CN112486123A - 一种基于来料状态的卷烟机参数设置预测系统和方法 - Google Patents
一种基于来料状态的卷烟机参数设置预测系统和方法 Download PDFInfo
- Publication number
- CN112486123A CN112486123A CN202011379256.XA CN202011379256A CN112486123A CN 112486123 A CN112486123 A CN 112486123A CN 202011379256 A CN202011379256 A CN 202011379256A CN 112486123 A CN112486123 A CN 112486123A
- Authority
- CN
- China
- Prior art keywords
- data
- incoming material
- tobacco
- tobacco shred
- neural network
- 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.)
- Granted
Links
- 235000019504 cigarettes Nutrition 0.000 title claims abstract description 178
- 239000013072 incoming material Substances 0.000 title claims abstract description 126
- 238000000034 method Methods 0.000 title claims abstract description 32
- 241000208125 Nicotiana Species 0.000 claims abstract description 196
- 235000002637 Nicotiana tabacum Nutrition 0.000 claims abstract description 196
- 238000013528 artificial neural network Methods 0.000 claims abstract description 70
- 238000003062 neural network model Methods 0.000 claims abstract description 25
- 238000004519 manufacturing process Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims description 67
- 238000012545 processing Methods 0.000 claims description 42
- 238000007781 pre-processing Methods 0.000 claims description 32
- 238000010606 normalization Methods 0.000 claims description 23
- 238000012216 screening Methods 0.000 claims description 18
- 210000002569 neuron Anatomy 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 7
- 239000000463 material Substances 0.000 claims description 6
- 238000004148 unit process Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 abstract description 9
- 238000003860 storage Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000004886 process control Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000005728 strengthening Methods 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]
- G05B19/41885—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 modeling, simulation of the manufacturing system
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Automation & Control Theory (AREA)
- Manufacturing Of Cigar And Cigarette Tobacco (AREA)
Abstract
一种基于来料状态的卷烟机参数设置预测系统和方法,涉及烟草设备技术领域,包括:数据采集模块、训练模块和预测模块,本发明通过收集烟丝来料状态参数和对应批次卷烟机参数设置的历史数据,对符合要求的所有数据进行汇总,建立学习样本库对神经网络模型进行训练,生产前收集批次烟丝来料状态参数,导入神经网络模型进行预测得到卷烟机参数设置预测数值,卷烟机按预测参数设定后进行生产,对生产卷烟进行检测若符合要求,则该批次烟丝来料状态参数和卷烟机参数设置情况纳入学习样本,神经网络进行再学习,本发明具有简单可行的特点,能够根据烟丝来料状态及时调整卷烟机参数,从而提高烟支物理指标稳定性,对卷烟过程控制具有重要指导意义。
Description
技术领域
本发明涉及烟草设备技术领域,具体涉及一种基于来料状态的卷烟机参数设置预测系统和方法。
背景技术
烟支物理指标是除配方外影响主流烟气和感官质量的重要因素,其稳定性显得尤为重要。卷接工序直接决定了烟支的物理指标,而影响卷接质量的主要为来料状态和卷烟机参数设置。来料状态批次间会有一定差异,而卷烟机参数与来料状态相匹配才能有效保障烟支卷接质量。
目前,烟丝结构、烟丝水分、烟丝物理指标等指标虽然检验,但未能有效的与卷烟机参数设置和烟支物理指标进行关联,卷烟机参数的设置往往依靠经验和事后调整,导致烟支物理指标稳定性低。因此,建立基于来料状态的卷烟机参数设置预测方法,对加强卷烟过程控制、提高烟支物理指标稳定性具有重要指导意义。
发明内容
本发明实施例提供了一种基于来料状态的卷烟机参数设置预测系统和方法,该方法收集烟丝来料状态参数和对应批次卷烟机参数设置的历史数据,判定批次卷烟物理指标稳定性指标是否符合要求,对符合要求的所有数据进行汇总,建立学习样本库,样本库进行归一化处理后,对神经网络模型进行训练,神经网络训练好以后,生产前收集批次烟丝来料状态参数,对其进行归一化处理,处理后导入神经网络模型进行预测,对预测所得数据进行反归一化处理,得到卷烟机参数设置预测数值,卷烟机按预测参数设定后进行生产,对生产卷烟进行物理指标检测,若稳定性符合要求,则该批次烟丝来料状态参数和卷烟机参数设置情况纳入学习样本,神经网络进行再学习,本发明具有简单可行的特点,能够根据烟丝来料状态及时调整卷烟机参数,从而提高烟支物理指标稳定性,对卷烟过程控制具有重要指导意义。
一种基于来料状态的卷烟机参数设置预测系统,包括:数据采集模块、训练模块和预测模块;
数据采集模块,用于采集历史烟丝来料状态参数数据、对应批次卷烟机参数数据和对应批次物理指标稳定性数据,对来料状态参数数据进行预处理得到烟丝来料状态样本数据,将烟丝来料状态样本数据输出到训练模块;
其中,所述数据采集模块包括样本数据采集、样本筛选单元和样本数据预处理,所述样本数据采集用于采集历史烟丝来料状态参数数据、对应批次卷烟机参数数据和对应批次物理指标稳定性数据,所述样本筛选单元用于对历史烟丝来料状态参数数据进行筛选,根据采集的对应批次物理指标稳定性数据,剔除批次卷烟物理指标稳定性指标不符合要求的烟丝来料状态参数数据,得到符合要求的烟丝来料状态参数数据,所述样本数据预处理对符合要求的烟丝来料状态参数数据和对应批次卷烟机参数数据进预处理得到烟丝来料状态样本数据,将烟丝来料状态样本数据输入到训练模块;
训练模块,用于接收所述数据采集模块输入的烟丝来料状态样本数据,基于烟丝来料状态样本数据进行学习,得到神经网络预测模型;
其中,所述训练模块包括神经网络训练单元,所述神经网络训练单元用于基于对烟丝来料状态样本数据对神经网络模型进行训练,得到训练好的神经网络预测模型;
预测模块,用于在生产前采集批次烟丝来料状态参数数据,输入到根据所述训练模块得到神经网络预测模型,得到设置参数数据,对卷烟机参数进行设置,同时将符合卷烟物理指标稳定性指标的烟丝来料状态参数输入到所述训练模块中重新进行训练;
其中,所述预测模块包括来料状态采集单元、来料数据预处理单元、来料数据处理单元、卷烟机参数设置单元和判断单元,所述来料状态采集单元用于在生产前采集批次烟丝来料状态参数数据,所述来料数据处理单元用于对采集批次烟丝来料状态参数数据进行预处理,将处理完成的数据输入神经网络预测模型,神经网络预测模型根据输入的数据进行预测得到预测数据,所述来料数据处理单元对预测数据进行处理得到卷烟机设置参数,所述卷烟机参数设置单元根据卷烟机设置参数对卷烟机进行参数设置,所述判断单元对生产出来的卷烟的物理指标稳定性数据进行判断,将符合卷烟物理指标稳定性指标的烟丝来料状态参数输入到所述训练模块中重新进行训练。
进一步的,烟丝来料状态参数包括烟丝填充值数据、烟丝水分数据、烟丝长丝率数据、烟丝碎丝率数据和烟丝碎丝率数据。
进一步的,对应批次卷烟机参数数据包括风机正压数据、吸丝负压数据、针辊回丝量数据、过重剔除设定数据和过轻剔除设定数据。
进一步的,对应批次物理指标稳定性数据包括烟支重量标准偏差。
进一步的,所述神经网络训练单元为BP神经网络,所述神经网络训练单元的结构为三层,网络的隐含层数设置为一层,将烟丝填充值、烟丝水分、烟丝长丝率、烟丝中丝率、烟丝碎丝率作为神经网络的输入层,将风机正压、吸丝风压、针辊回丝量、过重剔除设定、过轻剔除设定作为神经网络的输出层,即输入层的神经元个数为5个,输出层的神经元个数为5个。
进一步的,对批次卷烟物理指标稳定性指标进行判断,当该批次烟支重量标准偏差≤21mg时,将对应批次的烟丝来料状态参数情况和卷烟机参数情况筛选出来得到样本数据。
进一步的,所述样本数据预处理和所述来料数据预处理单元对数据的处理方式为归一化处理,计算方式为:
其中,X-真实值;
Xmax-真实值的最大值;
Xmin-真实值的最小值;
X中-归一化后的值。
进一步的,所述来料数据处理单元的处理方式为反归一化处理。
第二方面,本发明实施例提供一种基于来料状态的卷烟机参数设置预测方法,包括以下步骤:
S1,收集历史数据,样本数据采集采集历史烟丝来料状态参数数据、对应批次卷烟机参数数据和对应批次物理指标稳定性数据;
S2,建立学习样本库,样本筛选单元对历史烟丝来料状态参数数据进行筛选,根据采集的对应批次物理指标稳定性数据进行对比判断,剔除批次卷烟物理指标稳定性指标不符合要求的烟丝来料状态参数数据,得到符合要求的烟丝来料状态参数数据;
S3,对学习样本库进行归一化处理,样本数据预处理对符合要求的烟丝来料状态参数数据和对应批次卷烟机参数数据进预处理得到烟丝来料状态样本数据,将烟丝来料状态样本数据输入到神经网络训练单元;
S4,建立神经网络模型并进行训练,神经网络训练单元基于对烟丝来料状态样本数据对神经网络模型进行训练,得到训练好的神经网络预测模型;
S5,采用预测模型进行卷烟机参数设置预测,来料状态采集单元在生产前采集批次烟丝来料状态参数数据,来料数据处理单元对采集批次烟丝来料状态参数数据进行预处理,将处理完成的数据输入神经网络预测模型,神经网络预测模型根据输入的数据进行预测得到预测数据,来料数据处理单元对预测数据进行处理得到卷烟机设置参数,卷烟机参数设置单元根据卷烟机设置参数对卷烟机进行参数设置,判断单元对生产出来的卷烟的物理指标稳定性数据进行判断,将符合卷烟物理指标稳定性指标的烟丝来料状态参数输入到训练模块中重新进行训练;
S6,预测效果验证,与对照设备进行预测效果验证。
本发明实施例提供的上述技术方案的有益效果至少包括:
本发明通过收集烟丝来料状态参数和对应批次卷烟机参数设置的历史数据,判定批次卷烟物理指标稳定性指标是否符合要求,对符合要求的所有数据进行汇总,建立学习样本库,样本库进行归一化处理后,对神经网络模型进行训练,神经网络训练好以后,生产前收集批次烟丝来料状态参数,对其进行归一化处理,处理后导入神经网络模型进行预测,对预测所得数据进行反归一化处理,得到卷烟机参数设置预测数值,卷烟机按预测参数设定后进行生产,对生产卷烟进行物理指标检测,若稳定性符合要求,则该批次烟丝来料状态参数和卷烟机参数设置情况纳入学习样本,神经网络进行再学习,本发明具有简单可行的特点,能够根据烟丝来料状态及时调整卷烟机参数,从而提高烟支物理指标稳定性,对卷烟过程控制具有重要指导意义。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例公开的基于来料状态的卷烟机参数设置预测系统结构示意图;
图2为本发明实施例公开的基于来料状态的卷烟机参数设置预测方法示意图;
图3为本发明实施例公开的卷烟机参数设置模型预测效果对比图。
附图标记:
100-数据采集模块;101-样本数据采集;102-样本筛选单元;103-样本数据预处理;200-训练模块;201-神经网络训练单元;300-预测模块;301-来料状态采集单元;302-来料数据预处理单元;303-来料数据处理单元;304-卷烟机参数设置单元;305-判断单元。
具体实施例
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
实施例一
如图1所示,本发明实施例提供一种基于来料状态的卷烟机参数设置预测系统,包括:数据采集模块100、训练模块200和预测模块300;
数据采集模块100,用于采集历史烟丝来料状态参数数据、对应批次卷烟机参数数据和对应批次物理指标稳定性数据,对来料状态参数数据进行预处理得到烟丝来料状态样本数据,将烟丝来料状态样本数据输出到训练模块200,烟丝来料状态参数包括烟丝填充值数据、烟丝水分数据、烟丝长丝率数据、烟丝碎丝率数据和烟丝碎丝率数据,对应批次卷烟机参数数据包括风机正压数据、吸丝负压数据、针辊回丝量数据、过重剔除设定数据和过轻剔除设定数据,对应批次物理指标稳定性数据包括烟支重量标准偏差,所述数据采集模块100包括样本数据采集101、样本筛选单元102和样本数据预处理103,所述样本数据采集101用于采集历史烟丝来料状态参数数据、对应批次卷烟机参数数据和对应批次物理指标稳定性数据,对批次卷烟物理指标稳定性指标进行判断,当该批次烟支重量标准偏差≤21mg时,将对应批次的烟丝来料状态参数情况和卷烟机参数情况筛选出来得到样本数据,所述样本筛选单元102用于对历史烟丝来料状态参数数据进行筛选,根据采集的对应批次物理指标稳定性数据,剔除批次卷烟物理指标稳定性指标不符合要求的烟丝来料状态参数数据,得到符合要求的烟丝来料状态参数数据,所述样本数据预处理103对符合要求的烟丝来料状态参数数据和对应批次卷烟机参数数据进预处理得到烟丝来料状态样本数据,将烟丝来料状态样本数据输入到训练模块200,所述样本数据预处理103和所述来料数据预处理单元302对数据的处理方式为归一化处理,计算方式为:
其中,X-真实值;
Xmax-真实值的最大值;
Xmin-真实值的最小值;
X中-归一化后的值。
具体的,样本数据采集101采集历史烟丝来料状态参数数据、对应批次卷烟机参数数据和对应批次物理指标稳定性数据,样本筛选单元102对历史烟丝来料状态参数数据进行筛选,根据采集的对应批次物理指标稳定性数据进行对比判断,当该批次烟支重量标准偏差≤21mg时,将对应批次的烟丝来料状态参数情况和卷烟机参数情况筛选出来,得到符合要求的烟丝来料状态参数数据,样本中含有水分、填充值等不同的物理量,且数值差别很大,样本数据没有可比性,严重影响模型的收敛可靠性及收敛速度,所以在进行训练之前,进行归一化处理,样本数据预处理103对符合要求的烟丝来料状态参数数据和对应批次卷烟机参数数据进预处理得到烟丝来料状态样本数据,将烟丝来料状态样本数据输入到神经网络训练单元201。
训练模块200,用于接收所述数据采集模块100输入的烟丝来料状态样本数据,基于烟丝来料状态样本数据进行学习,得到神经网络预测模型,所述训练模块200包括神经网络训练单元201,所述神经网络训练单元201用,对烟丝来料状态样本数据对神经网络模型进行训练,得到训练好的神经网络预测模型,所述神经网络训练单元201为BP神经网络,所述神经网络训练单元201的结构为三层,网络的隐含层数设置为一层,将烟丝填充值、烟丝水分、烟丝长丝率、烟丝中丝率、烟丝碎丝率作为神经网络的输入层,将风机正压、吸丝风压、针辊回丝量、过重剔除设定、过轻剔除设定作为神经网络的输出层,即输入层的神经元个数为5个,输出层的神经元个数为5个;
具体的,神经网络训练单元201利用Matlab编制BP神经网络模型,根据烟丝来料状态样本数据,将烟丝填充值、烟丝水分、烟丝长丝率、烟丝中丝率、烟丝碎丝率作为神经网络的输入层,将风机正压、吸丝风压、针辊回丝量、过重剔除设定、过轻剔除设定作为神经网络的输出层,进行训练学习,得到训练完成的神经网络预测模型。
预测模块300,用于在生产前采集批次烟丝来料状态参数数据,输入到根据所述训练模块200得到神经网络预测模型,得到设置参数数据,对卷烟机参数进行设置,同时将符合卷烟物理指标稳定性指标的烟丝来料状态参数输入到所述训练模块200中重新进行训练,所述预测模块300包括来料状态采集单元301、来料数据预处理单元302、来料数据处理单元303、卷烟机参数设置单元304和判断单元305,所述来料状态采集单元301用于在生产前采集批次烟丝来料状态参数数据,所述来料数据处理单元303用于对采集批次烟丝来料状态参数数据进行预处理,将处理完成的数据输入神经网络预测模型,神经网络预测模型根据输入的数据进行预测得到预测数据,所述来料数据处理单元303对预测数据进行处理得到卷烟机设置参数,所述来料数据处理单元303的处理方式为反归一化处理,所述卷烟机参数设置单元304根据卷烟机设置参数对卷烟机进行参数设置,所述判断单元305对生产出来的卷烟的物理指标稳定性数据进行判断,将符合卷烟物理指标稳定性指标的烟丝来料状态参数输入到所述训练模块200中重新进行训练。
本发明通过收集烟丝来料状态参数和对应批次卷烟机参数设置的历史数据,判定批次卷烟物理指标稳定性指标是否符合要求,对符合要求的所有数据进行汇总,建立学习样本库,样本库进行归一化处理后,对神经网络模型进行训练,神经网络训练好以后,生产前收集批次烟丝来料状态参数,对其进行归一化处理,处理后导入神经网络模型进行预测,对预测所得数据进行反归一化处理,得到卷烟机参数设置预测数值,卷烟机按预测参数设定后进行生产,对生产卷烟进行物理指标检测,若稳定性符合要求,则该批次烟丝来料状态参数和卷烟机参数设置情况纳入学习样本,神经网络进行再学习,本发明具有简单可行的特点,能够根据烟丝来料状态及时调整卷烟机参数,从而提高烟支物理指标稳定性,对卷烟过程控制具有重要指导意义。
实施例二
本发明实施例还公开了一种基于来料状态的卷烟机参数设置预测方法,如图2,包括以下步骤:
S1,收集历史数据,样本数据采集101采集历史烟丝来料状态参数数据、对应批次卷烟机参数数据和对应批次物理指标稳定性数据;
具体的,收集烟丝来料状态参数情况,包括烟丝填充值、烟丝水分、烟丝长丝率、烟丝碎丝率、烟丝碎丝率;
收集对应批次卷烟机参数情况,包括风机正压、吸丝负压、针辊回丝量、过重剔除设定、过轻剔除设定;
收集对应批次物理指标稳定性情况,包括烟支重量标准偏差;
S2,建立学习样本库,样本筛选单元102对历史烟丝来料状态参数数据进行筛选,根据采集的对应批次物理指标稳定性数据进行对比判断,剔除批次卷烟物理指标稳定性指标不符合要求的烟丝来料状态参数数据,得到符合要求的烟丝来料状态参数数据;
具体的,对批次卷烟物理指标稳定性指标进行判断,当该批次烟支重量标准偏差≤21mg时,将对应批次的烟丝来料状态参数情况和卷烟机参数情况纳入样本数据;
S3,对学习样本库进行归一化处理,样本数据预处理103对符合要求的烟丝来料状态参数数据和对应批次卷烟机参数数据进预处理得到烟丝来料状态样本数据,将烟丝来料状态样本数据输入到神经网络训练单元201,样本中含有水分、填充值等不同的物理量,且数值差别很大,样本数据没有可比性,严重影响模型的收敛可靠性及收敛速度,所以在进行训练之前行归一化处理;
S4,建立神经网络模型并进行训练,神经网络训练单元201基于对烟丝来料状态样本数据对神经网络模型进行训练,得到训练好的神经网络预测模型;
具体的,为简化网络并降低训练网络权值的时间,网络结构定为三层,即网络的隐含层数设置为一层。将烟丝填充值、烟丝水分、烟丝长丝率、烟丝中丝率、烟丝碎丝率作为神经网络的输入层,以风机正压、吸丝风压、针辊回丝量、过重剔除设定、过轻剔除设定作为神经网络的输出层,即:输入层的神经元个数为5个,输出层的神经元个数为5个,依靠经验和试凑,确定网络参数,最终确定了卷烟机参数设置预测神经网络模型,如表1所示。根据建立的神经网络模型,利用Matlab编制BP神经网络程序,并导入学习样本进行训练;
表1,卷烟机参数设置预测神经网络模型:
S5,采用预测模型进行卷烟机参数设置预测,来料状态采集单元301在生产前采集批次烟丝来料状态参数数据,来料数据处理单元303对采集批次烟丝来料状态参数数据进行预处理,将处理完成的数据输入神经网络预测模型,神经网络预测模型根据输入的数据进行预测得到预测数据,来料数据处理单元303对预测数据进行处理得到卷烟机设置参数,卷烟机参数设置单元304根据卷烟机设置参数对卷烟机进行参数设置,判断单元305对生产出来的卷烟的物理指标稳定性数据进行判断,将符合卷烟物理指标稳定性指标的烟丝来料状态参数输入到训练模块200中重新进行训练;
具体的,神经网络训练好以后,生产前收集批次烟丝来料状态参数,对其进行归一化处理,处理后导入神经网络模型进行预测,对预测所得数据进行反归一化处理,得到卷烟机参数设置预测数值。利用该模型对16批次的卷烟机参数设置进行预测,如表2所示,卷烟机按预测参数设定后进行生产,对生产卷烟进行物理指标检测,若稳定性符合要求,则该批次烟丝来料状态参数和卷烟机参数设置情况纳入学习样本,神经网络进行再学习;
表2,卷烟机参数设置预测神经网络模型:
S6,预测效果验证,与对照设备进行预测效果验证,如附图3所示。
本发明通过收集烟丝来料状态参数和对应批次卷烟机参数设置的历史数据,判定批次卷烟物理指标稳定性指标是否符合要求,对符合要求的所有数据进行汇总,建立学习样本库,样本库进行归一化处理后,对神经网络模型进行训练,神经网络训练好以后,生产前收集批次烟丝来料状态参数,对其进行归一化处理,处理后导入神经网络模型进行预测,对预测所得数据进行反归一化处理,得到卷烟机参数设置预测数值,卷烟机按预测参数设定后进行生产,对生产卷烟进行物理指标检测,若稳定性符合要求,则该批次烟丝来料状态参数和卷烟机参数设置情况纳入学习样本,神经网络进行再学习,本发明具有简单可行的特点,能够根据烟丝来料状态及时调整卷烟机参数,从而提高烟支物理指标稳定性,对卷烟过程控制具有重要指导意义。
应该明白,公开的过程中的步骤的特定顺序或层次是示例性方法的实例。基于设计偏好,应该理解,过程中的步骤的特定顺序或层次可以在不脱离本公开的保护范围的情况下得到重新安排。所附的方法权利要求以示例性的顺序给出了各种步骤的要素,并且不是要限于所述的特定顺序或层次。
在上述的详细描述中,各种特征一起组合在单个的实施方案中,以简化本公开。不应该将这种公开方法解释为反映了这样的意图,即,所要求保护的主题的实施方案需要清楚地在每个权利要求中所陈述的特征更多的特征。相反,如所附的权利要求书所反映的那样,本发明处于比所公开的单个实施方案的全部特征少的状态。因此,所附的权利要求书特此清楚地被并入详细描述中,其中每项权利要求独自作为本发明单独的优选实施方案。
本领域技术人员还应当理解,结合本文的实施例描述的各种说明性的逻辑框、模块、电路和算法步骤均可以实现成电子硬件、计算机软件或其组合。为了清楚地说明硬件和软件之间的可交换性,上面对各种说明性的部件、框、模块、电路和步骤均围绕其功能进行了一般地描述。至于这种功能是实现成硬件还是实现成软件,取决于特定的应用和对整个系统所施加的设计约束条件。熟练的技术人员可以针对每个特定应用,以变通的方式实现所描述的功能,但是,这种实现决策不应解释为背离本公开的保护范围。
结合本文的实施例所描述的方法或者算法的步骤可直接体现为硬件、由处理器执行的软件模块或其组合。软件模块可以位于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、移动磁盘、CD-ROM或者本领域熟知的任何其它形式的存储介质中。一种示例性的存储介质连接至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息。当然,存储介质也可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。该ASIC可以位于用户终端中。当然,处理器和存储介质也可以作为分立组件存在于用户终端中。
对于软件实现,本申请中描述的技术可用执行本申请所述功能的模块(例如,过程、函数等)来实现。这些软件代码可以存储在存储器单元并由处理器执行。存储器单元可以实现在处理器内,也可以实现在处理器外,在后一种情况下,它经由各种手段以通信方式耦合到处理器,这些都是本领域中所公知的。
上文的描述包括一个或多个实施例的举例。当然,为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的,但是本领域普通技术人员应该认识到,各个实施例可以做进一步的组合和排列。因此,本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外,就说明书或权利要求书中使用的术语“包含”,该词的涵盖方式类似于术语“包括”,就如同“包括,”在权利要求中用作衔接词所解释的那样。此外,使用在权利要求书的说明书中的任何一个术语“或者”是要表示“非排它性的或者”。
Claims (9)
1.一种基于来料状态的卷烟机参数设置预测系统,其特征在于,包括:数据采集模块、训练模块和预测模块;
数据采集模块,用于采集历史烟丝来料状态参数数据、对应批次卷烟机参数数据和对应批次物理指标稳定性数据,对来料状态参数数据进行预处理得到烟丝来料状态样本数据,将烟丝来料状态样本数据输出到训练模块;
其中,所述数据采集模块包括样本数据采集、样本筛选单元和样本数据预处理,所述样本数据采集用于采集历史烟丝来料状态参数数据、对应批次卷烟机参数数据和对应批次物理指标稳定性数据,所述样本筛选单元用于对历史烟丝来料状态参数数据进行筛选,根据采集的对应批次物理指标稳定性数据,剔除批次卷烟物理指标稳定性指标不符合要求的烟丝来料状态参数数据,得到符合要求的烟丝来料状态参数数据,所述样本数据预处理对符合要求的烟丝来料状态参数数据和对应批次卷烟机参数数据进预处理得到烟丝来料状态样本数据,将烟丝来料状态样本数据输入到训练模块;
训练模块,用于接收所述数据采集模块输入的烟丝来料状态样本数据,基于烟丝来料状态样本数据进行学习,得到神经网络预测模型;
其中,所述训练模块包括神经网络训练单元,所述神经网络训练单元用于基于对烟丝来料状态样本数据对神经网络模型进行训练,得到训练好的神经网络预测模型;
预测模块,用于在生产前采集批次烟丝来料状态参数数据,输入到根据所述训练模块得到神经网络预测模型,得到设置参数数据,对卷烟机参数进行设置,同时将符合卷烟物理指标稳定性指标的烟丝来料状态参数输入到所述训练模块中重新进行训练;
其中,所述预测模块包括来料状态采集单元、来料数据预处理单元、来料数据处理单元、卷烟机参数设置单元和判断单元,所述来料状态采集单元用于在生产前采集批次烟丝来料状态参数数据,所述来料数据处理单元用于对采集批次烟丝来料状态参数数据进行预处理,将处理完成的数据输入神经网络预测模型,神经网络预测模型根据输入的数据进行预测得到预测数据,所述来料数据处理单元对预测数据进行处理得到卷烟机设置参数,所述卷烟机参数设置单元根据卷烟机设置参数对卷烟机进行参数设置,所述判断单元对生产出来的卷烟的物理指标稳定性数据进行判断,将符合卷烟物理指标稳定性指标的烟丝来料状态参数输入到所述训练模块中重新进行训练。
2.如权利要求1所述的一种基于来料状态的卷烟机参数设置预测系统,其特征在于,烟丝来料状态参数包括烟丝填充值数据、烟丝水分数据、烟丝长丝率数据、烟丝碎丝率数据和烟丝碎丝率数据。
3.如权利要求1所述的一种基于来料状态的卷烟机参数设置预测系统,其特征在于,对应批次卷烟机参数数据包括风机正压数据、吸丝负压数据、针辊回丝量数据、过重剔除设定数据和过轻剔除设定数据。
4.如权利要求1所述的一种基于来料状态的卷烟机参数设置预测系统,其特征在于,对应批次物理指标稳定性数据包括烟支重量标准偏差。
5.如权利要求1所述的一种基于来料状态的卷烟机参数设置预测系统,其特征在于,所述神经网络训练单元为BP神经网络,所述神经网络训练单元的结构为三层,网络的隐含层数设置为一层,将烟丝填充值、烟丝水分、烟丝长丝率、烟丝中丝率、烟丝碎丝率作为神经网络的输入层,将风机正压、吸丝风压、针辊回丝量、过重剔除设定、过轻剔除设定作为神经网络的输出层,即输入层的神经元个数为5个,输出层的神经元个数为5个。
6.如权利要求1所述的一种基于来料状态的卷烟机参数设置预测系统,其特征在于,对批次卷烟物理指标稳定性指标进行判断,当该批次烟支重量标准偏差≤21mg时,将对应批次的烟丝来料状态参数情况和卷烟机参数情况筛选出来得到样本数据。
8.如权利要求1所述的一种基于来料状态的卷烟机参数设置预测系统,其特征在于,所述来料数据处理单元的处理方式为反归一化处理。
9.一种基于来料状态的卷烟机参数设置预测方法,应用于如权利要求1-8所述的一种基于来料状态的卷烟机参数设置预测系统,其特征在于,包括以下步骤:
S1,收集历史数据,样本数据采集采集历史烟丝来料状态参数数据、对应批次卷烟机参数数据和对应批次物理指标稳定性数据;
S2,建立学习样本库,样本筛选单元对历史烟丝来料状态参数数据进行筛选,根据采集的对应批次物理指标稳定性数据进行对比判断,剔除批次卷烟物理指标稳定性指标不符合要求的烟丝来料状态参数数据,得到符合要求的烟丝来料状态参数数据;
S3,对学习样本库进行归一化处理,样本数据预处理对符合要求的烟丝来料状态参数数据和对应批次卷烟机参数数据进预处理得到烟丝来料状态样本数据,将烟丝来料状态样本数据输入到神经网络训练单元;
S4,建立神经网络模型并进行训练,神经网络训练单元基于对烟丝来料状态样本数据对神经网络模型进行训练,得到训练好的神经网络预测模型;
S5,采用预测模型进行卷烟机参数设置预测,来料状态采集单元在生产前采集批次烟丝来料状态参数数据,来料数据处理单元对采集批次烟丝来料状态参数数据进行预处理,将处理完成的数据输入神经网络预测模型,神经网络预测模型根据输入的数据进行预测得到预测数据,来料数据处理单元对预测数据进行处理得到卷烟机设置参数,卷烟机参数设置单元根据卷烟机设置参数对卷烟机进行参数设置,判断单元对生产出来的卷烟的物理指标稳定性数据进行判断,将符合卷烟物理指标稳定性指标的烟丝来料状态参数输入到训练模块中重新进行训练;
S6,预测效果验证,与对照设备进行预测效果验证。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011379256.XA CN112486123B (zh) | 2020-11-30 | 2020-11-30 | 一种基于来料状态的卷烟机参数设置预测系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011379256.XA CN112486123B (zh) | 2020-11-30 | 2020-11-30 | 一种基于来料状态的卷烟机参数设置预测系统和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112486123A true CN112486123A (zh) | 2021-03-12 |
CN112486123B CN112486123B (zh) | 2022-04-08 |
Family
ID=74937880
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011379256.XA Active CN112486123B (zh) | 2020-11-30 | 2020-11-30 | 一种基于来料状态的卷烟机参数设置预测系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112486123B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113892672A (zh) * | 2021-09-30 | 2022-01-07 | 山东中烟工业有限责任公司 | 一种基于来料状态的滚筒烘丝机参数设置控制方法和系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105759764A (zh) * | 2016-04-08 | 2016-07-13 | 浙江中烟工业有限责任公司 | 一种卷烟生产工艺参数控制系统及其控制方法 |
CN107153104A (zh) * | 2017-05-10 | 2017-09-12 | 浙江中烟工业有限责任公司 | 一种通过卷烟机运行参数表征烟丝填充值的方法 |
CN108323788A (zh) * | 2018-01-15 | 2018-07-27 | 河南中烟工业有限责任公司 | 一种提高细支烟卷制质量稳定性的方法 |
JP2018534931A (ja) * | 2015-10-28 | 2018-11-29 | フィリップ・モーリス・プロダクツ・ソシエテ・アノニム | 製造機−包装機グループの動作の適応制御方法 |
CN109222208A (zh) * | 2018-10-30 | 2019-01-18 | 杭州安脉盛智能技术有限公司 | 面向卷烟生产指标控制的制丝工艺分析优化方法及系统 |
CN109858714A (zh) * | 2019-04-03 | 2019-06-07 | 杭州安脉盛智能技术有限公司 | 基于改进神经网络的烟丝质检指标预测方法、装置及系统 |
CN110876484A (zh) * | 2019-12-06 | 2020-03-13 | 河南中烟工业有限责任公司 | 一种控制卷烟机卷烟质量一致性的方法 |
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
- 2020-11-30 CN CN202011379256.XA patent/CN112486123B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018534931A (ja) * | 2015-10-28 | 2018-11-29 | フィリップ・モーリス・プロダクツ・ソシエテ・アノニム | 製造機−包装機グループの動作の適応制御方法 |
CN105759764A (zh) * | 2016-04-08 | 2016-07-13 | 浙江中烟工业有限责任公司 | 一种卷烟生产工艺参数控制系统及其控制方法 |
CN107153104A (zh) * | 2017-05-10 | 2017-09-12 | 浙江中烟工业有限责任公司 | 一种通过卷烟机运行参数表征烟丝填充值的方法 |
CN108323788A (zh) * | 2018-01-15 | 2018-07-27 | 河南中烟工业有限责任公司 | 一种提高细支烟卷制质量稳定性的方法 |
CN109222208A (zh) * | 2018-10-30 | 2019-01-18 | 杭州安脉盛智能技术有限公司 | 面向卷烟生产指标控制的制丝工艺分析优化方法及系统 |
CN109858714A (zh) * | 2019-04-03 | 2019-06-07 | 杭州安脉盛智能技术有限公司 | 基于改进神经网络的烟丝质检指标预测方法、装置及系统 |
CN110876484A (zh) * | 2019-12-06 | 2020-03-13 | 河南中烟工业有限责任公司 | 一种控制卷烟机卷烟质量一致性的方法 |
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 (3)
Title |
---|
刘杰 等: "卷烟机VE供丝部的有关工艺参数对卷烟质量稳定度的影响", 《中国烟草科学》 * |
周凯敏 等: "卷烟机参数对细支烟卷制的影响", 《食品与机械》 * |
陆玉浩 等: "基于神经网络的烟丝填充值预测模型研究", 《中国烟草科学》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113892672A (zh) * | 2021-09-30 | 2022-01-07 | 山东中烟工业有限责任公司 | 一种基于来料状态的滚筒烘丝机参数设置控制方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112486123B (zh) | 2022-04-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107584334B (zh) | 一种基于深度学习的复杂结构件数控加工刀具状态实时监测方法 | |
CN108595913B (zh) | 鉴别mRNA和lncRNA的有监督学习方法 | |
CN112486123B (zh) | 一种基于来料状态的卷烟机参数设置预测系统和方法 | |
CN112121250A (zh) | 用于血液透析的脱水量预测方法与使用该方法的电子装置 | |
CN108133391A (zh) | 销量预测方法以及服务器 | |
CN107843745A (zh) | 风力发电机组的风速仪的故障诊断方法和装置、存储介质 | |
CN102054179A (zh) | 一种旋转机械在线状态监测与故障诊断装置及方法 | |
CN110175697A (zh) | 一种不良事件风险预测系统及方法 | |
CN109858714B (zh) | 基于改进神经网络的烟丝质检指标预测方法、装置及系统 | |
CN111665066B (zh) | 基于卷积神经网络的设备故障自适应上下预警界生成方法 | |
CN111915418A (zh) | 一种互联网金融欺诈行为在线检测方法及其装置 | |
CN105572492B (zh) | 一种城轨列车辅助逆变器故障诊断装置 | |
CN110954326A (zh) | 一种自动学习特征表达的滚动轴承在线故障诊断方法 | |
CN110333074A (zh) | 基于卷积神经网络的多测点传动机构故障诊断方法和系统 | |
CN108877924A (zh) | 一种哮喘概率的确定方法及装置 | |
CN111899869A (zh) | 一种抑郁症患者识别系统及其识别方法 | |
CN108053885A (zh) | 一种出血转化预测系统 | |
CN115270867A (zh) | 一种燃气轮机转子系统改进dqn故障诊断方法及系统 | |
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 | |
CN111243662A (zh) | 基于改进XGBoost的泛癌症基因通路预测方法、系统和存储介质 | |
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 | |
CN114237427B (zh) | 一种高灵敏度触控压力检测方法及系统 | |
CN115099457A (zh) | 烟丝结构在线预测分析系统 | |
CN113951868B (zh) | 机械通气患者人机不同步检测方法及装置 | |
CN113936795A (zh) | 一种老年肺癌发病危险因素定量分析方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |