烟草第一大国，烟草产量和卷烟产量均为世界第一，烟草行业在我国国民经济中占有重要地位。但是，我国目前的烟草行业信息化、智能化水平较低，缺乏国际竞争力，如何提高我国烟草行业的信息化和智能化水平已经成为重中之重。
薄板干燥过程是卷烟加工的主要组成部分，也是提高信息化和智能化水平的关键。薄板干燥工序对卷烟产品感官质量的影响较大，如何保证薄板干燥工序的质量的稳定性和一致性，是本领域的重点研究方向。
发明内容
本发明的目的是提供一种薄板干燥工序精准控制智能预测模型及应用，以解决现薄板干燥工序中，烟丝的质量稳定性和一致性较差的问题。
本发明是通过以下技术方案实现的：
一种薄板干燥工序精准控制智能预测模型，包括以下步骤：
S1、确定预测模型的因变量，薄板干燥工序预测模型的因变量为烘丝出料含水率；
S2、选取薄板干燥工序多个设定时间段的历史数据作为待选样本；
S3、从步骤S2的待选样本中任选一个设定时间段的历史数据作为样本数据，并确定各工序之间的堆栈延时时间；
S4、依据流式数据的特点，并在上述各工序之间的堆栈延时确定的基础上，运用简单移动平均方法计算得到样本数据库；
S5、对步骤S4得到的样本数据库，运用SCAD方法筛选出影响烘丝出料含水率的关键参数；
S6、以样本数据库为基础，运用前馈神经网络方法或支持向量机大数据方法构建薄板干燥关键参数智能预测模型；
S7、重复步骤S2至步骤S6，直至对待选样本均得到对应的关键参数智能预测模型，再对得到的关键参数智能预测模型通过五折交叉验证筛选最优的关键参数智能预测模型，即为薄板干燥工序精准控制智能预测模型。
优选的，设定时间段的时间长度为一年或一年以上。
优选的，简单移动平均法的计算公式为：Ft＝(At-1+At-2+At-3+……+At-n)/n，其中Ft为对下一批切叶丝含水率的预测值，n为移动平均的时期个数，为自然数，At-1为样本数据中第一批的实际值，At-2、At-3和At-n分别为第二批、第三批和第n批的实际值。
一种薄板干燥工序精准控制智能预测模型的应用，在保障感官质量的关键参数范围和上述任一项的烘丝出料含水率的中心值的前提下，在上述任一项的薄板干燥工序精准控制智能预测模型的基础上加入遗传算法，得到不同环境条件下切叶丝含水率的中心值范围。
优选的，所述感官质量的关键参数范围，是通过数据挖掘方法确定叶丝干燥工序影响感官质量的关键参数及关键参数的设计范围。
本发明的有益效果是：
本技术方案针对卷烟产品内在质量的稳定性和一致性，结合数据和感官品吸验证数据，利用简单移动平均方法及遗传算法等对历史数据的感官致性的研究，挖掘薄板干燥工序对卷烟产品感官质量影响较大的关键参数，逐步确定感官类参数的设计范围，建立与之相适应的薄板干燥调控模式。
具体实施方式
以下通过实施例来详细说明本发明的技术方案，以下的实施例仅是示例性的，仅能用来解释和说明本发明的技术方案，而不能解释为是对本发明技术方案的限制。
本申请提供一种薄板干燥工序精准控制智能预测模型，包括以下步骤：
S1、确定预测模型的因变量，薄板干燥工序预测模型的因变量为烘丝出料含水率；本技术方案均是以烘丝出料含水率为因变量的模型建立。
S2、选取薄板干燥工序多个设定时间段的历史数据作为待选样本；在本申请的技术方案中，此部分的多个通常至少为3个或以上，若是选取的过少，会导致各关键参数的精度不精确，设定时间段可以根据需要进行设定，可以为一个批次内的某段时间，也可以为某段时间内要包括两个或两个以上批次。设定时间段的时间长度为一年或一年以上。
S3、从步骤S2的待选样本中任选一个设定时间段的历史数据作为样本数据，并确定各工序之间的堆栈延时时间；在连续生产的情况下，每个批次各工序之间的堆栈延时时间基本差别不大。
S4、依据流式数据的特点，并在上述各工序之间的堆栈延时确定的基础上，运用简单移动平均方法计算得到样本数据库；在本申请的技术方案中，流式数据是现数据处理方式的一种，计算速度介于实时数据和离线数据之间的数据处理方式。并在上述各工序之间的堆栈延时确定的基础上，运用简单移动平均方法计算得到样本数据库；简单移动平均法的计算公式为：Ft＝(At-1+At-2+At-3+……+At-n)/n，其中Ft为对下一批烘丝含水率的预测值，n为移动平均的时期个数，为自然数，At-1为样本数据中第一批的实际值，At-2、At-3和At-n分别为第二批、第三批和第n批的实际值。简单移动平均对原序列有修匀或平滑的作用，使得原序列的上下波动被削弱了，而且平均的时期个数n越大，对数列的修匀作用越强，以此来实现计算烘丝含水率的中心值。
S5、对步骤S4得到的样本数据库，运用SCAD方法筛选出影响烘丝出料含水率的关键参数；所述SCAD方法为常规方法，本领域技术人员根据需要进行使用，为此，申请人不对该方法进行详细的说明。
S6、以样本数据库为基础，运用前馈神经网络方法或支持向量机大数据方法构建薄板干燥关键参数智能预测模型。
S7、重复步骤S2至步骤S6，直至对待选样本均得到对应的关键参数智能预测模型，再对得到的关键参数智能预测模型通过五折交叉验证筛选最优的关键参数智能预测模型，即为薄板干燥工序精准控制智能预测模型。
通过数据挖掘方法确定叶丝干燥工序影响感官质量的关键参数及关键参数的设计范围。
将通过感官质量得到的关键参数与通过薄板干燥工序精准控制智能预测模型进行对比，在保障感官质量的基础上，得到感官质量一致的薄板干燥工序精准控制智能预测模型。
本申请还提供一种薄板干燥工序精准控制智能预测模型的应用，在保障感官质量的关键参数范围和上述任一项的烘丝出料含水率的中心值的前提下，在上述任一项的薄板干燥工序精准控制智能预测模型的基础上加入遗传算法，得到不同环境条件下切叶丝含水率的中心值范围。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变形，本发明的范围由所附权利要求及其等同限定。

Claims (5)

1.一种薄板干燥工序精准控制智能预测模型，其特征在于，包括以下步骤：
S1、确定预测模型的因变量，薄板干燥工序预测模型的因变量为烘丝出料含水率；
S2、选取薄板干燥工序多个设定时间段的历史数据作为待选样本；
S3、从步骤S2的待选样本中任选一个设定时间段的历史数据作为样本数据，并确定各工序之间的堆栈延时时间；
S4、依据流式数据的特点，并在上述各工序之间的堆栈延时确定的基础上，运用简单移动平均方法计算得到样本数据库；
S5、对步骤S4得到的样本数据库，运用SCAD方法筛选出影响烘丝出料含水率的关键参数；
S6、以样本数据库为基础，运用前馈神经网络方法或支持向量机大数据方法构建薄板干燥关键参数智能预测模型；
S7、重复步骤S2至步骤S6，直至对待选样本均得到对应的关键参数智能预测模型，再对得到的关键参数智能预测模型通过五折交叉验证筛选最优的关键参数智能预测模型，即为薄板干燥工序精准控制智能预测模型。
2.根据权利要求1所述的薄板干燥工序精准控制智能预测模型，其特征在于，设定时间段的时间长度为一年或一年以上。
3.根据权利要求1所述的薄板干燥工序精准控制智能预测模型，其特征在于，简单移动平均法的计算公式为：Ft＝(At-1+At-2+At-3+……+At-n)/n，其中Ft为对下一批切叶丝含水率的预测值，n为移动平均的时期个数，为自然数，At-1为样本数据中第一批的实际值，At-2、At-3和At-n分别为第二批、第三批和第n批的实际值。
4.一种薄板干燥工序精准控制智能预测模型的应用，其特征在于，在保障感官质量的关键参数范围和上述权利要求1至3中任一项的烘丝出料含水率的中心值的前提下，在上述权利要求1至3中任一项的薄板干燥工序精准控制智能预测模型的基础上加入遗传算法，得到不同环境条件下切叶丝含水率的中心值范围。
5.根据权利要求4所述的薄板干燥工序精准控制智能预测模型的应用，其特征在于，所述感官质量的关键参数范围，是通过数据挖掘方法确定叶丝干燥工序影响感官质量的关键参数及关键参数的设计范围。
CN202011381887.5A 2020-11-30 2020-11-30 一种薄板干燥工序精准控制智能预测模型及应用 Pending CN112434868A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011381887.5A CN112434868A (zh) 2020-11-30 2020-11-30 一种薄板干燥工序精准控制智能预测模型及应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011381887.5A CN112434868A (zh) 2020-11-30 2020-11-30 一种薄板干燥工序精准控制智能预测模型及应用

Publications (1)

Publication Number Publication Date
CN112434868A true CN112434868A (zh) 2021-03-02

Family

ID=74698739

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011381887.5A Pending CN112434868A (zh) 2020-11-30 2020-11-30 一种薄板干燥工序精准控制智能预测模型及应用

Country Status (1)

Country Link
CN (1) CN112434868A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112790421A (zh) * 2021-03-18 2021-05-14 河南中烟工业有限责任公司 一种基于滑窗预测的梗丝加料出口含水率的控制方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102567812A (zh) * 2012-01-09 2012-07-11 红云红河烟草(集团)有限责任公司 一种烟草加工工序中用加工参数预测控制指标的方法
CN108720069A (zh) * 2018-06-20 2018-11-02 福建中烟工业有限责任公司 干燥烟丝的方法及预测出口烟丝含水率的装置
CN110675919A (zh) * 2019-09-23 2020-01-10 清华大学 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
CN110946313A (zh) * 2019-12-12 2020-04-03 河南中烟工业有限责任公司 一种叶丝干燥工序的出口含水率的控制方法及系统
CN111109643A (zh) * 2019-12-12 2020-05-08 河南中烟工业有限责任公司 一种薄板烘丝的烟丝含水量的控制方法及系统
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
CN111887460A (zh) * 2019-05-05 2020-11-06 贵州中烟工业有限责任公司 烟草烘丝水分和温度控制预测系统及方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102567812A (zh) * 2012-01-09 2012-07-11 红云红河烟草(集团)有限责任公司 一种烟草加工工序中用加工参数预测控制指标的方法
CN108720069A (zh) * 2018-06-20 2018-11-02 福建中烟工业有限责任公司 干燥烟丝的方法及预测出口烟丝含水率的装置
CN111887460A (zh) * 2019-05-05 2020-11-06 贵州中烟工业有限责任公司 烟草烘丝水分和温度控制预测系统及方法
CN110675919A (zh) * 2019-09-23 2020-01-10 清华大学 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
CN110946313A (zh) * 2019-12-12 2020-04-03 河南中烟工业有限责任公司 一种叶丝干燥工序的出口含水率的控制方法及系统
CN111109643A (zh) * 2019-12-12 2020-05-08 河南中烟工业有限责任公司 一种薄板烘丝的烟丝含水量的控制方法及系统
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

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112790421A (zh) * 2021-03-18 2021-05-14 河南中烟工业有限责任公司 一种基于滑窗预测的梗丝加料出口含水率的控制方法

Similar Documents

Publication Publication Date Title
CN112434869A (zh) 一种制丝线产品质量预测模型的建立方法
CN103205665B (zh) 一种连续热镀锌线锌层厚度自动控制方法
CN103469137B (zh) 一种热镀锌镀层厚度动态变规格预设控制方法
CN111109643B (zh) 一种薄板烘丝的烟丝含水量的控制方法及系统
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
CN113812658B (zh) 基于神经网络模型和双重参数修正的松散回潮加水控制方法
CN102147613B (zh) 一种对烟叶复烤机水分、温度的模型预测控制方法及系统
CN110946306B (zh) 一种基于滚筒式叶丝回潮的质量控制方法及系统
CN112434868A (zh) 一种薄板干燥工序精准控制智能预测模型及应用
CN109847916B (zh) 一种水泥原料立磨系统的节能优化方法
CN110946314B (zh) 一种气流烘丝的烟丝含水量的控制方法及系统
CN113303489B (zh) 一种制丝过程烟叶水分准确控制的方法
CN108614434A (zh) 基于预测pi与串级控制相结合的双容系统控制方法
CN110946313A (zh) 一种叶丝干燥工序的出口含水率的控制方法及系统
CN110554715A (zh) 基于rbf神经网络的硫酸氧钛外加晶种水解工艺温度pid控制方法
CN110879581A (zh) 一种叶片加料的料液控制方法及系统
CN105996106A (zh) 一种基于气流干燥的烟丝质量控制方法及系统
CN109240203B (zh) 一种基于多模型的连铸坯定重控制方法
CN112434867A (zh) 一种叶片段水份智能预测模型及应用
CN117210639B (zh) 一种一罐制铁水预处理喷粉控制方法及系统
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
CN103592844A (zh) 增量式pi参数时变智能优化控制
CN107510089B (zh) 一种烟草制丝生产中提高叶片加料精度的方法
CN112845610A (zh) 一种轧钢电耗参数推荐方法及系统
CN115218603B (zh) 冷却流量控制方法及装置

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