CN114862039A - 一种卷烟制丝工序物料损耗的预警方法及装置 - Google Patents
一种卷烟制丝工序物料损耗的预警方法及装置 Download PDFInfo
- Publication number
- CN114862039A CN114862039A CN202210573506.6A CN202210573506A CN114862039A CN 114862039 A CN114862039 A CN 114862039A CN 202210573506 A CN202210573506 A CN 202210573506A CN 114862039 A CN114862039 A CN 114862039A
- Authority
- CN
- China
- Prior art keywords
- processed
- cigarette
- prediction model
- detection data
- prediction
- 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 290
- 238000000034 method Methods 0.000 title claims abstract description 97
- 239000000463 material Substances 0.000 title claims abstract description 43
- 238000001514 detection method Methods 0.000 claims abstract description 167
- 238000012545 processing Methods 0.000 claims abstract description 37
- 241000208125 Nicotiana Species 0.000 claims abstract description 14
- 235000002637 Nicotiana tabacum Nutrition 0.000 claims abstract description 14
- 230000015654 memory Effects 0.000 claims description 27
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 abstract description 9
- 238000004422 calculation algorithm Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000012417 linear regression Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012549 training 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Entrepreneurship & Innovation (AREA)
- Algebra (AREA)
- Bioinformatics & Computational Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (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
本申请实施例提供了一种卷烟制丝工序物料损耗的预警方法及装置，其方法包括：可先获取待处理卷烟在制丝过程中的检测数据，根据该待处理卷烟的检测数据从至少两种预测模型中确定目标预测模型，接着将待处理卷烟的检测数据输入至训练好的目标预测模型，得到待处理卷烟的预测结果，并根据待处理卷烟的预测结果对待处理卷烟进行预警。通过结合确定的目标预测模型来更加精确的预测出卷烟制丝的物料损耗结果，不仅可有效避免电子秤、流量计或人工原因所导致的物料损耗异常，且还可保障得到的物料损耗结果的精度，优化了生产过程的人工管控体验。
Description
技术领域
本申请属于卷烟制丝的加工技术领域，特别的涉及一种卷烟制丝工序物料损耗的预警方法及装置。
背景技术
卷烟制丝作为卷烟生产的重要环节，承担着原料加工的任务，是提高卷烟质量、增加企业生产效应的关键所在。在人工智能、机器学习等新兴技术日趋成熟的背景下，卷烟制丝生产过程的智能化应用逐渐成为行业的主要研究方向。
目前，许多卷烟企业希望通过软件手段提高物料数据采集精准度，通过考虑天气、环境和品牌等影响因素来分析整个制丝生产过程的物料损耗，其主要依靠电子秤和流量计提供精准数据。但该增加电子秤、流量计的方式会影响工艺过程，且投资大，使用受限。其次，当电子秤、流量计等检测器件出现异常时也会影响采集精准度，使得物料损耗数据由于方法与技术的限制，无法做到准确、科学的分析，进而导致数据结果发生失真。
发明内容
本申请实施例提供了一种卷烟制丝工序物料损耗的预警方法及装置，其具体的技术方案如下：
第一方面，本申请实施例提供了一种卷烟制丝工序物料损耗的预警方法，包括：
获取待处理卷烟在制丝过程中的检测数据；
根据待处理卷烟的检测数据从至少两种预测模型中确定目标预测模型；
将待处理卷烟的检测数据输入至训练好的目标预测模型，得到待处理卷烟的预测结果；
根据待处理卷烟的预测结果对待处理卷烟进行预警。
在第一方面的一种可选方案中，在获取待处理卷烟在制丝过程中的检测数据之后，在根据待处理卷烟的检测数据从至少两种预测模型中确定目标预测模型之前，还包括：
判断待处理卷烟的检测数据是否满足预设条件；
当检测到不满足预设条件的待处理卷烟的检测数据时，对不满足预设条件的待处理卷烟的检测数据进行剔除处理；
根据待处理卷烟的检测数据从至少两种预测模型中确定目标预测模型，包括：
根据满足预设条件的待处理卷烟的检测数据从至少两种预测模型中确定目标预测模型。
在第一方面的又一种可选方案中，根据待处理卷烟的检测数据从至少两种预测模型中确定目标预测模型，包括：
将待处理卷烟的检测数据分别输入至至少两种预测模型中的每种预测模型中，得到与每种预测模型对应的预测结果；
根据与每种预测模型对应的预测结果以及预设结果确定目标预测模型。
在第一方面的又一种可选方案中，根据与每种预测模型对应的预测结果以及预设结果确定目标预测模型，包括：
分别计算与每种预测模型对应的预测结果与预设结果的均方根误差；
将与最小的均方根误差对应的预测模型作为目标预测模型；或
分别计算与每种预测模型对应的预测结果与预设结果的平均绝对误差；
将与最小的平均绝对误差对应的预测模型作为目标预测模型；或
分别计算与每种预测模型对应的预测结果与预设结果的平均百分比绝对误差；
将与最小的平均百分比绝对误差对应的预测模型作为目标预测模型。
在第一方面的又一种可选方案中，待处理卷烟在制丝过程中包括至少两个工段；
根据待处理卷烟的检测数据从至少两种预测模型中确定目标预测模型，包括：
从待处理卷烟的检测数据中划分出与每个工段对应的检测数据；
将与每个工段对应的检测数据分别输入至至少两种预测模型中的每种预测模型中，得到与每种预测模型对应的预测结果；
根据与每种预测模型对应的预测结果以及预设结果确定每个工段的目标预测模型。
在第一方面的又一种可选方案中，在根据待处理卷烟的预测结果对待处理卷烟进行预警之后，方法还包括：
当检测到待处理卷烟的检测数据为历史检测数据时，将待处理卷烟的检测数据输入至目标预测模型，得到待处理卷烟的预测结果；
根据待处理卷烟的预测结果对待处理卷烟进行预警。
在第一方面的又一种可选方案中，根据待处理卷烟的预测结果对待处理卷烟进行预警，包括：
当检测到待处理卷烟的预测结果处于预设误差区间时，发送与待处理卷烟对应的提示信息至终端；
当检测到待处理卷烟的预测结果不处于预设误差区间时，发送与待处理卷烟对应的预警信息至终端。
第二方面，本申请实施例提供了一种卷烟制丝工序物料损耗的预警装置，包括：
数据采集模块，用于获取待处理卷烟在制丝过程中的检测数据；
数据处理模块，用于根据待处理卷烟的检测数据从至少两种预测模型中确定目标预测模型；
模型运行模块，用于将待处理卷烟的检测数据输入至训练好的目标预测模型，得到待处理卷烟的预测结果；
分析应用模块，用于根据待处理卷烟的预测结果对待处理卷烟进行预警。
在第二方面的一种可选方案中，装置还包括：
数据判断模块，用于在获取待处理卷烟在制丝过程中的检测数据之后，在根据待处理卷烟的检测数据从至少两种预测模型中确定目标预测模型之前，判断待处理卷烟的检测数据是否满足预设条件；
剔除模块，用于当检测到不满足预设条件的待处理卷烟的检测数据时，对不满足预设条件的待处理卷烟的检测数据进行剔除处理；
数据处理模块，具体用于根据满足预设条件的待处理卷烟的检测数据从至少两种预测模型中确定目标预测模型。
在第二方面的又一种可选方案中，数据处理模块包括：
第一处理单元，用于将待处理卷烟的检测数据分别输入至至少两种预测模型中的每种预测模型中，得到与每种预测模型对应的预测结果；
第二处理单元，用于根据与每种预测模型对应的预测结果以及预设结果确定目标预测模型。
在第二方面的又一种可选方案中，第二处理单元，具体用于：
分别计算与每种预测模型对应的预测结果与预设结果的均方根误差；
将与最小的均方根误差对应的预测模型作为目标预测模型；或
分别计算与每种预测模型对应的预测结果与预设结果的平均绝对误差；
将与最小的平均绝对误差对应的预测模型作为目标预测模型；或
分别计算与每种预测模型对应的预测结果与预设结果的平均百分比绝对误差；
将与最小的平均百分比绝对误差对应的预测模型作为目标预测模型。
在第二方面的又一种可选方案中，待处理卷烟在制丝过程中包括至少两个工段；
数据处理模块包括：
划分单元，用于从待处理卷烟的检测数据中划分出与每个工段对应的检测数据；
第三处理单元，用于将与每个工段对应的检测数据分别输入至至少两种预测模型中的每种预测模型中，得到与每种预测模型对应的预测结果；
第四处理单元，用于根据与每种预测模型对应的预测结果以及预设结果确定每个工段的目标预测模型。
在第二方面的又一种可选方案中，装置还包括：
检测模块，用于在根据待处理卷烟的预测结果对待处理卷烟进行预警之后，当检测到待处理卷烟的检测数据为历史检测数据时，将待处理卷烟的检测数据输入至目标预测模型，得到待处理卷烟的预测结果；
预警模块，用于根据待处理卷烟的预测结果对待处理卷烟进行预警。
在第二方面的又一种可选方案中，分析应用模块具体用于：
当检测到待处理卷烟的预测结果处于预设误差区间时，发送与待处理卷烟对应的提示信息至终端；
当检测到待处理卷烟的预测结果不处于预设误差区间时，发送与待处理卷烟对应的预警信息至终端。
第三方面，本申请实施例还提供了一种卷烟制丝工序物料损耗的预警装置，包括处理器以及存储器；
处理器与存储器连接；
存储器，用于存储可执行程序代码；
处理器通过读取存储器中存储的可执行程序代码来运行与可执行程序代码对应的程序，以用于实现本申请实施例第一方面或第一方面的任意一种实现方式提供的卷烟制丝工序物料损耗的预警方法。
第四方面，本申请实施例提供了一种计算机存储介质，计算机存储介质存储有计算机程序，计算机程序包括程序指令，程序指令当被处理器执行时，可实现本申请实施例第一方面或第一方面的任意一种实现方式提供的卷烟制丝工序物料损耗的预警方法。
在本申请实施例中，可先获取待处理卷烟在制丝过程中的检测数据，根据该待处理卷烟的检测数据从至少两种预测模型中确定目标预测模型，接着将待处理卷烟的检测数据输入至训练好的目标预测模型，得到待处理卷烟的预测结果，并根据待处理卷烟的预测结果对待处理卷烟进行预警。通过结合确定的目标预测模型来更加精确的预测出卷烟制丝的物料损耗结果，不仅可有效避免电子秤、流量计或人工原因所导致的物料损耗异常，且还可保障得到的物料损耗结果的精度，优化了生产过程的人工管控体验。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例中所需使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种卷烟制丝工序物料损耗的预警方法的流程示意图；
图2为本申请实施例提供的又一种卷烟制丝工序物料损耗的预警方法的流程示意图；
图3为本申请实施例提供的一种卷烟制丝工序物料损耗的预警装置的结构示意图；
图4为本申请实施例提供的又一种卷烟制丝工序物料损耗的预警装置的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。
在下述介绍中，术语“第一”、“第二”仅为用于描述的目的，而不能理解为指示或暗示相对重要性。下述介绍提供了本申请的多个实施例，不同实施例之间可以替换或者合并组合，因此本申请也可认为包含所记载的相同和/或不同实施例的所有可能组合。因而，如果一个实施例包含特征A、B、C，另一个实施例包含特征B、D，那么本申请也应视为包括含有A、B、C、D的一个或多个所有其他可能的组合的实施例，尽管该实施例可能并未在以下内容中有明确的文字记载。
下面的描述提供了示例，并且不对权利要求书中阐述的范围、适用性或示例进行限制。可以在不脱离本申请内容的范围的情况下，对描述的元素的功能和布置做出改变。各个示例可以适当省略、替代或添加各种过程或组件。例如所描述的方法可以以所描述的顺序不同的顺序来执行，并且可以添加、省略或组合各种步骤。此外，可以将关于一些示例描述的特征组合到其他示例中。
请参阅图1，图1示出了本申请实施例提供的一种卷烟制丝工序物料损耗的预警方法的流程示意图。
如图1所示，该卷烟制丝工序物料损耗的预警方法至少可以包括以下步骤：
步骤102、获取待处理卷烟在制丝过程中的检测数据。
具体地，可在对卷烟进行制丝处理之前，先在加工装置之间设置多种类型的用于获取卷烟检测数据的检测器件，例如但不局限于包括用于获取环境温度的温度传感器、用于获取环境湿度的湿度传感器、用于获取物料质量的电子秤、用于获取卷烟水分含量的红外线水分仪以及用于检测卷烟存料时间的计时器等等，且一般为获取更为精确的检测数据，可在卷烟经过的每个工段前后各设置一个相同类型的检测器件。
可以理解的是，在本申请实施例中可以但不局限于通过数据采集与监视控制系统（SCADA系统）与上述提到的不同类型的传感器、电子秤或是水分仪等等建立电连接，以在对待处理卷烟进行制丝处理时，可实时获取由该多个检测器件所采集到的检测数据，其检测数据的类型具体可以但不局限于包括环境温湿度，电子秤累积量，出入口水分以及存料时间等等。
当然，本申请实施例可对获取到的待处理卷烟的检测数据进行保存，且还可通过上述提到的SCADA系统获取卷烟进行制丝处理过程中的历史检测数据，以用于更加快速的判断或是识别出当前获取的待处理卷烟的检测数据相应的预测结果。
作为本申请实施例的一种可选，在获取待处理卷烟在制丝过程中的检测数据之后，在根据待处理卷烟的检测数据从至少两种预测模型中确定目标预测模型之前，还包括：
判断待处理卷烟的检测数据是否满足预设条件；
当检测到不满足预设条件的待处理卷烟的检测数据时，对不满足预设条件的待处理卷烟的检测数据进行剔除处理。
具体地，可在获取到待处理卷烟在制丝过程中的检测数据之后，判断该待处理卷烟的检测数据是否满足预设条件，其中，预设条件可以但不局限于可理解为不同类型的检测数据所各自对应的正常数值区间，例如当该待处理卷烟的检测数据的类型包括环境温湿度、物料质量以及卷烟含水量时，该预设条件可包括处于正常环境温湿度的温湿度阈值区间、处于正常物料质量的质量阈值区间以及处于正常卷烟含水量的含水量阈值区间，
当检测到存在有不满足预设条件的待处理卷烟的检测数据时，可对该不满足预设条件的待处理卷烟的检测数据进行剔除处理，以提高该待处理卷烟的检测数据的有效性和可靠性。当然，本申请实施例还可将待处理卷烟的检测数据中对应时间不处于加工阶段的检测数据进行剔除，例如可将该待处理卷烟在传送带上仅用于运输的检测数据进行剔除，将该待处理卷烟在传送带上用于加工的检测数据进行剔除，不限定于此。
进一步的，可在对不满足预设条件的待处理卷烟的检测数据进行剔除处理之后，根据该剩余的均满足预设条件的待处理卷烟的检测数据从至少两种预测模型中确定目标预测模型。
步骤104、根据待处理卷烟的检测数据从至少两种预测模型中确定目标预测模型。
具体地，在获取到待处理卷烟的检测数据之后，可先将该待处理卷烟的检测数据分别输入至至少两种预测模型中的每种预测模型中，以得到每种预测模型基于该待处理卷烟的检测数据所输出的预测结果。其中，至少两种预测模型可以但不局限于包括线性回归学习算法模型、多项式回归学习算法模型以及BP神经网络学习算法模型，该线性回归学习算法模型可利用线性来拟合多个自变量和因变量的关系，进而输出预测结果；该多项式回归学习算法模型可利用非线性关系进行拟合，从而确定回归模型的参数并回归至原假设方程中，通过回归方程来预测因变量的趋势，以输出预测结果；该BP神经网络学习算法模型作为一种根据误差逆传播算法训练的多次前馈网络，利用输入和输出数据建模，其对非线性系统具有很强的模拟能力，进而输出预测结果。
可以理解的是，此处至少两种预测模型中的每种预测模型可在根据输入的待处理卷烟的检测数据输出预测结果之前，先基于样本数据进行训练，并在训练完成后再根据输入的待处理卷烟的检测数据输出预测结果。当然，本申请实施例中也可以但不局限于由未训练的每种预测模型根据输入的待处理卷烟的检测数据输出预测结果，并在确定出目标预测模型之后再对该目标预测模型进行训练，不限定于此。
进一步的，在每个预测模型根据输入的待处理卷烟的检测数据输出预测结果之后，可根据该每个预测模型的预测结果以及预设实际的结果确定出目标预测模型。
作为本申请实施例的又一种可选，根据与每种预测模型对应的预测结果以及预设结果确定目标预测模型，包括：
分别计算与每种预测模型对应的预测结果与预设结果的均方根误差；
将与最小的均方根误差对应的预测模型作为目标预测模型；或
分别计算与每种预测模型对应的预测结果与预设结果的平均绝对误差；
将与最小的平均绝对误差对应的预测模型作为目标预测模型；或
分别计算与每种预测模型对应的预测结果与预设结果的平均百分比绝对误差；
将与最小的平均百分比绝对误差对应的预测模型作为目标预测模型。
可能的，作为确定目标预测模型的一种计算方式，可分别计算每种预测模型的预测结果与预设实际的结果的均方根误差，其具体计算公式如下：
进一步的，在分别计算出每种预测模型与预设结果的均方根误差之后，可以但不局限于将与最小的均方根误差对应的预测模型作为目标预测模型，该均方根误差越小可表明对应的预测模型输出的预测结果精确性更高。可以理解的是，在本申请实施例中还可将处于正常误差区间内的一个或多个预测模型作为目标预测模型，不限定于此。
可能的，作为确定目标预测模型的另一种计算方式，可分别计算每种预测模型的预测结果与预设实际的结果的平均绝对误差，其具体计算公式如下：
进一步的，在分别计算出每种预测模型与预设结果的平均绝对误差之后，可以但不局限于将与最小的平均绝对误差对应的预测模型作为目标预测模型，该平均绝对误差越小可表明对应的预测模型输出的预测结果精确性更高。可以理解的是，在本申请实施例中还可将处于正常误差区间内的一个或多个预测模型作为目标预测模型，不限定于此。
可能的，作为确定目标预测模型的另一种计算方式，可分别计算每种预测模型的预测结果与预设实际的结果的平均百分比绝对误差，其具体计算公式如下：
进一步的，在分别计算出每种预测模型与预设结果的平均百分比绝对误差之后，可以但不局限于将与最小的平均百分比绝对误差对应的预测模型作为目标预测模型，该平均百分比绝对误差越小可表明对应的预测模型输出的预测结果精确性更高。可以理解的是，在本申请实施例中还可将处于正常误差区间内的一个或多个预测模型作为目标预测模型，不限定于此。
需要说明的是，当确定出目标预测模型为上述提到的线性回归学习算法模型或是多项式回归学习算法模型时，可以但不局限于对该线性回归学习算法模型或是多项式回归学习算法模型的结构进行保存，以便于后续可快速根据该线性回归学习算法模型或是多项式回归学习算法模型输出预测结果；当确定出目标预测模型为上述提到的BP神经网络学习算法模型时，可以但不局限于对该BP神经网络学习算法模型的模型参数进行保存，以便于后续可快速根据该BP神经网络学习算法模型输出预测结果。
步骤106、将待处理卷烟的检测数据输入至训练好的目标预测模型，得到待处理卷烟的预测结果。
具体地，在从至少两种预测模型中确定出目标预测模型之后，可将待处理卷烟的检测数据再次输入至训练好的目标预测模型中，以得到该待处理卷烟的预测结果。
步骤108、根据待处理卷烟的预测结果对待处理卷烟进行预警。
具体地，在得到待处理卷烟的预测结果之后，当检测到该待处理卷烟的预测结果处于预设误差区间时，表明当前待处理卷烟的物料损耗量处于正常范围，可发送与该待处理卷烟对应的提示信息至终端，以提醒终端的检测人员该待处理卷烟的物料损耗量正常。当检测到该待处理卷烟的预测结果不处于预设误差区间时，表明当前待处理卷烟的物料损耗量超出正常范围，可发送与该待处理卷烟对应的预警信息至终端，以提醒终端的监测人员该待处理卷烟的物料损耗量超标，且需要紧急处理。
可以理解的是，本申请实施例在得到待处理卷烟的预测结果之后，还可以但不局限于将该待处理卷烟的预测结果通过软件可视化方式显示在检测人员的终端上，以便于检测人员可更加直观的看到预测结果，并可根据该预测结果提前采取措施，避免发生事故。
作为本申请实施例的又一种可选，待处理卷烟在制丝过程中包括至少两个工段；
根据待处理卷烟的检测数据从至少两种预测模型中确定目标预测模型，包括：
从待处理卷烟的检测数据中划分出与每个工段对应的检测数据；
将与每个工段对应的检测数据分别输入至至少两种预测模型中的每种预测模型中，得到与每种预测模型对应的预测结果；
根据与每种预测模型对应的预测结果以及预设结果确定每个工段的目标预测模型。
具体地，待处理卷烟在制丝过程中需要经历至少两个工段，为了保障每个工段的处理质量，可先从待处理卷烟的检测数据中划分出与每个工段对应的检测数据，接着将该与每个工段对应的检测数据分别输入至至少两种预测模型中的每种预测模型中，以得到每个工段对应的每种预测模型的预测结果，并可分别确定出与每个工段对应的目标预测模型。可以理解的是，在待处理卷烟依次经过每个工段进行处理时，可分别将每个工段的检测数据输入至相应的目标预测模型中得到预测结果，以判断该待处理卷烟在经过每个工段时是否需要进行预警。
作为本申请实施例的又一种可选，在根据待处理卷烟的预测结果对待处理卷烟进行预警之后，方法还包括：
当检测到待处理卷烟的检测数据为历史检测数据时，将待处理卷烟的检测数据输入至目标预测模型，得到待处理卷烟的预测结果；
根据待处理卷烟的预测结果对待处理卷烟进行预警。
具体地，在确定出目标预测模型之后，当再次获取到待处理卷烟的检测数据时，可以但不局限于先检测该待处理卷烟的检测数据是否为历史检测数据，并在确定该待处理卷烟的检测数据为历史检测数据时，可直接将该待处理卷烟的检测数据输入至目标预测模型，以快速得到待处理卷烟的预测结果。当确定出该待处理卷烟的检测数据不为历史检测数据时，可重复上述步骤104至步骤108，此处不过多赘述。
请参阅图2，图2示出了本申请实施例提供的又一种卷烟制丝工序物料损耗的预警方法的流程示意图。
如图2所示，该卷烟制丝工序物料损耗的预警方法至少可以包括以下步骤：
步骤202、获取待处理卷烟在制丝过程中的检测数据；
步骤204、根据待处理卷烟的检测数据从至少两种预测模型中确定目标预测模型；
步骤206、将待处理卷烟的检测数据输入至训练好的目标预测模型，得到待处理卷烟的预测结果；
步骤208、根据待处理卷烟的预测结果对待处理卷烟进行预警；
步骤210、当检测到待处理卷烟的检测数据为历史检测数据时，将待处理卷烟的检测数据输入至目标预测模型，得到待处理卷烟的预测结果；
步骤212、根据待处理卷烟的预测结果对待处理卷烟进行预警。
可以理解的是，步骤202至步骤212可参阅上述提到的一个或多个实施例，此处不过多赘述。
请参阅图3，图3示出了本申请实施例提供的一种卷烟制丝工序物料损耗的预警装置的结构示意图。
如图3所示，该卷烟制丝工序物料损耗的预警装置至少可以包括数据采集模块301、数据处理模块302、模型运行模块303以及分析应用模块304，其中：
数据采集模块301，用于获取待处理卷烟在制丝过程中的检测数据；
数据处理模块302，用于根据待处理卷烟的检测数据从至少两种预测模型中确定目标预测模型；
模型运行模块303，用于将待处理卷烟的检测数据输入至训练好的目标预测模型，得到待处理卷烟的预测结果；
分析应用模块304，用于根据待处理卷烟的预测结果对待处理卷烟进行预警。
在一些可能的实施例中，装置还包括：
数据判断模块，用于在获取待处理卷烟在制丝过程中的检测数据之后，在根据待处理卷烟的检测数据从至少两种预测模型中确定目标预测模型之前，判断待处理卷烟的检测数据是否满足预设条件；
剔除模块，用于当检测到不满足预设条件的待处理卷烟的检测数据时，对不满足预设条件的待处理卷烟的检测数据进行剔除处理；
数据处理模块，具体用于根据满足预设条件的待处理卷烟的检测数据从至少两种预测模型中确定目标预测模型。
在一些可能的实施例中，数据处理模块包括：
第一处理单元，用于将待处理卷烟的检测数据分别输入至至少两种预测模型中的每种预测模型中，得到与每种预测模型对应的预测结果；
第二处理单元，用于根据与每种预测模型对应的预测结果以及预设结果确定目标预测模型。
在一些可能的实施例中，第二处理单元，具体用于：
分别计算与每种预测模型对应的预测结果与预设结果的均方根误差；
将与最小的均方根误差对应的预测模型作为目标预测模型；或
分别计算与每种预测模型对应的预测结果与预设结果的平均绝对误差；
将与最小的平均绝对误差对应的预测模型作为目标预测模型；或
分别计算与每种预测模型对应的预测结果与预设结果的平均百分比绝对误差；
将与最小的平均百分比绝对误差对应的预测模型作为目标预测模型。
在一些可能的实施例中，待处理卷烟在制丝过程中包括至少两个工段；
数据处理模块包括：
划分单元，用于从待处理卷烟的检测数据中划分出与每个工段对应的检测数据；
第三处理单元，用于将与每个工段对应的检测数据分别输入至至少两种预测模型中的每种预测模型中，得到与每种预测模型对应的预测结果；
第四处理单元，用于根据与每种预测模型对应的预测结果以及预设结果确定每个工段的目标预测模型。
在一些可能的实施例中，装置还包括：
检测模块，用于在根据待处理卷烟的预测结果对待处理卷烟进行预警之后，当检测到待处理卷烟的检测数据为历史检测数据时，将待处理卷烟的检测数据输入至目标预测模型，得到待处理卷烟的预测结果；
预警模块，用于根据待处理卷烟的预测结果对待处理卷烟进行预警。
在一些可能的实施例中，分析应用模块具体用于：
当检测到待处理卷烟的预测结果处于预设误差区间时，发送与待处理卷烟对应的提示信息至终端；
当检测到待处理卷烟的预测结果不处于预设误差区间时，发送与待处理卷烟对应的预警信息至终端。
本领域的技术人员可以清楚地了解到本申请实施例的技术方案可借助软件和/或硬件来实现。本说明书中的“单元”和“模块”是指能够独立完成或与其他部件配合完成特定功能的软件和/或硬件，其中硬件例如可以是现场可编程门阵列（Field－ProgrammableGate Array，FPGA）、集成电路（Integrated Circuit，IC）等。
本申请实施例的各处理单元和/或模块，可通过实现本申请实施例所述的功能的模拟电路而实现，也可以通过执行本申请实施例所述的功能的软件而实现。
请参阅图4，图4示出了本申请实施例提供的又一种卷烟制丝工序物料损耗的预警装置的结构示意图。
如图4所示，该卷烟制丝工序物料损耗的预警装置400可以包括：至少一个处理器401、至少一个网络接口404、用户接口403、存储器405以及至少一个通信总线402。
其中，通信总线402可用于实现上述各个组件的连接通信。
其中，用户接口403可以包括按键，可选用户接口还可以包括标准的有线接口、无线接口。
其中，网络接口404可以但不局限于包括蓝牙模块、NFC模块、Wi-Fi模块等。
其中，处理器401可以包括一个或者多个处理核心。处理器401利用各种接口和线路连接整个电子设备400内的各个部分，通过运行或执行存储在存储器405内的指令、程序、代码集或指令集，以及调用存储在存储器405内的数据，执行路由设备400的各种功能和处理数据。可选的，处理器401可以采用DSP、FPGA、PLA中的至少一种硬件形式来实现。处理器401可集成CPU、GPU和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器401中，单独通过一块芯片进行实现。
其中，存储器405可以包括RAM，也可以包括ROM。可选的，该存储器405包括非瞬时性计算机可读介质。存储器405可用于存储指令、程序、代码、代码集或指令集。存储器405可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令（比如触控功能、声音播放功能、图像播放功能等）、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器405可选的还可以是至少一个位于远离前述处理器401的存储装置。如图3所示，作为一种计算机存储介质的存储器405中可以包括操作系统、网络通信模块、用户接口模块以及卷烟制丝工序物料损耗的预警应用程序。
具体地，处理器401可以用于调用存储器405中存储的卷烟制丝工序物料损耗的预警应用程序，并具体执行以下操作：
获取待处理卷烟在制丝过程中的检测数据；
根据待处理卷烟的检测数据从至少两种预测模型中确定目标预测模型；
将待处理卷烟的检测数据输入至训练好的目标预测模型，得到待处理卷烟的预测结果；
根据待处理卷烟的预测结果对待处理卷烟进行预警。
在一些可能的实施例中，在获取待处理卷烟在制丝过程中的检测数据之后，在根据待处理卷烟的检测数据从至少两种预测模型中确定目标预测模型之前，还包括：
判断待处理卷烟的检测数据是否满足预设条件；
当检测到不满足预设条件的待处理卷烟的检测数据时，对不满足预设条件的待处理卷烟的检测数据进行剔除处理；
根据待处理卷烟的检测数据从至少两种预测模型中确定目标预测模型，包括：
根据满足预设条件的待处理卷烟的检测数据从至少两种预测模型中确定目标预测模型。
在一些可能的实施例中，根据待处理卷烟的检测数据从至少两种预测模型中确定目标预测模型，包括：
将待处理卷烟的检测数据分别输入至至少两种预测模型中的每种预测模型中，得到与每种预测模型对应的预测结果；
根据与每种预测模型对应的预测结果以及预设结果确定目标预测模型。
在一些可能的实施例中，根据与每种预测模型对应的预测结果以及预设结果确定目标预测模型，包括：
分别计算与每种预测模型对应的预测结果与预设结果的均方根误差；
将与最小的均方根误差对应的预测模型作为目标预测模型；或
分别计算与每种预测模型对应的预测结果与预设结果的平均绝对误差；
将与最小的平均绝对误差对应的预测模型作为目标预测模型；或
分别计算与每种预测模型对应的预测结果与预设结果的平均百分比绝对误差；
将与最小的平均百分比绝对误差对应的预测模型作为目标预测模型。
在一些可能的实施例中，待处理卷烟在制丝过程中包括至少两个工段；
根据待处理卷烟的检测数据从至少两种预测模型中确定目标预测模型，包括：
从待处理卷烟的检测数据中划分出与每个工段对应的检测数据；
将与每个工段对应的检测数据分别输入至至少两种预测模型中的每种预测模型中，得到与每种预测模型对应的预测结果；
根据与每种预测模型对应的预测结果以及预设结果确定每个工段的目标预测模型。
在一些可能的实施例中，在根据待处理卷烟的预测结果对待处理卷烟进行预警之后，方法还包括：
当检测到待处理卷烟的检测数据为历史检测数据时，将待处理卷烟的检测数据输入至目标预测模型，得到待处理卷烟的预测结果；
根据待处理卷烟的预测结果对待处理卷烟进行预警。
在一些可能的实施例中，根据待处理卷烟的预测结果对待处理卷烟进行预警，包括：
当检测到待处理卷烟的预测结果处于预设误差区间时，发送与待处理卷烟对应的提示信息至终端；
当检测到待处理卷烟的预测结果不处于预设误差区间时，发送与待处理卷烟对应的预警信息至终端。
本申请还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述方法的步骤。其中，计算机可读存储介质可以包括但不限于任何类型的盘，包括软盘、光盘、DVD、CD-ROM、微型驱动器以及磁光盘、ROM、RAM、EPROM、EEPROM、DRAM、VRAM、闪速存储器设备、磁卡或光卡、纳米系统（包括分子存储器IC），或适合于存储指令和/或数据的任何类型的媒介或设备。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，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，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服务接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
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。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元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，可以存储在一个计算机可读取存储器中。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全部或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器中，包括若干指令用以使得一台计算机设备（可为个人计算机、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。而前述的存储器包括：U盘、只读存储器（Read-Only Memory， ROM）、随机存取存储器（Random Access Memory，RAM）、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通进程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器（Read-Only Memory， ROM）、随机存取器（Random AccessMemory，RAM）、磁盘或光盘等。
以上所述者，仅为本公开的示例性实施例，不能以此限定本公开的范围。即但凡依本公开教导所作的等效变化与修饰，皆仍属本公开涵盖的范围内。本领域技术人员在考虑说明书及实践这里的公开后，将容易想到本公开的其实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未记载的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的范围和精神由权利要求限定。
Claims (10)
1.一种卷烟制丝工序物料损耗的预警方法，其特征在于，包括：
获取待处理卷烟在制丝过程中的检测数据；
根据所述待处理卷烟的检测数据从至少两种预测模型中确定目标预测模型；
将所述待处理卷烟的检测数据输入至训练好的所述目标预测模型，得到所述待处理卷烟的预测结果；
根据所述待处理卷烟的预测结果对所述待处理卷烟进行预警。
2.根据权利要求1所述的方法，其特征在于，在所述获取待处理卷烟在制丝过程中的检测数据之后，在所述根据所述待处理卷烟的检测数据从至少两种预测模型中确定目标预测模型之前，还包括：
判断所述待处理卷烟的检测数据是否满足预设条件；
当检测到不满足所述预设条件的所述待处理卷烟的检测数据时，对不满足所述预设条件的所述待处理卷烟的检测数据进行剔除处理；
所述根据所述待处理卷烟的检测数据从至少两种预测模型中确定目标预测模型，包括：
根据满足所述预设条件的所述待处理卷烟的检测数据从至少两种预测模型中确定目标预测模型。
3.根据权利要求1所述的方法，其特征在于，所述根据所述待处理卷烟的检测数据从至少两种预测模型中确定目标预测模型，包括：
将所述待处理卷烟的检测数据分别输入至所述至少两种预测模型中的每种预测模型中，得到与每种预测模型对应的预测结果；
根据所述与每种预测模型对应的预测结果以及预设结果确定目标预测模型。
4.根据权利要求3所述的方法，其特征在于，所述根据所述与每种预测模型对应的预测结果以及预设结果确定目标预测模型，包括：
分别计算所述与每种预测模型对应的预测结果与预设结果的均方根误差；
将与最小的所述均方根误差对应的所述预测模型作为目标预测模型；或
分别计算所述与每种预测模型对应的预测结果与预设结果的平均绝对误差；
将与最小的所述平均绝对误差对应的所述预测模型作为目标预测模型；或
分别计算所述与每种预测模型对应的预测结果与预设结果的平均百分比绝对误差；
将与最小的所述平均百分比绝对误差对应的所述预测模型作为目标预测模型。
5.根据权利要求1所述的方法，其特征在于，所述待处理卷烟在制丝过程中包括至少两个工段；
所述根据所述待处理卷烟的检测数据从至少两种预测模型中确定目标预测模型，包括：
从所述待处理卷烟的检测数据中划分出与每个所述工段对应的检测数据；
将与每个所述工段对应的检测数据分别输入至所述至少两种预测模型中的每种预测模型中，得到与每种预测模型对应的预测结果；
根据所述与每种预测模型对应的预测结果以及预设结果确定每个所述工段的目标预测模型。
6.根据权利要求1所述的方法，其特征在于，在根据所述待处理卷烟的预测结果对所述待处理卷烟进行预警之后，所述方法还包括：
当检测到所述待处理卷烟的检测数据为历史检测数据时，将所述待处理卷烟的检测数据输入至所述目标预测模型，得到所述待处理卷烟的预测结果；
根据所述待处理卷烟的预测结果对所述待处理卷烟进行预警。
7.根据权利要求1-6任一项所述的方法，其特征在于，所述根据所述待处理卷烟的预测结果对所述待处理卷烟进行预警，包括：
当检测到所述待处理卷烟的预测结果处于预设误差区间时，发送与所述待处理卷烟对应的提示信息至终端；
当检测到所述待处理卷烟的预测结果不处于所述预设误差区间时，发送与所述待处理卷烟对应的预警信息至所述终端。
8.一种卷烟制丝工序物料损耗的预警装置，其特征在于，包括：
数据采集模块，用于获取待处理卷烟在制丝过程中的检测数据；
数据处理模块，用于根据所述待处理卷烟的检测数据从至少两种预测模型中确定目标预测模型；
模型运行模块，用于将所述待处理卷烟的检测数据输入至训练好的所述目标预测模型，得到所述待处理卷烟的预测结果；
分析应用模块，用于根据所述待处理卷烟的预测结果对所述待处理卷烟进行预警。
9.一种卷烟制丝工序物料损耗的预警装置，其特征在于，包括处理器以及存储器；
所述处理器与所述存储器相连；
所述存储器，用于存储可执行程序代码；
所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于执行如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210573506.6A CN114862039A (zh) | 2022-05-25 | 2022-05-25 | 一种卷烟制丝工序物料损耗的预警方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210573506.6A CN114862039A (zh) | 2022-05-25 | 2022-05-25 | 一种卷烟制丝工序物料损耗的预警方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114862039A true CN114862039A (zh) | 2022-08-05 |
Family
ID=82639630
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210573506.6A Pending CN114862039A (zh) | 2022-05-25 | 2022-05-25 | 一种卷烟制丝工序物料损耗的预警方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114862039A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115762091A (zh) * | 2022-12-05 | 2023-03-07 | 湖北中烟工业有限责任公司 | 一种基于接装机鼓轮飞烟的预警方法、装置、终端及存储介质 |
| CN116227754A (zh) * | 2023-05-09 | 2023-06-06 | 张家港大裕橡胶制品有限公司 | 一种橡胶手套的生产自适应优化控制方法及系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108932571A (zh) * | 2017-05-24 | 2018-12-04 | 龙岩烟草工业有限责任公司 | 卷烟制丝初始工艺参数的设置方法和装置 |
| CN109222208A (zh) * | 2018-10-30 | 2019-01-18 | 杭州安脉盛智能技术有限公司 | 面向卷烟生产指标控制的制丝工艺分析优化方法及系统 |
| CN110720655A (zh) * | 2019-11-05 | 2020-01-24 | 福建中烟工业有限责任公司 | 卷烟质量调控方法 |
| CN111144667A (zh) * | 2020-01-16 | 2020-05-12 | 红云红河烟草(集团)有限责任公司 | 一种基于梯度提升树的烟草回潮机出料含水率预测方法 |
| CN111838744A (zh) * | 2020-08-18 | 2020-10-30 | 安徽中烟工业有限责任公司 | 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 |
| CN112021626A (zh) * | 2020-07-10 | 2020-12-04 | 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 |
| CN113076309A (zh) * | 2021-03-26 | 2021-07-06 | 四川中烟工业有限责任公司 | 烟草生丝水分加水量预测系统及方法 |
| CN113723692A (zh) * | 2021-09-02 | 2021-11-30 | 深圳前海微众银行股份有限公司 | 数据处理方法、装置、设备、介质及程序产品 |
| CN113837607A (zh) * | 2021-09-24 | 2021-12-24 | 浙江中烟工业有限责任公司 | 一种卷包剔除相关烟丝损耗异常的实时分析方法和装置 |
-
2022
- 2022-05-25 CN CN202210573506.6A patent/CN114862039A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108932571A (zh) * | 2017-05-24 | 2018-12-04 | 龙岩烟草工业有限责任公司 | 卷烟制丝初始工艺参数的设置方法和装置 |
| CN109222208A (zh) * | 2018-10-30 | 2019-01-18 | 杭州安脉盛智能技术有限公司 | 面向卷烟生产指标控制的制丝工艺分析优化方法及系统 |
| CN110720655A (zh) * | 2019-11-05 | 2020-01-24 | 福建中烟工业有限责任公司 | 卷烟质量调控方法 |
| CN111144667A (zh) * | 2020-01-16 | 2020-05-12 | 红云红河烟草(集团)有限责任公司 | 一种基于梯度提升树的烟草回潮机出料含水率预测方法 |
| CN112021626A (zh) * | 2020-07-10 | 2020-12-04 | 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 |
| CN111838744A (zh) * | 2020-08-18 | 2020-10-30 | 安徽中烟工业有限责任公司 | 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 |
| CN113076309A (zh) * | 2021-03-26 | 2021-07-06 | 四川中烟工业有限责任公司 | 烟草生丝水分加水量预测系统及方法 |
| CN113723692A (zh) * | 2021-09-02 | 2021-11-30 | 深圳前海微众银行股份有限公司 | 数据处理方法、装置、设备、介质及程序产品 |
| CN113837607A (zh) * | 2021-09-24 | 2021-12-24 | 浙江中烟工业有限责任公司 | 一种卷包剔除相关烟丝损耗异常的实时分析方法和装置 |
Non-Patent Citations (1)
| Title |
|---|
| 王根旺 等: "制丝过程中烟叶损耗降低措施探讨", 中国高新技术企业, vol. 139, no. 4, 1 February 2010 (2010-02-01), pages 62 - 63 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115762091A (zh) * | 2022-12-05 | 2023-03-07 | 湖北中烟工业有限责任公司 | 一种基于接装机鼓轮飞烟的预警方法、装置、终端及存储介质 |
| CN116227754A (zh) * | 2023-05-09 | 2023-06-06 | 张家港大裕橡胶制品有限公司 | 一种橡胶手套的生产自适应优化控制方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114862039A (zh) | 一种卷烟制丝工序物料损耗的预警方法及装置 | |
| CN109086876B (zh) | 设备的运行状态检测方法、装置、计算机设备和存储介质 | |
| JP2019036061A (ja) | 要因分析装置、要因分析方法、およびプログラム | |
| CN112735094A (zh) | 基于机器学习的地质灾害预测方法、装置和电子设备 | |
| CN113777236B (zh) | 基于排放源的空气质量监控方法和装置 | |
| CN110837852A (zh) | 一种轧机齿轮箱的故障诊断方法、装置及终端设备 | |
| CN115700636A (zh) | 基于数字孪生的设备巡检及报告生成方法、装置、设备及介质 | |
| CN115358155A (zh) | 一种电力大数据异常预警方法、装置、设备及可读存储介质 | |
| CN112632179A (zh) | 模型构建方法、装置、存储介质及设备 | |
| CN113988325A (zh) | 一种电力系统故障预警方法、装置、终端设备及存储介质 | |
| CN114238033B (zh) | 板卡运行状态预警方法、装置、设备及可读存储介质 | |
| JP7156975B2 (ja) | 運営評価装置、運営評価方法、およびプログラム | |
| CN113868948A (zh) | 一种面向用户的动态阈值模型训练系统及方法 | |
| CN114002332A (zh) | 一种结构损伤监测预警方法及结构完整性数字孪生系统 | |
| CN116558574B (zh) | 基于大数据的气站安全监测方法和装置 | |
| CN113326585A (zh) | 燃气锅炉的能效异常预警方法、装置和计算机设备 | |
| CN112365156A (zh) | 一种数据处理方法、数据处理装置、终端及存储介质 | |
| CN111931323B (zh) | 存储器、加氢裂化设备故障预测方法、装置和设备 | |
| CN111612149A (zh) | 一种基于决策树的主网线路状态检测方法、系统及介质 | |
| CN215598453U (zh) | 蒸汽质量检测系统及烟草梗丝干燥设备 | |
| CN114112819B (zh) | 一种测量磨矿粒度的方法及装置 | |
| EP2618231A2 (en) | System and method for monitoring, diagnostics, and prognostics | |
| US20190243349A1 (en) | Anomaly analysis method, program, and system | |
| CN114022305A (zh) | 地下水动态监测方法及装置 | |
| CN111611117A (zh) | 硬盘故障的预测方法、装置、设备及计算机可读存储介质 |
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 |