CN112931919A - 烟丝含水率控制方法和装置 - Google Patents

烟丝含水率控制方法和装置 Download PDF

Info

Publication number
CN112931919A
CN112931919A CN202110142480.5A CN202110142480A CN112931919A CN 112931919 A CN112931919 A CN 112931919A CN 202110142480 A CN202110142480 A CN 202110142480A CN 112931919 A CN112931919 A CN 112931919A
Authority
CN
China
Prior art keywords
working condition
cut tobacco
batch
moisture content
historical production
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
Application number
CN202110142480.5A
Other languages
English (en)
Other versions
CN112931919B (zh
Inventor
郑松潘
曹琦
江琳
廖颖洁
张小杭
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.)
Longyan Tobacco Industry Co Ltd
Original Assignee
Longyan Tobacco Industry 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 Longyan Tobacco Industry Co Ltd filed Critical Longyan Tobacco Industry Co Ltd
Priority to CN202110142480.5A priority Critical patent/CN112931919B/zh
Publication of CN112931919A publication Critical patent/CN112931919A/zh
Application granted granted Critical
Publication of CN112931919B publication Critical patent/CN112931919B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • A24B3/00—Preparing tobacco in the factory
    • A24B3/06—Loosening tobacco leaves 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
    • A24B3/00—Preparing tobacco in the factory
    • A24B3/10—Roasting or cooling 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
    • A24B3/00—Preparing tobacco in the factory
    • A24B3/12—Steaming, curing, or flavouring tobacco
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Manufacture Of Tobacco Products (AREA)

Abstract

本公开提出一种烟丝含水率控制方法和装置，涉及卷烟工业制丝生产管理领域。基于多个历史生产批次，挖掘烘丝前烟丝含水率以及对应的非可控工况信息和可控工况信息之间的关联规则，并构建知识库，从知识库中查找与待生产批次的非可控工况信息相似度比较高、且与待生产批次的烘丝前烟丝含水率标准值比较接近的关联规则，并将查找到的知识库中的关联规则的可控工况信息，作为待生产批次的可控工况信息的推荐信息，以便待生产批次基于可控工况信息的推荐信息进行烘丝前烟丝含水率控制。从而，提升烘丝前烟丝含水率的合格率和稳定性。

Description

烟丝含水率控制方法和装置
技术领域
本公开涉及卷烟工业制丝生产管理领域，特别涉及一种烟丝含水率控制方法和装置。
背景技术
在卷烟工业制丝环节，烟丝的含水率是评价烟丝质量最重要的参数之一。制丝主要生产环节包括：松散回潮-润叶加料-切丝烘丝-加香-装箱，其中对烟丝含水率有较大影响的工序主要是松散回潮和烘丝，前者对烟叶进行加水回潮，后者对烟丝进行烘干，但在两道工序之间生产线较长且烟丝需入柜存储，烟丝的含水率在车间环境和不同工况的影响下存在较大波动，无法保证烟丝在烘丝入口处的烘丝前烟丝含水率达到工艺要求。
目前车间工艺员通过对未来车间环境和工况的经验预估，来调整松散回潮时的加水比例，以此实现在烘丝入口处的烘丝前烟丝含水率接近工艺标准值。然而，这种经验性工艺控制方法，造成烘丝前烟丝含水率的合格率和稳定性比较差，难以满足企业对生产质量的要求。
发明内容
本公开实施例所要解决的一个技术问题是：提升烘丝前烟丝含水率的合格率和稳定性。
本公开一些实施例提出一种烟丝含水率控制方法，包括：
获取待生产批次的已知的非可控工况信息和烘丝前烟丝含水率标准值；
根据待生产批次的已知的非可控工况信息和烘丝前烟丝含水率标准值，从知识库中查找与待生产批次的非可控工况信息相似度高于预设相似阈值、且与待生产批次的烘丝前烟丝含水率标准值的接近程度大于预设接近阈值的关联规则，其中，知识库基于多个历史生产批次构建，知识库中的每条关联规则包括烘丝前烟丝含水率以及对应的非可控工况信息和可控工况信息；
将查找到的知识库中的关联规则的可控工况信息，作为待生产批次的可控工况信息的推荐信息，以便待生产批次基于可控工况信息的推荐信息进行烘丝前烟丝含水率控制。
在一些实施例中，基于多个历史生产批次构建知识库包括：
根据多个历史生产批次确定每个历史生产批次的频繁工况项，每个历史生产批次的频繁工况项包括烘丝前烟丝含水率、非可控工况、可控工况中的一项或多项；
根据所有历史生产批次的频繁工况项，构建频繁模式树；
基于频繁模式树，确定满足预设置信度阈值要求的一条或多条关联规则。
在一些实施例中，根据多个历史生产批次确定每个历史生产批次的频繁工况项包括：
对所有历史生产批次的所有工况项进行扫描；
计算每个历史生产批次的每个工况项在所有历史生产批次的所有工况项中出现的频繁程度，并作为该工况项的支持度；
将每个历史生产批次中的支持度满足预设支持度阈值要求的工况项确定为该历史生产批次的频繁工况项。
在一些实施例中，根据所有历史生产批次的频繁工况项，构建频繁模式树包括：
将每个历史生产批次作为频繁模式树的一个分支，
将任一历史生产批次的各个频繁工况项作为该历史生产批次相应分支上的各个节点；
每个频繁工况项在所有历史生产批次中每出现一次，该频繁工况项相应节点的计数值增加一。
在一些实施例中，基于频繁模式树，确定满足预设置信度阈值要求的一条或多条关联规则包括：
将频繁模式树的各个分支中的满足预设置信度阈值要求且彼此连接的多个节点确定为一条关联规则；
根据节点相应的频繁工况项，从关联规则中筛选出包括烘丝前烟丝含水率、非可控工况和可控工况的关联规则。
在一些实施例中，从知识库中查找关联规则包括：从知识库中查找与待生产批次的烘丝前烟丝含水率标准值最接近、且与待生产批次的非可控工况信息相似度高于预设相似阈值的关联规则。
在一些实施例中，可控工况信息包括：加水比例、蒸汽比例中的一项或多项。
在一些实施例中，非可控工况信息包括：松散环境温度、松散环境湿度、生产时长、贮叶时长中的一项或多项。
本公开一些实施例提出一种烟丝含水率控制装置，包括：
存储器；以及
耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器中的指令，执行各个实施例的烟丝含水率控制方法。
本公开一些实施例提出一种烟丝含水率控制装置，包括：
获取模块，被配置为获取待生产批次的已知的非可控工况信息和烘丝前烟丝含水率标准值；
查找模块，被配置为根据待生产批次的已知的非可控工况信息和烘丝前烟丝含水率标准值，从知识库中查找与待生产批次的非可控工况信息相似度高于预设相似阈值、且与待生产批次的烘丝前烟丝含水率标准值的接近程度大于预设接近阈值的关联规则，其中，知识库基于多个历史生产批次构建，知识库中的每条关联规则包括烘丝前烟丝含水率以及对应的非可控工况信息和可控工况信息；
控制模块，被配置为将查找到的知识库中的关联规则的可控工况信息，作为待生产批次的可控工况信息的推荐信息，以便待生产批次基于可控工况信息的推荐信息进行烘丝前烟丝含水率控制。
在一些实施例中，烟丝含水率控制装置还包括：知识库构建模块，被配置为：
根据多个历史生产批次确定每个历史生产批次的频繁工况项，每个历史生产批次的频繁工况项包括烘丝前烟丝含水率、非可控工况、可控工况中的一项或多项；
根据所有历史生产批次的频繁工况项，构建频繁模式树；
基于频繁模式树，确定满足预设置信度阈值要求的一条或多条关联规则。
在一些实施例中，所述查找模块，被配置为从知识库中查找与待生产批次的烘丝前烟丝含水率标准值最接近、且与待生产批次的非可控工况信息相似度高于预设相似阈值的关联规则。
在一些实施例中，可控工况信息包括：加水比例、蒸汽比例中的一项或多项。
在一些实施例中，非可控工况信息包括：松散环境温度、松散环境湿度、生产时长、贮叶时长中的一项或多项。
本公开一些实施例提出一种非瞬时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现权利要求1-8中任一项所述的烟丝含水率控制方法的步骤。
本公开实施例基于多个历史生产批次，挖掘烘丝前烟丝含水率以及对应的非可控工况信息和可控工况信息之间的关联规则，并构建知识库，从知识库中查找与待生产批次的非可控工况信息相似度比较高、且与待生产批次的烘丝前烟丝含水率标准值比较接近的关联规则，并将查找到的知识库中的关联规则的可控工况信息，作为待生产批次的可控工况信息的推荐信息，以便待生产批次基于可控工况信息的推荐信息进行烘丝前烟丝含水率控制。从而，提升烘丝前烟丝含水率的合格率和稳定性。
附图说明
下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍。根据下面参照附图的详细描述，可以更加清楚地理解本公开。
显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1示出本公开一些实施例的烟丝含水率控制方法的流程示意图。
图2示出本公开一些实施例的构建知识库的流程示意图。
图3a-3d示出本公开一些实施例的各次扫描后得到的频繁模式树的示意图。
图4为本公开一些实施例的烟丝含水率控制装置的结构示意图。
图5为本公开一些实施例的烟丝含水率控制装置的结构示意图。
具体实施方式
下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述。
除非特别说明，否则，本公开中的“第一”“第二”等描述用来区分不同的对象，并不用来表示大小或时序等含义。
图1示出本公开一些实施例的烟丝含水率控制方法的流程示意图。
如图1所示，该实施例的方法包括：步骤110-140。
在步骤110，基于多个历史生产批次构建知识库。
基于关联分析方法FP-growth(Frequent Pattern growth，频繁模式生长)进行关联规则的挖掘，构建批次的各个关键工况之间，以及各工况与烟丝含水率之间的关联关系，形成知识库。知识库中的每条关联规则包括烘丝前烟丝含水率以及对应的非可控工况信息和可控工况信息。
除非特别说明，否则，本公开各实施例中的可控工况信息包括：加水比例、蒸汽比例中的一项或多项。
除非特别说明，否则，本公开各实施例中的非可控工况信息包括：松散环境温度、松散环境湿度、生产时长、贮叶时长中的一项或多项。
其中，烘丝前烟丝含水率也属于一项工况，是希望达到的目的工况，希望达到的目的工况是可配置的。
图2示出本公开一些实施例的构建知识库的流程示意图。
如图2所示，步骤110基于多个历史生产批次构建知识库包括：步骤111-113。
在步骤111，根据多个历史生产批次确定每个历史生产批次的频繁工况项，每个历史生产批次的频繁工况项包括烘丝前烟丝含水率、非可控工况、可控工况中的一项或多项。
通常关联规则表达式形如“X→Y”，如“松散加水比例为5.6(X)时→烘丝入口含水率为19.5(Y)”，则可以认为是一个简单的两种工况属性之间的关联规则。当然，在实际生产环境下，工况属性之间的关系不会这么简单直接，而是不同工况关系相互作用、相互关联而产生不同的生产结果，因此，本公开实施例通过挖掘历史生产批次及各工况之间复杂的关联规则进行关系抽取。
在关联分析中，支持度(s)表示某个事务X在给定所有批次数据集中出现的频繁程度，置信度(c)表示在出现事务X的前提下同时含有事务Y的频繁程度，其具体定义分别如下：
Figure BDA0002929636390000061
Figure BDA0002929636390000062
其中，N是所有批次内所有工况事务的总数。σ(X)表示事务X出现的次数。σ(X∪Y)表示事务X和事务Y同时出现的次数。在本公开实施例中，这些事务是各种工况项。
若某个事务X的支持度较低，则说明事务X出现的概率较低，实际意义不大。置信度可以度量其事务推理的可靠性。关系抽取的主要工作是构建满足最小支持度阈值的频繁项集，和从频繁项集中提取高置信度的关联规则。
在此之前，因为工况参数基本是连续的线性数值，如环境温度20℃与20.1℃之间的0.1℃差异在实际生产中可以忽略不记的，而在FP-growth扫描事务数据库时则认为其是两种数据项，会给初始算法构建增加大量计算负担。为避免该情况的发生，对所有工况属性的集合T进行数据项的初始化，即给所有工况进行阶段划分，如温度19.5℃-20.5℃均划分入温度20℃的初始事务集内，一种划分示例如表1所示。
表1工况属性阶段划分
工况描述 最小值 最大值 划分步长
加水/蒸汽/加料比例 0 50 ±0.1
温度 0 50 ±0.5
湿度 0 100 ±1
物料流量 0 3000 ±50
生产/贮叶时长 0 1000 ±5
烟丝含水率 8 29 ±0.1
划分好工况数据后，即可对工况集合T按批次进行事务数据库(即，工况数据库)的构建，如表2所示。
表2事务数据库示例
Figure BDA0002929636390000071
步骤111根据多个历史生产批次确定每个历史生产批次的频繁工况项包括：针对事务数据库，对所有历史生产批次的所有工况项进行扫描；计算每个历史生产批次的每个工况项在所有历史生产批次的所有工况项中出现的频繁程度，并作为该工况项的支持度；按支持度进行排序，剔除不满足预设支持度阈值要求的工况项，将每个历史生产批次中的支持度满足预设支持度阈值要求的工况项确定为该历史生产批次的频繁工况项。
在步骤112，根据所有历史生产批次的频繁工况项，构建频繁模式树。
步骤112根据所有历史生产批次的频繁工况项，构建频繁模式树包括：将每个历史生产批次作为频繁模式树的一个分支，将任一历史生产批次的各个频繁工况项作为该历史生产批次相应分支上的各个节点；每个频繁工况项在所有历史生产批次中每出现一次，该频繁工况项相应节点的计数值增加一。
构建频繁模式树例如包括：
1)创建tree根节点root，标记为null。
2)前面已经得到每个历史生产批次的按支持度进行排序的频繁工况项，将各个频繁工况项逐一插入树节点。
假设事务数据库中有5个历史生产批次，第一个历史生产批次的按支持度进行排序的频繁工况项假设为b、a、d，第二个历史生产批次的按支持度进行排序的频繁工况项假设为b、c、d，第三个历史生产批次的按支持度进行排序的频繁工况项假设为b、a，第四个历史生产批次的按支持度进行排序的频繁工况项假设为b、a、c，第五个历史生产批次的按支持度进行排序的频繁工况项假设为b、c、d。其中，a、b、c、d分别表示如“加水比例：5.6”、“蒸汽比例：3.0”等工况项，初始计数为0。
在扫描所有批次的工况项后，对前缀一致的工况项进行计数加1，不一致，则新增一个节点。例如：扫描第一个历史生产批次后，得到频繁模式树如图3a；扫描第二个历史生产批次后，得到频繁模式树如图3b；扫描第三个历史生产批次后，得到频繁模式树如图3c；扫描第四个和第五个历史生产批次后，得到最终的频繁模式树如图3d。
在步骤113，基于频繁模式树，确定满足预设置信度阈值要求的一条或多条关联规则。
步骤113基于频繁模式树(Frequent Pattern Tree)，确定满足预设置信度阈值要求的一条或多条关联规则包括：将频繁模式树的各个分支中的满足预设置信度阈值要求且彼此连接的多个节点确定为一条关联规则；根据节点相应的频繁工况项，从关联规则中筛选出包括烘丝前烟丝含水率、非可控工况和可控工况的关联规则。
对形成的FP树从底部开始挖掘其频繁的关联规则。以上图3d为例，在FP树中以d结尾的子树共2个，分别是<(b:5),(a:3),(d:1)>和<(b:5),(c:2),(d:2)>。假设此处置信度阈值设置为2，而工况d在两个子树中分别为(d:1)、(d:2)，则显然d自身是个满足置信度阈值的规则(d:3)。从末端d向上延生子树可以挖出(c:2)，(b:3)，分别满足置信度阈值，则以d为前缀形成关联规则(dc:2)和(db:3)。然后再分别递归d的两个分支子树，第1个子树中<b,a>与d同时出现只有1次，记为<(b:1),(a:1),(d:1)>，则不符合置信度阈值需剔除。第2个子树中<b,c>与d同时出现有2次，记为<(b:2),(c:2),(d:2)>，则以d为前缀形成关联规则(dbc:2)。同理，可得其他节点前缀的关联规则为(a:3),(ab:3),(b:5),(c:3),(cb:3)。最后，从关联规则中筛选出包括烘丝前烟丝含水率、非可控工况和可控工况的关联规则，例如，筛选出关联规则(dbc:2)。
在步骤120，获取待生产批次的已知的非可控工况信息和烘丝前烟丝含水率标准值。
在匹配寻优之前，需要输入已知的工况参数，并基于此进行历史工况的寻优以及操作参数的推荐。
已知的非可控工况信息包括两种，一种是已经确定的，例如物料流量、加料比例、当前环境温湿度，以及烘丝前烟丝含水率标准值等，另一种需要另行计算或从外部获取，例如：
生产时长＝批次额定重量/物料流量；
贮叶时长＝后工段预计开始时间-前工段结束时间；
未来车间温湿度＝外部天气预报温湿度*(当前车间温湿度/当前外部天气温湿度)。
在步骤130，根据待生产批次的已知的非可控工况信息和烘丝前烟丝含水率标准值，从知识库中查找与待生产批次的非可控工况信息相似度高于预设相似阈值、且与待生产批次的烘丝前烟丝含水率标准值的接近程度大于预设接近阈值的关联规则。
在寻优前需对导入的工况进行初始事务集划分，即按前述划分规则进行工况属性的初始化，构造形如“a:(物料流量:2000)、b:(加料比例:3.0)...”形式的工况属性项，并依此与知识库中的关联规则进行遍历匹配，定位与导入的工况属性项有高相似度的工况事务集，其中相似度按属性项的匹配数量进行计算，例如，将相似度大于80％的工况事务集定义为高相似度。
在一些实施例中，从知识库中查找与待生产批次的烘丝前烟丝含水率标准值最接近、且与待生产批次的非可控工况信息相似度高于预设相似阈值的关联规则。
在另一些实施例中，从知识库中查找与待生产批次的烘丝前烟丝含水率标准值最接近、且与待生产批次的非可控工况信息相似度最高的关联规则。
在步骤140，将查找到的知识库中的关联规则的可控工况信息，作为待生产批次的可控工况信息的推荐信息，以便待生产批次基于可控工况信息的推荐信息进行烘丝前烟丝含水率控制。
例如，车间工作人员按推荐的加水比例、蒸汽比例进行操作设置，即可生产出烘丝前烟丝含水率达标的烟丝。
通过对影响烟丝含水率关键工况的识别，导入历史生产批次数据，按照FP-growth关联规则算法抽取批次与工况之间的相互关系，挖掘其关联规则形成知识库。当有批次需要生产时，只需提前将该待生产批次的已知工况导入知识库进行匹配寻优，就可以检索到相似度最高且烘丝前烟丝含水率最接近标准值的历史生产批次，通过将最优历史生产批次的相关参数操作进行复刻，显著提升烘丝前烟丝含水率的合格率和稳定性，改变以往需要部分依靠经验和主观判断的含水率控制模式，驱动企业向高质量发展。
通过知识库寻优后，12个批次的工况寻优推荐结果如表所示，其中10个批次都获取到了高相似度的历史批次推荐，并按照推荐值对加水比例和蒸汽比例进行操作设置，而其中2个较极端工况的批次，工艺员也在低相似度工况的辅助下进行了操作参数下达，最终烟丝在烘丝入口的含水率均达到工艺标准要求(19.8±0.5)，且含水率与标准的绝对差值平均为0.165。
表3批次寻优推荐结果
Figure BDA0002929636390000111
Figure BDA0002929636390000121
表4为本实施例方法应用前/后同期烟丝含水率的各项对比数值，可以看出，通过工况寻优推荐后的烟丝含水率在合格率和稳定性上都有了一定提升。
表4烘丝前烟丝含水率在应用本实施例方法前/后的对比
对比项 应用前 应用后
含水率合格率 96.73％ 98.22％
含水率平均值 19.75 19.82
含水率标准偏差 0.23 0.19
图4为本公开一些实施例的烟丝含水率控制装置的结构示意图。
如图4所示，该实施例的装置400包括：存储器410以及耦接至该存储器410的处理器420，处理器420被配置为基于存储在存储器410中的指令，执行前述任意一些实施例中的烟丝含水率控制。
其中，存储器410例如可以包括系统存储器、固定非易失性存储介质等。系统存储器例如存储有操作系统、应用程序、引导装载程序(Boot Loader)以及其他程序等。
图5为本公开一些实施例的烟丝含水率控制装置的结构示意图。
如图5所示，该实施例的装置500包括：模块510-540。其中，模块510是可选择的。
知识库构建模块510，被配置为：根据多个历史生产批次确定每个历史生产批次的频繁工况项，每个历史生产批次的频繁工况项包括烘丝前烟丝含水率、非可控工况、可控工况中的一项或多项；根据所有历史生产批次的频繁工况项，构建频繁模式树；基于频繁模式树，确定满足预设置信度阈值要求的一条或多条关联规则。
获取模块520，被配置为获取待生产批次的已知的非可控工况信息和烘丝前烟丝含水率标准值。
查找模块530，被配置为根据待生产批次的已知的非可控工况信息和烘丝前烟丝含水率标准值，从知识库中查找与待生产批次的非可控工况信息相似度高于预设相似阈值、且与待生产批次的烘丝前烟丝含水率标准值的接近程度大于预设接近阈值的关联规则，其中，知识库基于多个历史生产批次构建，知识库中的每条关联规则包括烘丝前烟丝含水率以及对应的非可控工况信息和可控工况信息；
控制模块540，被配置为将查找到的知识库中的关联规则的可控工况信息，作为待生产批次的可控工况信息的推荐信息，以便待生产批次基于可控工况信息的推荐信息进行烘丝前烟丝含水率控制。
在一些实施例中，查找模块530，被配置为从知识库中查找与待生产批次的烘丝前烟丝含水率标准值最接近、且与待生产批次的非可控工况信息相似度高于预设相似阈值的关联规则。
本公开一些实施例提出一种非瞬时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现各实施例的烟丝含水率控制方法的步骤。
本领域内的技术人员应当明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机程序代码的非瞬时性计算机可读存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解为可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本公开的较佳实施例，并不用以限制本公开，凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (14)

1.一种烟丝含水率控制方法，其特征在于，包括：
获取待生产批次的已知的非可控工况信息和烘丝前烟丝含水率标准值；
根据待生产批次的已知的非可控工况信息和烘丝前烟丝含水率标准值，从知识库中查找与待生产批次的非可控工况信息相似度高于预设相似阈值、且与待生产批次的烘丝前烟丝含水率标准值的接近程度大于预设接近阈值的关联规则，其中，知识库基于多个历史生产批次构建，知识库中的每条关联规则包括烘丝前烟丝含水率以及对应的非可控工况信息和可控工况信息；
将查找到的知识库中的关联规则的可控工况信息，作为待生产批次的可控工况信息的推荐信息，以便待生产批次基于可控工况信息的推荐信息进行烘丝前烟丝含水率控制。
2.根据权利要求1所述的方法，其特征在于，基于多个历史生产批次构建知识库包括：
根据多个历史生产批次确定每个历史生产批次的频繁工况项，每个历史生产批次的频繁工况项包括烘丝前烟丝含水率、非可控工况、可控工况中的一项或多项；
根据所有历史生产批次的频繁工况项，构建频繁模式树；
基于频繁模式树，确定满足预设置信度阈值要求的一条或多条关联规则。
3.根据权利要求2所述的方法，其特征在于，根据多个历史生产批次确定每个历史生产批次的频繁工况项包括：
对所有历史生产批次的所有工况项进行扫描；
计算每个历史生产批次的每个工况项在所有历史生产批次的所有工况项中出现的频繁程度，并作为该工况项的支持度；
将每个历史生产批次中的支持度满足预设支持度阈值要求的工况项确定为该历史生产批次的频繁工况项。
4.根据权利要求2所述的方法，其特征在于，根据所有历史生产批次的频繁工况项，构建频繁模式树包括：
将每个历史生产批次作为频繁模式树的一个分支，
将任一历史生产批次的各个频繁工况项作为该历史生产批次相应分支上的各个节点；
每个频繁工况项在所有历史生产批次中每出现一次，该频繁工况项相应节点的计数值增加一。
5.根据权利要求4所述的方法，其特征在于，基于频繁模式树，确定满足预设置信度阈值要求的一条或多条关联规则包括：
将频繁模式树的各个分支中的满足预设置信度阈值要求且彼此连接的多个节点确定为一条关联规则；
根据节点相应的频繁工况项，从关联规则中筛选出包括烘丝前烟丝含水率、非可控工况和可控工况的关联规则。
6.根据权利要求1所述的方法，其特征在于，从知识库中查找关联规则包括：
从知识库中查找与待生产批次的烘丝前烟丝含水率标准值最接近、且与待生产批次的非可控工况信息相似度高于预设相似阈值的关联规则。
7.根据权利要求1-6任一项所述的方法，其特征在于，
可控工况信息包括：加水比例、蒸汽比例中的一项或多项。
8.根据权利要求1-6任一项所述的方法，其特征在于，
非可控工况信息包括：松散环境温度、松散环境湿度、生产时长、贮叶时长中的一项或多项。
9.一种烟丝含水率控制装置，包括：
存储器；以及
耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器中的指令，执行权利要求1-8中任一项所述的烟丝含水率控制方法。
10.一种烟丝含水率控制装置，包括：
获取模块，被配置为获取待生产批次的已知的非可控工况信息和烘丝前烟丝含水率标准值；
查找模块，被配置为根据待生产批次的已知的非可控工况信息和烘丝前烟丝含水率标准值，从知识库中查找与待生产批次的非可控工况信息相似度高于预设相似阈值、且与待生产批次的烘丝前烟丝含水率标准值的接近程度大于预设接近阈值的关联规则，其中，知识库基于多个历史生产批次构建，知识库中的每条关联规则包括烘丝前烟丝含水率以及对应的非可控工况信息和可控工况信息；
控制模块，被配置为将查找到的知识库中的关联规则的可控工况信息，作为待生产批次的可控工况信息的推荐信息，以便待生产批次基于可控工况信息的推荐信息进行烘丝前烟丝含水率控制。
11.根据权利要求10所述的装置，其特征在于，还包括：
知识库构建模块，被配置为：
根据多个历史生产批次确定每个历史生产批次的频繁工况项，每个历史生产批次的频繁工况项包括烘丝前烟丝含水率、非可控工况、可控工况中的一项或多项；
根据所有历史生产批次的频繁工况项，构建频繁模式树；
基于频繁模式树，确定满足预设置信度阈值要求的一条或多条关联规则。
12.根据权利要求10所述的装置，其特征在于，
所述查找模块，被配置为从知识库中查找与待生产批次的烘丝前烟丝含水率标准值最接近、且与待生产批次的非可控工况信息相似度高于预设相似阈值的关联规则。
13.根据权利要求10-12任一项所述的装置，其特征在于，
可控工况信息包括：加水比例、蒸汽比例中的一项或多项；
非可控工况信息包括：松散环境温度、松散环境湿度、生产时长、贮叶时长中的一项或多项。
14.一种非瞬时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现权利要求1-8中任一项所述的烟丝含水率控制方法的步骤。
CN202110142480.5A 2021-02-02 2021-02-02 烟丝含水率控制方法和装置 Active CN112931919B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110142480.5A CN112931919B (zh) 2021-02-02 2021-02-02 烟丝含水率控制方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110142480.5A CN112931919B (zh) 2021-02-02 2021-02-02 烟丝含水率控制方法和装置

Publications (2)

Publication Number Publication Date
CN112931919A true CN112931919A (zh) 2021-06-11
CN112931919B CN112931919B (zh) 2022-09-30

Family

ID=76241515

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110142480.5A Active CN112931919B (zh) 2021-02-02 2021-02-02 烟丝含水率控制方法和装置

Country Status (1)

Country Link
CN (1) CN112931919B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113576012A (zh) * 2021-07-15 2021-11-02 河南中烟工业有限责任公司 真空回潮机增湿控制方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4640299A (en) * 1983-12-23 1987-02-03 Japan Tobacco Inc. Drying and conditioning apparatus for tobacco
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
CN108932571A (zh) * 2017-05-24 2018-12-04 龙岩烟草工业有限责任公司 卷烟制丝初始工艺参数的设置方法和装置
CN110973686A (zh) * 2019-12-13 2020-04-10 红云红河烟草(集团)有限责任公司 一种制丝过程水分精准控制模型的建立方法
CN112220093A (zh) * 2020-09-28 2021-01-15 福建中烟工业有限责任公司 恒失水量的干燥烟丝方法及装置、制作烟丝的方法及系统
CN112273695A (zh) * 2020-10-30 2021-01-29 红云红河烟草(集团)有限责任公司 松散回潮出口含水率预测方法、装置以及设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4640299A (en) * 1983-12-23 1987-02-03 Japan Tobacco Inc. Drying and conditioning apparatus for tobacco
CN108932571A (zh) * 2017-05-24 2018-12-04 龙岩烟草工业有限责任公司 卷烟制丝初始工艺参数的设置方法和装置
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
CN110973686A (zh) * 2019-12-13 2020-04-10 红云红河烟草(集团)有限责任公司 一种制丝过程水分精准控制模型的建立方法
CN112220093A (zh) * 2020-09-28 2021-01-15 福建中烟工业有限责任公司 恒失水量的干燥烟丝方法及装置、制作烟丝的方法及系统
CN112273695A (zh) * 2020-10-30 2021-01-29 红云红河烟草(集团)有限责任公司 松散回潮出口含水率预测方法、装置以及设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李平: "《物流工程技术与应用》", 31 March 2013, 第256-257页 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113576012A (zh) * 2021-07-15 2021-11-02 河南中烟工业有限责任公司 真空回潮机增湿控制方法
CN113576012B (zh) * 2021-07-15 2022-06-21 河南中烟工业有限责任公司 真空回潮机增湿控制方法

Also Published As

Publication number Publication date
CN112931919B (zh) 2022-09-30

Similar Documents

Publication Publication Date Title
CN102364498B (zh) 一种基于多标签的图像识别方法
CN112931919B (zh) 烟丝含水率控制方法和装置
CN102289507A (zh) 一种基于滑动窗口的数据流加权频繁模式挖掘方法
Chang et al. A novel incremental data mining algorithm based on fp-growth for big data
EP3671579A1 (en) Method and system for providing a service for a complex industrial system
Hong et al. An incremental mining algorithm for erasable itemsets
WO2016184159A1 (zh) 大数据计算的方法及系统
CN111008521A (zh) 生成宽表的方法、装置及计算机存储介质
CN109669030A (zh) 一种基于决策树的工业注塑产品缺陷诊断方法
CN103336765B (zh) 一种文本关键词的马尔可夫矩阵离线修正方法
CN114238360A (zh) 一种用户行为分析系统
CN113378842A (zh) 基于分割图像特征提取的推荐方法
CN108021657A (zh) 一种基于文献标题语义信息的相似作者搜索方法
CN114090590B (zh) 一种多对象标签数据的抽取方法及系统
JP2007122405A (ja) データベース管理システムの性能チューニングシステム
Zhou et al. [Retracted] Application and Research of Computer Intelligent Technology in Modern Agricultural Machinery Equipment
CN112100483A (zh) 一种融合用户兴趣权重的关联规则推荐方法
CN117591119B (zh) 一种海量apk源码特征提取及相似分析方法
Wakchaure et al. Sequential pattern mining using apriori and FP growth algorithm
CN115509187B (zh) 一种工业大数据处理方法和系统
Kuruppu et al. A Data Mining Approach to Identify Associations Between Job Titles and Skills in Job Vacancies
Maheswari et al. A Comparative Study of Agricultural Crop Yield Prediction Using Machine Learning Techniques
US20220071255A1 (en) Strain engineering
CN115630626B (zh) 一种数据中心设备日志模板在线提取方法
CN116307047B (zh) 基于禁忌搜索和半张量积的多原材一维下料优化方法

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