CN113837607A - 一种卷包剔除相关烟丝损耗异常的实时分析方法和装置 - Google Patents
一种卷包剔除相关烟丝损耗异常的实时分析方法和装置 Download PDFInfo
- Publication number
- CN113837607A CN113837607A CN202111119497.5A CN202111119497A CN113837607A CN 113837607 A CN113837607 A CN 113837607A CN 202111119497 A CN202111119497 A CN 202111119497A CN 113837607 A CN113837607 A CN 113837607A
- Authority
- CN
- China
- Prior art keywords
- loss
- real
- section
- cigarette
- time
- 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
- 241000208125 Nicotiana Species 0.000 title claims abstract description 63
- 235000002637 Nicotiana tabacum Nutrition 0.000 title claims abstract description 63
- 235000019504 cigarettes Nutrition 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000010223 real-time analysis Methods 0.000 title claims abstract description 28
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims abstract description 20
- 238000005096 rolling process Methods 0.000 claims abstract description 20
- 238000012300 Sequence Analysis Methods 0.000 claims abstract description 17
- 230000006870 function Effects 0.000 claims abstract description 17
- 230000007246 mechanism Effects 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims abstract description 17
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 15
- 239000000654 additive Substances 0.000 claims abstract description 8
- 230000000996 additive effect Effects 0.000 claims abstract description 8
- 230000004913 activation Effects 0.000 claims abstract description 7
- 238000007477 logistic regression Methods 0.000 claims abstract description 5
- 238000004806 packaging method and process Methods 0.000 claims description 25
- 238000004458 analytical method Methods 0.000 claims description 22
- 238000001514 detection method Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 9
- 229920000298 Cellophane Polymers 0.000 claims description 8
- 230000005856 abnormality Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 7
- 238000005520 cutting process Methods 0.000 claims description 4
- 239000002699 waste material Substances 0.000 claims description 4
- 230000017105 transposition Effects 0.000 claims description 2
- 238000000926 separation method Methods 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 abstract description 21
- 238000013024 troubleshooting Methods 0.000 abstract description 2
- 238000002474 experimental method Methods 0.000 description 9
- 238000012360 testing method Methods 0.000 description 7
- 238000011835 investigation Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 239000000779 smoke Substances 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000010238 partial least squares regression Methods 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000002123 temporal effect Effects 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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
-
- 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)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Educational Administration (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Development Economics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- Wrapping Of Specific Fragile Articles (AREA)
Abstract
本发明公开了一种卷包剔除相关烟丝损耗异常的实时分析方法和装置,包括:(1)获取卷包剔除工艺过程中每个工段的剔除烟支,并计算每个工段的实时剔除率;(2)为每个工段建立包含双向长短期记忆模型和自注意力机制的Atten‑LSTM时序分析模型;(3)利用双向长短期记忆模型计算输入剔除率的隐藏特征;利用自注意力机制中加性函数计算隐藏特征的权重系数矩阵,隐藏特征与权重系数矩阵的乘积作为剔除率对应的特征值;对特征值进行逻辑回归和激活得到损耗预测值。该方法和装置能够解决卷包机组生产中烟丝损耗异常识别耗时长、精准排查难的问题。
Description
技术领域
本发明属于烟草损耗分析技术领域,具体涉及一种卷包剔除相关烟丝损耗异常的实时分析方法和装置。
背景技术
目前,从卷烟生产的产品成本构成来看,原材料占生产总成本的49%左右,而烟叶是其中占比最大的原料。在保证生产质量的前提下,降低制烟过程中的烟叶损耗量,提高烟丝利用率,可以显著降低制烟成本,提升经济效益。为此,研究人员基于统计分析对卷烟生产的各个环节量化分析烟丝损耗率的各项因素,其中包括1、采用单因素方差分析和多元线性回归构建卷烟物料消耗分析模型,探究影响物料消耗的内在动因;2、基于对制丝、切丝工序的统计分析结果改进制丝线生产流程,降低烟叶损耗率;3、使用偏最小二乘回归(PLS)解决变量间多重共线性问题,分析影响单箱耗丝的显著性因素。
卷包生产过程中会出现烟支过轻、烟支过重、软点、硬点、烟支缺嘴、空头、模盒缺支、小盒外观缺陷等诸多质量缺陷,卷包机组会自动识别存在质量缺陷的烟支或烟包,对其进行剔除并记录剔除的数目。针对卷包生产过程的烟丝损耗问题,基于烟丝投料和报工产量等生产参数进行烟丝损耗建模,量化班次的烟丝损耗,除了当班烟丝损耗率的汇总分析,生产中还需要对异常的烟丝损耗进一步人工排查、追溯,此过程需要耗费较多的人力和时间成本。随着人工智能技术的发展,深度学习技术被应用在各个工业生产领域中,特别是以循环神经网络(Recurrent Neural Network,RNN)[6]为代表的时序分析模型和以卷积神经网络(Convolutional Neural Network,CNN)为代表图像识别模型的在工业领域的数据分析、生产质控中取得了显著性成果。与统计学习、传统机器学习相比,深度学习算法在人工先验的基础上使用非定式的自适应特征工程,避免了人工设计特征的局限性,并通过构建凸优化损失函数挖掘数据中的潜在关联,在分析速度、准确率、泛化性等性能方面取得了长足的进步。但在烟丝损耗分析方面尚无与深度学习结合的相关研究。
同时,工段包含从卷接机切割分离后到包装机辅机完成条透包装,共包含VE喂料供丝工段(工段I)、SE烟支成型工段(工段II)、卷接机切割分离后到卷接机输出(工段III)、卷接机输出烟支并输入包装主机的工段(工段IV);包装主机工段,即小盒包装工段(工段V);包装机辅机工段,即小盒透明纸包装、条盒包装及条盒透明纸包装工段(工段VI)。其中工段III、V、VI此三个工段包含了烟草从切割分离到完成条盒包装进入提升机前的生产工序,包含了卷包机绝大多数的瑕疵检测位点。当卷包机组传感器检测到经过的烟支样本不符合规格或存在瑕疵时,传感器会记录该样本,之后将其剔除。因此,存在多项瑕疵的单个样本在剔除前被多个传感器重复记录,使得总剔除损耗略高于实际损耗。
发明内容
鉴于上述,本发明的目的是提供一种卷包剔除相关烟丝损耗异常的实时分析方法和装置,能够解决卷包机组生产中烟丝损耗异常识别耗时长、精准排查难的问题。
一种卷包剔除相关烟丝损耗异常的实时分析方法,包括以下步骤:
(1)获取卷包剔除工艺过程中每个工段的剔除烟支,并计算每个工段的实时剔除率;
(2)为每个工段建立包含双向长短期记忆模型和自注意力机制的Atten-LSTM时序分析模型;
(3)利用双向长短期记忆模型计算输入剔除率的隐藏特征;利用自注意力机制中加性函数计算隐藏特征的权重系数矩阵,隐藏特征与权重系数矩阵的乘积作为剔除率对应的特征值;对特征值进行逻辑回归和激活得到损耗预测值。
优选地,步骤(1)中,将单位时间段内废烟检测点的剔除烟支数与所属工段的输入烟支数的比率作为剔除率。
优选地,步骤(3)中,自注意力机制采用的加性函数为:
α=softmax(W1tanh(W2×HT))
其中,α为权重系数,W1和W2均为参数矩阵,HT为隐藏特征的转置,N是工段k的检测点数量。
优选地,步骤(3)中,采用softmax函数进行特征值激活,以得到损耗预测值,softmax函数的激活值越大,记得到的损耗预测值越大,表示烟丝损耗率越大。
优选地,所述方法还包括:预设损耗阈值,比较损耗阈值与损耗预测值,以分析卷包剔除工艺的损耗情况,当损耗预测值大于等于损耗阈值时,则损耗过高,当损耗预测值小于损耗阈值,则损耗正常。
优选地,所述实时分析方法适用于卷包剔除工艺的工段III、工段V和工段VI,其中,工段III为卷接机切割分离后到卷接机输出;工段V为包装主机工段,即小盒包装工段;工段VI为包装机辅机工段,即小盒透明纸包装、条盒包装及条盒透明纸包装工段。
优选地,用Atten-LSTM时序分析模型进行损耗异常分析之前,采用训练样本,优化Atten-LSTM时序分析模型的模型参数。
实施例还提供了一种卷包剔除相关烟丝损耗异常的实时分析装置,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上执行的计算机程序,所述处理器执行所述计算机程序时实现上述卷包剔除相关烟丝损耗异常的实时分析方法的步骤。
与现有技术相比,本发明具有的有益效果至少包括:
针对卷包机组生产中烟丝损耗异常识别耗时长、精准排查难的问题,设计并实现了一种基于Bi-LSTM的卷包烟丝损耗实时分析模型,能够综合时序数据前向和后向特征信息的优势,该模型结合Bi-LSTM的时序分析能力和自注意力机制self-attention对分析结果的量化解释能力,实时分析卷包机组检测剔除中的烟丝损耗异常,可进一步解释分析的Atten-LSTM模型,该模型以瞬时烟丝损耗率的时序数据为输入,实时判别烟丝损耗的异常等级,同时利用注意力机制量化影响因素的贡献率,并通过注意力权重从空间和时间维度解释分析结果,为人工排查提供先验,该方法对卷包生产工序中各个工段的损耗异常判别具有较高的准确率和泛化性,且可从时间和空间维度定位异常损耗,实现了针对卷包剔除的实时烟丝损耗分析及根因追溯,提高了卷包生产管理效率,辅助生产管理,实现了高准确率、高泛化性的烟丝损耗数据分析,以达到实时、精准的异常损耗识别,为生产人员的排查干预提供精确的调查先验。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动前提下,还可以根据这些附图获得其他附图。
图1是本发明实施例提供的卷包剔除相关烟丝损耗异常的实时分析方法的流程图;
图2是本发明实施例提供的Atten-LSTM时序分析模型结构示意图;
图3是本发明实施例提供的基于attention权重矩阵的工段III热图可视化结果;
图4是本发明实施例提供的Atten-LSTM时序分析模型与LSTM、RNN在工段III的测试集中对比效果;
图5是本发明实施例提供的Atten-LSTM时序分析模型与LSTM、RNN在工段V的测试集中对比效果;
图6是本发明实施例提供的Atten-LSTM时序分析模型与LSTM、RNN在工段VI的测试集中对比效果。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例对本发明进行进一步的详细说明。应当理解,此处所描述的具体实施方式仅仅用以解释本发明,并不限定本发明的保护范围。
针对卷包剔除相关的烟丝损耗率分析及根因追溯问题,本发明实施例设计并实现一种自注意力机制的时序神经网络,实现了高准确率、高泛化性的烟丝损耗数据分析,以达到实时、精准的异常损耗识别,为生产人员的排查干预提供精确的调查先验。
图1是本发明实施例提供的卷包剔除相关烟丝损耗异常的实时分析方法的流程图。如图1所示,实施例提供的卷包剔除相关烟丝损耗异常的实时分析方法,包括以下步骤:
步骤1,获取卷包剔除工艺过程中每个工段的剔除烟支,并计算每个工段的实时剔除率。
实施例中,卷包剔除工艺过程中每个工段包括工段III、工段V和工段VI,其中,工段III为卷接机切割分离后到卷接机输出;工段V为包装主机工段,即小盒包装工段;工段VI为包装机辅机工段,即小盒透明纸包装、条盒包装及条盒透明纸包装工段。
步骤2,为每个工段建立包含双向长短期记忆模型和自注意力机制的Atten-LSTM时序分析模型。
如图2所示,实施例提供的Atten-LSTM时序分析模型包括双向长短期记忆模型Bi-LSTM和自注意力机制self-attention,其中,双向长短期记忆模型Bi-LSTM用于提取隐藏特征,自注意力机制self-attention用于更加关注剔除率中与损耗相关的特征,该Atten-LSTM时序分析模型的模型参数经过训练样本训练后确定。
步骤3,利用双向长短期记忆模型计算输入剔除率的隐藏特征。
实施例中,将将单位时间段t间隔的各个工段时序数据集输入双向长短期记忆模型Bi-LSTM,k为工段的索引,取值分别为3,5,6,代表工段III、工段V和工段VI。输入的各个工段时序数据集在双向长短期记忆模型Bi-LSTM中经过计算输出多次瞬时隐含特征H={h1,h2,…,ht,…hT}。
步骤4,利用自注意力机制中加性函数计算隐藏特征的权重系数矩阵。
实施例中,多次瞬时隐藏特征H={h1,h2,…,ht,…hT再经过自注意力机制self-attention中的注意力层attention layer和softmax函数得到权重系数矩阵α={α1,α2,…,αT}。
其中,注意力层attention layer采用α=softmax(W1tanh(W2×HT))的加性模型计算,其中,W1是N×d的参数矩阵,W2是d×2u的参数矩阵,N是工段k的检测点数量,d是模型超参数;权重系数矩阵α尺寸为N×T,即T个数据采集时间点中N个检测点的权重值,代表了每个瞬时剔除率对该班次k工段最终剔除率状态的贡献程度。
其中,工段III、工段V和工段VI均为k,H为多次瞬时剔除率经过Atten-LSTM时序分析模型输出多个h的集合,h是长度为2u的向量,u是双向长短期记忆模型Bi-LSTM的隐含层特征数。
一般权重为值域设定在0-1之间且和为1的一组小数,权重矩阵的尺寸为N*T,代表了N个检测点的T个时间段剔除率对整体损耗结果是否异常的权重占比,某一点的权重越高,代表这个时间下改检测点剔除的烟支越多,对总损耗影像越大。
步骤5,隐藏特征与权重系数矩阵的乘积作为剔除率对应的特征值,对特征值进行逻辑回归和激活得到损耗预测值。
实施例中,权重矩系数阵α和双向长短期记忆模型Bi-LSTM输出的9隐藏特征h相乘得到瞬时剔除率的一个特征值m,所有的特征值m组成特征向量M={m1,m2,…,mt,…,mT},特征向量M经过回归和sigmoid函数得到output值,该output值为损耗预测值。
实施例中,还预设损耗阈值,比较损耗阈值与损耗预测值,以分析卷包剔除工艺的损耗情况,当损耗预测值大于等于损耗阈值时,则损耗过高,当损耗预测值小于损耗阈值,则损耗正常。
实验例
由于剔除是随机、瞬时发生的,根据所选的单位时间段不同,实时剔除率的值存在较大差异。单位时间越短,实时剔除率越接近真实值。实验采集的剔除数据由卷包数采系统定时采集,采集时间间隔为20ms,即t=20ms,将20ms间隔的k工段时序数据集输入Atten-LSTM时序分析模型中,在实际生产过程中,每一次输入都会产生一次输出output,即模型随时序数据输入即时更新对该工段烟丝损耗的判别结果及权重系数矩阵,从而完成实时分析。本实验将卷包机剔除损耗数据集按照工段划分为3组,针对工段III、V、VI的数据分别建立Atten-LSTM时序分析模型。
采用随机抽取的方式将总数据集以3:1:1的比例划分为训练集、验证集、测试集。其中,验证集用于训练实验中调整超参数,测试集用于模型的效果验证。本实验构建的Atten-LSTM时序分析模型中包含2个超参数,实验中设置隐含层特征数u=128、参数矩阵维度值d=32。模型使用PyTorch框架构建,采用Adam优化器端到端训练,初始学习率为0.001,权重衰减系数为0.0001。训练所用显卡为NVIDIA GeForce 3090 24GB,batch size设为128,训练500轮次。
本实验以测试集中各工段模型预测的烟丝损耗率风险等级准确率为标准,采用ROC(receiver operating characteristic curve)曲线和AUC(area under curve)作为准确率评估指标。同时,本研究建立了LSTM和RNN作为对比模型,图4、图5和图6中分别展示了本实验设计的Atten-LSTM时序分析模型与LSTM、RNN在工段III、V、VI的测试集中对比效果。工段III、V、VI中,Atten-LSTM时序分析模型的AUC均超过0.95,显著高于LSTM和RNN,说明Atten-LSTM时序分析模型在卷包机剔除相关烟丝损耗率风险评估上具有较好的鲁棒性和泛化性。
图3举例了一组工段III剔除烟丝损耗等级为中的热图可视化结果,该班次的工段III总剔除损耗率超过了88.31%的历史值,对权重系数矩阵从空间维度进行softmax函数计算,可以得到贡献率前三的剔除点分别为空头剔除、烟支缺嘴剔除和过轻剔除,其贡献率之和为73.40%;再针对每一个剔除点进行时间维度的分析,定位各剔除点损耗率较高的时间点,完成对异常损耗的剖析。
本实验基于双向长短期记忆模型Bi-LSTM能够综合时序数据前向和后向特征信息的优势,结合自注意力机制self-attention解析数据相关性的能力,设计并实现了可实时判断损耗异常、且可进一步解释分析的Atten-LSTM时序分析模型,并将其用于分析卷包机组剔除检测数据,判别烟丝损耗异常。该模型以瞬时烟丝损耗率的时序数据为输入,实时判别烟丝损耗的异常等级,同时利用注意力机制量化影响因素的贡献率。实验结果表明,该方法的判别准确率较高,且可从时间和空间维度定位异常损耗,实现了针对卷包剔除的实时烟丝损耗分析及根因追溯,提高了卷包生产管理效率。
实施例还提供了一种卷包剔除相关烟丝损耗异常的实时分析装置,包括存储器、处理器以及存储在存储器中并可在所述处理器上执行的计算机程序处理器执行所述计算机程序时实现上述卷包剔除相关烟丝损耗异常的实时分析方法,即具体步骤包括:
步骤1,获取卷包剔除工艺过程中每个工段的剔除烟支,并计算每个工段的实时剔除率;
步骤2,为每个工段建立包含双向长短期记忆模型和自注意力机制的Atten-LSTM时序分析模型;
步骤3,利用双向长短期记忆模型计算输入剔除率的隐藏特征;
步骤4,利用自注意力机制中加性函数计算隐藏特征的权重系数矩阵;
步骤5,隐藏特征与权重系数矩阵的乘积作为剔除率对应的特征值,对特征值进行逻辑回归和激活得到损耗预测值。
实际应用中,计算机存储器可以为在近端的易失性存储器,如RAM,还可以是非易失性存储器,如ROM,FLASH,软盘,机械硬盘等,还可以是远端的存储云。计算机处理器可以为中央处理器(CPU)、微处理器(MPU)、数字信号处理器(DSP)、或现场可编程门阵列(FPGA),即可以通过这些处理器实现卷包剔除相关烟丝损耗异常的实时分析方法的步骤。
以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明,应理解的是以上所述仅为本发明的最优选实施例,并不用于限制本发明,凡在本发明的原则范围内所做的任何修改、补充和等同替换等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种卷包剔除相关烟丝损耗异常的实时分析方法,其特征在于,包括以下步骤:
(1)获取卷包剔除工艺过程中每个工段的剔除烟支,并计算每个工段的实时剔除率;
(2)为每个工段建立包含双向长短期记忆模型和自注意力机制的Atten-LSTM时序分析模型;
(3)利用双向长短期记忆模型计算输入剔除率的隐藏特征;利用自注意力机制中加性函数计算隐藏特征的权重系数矩阵,隐藏特征与权重系数矩阵的乘积作为剔除率对应的特征值;对特征值进行逻辑回归和激活得到损耗预测值。
2.根据权利要求1所述的卷包剔除相关烟丝损耗异常的实时分析方法,其特征在于,步骤(1)中,将单位时间段内废烟检测点的剔除烟支数与所属工段的输入烟支数的比率作为剔除率。
3.根据权利要求1所述的卷包剔除相关烟丝损耗异常的实时分析方法,其特征在于,步骤(3)中,自注意力机制采用的加性函数为:
α=softmax(W1tanh(W2×HT))
其中,α为权重系数,W1和W2均为参数矩阵,HT为隐藏特征的转置,N是工段k的检测点数量。
4.根据权利要求1所述的卷包剔除相关烟丝损耗异常的实时分析方法,其特征在于,步骤(3)中,采用softmax函数进行特征值激活,以得到损耗预测值,softmax函数的激活值越大,记得到的损耗预测值越大,表示烟丝损耗率越大。
5.根据权利要求1所述的卷包剔除相关烟丝损耗异常的实时分析方法,其特征在于,所述方法还包括:预设损耗阈值,比较损耗阈值与损耗预测值,以分析卷包剔除工艺的损耗情况,当损耗预测值大于等于损耗阈值时,则损耗过高,当损耗预测值小于损耗阈值,则损耗正常。
6.根据权利要求1所述的卷包剔除相关烟丝损耗异常的实时分析方法,其特征在于,所述实时分析方法适用于卷包剔除工艺的工段III、工段V和工段VI,其中,工段III为卷接机切割分离后到卷接机输出;工段V为包装主机工段,即小盒包装工段;工段VI为包装机辅机工段,即小盒透明纸包装、条盒包装及条盒透明纸包装工段。
7.根据权利要求1所述的卷包剔除相关烟丝损耗异常的实时分析方法,其特征在于,利用Atten-LSTM时序分析模型进行损耗异常分析之前,采用训练样本,优化Atten-LSTM时序分析模型的模型参数。
8.一种卷包剔除相关烟丝损耗异常的实时分析装置,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上执行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1-7任一项所述的卷包剔除相关烟丝损耗异常的实时分析方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111119497.5A CN113837607B (zh) | 2021-09-24 | 2021-09-24 | 一种卷包剔除相关烟丝损耗异常的实时分析方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111119497.5A CN113837607B (zh) | 2021-09-24 | 2021-09-24 | 一种卷包剔除相关烟丝损耗异常的实时分析方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113837607A true CN113837607A (zh) | 2021-12-24 |
CN113837607B CN113837607B (zh) | 2024-04-30 |
Family
ID=78969676
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111119497.5A Active CN113837607B (zh) | 2021-09-24 | 2021-09-24 | 一种卷包剔除相关烟丝损耗异常的实时分析方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113837607B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114862039A (zh) * | 2022-05-25 | 2022-08-05 | 湖北中烟工业有限责任公司 | 一种卷烟制丝工序物料损耗的预警方法及装置 |
CN117556968A (zh) * | 2024-01-11 | 2024-02-13 | 天津瑞远粉末涂料有限公司 | 粉末涂料制备方法、装置、电子设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110334840A (zh) * | 2019-04-16 | 2019-10-15 | 南京华盾电力信息安全测评有限公司 | 一种基于神经网络算法的火电厂煤场场损预测方法 |
CN111461173A (zh) * | 2020-03-06 | 2020-07-28 | 华南理工大学 | 一种基于注意力机制的多说话人聚类系统及方法 |
CN111639783A (zh) * | 2020-04-17 | 2020-09-08 | 中国电力科学研究院有限公司 | 一种基于lstm神经网络的线损预测方法及系统 |
CN111915580A (zh) * | 2020-07-27 | 2020-11-10 | 深圳市识农智能科技有限公司 | 烟叶分级方法、系统、终端设备及存储介质 |
CN112785848A (zh) * | 2021-01-04 | 2021-05-11 | 清华大学 | 一种交通数据预测方法以及系统 |
CN113210264A (zh) * | 2021-05-19 | 2021-08-06 | 江苏鑫源烟草薄片有限公司 | 烟草杂物剔除方法及装置 |
-
2021
- 2021-09-24 CN CN202111119497.5A patent/CN113837607B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110334840A (zh) * | 2019-04-16 | 2019-10-15 | 南京华盾电力信息安全测评有限公司 | 一种基于神经网络算法的火电厂煤场场损预测方法 |
CN111461173A (zh) * | 2020-03-06 | 2020-07-28 | 华南理工大学 | 一种基于注意力机制的多说话人聚类系统及方法 |
CN111639783A (zh) * | 2020-04-17 | 2020-09-08 | 中国电力科学研究院有限公司 | 一种基于lstm神经网络的线损预测方法及系统 |
CN111915580A (zh) * | 2020-07-27 | 2020-11-10 | 深圳市识农智能科技有限公司 | 烟叶分级方法、系统、终端设备及存储介质 |
CN112785848A (zh) * | 2021-01-04 | 2021-05-11 | 清华大学 | 一种交通数据预测方法以及系统 |
CN113210264A (zh) * | 2021-05-19 | 2021-08-06 | 江苏鑫源烟草薄片有限公司 | 烟草杂物剔除方法及装置 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114862039A (zh) * | 2022-05-25 | 2022-08-05 | 湖北中烟工业有限责任公司 | 一种卷烟制丝工序物料损耗的预警方法及装置 |
CN117556968A (zh) * | 2024-01-11 | 2024-02-13 | 天津瑞远粉末涂料有限公司 | 粉末涂料制备方法、装置、电子设备及存储介质 |
CN117556968B (zh) * | 2024-01-11 | 2024-04-09 | 天津瑞远粉末涂料有限公司 | 粉末涂料制备方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113837607B (zh) | 2024-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113837607A (zh) | 一种卷包剔除相关烟丝损耗异常的实时分析方法和装置 | |
CN109222208B (zh) | 面向卷烟生产指标控制的制丝工艺分析优化方法及系统 | |
CN109271374B (zh) | 一种基于机器学习的数据库健康度打分方法和打分系统 | |
CN113664612A (zh) | 一种基于深度卷积神经网络的数控机床铣削刀具磨损实时监测方法 | |
CN112001253B (zh) | 基于改进Fast R-CNN的煤尘颗粒图像识别方法 | |
CN111461555A (zh) | 一种生产线质量监测方法、装置及系统 | |
CN109239082B (zh) | 基于机器视觉技术的烟丝结构质量在线检测方法及系统 | |
CN113838034B (zh) | 基于机器视觉的糖果包装表面缺陷快速检测方法 | |
CN115409131B (zh) | 基于spc过程管控系统的生产线异常检测方法 | |
CN111445103A (zh) | 一种基于工业互联网的输电线缆生产质量管理反馈系统 | |
CN110705807A (zh) | 基于现场数据的半导体生产质量预测方法及系统 | |
CN113138178B (zh) | 一种识别进口铁矿石品牌的方法 | |
CN117152119A (zh) | 一种基于图像处理的型材瑕疵视觉检测方法 | |
CN116340746A (zh) | 一种基于随机森林改进的特征选择方法 | |
CN115310539A (zh) | 基于注意力机制的1d-cnn卷烟滤棒质量检测方法 | |
CN115812634A (zh) | 一种孵前种蛋受精信息无损分拣方法及装置 | |
CN109333159A (zh) | 刀具磨损状态在线监测的深度核极限学习机方法及系统 | |
CN115795351A (zh) | 一种基于残差网络和2d特征表示的电梯大数据风险预警方法 | |
CN115205244A (zh) | 一种基于动态自学习的卷烟外观质量评估方法 | |
CN116756688A (zh) | 一种基于多模态融合算法的舆情风险发现方法 | |
CN112616425B (zh) | 谷物联合收割机作业性能的在线检测方法、系统及装置 | |
CN111210085B (zh) | 一种基于多视图集成学习的煤矿瓦斯浓度预警方法 | |
CN113077423A (zh) | 基于卷积神经网络的激光选区熔化熔池图像分析系统 | |
CN112365093A (zh) | 一种基于gru深度学习的多特征因子赤潮预测模型 | |
CN110163480B (zh) | 一种卷包车间质量辅助决策的方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |