CN113642854A - 烟支单支克重预测方法、装置及计算机可读存储介质 - Google Patents
烟支单支克重预测方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN113642854A CN113642854A CN202110841056.XA CN202110841056A CN113642854A CN 113642854 A CN113642854 A CN 113642854A CN 202110841056 A CN202110841056 A CN 202110841056A CN 113642854 A CN113642854 A CN 113642854A
- Authority
- CN
- China
- Prior art keywords
- cigarette
- data
- weight
- gram
- gram weight
- 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
Links
- 235000019504 cigarettes Nutrition 0.000 title claims abstract description 351
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000004519 manufacturing process Methods 0.000 claims abstract description 105
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000007621 cluster analysis Methods 0.000 claims abstract description 13
- 238000010219 correlation analysis Methods 0.000 claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 9
- 238000003066 decision tree Methods 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 239000013072 incoming material Substances 0.000 claims description 4
- 238000012417 linear regression Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 3
- 241000208125 Nicotiana Species 0.000 description 7
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 3
- 238000012372 quality testing Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000010079 rubber tapping Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种烟支单支克重预测方法,该烟支单支克重预测方法包括:获取若干组重量不合格烟支的重量数据以及烟支生产数据;对所有所述烟支生产数据进行聚类分析,删除不影响烟支单支克重的烟支生产数据,得到烟支聚类数据;将所述烟支聚类数据和所述重量数据输入相关性分析模型中训练,得到烟支单支克重预测模型;获取烟支实时生产数据,并将所述烟支实时生产数据输入烟支单支克重预测模型中,得到预测烟支单支克重。本发明还公开了一种烟支单支克重预测装置和一种计算机可读存储介质。本发明能够实现准确预测卷烟的烟支克重,稳定卷烟的烟支克重,实现根据预测的卷烟烟支克重自动调整设备的生产参数,以便于将卷烟烟支克重控制在标准范围内。
Description
技术领域
本发明涉及卷烟生产技术领域,尤其涉及烟支单支克重预测方法、装置及计算机可读存储介质。
背景技术
目前,随着烟草行业对卷烟质量要求的逐渐提升,烟支单支克重在提升卷烟质量中具有举重轻重的作用,因此烟支单支克重一直是烟草行业工业质量研究的重点,但是因为影响烟支单支克重的因素多、相关性复杂,烟支单支克重无法保持稳定,烟支单支克重也无法进行预测,更无法通过自动调整设备的生产参数将烟支克重控制在标准范围内。
发明内容
本发明的主要目的在于提出一种烟支单支克重预测方法、装置及计算机可读存储介质,旨在准确预测卷烟的烟支克重,稳定卷烟的烟支克重,根据预测的卷烟烟支克重自动调整设备的生产参数,以便于将卷烟烟支克重控制在标准范围内。
为实现上述目的,本发明提供一种烟支单支克重预测方法,所述烟支单支克重预测方法包括如下步骤:
获取若干组重量不合格烟支的重量数据以及烟支生产数据;
对所有所述烟支生产数据进行聚类分析,删除不影响烟支单支克重的烟支生产数据,得到烟支聚类数据;
将所述烟支聚类数据和所述重量数据输入相关性分析模型中训练,得到烟支单支克重预测模型;
获取烟支实时生产数据,并将所述烟支实时生产数据输入烟支单支克重预测模型中,得到预测烟支单支克重。
可选地,所述将所述烟支聚类数据和所述重量数据输入相关性分析模型中训练,得到烟支单支克重预测模型的步骤,包括:
对若干组所述重量数据和若干组所述烟支聚类数据依次进行排序;
将第一组所述重量数据和第一组所述烟支聚类数据输入梯度提升决策树GBDT模型中进行训练,计算得到第一收敛系数;
检测所述第一收敛系数是否小于预设收敛值;
若所述第一收敛系数大于或等于预设收敛值,则将第二组所述重量数据和第二组所述烟支聚类数据输入GBDT模型中进行训练,计算得到第二收敛系数;
以此类推,当所述第N收敛系数小于预设收敛值时,GBDT模型训练完成,输出烟支单支克重预测模型。
其中,T={(x1,y1),(x2,y2),...,(xM,yM)}为若干组所述重量数据和若干组所述烟支聚类数据,M为所述重量数据和所述烟支聚类数据的组数,xi∈Rd,T代表最大迭代次数;
L为损失函数,c表示样本y的均值。对于i=1,2,...,M,计算损失函数在当前模型下负梯度方向的值
根据rti拟合回归树,从而得到第t棵回归树,相对应的叶子节点区域为Rti(j=1,2,...,J),其中,J为回归树t的叶子节点个数;
最佳拟合值ctj=argmin∑L(yi,ft-1(x)+c);
可选地,所述对所有所述烟支生产数据进行聚类分析,删除不影响烟支单支克重的烟支生产数据,得到烟支聚类数据的步骤,包括:
基于Lasso算法对所有所述烟支生产数据进行聚类分析,删除不影响烟支单支克重的烟支生产数据,得到烟支聚类数据。
烟支生产数据为样本数据(Xi,yi),i=1,2,...,N,其中,Xi=(xi1,xi2,...,xip)'和yi分别是第i个观测值对应的自变量和相应变量;
可选地,所述获取重量不合格烟支的重量数据以及烟支生产数据的步骤之后,包括:
对所述重量数据根据检测时间差进行生产时间同步。
可选地,其中,所述烟支生产数据包括设备生产数据、停机数据、剔除数据、设备本体数据、来料质量数据中的一种或多种;
其中,重量数据为对生产的烟支进行重量检测的数据。
可选地,其中,所述获取烟支实时生产数据,并将所述烟支实时生产数据输入烟支单支克重预测模型中,得到预测烟支单支克重的步骤之后,包括:
当所述预测烟支单支克重不处于标准范围时,发出预警信息。
此外,为实现上述目的,本发明还提供一种烟支单支克重预测装置,所述烟支单支克重预测装置包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的烟支单支克重预测程序,所述烟支单支克重预测程序被所述处理器执行时实现如上所述的烟支单支克重预测方法的步骤。
此外,为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有烟支单支克重预测程序,所述烟支单支克重预测程序被处理器执行时实现如上所述的烟支单支克重预测方法的步骤。
本发明提供了一种烟支单支克重预测方法、装置及计算机可读存储介质,获取若干组重量不合格烟支的重量数据以及烟支生产数据;对所有所述烟支生产数据进行聚类分析,删除不影响烟支单支克重的烟支生产数据,得到烟支聚类数据;将所述烟支聚类数据和所述重量数据输入相关性分析模型中训练,得到烟支单支克重预测模型;获取烟支实时生产数据,并将所述烟支实时生产数据输入烟支单支克重预测模型中,得到预测烟支单支克重。通过上述方式,本发明能够实现准确预测卷烟的烟支克重,稳定卷烟的烟支克重,实现根据预测的卷烟烟支克重自动调整设备的生产参数,以便于将卷烟烟支克重控制在标准范围内。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的终端结构示意图;
图2为本发明烟支单支克重预测方法第一实施例的流程示意图;
图3为本发明烟支单支克重预测方法第二实施例的流程示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本发明实施例的主要解决方案是:获取若干组重量不合格烟支的重量数据以及烟支生产数据;对所有所述烟支生产数据进行聚类分析,删除不影响烟支单支克重的烟支生产数据,得到烟支聚类数据;将所述烟支聚类数据和所述重量数据输入相关性分析模型中训练,得到烟支单支克重预测模型;获取烟支实时生产数据,并将所述烟支实时生产数据输入烟支单支克重预测模型中,得到预测烟支单支克重。
现有的随着烟草行业对卷烟质量要求的逐渐提升,烟支单支克重在提升卷烟质量中具有举重轻重的作用,因此烟支单支克重一直是烟草行业工业质量研究的重点,但是因为影响烟支单支克重的因素多、相关性复杂,烟支克重无法保持稳定,烟支克重也无法进行预测,更无法通过自动调整设备的生产参数将烟支克重控制在标准范围内。
本发明旨在准确预测卷烟的烟支克重,稳定卷烟的烟支克重,根据预测的卷烟烟支克重自动调整设备的生产参数,以便于将卷烟烟支克重控制在标准范围内。
如图1所示,图1是本发明实施例方案涉及的硬件运行环境的终端结构示意图。
本发明实施例终端可以是PC,也可以是智能手机、平板电脑等具有显示功能的可移动式终端设备。
如图1所示,该终端可以包括:处理器1001,例如CPU,网络接口1004,用户接口1003,存储器1005,通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
优选地,终端还可以包括摄像头、RF(Radio Frequency,射频)电路,传感器、音频电路、WiFi模块等等。其中,传感器比如光传感器、运动传感器以及其他传感器。具体地,光传感器可包括环境光传感器及接近传感器,其中,环境光传感器可根据环境光线的明暗来调节显示屏的亮度,接近传感器可在移动终端移动到耳边时,关闭显示屏和/或背光。作为运动传感器的一种,重力加速度传感器可检测各个方向上(一般为三轴)加速度的大小,静止时可检测出重力的大小及方向,可用于识别移动终端姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等;当然,移动终端还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器,在此不再赘述。
本领域技术人员可以理解,图1中示出的终端结构并不构成对终端的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及烟支单支克重预测程序。
在图1所示的终端中,网络接口1004主要用于连接后台服务器,与后台服务器进行数据通信;用户接口1003主要用于连接客户端(用户端),与客户端进行数据通信;而处理器1001可以用于调用存储器1005中存储的烟支单支克重预测程序,并执行以下操作:
获取若干组重量不合格烟支的重量数据以及烟支生产数据;
对所有所述烟支生产数据进行聚类分析,删除不影响烟支单支克重的烟支生产数据,得到烟支聚类数据;
将所述烟支聚类数据和所述重量数据输入相关性分析模型中训练,得到烟支单支克重预测模型;
获取烟支实时生产数据,并将所述烟支实时生产数据输入烟支单支克重预测模型中,得到预测烟支单支克重。
进一步地,处理器1001可以调用存储器1005中存储的烟支单支克重预测程序,还执行以下操作:
对若干组所述重量数据和若干组所述烟支聚类数据依次进行排序;
将第一组所述重量数据和第一组所述烟支聚类数据输入梯度提升决策树GBDT模型中进行训练,计算得到第一收敛系数;
检测所述第一收敛系数是否小于预设收敛值;
若所述第一收敛系数大于或等于预设收敛值,则将第二组所述重量数据和第二组所述烟支聚类数据输入GBDT模型中进行训练,计算得到第二收敛系数;
以此类推,当所述第N收敛系数小于预设收敛值时,GBDT模型训练完成,输出烟支单支克重预测模型。
其中,T={(x1,y1),(x2,y2),...,(xM,yM)}为若干组所述重量数据和若干组所述烟支聚类数据,M为所述重量数据和所述烟支聚类数据的组数,xi∈Rd,T代表最大迭代次数;
L为损失函数,c表示样本y的均值。对于i=1,2,...,M,计算损失函数在当前模型下负梯度方向的值
根据rti拟合回归树,从而得到第t棵回归树,相对应的叶子节点区域为Rti(j=1,2,...,J),其中,J为回归树t的叶子节点个数;
最佳拟合值ctj=argmin∑L(yi,ft-1(x)+c);
进一步地,处理器1001可以调用存储器1005中存储的烟支单支克重预测程序,还执行以下操作:
基于Lasso算法对所有所述烟支生产数据进行聚类分析,删除不影响烟支单支克重的烟支生产数据,得到烟支聚类数据。
烟支生产数据为样本数据(Xi,yi),i=1,2,...,N,其中,Xi=(xi1,xi2,...,xip)'和yi分别是第i个观测值对应的自变量和相应变量;
进一步地,处理器1001可以调用存储器1005中存储的烟支单支克重预测程序,还执行以下操作:
对所述重量数据根据检测时间差进行生产时间同步。
进一步地,其中,所述烟支生产数据包括设备生产数据、停机数据、剔除数据、设备本体数据、来料质量数据中的一种或多种;
其中,重量数据为对生产的烟支进行重量检测的数据。
进一步地,处理器1001可以调用存储器1005中存储的烟支单支克重预测程序,还执行以下操作:
当所述预测烟支单支克重不处于标准范围时,发出预警信息。
基于上述硬件结构,提出本发明烟支单支克重预测方法实施例。
本发明烟支单支克重预测方法。
参照图2,图2为本发明烟支单支克重预测方法第一实施例的流程示意图。
本发明实施例中,该烟支单支克重预测方法应用于烟支单支克重预测装置,所述方法包括:
步骤S10,获取若干组重量不合格烟支的重量数据以及烟支生产数据;
在本实施例中,为了准确预测卷烟的烟支克重,稳定卷烟的烟支克重,根据预测的卷烟烟支克重自动调整设备的生产参数,以便于将卷烟烟支克重控制在标准范围内,烟支单支克重预测装置获取若干组重量不合格烟支的重量数据以及烟支生产数据。其中,所述烟支生产数据包括设备生产数据、停机数据、剔除数据、设备本体数据、来料质量数据中的一种或多种;其中,重量数据为对生产的烟支进行重量检测的数据。
步骤S10获取若干组重量不合格烟支的重量数据以及烟支生产数据之后,可以包括:
步骤a,对所述重量数据根据检测时间差进行生产时间同步。
在本实施例中,烟支单支克重预测装置在获取了若干组重量不合格烟支的重量数据之后,对所述重量数据根据检测时间差进行生产时间同步。质检工人需要每小时进行一次质检,但是在实际操作过程中,往往会因为一些客观原因,质检时间会有偏离,这样就会造成时间估算上的误差。所以在进行质检时,需要人工走一段路程,去抓取烟支进行检测,而这段过程所耗费的时间是需要进行生产时间同步的。
步骤S20,对所有所述烟支生产数据进行聚类分析,删除不影响烟支单支克重的烟支生产数据,得到烟支聚类数据;
在本实施例中,烟支单支克重预测装置在获取了若干组重量不合格烟支的重量数据以及烟支生产数据之后,对所有所述烟支生产数据进行聚类分析,删除不影响烟支单支克重的烟支生产数据,得到烟支聚类数据。
步骤S20对所有所述烟支生产数据进行聚类分析,删除不影响烟支单支克重的烟支生产数据得到烟支聚类数据,可以包括:
步骤b,基于Lasso算法对所有所述烟支生产数据进行聚类分析,删除不影响烟支单支克重的烟支生产数据,得到烟支聚类数据。
在本实施例中,烟支单支克重预测装置在获取了若干组重量不合格烟支的重量数据以及烟支生产数据之后,基于Lasso算法对所有所述烟支生产数据进行聚类分析,删除不影响烟支单支克重的烟支生产数据,得到烟支聚类数据。其中,Lasso算法是对烟支生产数据进行提取、清洗、转换的算法。例如,如果某个输入变量对输出变量的重要性权重为0,那也就意味着该输入变量对输出变量几乎没有影响,由此可初步剔除这些重要性权重为0的输入变量,共剔除了28个输入变量。另外,通过对输入变量与输出变量进行相关性检验,可以得知有多个自变量与因变量间存在的相关关系程度不一,针对该情况,本文进一步采用Lasso回归对变量进行筛选,减少变量信息不必要的冗余。通过使用Lasso回归对变量进行筛选后,进一步剔除了17个输入变量,初步保留下来的输入变量为烟支聚类数据。其中,烟支聚类数据包括:平整盘位置、提升带速度、烟丝水分、梗签剔除、空头剔除、针辊转速。
烟支生产数据为样本数据(Xi,yi),i=1,2,...,N,其中,Xi=(xi1,xi2,...,xip)'和yi分别是第i个观测值对应的自变量和相应变量;
Lasso回归法广泛应用于变量的选择及变量信息的提取,其优势在于,在回归系数的绝对值之和小于一个常数的约束条件下,使得残差平方和达到最小,从而得到某些为0的回归系数,以提高模型解释力的作用。
步骤S30,将所述烟支聚类数据和所述重量数据输入相关性分析模型中训练,得到烟支单支克重预测模型;
在本实施例中,烟支单支克重预测装置在得到了烟支聚类数据之后,将所述烟支聚类数据和所述重量数据输入相关性分析模型中训练,得到烟支单支克重预测模型。
步骤S40,获取烟支实时生产数据,并将所述烟支实时生产数据输入烟支单支克重预测模型中,得到预测烟支单支克重。
在本实施例中,烟支单支克重预测装置完成了烟支单支克重预测模型训练之后,获取烟支实时生产数据,并将所述烟支实时生产数据输入烟支单支克重预测模型中,得到预测烟支单支克重。
步骤S40获取烟支实时生产数据,并将所述烟支实时生产数据输入烟支单支克重预测模型中,得到预测烟支单支克重之后,可以包括:
步骤c,当所述预测烟支单支克重不处于标准范围时,发出预警信息。
在本实施例中,烟支单支克重预测装置预测出了烟支单支克重,检测预测烟支单支克重是否处于标准范围,当所述预测烟支单支克重不处于标准范围时,发出预警信息。
本实施例通过上述方案,获取若干组重量不合格烟支的重量数据以及烟支生产数据;对所有所述烟支生产数据进行聚类分析,删除不影响烟支单支克重的烟支生产数据,得到烟支聚类数据;将所述烟支聚类数据和所述重量数据输入相关性分析模型中训练,得到烟支单支克重预测模型;获取烟支实时生产数据,并将所述烟支实时生产数据输入烟支单支克重预测模型中,得到预测烟支单支克重。由此,实现了准确预测卷烟的烟支克重,稳定了卷烟的烟支克重,实现了根据预测的卷烟烟支克重自动调整设备的生产参数,以便于将卷烟烟支克重控制在标准范围内。
进一步地,参照图3,图3为本发明烟支单支克重预测方法第二实施例的流程示意图。基于上述图2所示的实施例,步骤S30将所述烟支聚类数据和所述重量数据输入相关性分析模型中训练,得到烟支单支克重预测模型,可以包括:
步骤S31,对若干组所述重量数据和若干组所述烟支聚类数据依次进行排序;
在本实施例中,烟支单支克重预测装置在得到了烟支聚类数据之后,对若干组所述重量数据和若干组所述烟支聚类数据依次进行排序。
步骤S32,将第一组所述重量数据和第一组所述烟支聚类数据输入梯度提升决策树GBDT模型中进行训练,计算得到第一收敛系数;
在本实施例中,烟支单支克重预测装置在对若干组所述重量数据和若干组所述烟支聚类数据依次进行排序之后,将第一组所述重量数据和第一组所述烟支聚类数据输入梯度提升决策树GBDT模型中进行训练,计算得到第一收敛系数。
其中,T={(x1,y1),(x2,y2),...,(xM,yM)}为若干组所述重量数据和若干组所述烟支聚类数据,M为所述重量数据和所述烟支聚类数据的组数,xi∈Rd,T代表最大迭代次数;
L为损失函数,c表示样本y的均值。对于i=1,2,...,M,计算损失函数在当前模型下负梯度方向的值
根据rti拟合回归树,从而得到第t棵回归树,相对应的叶子节点区域为Rti(j=1,2,...,J),其中,J为回归树t的叶子节点个数;
最佳拟合值ctj=argmin∑L(yi,ft-1(x)+c);
步骤S33,检测所述第一收敛系数是否小于预设收敛值;
在本实施例中,烟支单支克重预测装置在得到了第一收敛系数之后,检测所述第一收敛系数是否小于预设收敛值。
步骤S34,若所述第一收敛系数大于或等于预设收敛值,则将第二组所述重量数据和第二组所述烟支聚类数据输入GBDT模型中进行训练,计算得到第二收敛系数;
在本实施例中,当所述第一收敛系数大于或等于预设收敛值,则将第二组所述重量数据和第二组所述烟支聚类数据输入GBDT模型中进行训练,计算得到第二收敛系数。
步骤S35,以此类推,当所述第N收敛系数小于预设收敛值时,GBDT模型训练完成,输出烟支单支克重预测模型。
在本实施例中,以此类推,当所述第N收敛系数小于预设收敛值时,GBDT模型训练完成,输出烟支单支克重预测模型。
本实施例通过上述方案,对若干组所述重量数据和若干组所述烟支聚类数据依次进行排序;将第一组所述重量数据和第一组所述烟支聚类数据输入梯度提升决策树GBDT模型中进行训练,计算得到第一收敛系数;检测所述第一收敛系数是否小于预设收敛值;若所述第一收敛系数大于或等于预设收敛值,则将第二组所述重量数据和第二组所述烟支聚类数据输入GBDT模型中进行训练,计算得到第二收敛系数;以此类推,当所述第N收敛系数小于预设收敛值时,GBDT模型训练完成,输出烟支单支克重预测模型。由此,实现了准确预测卷烟的烟支克重,稳定了卷烟的烟支克重,实现了根据预测的卷烟烟支克重自动调整设备的生产参数,以便于将卷烟烟支克重控制在标准范围内。
本发明还提供一种烟支单支克重预测装置。
本发明烟支单支克重预测装置包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的烟支单支克重预测程序,所述烟支单支克重预测程序被所述处理器执行时实现如上所述的烟支单支克重预测方法的步骤。
其中,在所述处理器上运行的烟支单支克重预测程序被执行时所实现的方法可参照本发明烟支单支克重预测方法各个实施例,此处不再赘述。
本发明还提供一种计算机可读存储介质。
本发明计算机可读存储介质上存储有烟支单支克重预测程序,所述烟支单支克重预测程序被处理器执行时实现如上所述的烟支单支克重预测方法的步骤。
其中,在所述处理器上运行的烟支单支克重预测程序被执行时所实现的方法可参照本发明烟支单支克重预测方法各个实施例,此处不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种烟支单支克重预测方法,其特征在于:所述烟支单支克重预测方法包括如下步骤:
获取若干组重量不合格烟支的重量数据以及烟支生产数据;
对所有所述烟支生产数据进行聚类分析,删除不影响烟支单支克重的烟支生产数据,得到烟支聚类数据;
将所述烟支聚类数据和所述重量数据输入相关性分析模型中训练,得到烟支单支克重预测模型;
获取烟支实时生产数据,并将所述烟支实时生产数据输入烟支单支克重预测模型中,得到预测烟支单支克重。
2.根据权利要求1所述的烟支单支克重预测方法,其特征在于,所述将所述烟支聚类数据和所述重量数据输入相关性分析模型中训练,得到烟支单支克重预测模型的步骤,包括:
对若干组所述重量数据和若干组所述烟支聚类数据依次进行排序;
将第一组所述重量数据和第一组所述烟支聚类数据输入梯度提升决策树GBDT模型中进行训练,计算得到第一收敛系数;
检测所述第一收敛系数是否小于预设收敛值;
若所述第一收敛系数大于或等于预设收敛值,则将第二组所述重量数据和第二组所述烟支聚类数据输入GBDT模型中进行训练,计算得到第二收敛系数;
以此类推,当所述第N收敛系数小于预设收敛值时,GBDT模型训练完成,输出烟支单支克重预测模型。
3.根据权利要求2所述的烟支单支克重预测方法,其特征在于,初始化的GBDT模型为
其中,T={(x1,y1),(x2,y2),...,(xM,yM)}为若干组所述重量数据和若干组所述烟支聚类数据,M为所述重量数据和所述烟支聚类数据的组数,xi∈Rd,T代表最大迭代次数;
L为损失函数,c表示样本y的均值。对于i=1,2,...,M,计算损失函数在当前模型下负梯度方向的值
根据rti拟合回归树,从而得到第t棵回归树,相对应的叶子节点区域为Rti(j=1,2,...,J),其中,J为回归树t的叶子节点个数;
最佳拟合值ctj=argmin∑L(yi,ft-1(x)+c);
4.根据权利要求1至3中任一项所述的烟支单支克重预测方法,其特征在于,所述对所有所述烟支生产数据进行聚类分析,删除不影响烟支单支克重的烟支生产数据,得到烟支聚类数据的步骤,包括:
基于Lasso算法对所有所述烟支生产数据进行聚类分析,删除不影响烟支单支克重的烟支生产数据,得到烟支聚类数据。
6.根据权利要求1至3中任一项所述的烟支单支克重预测方法,其特征在于,所述获取重量不合格烟支的重量数据以及烟支生产数据的步骤之后,包括:
对所述重量数据根据检测时间差进行生产时间同步。
7.根据权利要求1至3中任一项所述的烟支单支克重预测方法,其特征在于,其中,所述烟支生产数据包括设备生产数据、停机数据、剔除数据、设备本体数据、来料质量数据中的一种或多种;
其中,重量数据为对生产的烟支进行重量检测的数据。
8.根据权利要求1至3中任一项所述的烟支单支克重预测方法,其特征在于,其中,所述获取烟支实时生产数据,并将所述烟支实时生产数据输入烟支单支克重预测模型中,得到预测烟支单支克重的步骤之后,包括:
当所述预测烟支单支克重不处于标准范围时,发出预警信息。
9.一种烟支单支克重预测装置,其特征在于,所述烟支单支克重预测装置包括:存储器、处理器及存储在所述存储器上并在所述处理器上运行的烟支单支克重预测程序,所述烟支单支克重预测程序被所述处理器执行时实现如权利要求1至8中任一项所述的烟支单支克重预测方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有烟支单支克重预测程序,所述烟支单支克重预测程序被处理器执行时实现如权利要求1至8中任一项所述的烟支单支克重预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110841056.XA CN113642854A (zh) | 2021-07-23 | 2021-07-23 | 烟支单支克重预测方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110841056.XA CN113642854A (zh) | 2021-07-23 | 2021-07-23 | 烟支单支克重预测方法、装置及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113642854A true CN113642854A (zh) | 2021-11-12 |
Family
ID=78418429
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110841056.XA Pending CN113642854A (zh) | 2021-07-23 | 2021-07-23 | 烟支单支克重预测方法、装置及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113642854A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105335626A (zh) * | 2015-10-26 | 2016-02-17 | 河南师范大学 | 一种基于网络分析的群lasso特征分群方法 |
CN109508859A (zh) * | 2018-10-08 | 2019-03-22 | 浙江中烟工业有限责任公司 | 一种影响叶丝填充值的关键制丝过程参数智能识别方法 |
CN110245802A (zh) * | 2019-06-20 | 2019-09-17 | 杭州安脉盛智能技术有限公司 | 基于改进梯度提升决策树的卷烟空头率预测方法及系统 |
US20190318202A1 (en) * | 2016-10-31 | 2019-10-17 | Tencent Technology (Shenzhen) Company Limited | Machine learning model training method and apparatus, server, and storage medium |
CN110705685A (zh) * | 2019-08-28 | 2020-01-17 | 云知声智能科技股份有限公司 | 一种神经网络量化分类方法与系统 |
CN112017789A (zh) * | 2020-09-09 | 2020-12-01 | 平安科技(深圳)有限公司 | 分诊数据处理方法、装置、设备及介质 |
CN112035631A (zh) * | 2019-12-31 | 2020-12-04 | 北京来也网络科技有限公司 | 结合rpa及ai的对话问答方法、装置、设备及存储介质 |
CN112884212A (zh) * | 2021-02-02 | 2021-06-01 | 陕西中烟工业有限责任公司 | 烟支单支克重偏差分析预测方法 |
-
2021
- 2021-07-23 CN CN202110841056.XA patent/CN113642854A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105335626A (zh) * | 2015-10-26 | 2016-02-17 | 河南师范大学 | 一种基于网络分析的群lasso特征分群方法 |
US20190318202A1 (en) * | 2016-10-31 | 2019-10-17 | Tencent Technology (Shenzhen) Company Limited | Machine learning model training method and apparatus, server, and storage medium |
CN109508859A (zh) * | 2018-10-08 | 2019-03-22 | 浙江中烟工业有限责任公司 | 一种影响叶丝填充值的关键制丝过程参数智能识别方法 |
CN110245802A (zh) * | 2019-06-20 | 2019-09-17 | 杭州安脉盛智能技术有限公司 | 基于改进梯度提升决策树的卷烟空头率预测方法及系统 |
CN110705685A (zh) * | 2019-08-28 | 2020-01-17 | 云知声智能科技股份有限公司 | 一种神经网络量化分类方法与系统 |
CN112035631A (zh) * | 2019-12-31 | 2020-12-04 | 北京来也网络科技有限公司 | 结合rpa及ai的对话问答方法、装置、设备及存储介质 |
CN112017789A (zh) * | 2020-09-09 | 2020-12-01 | 平安科技(深圳)有限公司 | 分诊数据处理方法、装置、设备及介质 |
CN112884212A (zh) * | 2021-02-02 | 2021-06-01 | 陕西中烟工业有限责任公司 | 烟支单支克重偏差分析预测方法 |
Non-Patent Citations (2)
Title |
---|
夏慧异著: "《Lasso的精确解》", 30 June 2018, 辽宁大学出版社, pages: 2 - 3 * |
李鱼强;潘天红;李浩然;邹小波;: "近红外光谱LASSO特征选择方法及其聚类分析应用研究", 光谱学与光谱分析, no. 12, 15 December 2019 (2019-12-15) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111640091B (zh) | 产品缺陷的检测方法及计算机存储介质 | |
US20220044066A1 (en) | Systems and methods for a tailored neural network detector | |
US20200202243A1 (en) | Balanced federated learning | |
CN111461548B (zh) | 基于区块链的品质智能监控系统、方法及可读存储介质 | |
CN106774970A (zh) | 对输入法的候选项进行排序的方法和装置 | |
CN109410275B (zh) | 位置预测方法、装置、设备以及可读存储介质 | |
CN111027707B (zh) | 模型的优化方法、装置及电子设备 | |
EP3892980A1 (en) | Information processing apparatus, information processing method, learned model generation method, and program | |
CN114971433B (zh) | 基于工业互联网的质量管控方法、装置、设备及存储介质 | |
CN111222563A (zh) | 一种模型训练方法、数据获取方法以及相关装置 | |
CN111368045B (zh) | 用户意图识别方法、装置、设备及计算机可读存储介质 | |
CN110825611A (zh) | 异常程序的分析方法及装置和计算机可读存储介质 | |
CN111797861A (zh) | 信息处理方法、装置、存储介质及电子设备 | |
CN110738120B (zh) | 环境数据调整方法及装置、电子设备及介质 | |
CN113836240B (zh) | 时序数据分类方法、装置、终端设备及存储介质 | |
CN113642854A (zh) | 烟支单支克重预测方法、装置及计算机可读存储介质 | |
CN117422905A (zh) | 目标识别方法、装置、设备及存储介质 | |
CN110392115B (zh) | 区块链节点管理方法、装置和可读存储介质 | |
CN113948165B (zh) | 受试者筛选方法、系统、设备及计算机可读存储介质 | |
JP2021047586A (ja) | リンゴ品質推定プログラム及びシステム | |
CN115859065A (zh) | 模型评测方法、装置、设备及存储介质 | |
CN111325357A (zh) | 机器学习建模方法、装置、设备及计算机可读存储介质 | |
CN113822295A (zh) | 图像识别方法、装置、电子设备和计算机可读存储介质 | |
CN113060614A (zh) | 电梯驱动主机故障诊断方法、装置及可读存储介质 | |
CN110674994A (zh) | 数据价值评估方法、终端、装置及可读存储介质 |
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 |