CN114403486B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN114403486B CN114403486B CN202210146401.2A CN202210146401A CN114403486B CN 114403486 B CN114403486 B CN 114403486B CN 202210146401 A CN202210146401 A CN 202210146401A CN 114403486 B CN114403486 B CN 114403486B
- Authority
- CN
- China
- Prior art keywords
- parameter
- monitoring data
- peak value
- training
- model
- 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.)
- Active
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
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Drying Of Solid Materials (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种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,包括以下步骤:步骤1、气流式烘丝机监测数据采集;步骤2、数据分析和处理,对监测数据进行标准化、序列化处理;步骤3、构建局部峰值编码循环网络模型作为出口水分预测模型;步骤4、预训练出口水分预测模型;步骤5、模型再训练及出口水分实时预测;步骤6、构建出口水分预测值和标准值的偏差与每个参数的线性回归模型,构建优化函数对每个线性回归模型的参数进行优化求解,获得参数调整方案。本发明将深度学习的思想与工业控制相结合,设计局部峰值编码循环网络对气流式烘丝机的历史监测数据建模,通过预测值和标准值的偏差计算出控制参数和工艺参数的调整方案。
Description
技术领域
本发明属于烟草加工控制领域,特别涉及一种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。
背景技术
气流式烘丝机是烟丝生产过程中的一个重要设备,其出口水分是评价烟丝质量的关键指标。目前,对气流式烘丝机的控制依赖于PID控制和操作工对来料流量等参数的手动调节,这种方法滞后性大,对操作工的经验要求较高,难以保证出口水分的稳定性。并且烘丝机的工艺参数具有维度高、耦合性强等特点,任何参数的调整都可能导致出口水分产生较大的误差。随着卷烟工业的发展和传感器技术的广泛应用,设备监测数据实现了实时获取,对烟丝质量的要求也越来越高,传统的控制方法已经不具备对高维、强耦合数据的处理能力,难以适应实际生产的需求。
近年来,深度学习技术在图像识别、自然语言处理、自动驾驶等领域成功应用,对复杂数据的处理能力强、对实际问题的适应性好等优势使其在工业控制领域得到了广泛关注。因此,利用深度学习算法处理气流式烘丝机的实时监测数据,探索设备参数、控制变量与出口水分间的内在联系,对烟丝出口水分进行提前预测,根据预测值和标准值的差距对控制参数和工艺参数进行调整,形成智能控制系统提高出口水分的稳定性,降低批次间质量差异,对提高烟丝质量、减少人工干预具有重要意义。
烟丝出口水分的预测可以看成是一个多元时间序列预测问题,研究和实践表明循环神经网络(Recurrent Neural Network,RNN)在时间序列问题上具有显著的优势,门控循环单元(Gated Recurrent Unit,GRU)作为RNN的变体,能够缓解梯度爆炸和梯度弥散问题,并且有效解决了长时依赖问题。气流式烘丝机的烟丝出口水分数据具长期内稳定性强、变化幅度小,而局部波动性强、变化频率快的特点。使用GRU模型对出口水分进行预测,能够拟合数据的长期特点,对出口水分的整体趋势预测较为准确,但是对局部波动的预测效果很差,而依据预测值进行参数调整的关键就在于对未来短期时间内的出口水分进行精准预测,所以本发明提出一种局部峰值编码循环网络,解决了GRU模型对数据短期波动预测效果差的问题,快速准确地预测了烟丝出口水分,实现了气流式烘丝机的智能控制。
发明内容
本发明的目的在于克服现有技术的不足,提供一种将深度学习的思想与工业控制相结合,设计局部峰值编码循环网络对气流式烘丝机的历史监测数据建模,探索运行参数和工艺参数与出口水分之间的内在联系,进而在实时监测数据上利用训练好的模型对出口水分进行预测,通过预测值和标准值的偏差计算出控制参数和工艺参数的调整方案的气流式烘丝机智能控制方法。
本发明的目的是通过以下技术方案来实现的: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,包括以下步骤:
步骤1、气流式烘丝机监测数据采集,采集气流式烘丝机的历史监测数据和实时监测数据,采集的数据包括烘丝机控制和烘丝工艺参数、出口水分;
步骤2、数据分析和处理,对监测数据进行标准化、序列化处理;
步骤3、构建局部峰值编码循环网络,根据检测数据的特点和气流式烘丝机的运行原理,构建出局部峰值编码循环网络模型,作为出口水分预测模型;
步骤4、预训练出口水分预测模型,实例化局部峰值编码循环网络,利用历史监测数据对其进行预训练,初步获得烘丝机控制参数和工艺参数与出口水分端到端的对应关系;
步骤5、模型再训练及出口水分实时预测,将实时监测数据输入局部峰值编码循环网络,首先对局部峰值编码循环网络做再训练,然后利用训练好的局部峰值编码循环网络预测未来一段时间内的出口水分;
步骤6、获取参数调整方案,构建出口水分预测值和标准值的偏差与每个参数的线性回归模型,构建优化函数对每个线性回归模型的参数进行优化求解,从而获得基于预测值和标准值偏差的控制参数和工艺参数调整方案。
进一步地,所述步骤1中的烘丝机控制和工艺参数包括来料流量、蒸汽流量、空气温度、天然气流量、空气压力和含氧量。步骤1具体实现方法为:对实际生产中的多批次烘丝过程进行监测,采集每个批次的烘丝机控制和工艺参数、出口水分的具体值,形成历史监测数据;对当前批次烘丝过程进行监测,实时采集烘丝机控制和工艺参数、出口水分,形成实时监测数据。
进一步地,所述步骤2具体实现方法为:
步骤21、对监测数据做标准化处理,按照不同批次的不同参数分别做标准化;具体方法为:按均值中心化后再按标准差缩放,使数据服从均值为0、方差为1的标准正态分布,公式如下,
其中,x*为标准化后的监测数据,x为监测数据,μ为均值,σ为标准差;
然后以一个批次的一个参数监测数据为标准化的基本数据单位,将其余批次的每个参数监测数据转换为标准正态分布;
步骤22、对标准化后的监测数据做序列化处理:通过长度为m的时间窗,步长取n,对监测数据做序列化分割,将第m个时刻的出口水分作为这个序列的标签,经过序列化处理形成预训练数据集、再训练数据集和预测序列;历史监测数据序列化处理为预训练数据集;当前批次中当下时刻及以前的实时监测数据序列化为再训练数据集;当前批次中需要预测出口水分的时刻的数据序列化为预测序列。
进一步地,所述步骤3具体实现方法为:
步骤31、局部峰值编码,上一层的隐层状态为ht-1,t时刻输入为xt,计算t时刻的峰值编码为:
其中,Wf为可训练的参数;σ(·)为Sigmoid激活函数,使得ft的值域为(0.5,1.5),从而控制出口水分的波动情况,ft大于1则表示出口水分具有向上的峰值趋势,ft小于1则表示出口水分具有向下的峰值趋势;
步骤32、创建更新门和重置门,根据ht-1和xt计算出更新系数zt和重置系数rt:
zt=σ(Wz·[ht-1,xt])
rt=σ(Wr·[ht-1,xt])
其中,Wz和Wr为可训练的参数;σ(·)为Sigmoid激活函数,使得zt和rt的值域为(0,1),zt用于控制前一时刻的状态信息被带入到当前状态中的程度,zt越大说明前一时刻的状态信息带入越多;rt用于控制前一时刻状态有多少信息被写入到当前的候选集上,rt越大前一状态信息写入的越多;
步骤34、计算网络的输出,通过上述过程得到最终隐层状态ht,由此计算出网络的输出yt:
yt=Wo·ht+bo
其中,Wo和bo为可训练的参数。
进一步地,所述步骤4具体实现方法为:
步骤41、从预训练数据集中取出10%的批次作为预训练验证集,剩余90%的批次作为预训练集;
步骤42、实例化局部峰值编码循环网络,在预训练集上对模型进行训练,计算训练模型的MSE作为损失函数,采用Adam优化算法进行模型训练与优化,当预训练验证集上的MSE连续10个周期没有下降时停止训练;保存完成预训练的模型。
进一步地,所述步骤6具体实现方法为:
步骤61、计算出未来一段时间内出口水分预测值和标准值的偏差,形成偏差序列;
步骤62、建立偏差序列与各个参数之间的线性回归模型,表征偏差与各个参数的联系;
步骤63、借助偏差序列和线性回归模型计算出每个参数的调整值,将调整后的参数替代预测序列中原参数值,输入预测模型获得参数调整后的出口水分预测值;
步骤64、基于预测MSE构建损失函数,采用SGD方法对每个线性回归模型的参数进行迭代更新,直到损失函数值小于设定值时停止,得到最优的参数调整方案。
本发明的有益效果是:本发明将深度学习的思想与工业控制相结合,设计局部峰值编码循环网络对气流式烘丝机的历史监测数据建模,探索运行参数和工艺参数与出口水分之间的内在联系,进而在实时监测数据上利用训练好的模型对出口水分进行预测,通过预测值和标准值的偏差计算出控制参数和工艺参数的调整方案,从而实现对气流式烘丝机的智能控制。
附图说明
图1是本发明的系统流程图;
图2是局部峰值编码循环网络结构图;
图3是出口水分预测模型训练和预测过程图;
图4是出口水分预测效果图;
图5是参数调整后出口水分的变化图。
具体实施方式
在工业大数据和万物互联背景下,较易获取的大量监测数据和快速发展的深度学习给工业控制提供了新思路。对于每一个物料批次,气流式烘丝机的监测数据可以看作是一个完整的多元时间序列,对其出口水分进行精准的预测,就能够根据预测值提前调整控制参数和工艺参数,保证设备满足生产指标的要求,实现自动化、智能化控制。下面结合附图进一步说明本发明的技术方案。
如图1所示,本发明的一种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,包括以下步骤:
步骤1、气流式烘丝机监测数据采集,采集气流式烘丝机的历史监测数据和实时监测数据,采集的数据包括烘丝机控制和烘丝工艺参数、出口水分,将采集到数据写入数据库供后续步骤使用;烘丝机控制和工艺参数包括来料流量、蒸汽流量、空气温度、天然气流量、空气压力和含氧量。具体实现方法为:对实际生产中的多批次烘丝过程进行监测,采集每个批次的烘丝机控制和工艺参数、出口水分的具体值,形成历史监测数据;对当前批次烘丝过程进行监测,实时采集烘丝机控制和工艺参数、出口水分,形成实时监测数据。
步骤2、数据分析和处理,对监测数据进行标准化、序列化处理以满足预测模型的输入需求;具体实现方法为:
步骤21、为消除不同量纲的影响,对监测数据做标准化处理,按照不同批次的不同参数分别做标准化;具体方法为:按均值中心化后再按标准差缩放,使数据服从均值为0、方差为1的标准正态分布,公式如下,
其中,x*为标准化后的监测数据,x为监测数据,μ为均值,σ为标准差;
然后以一个批次的一个参数监测数据为标准化的基本数据单位,将其余批次的每个参数监测数据转换为标准正态分布;
步骤22、对标准化后的监测数据做序列化处理:通过长度为m的时间窗,步长取n,对监测数据做序列化分割,将第m个时刻的出口水分作为这个序列的标签,经过序列化处理形成预训练数据集、再训练数据集和预测序列;历史监测数据序列化处理为预训练数据集;当前批次中当下时刻及以前的实时监测数据序列化为再训练数据集;当前批次中需要预测出口水分的时刻的数据序列化为预测序列(即预测模型的输入序列)。
步骤3、构建局部峰值编码循环网络,根据检测数据的特点和气流式烘丝机的运行原理,构建出局部峰值编码循环网络模型,作为出口水分预测模型;局部峰值编码循环网络由峰值编码模块和更新门、重置门组成,网络的输入为t-1时刻的隐层输出ht-1和t时刻的监测数据xt,在Sigmoid函数的激活下分别计算峰值编码ft、更新系数zt以及重置系数rt。ft控制出口水分的变化趋势,让预测值在局部小区间内的波动更符合实际情况,zt和rt决定网络对前一时刻的记忆,控制前一时刻到当前时刻的状态信息传递,将时间序列中的重要特征保留,即使在长时传播中也不会丢失,从而实现出口水分序列的整体变化的精准预测;其结构如图2所示。
本步骤具体实现方法为:
步骤31、局部峰值编码,上一层的隐层状态为ht-1,t时刻输入为xt,计算t时刻的峰值编码为:
其中,Wf为可训练的参数;σ(·)为Sigmoid激活函数,使得ft的值域为(0.5,1.5),从而控制出口水分的波动情况,ft大于1则表示出口水分具有向上的峰值趋势,ft小于1则表示出口水分具有向下的峰值趋势;
步骤32、创建更新门和重置门,根据ht-1和xt计算出更新系数zt和重置系数rt:
zt=σ(Wz·[ht-1,xt])
rt=σ(Wr·[ht-1,xt])
其中,Wz和Wr为可训练的参数;σ(·)为Sigmoid激活函数,使得zt和rt的值域为(0,1),zt用于控制前一时刻的状态信息被带入到当前状态中的程度,zt越大说明前一时刻的状态信息带入越多;rt用于控制前一时刻状态有多少信息被写入到当前的候选集上,rt越大前一状态信息写入的越多;
步骤34、计算网络的输出,通过上述过程得到最终隐层状态ht,由此计算出网络的输出yt:
yt=Wo·ht+bo
其中,Wo和bo为可训练的参数。
步骤4、预训练出口水分预测模型,实例化局部峰值编码循环网络,利用历史监测数据对其进行预训练,初步获得烘丝机控制参数和工艺参数与出口水分端到端的对应关系;训练和预测的完整过程如图3所示,具体实现方法为:
步骤41、从预训练数据集中取出10%的批次作为预训练验证集,剩余90%的批次作为预训练集;
步骤42、实例化局部峰值编码循环网络,在预训练集上对模型进行训练,计算训练模型的MSE作为损失函数,采用Adam优化算法进行模型训练与优化,当预训练验证集上的MSE连续10个周期没有下降时停止训练;保存完成预训练的模型。具体训练方法为:
(1)在Python中使用pytorch实例化局部峰值编码循环网络,参数设置为输入特征值的维度等于6(input_size=6)、隐层维度等于6(hidden_size=6),从预训练数据集中取出5个批次作为验证集,将其他批次构建Dataloader后输入GRU模型进行训练,构建基于MSE的预测模型损失函数:
(2)采用Adam算法对模型进行训练和优化,每一个训练周期完成后就将验证集输入模型,观察模型的预测效果,当验证集上的loss连续10个周期没有下降就停止训练,得到预训练的预测模型,最后将预训练模型保存,供后续步骤调用。
步骤5、模型再训练及出口水分实时预测,将实时监测数据输入局部峰值编码循环网络,为了让模型能适应每个批次的情况,首先对局部峰值编码循环网络做再训练,然后利用训练好的局部峰值编码循环网络预测未来一段时间内的出口水分;具体为:(1)读取预训练模型,将再训练数据集构建Dataloader后输入预测模型,根据步骤3相同的训练方法对预测模型做再训练,让模型更好的适应当前批次的数据;(2)将预测序列输入训练完成的模型,获得未来一段时间内的出口水分预测值。出口水分预测效果如图4所示,图中实线为出口水分真实值,虚线为出口水分的预测值。
步骤6、获取参数调整方案,构建出口水分预测值和标准值的偏差与每个参数的线性回归模型,构建优化函数对每个线性回归模型的参数进行优化求解,从而获得基于预测值和标准值偏差的控制参数和工艺参数调整方案;具体实现方法为:
步骤62、建立偏差序列与各个参数之间的线性回归模型,表征偏差与各个参数的联系;分别建立来料流量、蒸汽流量、空气温度、天然气流量、空气压力和含氧量这6个参数的调整值与偏差序列的多元线性回归模型,单个参数调整值与偏差序列的回归模型表示为:
Δp=w1Δ1+w2Δ2+…+w10Δ10+b
其中,Δp为参数调整值,wi,1≤i≤10为线性回归的系数,b为线性回归的截距;
步骤63、借助偏差序列和线性回归模型计算出每个参数的调整值,将调整后的参数替代预测序列中原参数值,输入预测模型获得参数调整后的出口水分预测值;
步骤64、基于预测MSE构建损失函数:
采用SGD方法对每个线性回归模型的参数进行迭代更新,直到损失函数值小于设定值时停止,从而获得多元线性回归的最优系数和截距,将最优系数和截距代入线性回归模型就能计算出来料流量、蒸汽流量、空气温度、天然气流量、空气压力和含氧量这6个参数的调整方案。
将参数调整方案输入气流式烘丝机集控装置,就实现了对烘丝过程的智能控制,保证了出口水分的准确性和稳定性,实现了自动化、智能化的生产过程。参数调整后气流式烘丝机的烘丝效果如图5所示,其中实线为参数调整前出口水分的真实值,虚线为参数调整后出口水分的预测值,可以看出参数调整后出口水分更准确,稳定性也更高,验证了本发明的有效性。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (4)
1.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,其特征在于,包括以下步骤:
步骤1、气流式烘丝机监测数据采集,采集气流式烘丝机的历史监测数据和实时监测数据,采集的数据包括烘丝机控制和烘丝工艺参数、出口水分;烘丝机控制和烘丝工艺参数包括来料流量、蒸汽流量、空气温度、天然气流量、空气压力和含氧量;
步骤2、数据分析和处理,对监测数据进行标准化、序列化处理;具体实现方法为:
步骤21、对监测数据做标准化处理,按照不同批次的不同参数分别做标准化;具体方法为:按均值中心化后再按标准差缩放,使数据服从均值为0、方差为1的标准正态分布,公式如下,
其中,x*为标准化后的监测数据,x为监测数据,μ为均值,σ为标准差;
然后以一个批次的一个参数监测数据为标准化的基本数据单位,将其余批次的每个参数监测数据转换为标准正态分布;
步骤22、对标准化后的监测数据做序列化处理:通过长度为m的时间窗,步长取n,对监测数据做序列化分割,将第m个时刻的出口水分作为这个序列的标签,经过序列化处理形成预训练数据集、再训练数据集和预测序列;历史监测数据序列化处理为预训练数据集;当前批次中当下时刻及以前的实时监测数据序列化为再训练数据集;当前批次中需要预测出口水分的时刻的数据序列化为预测序列;
步骤3、构建局部峰值编码循环网络,根据检测数据的特点和气流式烘丝机的运行原理,构建出局部峰值编码循环网络模型,作为出口水分预测模型;具体实现方法为:
步骤31、局部峰值编码,上一层的隐层状态为ht-1,t时刻输入为xt,计算t时刻的峰值编码为:
其中,Wf为可训练的参数;σ(·)为Sigmoid激活函数,使得ft的值域为(0.5,1.5),从而控制出口水分的波动情况,ft大于1则表示出口水分具有向上的峰值趋势,ft小于1则表示出口水分具有向下的峰值趋势;
步骤32、创建更新门和重置门,根据ht-1和xt计算出更新系数zt和重置系数rt:
zt=σ(Wz·[ht-1,xt])
rt=σ(Wr·[ht-1,xt])
其中,Wz和Wr为可训练的参数;σ(·)为Sigmoid激活函数,使得zt和rt的值域为(0,1),zt用于控制前一时刻的状态信息被带入到当前状态中的程度,zt越大说明前一时刻的状态信息带入越多;rt用于控制前一时刻状态有多少信息被写入到当前的候选集上,rt越大前一状态信息写入的越多;
步骤34、计算网络的输出,得到最终隐层状态ht,由此计算出网络的输出yt:
yt=Wo·ht+bo
其中,Wo和bo为可训练的参数;
步骤4、预训练出口水分预测模型,实例化局部峰值编码循环网络,利用历史监测数据对其进行预训练,初步获得烘丝机控制和烘丝工艺参数与出口水分端到端的对应关系;
步骤5、模型再训练及出口水分实时预测,将实时监测数据输入局部峰值编码循环网络,首先对局部峰值编码循环网络做再训练,然后利用训练好的局部峰值编码循环网络预测未来一段时间内的出口水分;
步骤6、获取参数调整方案,构建出口水分预测值和标准值的偏差与每个参数的线性回归模型,构建优化函数对每个线性回归模型的参数进行优化求解,从而获得基于预测值和标准值偏差的烘丝机控制和烘丝工艺参数调整方案。
2.根据权利要求1所述的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,其特征在于,所述步骤1具体实现方法为:对实际生产中的多批次烘丝过程进行监测,采集每个批次的烘丝机控制和工艺参数、出口水分的具体值,形成历史监测数据;对当前批次烘丝过程进行监测,实时采集烘丝机控制和工艺参数、出口水分,形成实时监测数据。
3.根据权利要求1所述的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,其特征在于,所述步骤4具体实现方法为:
步骤41、从预训练数据集中取出10%的批次作为预训练验证集,剩余90%的批次作为预训练集;
步骤42、实例化局部峰值编码循环网络,在预训练集上对模型进行训练,计算训练模型的MSE作为损失函数,采用Adam优化算法进行模型训练与优化,当预训练验证集上的MSE连续10个周期没有下降时停止训练;保存完成预训练的模型。
4.根据权利要求1所述的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,其特征在于,所述步骤6具体实现方法为:
步骤61、计算出未来一段时间内出口水分预测值和标准值的偏差,形成偏差序列;
步骤62、建立偏差序列与各个参数之间的线性回归模型,表征偏差与各个参数的联系;
步骤63、借助偏差序列和线性回归模型计算出每个参数的调整值,将调整后的参数替代预测序列中原参数值,输入预测模型获得参数调整后的出口水分预测值;
步骤64、基于预测MSE构建损失函数,采用SGD方法对每个线性回归模型的参数进行迭代更新,直到损失函数值小于设定值时停止,得到最优的参数调整方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210146401.2A CN114403486B (zh) | 2022-02-17 | 2022-02-17 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210146401.2A CN114403486B (zh) | 2022-02-17 | 2022-02-17 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114403486A CN114403486A (zh) | 2022-04-29 |
CN114403486B true CN114403486B (zh) | 2022-11-22 |
Family
ID=81261019
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210146401.2A Active CN114403486B (zh) | 2022-02-17 | 2022-02-17 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114403486B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116172231A (zh) * | 2023-03-21 | 2023-05-30 | 上海益实智能科技有限公司 | 一种薄板烘丝机出口含水率控制方法及装置 |
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 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3905123A (en) * | 1973-10-15 | 1975-09-16 | Industrial Nucleonics Corp | Method and apparatus for controlling a tobacco dryer |
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 |
US10565522B2 (en) * | 2016-07-25 | 2020-02-18 | General Electric Company | System modeling, control and optimization |
CN108921343A (zh) * | 2018-06-26 | 2018-11-30 | 浙江工业大学 | 基于堆栈自编码器-支持向量回归的交通流量预测方法 |
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 |
CN110946314B (zh) * | 2019-12-12 | 2021-10-22 | 河南中烟工业有限责任公司 | 一种气流烘丝的烟丝含水量的控制方法及系统 |
CN112021626B (zh) * | 2020-07-10 | 2021-08-17 | 张家口卷烟厂有限责任公司 | 烟用制丝环节智能化控制系统及方法 |
CN112118143B (zh) * | 2020-11-18 | 2021-02-19 | 迈普通信技术股份有限公司 | 流量预测模型训练方法、流量预测方法、装置、设备及介质 |
CN113095550B (zh) * | 2021-03-26 | 2023-12-08 | 北京工业大学 | 基于变分递归网络和自注意力机制的空气质量预测方法 |
CN113017132A (zh) * | 2021-04-09 | 2021-06-25 | 红云红河烟草(集团)有限责任公司 | 一种基于烘丝机工艺参数预测的烟丝质量优化的方法 |
CN113128764A (zh) * | 2021-04-19 | 2021-07-16 | 广西中烟工业有限责任公司 | 烘丝机出口含水率预测模型的生成及基于其的调控方法 |
CN113642754B (zh) * | 2021-04-23 | 2023-10-10 | 北京工业大学 | 一种基于rf降噪自编码信息重构和时间卷积网络的复杂工业过程故障预测方法 |
-
2022
- 2022-02-17 CN CN202210146401.2A patent/CN114403486B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114403486A (zh) | 2022-04-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114403486B (zh) | 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 | |
US20240000046A1 (en) | Predictive control system and regulatory method for temperature of livestock house | |
CN110414788B (zh) | 一种基于相似日和改进lstm的电能质量预测方法 | |
CN111813084B (zh) | 一种基于深度学习的机械装备故障诊断方法 | |
CN111982302A (zh) | 一种带噪声滤波和环境温度补偿的测温方法 | |
CN113325721B (zh) | 一种工业系统无模型自适应控制方法及系统 | |
CN114297907A (zh) | 温室环境空间分布预测方法及装置 | |
CN110245398B (zh) | 空气预热器转子热变形量的软测量深度学习方法 | |
CN114282443A (zh) | 基于mlp-lstm有监督联合模型的剩余使用寿命预测方法 | |
CN104123348B (zh) | 一种基于arx的供水管网在线建模方法 | |
CN116975645A (zh) | 一种基于vae-mrcnn的工业过程软测量建模方法 | |
CN117195747B (zh) | 一种磁性材料烘干用均匀热分布优化方法 | |
CN112348253B (zh) | 一种基于全连接神经网络的固态发酵效用预测方法 | |
CN111838744A (zh) | 基于lstm的环境温湿度在烟丝过程中的水份连续实时预测方法 | |
CN111077771A (zh) | 一种自整定模糊pid控制方法 | |
CN114757111B (zh) | 一种基于数字孪生技术的智能装备健康管理方法 | |
CN114841416A (zh) | 基于长短期记忆网络的酱油发酵过程氨基酸态氮预测方法 | |
Phatwong et al. | Kappa number prediction of pulp digester using LSTM neural network | |
Wang | A new variable selection method for soft sensor based on deep learning | |
CN116505556B (zh) | 基于一次调频的风电场功率控制系统及方法 | |
Hu et al. | Fault Diagnosis Using Deep Learning for Wastewater Treatment Processes | |
CN117370870B (zh) | 知识和数据复合驱动的装备多工况识别与性能预测方法 | |
CN115270601A (zh) | 一种基于fdalm的三元正极材料制备过程监测方法及系统 | |
CN115481715A (zh) | 一种基于am-gru-bpnn的产品质量指标预测方法、系统 | |
CN117235599A (zh) | 基于深度学习的熔炉温控优化方法 |
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 |