CN114595888A - 一种烟草制丝生产线的工艺控制参数的预测方法及装置 - Google Patents

一种烟草制丝生产线的工艺控制参数的预测方法及装置 Download PDF

Info

Publication number
CN114595888A
CN114595888A CN202210229116.7A CN202210229116A CN114595888A CN 114595888 A CN114595888 A CN 114595888A CN 202210229116 A CN202210229116 A CN 202210229116A CN 114595888 A CN114595888 A CN 114595888A
Authority
CN
China
Prior art keywords
parameter
process control
data set
prediction
parameters
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
CN202210229116.7A
Other languages
English (en)
Inventor
刘大卫
李用清
誉东明
章立
房华伟
夏永明
唐芳丽
费禹铖
鲁艳红
梁志远
黄贤飞
安连友
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 CN202210229116.7A priority Critical patent/CN114595888A/zh
Publication of CN114595888A publication Critical patent/CN114595888A/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
    • A24B3/06—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
    • A24B7/00—Cutting tobacco
    • A24B7/14—Feeding or control devices for tobacco-cutting apparatus
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Business, Economics & Management (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Strategic Management (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Biomedical Technology (AREA)
  • Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提供了一种烟草制丝生产线的工艺控制参数的预测方法及装置，针对烟草制丝生产线中未运行的目标有参工序的每个工艺控制参数，通过以下步骤对目标有参工序的该工艺控制参数进行预测：获取参数数据集，参数数据集包括烟草制丝生产线中所有已运行的有参工序的工艺控制参数，以及所有已运行的有参工序的工艺控制参数中，目标工艺控制参数对应的工艺预测参数；将参数数据集输入目标有参工序的该工艺控制参数对应的预测模型，以获取预测模型输出的目标有参工序的该工艺控制参数的预测结果，用于对烟草制丝生产线中的一个工艺控制参数进行预测，以提高工艺控制参数预测的准确性，避免对烟草制丝生产线的产品质量造成影响。

Description

一种烟草制丝生产线的工艺控制参数的预测方法及装置
技术领域
本申请涉及烟草生产技术领域，具体而言，涉及一种烟草制丝生产线的工艺控制参数的预测方法及装置。
背景技术
目前卷烟厂的烟草制丝生产线主要包括片烟出库、切片、叶片回潮、叶片暂贮、叶片加料、贮叶、切丝、烘丝、贮叶丝、混丝加香和贮混丝等多个工序。在每个工序的实际生产过程中，都涉及一个或多个工艺控制参数的调控，工艺控制参数如烘丝机筒壁温度、贮叶时间等。每个工艺控制参数都需要控制在一定的数值范围内，如果超出范围，往往会对产品质量造成不可逆的影响。
现有的一些工艺控制参数仍需工作人员凭借个人经验预测调整，但工作人员的工作经验各不相同，并且每种工艺控制参数的控制都由其前工序的多个工艺控制参数等多方面因素决定，因此工作人员根据经验预测的方法并不准确，容易对产品质量造成一定程度的影响。
发明内容
有鉴于此，本申请的目的在于提供一种烟草制丝生产线的工艺控制参数的预测方法及装置，用于对烟草制丝生产线中的一个工艺控制参数进行预测，以提高工艺控制参数预测的准确性，避免对烟草制丝生产线的产品质量造成影响。
第一方面，本申请提供了一种烟草制丝生产线的工艺控制参数的预测方法，烟草制丝生产线包括多个无参工序和多个有参工序，每个有参工序对应至少一个工艺控制参数，针对烟草制丝生产线中未运行的目标有参工序的每个工艺控制参数，通过以下步骤对目标有参工序的该工艺控制参数进行预测：获取参数数据集，参数数据集包括烟草制丝生产线中所有已运行的有参工序的工艺控制参数，以及所有已运行的有参工序的工艺控制参数中，目标工艺控制参数对应的工艺预测参数；将参数数据集输入目标有参工序的该工艺控制参数对应的预测模型，以获取预测模型输出的目标有参工序的该工艺控制参数的预测结果。
优选的，通过以下方式获取参数数据集：获取参数子数据集，参数子数据集包括目标烟草牌号和批次对应的烟草制丝生产线上，所有已运行的有参工序对应的工艺控制参数，以及所有已运行的有参工序的工艺控制参数中，目标工艺控制参数对应的工艺预测参数；确定参数子数据集是否满足参数数据集生成条件；若满足参数数据集条件，则根据将参数子数据集作为参数数据集；若不满足参数数据集条件，则更新参数子数据集，并将更新后的参数子数据集作为参数数据集。
优选的，通过以下方式确定参数子数据集是否满足参数数据集条件：确定当前预测的工艺控制参数在预设参数排序中的第一序号；将参数子数据集中的所有参数按照预设参数排序进行排序，以确定第二序号，第一序号大于第二序号；确定第一序号与第二序号之间的序号差值与预设序号差值的大小；若序号差值等于预设序号差值，则确定参数子数据集满足参数数据集条件；若序号差值大于预设序号差值，则确定参数子数据集不满足参数数据集条件。
优选的，通过以下方式生成预测模型：获取多个预先训练好的基础子模型，每个基础子模式的输入为该预测模型对应的工艺控制参数之前的所有工艺控制参数和工艺预测参数，每个基础子模型的输出为该预测模型对应的工艺控制参数；根据每个基础子模型的误差值，确定出多个目标基础子模型，并分别生成均化基础模型、元模型融合基础模型以及加权基础模型；分别确定均化基础模型、元模型融合基础模型以及加权基础模型各自的误差值，并将其中误差值最小的模型确定为预测模型。
优选的，通过以下方式更新参数子数据集：根据当前参数子数据集对应的第二序号，在预设参数排序中确定第二序号对应的参数的下一参数；将当前参数子数据集按预设参数排序输入当前下一参数对应的预测模型中，以获取该预测模型输出的当前下一参数的预测结果；将下一参数的预测结果添加在参数子数据集中以形成更新后的参数子数据集；确定更新后的参数子数据集是否满足参数数据集条件；若不满足，则继续更新参数子数据集。
优选的，确定当前预测的工艺控制参数在预设参数排序中的第一序号的步骤之前，还包括：根据烟草制丝生产线中多个有参工序的运行顺序及每个参数的权重值，确定每个有参工序的工艺控制参数和工艺预测参数之间的预设参数排序，其中，每个工艺控制参数或工艺预测参数对应一个序号。
优选的，每个预先训练好的基础子模型通过同一个训练数据集训练获取，通过以下方式生成该训练数据集：获取第一历史数据集，第一历史数据集包括多组按预设参数排序的，第一序号之前的所有序号对应的参数；针对第一历史数据集中的每组参数，确定第一序号对应的参数的下一参数；将每组参数输入当前下一参数对应的预测模型中，以获取多个当前下一参数的预测结果，并对应的拼接在第一历史数据集的每组参数中；获取第二历史数据集，第二历史数据集包括多组按预设参数排序的，当前下一参数之前的所有参数；对拼接后的第一历史数据集和第二历史数据集进行预处理，以生成训练数据集。
第二方面，本申请提供了一种烟草制丝生产线的工艺控制参数的预测装置，烟草制丝生产线包括多个无参工序和多个有参工序，每个有参工序对应至少一个工艺控制参数，针对烟草制丝生产线中未运行的目标有参工序对应的每个工艺控制参数，通过预测装置对该工艺控制参数进行预测，预测装置包括：
获取模块，用于获取参数数据集，参数数据集包括烟草制丝生产线中所有已运行的有参工序对应的工艺控制参数，以及目标有参工序的该工艺控制参数对应的至少一个工艺预测参数；
预测模块，用于将参数数据集输入该工艺控制参数对应的预测模型，以获取预测模型输出的工艺控制参数的预测结果。
第三方面，本申请还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如上述的烟草制丝生产线的工艺控制参数的预测方法的步骤。
第四方面，本申请还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上述的烟草制丝生产线的工艺控制参数的预测方法的步骤。
本申请提供的烟草制丝生产线的工艺控制参数的预测方法及装置，烟草制丝生产线包括多个无参工序和多个有参工序，每个有参工序对应至少一个工艺控制参数，针对烟草制丝生产线中未运行的目标有参工序对应的每个工艺控制参数，通过以下步骤对该工艺控制参数进行预测：获取参数数据集，参数数据集包括烟草制丝生产线中所有已运行的有参工序对应的工艺控制参数，以及目标有参工序的该工艺控制参数对应的至少一个工艺预测参数，这里获取到的是需要预测的工艺控制参数之前的所有工艺控制参数和工艺预测参数，将参数数据集输入该工艺控制参数对应的预测模型，以获取预测模型输出的工艺控制参数的预测结果，该预测结果即为需要预测的工艺控制参数的预测结果，可以将该预测结果作为烟草制丝生产线中对应的生产设备的控制参数，与现有技术中的人工预测工艺控制参数方法相比，工艺控制参数的预测结果更准确，烟草制丝生产线生产出的产品质量更有保证。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本申请实施例所提供的一种烟草制丝生产线的工序示意图；
图2为本申请实施例所提供的一种工艺控制参数的预测步骤的流程图；
图3为本申请实施例所提供的一种工艺控制参数的预测程序的预测界面的示意图；
图4为本申请实施例所提供的一种参数数据集的获取步骤的流程图；
图5为本申请实施例所提供的一种确定参数子数据集是否满足参数数据集的步骤的流程图；
图6为本申请实施例提供的一种更新参数子数据集的步骤的流程图；
图7为本申请实施例提供的一种生成预测模型的步骤的流程图；
图8为本申请实施例提供的一种生成训练数据集的步骤的流程图；
图9为本申请实施例提供的一种五折stacking训练步骤的流程示意图；
图10为本申请实施例提供的一种预测流程的示意图；
图11为本申请实施例提供的一种烟草制丝生产线的工艺控制参数的预测装置的结构示意图；
图12为本申请实施例所提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请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申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的每个其他实施例，都属于本申请保护的范围。
目前卷烟厂的烟草制丝生产线主要包括片烟出库、切片、叶片回潮、叶片暂贮、叶片加料、贮叶、切丝、烘丝、贮叶丝、混丝加香和贮混丝等多个工序。在每个工序的实际生产过程中，都涉及一个或多个工艺控制参数的调控，工艺控制参数如烘丝机筒壁温度、贮叶时间等。每个工艺控制参数都需要控制在一定的数值范围内，如果超出范围，往往会对产品质量造成不可逆的影响。
现有的一些工艺控制参数仍需工作人员凭借个人经验预测调整，但工作人员的工作经验各不相同，并且每种工艺控制参数的控制都由其前工序的多个工艺控制参数等多方面因素决定，因此工作人员根据经验预测的方法并不准确，容易对产品质量造成一定程度的影响。
基于此，本申请实施例提供了一种烟草制丝生产线的工艺控制参数的预测方法及装置，用于对烟草制丝生产线中的一个工艺控制参数进行预测，以提高工艺控制参数预测的准确性，避免对烟草制丝生产线的产品质量造成影响。
首先，对本申请可适用的应用场景进行介绍。本申请可应用于烟草制丝生产线中生产设备的工艺控制参数的预测，烟草制丝生产线包括多个无参工序和多个有参工序，每个有参工序对应至少一个工艺控制参数。图1为本申请实施例提供的一种烟草制丝生产线的工序示意图。如图1所示，这里的烟草制丝生产线可以包括片烟出库、切片、叶片回潮、叶片暂贮、叶片加料、贮叶、切丝、烘丝、贮叶丝、混丝加香和贮混丝等多个工序。其中将片烟出库、切片作为无参工序，剩余工序作为有参工序。这里的有参工序指代的是用于执行该工序的生产设备具有工艺控制参数的工序。这里的工艺控制参数用于控制该生产设备进行工作。例如，烘丝机筒壁温度用于控制烘丝机的烘干温度。
图2为本申请实施例所提供的一种工艺控制参数的预测步骤的流程图。请参阅图2，本申请实施例提供的烟草制丝生产线的工艺控制参数的预测方法，针对烟草制丝生产线中未运行的目标有参工序的每个工艺控制参数，通过以下步骤对目标有参工序的该工艺控制参数进行预测：
S101、获取参数数据集，参数数据集包括烟草制丝生产线中所有已运行的有参工序对应的工艺控制参数，以及所有已运行的有参工序的工艺控制参数中，目标工艺控制参数对应的工艺预测参数。
需要说明的是，可以预先为每个参数设定一个序号。这里的参数包括工艺控制参数和工艺预测参数。
具体的，根据烟草制丝生产线中多个有参工序的运行顺序及每个参数的权重值，确定每个有参工序对应的工艺控制参数和工艺预测参数之间的预设参数排序，其中，每个工艺控制参数或工艺预测参数对应一个序号。
Figure BDA0003539895490000071
Figure BDA0003539895490000081
表1
表1为预设参数排序的排序表。这里的预测参数排序也可以是工作人员根据经验设定的。其中，带有*标记的为工艺控制参数，没有该标记的则为工艺预测参数。可以理解的是，其中带有标偏或CPK(Process capability index，过程能力指数)的参数都是工艺预测参数，即属于不用于控制生产设备的参数。且标准的工艺预测参数是可以通过工艺控制参数按照现有的统计算法计算得到的。本申请的预测程序在预测时，仅针对预测出的工艺控制参数进行输出。
这里不是所有的工艺控制参数都对应有工艺预测参数，即获取的参数数据集中，当烟草制丝生产线只运行到叶片暂贮这一有参工序时，获取到的参数数据集中仅包括一个工艺控制参数，而没有目标工艺控制参数。当烟草制丝生产线运行到叶片加料这一有参工序时，获取到的参数数据集中包括x11到x21共11个参数，其中x13加料入口流量标偏就是目标工艺控制参数(x12加料入口流量均值)所对应的工艺预测参数。
从表1中可以看出，每个参数都可以简化为一个不重复的序号。这里的参数数据集，包括制丝生产线中所有已运行的有参工序对应的工艺控制参数和工艺预测参数。例如，当需要对x26烘丝入口流量均值进行预测时，参数数据集里应当包括从x11至x25共15个参数，且这15个参数是按照序号从小到大排列好的。即参数数据集中，包括有当前所要预测的工艺控制参数的序号之前所有序号的对应的参数，这样才能保证参数数据集满足预测模型的输入，以输出当前所要预测的工艺控制参数的预测结果。
图3为本申请实施例提供的一种工艺控制参数的预测程序的预测界面的示意图。如图3所示，可以通过一种工艺控制参数的预测程序执行预测的步骤。具体的，用户需要在预测界面上选择想要对哪个烟草牌号和批次进行预测，再基于烟草牌号和批次获取对应的烟草制丝生产线上的参数数据集。用于可以在预测界面上选择对一个或多个未运行的有参工序的工艺控制参数，并进行预测，但每个工艺控制参数的预测步骤相同。
S102、将参数数据集输入目标有参工序的该工艺控制参数对应的预测模型，以获取预测模型输出的目标有参工序该工艺控制参数的预测结果。
这里的预测模型用于对需要预测的一个工艺控制参数进行预测。每个预测模型的输入为按照序号排列的，该工艺控制参数的序号之前的所有序号对应的参数，该预测模型输出的为该工艺控制参数的预测结果。例如将当前的参数数据集中X＝{x11＝10，x12＝50，x13＝0.05，x14＝100，x15＝0.03，x16＝80，x17＝0.03，x18＝0.1，x19＝0.1，x20＝0.02，x21＝120}输入x22对应的预测模型中，可以获得x22＝0.6的预测结果。
可以将该预测结果显示在预测程序的预测界面上，也可以选择将该预测结果发送给烟草制丝生产线中对应的生产设备的控制系统。
本申请的技术方案中，通过获取参数数据集，参数数据集包括烟草制丝生产线中所有已运行的有参工序对应的工艺控制参数，以及目标有参工序的该工艺控制参数对应的至少一个工艺预测参数，这里获取到的是需要预测的工艺控制参数之前的所有工艺控制参数和工艺预测参数，将参数数据集输入该工艺控制参数对应的预测模型，以获取预测模型输出的工艺控制参数的预测结果，该预测结果即为需要预测的工艺控制参数的预测结果，可以将该预测结果作为烟草制丝生产线中对应的生产设备的控制参数，与现有技术中的人工预测工艺控制参数方法相比，工艺控制参数的预测结果更准确，烟草制丝生产线生产出的产品质量更有保证。
请参阅图4，图4为本申请一实施例提供的一种参数数据集的获取步骤的流程图，包括：
S201、获取参数子数据集，参数子数据集包括目标烟草牌号和批次对应的烟草制丝生产线上，所有已运行的有参工序对应的工艺控制参数，以及所有已运行的有参工序的工艺控制参数中，目标工艺控制参数对应的工艺预测参数。
但确定了想要预测的工艺参数和烟草批次和牌号后，首先根据烟草批次和牌号获取对应的参数子数据集，这里的参数子数据集可以是从mes系统导出或者数据库导出的。这里的数据库存储的可以是历史的参数，也可以是与当前烟草批次和牌号对应的烟草制丝生产线中，实际采集和计算得到的工艺控制参数和工艺预测参数。但此处能够获取到的仅为当前烟草批次和牌号对应的烟草制丝生产线中，已经运行的有参工序的参数。例如当前生产线正在运行的为叶片加料工序，则参数子数据集中仅有x11一个参数。
S202、确定参数子数据集是否满足参数数据集生成条件。
这里需要确定当前参数子数据集中的数据是否包含了需要预测的工艺控制参数的序号之前的所有参数。具体的，图5为本申请实施例的一种确定参数子数据集是否满足参数数据集的步骤的流程图。如图5所示，通过以下方式确定参数子数据集是否满足参数数据集条件：
S2020、确定当前预测的工艺控制参数在预设参数排序中的第一序号。
S2022、将参数子数据集中的所有参数按照预设参数排序进行排序，以确定第二序号，第一序号大于第二序号。
这里的第二序号为当前参数子数据集中所有参数对应的最大序号。
S2024、确定第一序号与第二序号之间的序号差值与预设序号差值的大小。
S2026、若序号差值等于预设序号差值，则确定参数子数据集满足参数数据集条件。
S2028、若序号差值大于预设序号差值，则确定参数子数据集不满足参数数据集条件。
可以理解的是，当想要对x28烘丝机筒壁温度想要预测时，若当前生产线最后一个已运行的工序为叶片加料工序，则首次获得的参数子数据集中仅包括x11至x21这11个参数，此时第一序号x28大于第二序号x21。
在本实施例中，预设序号差值为1，这里的序号差值指代的是28-21。即若当前参数子数据集中没有包括x11至x27完整的17个参数，则确定参数子数据集不满足参数数据集条件。这里的序号差值仅有大于或等于预设序号差值两种情况。
S203、若满足参数数据集条件，则根据将参数子数据集作为参数数据集。
S204、若不满足参数数据集条件，则更新参数子数据集，并将更新后的参数子数据集作为参数数据集。
满足参数数据集条件的参数子数据集，可以直接作为参数数据集以执行步骤S102。不满足参数数据集条件的参数子数据集，则需要更新。图6为本申请实施例提供的一种更新参数子数据集的步骤的流程图。如图6所示，可以通过以下方式更新参数子数据集：
S301、根据当前参数子数据集对应的第二序号，在预设参数排序中确定第二序号对应的参数的下一参数。
S302、将当前参数子数据集按预设参数排序输入当前下一参数对应的预测模型中，以获取该预测模型输出的当前下一参数的预测结果。
S303、将下一参数的预测结果添加在参数子数据集中以形成更新后的参数子数据集。
S304、确定更新后的参数子数据集是否满足参数数据集条件。
S305、若不满足，则返回步骤S301，继续更新参数子数据集。
在本申请的实施例中，当想要对x28烘丝机筒壁温度想要预测时，若当前生产线最后一个已运行的工序为叶片加料工序，则首次获得的参数子数据集中仅包括x11至x21这11个参数，则向将x11至x21输入至x22对应的预测模型中，以获取x22的预测结果，并将x11至x21以及x22的预测结果作为新的参数子数据集。重复执行该过程，直到参数子数据集中包括有x11至x21以及x22至x27的预测结果，此时参数子数据集则满足了参数数据集条件，可以将当前的参数子参数集作为参数数据集以执行步骤S102。
图7为本申请实施例的一种生成预测模型的步骤的流程图。如图7所示，通过以下方式生成预测模型：
S401、获取多个预先训练好的基础子模型，每个基础子模式的输入为该预测模型对应的工艺控制参数之前的所有工艺控制参数和工艺预测参数，每个基础子模型的输出为该预测模型对应的工艺控制参数。
其中，每个预先训练好的基础子模型通过同一个训练数据集训练获取，每个基础子模型的原始算法不同。示例性的，可以选用深度学习类算法(如RNN、DNN、NN、LSTM等)、决策树类算法(如随机森林、Xgboost、GBDT、LightGBM等)、回归类算法(如OLS、SVR、RidgeRegression、Kernel ridge regression、Lasso、Elastic Net等)、简单神经网络类算法(如MLP、BP、RBF等神经网络)等可以在Python开发环境中运行的可建立回归模型的算法，经过同一训练数据集训练后，获得训练好的多个基础子模型。
图8为本申请实施例提供的一种生成训练数据集的步骤的流程图。如图8所示，通过以下方式生成该训练数据集：
S501、获取第一历史数据集，第一历史数据集包括多组按预设参数排序的，第一序号之前的所有序号对应的参数。
这里的第一历史数据集包括至少200组参数。例如，当需要生成x19对应的预测模型时，则第一历史数据集为多组x11至x18的参数。这里的参数可以是对应的烟草制丝生产线上采集和到的工艺控制参数和计算出的目标工艺控制参数对应的工艺预测参数。
S502、针对第一历史数据集中的每组参数，确定第一序号对应的参数的下一参数。
S503、将每组参数输入当前下一参数对应的预测模型中，以获取多个当前下一参数的预测结果，并对应的拼接在第一历史数据集的每组参数中。
在上述实施例中，通过多组x11至x18的参数训练出一个基础子模型，并将该基础子模型输出的多个x19的预测结果，对应的拼接到多组x11至x18的参数中，以形成多组x11至x19的参数，形成拼接后的第一历史数据集。
S504、获取第二历史数据集，第二历史数据集包括多组按预设参数排序的，当前下一参数之前的所有参数。
这里的第二历史数据集包括直接从数据库或MES系统导出的，多组x11至x19的参数。
S505、对拼接后的第一历史数据集和第二历史数据集进行预处理，以生成训练数据集。
此时，所有数据集中都包括多组x11至x19的参数。为了提高训练数据集的有效性，需要对数据集进行预处理。可以根据x11至x18中的一个参数作为参数以及x19制作成散点图，确定出离群点，并将该离群点在数据集中对应的参数剔除。之后数据集中的所有x19进行log变换，以使之满足正态分布。
对与数据集的缺失数据，可以进行“0”值、“NA”值、均值、中位数、众数、特定值插补、多重插补等方式的填充。对于数据集中的离散型数据，使用sklearn的LabelEncoder方法将编码为连续的特征数值，并进行哑铃变量转换。检查数据集中连续型数据的偏度，对于偏度过大的特征利用sklearn的box-cox转换函数，也可采用sklearn的StandardScaler方法进行数据标准化，以降低连续型数据的偏度。经过这样预处理后得到的训练数据集，保证了训练数据集的有效性，进而提高了预测模型的预测准确性。
优选的，第一历史数据集和第二历史数据集中样本的比例可以为9比1。
确定好训练数据集后，可以通过该训练数据集对确定出的多个不同算法的模型进行训练，以生成训练好的多个基础子模型。
S402、根据每个基础子模型的误差值，确定出多个目标基础子模型，并分别生成均化基础模型、元模型融合基础模型以及加权基础模型。
确定出多个基础子模型后，需要确定出其中精确度较高的几个作为目标基础子模型。具体的，可以通过以下方式确定出目标基础子模型：
本实施例中可以采用多折交叉验证，将训练数据集分为多份，使用剩余部分对当前部分进行预测，以对该模型进行评价。使用K折交叉验证各个基础子模型后，可以使用网格搜索法(Grid Search)对每个基础子模型进行调参。以均方根对数误差(RMSLE)作为评价指标判定每种基础子模型的预测精确度。
以本实施例为例，请参阅表2：
算法及模型名称 均方根对数误差均值 均方根对数误差标偏
lasso 0.0060 0.0004
ElasticNet 0.0060 0.0004
KernelRidge 0.0061 0.0006
GBoost 0.0057 0.0004
Xgboost 0.0067 0.0005
LGBM 0.0057 0.0004
SVR 0.0069 0.0009
MLPRegressor 0.0135 0.0074
RandomForestRegressor 0.0057 0.0004
LSTM 0.0067 0.0007
均化基础模型 0.0056 0.0004
元模型融合模型 0.0057 0.0004
加权融合模型 0.0058 0.0005
可以确定出六种误差值最小的模型分别为：Lasso、ElasticNet、RandomForestRegressor、lightgbm、GradientBoosting、KernelRidge这几种算法为基础训练出的基础子模型。
针对均化基础模型来说，将上述六个目标基础子模型的预测结果累加取平均值，建立均化基础模型。以均方根对数误差作为评价指标，得到均化基础模型的均方根对数误差均值为0.0056，均方根对数误差标偏为0.0004，均化基础模型误差小于所有基础子模型。
针对元模型融合模型来说，选则Lasso算法训练出的基础子模型作为元模型，然后以ElasticNet、RandomForestRegressor、lightgbm、GradientBoosting、KernelRidge作为基础模型，使用五折stacking方法来训练元模型，图9为本申请实施例提供的一种五折stacking训练步骤的流程示意图。其中Train数据集指代本申请中的训练数据集，其训练步骤如下：
S1：把训练数据集分为2个部分：train_a和train_b；
S2：用train_a来训练其他基础模型；
S3：用基础模型在测试集train_b上进行预测；
S4：使用S3中其它基础模型的预测结果累加取平均值作为输入，然后在元模型上进行训练。
使用五折stacking方法将训练数据集分为5个部分，每次的训练中都会使用其他4个部分的数据集，然后使用最后一个部分数据集来预测，五次迭代后我们会得到五次预测结果，最终使用这五次结果作为元模型的输入进行元模型的训练。在元模型的预测部分，平均所有基础模型的预测结果作为元模型的输入进行输出结果的预测。同样以均方根对数误差作为评价指标，得到均化基础模型的均方根对数误差均值为0.0057，均方根对数误差标偏为0.0004，误差大于均化基础模型。
针对加权融合模型来说，在元模型融合模型基础上，选取RandomForestRegressor和GradientBoosting这两个算法对应的基础子模型和元模型融合模型建立加权融合模型。
其中，加权融合模型的最终预测结果＝元模型融合模型预测值*0.70+GradientBoosting模型预测值*0.15+RandomForestRegressor模型预测值*0.15。模型训练输入数据为训练数据集，输出结果为需要预测的工艺控制参数。得到加权融合模型的均方根对数误差均值为0.0058，均方根对数误差标偏为0.0005，误差大于均化基础模型。
S403、分别确定均化基础模型、元模型融合基础模型以及加权基础模型各自的误差值，并将其中误差值最小的模型确定为预测模型。
比较均化基础模型、元模型融合模型、加权融合模型三种模型的均方根对数误差，选择误差最小的均化基础模型作为预测模型。
可以看出，与选择单一的基础子模型作为预测模型相比，本实施例中通过选择多个基础子模型，分别建立均化基础模型、元模型融合基础模型以及加权基础模型，并选择其中预测该工艺控制参数时，精确度最高的模型作为预测模型，保证了工艺控制参数的预测结果的准确性，当通过该准确性更高的预测结果来控制烟草制丝生产线中该工艺控制参数对应的生产设备来运行时，可以进一步保证该生产线的产品质量，避免给生产企业造成经济损失。
本申请的一个实施例中，可以通过以下方式生成工艺控制参数的预测程序：
使用PyQt5工具包创建如图3的GUI界面，导入QtCore,QtGui,QtWidgets函数模块分别创建“牌号选择”、“导入切丝前数据”“开始预测”及“切丝含水率预测值”和“烘丝机筒壁温度预测值”等交互框。用户在点击“导入切丝前数据”按钮后，程序将自动将尚未生产到切丝工序的某牌号10批次在制品的x11至x23参数通过信号和槽函数对应的获取参数数据集，并将结果通过预览框呈现。用户在点击“开始预测”后，自动执行如图10所示的预测流程，该预测流程包括以下操作：第一步，将该数据集导入预测模型A，输出y1并显示在“切丝含水率预测值”下方；第二步，参数数据集与y1做拼接，导入预测模型B，输出y2并显示在“烘丝机筒壁温度预测值”下方。其中Train数据集1包括x11至x23的参数，Train数据集1包括x11至x23的参数和y1。y1即为切丝含水率，y2即为烘丝机筒壁温度。
基于同一发明构思，本申请实施例中还提供了与烟草制丝生产线的工艺控制参数的预测方法对应的烟草制丝生产线的工艺控制参数的预测装置，由于本申请实施例中的装置解决问题的原理与本申请实施例上述烟草制丝生产线的工艺控制参数的预测方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。
请参阅图11，图11为本申请实施例所提供的一种烟草制丝生产线的工艺控制参数的预测装置的结构示意图。如图11中所示，烟草制丝生产线包括多个无参工序和多个有参工序，每个有参工序对应至少一个工艺控制参数，针对烟草制丝生产线中未运行的目标有参工序对应的每个工艺控制参数，通过预测装置500对该工艺控制参数进行预测，预测装置500包括：
获取模块510，用于获取参数数据集，参数数据集包括烟草制丝生产线中所有已运行的有参工序对应的工艺控制参数，以及目标有参工序的该工艺控制参数对应的至少一个工艺预测参数；
预测模块520，用于将参数数据集输入该工艺控制参数对应的预测模型，以获取预测模型输出的工艺控制参数的预测结果。
在一优选实施例中，还包括处理模块(图中未示出)，用于通过以下方式获取参数数据集：获取参数子数据集，参数子数据集包括目标烟草牌号和批次对应的烟草制丝生产线上，所有已运行的有参工序对应的工艺控制参数，以及所有已运行的有参工序的工艺控制参数中，目标工艺控制参数对应的工艺预测参数；确定参数子数据集是否满足参数数据集生成条件；若满足参数数据集条件，则根据将参数子数据集作为参数数据集；若不满足参数数据集条件，则更新参数子数据集，并将更新后的参数子数据集作为参数数据集。
在一优选实施例中，处理模块还用于通过以下方式确定参数子数据集是否满足参数数据集条件：确定当前预测的工艺控制参数在预设参数排序中的第一序号；将参数子数据集中的所有参数按照预设参数排序进行排序，以确定第二序号，第一序号大于第二序号；确定第一序号与第二序号之间的序号差值与预设序号差值的大小；若序号差值等于预设序号差值，则确定参数子数据集满足参数数据集条件；若序号差值大于预设序号差值，则确定参数子数据集不满足参数数据集条件。
在一优选实施例中，还包括生成模块(图中未示出)，生成模块用于通过以下方式生成预测模型：获取多个预先训练好的基础子模型，每个基础子模式的输入为该预测模型对应的工艺控制参数之前的所有工艺控制参数和工艺预测参数，每个基础子模型的输出为该预测模型对应的工艺控制参数；根据每个基础子模型的误差值，确定出多个目标基础子模型，并分别生成均化基础模型、元模型融合基础模型以及加权基础模型；分别确定均化基础模型、元模型融合基础模型以及加权基础模型各自的误差值，并将其中误差值最小的模型确定为预测模型。
在一优选实施例中，处理模块还用于通过以下方式更新参数子数据集：根据当前参数子数据集对应的第二序号，在预设参数排序中确定第二序号对应的参数的下一参数；将当前参数子数据集按预设参数排序输入当前下一参数对应的预测模型中，以获取该预测模型输出的当前下一参数的预测结果；将下一参数的预测结果添加在参数子数据集中以形成更新后的参数子数据集；确定更新后的参数子数据集是否满足参数数据集条件；若不满足，则继续更新参数子数据集。
在一优选实施例中，确定当前预测的工艺控制参数在预设参数排序中的第一序号的步骤之前，处理模块还用于：根据烟草制丝生产线中多个有参工序的运行顺序及每个参数的权重值，确定每个有参工序的工艺控制参数和工艺预测参数之间的预设参数排序，其中，每个工艺控制参数或工艺预测参数对应一个序号。
在一优选实施例中，每个预先训练好的基础子模型通过同一个训练数据集训练获取，生成模块还用于通过以下方式生成该训练数据集：获取第一历史数据集，第一历史数据集包括多组按预设参数排序的，第一序号之前的所有序号对应的参数；针对第一历史数据集中的每组参数，确定第一序号对应的参数的下一参数；将每组参数输入当前下一参数对应的预测模型中，以获取多个当前下一参数的预测结果，并对应的拼接在第一历史数据集的每组参数中；获取第二历史数据集，第二历史数据集包括多组按预设参数排序的，当前下一参数之前的所有参数；对拼接后的第一历史数据集和第二历史数据集进行预处理，以生成训练数据集。
请参阅图12，图12为本申请实施例所提供的一种电子设备的结构示意图。如图12中所示，所述电子设备600包括处理器610、存储器620和总线630。
所述存储器620存储有所述处理器610可执行的机器可读指令，当电子设备600运行时，所述处理器610与所述存储器620之间通过总线630通信，所述机器可读指令被所述处理器610执行时，可以执行如上述图1以所示方法实施例中的烟草制丝生产线的工艺控制参数的预测方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时可以执行如上述图1以所示方法实施例中的烟草制丝生产线的工艺控制参数的预测方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种烟草制丝生产线的工艺控制参数的预测方法，其特征在于，烟草制丝生产线包括多个无参工序和多个有参工序，每个有参工序对应至少一个工艺控制参数，针对烟草制丝生产线中未运行的目标有参工序的每个工艺控制参数，通过以下步骤对目标有参工序的该工艺控制参数进行预测：
获取参数数据集，所述参数数据集包括烟草制丝生产线中所有已运行的有参工序的工艺控制参数，以及所有已运行的有参工序的工艺控制参数中，目标工艺控制参数对应的工艺预测参数；
将所述参数数据集输入目标有参工序的该工艺控制参数对应的预测模型，以获取预测模型输出的目标有参工序的该工艺控制参数的预测结果。
2.根据权利要求1所述的预测方法，其特征在于，通过以下方式获取参数数据集：
获取参数子数据集，所述参数子数据集包括目标烟草牌号和批次对应的烟草制丝生产线上，所有已运行的有参工序的工艺控制参数，以及所有已运行的有参工序的工艺控制参数中，目标工艺控制参数对应的工艺预测参数；
确定所述参数子数据集是否满足参数数据集生成条件；
若满足参数数据集条件，则根据将参数子数据集作为参数数据集；
若不满足参数数据集条件，则更新参数子数据集，并将更新后的参数子数据集作为参数数据集。
3.根据权利要求2所述的预测方法，其特征在于，通过以下方式确定参数子数据集是否满足参数数据集条件：
确定当前预测的工艺控制参数在预设参数排序中的第一序号；
将参数子数据集中的所有参数按照预设参数排序进行排序，以确定第二序号，所述第一序号大于所述第二序号；
确定第一序号与第二序号之间的序号差值与预设序号差值的大小；
若所述序号差值等于所述预设序号差值，则确定参数子数据集满足参数数据集条件；
若所述序号差值大于所述预设序号差值，则确定参数子数据集不满足参数数据集条件。
4.根据权利要求3所述的预测方法，其特征在于，通过以下方式生成预测模型：
获取多个预先训练好的基础子模型，每个基础子模式的输入为该预测模型对应的工艺控制参数之前的所有工艺控制参数和工艺预测参数，每个基础子模型的输出为该预测模型对应的工艺控制参数；
根据每个基础子模型的误差值，确定出多个目标基础子模型，并分别生成均化基础模型、元模型融合基础模型以及加权基础模型；
分别确定均化基础模型、元模型融合基础模型以及加权基础模型各自的误差值，并将其中误差值最小的模型确定为预测模型。
5.根据权利要求4所述的预测方法，其特征在于，通过以下方式更新参数子数据集：
根据当前参数子数据集对应的第二序号，在预设参数排序中确定第二序号对应的参数的下一参数；
将当前参数子数据集按预设参数排序输入当前下一参数对应的预测模型中，以获取该预测模型输出的当前下一参数的预测结果；
将下一参数的预测结果添加在参数子数据集中以形成更新后的参数子数据集；
确定更新后的参数子数据集是否满足参数数据集条件；
若不满足，则继续更新参数子数据集。
6.根据权利要求3所述的预测方法，其特征在于，确定当前预测的工艺控制参数在预设参数排序中的第一序号的步骤之前，还包括：
根据烟草制丝生产线中多个有参工序的运行顺序及每个参数的权重值，确定每个有参工序的工艺控制参数和工艺预测参数之间的预设参数排序，其中，每个工艺控制参数或工艺预测参数对应一个序号。
7.根据权利要求6所述的预测方法，其特征在于，每个预先训练好的基础子模型通过同一个训练数据集训练获取，通过以下方式生成该训练数据集：
获取第一历史数据集，所述第一历史数据集包括多组按预设参数排序的，第一序号之前的所有序号对应的参数；
针对第一历史数据集中的每组参数，确定第一序号对应的参数的下一参数；
将每组参数输入当前下一参数对应的预测模型中，以获取多个当前下一参数的预测结果，并对应的拼接在第一历史数据集的每组参数中；
获取第二历史数据集，所述第二历史数据集包括多组按预设参数排序的，当前下一参数之前的所有参数；
对拼接后的第一历史数据集和第二历史数据集进行预处理，以生成训练数据集。
8.一种烟草制丝生产线的工艺控制参数的预测装置，其特征在于，烟草制丝生产线包括多个无参工序和多个有参工序，每个有参工序对应至少一个工艺控制参数，针对烟草制丝生产线中未运行的目标有参工序对应的每个工艺控制参数，通过预测装置对该工艺控制参数进行预测，预测装置包括：
获取模块，用于获取参数数据集，所述参数数据集包括烟草制丝生产线中所有已运行的有参工序对应的工艺控制参数，以及目标有参工序的该工艺控制参数对应的至少一个工艺预测参数；
预测模块，用于将所述参数数据集输入该工艺控制参数对应的预测模型，以获取预测模型输出的工艺控制参数的预测结果。
9.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子终端运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如权利要求1至7任一所述的烟草制丝生产线的工艺控制参数的预测方法的步骤。
10.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1至7任一所述的烟草制丝生产线的工艺控制参数的预测方法的步骤。
CN202210229116.7A 2022-03-10 2022-03-10 一种烟草制丝生产线的工艺控制参数的预测方法及装置 Pending CN114595888A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210229116.7A CN114595888A (zh) 2022-03-10 2022-03-10 一种烟草制丝生产线的工艺控制参数的预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210229116.7A CN114595888A (zh) 2022-03-10 2022-03-10 一种烟草制丝生产线的工艺控制参数的预测方法及装置

Publications (1)

Publication Number Publication Date
CN114595888A true CN114595888A (zh) 2022-06-07

Family

ID=81818435

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210229116.7A Pending CN114595888A (zh) 2022-03-10 2022-03-10 一种烟草制丝生产线的工艺控制参数的预测方法及装置

Country Status (1)

Country Link
CN (1) CN114595888A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116880404A (zh) * 2023-07-28 2023-10-13 北京远舢智能科技有限公司 一种基于恒定模型的生产控制方法、装置、设备及介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102090703A (zh) * 2010-08-26 2011-06-15 龙岩烟草工业有限责任公司 一种提高制丝工艺参数控制效果的方法
CN111523683A (zh) * 2020-07-06 2020-08-11 北京天泽智云科技有限公司 烟草加工中工艺参数预测方法及系统
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
WO2021189906A1 (zh) * 2020-10-20 2021-09-30 平安科技（深圳）有限公司 基于联邦学习的目标检测方法、装置、设备及存储介质
CN113673144A (zh) * 2021-07-13 2021-11-19 上海烟草集团有限责任公司 烟草梗丝干燥设备数据的预测系统及方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102090703A (zh) * 2010-08-26 2011-06-15 龙岩烟草工业有限责任公司 一种提高制丝工艺参数控制效果的方法
CN111523683A (zh) * 2020-07-06 2020-08-11 北京天泽智云科技有限公司 烟草加工中工艺参数预测方法及系统
WO2021189906A1 (zh) * 2020-10-20 2021-09-30 平安科技（深圳）有限公司 基于联邦学习的目标检测方法、装置、设备及存储介质
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
CN113673144A (zh) * 2021-07-13 2021-11-19 上海烟草集团有限责任公司 烟草梗丝干燥设备数据的预测系统及方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116880404A (zh) * 2023-07-28 2023-10-13 北京远舢智能科技有限公司 一种基于恒定模型的生产控制方法、装置、设备及介质
CN116880404B (zh) * 2023-07-28 2024-05-03 北京远舢智能科技有限公司 一种基于恒定模型的生产控制方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
EP3893154A1 (en) Recommendation model training method and related apparatus
CN109495318B (zh) 一种移动通信网络流量预测方法、装置及可读存储介质
CN108833458B (zh) 一种应用推荐方法、装置、介质及设备
CN110619423A (zh) 多任务预测方法、装置、电子设备及存储介质
CN106492459B (zh) 一种数据处理系统、数据处理方法以及数据处理装置
CN110415036B (zh) 用户等级的确定方法、装置、计算机设备和存储介质
CN113111589A (zh) 预测模型的训练方法、预测供热温度的方法、装置和设备
CN114595888A (zh) 一种烟草制丝生产线的工艺控制参数的预测方法及装置
US20210342691A1 (en) System and method for neural time series preprocessing
CN114547917A (zh) 仿真预测方法、装置、设备及存储介质
CN114692552A (zh) 一种三维芯片的布局方法、装置及终端设备
CN114202174A (zh) 一种电价风险等级预警方法、装置及存储介质
CN109783769B (zh) 一种基于用户项目评分的矩阵分解方法和装置
CN112598133A (zh) 车辆数据的处理方法、装置、设备和存储介质
US20190180180A1 (en) Information processing system, information processing method, and recording medium
CN113642766B (zh) 一种电力系统站点停电数的预测方法、装置、设备及介质
JP2019200510A (ja) 予測システム、及び、予測方法
CN114971736A (zh) 电力计量物资需求预测方法、装置、电子设备和存储介质
CN115185606A (zh) 业务配置参数的获得方法、装置、设备及存储介质
CN114154780A (zh) 评价方法、装置、电子设备及相关产品
CN114118637A (zh) 一种配件需求的预测模型构建方法、装置及计算机设备
CN108471362B (zh) 资源分配预测方法和装置
CN112785196A (zh) 商品自动推荐方法及装置
CN111695739B (zh) 一种负荷预测方法、系统以及设备
CN115550259B (zh) 基于白名单的流量分配方法及相关设备

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