CN115381122A - 一种基于遗忘因子递推最小二乘的烘丝入口含水率控制方法 - Google Patents
一种基于遗忘因子递推最小二乘的烘丝入口含水率控制方法 Download PDFInfo
- Publication number
- CN115381122A CN115381122A CN202210812873.7A CN202210812873A CN115381122A CN 115381122 A CN115381122 A CN 115381122A CN 202210812873 A CN202210812873 A CN 202210812873A CN 115381122 A CN115381122 A CN 115381122A
- Authority
- CN
- China
- Prior art keywords
- data
- moisture content
- cut tobacco
- historical data
- 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.)
- Pending
Links
- 241000208125 Nicotiana Species 0.000 title claims abstract description 94
- 235000002637 Nicotiana tabacum Nutrition 0.000 title claims abstract description 94
- 238000001035 drying Methods 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 54
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 27
- 239000013598 vector Substances 0.000 claims description 42
- 238000003860 storage Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 4
- 238000010200 validation analysis Methods 0.000 claims description 4
- 229940050561 matrix product Drugs 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 2
- 238000003672 processing method Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 abstract description 3
- 238000010219 correlation analysis Methods 0.000 abstract description 2
- 238000000605 extraction Methods 0.000 abstract description 2
- 230000000875 corresponding effect Effects 0.000 description 13
- 238000004519 manufacturing process Methods 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 235000019504 cigarettes Nutrition 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
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
-
- A—HUMAN NECESSITIES
- A24—TOBACCO; CIGARS; CIGARETTES; SIMULATED SMOKING DEVICES; SMOKERS' REQUISITES
- A24B—MANUFACTURE OR PREPARATION OF TOBACCO FOR SMOKING OR CHEWING; TOBACCO; SNUFF
- A24B9/00—Control of the moisture content of tobacco products, e.g. cigars, cigarettes, pipe tobacco
Landscapes
- Manufacture Of Tobacco Products (AREA)
Abstract
本发明提出一种基于遗忘因子递推最小二乘的烘丝入口含水率控制方法，包括以下步骤：使用相关性分析进行输入变量的特征提取，筛选出与烘丝入口含水率相关的输入变量作为特征变量；根据提取的特征变量，建立烘丝入口含水率的遗忘因子递推最小二乘预测模型；对遗忘因子递推最小二乘预测模型进行模型参数寻优，得到最优模型；运用增量更新策略在线学习每个新样本，从而对模型进行实时的在线更新；根据已建立的模型变量关系和相关特征数据，反推预测出使烘丝入口含水率达标的进柜前含水率目标值。本发明实现进柜前水分目标值自动推送，替代人工估算方式，从而提高烘丝入口含水率控制的准确性。
Description
技术领域
本发明涉及烟丝水分控制技术领域，尤其是一种基于遗忘因子递推最小二乘的烘丝入口含水率控制方法。
背景技术
在卷烟制丝工艺过程中，烘丝入口含水率常作为制丝生产环节的重要工艺指标，是烘丝水分控制的重要参考因素，其直接影响到后续工序成品烟丝的品质，因此稳定的烘丝入口含水率有利于烘丝过程的水分控制，提高成品烟丝的品质。但是进贮叶柜前至烘丝入口过程中，存在很长的贮叶时间，并且切丝过程中也易受车间温湿度变化的影响，此类中间环节易造成不同程度的水分散失，而且过程中无任何物料含水率修正手段，所以对于烘丝入口含水率的调控取决于前序工序进柜前含水率的控制。
现有的烘丝入口含水率控制手段是操作员根据历史批次中进柜前含水率和烘丝入口含水率的表现与天气情况，人工估算出进柜前含水率的目标值，从而实现烘丝入口含水率的控制。但是，仅由人工估算方法无法实现工序之间的参数协同控制，目前也有利用机器代人控制含水率的技术，参考中国专利公开号为CN110946314B的按设定值设置气流烘丝的干燥气流温度，并设置气流烘丝的出口含水率的目标值；获取气流烘丝工序的出口含水率的实测值，并根据所述目标值和所述实测值得到出口含水率的目标偏差值；建立PID反馈控制模型，用于根据所述目标偏差值调节干燥气流风速以对出口含水率进行反馈控制，使批次内的气流烘丝的出口含水率按所述目标值进行控制。虽然该方案能提高各批次气流烘丝均匀度的一致性，提升生产过程质量控制能力，但是其目标值还是人为设定的，因此，为进一步提高生产过程自动化程度和制丝过程中成品烟丝的品质，需要一种更加科学、精确的烘丝入口含水率控制方法。
发明内容
本发明解决了人工估算方法无法实现工序之间的参数协同控制问题，提出一种基于遗忘因子递推最小二乘的烘丝入口含水率控制方法，实现进柜前入口含水率目标值自动推送，替代人工估算方式，从而提高烘丝入口含水率控制的准确性。
为实现上述目的，提出以下技术方案：
一种基于遗忘因子递推最小二乘的烘丝入口含水率控制方法，包括以下步骤：
S1，获取历史数据，对历史数据进行处理，并将处理后的历史数据分为第一历史数据和第二历史数据；
S2，分别根据第二历史数据与第一历史数据的相关性在第二历史数据中提取特征数据；
S3，根据特征数据和第一历史数据建立预测模型；
S4，优化预测模型；
S5，采集实时数据，对所述实时数据进行处理，并将处理后的实时数据分为第一实时数据和第二实时数据，并根据第一实时数据和第二实时数据更新优化后的预测模型；
S6，将目标数据和设定数据输入至更新优化后的预测模型，获取在设定数据的条件下与所述目标数据对应的预测数据。
本发明结合历史数据和当前的生产工艺机理，建立基于遗忘因子递推最小二乘预测模型，根据贮叶和切丝过程的关键相关变量，预测出烘丝入口含水率，提前反推出可以使烘丝入口含水率达标的进柜前含水率目标值。相较于人工估算方法，基于遗忘因子递推最小二乘预测控制方法，不仅可以统一进柜前含水率目标值调整方式，降低不同操作方式带来的人为系统误差，而且还可以减少滞后性对含水率控制带来的影响，实现烘丝入口含水率的平稳控制。
作为优选，所述S1中，具体包括：获取历史数据，对各个历史数据进行归一化处理，并将处理后的历史数据分为第一历史数据和第二历史数据，第一历史数据包括烘丝入口含水率，第二历史数据包括进柜前入口含水率、烘丝环境温度、烘丝环境湿度、贮叶环境湿度、贮叶环境湿度和贮叶时间；
其中，归一化处理的方法为找出每个历史数据的最小值和最大值，将其通过min-max归一化映射成在区间[0,1]中的值，其公式表示为：
其中，x0与xi分别表示归一化前后的历史数据，Maxx表示每个历史数据中的最大值，Minx表示每个历史数据中的最小值。
作为优选，所述S2中，具体包括：分别计算第二历史数据与第一历史数据的皮尔逊相关系数，选取其中皮尔逊相关系数高的第二历史数据作为特征数据，其中，计算皮尔逊相关系数的公式为：
式中，r为皮尔逊相关系数，Xi与Yi分别表示为X变量与Y变量中第i个样本数据，
和
分别为X变量和Y变量的均值，X变量为第二历史数据，Y变量为第一历史数据。
作为优选，所述S3中，具体包括，根据特征数据和第一历史数据建立遗忘因子递推最小二乘预测模型，该预测模型表示为：
y＝ΦTX
式中，y为第一历史数据，Φ为对应模型的特征数据的系数向量，X表示输入预测模型的特征数据向量，所述特征数据包括进柜前入口含水率、烘丝环境温度、烘丝环境湿度和贮叶时间。
作为优选，所述S4中，具体包括：使用K折交叉验证法优化预测模型；K折交叉验证法为将历史数据均分成K组，将每个子集数据分别做一次验证集，其余的K-1组子集数据作为训练集，得到K个模型，然后使用K个模型最终验证集的平均绝对误差的平均数作为该预测模型的性能指标，并且通过遍历的方法找到预测模型最优输入变量个数和遗忘因子取值，获取最优模型参数；其中，平均绝对误差表示为：
其中，m为样本个数，
为第i个样本的预测值，yi为第i个样本的实际值。
作为优选，所述S5中，更新优化后得预测模型具体为：设定特征数据的系数向量Ф与系数向量乘积的逆矩阵P，根据递推公式将t-1时刻的模型系数列向量Фt-1更新为t时刻的模型系数列向量Фt，t时刻为采集实时数据的时刻，递推公式如下：
其中，Kt为t时刻的中间矩阵，yt为t时刻的第一实时数据，λ为遗忘因子，I为单位矩阵，T为矩阵向量对应的转置矩阵，Pt为t时刻系数向量矩阵乘积的逆矩阵，Xt为t时刻输入模型的第二实时数据的向量。
作为优选，所述S6中，具体包括，通过更新优化后的预测模型获取完整的模型参数Ф，再已知预测模型的输入变量向量X，将模型参数Ф和输入变量向量X代入预测模型中，求得预测模型输出烘丝入口含水率y的预测值；若要知道烘丝入口含水率达到目标数据时对应的进柜前入口含水率预测数据，需要把烘丝入口含水率目标数据和不包含进柜前入口含水率的设定数据代入预测模型公式中，求得进柜前入口含水率X0，即为当前批次进柜前入口含水率的预测数据，其计算预测数据的公式如下：
其中，y目标为目标数据，具体为目标烘丝入口含水率，Φs T为设定数据，具体包括对应的不含进柜前入口含水率的输入模型的变量系数列向量对应的转置向量，XS为不含进柜前入口含水率的输入模型的变量数据列向量，θ0为进柜前入口含水率预测数据对应的模型系数。
本发明的有益效果是：结合历史数据和当前的生产工艺机理，建立基于遗忘因子递推最小二乘预测模型，根据贮叶和切丝过程的关键相关变量，预测出烘丝入口含水率，提前反推出可以使烘丝入口含水率达标的进柜前含水率目标值。相较于人工估算方法，基于遗忘因子递推最小二乘预测控制方法，不仅可以统一进柜前含水率目标值调整方式，降低不同操作方式带来的人为系统误差，而且还可以减少滞后性对含水率控制带来的影响，实现烘丝入口含水率的平稳控制。
附图说明
图1是实施例的控制流程示意图；
图2是实施例的模型变量关系示意图。
具体实施方式
实施例：
本实施例提出一种基于遗忘因子递推最小二乘的烘丝入口含水率控制方法，参考图1和图2，包括以下步骤：
S1，获取历史数据，对历史数据进行处理，并将处理后的历史数据分为第一历史数据和第二历史数据。第一历史数据包括烘丝入口含水率，第二历史数据包括进柜前入口含水率、烘丝环境温度、烘丝环境湿度、贮叶环境湿度、贮叶环境湿度和贮叶时间；具体为采集烘丝入口含水率相关的历史数据，包含进柜前入口含水率、烘丝环境温度、烘丝环境湿度、烘丝入口水分和贮叶时间，对模型输入输出变量进行归一化处理，找出每个变量的最小值和最大值，将其一个原始值通过min-max归一化映射成在区间[0,1]中的值即将不同量纲的变量都转化成0到1以内的值，减少因变量自身的单位量程引入的量纲误差影响，其公式表示为：
其中，x0与xi分别表示归一化前后的变量，Maxx表示x变量中的最大值，Minx表示x变量中的最小值。
S2，分别根据第二历史数据与第一历史数据的相关性在第二历史数据中提取特征数据。使用相关性分析进行输入变量的特征提取，采用皮尔逊相关系数度量模型输入变量与烘丝入口含水率的线性相关性程度，进而根据相关性程度筛选出与烘丝入口含水率最相关的几个变量筛选出与烘丝入口含水率最相关的输入变量作为特征变量，其特征变量包含进柜前入口含水率、烘丝环境温度、烘丝环境湿度、贮叶环境温度、贮叶环境湿度和贮叶时间等，其中皮尔逊相关系数表示为：
式中，r为皮尔逊相关系数，Xi与Yi分别表示为X与Y变量中第i个样本，
和
分别为X和Y的均值。此处的最相关的输入变量指与模型输出变量的皮尔逊相关系数r取值为最大值。
S3，根据特征数据和第一历史数据建立预测模型；根据提取的特征变量，采用基于数据驱动方法建立烘丝入口含水率的遗忘因子递推最小二乘预测模型，模型可表示为：
y＝ΦTX
式中，y为烘丝入口含水率，Φ为对应模型输入变量的系数向量，X表示预测模型输入变量向量，包含进柜前入口含水率、烘丝环境温度、烘丝环境湿度和贮叶时间。
S4，优化预测模型，使用K折交叉验证法，对遗忘因子递推最小二乘预测模型进行模型参数寻优，找到最优模型。根据看图定阶法和贝叶斯信息准则(BIC)，对多元时间序列分析模型进行参数寻优，从而使模型预测性能更好。K折交叉验证法即为将原始数据均分成K组，将每个子集数据分别做一次验证集，其余的K-1组子集数据作为训练集，得到K个模型，然后使用K个模型最终验证集的平均绝对误差的平均数作为该模型的性能指标。并且通过遍历的方法找到模型最优输入变量个数和遗忘因子取值，从而获取最优模型参数。其中平均绝对误差，可表示为：
其中，m为样本个数，
为第i样本的预测值，yi为其第i个样本的实际值。
S5，集实时数据，对所述实时数据进行处理，并将处理后的实时数据分为第一实时数据和第二实时数据，并根据第一实时数据和第二实时数据更新优化后的预测模型；考虑模型时变特性，运用增量更新策略在线学习每个新样本，从而对模型进行实时的在线更新，保证了模型的自校正性和自学习性，进一步优化控制系统的精度。增量更新方法为，设定初始系数向量Ф与系数向量乘积的逆矩阵P即可根据递推公式将t-1时刻的模型系数列向量Фt-1更新为t时刻的模型系数列向量Фt，从而达到模型更新的目的，递推公式如下：
其中，Kt为t时刻的中间矩阵，yt为t时刻的进柜前入口含水率即第一实时数据，λ为遗忘因子，I为单位矩阵，T为矩阵向量对应的转置矩阵，Pt为t时刻系数向量矩阵乘积的逆矩阵，Xt为t时刻模型输入变量原始数据即第二实时数据的向量。
S6，将目标数据和设定数据输入至更新优化后的预测模型，获取在设定数据的条件下与所述目标数据对应的预测数据。根据已建立的模型变量关系和相关特征数据，反推预测出可使烘丝入口含水率达标的进柜前含水率目标值，实现对烘丝入口含水率的控制。反推预测进柜前含水率目标值的方法为：通过模型训练在线更新可得到完整的模型参数Ф，再已知模型输入变量向量X，即可将模型参数Ф和输入变量向量X代入模型公式中，求得模型输出烘丝入口含水率y的预测值，若要知道烘丝入口含水率达到目标值时对应的进柜前入口含水率，即可把烘丝入口含水率目标值和不包含进柜前含水率的模型输入变量代入模型公式中，求得模型预测进柜前含水率X0，即为当前批次进柜前含水率的目标值，其计算公式如下：
其中，y目标为烘丝入口含水率目标值，Φs T为对应的不含进柜前含水率的模型输入变量系数列向量对应的转置向量，XS为不含进柜前含水率的模型输入变量数据列向量，θ0为进柜前含水率对应的模型系数。
本发明的优势是：结合历史数据和当前的生产工艺机理，建立基于遗忘因子递推最小二乘预测模型，根据贮叶和切丝过程的关键相关变量，预测出烘丝入口含水率，提前反推出可以使烘丝入口含水率达标的进柜前含水率目标值。相较于人工估算方法，基于遗忘因子递推最小二乘预测控制方法，不仅可以统一进柜前含水率目标值调整方式，降低不同操作方式带来的人为系统误差，而且还可以减少滞后性对含水率控制带来的影响，实现烘丝入口含水率的平稳控制。
Claims (7)
1.一种基于遗忘因子递推最小二乘的烘丝入口含水率控制方法，其特征是，包括以下步骤：
S1，获取历史数据，对历史数据进行处理，并将处理后的历史数据分为第一历史数据和第二历史数据；
S2，分别根据第二历史数据与第一历史数据的相关性在第二历史数据中提取特征数据；
S3，根据特征数据和第一历史数据建立预测模型；
S4，优化预测模型；
S5，采集实时数据，对所述实时数据进行处理，并将处理后的实时数据分为第一实时数据和第二实时数据，并根据第一实时数据和第二实时数据更新优化后的预测模型；
S6，将目标数据和设定数据输入至更新优化后的预测模型，获取在设定数据的条件下与所述目标数据对应的预测数据。
2.根据权利要求1所述的一种基于遗忘因子递推最小二乘的烘丝入口含水率控制方法，其特征是，所述S1中，具体包括：获取历史数据，对各个历史数据进行归一化处理，并将处理后的历史数据分为第一历史数据和第二历史数据，第一历史数据包括烘丝入口含水率，第二历史数据包括进柜前入口含水率、烘丝环境温度、烘丝环境湿度、贮叶环境湿度、贮叶环境湿度和贮叶时间；
其中，归一化处理的方法为找出每个历史数据的最小值和最大值，将其通过min-max归一化映射成在区间[0,1]中的值，其公式表示为：
其中，x0与xi分别表示归一化前后的历史数据，Maxx表示每个历史数据中的最大值，Minx表示每个历史数据中的最小值。
3.根据权利要求1所述的一种基于遗忘因子递推最小二乘的烘丝入口含水率控制方法，其特征是，所述S2中，具体包括：分别计算第二历史数据与第一历史数据的皮尔逊相关系数，选取其中皮尔逊相关系数高的第二历史数据作为特征数据，其中，计算皮尔逊相关系数的公式为：
式中，r为皮尔逊相关系数，Xi与Yi分别表示为X变量与Y变量中第i个样本数据，
和
分别为X变量和Y变量的均值，X变量为第二历史数据，Y变量为第一历史数据。
4.根据权利要求1所述的一种基于遗忘因子递推最小二乘的烘丝入口含水率控制方法，其特征是，所述S3中，具体包括，根据特征数据和第一历史数据建立遗忘因子递推最小二乘预测模型，该预测模型表示为：
y＝ΦTX
式中，y为第一历史数据，Φ为对应模型的特征数据的系数向量，X表示输入预测模型的特征数据向量，所述特征数据包括进柜前入口含水率、烘丝环境温度、烘丝环境湿度和贮叶时间。
5.根据权利要求1所述的一种基于遗忘因子递推最小二乘的烘丝入口含水率控制方法，其特征是，所述S4中，具体包括：使用K折交叉验证法优化预测模型；K折交叉验证法为将历史数据均分成K组，将每个子集数据分别做一次验证集，其余的K-1组子集数据作为训练集，得到K个模型，然后使用K个模型最终验证集的平均绝对误差的平均数作为该预测模型的性能指标，并且通过遍历的方法找到预测模型最优输入变量个数和遗忘因子取值，获取最优模型参数；其中，平均绝对误差表示为：
其中，m为样本个数，
为第i个样本的预测值，yi为第i个样本的实际值。
6.根据权利要求1所述的一种基于遗忘因子递推最小二乘的烘丝入口含水率控制方法，其特征是，所述S5中，更新优化后得预测模型具体为：设定特征数据的系数向量Ф与系数向量乘积的逆矩阵P，根据递推公式将t-1时刻的模型系数列向量Фt-1更新为t时刻的模型系数列向量Фt，t时刻为采集实时数据的时刻，递推公式如下：
其中，Kt为t时刻的中间矩阵，yt为t时刻的第一实时数据，λ为遗忘因子，I为单位矩阵，T为矩阵向量对应的转置矩阵，Pt为t时刻系数向量矩阵乘积的逆矩阵，Xt为t时刻输入模型的第二实时数据的向量。
7.根据权利要求1所述的一种基于遗忘因子递推最小二乘的烘丝入口含水率控制方法，其特征是，所述S6中，具体包括，通过更新优化后的预测模型获取完整的模型参数Ф，再已知预测模型的输入变量向量X，将模型参数Ф和输入变量向量X代入预测模型中，求得预测模型输出烘丝入口含水率y的预测值；若要知道烘丝入口含水率达到目标数据时对应的进柜前入口含水率预测数据，需要把烘丝入口含水率目标数据和不包含进柜前入口含水率的设定数据代入预测模型公式中，求得进柜前入口含水率X0，即为当前批次进柜前入口含水率的预测数据，其计算预测数据的公式如下：
其中，y目标为目标数据，具体为目标烘丝入口含水率，Φs T为设定数据，具体包括对应的不含进柜前入口含水率的输入模型的变量系数列向量对应的转置向量，XS为不含进柜前入口含水率的输入模型的变量数据列向量，θ0为进柜前入口含水率预测数据对应的模型系数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210812873.7A CN115381122A (zh) | 2022-07-11 | 2022-07-11 | 一种基于遗忘因子递推最小二乘的烘丝入口含水率控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210812873.7A CN115381122A (zh) | 2022-07-11 | 2022-07-11 | 一种基于遗忘因子递推最小二乘的烘丝入口含水率控制方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115381122A true CN115381122A (zh) | 2022-11-25 |
Family
ID=84117194
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210812873.7A Pending CN115381122A (zh) | 2022-07-11 | 2022-07-11 | 一种基于遗忘因子递推最小二乘的烘丝入口含水率控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115381122A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5335164A (en) * | 1991-07-31 | 1994-08-02 | Universal Dynamics Limited | Method and apparatus for adaptive control |
| CN109581879A (zh) * | 2019-01-31 | 2019-04-05 | 杭州安脉盛智能技术有限公司 | 基于广义预测控制的松散回潮控制方法及系统 |
| CN111045326A (zh) * | 2019-10-22 | 2020-04-21 | 杭州安脉盛智能技术有限公司 | 一种基于递归神经网络的烘丝过程水分预测控制方法及系统 |
| CN112273696A (zh) * | 2020-10-30 | 2021-01-29 | 红云红河烟草(集团)有限责任公司 | 切丝后水分控制方法、装置以及设备 |
| CN114027539A (zh) * | 2021-11-04 | 2022-02-11 | 湖北中烟工业有限责任公司 | 一种基于模型预测控制的松散回潮定量加水控制方法 |
| CN114139717A (zh) * | 2021-11-05 | 2022-03-04 | 湖北中烟工业有限责任公司 | 基于多元时序分析预测模型的烘丝入口含水率控制方法 |
-
2022
- 2022-07-11 CN CN202210812873.7A patent/CN115381122A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5335164A (en) * | 1991-07-31 | 1994-08-02 | Universal Dynamics Limited | Method and apparatus for adaptive control |
| CN109581879A (zh) * | 2019-01-31 | 2019-04-05 | 杭州安脉盛智能技术有限公司 | 基于广义预测控制的松散回潮控制方法及系统 |
| CN111045326A (zh) * | 2019-10-22 | 2020-04-21 | 杭州安脉盛智能技术有限公司 | 一种基于递归神经网络的烘丝过程水分预测控制方法及系统 |
| CN112273696A (zh) * | 2020-10-30 | 2021-01-29 | 红云红河烟草(集团)有限责任公司 | 切丝后水分控制方法、装置以及设备 |
| CN114027539A (zh) * | 2021-11-04 | 2022-02-11 | 湖北中烟工业有限责任公司 | 一种基于模型预测控制的松散回潮定量加水控制方法 |
| CN114139717A (zh) * | 2021-11-05 | 2022-03-04 | 湖北中烟工业有限责任公司 | 基于多元时序分析预测模型的烘丝入口含水率控制方法 |
Non-Patent Citations (1)
| Title |
|---|
| 吴宏鑫 等: "《特征建模理论、方法和应用》", 浙江科学技术出版社 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108920863B (zh) | 一种机器人伺服系统能耗估计模型的建立方法 | |
| CN109389314B (zh) | 一种基于最优近邻成分分析的质量软测量与监测方法 | |
| CN114139717A (zh) | 基于多元时序分析预测模型的烘丝入口含水率控制方法 | |
| CN114027539B (zh) | 一种基于模型预测控制的松散回潮定量加水控制方法 | |
| CN112273695A (zh) | 松散回潮出口含水率预测方法、装置以及设备 | |
| CN110716500B (zh) | 用于确定温度敏感区间分段建模点的方法与系统 | |
| CN109616161B (zh) | 一种基于孪生支持向量回归机的发酵过程软测量方法 | |
| CN114115393A (zh) | 一种制丝线薄板烘丝机出口水分和温度的控制方法 | |
| CN114398049A (zh) | 一种离散制造车间数字孪生模型自适应动态更新方法 | |
| CN112433507A (zh) | 基于lso-lssvm的五轴数控机床热误差综合建模方法 | |
| CN111838744B (zh) | 基于lstm的环境温湿度在烟丝生产过程中的水分连续实时预测方法 | |
| CN110908361B (zh) | 一种基于在线孪生支持向量回归机的发酵过程软测量方法 | |
| CN115251445B (zh) | 一种松散回潮机出口烟叶含水率的控制方法 | |
| CN117195747B (zh) | 一种磁性材料烘干用均匀热分布优化方法 | |
| CN114403487A (zh) | 一种松散回潮的加水控制方法 | |
| CN114532564A (zh) | 基于主成分分析策略的松散回潮出口烟丝含水率控制方法 | |
| CN114626304B (zh) | 一种矿浆铜品位在线预测软测量建模方法 | |
| CN114117919A (zh) | 基于样本协同表示的即时学习的软测量建模方法 | |
| CN117826910A (zh) | 一种基于神经网络及遗传算法的仓库温湿度控制方法、装置及介质 | |
| CN115381122A (zh) | 一种基于遗忘因子递推最小二乘的烘丝入口含水率控制方法 | |
| CN106599391B (zh) | 基于三角形角度值动态加权的关联向量机软测量建模方法 | |
| CN116602435A (zh) | 一种基于机器学习的制丝单机内烟丝水分变化分析方法 | |
| CN109858190B (zh) | 一种基于果蝇算法优化梯度提升回归树的青霉素发酵过程软测量建模方法 | |
| CN116757354A (zh) | 一种基于多层感知机的烟叶复烤段关键参数筛选方法 | |
| CN116776252A (zh) | 一种改进Mallow's Cp变量选择的工业过程软测量方法和系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20221125 |