CN115099457A - 烟丝结构在线预测分析系统 - Google Patents

烟丝结构在线预测分析系统 Download PDF

Info

Publication number
CN115099457A
CN115099457A CN202210541831.4A CN202210541831A CN115099457A CN 115099457 A CN115099457 A CN 115099457A CN 202210541831 A CN202210541831 A CN 202210541831A CN 115099457 A CN115099457 A CN 115099457A
Authority
CN
China
Prior art keywords
tobacco shred
prediction
model
tobacco
shred structure
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
CN202210541831.4A
Other languages
English (en)
Inventor
王海涛
李自娟
冯子贤
孙朔
陈娇娇
苗旺昌
高杨
赵力源
王侠轶
杨晓华
梁建宾
杨慧霞
国际超
庞存瑞
魏玮
马燕玲
刘燕红
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 CN202210541831.4A priority Critical patent/CN115099457A/zh
Publication of CN115099457A publication Critical patent/CN115099457A/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"
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B23/00—Alarms responsive to unspecified undesired or abnormal conditions
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • General Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Emergency Management (AREA)
  • Manufacture Of Tobacco Products (AREA)

Abstract

本发明公开了一种烟丝结构的在线预测分析系统，包括数据筛选单元、模型构建单元，其基于筛选出的影响因素和确定的烟丝结构标准值，对影响因素进行归类，依据归类结果分别建立用于烟丝结构预测的子模型，采用权重分配法赋予不同子模型相应的权重系数，然后将各子模型并联，组成烟丝结构预测总模型；数据采集处理单元、模型预测单元、异常报警单元和统计分析单元。将本系统应用于烟草制丝工序，利用人工智能和大数据建立模型，可实现烟丝结构指标的自动统计与预测。

Description

烟丝结构在线预测分析系统
技术领域
本发明应用于烟草制丝领域，具体涉及一种烟丝结构在线预测分析系统。
背景技术
烟丝结构是影响卷烟质量的一项重要指标，不但会影响卷烟的外观质量，而且直接影响卷烟的内在质量。
影响烟丝结构的影响因素很多，与水分、温度、配方结构、填充值、梗丝配比、膨胀丝、薄片丝配比，以及过程控制参数等指标均有相关性。由于制丝生产线设备较多，工艺路线较为复杂，在评价烟丝结构的质量时，只能是生产后，通过仪器检测才能进行结构的评价，目前烟草行业普遍采用YC/T178-2003《烟丝整丝率、碎丝率的测定方法》要求进行烟丝结构的判定，行业内缺乏一种快速统计、提前预判的烟丝质量评价方法。
发明内容
为解决上述问题，本申请提供了一种烟丝结构的在线预测分析系统，将本系统应用于烟草制丝工序，利用人工智能和大数据建立模型，可实现烟丝结构指标的自动统计与精准预测。
本发明解决其技术问题所采用的技术方案为：
烟丝结构在线预测分析系统，包括：
数据筛选单元，其用于从制丝工艺中筛选出影响烟丝结构的叶组配方参数、工艺指标参数、设备运行参数，将之定义为影响因素，并确定烟丝结构标准值；
模型构建单元，其基于筛选出的影响因素和确定的烟丝结构标准值，对影响因素进行归类，依据类别分别建立用于烟丝结构预测的子模型，赋予不同子模型相应的权重系数，然后将各子模型并联，组成烟丝结构预测总模型；
数据采集处理单元，其用于自动采集影响因素，并进行数据处理；
模型预测单元，其用于将经过数据处理的影响因素输入对应子模型内，分别进行烟丝结构参数的预测，再基于各子模型的权重系数输出最终的烟丝结构预测值；
异常报警单元，其基于烟丝结构标准值和预测值进行异常判定，当预测值与标准值偏差≥5％时，判定预测结果异常并进行预警、进入异常处理流程；
统计分析单元，其用于对不同牌号的烟丝结构预测结果进行自动统计与对比分析。
作为上述技术方案的改进，所述数据筛选单元定义的影响因素包括：
叶组配方参数：大片率、碎片率；
工艺指标参数：松散回潮出口水分、松散回潮出口温度、叶片加料出口水分、叶片加料出口温度、热风润叶出口水分、热风润叶出口温度、薄板烘丝机筒壁温度、薄板烘丝机入口水分、薄板烘丝机出口水分、薄板烘丝机热风温度、薄板烘丝机出口温度、薄板烘丝机排潮开度；
设备运行参数：贮叶柜底带频率、贮叶柜拨辊转速、切后喂料机提升带频率、贮丝柜底带频率、贮丝柜拨辊转速；
所述数据筛选单元确定的烟丝结构包括：均匀性系数和特征尺寸。
作为上述技术方案的改进，所述数据采集处理单元进行数据处理是指对所采集数据进行无量纲化。
作为上述技术方案的改进，所述用于烟丝结构预测的子模型包括：
子模型I：多元回归拟合模型，其输入因子为叶组配方参数；
子模型I：y1＝0.007x1+0.237x2+3.098，y2＝-0.032x1-0.292x2+4.82；
其中y1表示特征尺寸，x1表示大片率，x2表示碎片率，y2表示均匀性系数；
子模型II：BP神经网络预测模型，其结构为三层，包括输入层、隐层和输出层，输入层的输入因子为工艺指标参数；
子模型III：BP神经网络预测模型，其结构为三层，包括输入层、隐层和输出层，输入层的输入因子为设备运行参数；
所述子模型II和子模型III通过SPSS神经网络工具箱进行网络的训练，训练目标为0.05，训练的速度为0.01，最大的步数为100。
作为上述技术方案的改进，所述子模型I的权重系数为j1，子模型II的权重系数为j2，子模型III的权重系数为j3；
其中j2＞j3＞j1，且j2＞2*j3，j3＞2*j1，j1+j2+j3＝1。
作为上述技术方案的改进，所述烟丝结构预测总模型通过均方误差法进行模型预测精度的检验：
所述均方误差法是预测值和实测值对应点误差的平方和的均值，计算公式为：
Figure BDA0003650468050000021
其中n为样本数量，yi为预测数值，
Figure BDA0003650468050000022
为实测数值。
本发明带来的有益效果有：
本申请具有烟丝结构在线分析、自动预测以及异常报警功能，基于人工智能和大数据，建立烟丝结构预测模型，由于在制丝工序影响烟丝结构的因素繁多，为了提高模型预测精度，防止因某个参数的变化而影响最终的预测值，本系统首先对影响因素进行筛选和数据处理，并根据影响因素的类别分别建立多个子模型，然后再把各子模型并联，组成烟丝结构预测总模型，该总模型采用权重分配法赋予不同子模型权重系数，分别进行烟丝结构参数的预测，再基于各子模型的权重系数输出最终的烟丝结构预测值；基于本系统所构建的子模型、总模型，本申请可实现烟丝结构指标的自动统计、精准预测和异常预警。
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为烟丝结构在线预测分析系统的模块化结构示意图；
图2为烟丝结构预测总模型结构示意图；
图3为子模型Ⅱ神经网络构建框架示意图；
图4为子模型Ⅲ神经网络构建框架示意图。
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。
参照图1，本实施例示出了一种烟丝结构在线预测分析系统，包括：
数据筛选单元，其用于从制丝工艺中筛选出影响烟丝结构的叶组配方参数、工艺指标参数、设备运行参数，将之定义为影响因素，并确定烟丝结构参数的标准值；
模型构建单元，其基于筛选出的影响因素和确定的烟丝结构参数的标准值，对影响因素进行归类，依据类别分别建立用于烟丝结构预测的子模型，采用权重分配法赋予不同子模型相应的权重系数，然后将各子模型并联，组成烟丝结构预测总模型；
数据采集处理单元，其用于自动采集各影响因素，并对所采集数据进行无量纲化处理；
模型预测单元，其用于将经过数据处理的影响因素输入对应子模型内，分别自动进行烟丝结构参数的预测，再基于各子模型的权重系数输出最终的烟丝结构预测值；
异常报警单元，其基于烟丝结构标准值和预测值进行异常判定，当预测值与标准值偏差≥5％时，判定预测结果异常并进行预警、进入异常处理流程：基于预测结果对烟丝结构影响较大因素进行确定排序，对异常情况进行追溯；
统计分析单元，其用于对不同牌号的烟丝结构预测结果进行自动统计与对比分析，基于此实现烟丝结构预测分析的在线化和智能化，减少人员统计分析环节，统计数据也可作为标准值的修正数据库，使本系统可以随季节、环境不断更新烟丝结构的标准值。
在本实施例中，通过数据筛选单元定义的影响因素包括：
叶组配方参数：大片率、碎片率；
工艺指标参数：松散回潮出口水分、松散回潮出口温度、叶片加料出口水分、叶片加料出口温度、热风润叶出口水分、热风润叶出口温度、薄板烘丝机筒壁温度、薄板烘丝机入口水分、薄板烘丝机出口水分、薄板烘丝机热风温度、薄板烘丝机出口温度、薄板烘丝机排潮开度；
设备运行参数：贮叶柜底带频率、贮叶柜拨辊转速、切后喂料机提升带频率、贮丝柜底带频率、贮丝柜拨辊转速；
数据筛选单元确定的烟丝结构包括：均匀性系数和特征尺寸。
参照图2，用于烟丝结构预测的子模型包括：
子模型I：多元回归拟合模型，其输入因子为叶组配方参数；
子模型I：y1＝0.007x1+0.237x2+3.098，y2＝-0.032x1-0.292x2+4.82；
其中y1表示特征尺寸，x1表示大片率，x2表示碎片率，y2表示均匀性系数；
子模型II(参照图3)：BP神经网络预测模型，其结构为三层，包括输入层、隐层和输出层，输入层的输入因子为工艺指标参数，隐藏层激活函数：双曲正切，输出层激活函数：恒等；
子模型III(参照图4)：BP神经网络预测模型，其结构为三层，包括输入层、隐层和输出层，输入层的输入因子为设备运行参数，隐藏层激活函数：双曲正切，输出层激活函数：恒等；
子模型II和子模型III通过SPSS神经网络工具箱进行网络的训练，训练目标为0.05，训练的速度为0.01，最大的步数为100。
子模型I的权重系数为j1，子模型II的权重系数为j2，子模型III的权重系数为j3；
其中j2＞j3＞j1，且j2＞2*j3，j3＞2*j1，j1+j2+j3＝1。
在优选实施例中，采用CRITIC权重法，结合SPSSAU在线进行计算，确定子模型I的权重系数j1为8.7％，子模型II的权重系数j2为67.1％，子模型III的权重系数j3为24.2％；子模型II所涉工艺指标参数是生产过程中的控制重点，对烟丝结构影响最大，因此，权重系数为j2最大。
本实施例中的烟丝结构预测总模型通过均方误差法进行模型预测精度的检验：
均方误差法是预测值和实测值对应点误差的平方和的均值，计算公式为：
Figure BDA0003650468050000051
其中n为样本数量，yi为预测数值，
Figure BDA0003650468050000052
为实测数值。
应用例
将上述实施例中的烟丝结构在线预测分析系统上线运行。
基于该系统对钻石(硬红)烟丝进行结构预测分析，取10批、每批5个样品，确定出烟丝结构标准值。上线运行后，共检测其中5个批次的烟丝结构，检测结果与预测结果对比见表1：
表1
Figure BDA0003650468050000053
本实施例还包括一种烟丝结构在线预测分析方法，包括以下步骤：
S1，数据筛选
从制丝工艺中筛选出影响烟丝结构的叶组配方参数、工艺指标参数、设备运行参数，将之定义为影响因素，并确定烟丝结构参数的标准值；
S2，模型构建
基于筛选出的影响因素和确定的烟丝结构参数的标准值，对影响因素进行归类，依据类别分别建立用于烟丝结构预测的子模型，采用权重分配法赋予不同子模型相应的权重系数，然后将各子模型并联，组成烟丝结构预测总模型；
S3，数据采集处理
自动采集各影响因素，并对所采集数据进行无量纲化处理；
S4，模型预测
将经过数据处理的影响因素输入对应子模型内，分别自动进行烟丝结构参数的预测，再基于各子模型的权重系数输出最终的烟丝结构预测值；
S5，异常报警
基于烟丝结构标准值和预测值进行异常判定，当预测值与标准值偏差≥5％时，判定预测结果异常并进行预警、进入异常处理流程：基于预测结果对烟丝结构影响较大因素进行确定排序，对异常情况进行追溯；
S6，统计分析
对不同牌号的烟丝结构预测结果进行自动统计与对比分析，基于此实现烟丝结构预测分析的在线化和智能化，减少人员统计分析环节，统计数据也可作为标准值的修正数据库，使本系统可以随季节、环境不断更新烟丝结构的标准值。
本烟丝结构在线预测分析方法各步骤的详细内容可参照前文所述的烟丝结构在线预测分析系统。
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 (7)

1.烟丝结构在线预测分析系统，其特征在于：包括：
数据筛选单元，其用于从制丝工艺中筛选出影响烟丝结构的叶组配方参数、工艺指标参数、设备运行参数，将之定义为影响因素，并确定烟丝结构标准值；
模型构建单元，其基于筛选出的影响因素和确定的烟丝结构标准值，对影响因素进行归类，依据类别分别建立用于烟丝结构预测的子模型，赋予不同子模型相应的权重系数，然后将各子模型并联，组成烟丝结构预测总模型；
数据采集处理单元，其用于自动采集影响因素，并进行数据处理；
模型预测单元，其用于将经过数据处理的影响因素输入对应子模型内，分别进行烟丝结构参数的预测，再基于各子模型的权重系数输出最终的烟丝结构预测值；
异常报警单元，其基于烟丝结构标准值和预测值进行异常判定，当预测值与标准值偏差≥5％时，判定预测结果异常并进行预警、进入异常处理流程；
统计分析单元，其用于对不同牌号的烟丝结构预测结果进行自动统计与对比分析。
2.根据权利要求1所述的烟丝结构在线预测分析系统，其特征在于：所述数据筛选单元定义的影响因素包括：
叶组配方参数：大片率、碎片率；
工艺指标参数：松散回潮出口水分、松散回潮出口温度、叶片加料出口水分、叶片加料出口温度、热风润叶出口水分、热风润叶出口温度、薄板烘丝机筒壁温度、薄板烘丝机入口水分、薄板烘丝机出口水分、薄板烘丝机热风温度、薄板烘丝机出口温度、薄板烘丝机排潮开度；
设备运行参数：贮叶柜底带频率、贮叶柜拨辊转速、切后喂料机提升带频率、贮丝柜底带频率、贮丝柜拨辊转速；
所述数据筛选单元确定的烟丝结构包括：均匀性系数和特征尺寸。
3.根据权利要求1所述的烟丝结构在线预测分析系统，其特征在于：
所述数据采集处理单元进行数据处理是指对所采集数据进行无量纲化。
4.根据权利要求1所述的烟丝结构在线预测分析系统，其特征在于：
所述用于烟丝结构预测的子模型包括：
子模型I：多元回归拟合模型，其输入因子为叶组配方参数；
子模型II：BP神经网络预测模型，其结构为三层，包括输入层、隐层和输出层，输入层的输入因子为工艺指标参数；
子模型III：BP神经网络预测模型，其结构为三层，包括输入层、隐层和输出层，输入层的输入因子为设备运行参数。
5.根据权利要求4所述的烟丝结构在线预测分析系统，其特征在于：
所述子模型I的权重系数为j1，子模型II的权重系数为j2，子模型III的权重系数为j3；
其中j2＞j3＞j1，且j2＞2*j3，j3＞2*j1，j1+j2+j3＝1。
6.根据权利要求4所述的烟丝结构在线预测分析系统，其特征在于：
所述子模型II和子模型III通过SPSS神经网络工具箱进行网络的训练，训练目标为0.05，训练的速度为0.01，最大的步数为100。
7.根据权利要求1所述的烟丝结构在线预测分析系统，其特征在于：所述烟丝结构预测总模型通过均方误差法进行模型预测精度的检验。
CN202210541831.4A 2022-05-18 2022-05-18 烟丝结构在线预测分析系统 Pending CN115099457A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210541831.4A CN115099457A (zh) 2022-05-18 2022-05-18 烟丝结构在线预测分析系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210541831.4A CN115099457A (zh) 2022-05-18 2022-05-18 烟丝结构在线预测分析系统

Publications (1)

Publication Number Publication Date
CN115099457A true CN115099457A (zh) 2022-09-23

Family

ID=83288569

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210541831.4A Pending CN115099457A (zh) 2022-05-18 2022-05-18 烟丝结构在线预测分析系统

Country Status (1)

Country Link
CN (1) CN115099457A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116804571A (zh) * 2023-08-18 2023-09-26 山东众志电子有限公司 基于人工智能的纤维类拉丝异常状态检测方法
CN117389234A (zh) * 2023-12-05 2024-01-12 云南烟叶复烤有限责任公司 一种卧式打叶机组叶片结构指标智能控制系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116804571A (zh) * 2023-08-18 2023-09-26 山东众志电子有限公司 基于人工智能的纤维类拉丝异常状态检测方法
CN116804571B (zh) * 2023-08-18 2023-12-08 山东众志电子有限公司 基于人工智能的纤维类拉丝异常状态检测方法
CN117389234A (zh) * 2023-12-05 2024-01-12 云南烟叶复烤有限责任公司 一种卧式打叶机组叶片结构指标智能控制系统
CN117389234B (zh) * 2023-12-05 2024-03-22 云南烟叶复烤有限责任公司 一种卧式打叶机组叶片结构指标智能控制系统

Similar Documents

Publication Publication Date Title
CN112034095B (zh) 在线烘后烟丝结构分析系统及方法
CN115099457A (zh) 烟丝结构在线预测分析系统
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
WO2021184630A1 (zh) 基于知识图谱定位排污对象的方法及相关设备
CN105956330B (zh) 基于现场数据的产品工艺质量预测模型的建立方法及系统
CN112021641B (zh) 烟用制丝环节在线水分仪校验系统
JP7196009B2 (ja) 短繊維強化プラスチック部品の射出成形プロセスを最適化するためにｘ線コンピュータ断層撮影データから情報を取得する方法
CN111103854A (zh) 一种用于提升烟草烘丝机生产稳定性的系统及方法
CN109343344A (zh) 卷烟设备操控参数寻优方法
CN113361939B (zh) 卷包机型质量与设备管理的动态关联方法及系统
CN110619691B (zh) 一种板坯表面裂纹的预测方法及装置
CN114273977A (zh) 一种基于mes的刀具磨损检测方法及其系统
CN107330467A (zh) 一种基于片烟形态特征对烟丝结构影响的预测方法
CN112132316A (zh) 制丝环节在线设备异常监控系统及方法
CN109603340A (zh) 一种智能型电气自动化除尘控制系统及方法
CN112884212A (zh) 烟支单支克重偏差分析预测方法
CN117057644A (zh) 一种基于特性匹配的设备生产质量检测方法及系统
CN115034303A (zh) 一种食品有害物质定向检测方法及系统
Buschmann et al. Data-driven decision support for process quality improvements
CN117113233A (zh) 层级能源结构场景构建方法及能耗异常链路追溯方法
CN116954174A (zh) 基于锂电池涂布设备关键参数的质量预警方法及系统
CN117745658B (zh) 一种食用菌品质检测及分拣方法和系统
CN113379278B (zh) 制丝批次全过程质量评测方法
CN109902898B (zh) 一种基于切尖打叶复烤生产的过程能力测评方法
CN113869641A (zh) 基于主成分分析法的烟丝质量综合评价方法

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