CN116258080A - 一种薄板烘丝机出口含水率预测方法及装置 - Google Patents
一种薄板烘丝机出口含水率预测方法及装置 Download PDFInfo
- Publication number
- CN116258080A CN116258080A CN202310281904.5A CN202310281904A CN116258080A CN 116258080 A CN116258080 A CN 116258080A CN 202310281904 A CN202310281904 A CN 202310281904A CN 116258080 A CN116258080 A CN 116258080A
- Authority
- CN
- China
- Prior art keywords
- data
- water content
- model
- outlet water
- cut
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 174
- 238000000034 method Methods 0.000 title claims abstract description 56
- 239000000463 material Substances 0.000 claims abstract description 59
- 238000004519 manufacturing process Methods 0.000 claims abstract description 47
- 230000011218 segmentation Effects 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims description 28
- 230000002159 abnormal effect Effects 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 16
- 238000009826 distribution Methods 0.000 claims description 13
- 230000000694 effects Effects 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 238000013136 deep learning model Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 230000001502 supplementing effect Effects 0.000 claims description 6
- 241000208125 Nicotiana Species 0.000 description 53
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 53
- 239000003570 air Substances 0.000 description 14
- 238000005311 autocorrelation function Methods 0.000 description 11
- 230000008859 change Effects 0.000 description 6
- 238000001035 drying Methods 0.000 description 6
- 230000003044 adaptive effect Effects 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 238000012546 transfer Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 239000012080 ambient air Substances 0.000 description 1
- 235000019504 cigarettes Nutrition 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 239000000498 cooling water Substances 0.000 description 1
- 230000018044 dehydration Effects 0.000 description 1
- 238000006297 dehydration reaction Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000003205 fragrance Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013433 optimization analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06F30/27—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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Geometry (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Hardware Design (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Manufacture Of Tobacco Products (AREA)
Abstract
本发明提供一种薄板烘丝机出口含水率预测方法及装置,方法包括:从数据库中获取烘丝机的出口含水率实时数据;根据自适应分段模型判断所述烘丝机当前的生产状态;根据当前的生产状态建立大时滞模型,进行数据对齐得到加工后的出口含水率数据,使所述出口含水率实时数据能够完整表示物料加工时的设备参数;基于预测模型,使用所述加工后的数据预测所述烘丝机预设时间后的出口含水率。本发明提供的一种薄板烘丝机出口含水率预测方法及装置,基于预测模型,根据所述当前的生产状态建立大时滞模型,进行数据对齐得到加工后的出口含水率数据,使用加工后的出口含水率数据预测所述烘丝机预设时间后的出口含水率,从而能够准确预测烘丝机的出口含水率。
Description
技术领域
本发明实施例涉及烘丝机技术领域,特别是涉及一种薄板烘丝机出口含水率预测方法及装置。
背景技术
烘丝机是卷烟厂制丝生产线上的重要设备,其主要作用是对烟丝进行烘干处理。经过烘丝机处理过的烟丝一方面将多余的水分除去,将上游工艺生产的较高含水率的烟丝处理至下一道工序所需水分,另一方面,烟丝在快速受热干燥后会发生膨胀变形,增加烟丝的弹性,提高烟丝的填充值。经过烘烤能使烟丝中的青杂气味挥发排出被热空气带走,使得烟丝中香气显露,口感醇和,同时在烘丝过程中,烟丝在滚筒抄板的作用下均匀混合,使同批次烟丝保持相同的成分和含水率,提升烟丝的品质。
烟丝干燥处理是烘丝机对烟丝进行干燥的过程,使烟丝中的水分蒸发到周围空气中,然后被热风带走,随排潮管道输送到除尘机房,经过除尘设备处理后排走。烘丝机处理烟丝的过程是一个持续不断的过程,上游烟丝不断通过皮带输送至烘丝机,烘丝机滚筒旋转,筒内抄板将烟丝不断扬起然后洒下,使烟丝与热风均匀混合。筒壁加热烟丝使水分蒸发,热风吸收蒸发出的水分并带走,通过筒壁与热风的综合作用,使烟丝含水率降低。出口烟丝含水率的大小受到诸多因素的影响,要保证烘丝的效果,需要保证出口烟丝含水率的稳定。
因此,需要提供一种薄板烘丝机出口含水率预测方法及装置,以有效解决上述问题。
发明内容
本发明提供一种薄板烘丝机出口含水率预测方法及装置,基于预测模型,根据所述当前的生产状态建立大时滞模型,进行数据对齐得到加工后的出口含水率数据,使用加工后的出口含水率数据预测所述烘丝机预设时间后的出口含水率,从而能够准确预测烘丝机的出口含水率。
本发明实施例提供一种薄板烘丝机出口含水率预测方法,所述方法包括:
从数据库中获取烘丝机的出口含水率实时数据;
根据自适应分段模型判断所述烘丝机当前的生产状态;
根据所述当前的生产状态建立大时滞模型,进行数据对齐得到加工后的出口含水率数据,使所述出口含水率实时数据能够完整表示物料加工时的设备参数;
基于预测模型,使用所述加工后的出口含水率数据预测所述烘丝机预设时间后的出口含水率。
优选地,所述预测模型包括:
针对每个测试点通过LGBM算法构建回归模型;
选取对训练数据具有分类能力的特征;
将预测变量空间(X1,X2,X3,…,Xp)的可能取值构成的集合分割成J个互不重叠的区域{R1,R2,R3,…,RJ},落入区域RJ的每个观测值作同样的预测,预测值等于RJ上训练集的各个样本取值的算术平均数;
针对当前工艺参数的预测模型结果和可调整的参数空间,使用贝叶斯优化,先根据当前设备的点位值进行结果预测反馈,然后再根据贝叶斯概率信息增益进行从参数组合的备选集中挑选出下一组参数组合。
优选地,所述获取烘丝机的出口含水率实时数据包括:
当所述出口含水率实时数据存在异常值时,对所述出口含水率实时数据进行异常值标记,通过插值法或滑动平均对所述异常值进行替换;
当所述出口含水率实时数据存在缺失值时,通过插值法或滑动平均对所述缺失值进行补全。
优选地,所述根据所述当前的生产状态建立大时滞模型包括:
当所述自适应分段模型为预热阶段时滞模型时,所述烘丝机当前的生产状态为预热阶段,使用预热阶段模型进行数据对齐得到加工后的出口含水率数据;
当所述自适应分段模型为料头料尾阶段时滞模型时,使用料头料尾阶段模型进行数据对齐后得到加工后的出口含水率数据;
当所述自适应分段模型为稳态阶段时滞模型时,使用稳态阶段模型进行数据对齐后得到加工后的出口含水率数据。
优选地,所述基于预测模型,使用所述加工后的数据预测所述烘丝机预设时间后的出口含水率包括:
当所述预测模型是深度学习模型时,通过滑动窗口对数据进行划分,构建训练集,对数据进行归一化,将数据缩放到同一数值范围内,评估缩放的效果和对数据分布的影响;
当所述预测模型是机器学习模型时,根据数据相关性进行特征筛选,选取相关性强的数据投入模型中进行训练,依据数据的业务含义对数据进行求和、求差构建衍生特征;
当所述预测模型是时间序列模型时,对数据进行平稳性校验和白噪声校验,针对数据分布通过ACF和PACF确定参数值p、q,进行模型识别确认参数选取有效。
本发明实施例还提供一种薄板烘丝机出口含水率预测装置,所述装置包括:
出口含水率实时数据获取模块,其用于从数据库中获取烘丝机的出口含水率实时数据;
当前生产状态判断模块,其用于根据自适应分段模型判断所述烘丝机当前的生产状态;
大时滞模型建立模块,其用于根据所述当前的生产状态建立大时滞模型,进行数据对齐得到加工后的出口含水率数据,使所述出口含水率实时数据能够完整表示物料加工时的设备参数;
出口含水率预测模块,其用于基于预测模型,使用所述加工后的出口含水率数据预测所述烘丝机预设时间后的出口含水率。
优选地,所述预测模型包括:
针对每个测试点通过LGBM算法构建回归模型;
选取对训练数据具有分类能力的特征;
将预测变量空间(X1,X2,X3,…,Xp)的可能取值构成的集合分割成J个互不重叠的区域{R1,R2,R3,…,RJ},落入区域RJ的每个观测值作同样的预测,预测值等于RJ上训练集的各个样本取值的算术平均数;
针对当前工艺参数的预测模型结果和可调整的参数空间,使用贝叶斯优化,先根据当前设备的点位值进行结果预测反馈,然后再根据贝叶斯概率信息增益进行从参数组合的备选集中挑选出下一组参数组合。
优选地,所述获取烘丝机的出口含水率实时数据包括:
当所述出口含水率实时数据存在异常值时,对所述出口含水率实时数据进行异常值标记,通过插值法或滑动平均对所述异常值进行替换;
当所述出口含水率实时数据存在缺失值时,通过插值法或滑动平均对所述缺失值进行补全。
优选地,所述根据所述当前的生产状态建立大时滞模型包括:
当所述自适应分段模型为预热阶段时滞模型时,所述烘丝机当前的生产状态为预热阶段,使用预热阶段模型进行数据对齐得到加工后的出口含水率数据;
当所述自适应分段模型为料头料尾阶段时滞模型时,使用料头料尾阶段模型进行数据对齐后得到加工后的出口含水率数据;
当所述自适应分段模型为稳态阶段时滞模型时,使用稳态阶段模型进行数据对齐后得到加工后的出口含水率数据。
优选地,所述基于预测模型,使用所述加工后的数据预测所述烘丝机预设时间后的出口含水率包括:
当所述预测模型是深度学习模型时,通过滑动窗口对数据进行划分,构建训练集,对数据进行归一化,将数据缩放到同一数值范围内,评估缩放的效果和对数据分布的影响;
当所述预测模型是机器学习模型时,根据数据相关性进行特征筛选,选取相关性强的数据投入模型中进行训练,依据数据的业务含义对数据进行求和、求差构建衍生特征;
当所述预测模型是时间序列模型时,对数据进行平稳性校验和白噪声校验,针对数据分布通过ACF和PACF确定参数值p、q,进行模型识别确认参数选取有效。与现有技术相比,本发明实施例的技术方案具有以下有益效果:
本发明实施例的一种薄板烘丝机出口含水率预测方法及装置,基于预测模型,根据所述当前的生产状态建立大时滞模型,进行数据对齐得到加工后的出口含水率数据,使用加工后的出口含水率数据预测所述烘丝机预设时间后的出口含水率,从而能够准确预测烘丝机的出口含水率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,而不是全部实施例。对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的一个实施例提供的一种薄板烘丝机出口含水率预测方法的流程示意图;
图2为本发明的一个实施例提供的一种薄板烘丝机出口含水率预测装置的模块示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。
下面以具体的实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
基于现有技术存在的问题,本发明实施例提供一种薄板烘丝机出口含水率预测方法及装置,基于预测模型,根据所述当前的生产状态建立大时滞模型,进行数据对齐得到加工后的出口含水率数据,使用加工后的出口含水率数据预测所述烘丝机预设时间后的出口含水率,从而能够准确预测烘丝机的出口含水率。
图1为本发明的一个实施例提供的一种薄板烘丝机出口含水率预测方法的流程示意图。现在参看图1,本发明实施例提供一种薄板烘丝机出口含水率预测方法,所述方法包括:
步骤S101:从数据库中获取烘丝机的出口含水率实时数据;
步骤S102:根据自适应分段模型判断所述烘丝机当前的生产状态;
步骤S103:根据所述当前的生产状态建立大时滞模型,进行数据对齐得到加工后的出口含水率数据,使所述出口含水率实时数据能够完整表示物料加工时的设备参数;
步骤S104:基于预测模型,使用所述加工后的出口含水率数据预测所述烘丝机预设时间后的出口含水率。
具体地,在步骤S101中,出口含水率实时数据包括:当前烟丝的含水率,即实时监测得到的烟丝含水量的百分比;目标烟丝的含水率,即制定的烟丝含水率目标值;预测出口烟丝的含水率,即基于历史数据和当前数据进行预测计算得到的烟丝含水率;烟丝的流量,即每单位时间内通过烘丝机的烟丝量;烟丝的温度,即当前烟丝的温度;烘丝机的运行状态,包括烘丝机的启动、停止、暂停等状态。
在步骤S102中,自适应分段模型分析时间序列数据,并将其分成多个时间段,并对每个时间段内的数据进行建模和预测。因此,可以利用自适应分段模型来分析烘丝机的生产状态。首先需要收集数据和对收集到的数据进行预处理。收集数据包括收集与烘丝机生产状态相关的数据,例如温度、湿度、烘丝时间、烟叶种类等。对收集到的数据进行预处理包括将数据进行清理、去除异常值和缺失值等预处理操作,从而确保数据的质量。之后应用自适应分段模型:将预处理后的数据输入到自适应分段模型中,使用自适应分段模型将数据分成多个时间段,并对每个时间段内的数据进行建模和预测。最后分析模型输出并优化模型。分析模型输出包括对烘丝机的生产状态进行分析,例如如果模型输出某个时间段的烘丝温度过高,可能表明烘丝机出现了故障或需要进行维护。优化模型包括根据模型输出和实际情况进行比对,对模型进行调整和优化,以提高其准确性和可靠性。在步骤S103中,根据所述当前的生产状态建立大时滞模型包括根据当前的生产状态建立大时滞模型,该模型可以用于预测物料加工后的出口含水率,大时滞模型包括多个阶段,每个阶段都对应着不同的设备参数和生产状态。进行数据对齐得到加工后的出口含水率数据包括将预处理后的数据按照时间戳对齐,将设备参数、生产状态和出口含水率等数据对应起来。设备参数包括:进料速度/流量、热风温度/湿度、进风速度、转鼓速度/角度、加料量、燃料用量、冷却水流量/温度、各种传感器数据。
出口含水率实时数据可以通过收集和记录物料加工过程中的设备参数,通过与生产状态、加工过程和物料质量等因素,获得物料加工后的出口含水率数据。因此,通过对这些设备参数进行实时监控和记录,并根据物理和化学规律进行计算和推算,可以获得完整表示物料加工时的设备参数的出口含水率实时数据。这些数据可以用于监控和分析生产过程中的设备状态、物料质量以及生产效率等重要指标。
在具体实施中,所述预测模型包括:
针对每个测试点通过LGBM算法构建回归模型;
选取对训练数据具有分类能力的特征;
将预测变量空间(X1,X2,X3,…,Xp)的可能取值构成的集合分割成J个互不重叠的区域{R1,R2,R3,…,RJ},落入区域RJ的每个观测值作同样的预测,预测值等于RJ上训练集的各个样本取值的算术平均数;
针对当前工艺参数的预测模型结果和可调整的参数空间,使用贝叶斯优化,先根据当前设备的点位值进行结果预测反馈,然后再根据贝叶斯概率信息增益进行从参数组合的备选集中挑选出下一组参数组合。
具体地,在薄板烘丝机的出口含水率预测中,使用LGBM算法进行参数组合优化和数据分析处理可以提高预测模型的准确性和可靠性。具体步骤如下包括数据预处理:首先需要对收集到的数据进行预处理,包括数据清洗、去除异常值、缺失值处理等,以确保数据的准确性和完整性;数据特征提取:根据薄板烘丝机的特点和出口含水率预测的需要,选择合适的特征进行提取,例如进料速度、出料速度、热风温度、湿度等;参数组合优化,在LGBM算法中,需要确定一组合适的参数组合,包括学习率、叶子节点数等,可以使用网格搜索等方法对这些参数进行组合优化,以找到最优的参数组合;模型训练和验证:将预处理后的数据集按照一定比例划分为训练集和测试集,使用训练集进行模型训练,并在测试集上进行验证和评估,以确定模型的准确性和可靠性;模型应用和数据分析处理:将训练好的模型应用于实时的出口含水率预测中,对模型输出的数据进行分析处理,根据模型预测的结果,确定薄板烘丝机的状态和设备参数等信息,并及时采取措施,优化生产过程。
在具体实施中,所述获取烘丝机的出口含水率实时数据包括:
当所述出口含水率实时数据存在异常值时,对所述出口含水率实时数据进行异常值标记,通过插值法或滑动平均对所述异常值进行替换;
当所述出口含水率实时数据存在缺失值时,通过插值法或滑动平均对所述缺失值进行补全。
具体地,对于异常值的替换,可以使用线性插值方法,假设数据中存在一个异常值,即某个数据点的值明显偏离了其他数据点的分布,那么,先将该数据点删除,然后使用线性插值方法,根据该点前后的数据点的趋势推算出该点的近似值。具体做法如下:将异常值所在的数据点删除;使用线性插值方法,根据该点前后的数据点计算出该点的近似值;将计算得到的近似值替换掉原始数据中的异常值。
对于缺失值的补全,也可以使用滑动平均方法,假设数据中存在一个缺失值,即某个数据点的值未知,那么使用滑动平均方法,计算出一定时间窗口内的数据的平均值,并将该平均值作为该缺失值的近似值。具体做法如下:根据已有的数据点,使用滑动平均方法,计算出一定时间窗口内的数据的平均值;将计算得到的平均值作为缺失值的近似值,替换掉原始数据中的缺失值。
在具体实施中,所述根据所述当前的生产状态建立大时滞模型包括:
当所述自适应分段模型为预热阶段时滞模型时,所述烘丝机当前的生产状态为预热阶段,使用预热阶段模型进行数据对齐得到加工后的出口含水率数据;
当所述自适应分段模型为料头料尾阶段时滞模型时,使用料头料尾阶段模型进行数据对齐后得到加工后的出口含水率数据;
当所述自适应分段模型为稳态阶段时滞模型时,使用稳态阶段模型进行数据对齐后得到加工后的出口含水率数据。
具体地,预热阶段模型是指用于预测加工开始时的出口含水率的模型。在预热阶段,烘丝机内的温度和湿度都处于较低水平,物料的含水率较高,预热阶段的主要目的是将物料加热至适宜的温度和湿度,为后续的加工做好准备。预热阶段模型通常需要考虑物料的初始含水率、热风温度、热风湿度等因素,以预测出口含水率的变化趋势。料头料尾阶段模型是指用于预测料头料尾阶段的出口含水率的模型。在料头料尾阶段,烘丝机内的温度和湿度逐渐升高,物料的含水率开始下降,料头料尾阶段的主要目的是加速物料的脱水,使其达到适宜的含水率。料头料尾阶段模型通常需要考虑物料的含水率、热风温度、热风湿度等因素,以预测出口含水率的变化趋势。稳态阶段模型是指用于预测加工过程的稳态阶段的出口含水率的模型。在稳态阶段,烘丝机内的温度和湿度基本保持稳定,物料的含水率也趋于稳定,稳态阶段的主要目的是维持物料的稳定含水率,保证产品质量。稳态阶段模型通常需要考虑物料的含水率、热风温度、热风湿度等因素,以预测出口含水率的变化趋势。
在具体实施中,所述基于预测模型,使用所述加工后的数据预测所述烘丝机预设时间后的出口含水率包括:
当所述预测模型是深度学习模型时,通过滑动窗口对数据进行划分,构建训练集,对数据进行归一化,将数据缩放到同一数值范围内,评估缩放的效果和对数据分布的影响;
当所述预测模型是机器学习模型时,根据数据相关性进行特征筛选,选取相关性强的数据投入模型中进行训练,依据数据的业务含义对数据进行求和、求差构建衍生特征;
当所述预测模型是时间序列模型时,对数据进行平稳性校验和白噪声校验,针对数据分布通过ACF和PACF确定参数值p、q,进行模型识别确认参数选取有效。
根据烘丝机的特点,可以将出口含水率预测分为预热阶段、料头料尾阶段和稳态阶段三个阶段,每个阶段需要采用不同的模型方法。预热阶段模型:预热阶段是烘丝机刚启动时的阶段,物料的含水率和温度较低,烘丝机的设备参数也处于不稳定状态,此时建立基于物理模型的预热阶段模型,可以对出口含水率进行预测和控制。该模型基于传热、传质等物理过程,考虑物料的热传导、水分传递等因素,以预测出口含水率的变化趋势。例如可以使用传热学、传质学理论建立数学模型,并通过计算机模拟进行预测和控制。料头料尾阶段模型:料头料尾阶段是指物料进入烘丝机后,初期的物料温度和含水率都处于较高的水平,此时建立数据对齐模型可以对出口含水率进行预测和控制。该模型基于历史数据对齐,将实时采集的含水率数据与历史数据对齐,并对数据进行插值或滑动平均等方法进行处理,以预测出口含水率的变化趋势。该方法具有实时性较强、不需要过多的先验知识等优点。稳态阶段模型:稳态阶段是指物料的含水率、温度等参数已经稳定在某个范围内,烘丝机的设备参数也基本维持不变。此时可以建立基于机器学习算法的稳态阶段模型,例如LGBM算法,来预测出口含水率。该模型基于历史数据建模,通过学习数据之间的关系和特征,以预测未来出口含水率的变化趋势。该方法具有建模灵活性强、预测精度高等优点。
ACF是自相关函数(Autocorrelation Function)的缩写,PACF是偏自相关函数(Partial Autocorrelation Function)的缩写。在时间序列建模中,ACF和PACF用于选择ARIMA模型中的参数,ARIMA模型包含三个参数:p、d、q。其中,p表示自回归项数,d表示时间序列的阶数,q表示滑动平均项数。在ARIMA模型中,p和q参数通过ACF和PACF确定,d参数是通过对时间序列进行差分来实现的。
图2为本发明的一个实施例提供的一种薄板烘丝机出口含水率预测装置的模块示意图,现在参看图2,本发明实施例还提供一种薄板烘丝机出口含水率预测装置,所述装置包括:
出口含水率实时数据获取模块21,其用于从数据库中获取烘丝机的出口含水率实时数据;
当前生产状态判断模块22,其用于根据自适应分段模型判断所述烘丝机当前的生产状态;
大时滞模型建立模块23,其用于根据所述当前的生产状态建立大时滞模型,进行数据对齐得到加工后的出口含水率数据,使所述出口含水率实时数据能够完整表示物料加工时的设备参数;
出口含水率预测模块24,其用于基于预测模型,使用所述加工后的出口含水率数据预测所述烘丝机预设时间后的出口含水率。
在具体实施中,所述预测模型包括:
针对每个测试点通过LGBM算法构建回归模型;
选取对训练数据具有分类能力的特征;
将预测变量空间(X1,X2,X3,…,Xp)的可能取值构成的集合分割成J个互不重叠的区域{R1,R2,R3,…,RJ},落入区域RJ的每个观测值作同样的预测,预测值等于RJ上训练集的各个样本取值的算术平均数;
针对当前工艺参数的预测模型结果和可调整的参数空间,使用贝叶斯优化,先根据当前设备的点位值进行结果预测反馈,然后再根据贝叶斯概率信息增益进行从参数组合的备选集中挑选出下一组参数组合。
在具体实施中,所述获取烘丝机的出口含水率实时数据包括:
当所述出口含水率实时数据存在异常值时,对所述出口含水率实时数据进行异常值标记,通过插值法或滑动平均对所述异常值进行替换;
当所述出口含水率实时数据存在缺失值时,通过插值法或滑动平均对所述缺失值进行补全。
在具体实施中,所述根据所述当前的生产状态建立大时滞模型包括:
当所述自适应分段模型为预热阶段时滞模型时,所述烘丝机当前的生产状态为预热阶段,使用预热阶段模型进行数据对齐得到加工后的出口含水率数据;
当所述自适应分段模型为料头料尾阶段时滞模型时,使用料头料尾阶段模型进行数据对齐后得到加工后的出口含水率数据;
当所述自适应分段模型为稳态阶段时滞模型时,使用稳态阶段模型进行数据对齐后得到加工后的出口含水率数据。
在具体实施中,所述基于预测模型,使用所述加工后的数据预测所述烘丝机预设时间后的出口含水率包括:
当所述预测模型是深度学习模型时,通过滑动窗口对数据进行划分,构建训练集,对数据进行归一化,将数据缩放到同一数值范围内,评估缩放的效果和对数据分布的影响;
当所述预测模型是机器学习模型时,根据数据相关性进行特征筛选,选取相关性强的数据投入模型中进行训练,依据数据的业务含义对数据进行求和、求差构建衍生特征;
当所述预测模型是时间序列模型时,对数据进行平稳性校验和白噪声校验,针对数据分布通过ACF和PACF确定参数值p、q,进行模型识别确认参数选取有效。与现有技术相比,本发明实施例的技术方案具有以下有益效果:
综上所述,本发明实施例的一种薄板烘丝机出口含水率预测方法及装置,基于预测模型,根据所述当前的生产状态建立大时滞模型,进行数据对齐得到加工后的出口含水率数据,使用加工后的出口含水率数据预测所述烘丝机预设时间后的出口含水率,从而能够准确预测烘丝机的出口含水率。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种薄板烘丝机出口含水率预测方法,其特征在于,所述方法包括:
从数据库中获取烘丝机的出口含水率实时数据;
根据自适应分段模型判断所述烘丝机当前的生产状态;
根据所述当前的生产状态建立大时滞模型,进行数据对齐得到加工后的出口含水率数据,使所述出口含水率实时数据能够完整表示物料加工时的设备参数;
基于预测模型,使用所述加工后的出口含水率数据预测所述烘丝机预设时间后的出口含水率。
2.根据权利要求1所述的薄板烘丝机出口含水率预测方法,其特征在于,所述预测模型包括:
针对每个测试点通过LGBM算法构建回归模型;
选取对训练数据具有分类能力的特征;
将预测变量空间(X1,X2,X3,…,Xp)的可能取值构成的集合分割成J个互不重叠的区域{R1,R2,R3,…,RJ},落入区域RJ的每个观测值作同样的预测,预测值等于RJ上训练集的各个样本取值的算术平均数;
针对当前工艺参数的预测模型结果和可调整的参数空间,使用贝叶斯优化,先根据当前设备的点位值进行结果预测反馈,然后再根据贝叶斯概率信息增益进行从参数组合的备选集中挑选出下一组参数组合。
3.根据权利要求1所述的薄板烘丝机出口含水率预测方法,其特征在于,所述获取烘丝机的出口含水率实时数据包括:
当所述出口含水率实时数据存在异常值时,对所述出口含水率实时数据进行异常值标记,通过插值法或滑动平均对所述异常值进行替换;
当所述出口含水率实时数据存在缺失值时,通过插值法或滑动平均对所述缺失值进行补全。
4.根据权利要求1所述的薄板烘丝机出口含水率预测方法,其特征在于,所述根据所述当前的生产状态建立大时滞模型包括:
当所述自适应分段模型为预热阶段时滞模型时,所述烘丝机当前的生产状态为预热阶段,使用预热阶段模型进行数据对齐得到加工后的出口含水率数据;
当所述自适应分段模型为料头料尾阶段时滞模型时,使用料头料尾阶段模型进行数据对齐后得到加工后的出口含水率数据;
当所述自适应分段模型为稳态阶段时滞模型时,使用稳态阶段模型进行数据对齐后得到加工后的出口含水率数据。
5.根据权利要求1所述的薄板烘丝机出口含水率预测方法,其特征在于,所述基于预测模型,使用所述加工后的数据预测所述烘丝机预设时间后的出口含水率包括:
当所述预测模型是深度学习模型时,通过滑动窗口对数据进行划分,构建训练集,对数据进行归一化,将数据缩放到同一数值范围内,评估缩放的效果和对数据分布的影响;
当所述预测模型是机器学习模型时,根据数据相关性进行特征筛选,选取相关性强的数据投入模型中进行训练,依据数据的业务含义对数据进行求和、求差构建衍生特征;
当所述预测模型是时间序列模型时,对数据进行平稳性校验和白噪声校验,针对数据分布通过ACF和PACF确定参数值p、q,进行模型识别确认参数选取有效。
6.一种薄板烘丝机出口含水率预测装置,其特征在于,所述装置包括:
出口含水率实时数据获取模块,其用于从数据库中获取烘丝机的出口含水率实时数据;
当前生产状态判断模块,其用于根据自适应分段模型判断所述烘丝机当前的生产状态;
大时滞模型建立模块,其用于根据所述当前的生产状态建立大时滞模型,进行数据对齐得到加工后的出口含水率数据,使所述出口含水率实时数据能够完整表示物料加工时的设备参数;
出口含水率预测模块,其用于基于预测模型,使用所述加工后的出口含水率数据预测所述烘丝机预设时间后的出口含水率。
7.根据权利要求6所述的薄板烘丝机出口含水率预测装置,其特征在于,所述预测模型包括:
针对每个测试点通过LGBM算法构建回归模型;
选取对训练数据具有分类能力的特征;
将预测变量空间(X1,X2,X3,…,Xp)的可能取值构成的集合分割成J个互不重叠的区域{R1,R2,R3,…,RJ},落入区域RJ的每个观测值作同样的预测,预测值等于RJ上训练集的各个样本取值的算术平均数;
针对当前工艺参数的预测模型结果和可调整的参数空间,使用贝叶斯优化,先根据当前设备的点位值进行结果预测反馈,然后再根据贝叶斯概率信息增益进行从参数组合的备选集中挑选出下一组参数组合。
8.根据权利要求6所述的薄板烘丝机出口含水率预测装置,其特征在于,所述获取烘丝机的出口含水率实时数据包括:
当所述出口含水率实时数据存在异常值时,对所述出口含水率实时数据进行异常值标记,通过插值法或滑动平均对所述异常值进行替换;
当所述出口含水率实时数据存在缺失值时,通过插值法或滑动平均对所述缺失值进行补全。
9.根据权利要求6所述的薄板烘丝机出口含水率预测装置,其特征在于,所述根据所述当前的生产状态建立大时滞模型包括:
当所述自适应分段模型为预热阶段时滞模型时,所述烘丝机当前的生产状态为预热阶段,使用预热阶段模型进行数据对齐得到加工后的出口含水率数据;
当所述自适应分段模型为料头料尾阶段时滞模型时,使用料头料尾阶段模型进行数据对齐后得到加工后的出口含水率数据;
当所述自适应分段模型为稳态阶段时滞模型时,使用稳态阶段模型进行数据对齐后得到加工后的出口含水率数据。
10.根据权利要求6所述的薄板烘丝机出口含水率预测装置,其特征在于,所述基于预测模型,使用所述加工后的数据预测所述烘丝机预设时间后的出口含水率包括:
当所述预测模型是深度学习模型时,通过滑动窗口对数据进行划分,构建训练集,对数据进行归一化,将数据缩放到同一数值范围内,评估缩放的效果和对数据分布的影响;
当所述预测模型是机器学习模型时,根据数据相关性进行特征筛选,选取相关性强的数据投入模型中进行训练,依据数据的业务含义对数据进行求和、求差构建衍生特征;
当所述预测模型是时间序列模型时,对数据进行平稳性校验和白噪声校验,针对数据分布通过ACF和PACF确定参数值p、q,进行模型识别确认参数选取有效。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310281904.5A CN116258080A (zh) | 2023-03-21 | 2023-03-21 | 一种薄板烘丝机出口含水率预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310281904.5A CN116258080A (zh) | 2023-03-21 | 2023-03-21 | 一种薄板烘丝机出口含水率预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116258080A true CN116258080A (zh) | 2023-06-13 |
Family
ID=86679334
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310281904.5A Pending CN116258080A (zh) | 2023-03-21 | 2023-03-21 | 一种薄板烘丝机出口含水率预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116258080A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102871214A (zh) * | 2012-10-08 | 2013-01-16 | 秦皇岛烟草机械有限责任公司 | 基于模型预测的烘丝机出口水分控制方法 |
CN113017132A (zh) * | 2021-04-09 | 2021-06-25 | 红云红河烟草(集团)有限责任公司 | 一种基于烘丝机工艺参数预测的烟丝质量优化的方法 |
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 |
-
2023
- 2023-03-21 CN CN202310281904.5A patent/CN116258080A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102871214A (zh) * | 2012-10-08 | 2013-01-16 | 秦皇岛烟草机械有限责任公司 | 基于模型预测的烘丝机出口水分控制方法 |
CN113017132A (zh) * | 2021-04-09 | 2021-06-25 | 红云红河烟草(集团)有限责任公司 | 一种基于烘丝机工艺参数预测的烟丝质量优化的方法 |
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 |
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 | |
CN111045326B (zh) | 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 | |
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 | |
CN114115393A (zh) | 一种制丝线薄板烘丝机出口水分和温度的控制方法 | |
CN111523683B (zh) | 烟草加工中工艺参数预测方法及系统 | |
CN110150711B (zh) | 基于多元回归的回潮加湿过程水分控制方法及系统 | |
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 | |
JP7151547B2 (ja) | 予測制御開発装置、予測制御開発方法、及び予測制御開発プログラム | |
CN112273696B (zh) | 切丝后水分控制方法、装置以及设备 | |
CN111754024A (zh) | 一种基于回归分析的电力行业时间序列预测方法和装置 | |
CN112273695A (zh) | 松散回潮出口含水率预测方法、装置以及设备 | |
JP2015017983A (ja) | 熱分析における測定結果の評価方法、該方法の使用、並びに該方法を行うためのコンピュータユニット、コンピュータプログラム製品及びシステム | |
CN110991495A (zh) | 生产制造过程中产品质量预测方法、系统、介质及设备 | |
US20050137995A1 (en) | Method for regulating a thermodynamic process by means of neural networks | |
CN116258080A (zh) | 一种薄板烘丝机出口含水率预测方法及装置 | |
CN117072338B (zh) | 柴油发动机自适应喷油控制策略系统及优化方法 | |
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 | |
CN117034197A (zh) | 基于多维Isolate-Detect多变点检测的企业用电典型模式分析方法 | |
CN116611349A (zh) | 基于神经网络的滚筒烘丝工艺参数优化方法及系统 | |
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 | |
CN112800671B (zh) | 一种数据处理方法、装置及电子设备 | |
CN117743772B (zh) | 基于人工智能模型的卫生纸干燥参数优化方法及系统 | |
CN116998747A (zh) | 一种制丝工序含水率调整方法、介质及系统 | |
CN116172231A (zh) | 一种薄板烘丝机出口含水率控制方法及装置 | |
CN117044980A (zh) | 提高烘丝出口水分稳定性的方法 |
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 |