CN113812658A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN113812658A
CN113812658A CN202110991340.5A CN202110991340A CN113812658A CN 113812658 A CN113812658 A CN 113812658A CN 202110991340 A CN202110991340 A CN 202110991340A CN 113812658 A CN113812658 A CN 113812658A
Authority
CN
China
Prior art keywords
water
outlet
deviation
water adding
moisture
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
CN202110991340.5A
Other languages
English (en)
Other versions
CN113812658B (zh
Inventor
李自娟
陈娇娇
苗旺昌
高杨
方汀
赵力源
马燕淑
马燕玲
冯子贤
周政
孙朔
凡聪
李超
国际超
张奇峰
常文慧
马明磊
贾晓慧
杨慧霞
张云飞
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.)
Zhangjiakou Cigarette Factory Co Ltd
Original Assignee
Zhangjiakou Cigarette Factory 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 Zhangjiakou Cigarette Factory Co Ltd filed Critical Zhangjiakou Cigarette Factory Co Ltd
Priority to CN202211013302.3A priority Critical patent/CN115336780B/zh
Priority to CN202110991340.5A priority patent/CN113812658B/zh
Publication of CN113812658A publication Critical patent/CN113812658A/zh
Priority to US17/875,399 priority patent/US20230067754A1/en
Application granted granted Critical
Publication of CN113812658B publication Critical patent/CN113812658B/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
    • 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
    • A24B9/00—Control of the moisture content of tobacco products, e.g. cigars, cigarettes, pipe tobacco
    • 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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • 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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • 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
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/416—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by control of velocity, acceleration or deceleration
    • 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
    • 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
    • G06N3/09—Supervised learning
    • 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
    • G05B2219/37—Measurements
    • G05B2219/37371—Flow

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Automation & Control Theory (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Manufacturing & Machinery (AREA)
  • Human Computer Interaction (AREA)
  • Feedback Control In General (AREA)
  • Paper (AREA)

Abstract

本发明公开了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，包括步骤S1基于神经网络的松散回潮打水量预测模型；S2，总加水量预测与分配；S3，基于物料衡算与偏差的模型修正。本申请以制丝工序生产线的松散回潮设备为对象，将现有的打水量计算公式，以及“前后加水调整”改进为借助神经网络预测模型对加水量进行预测的控制方法，以及出口水分出现较大偏差时，利用物料衡算和水分偏差相结合的双重修正控制系统进行修正，来提高松散回潮工序出口水分的稳定性和精控性。

Description

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
技术领域
本发明涉及烟草制丝领域，特别是涉及一种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。
背景技术
松散回潮工序是制丝生产过程中的关键工序之一，其主要工艺任务是松散烟片，增加烟片的水分和温度，提高烟叶耐加工性。目前卷烟行业使用的松散回潮机，都具有松散效果好、耐加工性好的特点，但普遍存在出口水分稳定性差、打水控制系统反馈滞后等问题。
针对这些问题，烟草工作者进行了大量的研究，从系统改进、参数优化、模型建立等方面，来提高松散回潮机出口水分控制的稳定性。段荣华采用了专业(模糊处理)+常规PID的控制方法，实现了松散回潮出口水分的自动化控制，提高松散回潮出口水分的稳定性；李秀芳对松散回潮机的回风系统和水分控制的方式进行了改进，降低了出口水分、出口温度的波动；吴玉生等以设计优化参数组合，提高松散回潮出口水分CPK值；张玉和等以改进松散回潮筒内的耙钉结构方式，提高了物料的受热和回潮均匀性，改善松散回潮加工品质等。
以上的研究均以松散回潮机对出口水分的精准控制和松散回潮机加水系统为出发点，虽然松散回潮出口水分的稳定性均有了一定程度的提升，但在松散回潮的打水自适应控制，以及出口水分控制能力的提高方面，仍存在欠缺。
图1为现有的松散回潮加水控制方式。打水量计算公式采用的是入口水分实际值、出口水分设定值、入口秤的实际流量以及汽水系数计算而得；汽水系数的设定采用的方式是设备人员根据每个牌号卷烟的出口水分设定值，给出一个经验值，然后根据出口水分实际情况，进行调整，最后确定出汽水系数，进行固化；系统采用入口端、出口端前后同时加水的控制方式，物料从回潮喷嘴到松散回潮出口水分仪处的运行时间约为180s，系统反馈的滞后时间较长。生产运行过程中，需要通过人工调整入口端加水量、出口端加水量来实现出口水分的调节，当出口水分实际值与出口水分的设定值偏差较小时，调整出口端加水量；当偏差较大时，调整入口端加水量；大多数情况下，以调整出口加水量为主。在松散回潮打水控制系统中，出口水分的实际值不参与打水量的计算，经常作为人工调节幅度大小的参考依据，因此该系统为经典的开环控制。打水量由于受来料烟叶的水分、等级、产地和生产环境等因素的影响较大，可见现有的控制方式对出口水分的精准、智能控制还无法实现。
发明内容
为克服上述不足，本申请以制丝工序生产线的松散回潮设备为对象，将现有的打水量计算公式，以及“前后加水调整”改进为借助神经网络预测模型对加水量进行预测的控制方法，以及出口水分出现较大偏差时，利用物料衡算和水分偏差相结合的双重修正控制系统进行修正，来提高松散回潮工序出口水分的稳定性和精控性。
本发明解决其技术问题所采用的技术方案为：
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，包括：
S1，基于神经网络的松散回潮打水量预测模型
利用历史生产数据，以松散回潮工序的入口水分、出口水分设定值为输入值，打水量为输出值，设定模型的训练目标为0.05，训练的速度为0.01，最大的步数为100，进行神经网络训练，建立基于神经网络的松散回潮打水量预测模型；
S2，总加水量预测与分配
采集当前生产条件下的参数，基于S1预测模型得出出口水分设定值对应最佳总加水量；再根据入口端、出口端的加水分配系数，对入口端前加水量和出口端后加水量进行分配；
S3，基于物料衡算与偏差的模型修正
S3.1，定义
所述物料衡算是指通过松散回潮工序投入产出质量守恒原则预测采样周期T内的总打水量TotalWater(T)，计算公式：
TotalWater(T)＝F×T×MC+C-(Q+F×T×MR)
＝F×T×(MC-MR)-(Q-C)
式中，Q为采样周期T内蒸汽注入量，kg；
F为电子秤流量，kg/h；
T表示一个采样周期，s；
C为水分消耗，kg；
MC表示采样周期T内出口水分平均值，％；
MR表示入口水分平均值，％；
所述偏差是指出口水分实际值偏离设定值的大小，该偏差值定义为ΔS，计算公式：
ΔS＝MC-MS
式中，MC为出口水分实际值，％；MS为出口水分设定值，％；
S3.2，采样周期
采样周期T设定值是系统调整加水流量的频次，其根据物料从设备后端加水泵到出口水分仪这段路程所用时间进行设定；
S3.3，物料衡算修正
在一个采样周期T内，基于松散回朝工序物料投入和产出的物料衡算修正的加水流量ΔFlowRate(1)为：
Figure BDA0003232429220000031
S3.4，偏差修正
在一个采样周期T内，通过出口水分偏差修正的加水流量ΔFlowRate(2)为：
Figure BDA0003232429220000032
式中：F(T)为电子秤流量，kg/h；
S3.5，双重修正参数的选择
依据出口水分偏差的大小选择通过物料衡算修正或偏差修正；
当出口水分的偏差≥0.5％时，采用物料衡算的数值进行修正，反馈到总加水量上，进行修正；当出口水分的偏差＜0.5％时，采用偏差数值进行修正，反馈到出口端加水量上，进行修正。
本发明带来的有益效果有：
本申请提出一种基于神经网络模型和双重修偏的松散回潮加水控制方法，用于调控松散回潮工序出口水分，同时获得水分偏差基准，根据出口水分实际值与设定值的偏差大小采用对应的修正系统：
(1)基于神经网络建立的松散回潮机打水量控制模型，以松散回潮入口水分、出口水分设定值作为输入因子，打水量作为输出因子，预测总打水量，改变了原有系统反馈滞后和人工根据出口水分调整前端或后端加水量的方式，提升松散回潮工序智能化水平；同时，该模型具备自学习能力，通过不断收集生产数据进行模型训练，提升系统的预测精度；
(2)根据出口水分实际值与设定值偏差大小，分组进行偏差修正：当出口水分的偏差≥0.5％时，采用物料衡算的数值进行修正，反馈到总加水量上；当出口水分的偏差＜0.5％时，采用偏差数值修正，反馈到出口端加水量上。
通过应用效果分析，对比改进前后松散回潮出口水分的标准偏差，由0.61％降低到0.34％，降低了0.27％，显著提高了出口水分稳定性。
附图说明
下面结合附图及具体实施例对本发明作进一步说明，
图1为改进前松散回潮加水控制流程框图；
图2为改进后松散回潮加水控制流程框图
图3为应用本控制方法后的松散回潮加水控制系统反馈流程图。
具体实施方式
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，所描述的实施例仅仅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，本领域普通技术人员在没有做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。
实施例1
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，包括：
S1，基于神经网络的松散回潮打水量预测模型
利用历史生产数据，以松散回潮工序的入口水分、出口水分设定值为输入值，打水量为输出值，设定模型的训练目标为0.05，训练的速度为0.01，最大的步数为100，进行神经网络训练，建立基于神经网络的松散回潮打水量预测模型；该神经网络结构包含了输入层、隐含层和输出层三层结构；
S2，总加水量预测与分配
采集当前生产条件下的参数，基于S1预测模型得出出口水分设定值对应最佳总加水量；再根据入口端、出口端的加水分配系数，对入口端前加水量和出口端后加水量进行分配；
S3，基于物料衡算与偏差的模型修正
S3.1，定义
所述物料衡算是指通过松散回潮工序投入产出质量守恒原则预测采样周期T内的总打水量TotalWater(T)，计算公式：
TotalWater(T)＝F×T×MC+C-(Q+F×T×MR)
＝F×T×(MC-MR)-(Q-C)
式中，Q为采样周期T内蒸汽注入量，kg；
F为电子秤流量，kg/h；
T表示一个采样周期，s；
C为水分消耗，kg；
MC表示采样周期T内出口水分平均值，％；
MR表示入口水分平均值，％；
所述偏差是指出口水分实际值偏离设定值的大小，该偏差值定义为ΔS，计算公式：
ΔS＝MC-MS
式中，MC为出口水分实际值，％；MS为出口水分设定值，％；
S3.2，采样周期
采样周期T设定值是系统调整加水流量的频次，其根据物料从后加水泵(设备后端加水泵)到出口水分仪这段路程所用时间进行设定；采样周期T越小，松散回朝打水量调节越频繁；
经过现场测定，加水控制系统的采样周期为12s；
S3.3，物料衡算修正
在一个采样周期T内，基于松散回朝工序物料投入和产出的物料衡算修正的加水流量ΔFlowRate(1)为：
Figure BDA0003232429220000051
由上式可知，水分消耗标准是历史生产批次的水分消耗的平均值，当水分消耗标准和蒸汽注入量一定时，加水流量增大时，出口水分也会随之升高，当加水流量减小时，出口水分也会降低；
S3.4，偏差修正
在一个采样周期T内，通过出口水分偏差修正的加水流量ΔFlowRate(2)为：
Figure BDA0003232429220000052
式中：F(T)为电子秤流量，kg/h；
当偏差值ΔS(T)为正数时，出口水分的实际值＞设定值，应降低加水量；当偏差值ΔS(T)为负数时，出口水分的实际值＜设定值，应增大加水量；当ΔS(T)的绝对值越大，加水量的调整值ΔFlowRate(2)越大；
S3.5，双重修正参数的选择
依据出口水分偏差的大小选择通过物料衡算修正或偏差修正；
当出口水分的偏差≥0.5％时，采用物料衡算的数值进行修正，反馈到总加水量上，进行修正；当出口水分的偏差＜0.5％时，采用偏差数值进行修正，反馈到出口端加水量上，进行修正。
实施例2
基于实施例1将现阶段松散回潮加水量控制方式改为基于神经网络模型预测的方法，建立松散回潮打水量预测模型，通过预测系统采集当前生产条件下的参数，经过模型得出满足出口水分设定值时对应的最佳加水量；再根据入口端、出口端的加水分配系数(本实施例为7：3)，对入口端前加水量和出口端后加水量进行分配。
本实施例将出口水分实际值加入到反馈控制中，同时在预测系统中增加物料衡算与水分偏差控制相结合的双重修正系统，根据出口水分实际值与设定值的偏差大小，作为调整总加水量或调整后加水量，以及调整幅度大小的依据，从而实现出口水分的精确和智能控制，具体参见图2。
Figure BDA0003232429220000061
式中，Water表示加水量，kg；
F为秤的实际流量，kg/h；
MRS为入口水分实际值，％；
MCS为出口水分设定值，％；
S为汽水系数，本实施例的钻石(硬迎宾)牌号汽水系数为0.5。
现场测试计算结果表明：
在调整幅度较小时，偏差修正数值调控精准度更高，物料衡算偏差在调整反馈速度上更好。
实施例3
应用试验
材料：“钻石(硬迎宾)”牌卷烟。
设备和仪器：滚筒式松散回潮机(WQ3237型)；在线水分仪PSC460型在线水分仪。
实验方法：采用制丝信息管理系统收集的数据，使用改进前、改进后数据各20批，进行对比分析。
基于图3、实施例1的方法得到改进前后出口水分标准偏差的对比，结果见表1。
表1
Figure BDA0003232429220000062
Figure BDA0003232429220000071
由表1可以看出，改进后，松散回潮出口水分的标准偏差由0.61％降低到0.34％，降低了0.27％，出口水分稳定性显著提高。
实施例4
基于神经网络模型和双重参数修正的松散回潮加水控制系统。
所述系统用于实施上文所述的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，其包括
基于神经网络的松散回潮打水量预测模型构建单元；
本单元利用历史生产数据，以松散回潮工序的入口水分、出口水分设定值为输入值，打水量为输出值，建立基于神经网络的松散回潮打水量预测模型；
总加水量预测与分配单元；
本单元采集当前生产条件下的参数，基于上述预测模型得出出口水分设定值对应最佳总加水量；再根据入口端、出口端的加水分配系数，对入口端前加水量和出口端后加水量进行分配；
模型修正单元；
本单元依据出口水分偏差的大小选择通过物料衡算修正或偏差修正；
当出口水分的偏差≥0.5％时，采用物料衡算的数值进行修正，反馈到总加水量上，进行修正；当出口水分的偏差＜0.5％时，采用偏差数值进行修正，反馈到出口端加水量上，进行修正。
应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.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，其特征在于：包括：
S1，基于神经网络的松散回潮打水量预测模型
利用历史生产数据，以松散回潮工序的入口水分、出口水分设定值为输入值，打水量为输出值，进行神经网络训练，建立基于神经网络的松散回潮打水量预测模型；
S2，总加水量预测与分配
采集当前生产条件下的参数，基于S1预测模型得出出口水分设定值对应最佳总加水量；再根据入口端、出口端的加水分配系数，对入口端前加水量和出口端后加水量进行分配；
S3，基于物料衡算与偏差的模型修正
依据出口水分偏差的大小选择通过物料衡算修正或偏差修正；
当出口水分的偏差≥0.5％时，采用物料衡算的数值进行修正，反馈到总加水量上，进行修正；当出口水分的偏差＜0.5％时，采用偏差数值进行修正，反馈到出口端加水量上，进行修正。
2.根据权利要求1所述的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，其特征在于：S3包括
S3.1，定义
所述物料衡算是指通过松散回潮工序投入产出质量守恒原则预测采样周期T内的总打水量TotalWater(T)，计算公式：
TotalWater(T)＝F×T×MC+C-(Q+F×T×MR)
＝F×T×(MC-MR)-(Q-C)
式中，Q为采样周期T内蒸汽注入量，kg；
F为电子秤流量，kg/h；
T表示一个采样周期，s；
C为水分消耗，kg；
MC表示采样周期T内出口水分平均值，％；
MR表示入口水分平均值，％；
所述偏差是指出口水分实际值偏离设定值的大小，该偏差值定义为ΔS，计算公式：
ΔS＝MC-MS
式中，MC为出口水分实际值，％；MS为出口水分设定值，％；
S3.2，采样周期
采样周期T设定值是系统调整加水流量的频次，其根据物料从后加水泵到出口水分仪这段路程所用时间进行设定；
S3.3，物料衡算修正
在一个采样周期T内，基于松散回朝工序物料投入和产出的物料衡算修正的加水流量ΔFlowRate(1)为：
Figure FDA0003232429210000021
S3.4，偏差修正
在一个采样周期T内，通过出口水分偏差修正的加水流量ΔFlowRate(2)为：
Figure FDA0003232429210000022
式中：F(T)为电子秤流量，kg/h；
S3.5，双重修正参数的选择
依据出口水分偏差的大小选择通过物料衡算修正或偏差修正。
3.根据权利要求1所述的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，其特征在于：
S1中，设定模型的训练目标为0.05，训练的速度为0.01，最大的步数为100。
CN202110991340.5A 2021-08-26 2021-08-26 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 Active CN113812658B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202211013302.3A CN115336780B (zh) 2021-08-26 2021-08-26 基于神经网络模型和双重参数修正的松散回潮加水控制系统
CN202110991340.5A CN113812658B (zh) 2021-08-26 2021-08-26 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
US17/875,399 US20230067754A1 (en) 2021-08-26 2022-07-27 Water control method for loosening and conditioning process based on neural network model and double parameter correction

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110991340.5A CN113812658B (zh) 2021-08-26 2021-08-26 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

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN202211013302.3A Division CN115336780B (zh) 2021-08-26 2021-08-26 基于神经网络模型和双重参数修正的松散回潮加水控制系统

Publications (2)

Publication Number Publication Date
CN113812658A true CN113812658A (zh) 2021-12-21
CN113812658B CN113812658B (zh) 2022-11-01

Family

ID=78913670

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202110991340.5A Active CN113812658B (zh) 2021-08-26 2021-08-26 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
CN202211013302.3A Active CN115336780B (zh) 2021-08-26 2021-08-26 基于神经网络模型和双重参数修正的松散回潮加水控制系统

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN202211013302.3A Active CN115336780B (zh) 2021-08-26 2021-08-26 基于神经网络模型和双重参数修正的松散回潮加水控制系统

Country Status (2)

Country Link
US (1) US20230067754A1 (zh)
CN (2) CN113812658B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114668164A (zh) * 2022-04-01 2022-06-28 河南中烟工业有限责任公司 基于来料差异性的松散回潮加水量自适应控制系统
CN115251445A (zh) * 2022-08-15 2022-11-01 北京航天拓扑高科技有限责任公司 一种松散回潮机出口烟叶含水率的控制方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116880219B (zh) * 2023-09-06 2023-12-01 首域科技(杭州)有限公司 一种松散回潮自适应模型预测控制系统和方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS6024171A (ja) * 1983-07-21 1985-02-06 日本たばこ産業株式会社 たばこの調湿機における水分および温度の制御装置
CN1899135A (zh) * 2006-07-19 2007-01-24 将军烟草集团有限公司 润叶回潮处水份控制方法
CN102486630A (zh) * 2010-12-05 2012-06-06 中国科学院沈阳自动化研究所 基于案例推理技术的回潮机智能优化控制方法
CN103876267A (zh) * 2012-12-19 2014-06-25 山东中烟工业有限责任公司青岛卷烟厂 烟叶回潮机加水控制方法及系统
CN105341985A (zh) * 2015-12-10 2016-02-24 龙岩烟草工业有限责任公司 烘丝机入口叶丝含水率控制方法和系统
CN108771281A (zh) * 2018-08-24 2018-11-09 山东中烟工业有限责任公司 一种降低滚筒式烘丝机筒壁温度批间波动的方法及系统
CN109581879A (zh) * 2019-01-31 2019-04-05 杭州安脉盛智能技术有限公司 基于广义预测控制的松散回潮控制方法及系统
CN112021631A (zh) * 2020-10-14 2020-12-04 河南中烟工业有限责任公司 一种松散回潮工序出口水分控制系统及方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105520183B (zh) * 2015-12-31 2017-12-22 山东中烟工业有限责任公司 一种提高松散回潮机出口水分稳定性的方法
CN111184246B (zh) * 2018-11-14 2021-05-28 厦门邑通软件科技有限公司 一种控制烘丝入口含水率的方法和系统
CN109602062B (zh) * 2019-01-31 2021-12-21 杭州安脉盛智能技术有限公司 基于数字物理模型的松散回潮自适应水分控制方法及系统
CN110101106B (zh) * 2019-05-31 2021-07-16 杭州安脉盛智能技术有限公司 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
CN110893001B (zh) * 2019-12-12 2022-01-11 河南中烟工业有限责任公司 一种松散回潮工序的出口含水率的控制方法及系统
CN112914139B (zh) * 2021-03-18 2022-04-19 河南中烟工业有限责任公司 一种松散回潮工序的加水量的控制方法及系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS6024171A (ja) * 1983-07-21 1985-02-06 日本たばこ産業株式会社 たばこの調湿機における水分および温度の制御装置
CN1899135A (zh) * 2006-07-19 2007-01-24 将军烟草集团有限公司 润叶回潮处水份控制方法
CN102486630A (zh) * 2010-12-05 2012-06-06 中国科学院沈阳自动化研究所 基于案例推理技术的回潮机智能优化控制方法
CN103876267A (zh) * 2012-12-19 2014-06-25 山东中烟工业有限责任公司青岛卷烟厂 烟叶回潮机加水控制方法及系统
CN105341985A (zh) * 2015-12-10 2016-02-24 龙岩烟草工业有限责任公司 烘丝机入口叶丝含水率控制方法和系统
CN108771281A (zh) * 2018-08-24 2018-11-09 山东中烟工业有限责任公司 一种降低滚筒式烘丝机筒壁温度批间波动的方法及系统
CN109581879A (zh) * 2019-01-31 2019-04-05 杭州安脉盛智能技术有限公司 基于广义预测控制的松散回潮控制方法及系统
CN112021631A (zh) * 2020-10-14 2020-12-04 河南中烟工业有限责任公司 一种松散回潮工序出口水分控制系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
吴硕等: "基于趋势与偏差控制的松散回潮机加水系统", 《烟草科技》, no. 06, 15 June 2020 (2020-06-15), pages 108 - 112 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114668164A (zh) * 2022-04-01 2022-06-28 河南中烟工业有限责任公司 基于来料差异性的松散回潮加水量自适应控制系统
CN115251445A (zh) * 2022-08-15 2022-11-01 北京航天拓扑高科技有限责任公司 一种松散回潮机出口烟叶含水率的控制方法
CN115251445B (zh) * 2022-08-15 2023-05-23 北京航天拓扑高科技有限责任公司 一种松散回潮机出口烟叶含水率的控制方法

Also Published As

Publication number Publication date
US20230067754A1 (en) 2023-03-02
CN115336780B (zh) 2023-09-26
CN113812658B (zh) 2022-11-01
CN115336780A (zh) 2022-11-15

Similar Documents

Publication Publication Date Title
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
CN110893001B (zh) 一种松散回潮工序的出口含水率的控制方法及系统
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
CN112914139B (zh) 一种松散回潮工序的加水量的控制方法及系统
CN105962408B (zh) 一种对烟叶复烤机出口烟叶水分的多策略复合控制方法
CN110946306B (zh) 一种基于滚筒式叶丝回潮的质量控制方法及系统
JP2004027439A (ja) 抄紙機のドライヤ予測制御方法およびその装置
CN110879581B (zh) 一种叶片加料的料液控制方法及系统
CN106418656B (zh) 一种烟草制丝生产的水分控制方法及装置
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
CN110946313B (zh) 一种叶丝干燥工序的出口含水率的控制方法及系统
CN108536087B (zh) 烟叶和烟草薄片回潮加湿含水率的控制方法及其控制装置
CN105520183A (zh) 一种提高松散回潮机出口水分稳定性的方法
CN107411164A (zh) 用于松散回潮滚筒后室三段式加水装置及加水控制方法
CN113491341B (zh) 一种基于历史生产数据建模控制烟草回潮加水流量的方法
CN110946311B (zh) 一种梗丝加料的质量控制方法及系统
CN112790419B (zh) 一种叶丝加料的加工参数的控制方法及系统
CN113303489A (zh) 一种制丝过程烟叶水分准确控制的方法
CN112790421B (zh) 一种基于滑窗预测的梗丝加料出口含水率的控制方法
CN111067130B (zh) 一种加香加料的精度控制方法及系统
CN115599055A (zh) 一种基于机理预测模型的制丝加水量智能控制方法与系统
CN105595390B (zh) 一种提高润梗机料头阶段出口水分稳定性的方法
Li et al. The added water control system based on neural network model and double parameter corrected for loosening and conditioning cylinder
CN112263015B (zh) 一种柜式喂料机的出料流量的控制方法
CN115016568B (zh) 基于分温区面积累加策略的润叶机出口温度控制方法

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Wang Haitao

Inventor after: Feng Zixian

Inventor after: Zhou Zheng

Inventor after: Sun Shuo

Inventor after: Fan Cong

Inventor after: Li Chao

Inventor after: Guo Jichao

Inventor after: Zhang Qifeng

Inventor after: Chang Wenhui

Inventor after: Ma Minglei

Inventor after: Jia Xiaohui

Inventor after: Li Zijuan

Inventor after: Yang Huixia

Inventor after: Zhang Yunfei

Inventor after: Chen Jiaojiao

Inventor after: Miao Wangchang

Inventor after: Gao Yang

Inventor after: Fang Ting

Inventor after: Zhao Liyuan

Inventor after: Ma Yanshu

Inventor after: Ma Yanling

Inventor before: Li Zijuan

Inventor before: Zhou Zheng

Inventor before: Sun Shuo

Inventor before: Fan Cong

Inventor before: Li Chao

Inventor before: Guo Jichao

Inventor before: Zhang Qifeng

Inventor before: Chang Wenhui

Inventor before: Ma Minglei

Inventor before: Jia Xiaohui

Inventor before: Yang Huixia

Inventor before: Chen Jiaojiao

Inventor before: Zhang Yunfei

Inventor before: Miao Wangchang

Inventor before: Gao Yang

Inventor before: Fang Ting

Inventor before: Zhao Liyuan

Inventor before: Ma Yanshu

Inventor before: Ma Yanling

Inventor before: Feng Zixian

GR01 Patent grant
GR01 Patent grant