CN116184806A - 烘丝干头阶段烘丝机参数自动控制方法、系统、介质及终端 - Google Patents
烘丝干头阶段烘丝机参数自动控制方法、系统、介质及终端 Download PDFInfo
- Publication number
- CN116184806A CN116184806A CN202111435851.5A CN202111435851A CN116184806A CN 116184806 A CN116184806 A CN 116184806A CN 202111435851 A CN202111435851 A CN 202111435851A CN 116184806 A CN116184806 A CN 116184806A
- Authority
- CN
- China
- Prior art keywords
- cut tobacco
- drying
- future
- parameters
- set value
- 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 293
- 235000002637 Nicotiana tabacum Nutrition 0.000 title claims abstract description 293
- 238000001035 drying Methods 0.000 title claims abstract description 260
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000004140 cleaning Methods 0.000 claims abstract description 11
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 71
- 230000004048 modification Effects 0.000 claims description 23
- 238000012986 modification Methods 0.000 claims description 23
- 230000015654 memory Effects 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 20
- 239000013598 vector Substances 0.000 claims description 20
- 238000003860 storage Methods 0.000 claims description 17
- 238000013480 data collection Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000012417 linear regression Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 235000019504 cigarettes Nutrition 0.000 abstract description 7
- 238000007599 discharging Methods 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 5
- 238000003491 array Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 3
- 238000011022 operating instruction Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B11/00—Automatic controllers
- G05B11/01—Automatic controllers electric
- G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
- G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P. I., P. I. D.
-
- 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
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Drying Of Solid Materials (AREA)
Abstract
本发明提供一种烘丝干头阶段烘丝机参数自动控制方法、系统、介质及终端,所述方法包括:获取烘丝历史数据,并进行清洗;建立未来烘丝筒出口水分序列的预测模型和未来设置值序列的预测模型,计算各烘丝参数对未来各个时刻出口水分的影响系数;在烘丝干头阶段实时获取烘丝数据后,通过未来烘丝筒出口水分序列的预测模型和未来设置值序列的预测模型预测的存在工人参与的情况下的未来烘丝筒出口水分序列和工人对各个烘丝参数的未来设置值序列,结合各烘丝参数对未来各个时刻出口水分的影响系数,计算无人工参与的情况下使干头出料水分迅速收敛到设置值所需的烘丝机参数。本发明可在干头阶段代替PID控制或人工控制,可以提高卷烟厂的烘丝效率和烟丝质量。
Description
技术领域
本发明属于卷烟制造技术领域,涉及一种控制方法及系统,特别是涉及一种烘丝干头阶段烘丝机参数自动控制方法、系统、介质及终端。
背景技术
卷烟生产包括卷包和制丝两部分,而烘丝是制丝中的一道重要工序,它通过烘丝筒将烟丝烘干到设定的湿度,直接关系到卷烟生产的成本和质量。烘丝工序每个班次的前15分钟(即干头阶段),烘丝筒会从全空到逐渐被烟丝充满再到稳定烘丝,在此过程中由于干头阶段入口烟丝水分不稳定、烘丝筒内环境变化剧烈,若使用烘丝筒的PID自动控制回路控制烘丝,需要较长时间才能使出口烟丝水分稳定达标。目前大多数卷烟厂烘丝干头阶段由挡车工人工控制烘丝筒的烘丝机参数,等出口水分快速收敛到设定值后,再交由烘丝筒自动控制系统进行控制。由于目前的模式依赖于挡车工的人工经验,干头部分的生产无法标准化、自动化,不利于烘丝的质量控制。
烘丝干头阶段烘丝机参数和出料水分的关系需要大量数据进行建模。由于烘丝过程中烟丝需要几分钟的时间在烘丝筒内逐渐烘干、烘筒体积巨大具有很大的热惯性、不同烘丝机参数起效的速度和采集位置不同,一个烘丝机参数的改动会对之后各个时间点上的出料水分产生持续而且不同的影响,干头阶段烘丝筒的运行状态在不断发生变化,烘丝机参数和出料水分之间的关系更为复杂,这给机器学习建模带来了很大的困难。同时,现有烘丝历史数据大都受到了人工操作的干扰(比如用户预计2分钟后出料水分会偏低于是将当前筒壁温度调低,那么从数据上看当前筒壁温度和2分钟后的出料水分是正相关的关系,但实际上二者是负相关关系)。用户的经验和操作习惯具有一定的稳定性,这种由于人工操作引入的烘丝机参数和出料水分的虚假的关系无法通过使用大量数据训练模型的方式消除。这就使得直接使用受到了人工操作的干扰的历史数据进行建模无法得到烘丝机参数和出料水分的正确关系。同时,由于烟丝的价格高昂从新开始收集未受人工操作干扰的干头烘丝数据也不可行。
此外,大多数烘丝机参数对未来出料水分的影响系数随着时间先逐渐变大再逐渐变小,得到烘丝机参数和出料水分的关系后,如果简单的使用解方程的方式求解使得出料水分每个时刻都等于设定值所需的烘丝机参数,那么得出的参数调整建议将会呈现发散、震荡的形态,不具有可执行性。
因此,如何提供一种烘丝干头阶段烘丝机参数自动控制方法、系统、介质及终端,以解决现有技术是直接使用受到人工操作干扰的历史数据进行建模无法得到烘丝机参数和出料水分的正确关系、使用解方程的方式无法得到可行的烘丝参数设置值等缺陷,实已成为本领域技术人员亟待解决的技术问题。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种烘丝干头阶段烘丝机参数自动控制方法、系统、介质及终端,用于解决现有技术中使用受到人工操作干扰的历史数据进行建模无法得到烘丝机参数和出料水分的正确关系、使用解方程的方式无法得到可行的烘丝参数设置值的问题。
为实现上述目的及其他相关目的,本发明一方面提供一种烘丝干头阶段烘丝机参数自动控制方法,包括:于烘丝车间的时序数据库中获取烘丝历史数据,并对所述烘丝历史数据进行清洗;建立未来烘丝筒出口水分序列的预测模型和未来设置值序列的预测模型,并计算各烘丝参数对未来各个时刻出口水分的影响系数;所述未来烘丝筒出口水分序列的预测模型用于预测存在工人参与的情况下未来烘丝筒出口水分序列;所述未来设置值序列的预测模型用于预测工人对各个烘丝参数的未来设置值序列;所述的烘丝参数对未来各个时刻出口水分的影响系数用于结合模型的预测值计算使干头出料水分迅速收敛到设置值所需的烘丝机参数;在烘丝干头阶段实时获取烘丝数据,通过所述未来烘丝筒出口水分序列的预测模型和所述未来设置值序列的预测模型分别预测的存在工人参与的情况下的未来烘丝筒出口水分序列和工人对各个烘丝参数的未来设置值序列,结合各烘丝参数对未来各个时刻出口水分的影响系数,计算无人工参与的情况下使干头出料水分迅速收敛到设置值所需的烘丝机参数,并将其下发。
于本发明的一实施例中,所述于烘丝车间的时序数据库中获取烘丝历史数据,并对所述烘丝历史数据进行清洗的步骤包括:从烘丝历史数据中查找烘丝干头;对调整响应速度快的烘丝参数的设置值和实际值仅保留一个;将烘丝筒之前的数采点的数据按照经过数采点处的烟丝进入烘丝筒时的时间进行行对齐。
于本发明的一实施例中,所述建立未来烘丝筒出口水分序列的预测模型和未来设置值序列的预测模型的步骤包括:将烘丝干头按照时间分为烘丝筒从完全空闲到被烟丝完全充满阶段、烟丝充满烘丝筒但烘丝筒内环境还未稳定阶段、及烘丝筒内环境基本稳定阶段;于每个阶段分别建立和训练预测存在工人参与的情况下烘丝筒出口水分序列的预测模型和预测工人对各个烘丝参数的设置值序列的预测模型。
于本发明的一实施例中,所述烘丝干头阶段烘丝机参数自动控制方法还包括:建立预测存在工人参与的情况下烘丝筒出口未来水分序列的模型时,将所有烘丝参数于过去一段时间内的所有数据作为未来烘丝筒出口水分序列的预测模型的输入;建立预测工人对一烘丝参数的未来设置值序列的模型时,以除此烘丝参数之外的所有烘丝参数于过去一段时间内的所有数据作为未来设置值序列的预测模型的输入。
于本发明的一实施例中,所述计算各烘丝参数对未来各个时刻出口水分的影响系数的步骤包括:以所有烘丝参数于过去一段时间内的各个时间点上数据作为输入,分别以未来各个时间点的出口水分作为输出使用线性回归算法建立和训练一组线性模型;针对一个烘丝参数和一个时间间隔,取预测的出口水分的延迟时间小于此时间间隔的所有线性模型中该烘丝参数对未来该时间间隔的出口水分的影响系数;将影响系数做均值处理,将此均值作为该烘丝参数对未来该时间间隔出口水分的影响系数。使用上面的步骤分别计算出每个烘丝参数对未来每个时刻出口水分的影响系数。
于本发明的一实施例中,所述计算无人工参与的情况下使干头出料水分迅速收敛到设置值所需的烘丝机参数的步骤包括:使用预测的工人对各个烘丝参数的未来设置值序列作为烘丝机参数设置建议值的初始值;针对每一可设置的烘丝机参数和未来每一个时间点,将位于该时间点上的烘丝机参数的数值进行修改,并计算修改后的出料水分和出料水分设定值的误差;在所有改动方式中找出可以使误差最小的改动方式和其对应的误差,若此误差小于改动前的误差则对烘丝参数设置值做对应的改动然后重复此过程,若大于改动前的误差则此时的输出此轮改动前烘丝机参数。。
于本发明的一实施例中,修改后的出料水分和出料水分设定值的误差的计算方式为:其中,A为预测的未来出口水分向量,B为出口水分的设置值向量,Cn为预测的第n个可以设置的烘丝机参数的设置值向量,/>为第n个可以设置的烘丝机参数的对出口水分的影响系数向量,En为改变后的第n个可以设置的烘丝机参数的设置值向量。
本发明另一方面提供一种烘丝干头阶段烘丝机参数自动控制系统,包括:历史数据收集模块,用于于烘丝车间的时序数据库中获取烘丝历史数据,并对所述烘丝历史数据进行清洗;模型训练模块,用于建立未来烘丝筒出口水分序列的预测模型和未来设置值序列的预测模型,并计算各烘丝参数对未来各个时刻出口水分的影响系数;所述未来烘丝筒出口水分序列的预测模型用于预测存在工人参与的情况下未来烘丝筒出口水分序列;所述未来设置值序列的预测模型用于预测工人对各个烘丝参数的未来设置值序列;所述的烘丝参数对未来各个时刻出口水分的影响系数用于结合模型的预测值计算使干头出料水分迅速收敛到设置值所需的烘丝机参数;烘丝参数计算模块,用于在烘丝干头阶段实时获取烘丝数据,通过所述未来烘丝筒出口水分序列的预测模型和所述未来设置值序列的预测模型分别预测的存在工人参与的情况下的未来烘丝筒出口水分序列和工人对各个烘丝参数的未来设置值序列,结合各烘丝参数对未来各个时刻出口水分的影响系数,计算无人工参与的情况下使干头出料水分迅速收敛到设置值所需的烘丝机参数,并通过一烘丝机控制模块将其下发。
本发明又一方面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所述烘丝干头阶段烘丝机参数自动控制方法。
本发明最后一方面提供一种终端,包括:处理器及存储器;所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述终端执行所述烘丝干头阶段烘丝机参数自动控制方法。
如上所述,本发明所述的烘丝干头阶段烘丝机参数自动控制方法、系统、介质及终端,具有以下有益效果:
本发明所述烘丝干头阶段烘丝机参数自动控制方法、系统、介质及终端通过机器学习的方法,使用受到人工操作干扰的历史数据和实时数据计算出使干头出料水分迅速收敛到设置值所需的烘丝机参数,并将其下发到烘丝机控制系统,且本申请所述控制方法可在干头阶段代替PID控制或人工控制可以提高卷烟厂的烘丝效率和烟丝质量。
附图说明
图1显示为本发明的烘丝干头阶段烘丝机参数自动控制方法于一实施例中的流程示意图。
图2显示为本发明的烘丝干头阶段烘丝机参数自动控制方法中S13的流程示意图。
图3显示为本发明的烘丝干头阶段烘丝机参数自动控制系统于一实施例中的原理结构示意图。
图4显示为本发明的终端于一实施例中的原理结构示意图。
元件标号说明
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
实施例一
本实施例提供一种烘丝干头阶段烘丝机参数自动控制方法,包括:
于烘丝车间的时序数据库中获取烘丝历史数据,并对所述烘丝历史数据进行清洗;
建立未来烘丝筒出口水分序列的预测模型和未来设置值序列的预测模型,并计算各烘丝参数对未来各个时刻出口水分的影响系数;所述未来烘丝筒出口水分序列的预测模型用于预测存在工人参与的情况下未来烘丝筒出口水分序列;所述未来设置值序列的预测模型用于预测工人对各个烘丝参数的未来设置值序列;所述的烘丝参数对未来各个时刻出口水分的影响系数用于结合模型的预测值计算使干头出料水分迅速收敛到设置值所需的烘丝机参数。
在烘丝干头阶段实时获取烘丝数据后,通过所述未来烘丝筒出口水分序列的预测模型和所述未来设置值序列的预测模型分别预测的存在工人参与的情况下的未来烘丝筒出口水分序列和工人对各个烘丝参数的未来设置值序列,结合各烘丝参数对未来各个时刻出口水分的影响系数,计算无人工参与的情况下使干头出料水分迅速收敛到设置值所需的烘丝机参数,并将其下发。
以下将结合图示对本实施例所提供的烘丝干头阶段烘丝机参数自动控制方法进行详细描述。请参阅图1,显示为烘丝干头阶段烘丝机参数自动控制方法于一实施例中的流程示意图。如图1所示,所述烘丝干头阶段烘丝机参数自动控制方法具体包括以下几个步骤:
S11,于烘丝车间的时序数据库中获取烘丝历史数据,并对所述烘丝历史数据进行清洗。
在本实施例中,所述S11包括:
从烘丝历史数据中查找烘丝干头;
对调整响应速度快的烘丝参数的设置值和实际值仅保留一个;
将烘丝筒之前的数采点的数据按照经过数采点处的烟丝进入烘丝筒时的时间进行行对齐。
S12,建立未来烘丝筒出口水分序列的预测模型和未来设置值序列的预测模型,并计算各烘丝参数对未来各个时刻出口水分的影响系数;所述未来烘丝筒出口水分序列的预测模型用于预测存在工人参与的情况下未来烘丝筒出口水分序列;所述的烘丝参数对未来各个时刻出口水分的影响系数用于结合模型的预测值计算使干头出料水分迅速收敛到设置值所需的烘丝机参数。
具体地,通过将清洗后的数据通过使用机器学习的方法建立未来烘丝筒出口水分序列的预测模型和未来设置值序列的预测模型,并计算各烘丝参数对未来各个时刻出口水分的影响系数。
更具体地,所述S12建立模型时,将烘丝干头按照时间分为烘丝筒从完全空闲到被烟丝完全充满阶段、烟丝充满烘丝筒但烘丝筒内环境还未稳定阶段、及烘丝筒内环境基本稳定阶段,于每个阶段分别建立和训练预测存在工人参与的情况下烘丝筒出口水分序列的预测模型和预测工人对各个烘丝参数的设置值序列的预测模型。
建立预测存在工人参与的情况下烘丝筒出口未来水分序列的模型时,将所有烘丝参数于过去一段时间内的所有数据作为未来烘丝筒出口水分序列的预测模型的输入;建立预测工人对某一烘丝参数的未来设置值序列的模型时,以除此烘丝参数之外的所有烘丝参数于过去一段时间内的所有数据作为未来设置值序列的预测模型的输入。
在本实施例中,所述计算各烘丝参数对未来各个时刻出口水分的影响系数的步骤包括:
以所有烘丝参数于过去一段时间内的各个时间点上数据作为输入,分别以未来各个时间点的出口水分作为输出使用线性回归算法建立和训练一组线性模型;
针对一个烘丝参数和一个时间间隔,取输出的出口水分的延迟时间小于此时间间隔的所有线性模型中该烘丝参数对未来该时间间隔的出口水分的影响系数,将影响系数做均值处理,将此均值作为各该烘丝参数对该时间间隔出口水分的影响系数。使用上面的步骤依次计算出每个烘丝参数对未来每个时刻出口水分的影响系数。
S13,在烘丝干头阶段实时获取烘丝数据后,结合所述未来烘丝筒出口水分序列的预测模型和所述未来设置值序列的预测模型分别预测的存在工人参与的情况下的未来烘丝筒出口水分序列和工人对各个烘丝参数的未来设置值序列,计算无人工参与的情况下使干头出料水分迅速收敛到设置值所需的烘丝机参数,并将其下发。
请参阅图2,显示为S13的流程示意图。如图2所示,所述S13包括以下步骤:
S131,使用预测的工人对各个烘丝参数的未来设置值序列作为烘丝机参数设置建议值的初始值;
S132,针对每一可设置的烘丝机参数和未来每一个时间点,将位于该时间点上的烘丝机参数的数值进行修改,并计算修改后的出料水分和出料水分设定值的误差。
在本实施例中,修改后的出料水分和出料水分设定值的误差的计算方式为:
其中,A为预测的未来出口水分向量,B为出口水分的设置值向量,Cn为预测的第n个可以设置的烘丝机参数的设置值向量,为第n个可以设置的烘丝机参数的对出口水分的影响系数向量,En为改变后的第n个可以设置的烘丝机参数的设置值向量。
S133,在所有改动方式中找出可以使误差最小的改动方式和其对应的误差,判断该误差的最小值是否会小于改动前的误差;若是,则执行S14;若否,则执行S15。
S134,若该最小误差小于改动前的误差,则将按照误差最小方式修改烘丝机参数设置建议值,重复S132直到任何改动都无法使误差减少为止。
S135,若该误差的最小值大于改动前的误差,则输出当前的烘丝机参数。
本申请所述烘丝干头阶段烘丝机参数自动控制方法通过机器学习的方法,使用受到人工操作干扰的历史数据和实时数据计算出使干头出料水分迅速收敛到设置值所需的烘丝机参数,并将其下发到烘丝机控制系统,且本申请所述控制方法代替PID控制或人工控制可以提高卷烟厂的烘丝效率和烟丝质量。
本实施例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烘丝干头阶段烘丝机参数自动控制方法。
在任何可能的技术细节结合层面,本申请可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本申请的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是(但不限于)电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。用于执行本申请操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、集成电路配置数据或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本申请的各个方面。
实施例二
本实施例提供一种烘丝干头阶段烘丝机参数自动控制系统,包括:
历史数据收集模块,用于于烘丝车间的时序数据库中获取烘丝历史数据,并对所述烘丝历史数据进行清洗;
模型训练模块,用于建立未来烘丝筒出口水分序列的预测模型和未来设置值序列的预测模型,并计算各烘丝参数对未来各个时刻出口水分的影响系数;所述未来烘丝筒出口水分序列的预测模型用于预测存在工人参与的情况下未来烘丝筒出口水分序列;所述未来设置值序列的预测模型用于预测工人对各个烘丝参数的未来设置值序列;所述的烘丝参数对未来各个时刻出口水分的影响系数用于结合模型的预测值计算使干头出料水分迅速收敛到设置值所需的烘丝机参数。
烘丝参数计算模块,用于在烘丝干头阶段实时获取烘丝数据后,通过所述未来烘丝筒出口水分序列的预测模型和所述未来设置值序列的预测模型分别预测的存在工人参与的情况下的未来烘丝筒出口水分序列和工人对各个烘丝参数的未来设置值序列,结合各烘丝参数对未来各个时刻出口水分的影响系数,计算无人工参与的情况下使干头出料水分迅速收敛到设置值所需的烘丝机参数,并通过一烘丝机控制模块将其下发。
以下将结合图示对本实施例所提供的烘丝干头阶段烘丝机参数自动控制系统进行详细描述。请参阅图3,显示为烘丝干头阶段烘丝机参数自动控制系统于一实施例中的原理结构示意图。如图3所示,所述烘丝干头阶段烘丝机参数自动控制系统3包括:历史数据收集模块31、模型训练模块32、实时数据收集模块33、预测模块34、烘丝参数计算模块35及烘丝机控制模块36。
所述历史数据收集模块31用于于烘丝车间的时序数据库中获取烘丝历史数据,并对所述烘丝历史数据进行清洗。
具体地,所述历史数据收集模块31从烘丝历史数据中查找烘丝干头;对调整响应速度快的烘丝参数的设置值和实际值仅保留一个;将烘丝筒之前的数采点的数据按照经过数采点处的烟丝进入烘丝筒时的时间进行行对齐。
所述模型训练模块32用于建立未来烘丝筒出口水分序列的预测模型和未来设置值序列的预测模型,并计算各烘丝参数对未来各个时刻出口水分的影响系数;所述未来烘丝筒出口水分序列的预测模型用于预测存在工人参与的情况下未来烘丝筒出口水分序列;所述未来设置值序列的预测模型用于预测工人对各个烘丝参数的未来设置值序列。所述的烘丝参数对未来各个时刻出口水分的影响系数用于结合模型的预测值计算使干头出料水分迅速收敛到设置值所需的烘丝机参数
具体地,所述模型训练模块32通过将清洗后的数据通过使用机器学习的方法建立未来烘丝筒出口水分序列的预测模型和未来设置值序列的预测模型,并计算各烘丝参数对未来各个时刻出口水分的影响系数。
更具体地,所述模型训练模块32将烘丝干头按照时间分为烘丝筒从完全空闲到被烟丝完全充满阶段、烟丝充满烘丝筒但烘丝筒内环境还未稳定阶段、及烘丝筒内环境基本稳定阶段;于每个阶段分别建立和训练预测存在工人参与的情况下烘丝筒出口水分序列的预测模型和预测工人对各个烘丝参数的设置值序列的预测模型。建立预测存在工人参与的情况下烘丝筒出口未来水分序列的模型时,将所有烘丝参数于过去一段时间内的所有数据作为未来烘丝筒出口水分序列的预测模型的输入;建立预测工人对某一烘丝参数的未来设置值序列的模型时,以除此烘丝参数之外的所有烘丝参数于过去一段时间内的所有数据作为未来设置值序列的预测模型的输入。
在本实施例中,所述模型训练模块32中计算各烘丝参数对未来各个时刻出口水分的影响系数的过程包括:
以所有烘丝参数于过去一段时间内的各个时间点上数据作为输入,分别以未来各个时间点的出口水分作为输出使用线性回归算法建立和训练一组线性模型;
针对一个烘丝参数和一个时间间隔,取预测的出口水分的延迟时间小于此时间间隔的所有线性模型中该烘丝参数对未来该时间间隔的出口水分的影响系数;将影响系数做均值处理,将此均值作为该烘丝参数对未来该时间间隔出口水分的影响系数。使用上面的步骤分别计算出每个烘丝参数对未来每个时刻出口水分的影响系数。所述实时数据收集模块33用于从烘丝机的PCL中获取烘丝实时数据。
所述预测模块34使用烘丝实时数据通过预测模型预测存在工人参与的情况下烘丝筒出口未来水分序列;。
所述烘丝参数计算模块35用于在烘丝干头阶段实时获取烘丝数据,结合所述未来烘丝筒出口水分序列的预测模型和所述未来设置值序列的预测模型分别预测的存在工人参与的情况下的未来烘丝筒出口水分序列和工人对各个烘丝参数的未来设置值序列,计算无人工参与的情况下使干头出料水分迅速收敛到设置值所需的烘丝机参数,并将其下发。
具体地,所述烘丝参数计算模块35使用预测的工人对各个烘丝参数的未来设置值序列作为烘丝机参数设置建议值的初始值;针对每一可设置的烘丝机参数和未来每一个时间点,将位于该时间点上的烘丝机参数的数值进行修改,并计算修改后的出料水分和出料水分设定值的误差;在所有改动方式中找出可以使误差最小的改动方式和其对应的误差,若此误差小于改动前的误差则对烘丝参数设置值做对应的改动然后重复此过程,若大于改动前的误差则此时的输出此轮改动前烘丝机参数。。
在本实施例中,修改后的出料水分和出料水分设定值的误差的计算方式为:
其中,A为预测的未来出口水分向量,B为出口水分的设置值向量,Cn为预测的第n个可以设置的烘丝机参数的设置值向量,为第n个可以设置的烘丝机参数的对出口水分的影响系数向量,En为改变后的第n个可以设置的烘丝机参数的设置值向量。
所述烘丝机控制模块36用于将计算出的烘丝机参数下发到烘丝机,以进行参数调整。
本实施例中所述系统还包括用户交互模块,该模块用于将烘丝相关的历史数据、预测的出料水分和调整建议进行可视化展示。
需要说明的是,应理解以上系统的各个模块的划分仅仅是一种逻辑功能的划分,实际实现时可以全部或部分集成到一个物理实体上,也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现,也可以全部以硬件的形式实现,还可以部分模块通过处理元件调用软件的形式实现,部分模块通过硬件的形式实现。例如:x模块可以为单独设立的处理元件,也可以集成在上述系统的某一个芯片中实现。此外,x模块也可以以程序代码的形式存储于上述系统的存储器中,由上述系统的某一个处理元件调用并执行以上x模块的功能。其它模块的实现与之类似。这些模块全部或部分可以集成在一起,也可以独立实现。这里所述的处理元件可以是一种集成电路,具有信号的处理能力。在实现过程中,上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。以上这些模块可以是被配置成实施以上方法的一个或多个集成电路,例如:一个或多个特定集成电路(Application Specific Integrated Circuit,简称ASIC),一个或多个微处理器(Digital Singnal Processor,简称DSP),一个或者多个现场可编程门阵列(Field Programmable Gate Array,简称FPGA)等。当以上某个模块通过处理元件调度程序代码的形式实现时,该处理元件可以是通用处理器,如中央处理器(CentralProcessing Unit,简称CPU)或其它可以调用程序代码的处理器。这些模块可以集成在一起,以片上系统(System-on-a-chip,简称SOC)的形式实现。
实施例三
本实施例提供一种终端。请参阅图4,显示为终端于一实施例中原理结构示意图。如图4所示,所述终端400包括:存储器401、处理器402、及通信器403;所述存储器401用于存储计算机指令;所述处理器402运行计算机指令实现如图1所述的方法;所述通信器403用于与一或多个手柄通信连接。
在一些实施例中,所述终端400中的所述存储器401的数量均可以是一或多个,所述处理器402的数量均可以是一或多个,所述通信器403的数量均可以是一或多个,而图4中均以一个为例。
于本申请一实施例中,所述终端400中的处理器402会按照如图2所述的步骤,将一个或多个以应用程序的进程对应的指令加载到存储器401中,并由处理器402来运行存储在存储器401中的应用程序,从而实现如图1所述烘丝干头阶段烘丝机参数自动控制方法。
所述存储器401可以包括随机存取存储器(Random Access Memory,简称RAM),也可以包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。所述存储器401存储有操作系统和操作指令、可执行模块或者数据结构,或者它们的子集,或者它们的扩展集,其中,操作指令可包括各种操作指令,用于实现各种操作。操作系统可包括各种系统程序,用于实现各种基础业务以及处理基于硬件的任务。
所述处理器402可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
所述通信器403用于实现数据库访问装置与其他设备(例如客户端、读写库和只读库)之间的通信连接。所述通信器403可包含一组或多组不同通信方式的模块,例如,与CAN总线通信连接的CAN通信模块。所述通信连接可以是一个或多个有线/无线通讯方式及其组合。通信方式包括:互联网、CAN、内联网、广域网(WAN)、局域网(LAN)、无线网络、数字用户线(DSL)网络、帧中继网络、异步传输模式(ATM)网络、虚拟专用网络(VPN)和/或任何其它合适的通信网络中的任何一个或多个。例如:WIFI、蓝牙、NFC、GPRS、GSM、及以太网中任意一种及多种组合。
本发明所述烘丝干头阶段烘丝机参数自动控制方法的保护范围不限于本实施例列举的步骤执行顺序,凡是根据本发明的原理所做的现有技术的步骤增减、步骤替换所实现的方案都包括在本发明的保护范围内。
本发明还提供一种烘丝干头阶段烘丝机参数自动控制系统,所述烘丝干头阶段烘丝机参数自动控制系统可以实现本发明所述的烘丝干头阶段烘丝机参数自动控制方法,但本发明所述烘丝干头阶段烘丝机参数自动控制方法的实现装置包括但不限于本实施例列举的烘丝干头阶段烘丝机参数自动控制系统的结构,凡是根据本发明的原理所做的现有技术的结构变形和替换,都包括在本发明的保护范围内。
综上所述,本发明所述烘丝干头阶段烘丝机参数自动控制方法、系统、介质及终端通过机器学习的方法,使用受到人工操作干扰的历史数据和实时数据计算出使干头出料水分迅速收敛到设置值所需的烘丝机参数,并将其下发到烘丝机控制系统,且本申请所述控制方法代替PID控制或人工控制可以提高卷烟厂的烘丝效率和烟丝质量。本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (10)
1.一种烘丝干头阶段烘丝机参数自动控制方法,其特征在于,包括:
于烘丝车间的时序数据库中获取烘丝历史数据,并对所述烘丝历史数据进行清洗;
建立未来烘丝筒出口水分序列的预测模型和未来设置值序列的预测模型,并计算各烘丝参数对未来各个时刻出口水分的影响系数。所述未来烘丝筒出口水分序列的预测模型用于预测存在工人参与的情况下未来烘丝筒出口水分序列;所述未来设置值序列的预测模型用于预测工人对各个烘丝参数的未来设置值序列;所述的烘丝参数对未来各个时刻出口水分的影响系数用于结合模型的预测值计算使干头出料水分迅速收敛到设置值所需的烘丝机参数;
在烘丝干头阶段实时获取烘丝数据后,通过所述未来烘丝筒出口水分序列的预测模型和所述未来设置值序列的预测模型分别预测的存在工人参与的情况下的未来烘丝筒出口水分序列和工人对各个烘丝参数的未来设置值序列,结合各烘丝参数对未来各个时刻出口水分的影响系数,计算无人工参与的情况下使干头出料水分迅速收敛到设置值所需的烘丝机参数,并将其下发。
2.根据权利要求1所述的烘丝干头阶段烘丝机参数自动控制方法,其特征在于,所述于烘丝车间的时序数据库中获取烘丝历史数据,并对所述烘丝历史数据进行清洗的步骤包括:
从烘丝历史数据中查找烘丝干头;
对调整响应速度快的烘丝参数的设置值和实际值仅保留一个;
将烘丝筒之前的数采点的数据按照经过数采点处的烟丝进入烘丝筒的时间进行对齐。
3.根据权利要求2所述的烘丝干头阶段烘丝机参数自动控制方法,其特征在于,所述建立未来烘丝筒出口水分序列的预测模型和未来设置值序列的预测模型的步骤包括:
将烘丝干头按照时间分为烘丝筒从完全空闲到被烟丝完全充满阶段、烟丝充满烘丝筒但烘丝筒内环境还未稳定阶段、及烘丝筒内环境基本稳定阶段;
于每个阶段分别建立和训练预测存在工人参与的情况下烘丝筒出口水分序列的预测模型和预测工人对各个烘丝参数的设置值序列的预测模型。
4.根据权利要求2所述的烘丝干头阶段烘丝机参数自动控制方法,其特征在于,所述烘丝干头阶段烘丝机参数自动控制方法还包括:
建立预测存在工人参与的情况下烘丝筒出口未来水分序列的模型时,将所有烘丝参数于过去一段时间内的所有数据作为模型的输入;
建立预测工人对某一烘丝参数的未来设置值序列的模型时,以除此烘丝参数之外的所有烘丝参数于过去一段时间内的所有数据作为模型的输入。
5.根据权利要求2所述的烘丝干头阶段烘丝机参数自动控制方法,其特征在于,所述计算各烘丝参数对未来各个时刻出口水分的影响系数的步骤包括:
以所有烘丝参数于过去一段时间内的各个时间点上数据作为输入,分别以未来各个时间点的出口水分作为输出使用线性回归算法建立和训练一组线性模型;
针对一个烘丝参数和一个时间间隔,取预测的出口水分的延迟时间小于此时间间隔的所有线性模型中该烘丝参数对未来该时间间隔的出口水分的影响系数;将影响系数做均值处理,将此均值作为该烘丝参数对未来该时间间隔出口水分的影响系数。使用上面的步骤分别计算出每个烘丝参数对未来每个时刻出口水分的影响系数。
6.根据权利要求2所述的烘丝干头阶段烘丝机参数自动控制方法,其特征在于,所述计算无人工参与的情况下使干头出料水分迅速收敛到设置值所需的烘丝机参数的步骤包括:
使用预测的工人对各个烘丝参数的未来设置值序列作为烘丝机参数设置建议值的初始值;
针对每一可设置的烘丝机参数和未来每一个时间点,将位于该时间点上的烘丝机参数的数值进行修改,并计算修改后的出料水分和出料水分设定值的误差;
在所有改动方式中找出可以使误差最小的改动方式和其对应的误差,若此误差小于改动前的误差则对烘丝参数设置值做对应的改动然后重复此过程,若大于改动前的误差则此时的输出此轮改动前烘丝机参数。
8.一种烘丝干头阶段烘丝机参数自动控制系统,其特征在于,包括:
历史数据收集模块,用于于烘丝车间的时序数据库中获取烘丝历史数据,并对所述烘丝历史数据进行清洗;
模型训练模块,用于建立未来烘丝筒出口水分序列的预测模型和未来设置值序列的预测模型,并计算各烘丝参数对未来各个时刻出口水分的影响系数;所述未来烘丝筒出口水分序列的预测模型用于预测存在工人参与的情况下未来烘丝筒出口水分序列;所述未来设置值序列的预测模型用于预测工人对各个烘丝参数的未来设置值序列;所述的烘丝参数对未来各个时刻出口水分的影响系数用于结合模型的预测值计算使干头出料水分迅速收敛到设置值所需的烘丝机参数;
烘丝参数计算模块,用于在烘丝干头阶段实时获取烘丝数据后通过所述未来烘丝筒出口水分序列的预测模型和所述未来设置值序列的预测模型分别预测的存在工人参与的情况下的未来烘丝筒出口水分序列和工人对各个烘丝参数的未来设置值序列,结合各烘丝参数对未来各个时刻出口水分的影响系数,计算无人工参与的情况下使干头出料水分迅速收敛到设置值所需的烘丝机参数,并通过一烘丝机控制模块将其下发。
9.一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,该程序被处理器执行时实现权利要求1至7中任一项所述烘丝干头阶段烘丝机参数自动控制方法。
10.一种终端,其特征在于,包括:处理器及存储器;
所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述终端执行如权利要求1至7中任一项所述烘丝干头阶段烘丝机参数自动控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111435851.5A CN116184806A (zh) | 2021-11-29 | 2021-11-29 | 烘丝干头阶段烘丝机参数自动控制方法、系统、介质及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111435851.5A CN116184806A (zh) | 2021-11-29 | 2021-11-29 | 烘丝干头阶段烘丝机参数自动控制方法、系统、介质及终端 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116184806A true CN116184806A (zh) | 2023-05-30 |
Family
ID=86438886
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111435851.5A Pending CN116184806A (zh) | 2021-11-29 | 2021-11-29 | 烘丝干头阶段烘丝机参数自动控制方法、系统、介质及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116184806A (zh) |
-
2021
- 2021-11-29 CN CN202111435851.5A patent/CN116184806A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109674080B (zh) | 烟叶回潮加水量预测方法、存储介质及终端设备 | |
Dalibard et al. | BOAT: Building auto-tuners with structured Bayesian optimization | |
CN104345726B (zh) | 过程控制系统中的非侵入式数据分析 | |
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 | |
Delgado et al. | Efficient solutions to factored MDPs with imprecise transition probabilities | |
CN106796533B (zh) | 自适应地选择执行模式的系统和方法 | |
CN106249703B (zh) | 用于控制和/或分析工业的过程的系统和方法 | |
Billet et al. | From task graphs to concrete actions: a new task mapping algorithm for the future internet of things | |
EP3193218A2 (en) | Optimization-based control with open modeling architecture systems and methods | |
CN109685255A (zh) | 一种预测用户流失的方法和装置 | |
CN110032706A (zh) | 一种低阶时滞系统的两阶段参数估计方法及系统 | |
CN115034519A (zh) | 一种用电负荷的预测方法、装置、电子设备以及存储介质 | |
CN115186555A (zh) | 基于数字孪生的干燥设备实况仿真方法及相关设备 | |
CN109063818A (zh) | 一种热工过程模型在线辨识方法及装置 | |
US8356000B1 (en) | Method and apparatus for designing structures | |
CN116184806A (zh) | 烘丝干头阶段烘丝机参数自动控制方法、系统、介质及终端 | |
CN111898766B (zh) | 基于自动机器学习的以太坊燃料限制预测方法及装置 | |
Barriga et al. | Advanced data modeling for industrial drying machine energy optimization | |
Doan et al. | Tuning logstash garbage collection for high throughput in a monitoring platform | |
CN113991752B (zh) | 一种电网准实时智能控制方法及系统 | |
CN108463813A (zh) | 一种进行数据处理的方法和装置 | |
US20230221687A1 (en) | A system and method for evaluation of sand compactibility | |
CN112633516B (zh) | 性能预测和机器学习编译优化方法及装置 | |
CN114461626A (zh) | 一种电网终端设备的监控方法和系统 | |
Hirayama et al. | Sparse regression model-based relearning architecture for shortening learning time in traffic prediction |
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 |