CN115167552B - 基于响应曲面法优化加料循环风温的自动控制方法 - Google Patents
基于响应曲面法优化加料循环风温的自动控制方法 Download PDFInfo
- Publication number
- CN115167552B CN115167552B CN202210748901.3A CN202210748901A CN115167552B CN 115167552 B CN115167552 B CN 115167552B CN 202210748901 A CN202210748901 A CN 202210748901A CN 115167552 B CN115167552 B CN 115167552B
- Authority
- CN
- China
- Prior art keywords
- blade
- circulating air
- air temperature
- charging
- blade charging
- 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
- 238000000034 method Methods 0.000 title claims abstract description 75
- 230000004044 response Effects 0.000 title claims abstract description 33
- 238000005457 optimization Methods 0.000 claims abstract description 20
- 238000012216 screening Methods 0.000 claims abstract description 19
- 238000004519 manufacturing process Methods 0.000 claims description 48
- 239000000463 material Substances 0.000 claims description 33
- 230000008569 process Effects 0.000 claims description 29
- 230000007613 environmental effect Effects 0.000 claims description 16
- 238000003062 neural network model Methods 0.000 claims description 11
- 238000007599 discharging Methods 0.000 claims description 10
- 239000007788 liquid Substances 0.000 claims description 9
- 238000002474 experimental method Methods 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000000556 factor analysis Methods 0.000 claims description 5
- 238000011058 failure modes and effects analysis Methods 0.000 claims description 5
- 238000012423 maintenance Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000005211 surface analysis Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 241000208125 Nicotiana Species 0.000 description 1
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000019504 cigarettes Nutrition 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 229910003460 diamond Inorganic materials 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000008187 granular material Substances 0.000 description 1
- 238000000265 homogenisation Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
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
- A24B3/12—Steaming, curing, or flavouring tobacco
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D23/00—Control of temperature
- G05D23/19—Control of temperature characterised by the use of electric means
-
- 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
-
- 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
Abstract
本发明公开了一种基于响应曲面法优化加料循环风温的自动控制方法,包括(一)因素筛查、(二)模型建立、(三)模型预测与控制、(四)模型优化等步骤。本发明应用于叶片处理工序的叶片加料机,旨在实现叶片加料机的智能化控制,提升循环风温指标控制的稳定性,优化控制方法,通过转变现有控制方式为智能精控,最终实现提升产品质量,降低批次间产品差异,智能预警等功能。
Description
技术领域
本发明应用于卷烟制丝领域,具体涉及一种基于响应曲面法优化加料循环风温的自动控制方法。
背景技术
制丝线为中控室集中控制的全自动流水生产线,中控室也被称为制丝车间的“心脏”,现场各工艺点的参数、指标由中控室集中控制。目前,中控室由4位员工对生产线进行分段控制,在叶片预处理工艺段中,叶片加料的循环风温CPK是工艺指标考核的重点。
根据批次权重分配表,当CPK≥2时,该批次标准等级可列为A+。循环风温是手动控制模式,中控司机根据循环风温的显示值,依据操作经验调整,同时还得兼顾出口温度、出口水分指标,在调整过程中会出现调整滞后、调整不准确的现象;同时,也没有预警系统,全靠人为监控。
以钻石(硬特醇)为例,统计2022年1-5月车间三个班组叶片加料循环风温CPK数据,分析循环风温CPK均值,甲班虽有部分烟能够达到A+等级,但是CPK均值为1.89≤2,整体控制水平仅达到合格要求。通过运行图分析每个班中控司机质量控制水平的稳定性,可知循环风温控制波动较大,存在较大的改善空间。
迫切需要一种能够精准控制以及精准预警的系统,来实现循环风温生产控制的智能化及自动化。
发明内容
为解决上述问题,本申请提供了一种基于响应曲面法优化加料循环风温的自动控制方法,应用于叶片处理工序的叶片加料机,旨在实现叶片加料机的智能化控制,提升循环风温指标控制的稳定性,优化控制方法,通过转变现有控制方式为智能精控,最终实现提升产品质量,降低批次间产品差异,智能预警等功能。
本发明解决其技术问题所采用的技术方案为:
基于响应曲面法优化加料循环风温的自动控制方法,包括以下步骤:
(一)因素筛查
1、因素查找
在叶片处理工序中查找与循环风温及循环风温CPK相关的因素:
叶片加料出口水分、叶片加料入口水分、叶片加料出口温度、叶片加料补偿蒸汽开度、叶片加料循环风温、叶片加料循环风温CPK、叶片加料排潮开度、叶片加料物料流量、叶片加料料液温度、环境湿度;
2、因素筛分
对查找出的相关因素进行归类:
工艺参数:叶片加料出口水分、叶片加料入口水分、叶片加料出口温度、叶片加料循环风温、叶片加料循环风温CPK、叶片加料料液温度;
生产参数:叶片加料补偿蒸汽开度、叶片加料排潮开度;
环境参数:环境湿度;
3、关键因子筛查
通过C&E矩阵、FMEA因子分析法筛查出影响循环风温及循环风温CPK的关键因子:
叶片加料补偿蒸汽开度、叶片加料排潮开度、叶片加料物料流量;
(二)模型建立
1、预测模型I
所述预测模型I采用响应曲面设计模型,其将关键因子作为输入值,将叶片加料循环风温作为输出值,将叶片加料循环风温CPK做为评价项,将叶片加料出口水分、叶片加料出口温度作为参考项所建立;
预测模型I的预测过程:
①3因子2水平实验
分别取值叶片加料补偿蒸汽开度为Z1、Z2、Z3,叶片加料排潮开度为P1、P2、P3,叶片加料物料流量为W1、W2、W3,增加中心点实验方案,进行M次实验;
②双响应曲面分析
基于响应曲面法,在满足工艺标准要求下通过响应优化器得出上述取值下各参数的最佳取值范围,即预测值I;
2、预测模型II
所述预测模型II采用神经网络模型,其将生产参数与工艺参数作为建模因素,将叶片加料循环风温作为输出值,将除叶片加料循环风温、叶片加料循环风温CPK外的其它因素作为输入值所建立;
(三)模型预测与控制
基于预测模型I得到叶片加料循环风温的预测值I;
基于预测模型II得到叶片加料循环风温的预测值II;
将预测值I与预测值II进行运算比对:
当两模型预测值偏差≤2度时,正常生产并以预测值I作为控制参数对叶片加料循环风温进行智能控制;
当两模型预测值偏差>2度时,预警提示;
在以预测值I作为控制参数对叶片加料循环风温进行智能控制的过程中:
结合秤的重量,将生产过程分为三个阶段分别进行智能控制:
生产开始时,控制参数为预测值I加上10%;
当物料生产至500KG时,控制参数为预测值I减去5%;
当物料生产至700KG时,控制参数为预测值I;
因为叶片加料循环风温在生产过程中降低的速度要比提高的速度快,采用上述基于模型预测的智能控制可将叶片加料循环风温稳定在标准中线;
(五)模型优化
优化自适应模型,其采用神经网络模型,将工艺参数、生产参数和环境参数作为建模因素,将叶片加料循环风温作为输出值,将叶片加料出口水分、叶片加料入口水分、叶片加料出口温度、叶片加料补偿蒸汽开度、叶片加料排潮开度、叶片加料物料流量、叶片加料料液温度、环境湿度作为输入值所建立;
当系统发出预警提示后,通过优化自适应模型对预测模型II进行模型优化,并返回步骤(三);
若系统仍发出预警提示,停止生产并等待检修;
运用神经网络模型的自适应功能,不断运算、优化模型,以消除环境温湿度影响的误差。
本发明的目的还在于提供一种基于响应曲面法优化加料循环风温的自动控制系统。
基于响应曲面法优化加料循环风温的自动控制系统,包括因素筛查模块、模型建立模块、预测与控制模块、调试模块和模型优化模块;
因素筛查模块,其用于在叶片处理工序中查找与循环风温及循环风温CPK相关的因素,并对查找出的相关因素进行归类,通过C&E矩阵、FMEA因子分析法筛查出影响循环风温及循环风温CPK的关键因子:
叶片加料补偿蒸汽开度、叶片加料排潮开度、叶片加料物料流量;
模型建立模块,其用于预测模型的构建,所述预测模型包括预测模型I、预测模型II;
所述预测模型I采用响应曲面设计模型,其将关键因子作为输入值,将叶片加料循环风温作为输出值,将叶片加料循环风温CPK做为评价项,将叶片加料出口水分、叶片加料出口温度作为参考项所建立;
所述预测模型II采用神经网络模型,其将生产参数与工艺参数作为建模因素,将叶片加料循环风温作为输出值,将除叶片加料循环风温、叶片加料循环风温CPK外的其它因素作为输入值所建立;
预测与控制模块,其用于基于预测模型I得到叶片加料循环风温的预测值I和基于预测模型II得到叶片加料循环风温的预测值II,将预测值I与预测值II进行运算比对:
当两模型预测值偏差≤2度时,正常生产并以预测值I作为控制参数对叶片加料循环风温进行智能控制;
当两模型预测值偏差>2度时,预警提示;
在以预测值I作为控制参数对叶片加料循环风温进行智能控制的过程中:
结合秤的重量,将生产过程分为三个阶段分别进行智能控制:
生产开始时,控制参数为预测值I加上10%;
当物料生产至500KG时,控制参数为预测值I减去5%;
当物料生产至700KG时,控制参数为预测值I;
调试模块,其用于将本自动控制系统与现行生产运行系统wincc对接以进行调试;
模型优化模块,其用于当系统发出预警提示后,基于工艺参数、生产参数和环境参数对预测模型II进行模型优化,并返回预测与控制模块;若系统仍发出预警提示,停止生产并等待检修。
本发明带来的有益效果有:
本发明通过优化叶片加料机循环风温控制方法,转变现有控制方式为智能精控,实现叶片加料机的智能化控制,可以提升循环风温指标控制的稳定性,并使循环风温CPK显著提高,同时具备智能预警、模型优化自适应等功能;
基于双模型实现循环风温控制参数的预测与智能控制,便于实现生产统一控制,进而有效缩小不同生产班组间的产品质量稳定性差异,提高质量稳定性,实现均质化生产,降低批次间产品差异,提高制丝质量保障能力。
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为基于响应曲面法优化加料循环风温的自动控制系统的系统框图;
图2为预测模型I的构建结构图;
图3为实施例1预测模型I循环风温残差图
图4为实施例1预测模型I循环风温CPK残差图;
图5为实施例1预测模型I响应优化器的优化图;
图6为实施例1预测模型I循环风温CPK与补偿蒸汽开度、排潮开度的曲面图;
图7为预测模型II的构建结构图。
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。
实施例1
基于响应曲面法优化加料循环风温的自动控制方法,包括以下步骤:
(一)因素筛查
1、因素查找
在叶片处理工序中查找与循环风温及循环风温CPK相关的因素:
叶片加料出口水分、叶片加料入口水分、叶片加料出口温度、叶片加料补偿蒸汽开度、叶片加料循环风温、叶片加料循环风温CPK、叶片加料排潮开度、叶片加料物料流量、叶片加料料液温度、环境湿度;
2、因素筛分
对查找出的相关因素进行归类:
工艺参数:叶片加料出口水分、叶片加料入口水分、叶片加料出口温度、叶片加料循环风温、叶片加料循环风温CPK、叶片加料料液温度;
生产参数:叶片加料补偿蒸汽开度、叶片加料排潮开度;
环境参数:环境湿度;
3、关键因子筛查
通过C&E矩阵、FMEA因子分析法筛查出影响循环风温及循环风温CPK的关键因子:
叶片加料补偿蒸汽开度、叶片加料排潮开度、叶片加料物料流量;
(二)模型建立
1、预测模型I
参照图2,所述预测模型I采用响应曲面设计模型,其将关键因子作为输入值,将叶片加料循环风温作为输出值,将叶片加料循环风温CPK做为评价项,将叶片加料出口水分、叶片加料出口温度作为参考项所建立;
预测模型I的预测过程:
①3因子2水平实验
分别取值叶片加料补偿蒸汽开度为42%、43%、44%,叶片加料排潮开度为30%、40%、50%,叶片加料物料流量为9500kg/h、9600kg/h、9700kg/h,增加中心点实验方案,进行20次(M的取值根据因子数和因子的水平决定的)实验,结果见表1;
表1
C1 | C2 | C3 | C4 | C5 | C6 | C7 | C8 | C9 |
标准序 | 运行序 | 点类型 | 区组 | 补偿蒸汽开度 | 排潮开度 | 物料流量 | 循环风温 | 循环风温CPK |
19 | 1 | 0 | 1 | 43.0000 | 40.0000 | 9600.00 | 52.26 | 2.01 |
13 | 2 | -1 | 1 | 43.0000 | 40.0000 | 9431.82 | 51.40 | 1.29 |
4 | 3 | 1 | 1 | 44.0000 | 50.0000 | 9500.00 | 52.54 | 2.55 |
6 | 4 | 1 | 1 | 44.0000 | 30.0000 | 9700.00 | 49.93 | 2.26 |
3 | 5 | 1 | 1 | 42.0000 | 50.0000 | 9500.00 | 52.23 | 3.16 |
15 | 6 | 0 | 1 | 43.0000 | 40.0000 | 9600.00 | 50.27 | 3.24 |
11 | 7 | -1 | 1 | 43.0000 | 23.1821 | 9600.00 | 50.27 | 2.75 |
10 | 8 | -1 | 1 | 44.6818 | 40.0000 | 9600.00 | 53.08 | 1.82 |
1 | 9 | -1 | 1 | 42.0000 | 30.0000 | 9500.00 | 53.35 | 1.95 |
14 | 10 | -1 | 1 | 43.0000 | 40.0000 | 9768.18 | 53.35 | 2.13 |
18 | 11 | 0 | 1 | 43.0000 | 40.0000 | 9600.00 | 52.54 | 3.10 |
8 | 12 | 1 | 1 | 44.0000 | 50.0000 | 9700.00 | 52.54 | 2.34 |
17 | 13 | 0 | 1 | 43.0000 | 40.0000 | 9600.00 | 52.09 | 3.68 |
7 | 14 | 1 | 1 | 42.0000 | 50.0000 | 9700.00 | 51.99 | 2.68 |
12 | 15 | -1 | 1 | 43.0000 | 56.8179 | 9600.00 | 49.77 | 1.29 |
5 | 16 | 1 | 1 | 42.0000 | 30.0000 | 9700.00 | 53.08 | 1.92 |
16 | 17 | 0 | 1 | 43.0000 | 40.0000 | 9600.00 | 53.54 | 3.10 |
2 | 18 | 1 | 1 | 44.0000 | 30.0000 | 9500.00 | 53.13 | 1.89 |
9 | 19 | -1 | 1 | 41.3182 | 40.0000 | 9600.00 | 53.13 | 2.42 |
20 | 20 | 0 | 1 | 43.0000 | 40.0000 | 9600.00 | 52.62 | 2.98 |
②双响应曲面分析
图3示出了循环风温残差图;图4示出了循环风温CPK残差图;
图5示出了响应优化器的优化图;图6示出了循环风温CPK与补偿蒸汽开度、排潮开度的曲面图;
基于响应曲面法,在满足工艺标准要求下通过响应优化器得出上述取值下各参数的最佳取值范围,即预测值I;
最佳取值范围:补偿蒸汽开度在43%,排潮开度40%,物料流量9611kg/h时,循环风温CPK>2。
2、预测模型II
参照图7,所述预测模型II采用神经网络模型,其将生产参数与工艺参数作为建模因素,将叶片加料循环风温作为输出值,将除叶片加料循环风温、叶片加料循环风温CPK外的其它因素作为输入值所建立;
该神经网络模型包括三层:输入层、隐含层和输出层,神经元4个,设定训练目标0.05,训练速度为0.01,最大步数100。
(三)模型预测与控制
基于预测模型I得到叶片加料循环风温的预测值I;
基于预测模型II得到叶片加料循环风温的预测值II;
将预测值I与预测值II进行运算比对:
当两模型预测值偏差≤2度时,正常生产并以预测值I作为控制参数对叶片加料循环风温进行智能控制;
当两模型预测值偏差>2度时,预警提示;偏差预警的预设值可调;
在以预测值I作为控制参数对叶片加料循环风温进行智能控制的过程中:
结合秤的重量(即叶片加料物料流量),将生产过程分为三个阶段分别进行智能控制:
生产开始时,控制参数为预测值I加上10%;
当物料生产至500KG时,控制参数为预测值I减去5%;
当物料生产至700KG时,控制参数为预测值I;
因为叶片加料循环风温在生产过程中降低的速度要比提高的速度快,采用上述基于模型预测的智能控制可将叶片加料循环风温稳定在标准中线;
(六)模型优化
优化自适应模型,其采用神经网络模型,将工艺参数、生产参数和环境参数作为建模因素,将叶片加料循环风温作为输出值,将叶片加料出口水分、叶片加料入口水分、叶片加料出口温度、叶片加料补偿蒸汽开度、叶片加料排潮开度、叶片加料物料流量、叶片加料料液温度、环境湿度作为输入值所建立;
当系统发出预警提示后,通过优化自适应模型对预测模型II进行模型优化,并返回步骤(三);
若系统仍发出预警提示,停止生产并等待检修;
运用神经网络模型的自适应功能,不断运算、优化模型,以消除环境温湿度影响的误差。
实施例2
参照图1,基于响应曲面法优化加料循环风温的自动控制系统,包括因素筛查模块、模型建立模块、预测与控制模块、调试模块和模型优化模块;
因素筛查模块,其用于在叶片处理工序中查找与循环风温及循环风温CPK相关的因素,并对查找出的相关因素进行归类,通过C&E矩阵、FMEA因子分析法筛查出影响循环风温及循环风温CPK的关键因子:
叶片加料补偿蒸汽开度、叶片加料排潮开度、叶片加料物料流量;
模型建立模块,其用于预测模型的构建,所述预测模型包括预测模型I、预测模型II;
参照图2,预测模型I采用响应曲面设计模型,其将关键因子作为输入值,将叶片加料循环风温作为输出值,将叶片加料循环风温CPK做为评价项,将叶片加料出口水分、叶片加料出口温度作为参考项所建立;
参照图7,预测模型II采用神经网络模型,其将生产参数与工艺参数作为建模因素,将叶片加料循环风温作为输出值,将除叶片加料循环风温、叶片加料循环风温CPK外的其它因素作为输入值所建立;
预测与控制模块,其用于基于预测模型I得到叶片加料循环风温的预测值I和基于预测模型II得到叶片加料循环风温的预测值II,将预测值I与预测值II进行运算比对:
当两模型预测值偏差≤2度时,正常生产并以预测值I作为控制参数对叶片加料循环风温进行智能控制;
当两模型预测值偏差>2度时,预警提示;
在以预测值I作为控制参数对叶片加料循环风温进行智能控制的过程中:
结合秤的重量,将生产过程分为三个阶段分别进行智能控制:
生产开始时,控制参数为预测值I加上10%;
当物料生产至500KG时,控制参数为预测值I减去5%;
当物料生产至700KG时,控制参数为预测值I;
调试模块,其用于将本自动控制系统与现行生产运行系统wincc对接以进行调试;
模型优化模块,参照实施例1,其用于当系统发出预警提示后,基于工艺参数、生产参数和环境参数对预测模型II进行模型优化,并返回预测与控制模块;若系统仍发出预警提示,停止生产并等待检修。
本系统基于双模型实现循环风温控制参数的预测与智能控制,便于实现生产统一控制,进而有效缩小不同生产班组间的产品质量稳定性差异,降低批次间产品差异,提高质量稳定性。
实施例3
将实施例1的基于响应曲面法优化加料循环风温的自动控制方法、实施例2的基于响应曲面法优化加料循环风温的自动控制系统应用于制丝线叶片处理工序,实现叶片加料机的智能化控制;采集智能控制后烟丝工艺考核指标,结果见表2;
表2
批次 | 循环风温合格率 | 循环风温CPK |
1 | 100% | 2.6 |
2 | 100% | 3.4 |
3 | 100% | 2.8 |
4 | 100% | 2.5 |
5 | 100% | 2.3 |
6 | 100% | 2.4 |
7 | 100% | 2.2 |
8 | 100% | 2.9 |
9 | 100% | 2.4 |
10 | 100% | 2.5 |
由表2可见,实施例1和实施例2的自动控制方法与系统效果显著,应用后各项工艺指标均合格,循环风温CPK提升显著。
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 (4)
1.基于响应曲面法优化加料循环风温的自动控制方法,其特征在于:包括以下步骤
(一)因素筛查
1)、因素查找
在叶片处理工序中查找与循环风温及循环风温CPK相关的因素:
叶片加料出口水分、叶片加料入口水分、叶片加料出口温度、叶片加料补偿蒸汽开度、叶片加料循环风温、叶片加料循环风温CPK、叶片加料排潮开度、叶片加料物料流量、叶片加料料液温度、环境湿度;
2)、因素筛分
对查找出的相关因素进行归类:
工艺参数:叶片加料出口水分、叶片加料入口水分、叶片加料出口温度、叶片加料循环风温、叶片加料循环风温CPK、叶片加料料液温度;
生产参数:叶片加料补偿蒸汽开度、叶片加料排潮开度;
环境参数:环境湿度;
3)、关键因子筛查
筛查出影响循环风温及循环风温CPK的关键因子:
叶片加料补偿蒸汽开度、叶片加料排潮开度、叶片加料物料流量;
(二)模型建立
1、预测模型I
所述预测模型I采用响应曲面设计模型,其将关键因子作为输入值,将叶片加料循环风温作为输出值,将叶片加料循环风温CPK做为评价项,将叶片加料出口水分、叶片加料出口温度作为参考项所建立;
2、预测模型II
所述预测模型II采用神经网络模型,其将生产参数与工艺参数作为建模因素,将叶片加料循环风温作为输出值,将除叶片加料循环风温、叶片加料循环风温CPK外的其它因素作为输入值所建立;
(三)模型预测与控制
基于预测模型I得到叶片加料循环风温的预测值I;
基于预测模型II得到叶片加料循环风温的预测值II;
将预测值I与预测值II进行运算比对:
当两模型预测值偏差≤预设值时,正常生产并以预测值I作为控制参数对叶片加料循环风温进行智能控制;
当两模型预测值偏差>预设值时,预警提示;
(四)模型优化
优化自适应模型,其采用神经网络模型,将工艺参数、生产参数和环境参数作为建模因素,将叶片加料循环风温作为输出值,将叶片加料出口水分、叶片加料入口水分、叶片加料出口温度、叶片加料补偿蒸汽开度、叶片加料排潮开度、叶片加料物料流量、叶片加料料液温度、环境湿度作为输入值所建立;
当系统发出预警提示后,通过优化自适应模型对预测模型II进行模型优化,并返回步骤(三);
若系统仍发出预警提示,停止生产并等待检修。
2.根据权利要求1所述的基于响应曲面法优化加料循环风温的自动控制方法,其特征在于:在步骤3)关键因子筛查中:
通过C&E矩阵、FMEA因子分析法筛查出影响循环风温及循环风温CPK的关键因子。
3.根据权利要求1所述的基于响应曲面法优化加料循环风温的自动控制方法,其特征在于:所述预测模型I的预测过程:
①3因子2水平实验
分别取值叶片加料补偿蒸汽开度为Z1、Z2、Z3,叶片加料排潮开度为P1、P2、P3,叶片加料物料流量为W1、W2、W3,增加中心点实验方案,进行M次实验;
②双响应曲面分析
基于响应曲面法,在满足工艺标准要求下通过响应优化器得出上述取值下各参数的最佳取值范围,即预测值I。
4.根据权利要求1所述的基于响应曲面法优化加料循环风温的自动控制方法,其特征在于:
在以预测值I作为控制参数对叶片加料循环风温进行智能控制的过程中:
结合秤的重量,将生产过程分为三个阶段分别进行智能控制:
生产开始时,控制参数为预测值I加上10%;
当物料生产至500KG时,控制参数为预测值I减去5%;
当物料生产至700KG时,控制参数为预测值I。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311087069.8A CN117243398A (zh) | 2022-06-28 | 2022-06-28 | 优化加料循环风温的自动控制系统 |
CN202210748901.3A CN115167552B (zh) | 2022-06-28 | 2022-06-28 | 基于响应曲面法优化加料循环风温的自动控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210748901.3A CN115167552B (zh) | 2022-06-28 | 2022-06-28 | 基于响应曲面法优化加料循环风温的自动控制方法 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311087069.8A Division CN117243398A (zh) | 2022-06-28 | 2022-06-28 | 优化加料循环风温的自动控制系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115167552A CN115167552A (zh) | 2022-10-11 |
CN115167552B true CN115167552B (zh) | 2023-09-26 |
Family
ID=83489204
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311087069.8A Pending CN117243398A (zh) | 2022-06-28 | 2022-06-28 | 优化加料循环风温的自动控制系统 |
CN202210748901.3A Active CN115167552B (zh) | 2022-06-28 | 2022-06-28 | 基于响应曲面法优化加料循环风温的自动控制方法 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311087069.8A Pending CN117243398A (zh) | 2022-06-28 | 2022-06-28 | 优化加料循环风温的自动控制系统 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN117243398A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106355330A (zh) * | 2016-08-31 | 2017-01-25 | 郑州航空工业管理学院 | 基于径向基神经网络预测模型的多响应参数优化方法 |
CN109602062A (zh) * | 2019-01-31 | 2019-04-12 | 杭州安脉盛智能技术有限公司 | 基于数字物理模型的松散回潮自适应水分控制方法及系统 |
CN112021627A (zh) * | 2020-07-10 | 2020-12-04 | 张家口卷烟厂有限责任公司 | 制丝流水线异常监控系统及方法 |
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 |
CN112132316A (zh) * | 2020-08-19 | 2020-12-25 | 张家口卷烟厂有限责任公司 | 制丝环节在线设备异常监控系统及方法 |
CN112327960A (zh) * | 2020-10-20 | 2021-02-05 | 张家口卷烟厂有限责任公司 | 松散回潮设备智能控制系统 |
CN113876008A (zh) * | 2021-11-17 | 2022-01-04 | 河南中烟工业有限责任公司 | 一种控制松散回潮烟片含水率稳定性的方法 |
CN114115393A (zh) * | 2021-11-04 | 2022-03-01 | 湖北中烟工业有限责任公司 | 一种制丝线薄板烘丝机出口水分和温度的控制方法 |
CN114626197A (zh) * | 2022-01-24 | 2022-06-14 | 红云红河烟草(集团)有限责任公司 | 一种基于全因子doe响应曲面优化制丝生产指标预警响应时间的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112034095B (zh) * | 2020-07-10 | 2021-08-20 | 张家口卷烟厂有限责任公司 | 在线烘后烟丝结构分析系统及方法 |
-
2022
- 2022-06-28 CN CN202311087069.8A patent/CN117243398A/zh active Pending
- 2022-06-28 CN CN202210748901.3A patent/CN115167552B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106355330A (zh) * | 2016-08-31 | 2017-01-25 | 郑州航空工业管理学院 | 基于径向基神经网络预测模型的多响应参数优化方法 |
CN109602062A (zh) * | 2019-01-31 | 2019-04-12 | 杭州安脉盛智能技术有限公司 | 基于数字物理模型的松散回潮自适应水分控制方法及系统 |
CN112021627A (zh) * | 2020-07-10 | 2020-12-04 | 张家口卷烟厂有限责任公司 | 制丝流水线异常监控系统及方法 |
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 |
CN112132316A (zh) * | 2020-08-19 | 2020-12-25 | 张家口卷烟厂有限责任公司 | 制丝环节在线设备异常监控系统及方法 |
CN112327960A (zh) * | 2020-10-20 | 2021-02-05 | 张家口卷烟厂有限责任公司 | 松散回潮设备智能控制系统 |
CN113812664A (zh) * | 2020-10-20 | 2021-12-21 | 张家口卷烟厂有限责任公司 | 松散回潮设备智能控制方法 |
CN114115393A (zh) * | 2021-11-04 | 2022-03-01 | 湖北中烟工业有限责任公司 | 一种制丝线薄板烘丝机出口水分和温度的控制方法 |
CN113876008A (zh) * | 2021-11-17 | 2022-01-04 | 河南中烟工业有限责任公司 | 一种控制松散回潮烟片含水率稳定性的方法 |
CN114626197A (zh) * | 2022-01-24 | 2022-06-14 | 红云红河烟草(集团)有限责任公司 | 一种基于全因子doe响应曲面优化制丝生产指标预警响应时间的方法 |
Non-Patent Citations (3)
Title |
---|
DMAIC方法提高烟丝出口水分的稳定性;方汀;;现代国企研究(第10期);116 * |
卷烟生产中叶片加料循环温度稳定性的优化;张常记;张伟;郑明华;周音志;曾志成;郑州轻工业学院学报(自然科学版)(第006期);18-21 * |
管板式烘丝机工艺参数对卷烟香气的影响;韦小玲;康金岭;;食品与机械(第06期);198-201 * |
Also Published As
Publication number | Publication date |
---|---|
CN117243398A (zh) | 2023-12-19 |
CN115167552A (zh) | 2022-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109814513B (zh) | 一种基于数据模型的催化裂化装置优化方法 | |
CN106990763B (zh) | 一种基于数据挖掘的立磨运行调控系统及方法 | |
CN112021626B (zh) | 烟用制丝环节智能化控制系统及方法 | |
CN113017132A (zh) | 一种基于烘丝机工艺参数预测的烟丝质量优化的方法 | |
CN103745273A (zh) | 一种半导体制造过程的多性能预测方法 | |
AU2021102749A4 (en) | Intelligent control system and method of thin plate drier for cut tobacco | |
CN109507961B (zh) | 一种半导体生产线动态负荷均衡投料控制方法 | |
CN112327960B (zh) | 松散回潮设备智能控制系统 | |
CN112433507A (zh) | 基于lso-lssvm的五轴数控机床热误差综合建模方法 | |
CN105996106A (zh) | 一种基于气流干燥的烟丝质量控制方法及系统 | |
CN109507887A (zh) | 模糊神经网络结合群智能寻优的工业熔融指数软测量方法 | |
CN115470862A (zh) | 动态自适应负荷预测模型组合方法 | |
CN115167552B (zh) | 基于响应曲面法优化加料循环风温的自动控制方法 | |
CN112263012B (zh) | 一种基于配方参数库的复烤机含水率控制方法 | |
CN112808348B (zh) | 基于aco-bp的多目标碾米机组调度优化系统 | |
CN117390960A (zh) | 一种数控机床用加工精度智能分析方法 | |
CN113303489A (zh) | 一种制丝过程烟叶水分准确控制的方法 | |
Yang et al. | Adaptive neural-network-based approach for the control of continuously stirred tank reactor | |
CN109101683B (zh) | 燃煤分质利用与清洁预处理系统热解釜的模型更新方法 | |
CN106779245A (zh) | 基于事件的民航需求预测方法和装置 | |
CN115115197A (zh) | 一种冶金工艺及质量的规则设计器及方法 | |
CN115729103A (zh) | 一种磨矿分级过程的模糊优化控制方法和设备 | |
EP3816735B1 (en) | Apparatus, method, and program | |
CN110703713B (zh) | 一种提高单装置多产品加工方案切换效率的方法 | |
CN113723015A (zh) | 一种基于机理模型与大数据技术的催化裂化装置优化方法 |
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 |