CN116127824A - 一种烘丝机工艺生产参数优化求解模型建立系统 - Google Patents

一种烘丝机工艺生产参数优化求解模型建立系统 Download PDF

Info

Publication number
CN116127824A
CN116127824A CN202310033470.7A CN202310033470A CN116127824A CN 116127824 A CN116127824 A CN 116127824A CN 202310033470 A CN202310033470 A CN 202310033470A CN 116127824 A CN116127824 A CN 116127824A
Authority
CN
China
Prior art keywords
representing
water content
data
model
outlet
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
CN202310033470.7A
Other languages
English (en)
Inventor
申帅
周成林
黄金
邓红伟
方世杰
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.)
Shouyu Technology Hangzhou Co ltd
Original Assignee
Shouyu Technology Hangzhou 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 Shouyu Technology Hangzhou Co ltd filed Critical Shouyu Technology Hangzhou Co ltd
Priority to CN202310033470.7A priority Critical patent/CN116127824A/zh
Publication of CN116127824A publication Critical patent/CN116127824A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/25—Design optimisation, verification or simulation using particle-based methods
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Analysis (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Drying Of Solid Materials (AREA)

Abstract

本发明公开了一种烘丝机工艺生产参数优化求解模型建立系统，包括模型建立模块将若干特征参数作为输入，将出口含水率作为输出，训练得到出口含水率预测模型；参数求解单元根据出口预测含水率与出口含水率目标值建立参数求解模型；算法建立子单元将各工艺设计参数作为一个粒子，按照位置更新公式和速度更新公式分别对各粒子的速度和位置进行更新；算法优化子单元对惯性权重和学习因子进行更新；算法输出子单元计算得到每次迭代过程中的个体极值、群体极值和各粒子的目标函数值，最终迭代更新得到目标函数值最小时的群体极值，并将该群体极值中包含的各工艺设计参数整合得到工艺设计参数最优组合。本发明提升了工艺设计参数优化设置精度。

Description

一种烘丝机工艺生产参数优化求解模型建立系统
技术领域
本发明涉及制丝工序控制技术领域，尤其涉及一种烘丝机工艺生产参数优化求解模型建立系统。
背景技术
叶丝干燥是卷烟制丝生产过程中的一个关键工序，其主要作用是去除叶丝中部分水分，提高叶丝填充能力和耐加工性，同时彰显卷烟香气风格，改善感官舒适性，提高感官质量。叶丝干燥过程是一个高温、密闭的复杂过程，其加工质量受来料状况、干燥设备、控制方式、加工参数等诸多因素的影响，使得在叶丝干燥过程中研究提升加工质量成为制丝过程研究的重点和难点。
烘丝机的各项工艺生产参数直接或者通过相互作用间接影响出口叶丝含水率的值，烘丝机干燥叶丝的过程是一个包含了物理、化学等多场多学科耦合的复杂过程，该过程具有多变量、非线性、分布参数以及慢过程和快过程交织的特点。在现有技术中，存在根据传统方法建立烘丝机工艺生产参数与叶丝出口含水率之间的函数模型，但是由于烘丝机干燥叶丝的过程的复杂性以及该过程中工艺设计参数的多样性，导致传统方法建立的函数模型的拟合精度较低，进而导致该函数模型对烘丝机工艺设计参数的优化设置精确度不够高，结果不可靠。
发明内容
针对现有技术存在的不足，本发明的目的在于提供一种烘丝机工艺生产参数优化求解模型建立系统，用于提升对烘丝机各工艺设计参数的优化设置精确度。
为实现上述目的，本发明提供了如下技术方案：一种烘丝机工艺生产参数优化求解模型建立系统，包括：
数据采集模块，用于采集得到若干叶丝生产数据；
预处理模块，连接所述数据采集模块，用于对若干所述叶丝生产数据进行预处理，得到若干有效数据，所述有效数据包括若干出口含水率和若干工艺生产参数；
相关性分析模块，连接所述预处理模块，用于对若干所述工艺生产参数和所述出口含水率进行相关性分析，得到若干特征参数，所述特征参数包括入口含水率、烟丝流量、槽温度、滚筒壁一区温度、滚筒壁二区温度、热风速度和热风温度；
模型建立模块，连接所述相关性分析模块，用于引入一初始模型，并将若干所述特征参数作为输入特征，将相应所述出口含水率作为输出特征，对所述初始模型重新训练得到出口含水率预测模型，所述出口含水率预测模型的输入为若干工艺设计参数，所述出口含水率预测模型的输出为出口预测含水率；
参数优化模块，连接所述模型建立模块，包括：
参数求解单元，用于根据所述出口预测含水率与预设的出口含水率目标值建立一参数求解模型，所述参数求解模型包含有目标函数值，所述参数求解模型根据预设的若干上限边界值和若干下限边界值对各所述工艺设计参数进行数值范围限定；
组合寻优单元，连接所述参数求解单元，包括：
算法建立子单元，用于引入预设的粒子群算法模型，并将各所述工艺设计参数作为一个粒子，按照预设的位置更新公式和速度更新公式分别对各粒子的速度和位置进行更新；
算法优化子单元，连接所述算法建立子单元，用于在各所述粒子的速度和位置更新过程中，根据预设的权重更新公式和学习因子更新公式对所述位置更新公式中的惯性权重和学习因子进行更新；
算法输出子单元，连接所述算法建立子单元，用于在所述惯性权重和所述学习因子更新完毕后根据所述速度更新公式计算得到每次迭代过程中的个体极值和群体极值，以及在每次迭代过程中计算得到各所述粒子的所述目标函数值，最终通过迭代更新得到所述目标函数值最小时的所述群体极值，并将该所述群体极值中包含的各工艺设计参数整合得到一工艺设计参数最优组合，所述工艺设计参数最优组合为所述入口含水率、所述烟丝流量、所述槽温度、所述滚筒壁一区温度、所述滚筒壁二区温度、所述热风速度和所述热风温度组成的最优集合。
进一步地，所述速度更新公式配置为：
Figure BDA0004047808220000031
Figure BDA0004047808220000032
其中，w用于表示所述惯性权重，w≥0；
wmin用于表示预设的惯性权重最小值；
wmax用于表示预设的惯性权重最大值；
k用于表示迭代次数，k≥0；
kmax用于表示最大迭代次数；
i＝1,2,…,N；d＝1,2,…,D；
D用于表示所述工艺设计参数的种类，即所述粒子群算法的维度；
N用于表示各粒子的总数；
Figure BDA0004047808220000033
用于表示第i个粒子第k次迭代时的速度矢量；
Figure BDA0004047808220000034
用于表示第i个粒子第k次迭代时的位置矢量；
Figure BDA0004047808220000035
用于表示第i个粒子第k次迭代时的个体极值；
Figure BDA0004047808220000036
用于表示第i个粒子第k次迭代时的群体极值；
c1用于表示第一学习因子，所述第一学习因子表示粒子个体极值对当前速度矢量的影响；
c2用于表示第二学习因子，所述第二学习因子表示群体极值对当前速度矢量的影响；
r1、r2为[0,1]区间内的随机数。
所述位置更新公式配置为：
Figure BDA0004047808220000041
其中，l用于表示速度约束因子。
进一步地，所述权重优化公式配置为：
Figure BDA0004047808220000042
其中，f用于表示所述粒子当前目标函数值；
favg用于表示当前所有所述粒子的平均目标函数值；
fmin用于表示当前所有所述粒子中的最小目标函数值。
进一步地，所述学习因子优化公式配置为：
Figure BDA0004047808220000043
其中，c1ini用于表示c1的初始值；
c2ini用于表示c2的初始值；
c1fin用于表示c1的终值；
c2fin用于表示c2的终值。
进一步地，所述参数求解模型配置为：
f＝(S(A,C,F,G,H,I,K)-S0)2；
Figure BDA0004047808220000051
其中，f用于表示所述粒子当前的目标函数值；
S(A,C,F,G,H,I,K)用于表示所述出口预测含水率；
S0用于表示所述出口含水率目标值；
A用于表示所述入口烟丝含水率，Amin用于表示所述入口烟丝含水率相对应的所述下限边界值，Amax用于表示所述入口烟丝含水率相对应的所述上限边界值；
C用于表示所述烟丝流量，Cmin用于表示所述烟丝流量相对应的所述下限边界值，Cmax用于表示所述烟丝流量相对应的所述上限边界值；
F用于表示所述滚筒壁一区温度，Fmin用于表示所述滚筒壁一区温度相对应的所述下限边界值，Fmax用于表示所述滚筒壁一区温度相对应的所述上限边界值；
G用于表示所述滚筒壁二区温度，Gmin用于表示所述滚筒壁二区温度相对应的所述下限边界值，Gmax用于表示所述滚筒壁二区温度相对应的所述上限边界值；
H用于表示所述热风温度，Hmin用于表示所述热风温度相对应的所述下限边界值，Hmax用于表示所述热风温度相对应的所述上限边界值；
I用于表示所述热风风速，Imin用于表示所述热风风速相对应的所述下限边界值，Imax用于表示所述热风风速相对应的所述上限边界值；
K用于表示所述槽温度，Kmin用于表示所述槽温度相对应的所述下限边界值，Kmax用于表示所述槽温度相对应的所述上限边界值。
进一步地，所述相关性分析模块包括：
第一分析单元，用于根据预设的相关性分析方法分别各所述工艺生产参数与所述出口含水率进行参数相关性分析，得到若干相关系数绝对值；
第二分析单元，用于根据所述相关性分析方法分别对各所述工艺生产参数与所述出口含水率进行延时分析，得到若干延时时间；
第三分析单元，用于对各所述工艺生产参数进行共线性分析，得到若干共线性分析结果；
综合分析单元，分别连接所述第一分析单元、所述第二分析单元和所述第三分析单元，用于根据若干所述相关系数绝对值、若干所述延时时间和若干所述共线性分析结果进行综合分析得到一综合分析结果，并根据所述综合分析结果从若干所述工艺生产参数中提取得到若干所述特征参数。
进一步地，所述模型建立模块包括:
数据划分单元，用于将各所述特征参数及相应各所述出口含水率按照预设比例划分为训练集和测试集；
模型训练单元，连接所述数据划分单元，用于根据所述训练集中的各所述特征参数和相应各所述出口含水率训练得到所述出口含水率预测模型；
精度测试单元，分别连接所述数据划分单元和所述模型训练单元，用于将所述测试集中的各所述特征参数输入所述出口含水率预测模型中，得到所述出口预测含水率，并将各所述出口预测含水率与相应的各所述出口含水率输入预设的精度计算公式中得到精度偏差值。
进一步地，所述精度计算公式配置为：
Figure BDA0004047808220000071
其中，σ用于表示所述精度偏差值；
n用于表示所述出口预测含水率的个数；
Figure BDA0004047808220000072
至
Figure BDA0004047808220000073
分别用于表示第1个所述出口预测含水率和第1个所述出口含水率的真值之差到第n个所述出口预测含水率和第n个所述出口含水率的真值之差。
进一步地，所述预处理模块包括：
第一过滤单元，用于对若干所述叶丝生产数据中的无用数据进行剔除，得到若干第一过滤数据；
第二过滤单元，连接所述第一过滤单元，用于对若干所述第一过滤数据中的非稳态数据进行剔除，得到若干第二过滤数据，所述非稳态数据包括烘丝机停机断料过程中采集到的数据；
第三过滤单元，连接所述第二过滤单元，用于对若干所述第二过滤数据中的异常数据进行剔除，得到若干所述有效数据，并对若干所述有效数据进行分类存储。
本发明的有益效果：
本发明首先对叶丝生产数据进行预处理，剔除其中异常数据得到有效数据，然后通过相关性分析模块，实现对有效数据中的各工艺生产参数进行相关性分析，并得到若干特征数据，进而根据各特征数据和相应的出口含水率训练得到出口含水率预测模型，然后通过建立参数求解模型得到目标函数与出口含水率预测模型输出的出口预测含水率之间的关系，进而通过对粒子群算法模型中的惯性权重及学习因子进行调整，最终粒子群算法模型的迭代更新得到目标函数值最小时的群体极值，将该群体极值中包含的各工艺设计参数整合成工艺设计参数最优组合，提升了对烘丝机的各工艺设计参数的优化设置精确度。
附图说明
图1是本发明中烘丝机工艺生产参数优化求解模型建立系统的结构示意图；
图2是本发明中各工艺生产参数与出口含水率的相关性系数绝对值和延时时间的数据图。
附图标记：1、数据采集模块；2、预处理模块；21、第一过滤单元；22、第二过滤单元；23、第三过滤单元；3、相关性分析模块；31、第一分析单元；32、第二分析单元；33、第三分析单元；34、综合分析单元；4、模型建立模块；41、数据划分单元；42、模型训练单元；43、精度测试单元；5、参数优化模块；51、参数求解单元；52、组合寻优单元；521、算法建立子单元；522、算法优化子单元；523、算法输出子单元。
具体实施方式
下面结合附图和实施例，对本发明进一步详细说明。其中相同的零部件用相同的附图标记表示。需要说明的是，下面描述中使用的词语“前”、“后”、“左”、“右”、“上”和“下”指的是附图中的方向，词语“底面”和“顶面”、“内”和“外”分别指的是朝向或远离特定部件几何中心的方向。
如图1所示，本实施例的一种烘丝机工艺生产参数优化求解模型建立系统，包括：
数据采集模块1，用于采集得到若干叶丝生产数据；
预处理模块2，连接数据采集模块1，用于对若干叶丝生产数据进行预处理，得到若干有效数据，有效数据包括若干出口含水率和若干工艺生产参数；
相关性分析模块3，连接预处理模块2，用于对若干工艺生产参数和出口含水率进行相关性分析，得到若干特征参数，特征参数包括入口含水率、烟丝流量、槽温度、滚筒壁一区温度、滚筒壁二区温度、热风速度和热风温度；
模型建立模块4，连接相关性分析模块3，用于引入一初始模型，并将若干特征参数作为输入特征，将相应出口含水率作为输出特征，对初始模型重新训练得到出口含水率预测模型，出口含水率预测模型的输入为若干工艺设计参数，出口含水率预测模型的输出为出口预测含水率；
参数优化模块5，连接模型建立模块4，包括：
参数求解单元51，用于根据出口预测含水率与预设的出口含水率目标值建立一参数求解模型，参数求解模型包含有目标函数值，参数求解模型根据预设的若干上限边界值和若干下限边界值对各工艺设计参数进行数值范围限定；
组合寻优单元52，连接参数求解单元51，包括：
算法建立子单元521，用于引入预设的粒子群算法模型，并将各工艺设计参数作为一个粒子，按照预设的位置更新公式和速度更新公式分别对各粒子的速度和位置进行更新；
算法优化子单元522，连接算法建立子单元521，用于在各粒子的速度和位置更新过程中，根据预设的权重更新公式和学习因子更新公式对位置更新公式中的惯性权重和学习因子进行更新；
算法输出子单元523，连接算法建立子单元521，用于在惯性权重和学习因子更新完毕后根据速度更新公式计算得到每次迭代过程中的个体极值和群体极值，以及在每次迭代过程中计算得到各粒子的目标函数值，最终通过迭代更新得到目标函数值最小时的群体极值，并将该群体极值中包含的各工艺设计参数整合得到一工艺设计参数最优组合，工艺设计参数最优组合为入口含水率、烟丝流量、槽温度、滚筒壁一区温度、滚筒壁二区温度、热风速度和热风温度组成的最优集合。
具体地，本实施例中，数据采集模块1在卷烟企业制造执行系统上采集某卷烟厂某卷烟规格制丝线叶丝干燥工序中(只含薄板干燥过程)所产生的若干叶丝生产数据。采集过程以生产批次为单位，由于每个批次生产时间约1h，采集质量指标及工艺生产参数项目共22项，采集频次为6秒/次，数据采集模块1共采集到2367559组叶丝生产数据。预处理模块2用于对2367559组叶丝生产数据经过数据筛选、剔除、修整等预处理后共得到367542组有效数据。
在本实施例中，有效数据共12个种类，包括入口烟丝含水率、入口烟丝温度、烟丝流量、蒸汽流量、蒸汽压力、滚筒壁一区温度、滚筒壁二区温度、热风温度、热风风速、罩压力、槽温度和凝结水温度。相关性分析模块3采用Pearson相关性分析方法对各工艺生产参数与出口含水率的相关系数绝对值、各工艺生产参数与出口含水率的延时时间以及各工艺生产参数之间的共线性进行综合分析，最终分析选出最有代表性的七个种类的特征参数，即入口含水率、烟丝流量、槽温度、滚筒壁一区温度、滚筒壁二区温度、热风速度和热风温度。
在本实施例中，模型建立模块4先引入梯度提升决策树模型作为初始模型，再将若干特征参数作为输入特征，将相应出口含水率作为输出特征，对梯度提升决策树模型的各项参数进行重新训练，得到出口含水率预测模型。梯度提升决策树模型的初始化、建模等过程为现有技术，不再赘述。
进一步地，参数求解单元51建立出口预测含水率与出口含水率目标值的参数求解模型，在该参数求解模型中通过对各工艺设计参数进行数值范围限定，可以对出口预测含水率的数值范围进行初步限定，减少运算量。优选的，参数求解模型配置为：f＝(S(A,C,F,G,H,I,K)-S0)2；
Figure BDA0004047808220000101
其中，f用于表示粒子当前的目标函数值；
S(A,C,F,G,H,I,K)用于表示出口预测含水率；
S0用于表示出口含水率目标值；
A用于表示入口烟丝含水率，Amin用于表示入口烟丝含水率相对应的下限边界值，Amax用于表示入口烟丝含水率相对应的上限边界值；
C用于表示烟丝流量，Cmin用于表示烟丝流量相对应的下限边界值，Cmax用于表示烟丝流量相对应的上限边界值；
F用于表示滚筒壁一区温度，Fmin用于表示滚筒壁一区温度相对应的下限边界值，Fmax用于表示滚筒壁一区温度相对应的上限边界值；
G用于表示滚筒壁二区温度，Gmin用于表示滚筒壁二区温度相对应的下限边界值，Gmax用于表示滚筒壁二区温度相对应的上限边界值；
H用于表示热风温度，Hmin用于表示热风温度相对应的下限边界值，Hmax用于表示热风温度相对应的上限边界值；
I用于表示热风风速，Imin用于表示热风风速相对应的下限边界值，Imax用于表示热风风速相对应的上限边界值；
K用于表示槽温度，Kmin用于表示槽温度相对应的下限边界值，Kmax用于表示槽温度相对应的上限边界值。
具体地，S0＝12.6，各工艺生产参数的上限边界值和下限边界值均根据实际生产过程进行设定。由于目标函数值由出口预测含水率与出口含水率目标值的差值做平方得到，因此目标函数值最小时表明出口预测含水率与出口含水率目标值最接近。
在本实施例中，在本实施例中，算法建立子单元521引入粒子群算法，利用粒子群算法求解目标函数的最小值，粒子群算法在解决多种非线性优化问题上具有很好的性能，其优点是算法简单，并通过个体最优和群体最优来控制整个迭代搜索的过程，搜索速度较快。但是粒子自身速度和位置的更新快慢依赖于惯性权重和学习因子，在现有技术中这两个参数主要依靠认为经验和大量实验来选取，一般都是固定的，搜索过程不能动态调整。这不仅降低粒子的搜索效率，而且极易带来无法搜索到全局最优解的问题。本技术方案通过算法优化子单元522设置权重更新公式和学习因子更新公式对惯性权重和学习因子进行动态调整，提升了粒子前期搜索效率，加快了种群搜索速度，提高了找到全局最优解的速率。算法输出子单元523在在惯性权重和学习因子更新完毕后在每次迭代过程中计算各粒子的目标函数值，同时计算每次迭代过程中的个体极值和群体极值。个体极值用于表示每个粒子的当前最优解，群体极值用于表示整个粒子群体的当前最优解。在粒子群算法的初始阶段，设置有初始的个体极值和群体极值，在每次迭代更新的过程中，每个粒子都会将当前的个体极值与上一个确认的个体极值进行比较，若当前的个体极值优于上一个确认的个体极值，则将当前的个体极值替代上一个确认的个体极值；若当前的个体极值不优于上一个确认的个体极值，则保留上一个确认的个体极值。在每次迭代更新的过程中，每个粒子还会将当前的个体极值与上一个确认的群体极值进行比较，若当前的个体极值优于上一个确认的群体极值，则将当前的个体极值替代上一个确认的群体极值；若当前的个体极值不优于上一个确认的群体极值，则保留上一个确认的群体极值。通过多次迭代更新，得到使得目标函数值最小的群体极值，该群体极值中包含有七个工艺设计参数，最终将该七个工艺设计参数组合形成工艺设计参数最优组合，提升了对烘丝机的各工艺设计参数的优化设置精确度，同时工艺设计参数最优组合还可以为作为PID控制器控制烘丝机的输入参数，使得烘丝机能够更精确地控制出口含水率。
优选的，速度更新公式配置为：
Figure BDA0004047808220000121
Figure BDA0004047808220000122
其中，w用于表示惯性权重，w≥0；
wmin用于表示预设的惯性权重最小值；
wmax用于表示预设的惯性权重最大值；
k用于表示迭代次数，k≥0；
kmax用于表示最大迭代次数；
i＝1,2,…,N；d＝1,2,…,D；
D用于表示工艺设计参数的种类，即粒子群算法的维度；
N用于表示各粒子的总数，即种群规模；
Figure BDA0004047808220000131
用于表示第i个粒子第k次迭代时的速度矢量；
Figure BDA0004047808220000132
用于表示第i个粒子第k次迭代时的位置矢量；
Figure BDA0004047808220000133
用于表示第i个粒子第k次迭代时的个体极值；
Figure BDA0004047808220000134
用于表示第i个粒子第k次迭代时的群体极值；
c1用于表示第一学习因子，第一学习因子表示粒子个体极值对当前速度矢量的影响；
c2用于表示第二学习因子，第二学习因子表示群体极值对当前速度矢量的影响；
r1、r2为[0,1]区间内的随机数。
位置更新公式配置为：
Figure BDA0004047808220000135
其中，l用于表示速度约束因子。
具体地，本实施例中，wmin＝0.4，wmax＝0.9，在每次迭代过程中，
Figure BDA0004047808220000136
有N个，
Figure BDA0004047808220000137
只有一个。在粒子群算法的迭代更新过程中，有些粒子会出现较大的位置随机性而导致粒子发散，或因速度增长过快导致粒子来回震荡，故对其所在搜索范围、移动速度和位置加以约束。
在本实施例中，对粒子的搜索速度限定为：当
Figure BDA0004047808220000141
时，取
Figure BDA0004047808220000142
当
Figure BDA0004047808220000143
时，取
Figure BDA0004047808220000144
其中νmax、νmin分别为预先定义好的速度上限值和速度下限值。
对粒子的搜索范围限定为：当
Figure BDA0004047808220000145
时，取
Figure BDA0004047808220000146
当
Figure BDA0004047808220000147
时，取
Figure BDA0004047808220000148
其中xmax、xmin分别为预先定义好的位置上限值和位置下限值。通过对位置矢量和速度矢量的限制，有效减少了粒子分散和粒子来回震荡的情况，提升了粒子群算法的聚集度。
优选的，权重优化公式配置为：
Figure BDA0004047808220000149
其中，f用于表示粒子当前目标函数值；
favg用于表示当前所有粒子的平均目标函数值；
fmin用于表示当前所有粒子中的最小目标函数值。
具体地，本实施例中，对于目标函数值大于平均目标函数值的粒子，其对应的w较小，从而保留该粒子；对于目标函数值不大于平均目标函数值的粒子，其对应的w较大，需要使得该粒子向较好的搜索区域靠拢，因此将惯性权重调整为最大值0.9，通过该种设置不仅可以提高前期粒子全局搜索效率，而且可以避免在后期搜索过程中因惯性权重变化过大而出现无法找到最优解的情况。
优选的，学习因子优化公式配置为：
Figure BDA00040478082200001410
其中，c1ini用于表示c1的初始值；
c2ini用于表示c2的初始值；
c1fin用于表示c1的终值；
c2fin用于表示c2的终值。
具体地，本实施例中，通过设置异步变化的第一学习因子和第二学习因子，使得种群的搜索速度加快，同时提高了找到全局最优解的效率。
优选的，相关性分析模块3包括：
第一分析单元31，用于根据预设的相关性分析方法分别各工艺生产参数与出口含水率进行参数相关性分析，得到若干相关系数绝对值；
第二分析单元32，用于根据相关性分析方法分别对各工艺生产参数与出口含水率进行延时分析，得到若干延时时间；
第三分析单元33，用于对各工艺生产参数进行共线性分析，得到若干共线性分析结果；
综合分析单元34，分别连接第一分析单元31、第二分析单元32和第三分析单元33，用于根据若干相关系数绝对值、若干延时时间和若干共线性分析结果进行综合分析得到一综合分析结果，并根据综合分析结果从若干工艺生产参数中提取得到若干特征参数。
具体地，本实施例中，第一分析单元31根据Pearson相关性分析方法对各工艺生产参数与出口含水率进行相关性分析，得到各工艺生产参数与出口含水率的相关系数绝对值如图2所示。第二分析单元32根据Pearson相关性分析方法对各工艺生产参数与出口含水率进行延时分析，由于烘丝机各参数从入口到出口的最大延时不超过220S，将各工艺身生产参数分别相对出口含水率数据向下错位以实现数据对齐，错位一位相当于延时1秒，因此可以建立各工艺生产参数与出口含水率延时220S的分析数据图，如图2所示。在该图中，相关系数绝对值最大的点可以作为理论延时点。第三分析单元33根据Pearson相关性分析方法对各工艺生产参数之间的共线性进行分析得到共线性分析结果，当各第工艺生产参数之间的共线性越高时，表明互相之间的干扰越强。综合分析单元34通过对各相关系数绝对值、各延时时间和各共线性分析结果进行综合分析得到综合分析结果，通过综合分析结果可以从各工艺生产参数选出最显著的数据作为特征数据。
优选的，模型建立模块4包括:
数据划分单元41，用于将各特征参数及相应各出口含水率按照预设比例划分为训练集和测试集；
模型训练单元42，连接数据划分单元41，用于根据训练集中的各特征参数和相应各出口含水率训练得到出口含水率预测模型；
精度测试单元43，分别连接数据划分单元41和模型训练单元42，用于将测试集中的各特征参数输入出口含水率预测模型中，得到出口预测含水率，并将各出口预测含水率与相应的各出口含水率输入预设的精度计算公式中得到精度偏差值。
具体地，本实施例中，训练集和测试集的比例为4:1。
优选的，精度计算公式配置为：
Figure BDA0004047808220000161
其中，σ用于表示精度偏差值；
n用于表示出口预测含水率的个数；
Figure BDA0004047808220000163
至
Figure BDA0004047808220000162
分别用于表示第1个出口预测含水率和第1个出口含水率的真值之差到第n个出口预测含水率和第n个出口含水率的真值之差。
具体地，本实施例中，设置的精度偏差值可以为0.2，当出口含水率预测模型的精度偏差超过0.2时，需要对出口含水率预测模型进行重新训练，直至出口含水率预测模型的精度不超过0.2，完成对出口含水率预测模型的精度矫正。
优选的，预处理模块2包括：
第一过滤单元21，用于对若干叶丝生产数据中的无用数据进行剔除，得到若干第一过滤数据；
第二过滤单元22，连接第一过滤单元21，用于对若干第一过滤数据中的非稳态数据进行剔除，得到若干第二过滤数据，非稳态数据包括烘丝机停机断料过程中采集到的数据；
第三过滤单元23，连接第二过滤单元22，用于对若干第二过滤数据中的异常数据进行剔除，得到若干有效数据，并对若干有效数据进行分类存储。
具体地，本实施例中，第一过滤单元21根据定义的无用数据剔除规则剔除若干叶丝生产数据中的无用数据得到第一过滤数据，第二过滤单元22通过剔除各第一过滤数据中的非稳态数据得到第二过滤数据，其中烘丝机停机断料过程中采集到的数据定义为生产过程中某一工序入口流量降至0kg/h且持续时间超过90s时的采集到的数据，第三过滤单元23根据三西格玛准则对第二过滤数据中的异常数据进行剔除，最终得到有效数据。通过设置三重过滤，实现了对叶丝生产数据的有效筛选，避免无效数据对后续数据处理过程中产生的不利影响，减少后续数据运算量，提升数据处理效率。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (9)

1.一种烘丝机工艺生产参数优化求解模型建立系统，其特征在于，包括：
数据采集模块(1)，用于采集得到若干叶丝生产数据；
预处理模块(2)，连接所述数据采集模块(1)，用于对若干所述叶丝生产数据进行预处理，得到若干有效数据，所述有效数据包括若干出口含水率和若干工艺生产参数；
相关性分析模块(3)，连接所述预处理模块(2)，用于对若干所述工艺生产参数和所述出口含水率进行相关性分析，得到若干特征参数，所述特征参数包括入口含水率、烟丝流量、槽温度、滚筒壁一区温度、滚筒壁二区温度、热风速度和热风温度；
模型建立模块(4)，连接所述相关性分析模块(3)，用于引入一初始模型，并将若干所述特征参数作为输入特征，将相应所述出口含水率作为输出特征，对所述初始模型重新训练得到出口含水率预测模型，所述出口含水率预测模型的输入为若干工艺设计参数，所述出口含水率预测模型的输出为出口预测含水率；
参数优化模块(5)，连接所述模型建立模块(4)，包括：
参数求解单元(51)，用于根据所述出口预测含水率与预设的出口含水率目标值建立一参数求解模型，所述参数求解模型包含有目标函数值，所述参数求解模型根据预设的若干上限边界值和若干下限边界值对各所述工艺设计参数进行数值范围限定；
组合寻优单元(52)，连接所述参数求解单元(51)，包括：
算法建立子单元(521)，用于引入预设的粒子群算法模型，并将各所述工艺设计参数作为一个粒子，按照预设的位置更新公式和速度更新公式分别对各粒子的速度和位置进行更新；
算法优化子单元(522)，连接所述算法建立子单元(521)，用于在各所述粒子的速度和位置更新过程中，根据预设的权重更新公式和学习因子更新公式对所述位置更新公式中的惯性权重和学习因子进行更新；
算法输出子单元(523)，连接所述算法建立子单元(521)，用于在所述惯性权重和所述学习因子更新完毕后根据所述速度更新公式计算得到每次迭代过程中的个体极值和群体极值，以及在每次迭代过程中计算得到各所述粒子的所述目标函数值，最终通过迭代更新得到所述目标函数值最小时的所述群体极值，并将该所述群体极值中包含的各工艺设计参数整合得到一工艺设计参数最优组合，所述工艺设计参数最优组合为所述入口含水率、所述烟丝流量、所述槽温度、所述滚筒壁一区温度、所述滚筒壁二区温度、所述热风速度和所述热风温度组成的最优集合。
2.根据权利要求1所述的烘丝机工艺生产参数优化求解模型建立系统，其特征在于，所述速度更新公式配置为：
Figure FDA0004047808210000021
Figure FDA0004047808210000022
其中，w用于表示所述惯性权重，w≥0；
wmin用于表示预设的惯性权重最小值；
wmax用于表示预设的惯性权重最大值；
k用于表示迭代次数，k≥0；
kmax用于表示最大迭代次数；
i＝1,2,…,N；d＝1,2,…,D；
D用于表示所述工艺设计参数的种类，即所述粒子群算法的维度；
N用于表示各粒子的总数；
Figure FDA0004047808210000031
用于表示第i个粒子第k次迭代时的速度矢量；
Figure FDA0004047808210000032
用于表示第i个粒子第k次迭代时的位置矢量；
Figure FDA0004047808210000033
用于表示第i个粒子第k次迭代时的个体极值；
Figure FDA0004047808210000034
用于表示第i个粒子第k次迭代时的群体极值；
c1用于表示第一学习因子，所述第一学习因子表示粒子个体极值对当前速度矢量的影响；
c2用于表示第二学习因子，所述第二学习因子表示群体极值对当前速度矢量的影响；
r1、r2为[0,1]区间内的随机数。
所述位置更新公式配置为：
Figure FDA0004047808210000035
其中，l用于表示速度约束因子。
3.根据权利要求2所述的烘丝机工艺生产参数优化求解模型建立系统，其特征在于，所述权重优化公式配置为：
Figure FDA0004047808210000036
其中，f用于表示所述粒子当前目标函数值；
favg用于表示当前所有所述粒子的平均目标函数值；
fmin用于表示当前所有所述粒子中的最小目标函数值。
4.根据权利要求2所述的烘丝机工艺生产参数优化求解模型建立系统，其特征在于，所述学习因子优化公式配置为：
Figure FDA0004047808210000041
其中，c1ini用于表示c1的初始值；
c2ini用于表示c2的初始值；
c1fin用于表示c1的终值；
c2fin用于表示c2的终值。
5.根据权利要求3所述的烘丝机工艺生产参数优化求解模型建立系统，其特征在于，所述参数求解模型配置为：
f＝(S(A,C,F,G,H,I,K)-S0)2；
Figure FDA0004047808210000042
其中，f用于表示所述粒子当前的目标函数值；
S(A,C,F,G,H,I,K)用于表示所述出口预测含水率；
S0用于表示所述出口含水率目标值；
A用于表示所述入口烟丝含水率，Amin用于表示所述入口烟丝含水率相对应的所述下限边界值，Amax用于表示所述入口烟丝含水率相对应的所述上限边界值；
C用于表示所述烟丝流量，Cmin用于表示所述烟丝流量相对应的所述下限边界值，Cmax用于表示所述烟丝流量相对应的所述上限边界值；
F用于表示所述滚筒壁一区温度，Fmin用于表示所述滚筒壁一区温度相对应的所述下限边界值，Fmax用于表示所述滚筒壁一区温度相对应的所述上限边界值；
G用于表示所述滚筒壁二区温度，Gmin用于表示所述滚筒壁二区温度相对应的所述下限边界值，Gmax用于表示所述滚筒壁二区温度相对应的所述上限边界值；
H用于表示所述热风温度，Hmin用于表示所述热风温度相对应的所述下限边界值，Hmax用于表示所述热风温度相对应的所述上限边界值；
I用于表示所述热风风速，Imin用于表示所述热风风速相对应的所述下限边界值，Imax用于表示所述热风风速相对应的所述上限边界值；
K用于表示所述槽温度，Kmin用于表示所述槽温度相对应的所述下限边界值，Kmax用于表示所述槽温度相对应的所述上限边界值。
6.根据权利要求1所述的烘丝机工艺生产参数优化求解模型建立系统，其特征在于，所述相关性分析模块(3)包括：
第一分析单元(31)，用于根据预设的相关性分析方法分别各所述工艺生产参数与所述出口含水率进行参数相关性分析，得到若干相关系数绝对值；
第二分析单元(32)，用于根据所述相关性分析方法分别对各所述工艺生产参数与所述出口含水率进行延时分析，得到若干延时时间；
第三分析单元(33)，用于对各所述工艺生产参数进行共线性分析，得到若干共线性分析结果；
综合分析单元(34)，分别连接所述第一分析单元(31)、所述第二分析单元(32)和所述第三分析单元(33)，用于根据若干所述相关系数绝对值、若干所述延时时间和若干所述共线性分析结果进行综合分析得到一综合分析结果，并根据所述综合分析结果从若干所述工艺生产参数中提取得到若干所述特征参数。
7.根据权利要求1所述的烘丝机工艺生产参数优化求解模型建立系统，其特征在于，所述模型建立模块(4)包括:
数据划分单元(41)，用于将各所述特征参数及相应各所述出口含水率按照预设比例划分为训练集和测试集；
模型训练单元(42)，连接所述数据划分单元(41)，用于根据所述训练集中的各所述特征参数和相应各所述出口含水率训练得到所述出口含水率预测模型；
精度测试单元(43)，分别连接所述数据划分单元(41)和所述模型训练单元(42)，用于将所述测试集中的各所述特征参数输入所述出口含水率预测模型中，得到所述出口预测含水率，并将各所述出口预测含水率与相应的各所述出口含水率输入预设的精度计算公式中得到精度偏差值。
8.根据权利要求7所述的烘丝机工艺生产参数优化求解模型建立系统，其特征在于，所述精度计算公式配置为：
Figure FDA0004047808210000061
其中，σ用于表示所述精度偏差值；
n用于表示所述出口预测含水率的个数；
Figure FDA0004047808210000062
至
Figure FDA0004047808210000063
分别用于表示第1个所述出口预测含水率和第1个所述出口含水率的真值之差到第n个所述出口预测含水率和第n个所述出口含水率的真值之差。
9.根据权利要求1所述的烘丝机工艺生产参数优化求解模型建立系统，其特征在于，所述预处理模块(2)包括：
第一过滤单元(21)，用于对若干所述叶丝生产数据中的无用数据进行剔除，得到若干第一过滤数据；
第二过滤单元(22)，连接所述第一过滤单元(21)，用于对若干所述第一过滤数据中的非稳态数据进行剔除，得到若干第二过滤数据，所述非稳态数据包括烘丝机停机断料过程中采集到的数据；
第三过滤单元(23)，连接所述第二过滤单元(22)，用于对若干所述第二过滤数据中的异常数据进行剔除，得到若干所述有效数据，并对若干所述有效数据进行分类存储。
CN202310033470.7A 2023-01-10 2023-01-10 一种烘丝机工艺生产参数优化求解模型建立系统 Pending CN116127824A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310033470.7A CN116127824A (zh) 2023-01-10 2023-01-10 一种烘丝机工艺生产参数优化求解模型建立系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310033470.7A CN116127824A (zh) 2023-01-10 2023-01-10 一种烘丝机工艺生产参数优化求解模型建立系统

Publications (1)

Publication Number Publication Date
CN116127824A true CN116127824A (zh) 2023-05-16

Family

ID=86300454

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310033470.7A Pending CN116127824A (zh) 2023-01-10 2023-01-10 一种烘丝机工艺生产参数优化求解模型建立系统

Country Status (1)

Country Link
CN (1) CN116127824A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112036701A (zh) * 2020-07-30 2020-12-04 杭州安脉盛智能技术有限公司 一种面向多工序工业生产过程的工艺参数优化方法
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
CN113673679A (zh) * 2021-08-19 2021-11-19 浙江中烟工业有限责任公司 一种基于粒子群优化神经网络的烘丝工艺参数选取方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112036701A (zh) * 2020-07-30 2020-12-04 杭州安脉盛智能技术有限公司 一种面向多工序工业生产过程的工艺参数优化方法
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
CN113673679A (zh) * 2021-08-19 2021-11-19 浙江中烟工业有限责任公司 一种基于粒子群优化神经网络的烘丝工艺参数选取方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
唐振浩 等: "考虑时延特征的燃煤锅炉NOx排放深度学习建模", 《中国电机工程学报》, vol. 40, no. 20, pages 6633 - 6643 *

Similar Documents

Publication Publication Date Title
CN104914720A (zh) 具有自动学习功能的电子鼻智能烘烤控制系统及控制方法
CN112486111B (zh) 一种基于数据分析的食用油碱炼工艺智能调节方法
CN108960329B (zh) 一种包含缺失数据的化工过程故障检测方法
CN112273695A (zh) 松散回潮出口含水率预测方法、装置以及设备
CN113128764A (zh) 烘丝机出口含水率预测模型的生成及基于其的调控方法
CN105334738B (zh) 一种适用于烟草加工过程pid控制回路的性能评价方法
CN110946306A (zh) 一种基于滚筒式叶丝回潮的质量控制方法及系统
CN114021449B (zh) 一种磨煤机安全性评估的预测方法
CN115251445B (zh) 一种松散回潮机出口烟叶含水率的控制方法
CN108719516A (zh) 一种基于rbf神经网络茶机加工控制参数智能整定方法
CN109740481A (zh) 基于跳跃连接的cnn与lstm结合的房颤信号分类方法
CN101520856A (zh) 基于kkt条件和最近邻法的支持向量回归机自适应建模方法
CN116127824A (zh) 一种烘丝机工艺生产参数优化求解模型建立系统
CN116268521B (zh) 一种加料机自适应智能控制系统
CN108614536A (zh) 一种卷烟制丝工艺关键因素的复杂网络构建方法
CN112231977B (zh) 一种复烤机配方参数库的构建方法
CN116904673A (zh) 一种基于平稳特征提取的高炉异常炉况检测方法
CN113076309B (zh) 烟草生丝水分加水量预测系统及方法
CN115356995A (zh) 基于工业大数据的烟草干燥工序热能分析系统
CN107544578B (zh) 基于BFCM-iWM模糊规则自提取的水泥分解炉温度控制方法
CN108089436A (zh) 快速无超调智能控制器参数设计方法
CN112183642A (zh) 一种基于随机森林模型的水泥烧成煤耗检测方法与系统
CN110866670A (zh) 一种卷烟生产制造过程料头料尾的识别方法及系统
CN109491345A (zh) 一种基于关键工序质量控制的研究方法
CN115293021A (zh) 基于改进rf与gbdt的烘丝出口含水率预测方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20230516