CN113128764A - 烘丝机出口含水率预测模型的生成及基于其的调控方法 - Google Patents

烘丝机出口含水率预测模型的生成及基于其的调控方法 Download PDF

Info

Publication number
CN113128764A
CN113128764A CN202110420773.5A CN202110420773A CN113128764A CN 113128764 A CN113128764 A CN 113128764A CN 202110420773 A CN202110420773 A CN 202110420773A CN 113128764 A CN113128764 A CN 113128764A
Authority
CN
China
Prior art keywords
prediction model
moisture content
data
initial
outlet
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
CN202110420773.5A
Other languages
English (en)
Inventor
唐芳丽
刘大卫
誉东明
章立
覃椿
安连友
郑海伟
郑占高
鲁艳红
费禹铖
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.)
China Tobacco Guangxi Industrial Co Ltd
Original Assignee
China Tobacco Guangxi Industrial 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 China Tobacco Guangxi Industrial Co Ltd filed Critical China Tobacco Guangxi Industrial Co Ltd
Priority to CN202110420773.5A priority Critical patent/CN113128764A/zh
Publication of CN113128764A publication Critical patent/CN113128764A/zh
Pending legal-status Critical Current

Links

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"
    • 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
    • A24B3/10—Roasting or cooling tobacco
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • 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
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics
    • 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)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Computing Systems (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Marketing (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Development Economics (AREA)
  • Primary Health Care (AREA)
  • Manufacturing & Machinery (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Manufacture Of Tobacco Products (AREA)

Abstract

本发明公开了一种烘丝机出口含水率预测模型的生成及基于其的调控方法，其中，该生成方法包括：获取预设时间段内制丝生产过程的初始数据；清洗初始数据，并对清洗后的初始数据进行归一化处理，划分生成训练样本数据以及测试数据；继而构建生成烘丝机出口含水率的初始预测模型；将测试数据输入至初始预测模型，计算生成训练准确度以及平均误差；当训练准确度符合第一阈值范围，且平均误差符合第二阈值范围时，将初始预测模型更新为烘丝机出口含水率目标预测模型。通过实施本发明，结合预设时间段内的初始数据以及目标GBDT算法，可得到输出信号较为准确的目标预测模型，减少烟丝生产过程中水分的不稳定性以及波动性，提升烟丝质量。

Description

烘丝机出口含水率预测模型的生成及基于其的调控方法
技术领域
本发明涉及烟草行业制丝生产技术领域，具体涉及一种烘丝机出口含水率预测模型的生成及基于其的调控方法。
背景技术
对于工艺流程较为复杂且非常长的制丝生产线，工序和装备种类多。在此过程中，烘丝工序十分重要，其通过加热干燥烟丝，进而满足水分要求，提高烟丝的填充能力，把控烟丝品质。烟丝在烘丝工序的生产情况和工艺质量对烟丝整体的综合质量有较大的影响，从而烘丝工序的出口含水率成为了重要的工艺指标。
烘丝过程中影响因素和干扰因素较多，气流式烘丝机由于是高温气流进行瞬间脱水，不稳定性强，高温气流的热惯性使调节有延后，相比其他烘丝机影响变量更多。气流式烘丝机的出口含水率现在仍是通过PID算法进行调控，具有一定的滞后性，也未能做到真正的闭环自动调控，影响最终生成烟丝的质量。
发明内容
有鉴于此，本发明实施例提供了一种烘丝机出口含水率预测模型的生成及基于其的调控方法，以解决相关技术中生成的模型具有一定的滞后性，导致生成烟丝质量降低的问题。
根据第一方面，本发明实施例提供了一种烘丝机出口含水率预测模型的生成方法，包括：获取预设时间段内制丝生产过程的初始数据；清洗所述初始数据，并对清洗后的初始数据进行归一化处理，划分生成训练样本数据以及测试数据；根据所述训练样本数据、目标GBDT算法以及预设影响因子，构建生成烘丝机出口含水率的初始预测模型；将所述测试数据输入至所述初始预测模型，计算生成训练准确度以及平均误差；当所述训练准确度符合第一阈值范围，且所述平均误差符合第二阈值范围时，将所述初始预测模型更新为烘丝机出口含水率目标预测模型。
可选地，所述获取预设时间段内制丝生产过程的初始数据，包括：根据制丝生产过程以及预设影响因素，确定所述烘丝机的初始数据；根据所述烘丝机的初始数据，确定所述制丝生产过程的初始数据，所述初始数据包括初始输入数据以及输出数据。
可选地，所述初始输入数据包括蒸汽质量流量、蒸汽压力、水流量累计量、热风风机转速、热风风机温度、热风风机位移速度、燃烧室温度、回潮入口含水率、含氧量、工艺蒸汽压力、工艺蒸汽流量、工艺蒸汽控制阀后压力、工艺燃气压力、工艺燃气压力、工艺燃气温度、工艺燃气流量、工艺燃气差分压力、工艺气温度、工艺流量、返回气体温度、吹扫气体压力、HDT脱水量、HDT出口温度其中的一种或多种，所述输出数据包括烘丝机出口含水率。
可选地，所述清洗所述初始数据，包括：
对所述初始数据进行缺失值处理，并对所述初始数据进行异常值处理；
所述对所述初始数据进行缺失值处理，包括：
计算所述初始数据的缺失数据所占比例；当所占比例大于或等于第三阈值时，通过预设填充方法进行补充；
所述对所述初始数据进行异常值处理，包括：
计算所述初始数据的异常值序列；当所述异常值序列大于第四阈值时，通过预设修正方式进行补充，生成清洗后的初始数据。
可选地，所述根据所述训练样本数据、目标GBDT算法以及预设影响因子，构建生成烘丝机出口含水率的初始预测模型，包括：调用决策模块中的目标GBDT算法，创建空白模型；根据所述训练样本数据，确定所述预设影响因子的初始值；根据所述空白模型以及预设影响因子的初始值，构建生成烘丝机出口含水率的初始预测模型。
根据第二方面，本发明实施例提供了一种基于烘丝机出口含水率预测模型的调控方法，包括：获取目标生产数据；根据所述目标生产数据以及上述任一实施方式中所述的烘丝机出口含水率目标预测模型，计算当前批次的出口含水率；根据所述当前批次的出口含水率，确定烘丝机的标准输入参数。
可选地，所述根据所述当前批次的出口含水率，确定烘丝机的标准输入参数，包括：根据所述当前批次的出口含水率，确定所述烘丝机的初始输入参数；根据所述烘丝机的初始输入参数以及上述任一实施方式中所述的烘丝机出口含水率目标预测模型，计算下一批次的出口含水率；当所述下一批次的出口含水率符合标准条件时，确定所述烘丝机的标准输入参数。
根据第三方面，本发明实施例提供了一种烘丝机出口含水率预测模型的生成装置，包括：第一获取模块，用于获取预设时间段内制丝生产过程的初始数据；处理模块，用于清洗所述初始数据，并对清洗后的初始数据进行归一化处理，划分生成训练样本数据以及测试数据；初始预测模型生成模块，用于根据所述训练样本数据、目标GBDT算法以及预设影响因子，构建生成烘丝机出口含水率的初始预测模型；第一计算模块，用于将所述测试数据输入至所述初始预测模型，计算生成训练准确度以及平均误差；目标预测模型生成模块，用于当所述训练准确度符合第一阈值范围，且所述平均误差符合第二阈值范围时，将所述初始预测模型更新为烘丝机出口含水率目标预测模型。
根据第四方面，本发明实施例提供了一种基于烘丝机出口含水率预测模型的调控装置，包括：第二获取模块，用于获取目标生产数据；第二计算模块，用于根据所述目标生产数据以及权利要求1-5任一项所述的烘丝机出口含水率目标预测模型，计算当前批次的出口含水率；确定模块，用于根据所述当前批次的出口含水率，确定烘丝机的标准输入参数。
根据第五方面，本发明实施例提供了一种计算机设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行第一方面或者第一方面的任意一种实施方式中所述的烘丝机出口含水率预测模型的生成方法的步骤，以及第二方面或第二方面任一实施方式中所述的基于烘丝机出口含水率预测模型的调控方法的步骤。
根据第六方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面或者第一方面的任意一种实施方式中所述的烘丝机出口含水率预测模型的生成方法的步骤，以及第二方面或第二方面任一实施方式中所述的基于烘丝机出口含水率预测模型的调控方法的步骤。
本发明技术方案，具有如下优点：
本发明提供的一种烘丝机出口含水率预测模型的生成及基于其的调控方法，其中，该预测模型的生成方法包括：获取预设时间段内制丝生产过程的初始数据；清洗初始数据，并对清洗后的初始数据进行归一化处理，划分生成训练样本数据以及测试数据；根据训练样本数据、目标GBDT算法以及预设影响因子，构建生成烘丝机出口含水率的初始预测模型；将测试数据输入至初始预测模型，计算生成训练准确度以及平均误差；当训练准确度符合第一阈值范围，且平均误差符合第二阈值范围时，将初始预测模型更新为烘丝机出口含水率目标预测模型。
通过实施本发明，解决了相关技术中存在的生成模型较为滞后、导致生成烟丝质量降低的问题，结合预设时间段内的初始数据以及目标GBDT算法，可以对预设影响因子的取值不断进行调整，使得到的烘丝机出口含水率目标预测模型的准确性较高，模型的输出信号较为准确，继而可以根据输出信号减少烟丝生产过程中水分的不稳定性以及波动性，提升了烟丝的质量。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中烘丝机出口含水率预测模型的生成方法的一个具体示例的流程图；
图2为本发明实施例中模型输出的预测值与真实值的示意图；
图3为本发明实施例中基于烘丝机出口含水率预测模型的调控方法的一个具体示例的流程图；
图4为本发明实施例中烘丝机出口含水率预测模型的生成装置的一个具体示例的原理框图；
图5为本发明实施例中基于烘丝机出口含水率预测模型的调控装置的一个具体示例的原理框图；
图6为本发明实施例中计算机设备的一个具体示例图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
相关技术中对于稳定烘丝工序出口含水率的优化调控方法多数是针对于滚筒管板式烘丝机和薄板式烘丝机，而针对气流式烘丝机的较少。现有技术中，针对于气流烘丝的烟丝含水量的控制方法，是建立PID反馈控制模型，根据所述目标偏差值调节干燥气流风速以对出口含水率进行反馈控制，使批次内的气流烘丝的出口含水率按所述目标值进行控制。但是，该项方法采用优化PID反馈控制模型进行调控，反馈控制仍具有一定的滞后性，未能提前预测和及时调控，依然存在批次间波动大、头部生产不稳定等问题。另外，针对于模型预测的烘丝机出口水分控制方法，是针对不同阶段和不同生产工艺模式，构建基于RBF-ARX的进料量与进料水分的过程动态特性的模型。但是，该项方法针对于烘丝机出口水分考虑了三个不同生产状态的控制方式，但主要是针对中间生产过程，头部生产过程中初始参数的设定和批次间的波动性问题仍未解决。
基于上述背景，本发明实施例提供了一种烘丝机出口含水率预测模型的生成及基于其的调控方法，可以构建气流式烘丝机出口含水率模型进行预测和调控，减少气流式烘丝机各批次间波动导致的差异和“干头”现象，提升生成烟丝的质量。
本发明实施例提供了一种烘丝机出口含水率预测模型的生成方法，可以应用于制丝车间的集中控制系统中，如图1所示，包括：
步骤S11：获取预设时间段内制丝生产过程的初始数据；在本实施例中，预设时间段可以是任意一个包含多个烟丝生产批次的时间段，具体地，获取气流烘丝机多个批次的历史数据，即初始数据；上述初始数据可以是在烟丝生产过程中的对最终生成的烟丝质量有影响的数据，例如，气流烘丝机中防结团装置的蒸汽质量流量、蒸汽压力等生产影响因素，还可以包括评价延时质量的指标因素，例如出口含水率。
数据清洗与处理，使用Anaconda开源平台与Python语言，下载所需要的类库。查看采集的数据质量，进行缺失值和异常值处理，可使用删除、替代填充、插补等方法进行处理。完成变量间相关性的判断与分析后进行再次汇总和整理，完成数据的归一化，数据集拆分80％为训练集和20％为测试集。
步骤S12：清洗初始数据，并对清洗后的初始数据进行归一化处理，划分生成训练样本数据以及测试数据；
在本实施例中，对采集到的各批次的历史数据进行清洗处理，具体地，可以通过下载Anaconda开源平台与Python语言，继而调用其中清洗类方法以及清洗类数据库，用于完成上述数据清洗处理过程，并对清洗后的数据进行变量间相关性的判断与分析后，生成目标数据，可以将目标数据的80％划分为训练样本数据，相应地将目标数据的20％划分为测试数据；也可以将目标数据的70％划分为训练样本数据，相应地将目标数据的30％划分为测试数据，具体划分比例可以根据实际应用场景具体确定。
步骤S13：根据训练样本数据、目标GBDT算法以及预设影响因子，构建生成烘丝机出口含水率的初始预测模型；
在本实施例中，预设影响因子可以包括学习率(learning_rate)、损失率(loss)、随机森林中树数量(n_estimators)、最小样本分割数量(min_samples_split)以及最大深度(max_depth)，可以为上述预设影响因子赋初始值，继而在交互式笔记本(JupyterNotebook)中输入GBDT算法，建立空白模型，继而根据训练样本数据对空白模型进行训练，包括计算准确率和误差检验训练结果，再将训练结果反归一化过程，得到初始模型“gbdt.fit(x_train,y_train)”。
步骤S14：将测试数据输入至初始预测模型，计算生成训练准确度以及平均误差；在本实施例中，将测试数据输入至初始预测模型，继而计算训练准确度以及平均误差，判断此时的初始预测模型是否符合预设标准。
步骤S15：当训练准确度符合第一阈值范围，且平均误差符合第二阈值范围时，将初始预测模型更新为烘丝机出口含水率目标预测模型。在本实施例中，第一阈值范围可以是0.90-1，用于表征初始预测模型的训练准确度，当根据测试数据计算出的训练准确度在0.90-1的范围内，可以初步认为初始预测模型符合预设标准；之后，第二阈值范围可以是0-0.01，用于表征初始预测模型的平均误差，当根据测试数据计算出的平均误差在0-0.01的范围内时，可以认为初始预测模型符合预设标准，此时可以将初始预测模型更新为烘丝机出口含水率目标预测模型。
例如当根据测试数据计算出的训练准确度为0.98，平均误差为0.074时，可以确定初始预测模型符合工艺要求，此时，可以认为当前的初始预测模型即为烘丝机出口含水率目标预测模型。具体地，第一阈值范围以及第二阈值范围可以根据实际应用场景做出相应修改，本发明对此不做限定。
本发明提供的一种烘丝机出口含水率预测模型的生成方法，包括：获取预设时间段内制丝生产过程的初始数据；清洗初始数据，并对清洗后的初始数据进行归一化处理，划分生成训练样本数据以及测试数据；根据训练样本数据、目标GBDT算法以及预设影响因子，构建生成烘丝机出口含水率的初始预测模型；将测试数据输入至初始预测模型，计算生成训练准确度以及平均误差；当训练准确度符合第一阈值范围，且平均误差符合第二阈值范围时，将初始预测模型更新为烘丝机出口含水率目标预测模型。
通过实施本发明，解决了相关技术中存在的生成模型较为滞后、导致生成烟丝质量降低的问题，结合预设时间段内的初始数据以及目标GBDT算法，可以对预设影响因子的取值不断进行调整，使得到的烘丝机出口含水率目标预测模型的准确性较高，模型的输出信号较为准确，继而可以根据输出信号减少烟丝生产过程中水分的不稳定性以及波动性，提升了烟丝的质量。
作为本发明的一个可选实施方式，上述步骤S11，获取预设时间段内制丝生产过程的初始数据，包括：
首先，根据制丝生产过程以及预设影响因素，确定烘丝机的初始数据；在本实施例中，制丝生产过程包括切片工序、松散回潮工序、叶片加料工序、切丝工序、烘丝工序、柔性风选和掺配加香工序；可以根据制丝生产过程确定对烟丝质量有影响的预设影响因素，继而采集制丝生产过程数据，也就是气流烘丝机的多个批次的初始数据。
其次，根据烘丝机的初始数据，确定制丝生产过程的初始数据，初始数据包括初始输入数据以及输出数据。在本实施例中，上述初始输入数据包括蒸汽质量流量、蒸汽压力、水流量累计量、热风风机转速、热风风机温度、热风风机位移速度、燃烧室温度、回潮入口含水率、含氧量、工艺蒸汽压力、工艺蒸汽流量、工艺蒸汽控制阀后压力、工艺燃气压力、工艺燃气压力、工艺燃气温度、工艺燃气流量、工艺燃气差分压力、工艺气温度、工艺流量、返回气体温度、吹扫气体压力、HDT脱水量、HDT出口温度其中的一种或多种，输出数据包括烘丝机出口含水率。
具体地，获取防结团装置的蒸汽质量流量以及蒸汽压力，获取文氏管处的工艺燃气压力、工艺燃气温度、工艺燃气差分压力。对多个批次的初始数据进行整理以及汇总，也就是分别获取各个批次的初始输入数据以及对应的输出数据。
作为本发明的一个可选实施方式，上述步骤S12，清洗初始数据，包括：
对初始数据进行缺失值处理，并对初始数据进行异常值处理；在本实施例中，可以通过Anaconda开源平台与Python语言，调用对应的清洗类方法以及清洗类数据库，对初始数据进行缺失值处理以及异常值处理。
数据清洗与处理，使用Anaconda开源平台与Python语言，下载所需要的类库。查看采集的数据质量，进行缺失值和异常值处理，可使用删除、替代填充、插补等方法进行处理。完成变量间相关性的判断与分析后进行再次汇总和整理，完成数据的归一化，数据集拆分80％为训练集和20％为测试集。
在一可选实施例中，上述步骤对初始数据进行缺失值处理，包括：
计算初始数据的缺失数据所占比例；当所占比例大于或等于第三阈值时，通过预设填充方法进行补充；
在本实施例中，确定初始数据的缺失数据的分布情况，继而确定所述缺失数据所占比例；第三阈值范围可以是根据实际应用场景确定的范围，例如0-10％；当缺失数据所占比例在第三阈值范围内时，可以直接忽略所述缺失数据；当缺失数据所占比例大于或等于第三阈值范围时，可以认为此时缺失数据的影响较大，此时可以通过代替填充方式或者插补方进行补充，上述代替填充方式可以包括均值代替、中位数代替以及众数代替等。
上述步骤对初始数据进行异常值处理，包括：
计算初始数据的异常值序列；当异常值序列大于第四阈值时，通过预设修正方式进行补充，生成清洗后的初始数据。
在本实施例中，第四阈值可以是根据实际应用场景确定的数值，例如0-10％；通过分析判断处所述初始数据的异常值序列，此时此处的初始数据可以是已经进缺失值处理后的数据；具体地，当计算出的异常值序列所包括的数据数量小于第四阈值时，此时可以直接删除上述异常值序列；或者根据预设异常分析算法确定上述异常值序列为不敏感数据时，即不重要数据时，可以直接忽略；当根据预设异常分析算法确定上述异常值序列为敏感数据，且异常值序列所包括的数据数量大于或等于第四阈值时，可以采用不异常序列的平均值替代，或者按照上述实施例所述的缺失值处理步骤进行处理，或者还可以进行逻辑性错误的数据和格式内容错误的数据的修正，进而去重处理，生成清洗后的初始数据；
在一可选实施例中，上述步骤对清洗后的初始数据进行归一化处理，划分生成训练样本数据以及测试数据，可以包括：可以调用Sklearn库中MinMaxScaler函数对清洗后的初始数据进行归一化处理，继而调用sklearn.model_selection模块中train_test_split函数，可以设定test_size的值，将进行归一化处理后的初始数据进行划分，划分生成训练样本数据以及测试数据，例如，当test_size为0.2时，将初始数据的80％分为训练样本数据，剩余20％分为测试数据。本发明实施例提供的方法，进行归一化处理后可以使初始数据收敛速度加快，可以减少偏差提高性能以及精度。
作为本发明的一个可选实施方式，上述步骤S13，根据训练样本数据、目标GBDT算法以及预设影响因子，构建生成烘丝机出口含水率的初始预测模型，包括：
首先，调用决策模块中的目标GBDT算法，创建空白模型；在本实施例中，决策模块可以是sklearn.ensemble模块，也就是说，在交互式笔记本(Jupyter Notebook)输入目标GBDT算法，继而创建空白模型。
其次，根据训练样本数据，确定预设影响因子的初始值；在本实施例中，预设影响因子包括：学习率(learning_rate)、损失率(loss)、随机森林中树数量(n_estimators)、最小样本分割数量(min_samples_split)以及最大深度(max_depth)，可以为上述预设影响因子赋初始值。
其次，根据空白模型以及预设影响因子的初始值，构建生成烘丝机出口含水率的初始预测模型。在本实施例中，根据预设影响因子的初始赋值计算空白模型的准确性，当准确性不符合预设标准时，调整预设影响因子的初始赋值，继而再次计算空白模型的准确性，直至确定最优预设影响因子的赋值，对模型的评估指标进行初步优化，可以解决过拟合、欠拟合、超参数优化等现象。
具体地，还可以根据初始预测模型“gbdt.fit(x_train,y_train)”对训练样本数据进行模型训练，通过计算准确率和误差检验训练结果，再将训练结果反归一化。继而将测试数据输入模型中，进行测试与验证，通过误差范围和预测结果显示，预测模型训练准确度为0.98，平均误差为0.074，预测准确性符合工艺要求，如图2所示，气流式烘丝机出口含水率的真实值与预测值的平均误差为0.074，符合上述实施例所述的第二阈值范围，因此，可以认为上述初始预测模型为烘丝机出口含水率目标预测模型。
本发明实施例提供了一种基于烘丝机出口含水率预测模型的调控方法，如图3所示，包括：
步骤S21：获取目标生产数据；在本实施例中，获取生产过程中多个生产批次的目标生产数据，可以包括蒸汽质量流量、蒸汽压力、水流量累计量、热风风机转速、热风风机温度、热风风机位移速度、燃烧室温度、回潮入口含水率、含氧量、工艺蒸汽压力、工艺蒸汽流量、工艺蒸汽控制阀后压力、工艺燃气压力、工艺燃气压力、工艺燃气温度、工艺燃气流量、工艺燃气差分压力、工艺气温度、工艺流量、返回气体温度、吹扫气体压力、HDT脱水量、HDT出口温度其中的一种或多种，输出数据包括烘丝机出口含水率。
具体地，获取防结团装置的蒸汽质量流量以及蒸汽压力，获取文氏管处的工艺燃气压力、工艺燃气温度、工艺燃气差分压力。
步骤S22：根据目标生产数据以及上述任一实施例中所述的烘丝机出口含水率目标预测模型，计算当前批次的出口含水率；在本实施例中，分别多个生产批次的目标生产数据，将上述目标生产数据输入至根据上述实施例所述的方法生成的烘丝机出口含水率目标预测模型，预测得到当前各个批次的出口含水率值。
步骤S23：根据当前批次的出口含水率，确定烘丝机的标准输入参数。在本实施例中，根据预测得到的当前各个批次的出口含水率值，对可调的各个输入参数进行调整，例如温度、流量等可控参数。参数传入后模型进行自动模拟以及仿真调控，继而确定烘丝机的标准输入参数，进入稳定生产流程。
本发明实施例提供的一种基于烘丝机出口含水率预测模型的调控方法，包括：获取目标生产数据；根据目标生产数据以及上述任一实施例中所述的烘丝机出口含水率目标预测模型，计算当前批次的出口含水率；根据当前批次的出口含水率，确定烘丝机的标准输入参数。通过实施本发明，可以解决相关技术中反馈控制仍具有一定的滞后性，未能提前预测和及时调控，依然存在批次间波动大、头部生产不稳定等问题，结合上述实施例所述的目标预测模型以及对参数的调整，可以对气流式烘丝机各批次参数设定值的调控，进行初始参数的调优，减少前段的过料过程水分不稳定性和波动性，提高批次间的一致性和均匀性，可以得到稳定的含水率值以及合适的调控参数，进一步地提升了调优的科学性和烟丝的质量。
作为本发明的一个可选实施方式，上述步骤S23，根据当前批次的出口含水率，确定烘丝机的标准输入参数，包括：
根据当前批次的出口含水率，确定烘丝机的初始输入参数；根据烘丝机的初始输入参数以及上述任一实施例中所述的烘丝机出口含水率目标预测模型，计算下一批次的出口含水率；当下一批次的出口含水率符合标准条件时，确定烘丝机的标准输入参数，具体地，当前批次的出口含水率对烘丝机的初始输入参数的设置具有辅助作用。
具体地，上述方法还包括：可以通过调用Streamlit和Visual Studio Code工具构建气流式烘丝机的预测和调控系统，在其中调用预测模型，并建立一个易于操作的界面：可以通过程序打开新建界面，在Visual Studio Code工具中，根据功能编写所需添加的控件，其中包含基础的checkbox、button、markdown、bar等基本按钮控件；为控件添加代码，实现本实施例所需的功能，其中包含数据传输通道、预测模型的算法和参数、实时监测的趋势图、保存记录、建议值显示等功能模块，以此完成界面设计和功能添加；页面通过检验和测试，依次加载数据，进行预测查看运行结果是否正确，应用是否可行可靠，经过部分调试和修正，气流式烘丝机出口含水率的预测与调控功能页面将可以进行应用。
具体地，当基于气流式烘丝机出口含水率预测模型的搭建完成后，可以在启动之前在预测页面中点击数据加载，各批次生产数据加载进入页面，点击预测后得到该批次出口含水率的预测结果，该预测结果对设定初始参数具有辅助作用。预测结果下发后，车间集中控制系统改变可控的输入参数，模型自动预测水分，根据预测值自行模拟和仿真调控，得到稳定的含水率值和合适的调控参数，下发标准输入参数后进入稳定生产烟丝的过程。
本发明实施例提供一种烘丝机出口含水率预测模型的生成装置，如图4所示，包括：
第一获取模块31，用于获取预设时间段内制丝生产过程的初始数据；详细实施内容可参见上述方法实施例中步骤S11的相关描述。
处理模块32，用于清洗初始数据，并对清洗后的初始数据进行归一化处理，划分生成训练样本数据以及测试数据；详细实施内容可参见上述方法实施例中步骤S12的相关描述。
初始预测模型生成模块33，用于根据训练样本数据、目标GBDT算法以及预设影响因子，构建生成烘丝机出口含水率的初始预测模型；详细实施内容可参见上述方法实施例中步骤S13的相关描述。
第一计算模块34，用于将测试数据输入至初始预测模型，计算生成训练准确度以及平均误差；详细实施内容可参见上述方法实施例中步骤S14的相关描述。
目标预测模型生成模块35，用于当训练准确度符合第一阈值范围，且平均误差符合第二阈值范围时，将初始预测模型更新为烘丝机出口含水率目标预测模型。详细实施内容可参见上述方法实施例中步骤S15的相关描述。
本发明提供的一种烘丝机出口含水率预测模型的生成装置，包括：第一获取模块31，用于获取预设时间段内制丝生产过程的初始数据；处理模块32，用于清洗初始数据，并对清洗后的初始数据进行归一化处理，划分生成训练样本数据以及测试数据；初始预测模型生成模块33，用于根据训练样本数据、目标GBDT算法以及预设影响因子，构建生成烘丝机出口含水率的初始预测模型；第一计算模块34，用于将测试数据输入至初始预测模型，计算生成训练准确度以及平均误差；目标预测模型生成模块35，用于当训练准确度符合第一阈值范围，且平均误差符合第二阈值范围时，将初始预测模型更新为烘丝机出口含水率目标预测模型。
通过实施本发明，解决了相关技术中存在的生成模型较为滞后、导致生成烟丝质量降低的问题，结合预设时间段内的初始数据以及目标GBDT算法，可以对预设影响因子的取值不断进行调整，使得到的烘丝机出口含水率目标预测模型的准确性较高，模型的输出信号较为准确，继而可以根据输出信号减少烟丝生产过程中水分的不稳定性以及波动性，提升了烟丝的质量。
本发明实施例还提供了一种基于烘丝机出口含水率预测模型的调控装置，如图5所示，包括：
第二获取模块41，用于获取目标生产数据；详细实施内容可参见上述方法实施例中步骤S21的相关描述。
第二计算模块42，用于根据目标生产数据以及权利要求1-5任一项的烘丝机出口含水率目标预测模型，计算当前批次的出口含水率；详细实施内容可参见上述方法实施例中步骤S22的相关描述。
确定模块43，用于根据当前批次的出口含水率，确定烘丝机的标准输入参数。详细实施内容可参见上述方法实施例中步骤S23的相关描述。
本发明实施例提供的一种基于烘丝机出口含水率预测模型的调控装置，包括：获取目标生产数据；根据目标生产数据以及上述任一实施例中所述的烘丝机出口含水率目标预测模型，计算当前批次的出口含水率；根据当前批次的出口含水率，确定烘丝机的标准输入参数。通过实施本发明，可以解决相关技术中反馈控制仍具有一定的滞后性，未能提前预测和及时调控，依然存在批次间波动大、头部生产不稳定等问题，结合上述实施例所述的目标预测模型以及对参数的调整，可以对气流式烘丝机各批次参数设定值的调控，进行初始参数的调优，减少前段的过料过程水分不稳定性和波动性，提高批次间的一致性和均匀性，可以得到稳定的含水率值以及合适的调控参数，进一步地提升了调优的科学性和烟丝的质量。
本发明实施例还提供了一种计算机设备，如图6所示，该计算机设备可以包括处理器51和存储器52，其中处理器51和存储器52可以通过总线50或者其他方式连接，图6中以通过总线50连接为例。
处理器51可以为中央处理器(Central Processing Unit，CPU)。处理器51还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
存储器52作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的烘丝机出口含水率预测模型的生成方法对应的程序指令/模块。处理器51通过运行存储在存储器52中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的烘丝机出口含水率预测模型的生成方法。
存储器52可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器51所创建的数据等。此外，存储器52可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器52可选包括相对于处理器51远程设置的存储器，这些远程存储器可以通过网络连接至处理器51。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器52中，当被所述处理器51执行时，执行如图1以及图3所示实施例中的烘丝机出口含水率预测模型的生成方法。
上述计算机设备具体细节可以对应参阅图1以及图3所示的实施例中对应的相关描述和效果进行理解，此处不再赘述。
本发明实施例还提供了一种非暂态计算机可读介质，非暂态计算机可读存储介质存储计算机指令，计算机指令用于使计算机执行如上述实施例中任意一项描述的烘丝机出口含水率预测模型的生成方法，其中，存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random Access Memory，RAM)、快闪存储器(FlashMemory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；存储介质还可以包括上述种类的存储器的组合。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (11)

1.一种烘丝机出口含水率预测模型的生成方法，其特征在于，包括：
获取预设时间段内制丝生产过程的初始数据；
清洗所述初始数据，并对清洗后的初始数据进行归一化处理，划分生成训练样本数据以及测试数据；
根据所述训练样本数据、目标GBDT算法以及预设影响因子，构建生成烘丝机出口含水率的初始预测模型；
将所述测试数据输入至所述初始预测模型，计算生成训练准确度以及平均误差；
当所述训练准确度符合第一阈值范围，且所述平均误差符合第二阈值范围时，将所述初始预测模型更新为烘丝机出口含水率目标预测模型。
2.根据权利要求1所述的方法，其特征在于，所述获取预设时间段内制丝生产过程的初始数据，包括：
根据制丝生产过程以及预设影响因素，确定所述烘丝机的初始数据；
根据所述烘丝机的初始数据，确定所述制丝生产过程的初始数据，所述初始数据包括初始输入数据以及输出数据。
3.根据权利要求2所述的方法，其特征在于，所述初始输入数据包括蒸汽质量流量、蒸汽压力、水流量累计量、热风风机转速、热风风机温度、热风风机位移速度、燃烧室温度、回潮入口含水率、含氧量、工艺蒸汽压力、工艺蒸汽流量、工艺蒸汽控制阀后压力、工艺燃气压力、工艺燃气压力、工艺燃气温度、工艺燃气流量、工艺燃气差分压力、工艺气温度、工艺流量、返回气体温度、吹扫气体压力、HDT脱水量、HDT出口温度其中的一种或多种，所述输出数据包括烘丝机出口含水率。
4.根据权利要求1所述的方法，其特征在于，所述清洗所述初始数据，包括：
对所述初始数据进行缺失值处理，并对所述初始数据进行异常值处理；
所述对所述初始数据进行缺失值处理，包括：
计算所述初始数据的缺失数据所占比例；
当所占比例大于或等于第三阈值时，通过预设填充方法进行补充；
所述对所述初始数据进行异常值处理，包括：
计算所述初始数据的异常值序列；
当所述异常值序列大于第四阈值时，通过预设修正方式进行补充，生成清洗后的初始数据。
5.根据权利要求1所述的方法，其特征在于，所述根据所述训练样本数据、目标GBDT算法以及预设影响因子，构建生成烘丝机出口含水率的初始预测模型，包括：
调用决策模块中的目标GBDT算法，创建空白模型；
根据所述训练样本数据，确定所述预设影响因子的初始值；
根据所述空白模型以及预设影响因子的初始值，构建生成烘丝机出口含水率的初始预测模型。
6.一种基于烘丝机出口含水率预测模型的调控方法，其特征在于，包括：
获取目标生产数据；
根据所述目标生产数据以及权利要求1-5任一项所述的烘丝机出口含水率目标预测模型，计算当前批次的出口含水率；
根据所述当前批次的出口含水率，确定烘丝机的标准输入参数。
7.根据权利要求6所述的方法，其特征在于，所述根据所述当前批次的出口含水率，确定烘丝机的标准输入参数，包括：
根据所述当前批次的出口含水率，确定所述烘丝机的初始输入参数；
根据所述烘丝机的初始输入参数以及权利要求1-5任一项所述的烘丝机出口含水率目标预测模型，计算下一批次的出口含水率；
当所述下一批次的出口含水率符合标准条件时，确定所述烘丝机的标准输入参数。
8.一种烘丝机出口含水率预测模型的生成装置，其特征在于，包括：
第一获取模块，用于获取预设时间段内制丝生产过程的初始数据；
处理模块，用于清洗所述初始数据，并对清洗后的初始数据进行归一化处理，划分生成训练样本数据以及测试数据；
初始预测模型生成模块，用于根据所述训练样本数据、目标GBDT算法以及预设影响因子，构建生成烘丝机出口含水率的初始预测模型；
第一计算模块，用于将所述测试数据输入至所述初始预测模型，计算生成训练准确度以及平均误差；
目标预测模型生成模块，用于当所述训练准确度符合第一阈值范围，且所述平均误差符合第二阈值范围时，将所述初始预测模型更新为烘丝机出口含水率目标预测模型。
9.一种基于烘丝机出口含水率预测模型的调控装置，其特征在于，包括：
第二获取模块，用于获取目标生产数据；
第二计算模块，用于根据所述目标生产数据以及权利要求1-5任一项所述的烘丝机出口含水率目标预测模型，计算当前批次的出口含水率；
确定模块，用于根据所述当前批次的出口含水率，确定烘丝机的标准输入参数。
10.一种计算机设备，其特征在于，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行权利要求1-5中任一项所述的烘丝机出口含水率预测模型的生成方法的步骤，以及权利要求6或7所述的基于烘丝机出口含水率预测模型的调控方法的步骤。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-5中任一项所述的烘丝机出口含水率预测模型的生成方法的步骤，以及权利要求6或7所述的基于烘丝机出口含水率预测模型的调控方法的步骤。
CN202110420773.5A 2021-04-19 2021-04-19 烘丝机出口含水率预测模型的生成及基于其的调控方法 Pending CN113128764A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110420773.5A CN113128764A (zh) 2021-04-19 2021-04-19 烘丝机出口含水率预测模型的生成及基于其的调控方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110420773.5A CN113128764A (zh) 2021-04-19 2021-04-19 烘丝机出口含水率预测模型的生成及基于其的调控方法

Publications (1)

Publication Number Publication Date
CN113128764A true CN113128764A (zh) 2021-07-16

Family

ID=76778059

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110420773.5A Pending CN113128764A (zh) 2021-04-19 2021-04-19 烘丝机出口含水率预测模型的生成及基于其的调控方法

Country Status (1)

Country Link
CN (1) CN113128764A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113778012A (zh) * 2021-09-17 2021-12-10 安徽中烟工业有限责任公司 一种烘丝机蒸汽使用管控方法
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
CN114003067A (zh) * 2021-10-25 2022-02-01 河北白沙烟草有限责任公司 基于环境湿度影响分析的烟丝水分恒定控制方法和系统
CN114115393A (zh) * 2021-11-04 2022-03-01 湖北中烟工业有限责任公司 一种制丝线薄板烘丝机出口水分和温度的控制方法
CN114403486A (zh) * 2022-02-17 2022-04-29 四川大学 基于局部峰值编码循环网络的气流式烘丝机智能控制方法
CN116127824A (zh) * 2023-01-10 2023-05-16 首域科技(杭州)有限公司 一种烘丝机工艺生产参数优化求解模型建立系统
CN116258080A (zh) * 2023-03-21 2023-06-13 上海益实智能科技有限公司 一种薄板烘丝机出口含水率预测方法及装置
CN117077550A (zh) * 2023-10-17 2023-11-17 首域科技(杭州)有限公司 一种基于分布滞后模型的烟草烘丝机建模方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102871214A (zh) * 2012-10-08 2013-01-16 秦皇岛烟草机械有限责任公司 基于模型预测的烘丝机出口水分控制方法
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
CN111950795A (zh) * 2020-08-18 2020-11-17 安徽中烟工业有限责任公司 基于随机森林的松散回潮加水比例的预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102871214A (zh) * 2012-10-08 2013-01-16 秦皇岛烟草机械有限责任公司 基于模型预测的烘丝机出口水分控制方法
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
CN111950795A (zh) * 2020-08-18 2020-11-17 安徽中烟工业有限责任公司 基于随机森林的松散回潮加水比例的预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张辉: ""大数据技术在烘丝出口水分预测与控制中的应用"" *

Cited By (9)

* Cited by examiner, † Cited by third party
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
CN113778012A (zh) * 2021-09-17 2021-12-10 安徽中烟工业有限责任公司 一种烘丝机蒸汽使用管控方法
CN114003067A (zh) * 2021-10-25 2022-02-01 河北白沙烟草有限责任公司 基于环境湿度影响分析的烟丝水分恒定控制方法和系统
CN114003067B (zh) * 2021-10-25 2022-06-10 河北白沙烟草有限责任公司 基于环境湿度影响分析的烟丝水分恒定控制方法和系统
CN114115393A (zh) * 2021-11-04 2022-03-01 湖北中烟工业有限责任公司 一种制丝线薄板烘丝机出口水分和温度的控制方法
CN114403486A (zh) * 2022-02-17 2022-04-29 四川大学 基于局部峰值编码循环网络的气流式烘丝机智能控制方法
CN116127824A (zh) * 2023-01-10 2023-05-16 首域科技(杭州)有限公司 一种烘丝机工艺生产参数优化求解模型建立系统
CN116258080A (zh) * 2023-03-21 2023-06-13 上海益实智能科技有限公司 一种薄板烘丝机出口含水率预测方法及装置
CN117077550A (zh) * 2023-10-17 2023-11-17 首域科技(杭州)有限公司 一种基于分布滞后模型的烟草烘丝机建模方法

Similar Documents

Publication Publication Date Title
CN113128764A (zh) 烘丝机出口含水率预测模型的生成及基于其的调控方法
CN109674080B (zh) 烟叶回潮加水量预测方法、存储介质及终端设备
CN110101106B (zh) 基于模糊前馈反馈算法的回潮加湿过程水分控制方法及系统
CN111045326B (zh) 一种基于递归神经网络的烘丝过程水分预测控制方法及系统
JP5111719B2 (ja) 時系列なリアルタイムのデータおよび非リアルタイムのデータを収集し検索する方法およびシステム
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
US10452048B2 (en) Control system and control device
CN112273696B (zh) 切丝后水分控制方法、装置以及设备
CN110244664A (zh) 用于烟草加工工业的烟草制备系统和运行设备的方法
CN109508895A (zh) 烟草制丝设备的控制性能评估装置、方法以及存储介质
CN112273695A (zh) 松散回潮出口含水率预测方法、装置以及设备
CN105334738B (zh) 一种适用于烟草加工过程pid控制回路的性能评价方法
CN114115393A (zh) 一种制丝线薄板烘丝机出口水分和温度的控制方法
CN116306221A (zh) 一种基于lstm预测模型的空气管道系统控制方法
CN116611349B (zh) 基于神经网络的滚筒烘丝工艺参数优化方法及系统
CN116757354A (zh) 一种基于多层感知机的烟叶复烤段关键参数筛选方法
CN116449779A (zh) 基于Actor-Critic结构的汽车车身喷涂用环境数据分析方法
CN114741258B (zh) 一种基于大数据的计算机性能控制分析系统及方法
CN106072743A (zh) 一种基于梗丝干燥的梗丝质量控制方法及系统
JPS5894004A (ja) プラント制御系調節器最適パラメ−タ探索装置
CN116184806A (zh) 烘丝干头阶段烘丝机参数自动控制方法、系统、介质及终端
CN114304709B (zh) 打叶复烤设备运行参数自动控制方法、存储介质及系统
CN116998747A (zh) 一种制丝工序含水率调整方法、介质及系统
CN113359452B (zh) 基于Barzilai Borwein智能学习算法的控制器设计方法、系统
CN117044980A (zh) 提高烘丝出口水分稳定性的方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210716