CN116268521B - 一种加料机自适应智能控制系统 - Google Patents
一种加料机自适应智能控制系统 Download PDFInfo
- Publication number
- CN116268521B CN116268521B CN202310572723.8A CN202310572723A CN116268521B CN 116268521 B CN116268521 B CN 116268521B CN 202310572723 A CN202310572723 A CN 202310572723A CN 116268521 B CN116268521 B CN 116268521B
- Authority
- CN
- China
- Prior art keywords
- information
- case
- water content
- feature vector
- strategy
- 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 claims abstract description 62
- 230000008569 process Effects 0.000 claims abstract description 45
- 238000012545 processing Methods 0.000 claims abstract description 37
- 238000004519 manufacturing process Methods 0.000 claims abstract description 29
- 238000004458 analytical method Methods 0.000 claims abstract description 22
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 63
- 239000013598 vector Substances 0.000 claims description 53
- 241000208125 Nicotiana Species 0.000 claims description 31
- 235000002637 Nicotiana tabacum Nutrition 0.000 claims description 31
- 238000012216 screening Methods 0.000 claims description 21
- 238000012937 correction Methods 0.000 claims description 17
- 238000011156 evaluation Methods 0.000 claims description 12
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 8
- 235000019504 cigarettes Nutrition 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 6
- 238000005457 optimization Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 239000007788 liquid Substances 0.000 description 4
- 238000004886 process control Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 239000000779 smoke Substances 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 239000007921 spray Substances 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 150000001412 amines Chemical class 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000796 flavoring agent Substances 0.000 description 1
- 235000019634 flavors Nutrition 0.000 description 1
- 229930182470 glycoside Natural products 0.000 description 1
- 150000002338 glycosides Chemical class 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003020 moisturizing effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012795 verification Methods 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
- A24B9/00—Control of the moisture content of tobacco products, e.g. cigars, cigarettes, pipe 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
- 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
- A24B3/00—Preparing tobacco in the factory
- A24B3/06—Loosening tobacco leaves 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
- A24B3/00—Preparing tobacco in the factory
- A24B3/12—Steaming, curing, or flavouring 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]
Abstract
本发明提供一种加料机自适应智能控制系统,包括生产时序数据库和专家经验库,生产时序数据库中包括有设备参数信息,专家经验库中包括有专家经验信息,还包括用于获取设备实时工艺参数信息的采集模块、用于得到若干个案例数据集建立案例库的分析处理模块、用于得到决策变量信息的推理模块以及根据决策变量信息控制加料机的各项工艺参数的控制模块;本发明的优点是通过实施基于聚类型案例推理的加料机自适应智能控制系统的控制系统,对加料机进行实时有效地生产控制。
Description
技术领域
本发明涉及卷烟制丝领域,更具体的说是涉及一种加料机自适应智能控制系统。
背景技术
作为烟叶、烟丝加工主要工序之一的加料工序,其工作原理为:加料机通过引射蒸汽与料液混合后喷施料液,补偿蒸汽与加水阀协同补偿水分进行生产加工。该工序主要目的是为所加工的烟叶喷施一定比例的糖胺、糖苷等料液,提升烟叶风味与保湿性能,同时通过补偿水分、调控加料机内部回风温度稳定烟叶、烟丝的出口含水率与加工性能,为后续加工提升烟叶、烟丝的加工性能,降低损耗率。在加料生产过程中,加料机回风温度与出口水分的控制受补偿水与补偿蒸汽共同影响,而在部分烟厂加料生产阶段,通常操作为施加恒定加水量或关闭加水控制回路,因料液含水量与加水量的恒定,故主要通过补偿蒸汽阀门的开度对水分与加料机桶内回风温度进行一定范围内的调控。
由于加料加工过程涉及的物理、化学因素较多,工艺控制参数耦合效应强,在对烟叶、烟丝出口含水率、加料机内部回风温度的自动化控制过程中仍需较多的人工操作进行干预。又由于加工过程的时滞性强、物料流量与入口含水率波动、热风温度变化等原因,故人工干预控住的时效性较差,且控制效果不佳。因而不够精确的控制影响了加料这一重要工序的实时生产,从而使得经由此加工工序的烟叶、烟丝的加工性能、品质、保湿性能等均受到影响,继而影响成品烟的物理指标与感观质量。
烟草工业对加料出口水分、回风温度的稳定性进行了大量的研究,主要目的在于通过改进机械设备、PLC控制程序段、稳定松散回潮至加料入口段的含水率等方式,从而对加料机生产加工阶段的回风温度,烟叶、烟丝加料出口含水率与加料机内部回风温度实施了较稳定的控制。虽然以上一些方法对改进起到了一定的作用,但由于加料工序生产加工阶段的多工艺参数耦合,且与出口含水率、回风温度相关的特征量较多,仅依靠基于传统方式方法仍然存在弊端,控制的时效性、自适应性、稳定性亟待提高。也有部分研究于此出发,将机器学习、模型预测控制(MPC)、深度学习等方法应用于加料机的智能控制,而就目前烟草工业实施效果来看,由纯数据模型展开的应用,效果也仍待提高。
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加料机自适应智能控制系统,该种自适应智能控制系统通过实施基于基于聚类型案例推理的加料机自适应智能控制系统的控制系统,对加料机进行实时有效地生产控制。
为实现上述目的,本发明提供了如下技术方案:
一种加料机自适应智能控制系统,包括生产时序数据库和专家经验库,所述生产时序数据库中包括有设备参数信息,所述专家经验库中包括有专家经验信息;
还包括采集模块、分析处理模块、推理模块以及控制模块;
所述采集模块,获取设备的实时生产工艺参数作为实时工艺参数信息;
所述分析处理模块,获取所述设备参数信息和专家经验信息,根据所述设备参数信息和专家经验信息根据筛选策略得到整合参数值组,根据所述整合参数值组中的评价信息通过聚类策略得到若干个案例数据集,根据若干个所述案例数据集建立得到案例库,获取所述采集模块中的实时工艺参数信息提取得到控制量;
所述推理模块,获取所述分析处理模块中的控制量,根据控制量在案例库中检索得到待定案例数据集,根据所述待定案例数据集通过推理策略得到决策变量信息;
所述控制模块,根据所述决策变量信息控制加料机的各项工艺参数。
进一步的,所述分析处理模块中预设有目标阈值区间,所述筛选策略包括通过设备参数信息和专家经验信息确定各工艺入口至出口间检测量延时得到延时对齐数据信息,将所述延时对齐数据信息与目标阈值区间进行对比筛选得到整合参数值组。
进一步的,所述聚类策略包括通过迭代划分K个簇,根据所述整合参数值组通过聚类算法计算得到案例数据集,所述聚类算法反映整合参数值的各个样本距离所属簇的中心点的误差平方和;
所述聚类算法配置为:
其中--代价函数,/>--簇分配时固定的聚类中心,/>--更新的聚类中心,/>为第i条特征向量,/>为第i条特征向量所计算时采用的聚类中心点。
进一步的,所述聚类策略还包括优化子策略,所述优化子策略通过逐个选取K个簇中心,根据所述K个簇中心分析每个特征向量与其所选定的簇中心的距离作为比较距离信息,再根据所述比较距离信息通过概率算式计算得到每个样本被选为下一个聚类中心的概率值作为比较概率信息,根据所述比较概率信息筛选最大值对应的样本点作为下一个簇的聚类中心;
所述概率算式配置为:
其中,--比较概率信息,/>--比较距离信息。
进一步的,所述推理策略包括如下步骤:
步骤S1,根据所述实时工艺参数信息分析烟牌信息作为初始牌号信息;
步骤S2,根据初始牌号信息匹配调取对应的工艺参考信息构建特征向量集,所述特征向量集包括非控制量的工艺参数信息、决策变量信息以及评价信息,根据各所述非控制量的工艺参数信息的搜索区间在案例库中索引对应的案例数据集;
步骤S3,根据所述案例数据集和特征向量集通过相似度分析得到相似度高的一组作为待定案例特征向量;
步骤S4,根据所述待定案例特征向量中的评价信息与对应特征进行筛选得到指定案例特征向量,根据所述指定案例特征向量获取其中的决策变量信息。
进一步的,所述步骤S3中包括步骤S31,根据所述案例数据集和特征向量集通过相似度算式计算得到对应列特征,将所述对应列特征补入案例数据集中得到案例特征向量组,根据所述案例特征向量组排序得到待定案例特征向量。
进一步的,所述相似度算式配置为:
其中,--特征量总数,/>为权重,/>为第i条案例第j个特征数据,/>为当前工况信息c下第j个特征数据。
进一步的,所述采集模块,获取t时刻内和t1时刻内出口含水率的实际值分别作为第一实际含水信息和第二实际含水信息,所述t时刻是t1时刻的上一时刻;
所述分析处理模块,获取所述采集模块中的第一实际含水信息和第二实际含水信息,根据所述第一实际含水信息和第二实际含水信息分别计算得到第一平均含水率和第二平均含水率,根据所述第一平均含水率和第二平均含水率与出口含水率预设值计算分别得到第一偏差值和第二偏差值,根据所述第一偏差值、第二偏差值、控制信息以及出口含水率预设值通过修正公式计算得到修正控制量。
进一步的,所述修正公式配置为:
其中,Y--修正控制量,k--修正系数,b--截距,--第一偏差值,/>--第二偏差值,/>--出口含水率预设值,/>--第二实际含水信息,/>--控制信息。
进一步的,还包括自更新模块,所述自更新模块包括当日数据自更新策略和案例容量自筛查策略,所述当日数据自更新策略包括获取当日加料工序所产生的全部工艺数据进行清洗、处理及聚类得到更新后的数据集,将更新后的数据集更新入案例库,所述案例容量自筛查策略包括校验当前案例库中所存储的每一烟牌号的案例数据集,对比若超出阈值时,则调出第一次入案例库的案例数据集。
本发明的有益效果:1、通过OPC Serve建立与PLC之间的通讯,实时采集生产阶段数据,经由自识别,案例库推理、自适应修正等模块后,将实时计算所得的补偿蒸汽阀门开度的控制量发送给PLC程序段实施控制,实施前后校验出口含水率的标准偏差,过程控制能力指标,以及回风温度过程控制能力指标。由实施前后的数据进行环比分析,结果表明,集成本发明所述方法地系统有效地提升了出口含水率的过程能力指数值,降低了其标准偏差,同时使得回风温度的过程能力指数值保持了原有控制效果,对加料机实现了有效的智能控制。
2、通过实施基于聚类型案例推理的加料机自适应智能控制方法的控制系统,对加料机进行实时有效地生产控制,部署后可以实现对加料机烟叶、烟丝出口含水率的智能化稳定控制,且使得加料机滚筒内部在生产加工阶段回风温度保持稳定,从而实现加料机生产工艺指标实现自适应智能控制,减少人工干预调节。
附图说明
图1是本发明的系统流程图;
图2是本发明的案例推理自适应控制模块流程图;
图3是本发明的案例库自更新模块流程图。
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。
由于目前一些加料机的控制方法对改进起到了一定的作用,但由于加料工序生产加工阶段的多工艺参数耦合,且与出口含水率、回风温度相关的特征量较多,仅依靠基于传统方式方法仍然存在弊端,控制的时效性、自适应性、稳定性亟待提高。也有部分研究于此出发,将机器学习、模型预测控制(MPC)、深度学习等方法应用于加料机的智能控制,而就目前烟草工业实施效果来看,由纯数据模型展开的应用,效果也仍待提高;因此本发明设计这种加料机自适应智能控制系统,如图1所示,包括生产时序数据库和专家经验库,生产时序数据库中包括有设备参数信息,专家经验库中包括有专家经验信息,其中的设备参数信息和专家经验信息均包括入口含水率、热风温度、回风温度、新风风门开度、回风风门开度以及排潮风门开度;
还包括采集模块、分析处理模块、推理模块以及控制模块;
采集模块,获取设备的实时生产工艺参数作为实时工艺参数信息;
分析处理模块,先进行数据处理,将无效数据量剔除,对不同烟牌牌号数据归类,然后获取设备参数信息和专家经验信息,根据设备参数信息和专家经验信息根据筛选策略得到整合参数值组,根据整合参数值组中的评价信息通过聚类策略得到若干个案例数据集,根据若干个案例数据集建立得到案例库,获取采集模块中的实时工艺参数信息提取得到控制量;
推理模块,获取分析处理模块中的控制量,根据控制量在案例库中检索得到待定案例数据集,根据待定案例数据集通过推理策略得到决策变量信息;
控制模块,根据决策变量信息控制加料机的各项工艺参数。
本发明基于聚类型案例推理的加料机自适应智能控制方法主要控制回路通过数据采集模块实时获取生产管理系统的下达的烟牌与出口含水率设定值标准以及生产工艺参数,通过在线辨识所需参数信息,再由案例自适应控制模块推理计算当前时刻最优补偿蒸汽阀门控制量,经由加料机出口信息的反馈进行自学习修正,计算所得最优补偿蒸汽阀门开度设定值,最后通过OPC Serve与烟厂内部PLC网络进行通讯,将计算所得控制量下达至PLC程序段对补偿蒸汽阀门开度进行控制,在保证出口含水率稳定达到工艺设定值的同时,也使得回风温度的稳定性得以增强。
如图2所示,分析处理模块中预设有目标阈值区间,筛选策略包括通过设备参数信息和专家经验信息确定各工艺入口至出口间检测量延时得到延时对齐数据信息,将延时对齐数据信息与目标阈值区间进行对比筛选得到整合参数值组,本发明中的分析处理模块对3137300条数据进行统计学校验与相关性最大值分析并结合工艺实际流程的专家经验,确定各工艺入口至出口间检测量延时,进行数据的延时对齐,形成具有时间一致性的数据信息,之后对数据信息进行筛选,其中加料机出口含水率设定值与加料机出口含水率实际值的差值为目标量(评价指标),目标阈值区间为/>,其中的专家经验信息为指导信息,若设备参数信息未落入目标阈值区间时,取专家经验信息为有效的数据信息,若设备参数信息落入目标阈值区间,则设备参数信息为有效的数据信息,即为有效的整合参数值组。
聚类策略包括通过迭代划分K个簇,使得聚类结果对应的代价函数最小,根据整合参数值组通过聚类算法计算得到案例数据集,聚类算法反映整合参数值的各个样本距离所属簇的中心点的误差平方和;
聚类算法(代价函数)配置为:
其中--代价函数,/>--簇分配时固定的聚类中心,/>--更新的聚类中心,/>为第i条特征向量,/>为第i条特征向量所计算时采用的聚类中心点。
由于聚类时使得该代价函数取极小值,则此时所获取的聚类中心点使得总体聚类结果代价函数值最小,由于K-means算法易陷入局部最优的情形,对数据量较大的案例特征向量的处理存在弊端,采用K-means++算法能够较好地解决这一问题,因此其中聚类策略还包括优化子策略,优化子策略通过逐个选取K个簇中心,且远离该簇重点的样本点有更大的概率被选为下一个簇中心,根据K个簇中心分析每个特征向量与其所选定的簇中心的距离作为比较距离信息,再根据比较距离信息通过概率算式计算得到每个样本被选为下一个聚类中心的概率值作为比较概率信息,根据比较概率信息筛选最大值对应的样本点作为下一个簇的聚类中心;
概率算式配置为:
其中,--比较概率信息,/>--比较距离信息,之后,k值由GridSearch进行网格寻优,确定k值后,通过K-means++聚类算法对处理过后的案例特征向量数据集进行聚类,聚类生成案例库数据集,将该案例库数据集存入案例库。通过聚类算法,将海量数据提炼成有限条有效案例,提升计算效率。
推理策略包括如下步骤:
步骤S1,根据实时工艺参数信息分析烟牌信息作为初始牌号信息,在生产实时控制阶段,会实时采集的生产工艺参数信息,在线辨识牌号信息,记为;
步骤S2,根据初始牌号信息匹配调取对应的工艺参考信息构建特征向量集,由当前时刻烟牌信息,在线获取当前工艺参数值,形成一条工艺参数特征向量集,记为,特征向量集包括非控制量的工艺参数信息(/>)、决策变量信息(/>-补偿蒸汽阀门开度)以及评价信息(/>-实际出口含水率实际值与设定值的偏差量),根据各非控制量的工艺参数信息的搜索区间(/>)在案例库中索引对应的案例数据集,记为/>;
步骤S3,根据案例数据集和特征向量集通过相似度分析得到相似度最高的一组作为待定案例特征向量,即案例数据集对/>进行相似度/>计算得到相似度高的一组作为待定案例特征向量,步骤S3中包括步骤S31,根据案例数据集和特征向量集通过相似度算式计算得到对应列特征,将对应列特征补入案例数据集中得到案例特征向量组,根据案例特征向量组排序得到待定案例特征向量,记为/>;
步骤S4,根据待定案例特征向量中的评价信息与对应特征进行筛选得到指定案例特征向量,记为,根据指定案例特征向量获取其中的决策变量信息,即对依据评价信息对相似度推理计算出的结果进行进一步筛选,寻找评价指标最优的一条案例特征向量,获取该案例特征向量中的最优补偿蒸汽阀门开度的控制量。
相似度算式配置为:
其中,--特征量总数,/>为权重,/>为第i条案例第j个特征数据,/>为当前工况信息c下第j个特征数据。
采集模块,获取当前补偿蒸汽阀门开度记为,获取t时刻内和t1时刻内出口含水率的实际值分别作为第一实际含水信息和第二实际含水信息,t时刻是t1时刻的上一时刻;
分析处理模块,获取采集模块中的第一实际含水信息和第二实际含水信息,根据第一实际含水信息和第二实际含水信息分别计算得到第一平均含水率和第二平均含水率,根据第一平均含水率和第二平均含水率与出口含水率预设值计算分别得到第一偏差值()和第二偏差值(/>),根据第一偏差值、第二偏差值、控制信息以及出口含水率预设值通过修正公式计算得到修正控制量/>,获得最终补偿蒸汽阀门开度的控制量/>。工艺控制的实现通过OPC serve将该计算所得补偿蒸汽阀门开度的控制量下达给PLC程序段。由修正量进行反馈自修正,从而实现了闭环控制。
修正公式配置为:
其中,Y--修正控制量,k--修正系数,b--截距,--第一偏差值,/>--第二偏差值,/>--出口含水率预设值,/>--第二实际含水信息,/>--控制信息。
还包括自更新模块,自更新模块包括当日数据自更新策略和案例容量自筛查策略,当日数据自更新策略包括获取当日加料工序所产生的全部工艺数据进行清洗、处理及聚类得到更新后的数据集,将更新后的数据集更新入案例库,即当日数据自更新对自动数据清洗,数据处理,特征工艺参数数据聚类组成,该模块当日生产结束空置时间定时启动,模块运行后自动获取当日加料工序所生产的全部工艺数据,对获取的数据自动进行案例库构建时所述的数据清洗,数据处理,案例特征向量数据集聚类等操作,将当日案例库数据集更新入案例库;
案例容量自筛查策略包括校验当前案例库中所存储的每一烟牌号的案例数据集,对比若超出阈值时,则调出第一次入案例库的案例数据集;即当日数据自更新完成后,进行案例容量自筛查更新,自动校验当前案例库中所存储的每一牌号的案例数据量,超出阈值量(单烟牌号案例数据量≥20000)后取出最早入库的案例数据,数据量为超出阈值数据量2倍,将该部分数据进行聚类并删除取出的该部分数据,将该次聚类后的案例数据存入案例数据库;
由以上两种更新方式实现了案例库数据的自更新,避免数据冗余,案例数据不匹配最新生产的问题产生。
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 (8)
1.一种烟丝加料机自适应智能控制系统,其特征在于:包括生产时序数据库和专家经验库,所述生产时序数据库中包括有设备参数信息,所述专家经验库中包括有专家经验信息,设备参数信息和专家经验信息均包括入口含水率、热风温度、回风温度、新风风门开度、回风风门开度以及排潮风门开度;
还包括采集模块、分析处理模块、推理模块以及控制模块;
所述采集模块,获取设备的实时生产工艺参数作为实时工艺参数信息;
所述分析处理模块,获取所述设备参数信息和专家经验信息,根据所述设备参数信息和专家经验信息根据筛选策略得到整合参数值组,根据所述整合参数值组中的评价信息通过聚类策略得到若干个案例数据集,根据若干个所述案例数据集建立得到案例库,获取所述采集模块中的实时工艺参数信息提取得到控制量;所述分析处理模块中预设有目标阈值区间,所述筛选策略包括通过设备参数信息和专家经验信息确定各工艺入口至出口间检测量延时得到延时对齐数据信息,将所述延时对齐数据信息与目标阈值区间进行对比筛选得到整合参数值组;
所述推理模块,获取所述分析处理模块中的控制量,根据控制量在案例库中检索得到待定案例数据集,根据所述待定案例数据集通过推理策略得到决策变量信息;所述推理策略包括如下步骤:
步骤S1,根据所述实时工艺参数信息分析烟牌信息作为初始牌号信息;
步骤S2,根据初始牌号信息匹配调取对应的工艺参考信息构建特征向量集,所述特征向量集包括非控制量的工艺参数信息、决策变量信息以及评价信息,根据各所述非控制量的工艺参数信息的搜索区间在案例库中索引对应的案例数据集;
步骤S3,根据所述案例数据集和特征向量集通过相似度分析得到相似度高的一组作为待定案例特征向量;
步骤S4,根据所述待定案例特征向量中的评价信息与对应特征进行筛选得到指定案例特征向量,根据所述指定案例特征向量获取其中的决策变量信息;
所述控制模块,根据所述决策变量信息控制加料机的各项工艺参数。
2.根据权利要求1所述一种烟丝加料机自适应智能控制系统,其特征在于:所述聚类策略包括通过迭代划分K个簇,根据所述整合参数值组通过聚类算法计算得到案例数据集,所述聚类算法反映整合参数值的各个样本距离所属簇的中心点的误差平方和;
所述聚类算法配置为:
其中--代价函数,/>--簇分配时固定的聚类中心,/>--更新的聚类中心,/>为第i条特征向量,/>为第i条特征向量所计算时采用的聚类中心点。
3.根据权利要求2所述一种烟丝加料机自适应智能控制系统,其特征在于:所述聚类策略还包括优化子策略,所述优化子策略通过逐个选取K个簇中心,根据所述K个簇中心分析每个特征向量与其所选定的簇中心的距离作为比较距离信息,再根据所述比较距离信息通过概率算式计算得到每个样本被选为下一个聚类中心的概率值作为比较概率信息,根据所述比较概率信息筛选最大值对应的样本点作为下一个簇的聚类中心;
所述概率算式配置为:
其中,--比较概率信息,/>--比较距离信息。
4.根据权利要求1所述一种烟丝加料机自适应智能控制系统,其特征在于:所述步骤S3中包括步骤S31,根据所述案例数据集和特征向量集通过相似度算式计算得到对应列特征,将所述对应列特征补入案例数据集中得到案例特征向量组,根据所述案例特征向量组排序得到待定案例特征向量。
5.根据权利要求4所述一种烟丝加料机自适应智能控制系统,其特征在于:所述相似度算式配置为:
其中,--特征量总数,/>为权重,/>为第i条案例第j个特征数据,/>为当前工况信息c下第j个特征数据。
6.根据权利要求1所述一种烟丝加料机自适应智能控制系统,其特征在于:所述采集模块,获取t时刻内和t1时刻内出口含水率的实际值分别作为第一实际含水信息和第二实际含水信息,所述t时刻是t1时刻的上一时刻;
所述分析处理模块,获取所述采集模块中的第一实际含水信息和第二实际含水信息,根据所述第一实际含水信息和第二实际含水信息分别计算得到第一平均含水率和第二平均含水率,根据所述第一平均含水率和第二平均含水率与出口含水率预设值计算分别得到第一偏差值和第二偏差值,根据所述第一偏差值、第二偏差值、控制信息以及出口含水率预设值通过修正公式计算得到修正控制量。
7.根据权利要求6所述一种烟丝加料机自适应智能控制系统,其特征在于:所述修正公式配置为:
其中,Y--修正控制量,k--修正系数,b--截距,--第一偏差值,/>--第二偏差值,/>--出口含水率预设值,/>--第二实际含水信息,/>--控制信息。
8.根据权利要求1所述一种烟丝加料机自适应智能控制系统,其特征在于:还包括自更新模块,所述自更新模块包括当日数据自更新策略和案例容量自筛查策略,所述当日数据自更新策略包括获取当日加料工序所产生的全部工艺数据进行清洗、处理及聚类得到更新后的数据集,将更新后的数据集更新入案例库,所述案例容量自筛查策略包括校验当前案例库中所存储的每一烟牌号的案例数据集,对比若超出阈值时,则调出第一次入案例库的案例数据集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310572723.8A CN116268521B (zh) | 2023-05-22 | 2023-05-22 | 一种加料机自适应智能控制系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310572723.8A CN116268521B (zh) | 2023-05-22 | 2023-05-22 | 一种加料机自适应智能控制系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116268521A CN116268521A (zh) | 2023-06-23 |
CN116268521B true CN116268521B (zh) | 2023-08-15 |
Family
ID=86794592
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310572723.8A Active CN116268521B (zh) | 2023-05-22 | 2023-05-22 | 一种加料机自适应智能控制系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116268521B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116945544B (zh) * | 2023-09-20 | 2024-03-12 | 张家港禾福新材料科技有限公司 | 一种基于用途的塑料母粒生产过程调节控制方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102486630A (zh) * | 2010-12-05 | 2012-06-06 | 中国科学院沈阳自动化研究所 | 基于案例推理技术的回潮机智能优化控制方法 |
CN105759764A (zh) * | 2016-04-08 | 2016-07-13 | 浙江中烟工业有限责任公司 | 一种卷烟生产工艺参数控制系统及其控制方法 |
CN109902153A (zh) * | 2019-04-02 | 2019-06-18 | 杭州安脉盛智能技术有限公司 | 基于自然语言处理和案例推理的设备故障诊断方法及系统 |
CN110101106A (zh) * | 2019-05-31 | 2019-08-09 | 杭州安脉盛智能技术有限公司 | 基于模糊前馈反馈算法的回潮加湿过程水分控制方法及系统 |
CN112263012A (zh) * | 2020-10-15 | 2021-01-26 | 中国烟草总公司郑州烟草研究院 | 一种基于配方参数库的复烤机含水率控制方法 |
CN115639802A (zh) * | 2022-10-13 | 2023-01-24 | 安徽理工大学 | 基于案例推理的故障诊断专家系统方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7584165B2 (en) * | 2003-01-30 | 2009-09-01 | Landmark Graphics Corporation | Support apparatus, method and system for real time operations and maintenance |
CN112034791B (zh) * | 2020-07-10 | 2021-08-17 | 张家口卷烟厂有限责任公司 | 薄板烘丝机智能控制系统及方法 |
US20220413455A1 (en) * | 2020-11-13 | 2022-12-29 | Zhejiang University | Adaptive-learning intelligent scheduling unified computing frame and system for industrial personalized customized production |
-
2023
- 2023-05-22 CN CN202310572723.8A patent/CN116268521B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102486630A (zh) * | 2010-12-05 | 2012-06-06 | 中国科学院沈阳自动化研究所 | 基于案例推理技术的回潮机智能优化控制方法 |
CN105759764A (zh) * | 2016-04-08 | 2016-07-13 | 浙江中烟工业有限责任公司 | 一种卷烟生产工艺参数控制系统及其控制方法 |
CN109902153A (zh) * | 2019-04-02 | 2019-06-18 | 杭州安脉盛智能技术有限公司 | 基于自然语言处理和案例推理的设备故障诊断方法及系统 |
CN110101106A (zh) * | 2019-05-31 | 2019-08-09 | 杭州安脉盛智能技术有限公司 | 基于模糊前馈反馈算法的回潮加湿过程水分控制方法及系统 |
CN112263012A (zh) * | 2020-10-15 | 2021-01-26 | 中国烟草总公司郑州烟草研究院 | 一种基于配方参数库的复烤机含水率控制方法 |
CN115639802A (zh) * | 2022-10-13 | 2023-01-24 | 安徽理工大学 | 基于案例推理的故障诊断专家系统方法 |
Non-Patent Citations (1)
Title |
---|
基于广义预测控制的松散回潮出口含水率控制系统;欧阳江子;王东方;戚晓江;李景伟;朱思奇;秦杨;蔡长兵;;计算机测量与控制(第03期);第103-108页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116268521A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116268521B (zh) | 一种加料机自适应智能控制系统 | |
CN112036701B (zh) | 一种面向多工序工业生产过程的工艺参数优化方法 | |
CN110101106B (zh) | 基于模糊前馈反馈算法的回潮加湿过程水分控制方法及系统 | |
CN111144667A (zh) | 一种基于梯度提升树的烟草回潮机出料含水率预测方法 | |
CN115510302B (zh) | 基于大数据统计的智能工厂数据分类方法 | |
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 | |
CN112987666B (zh) | 电厂机组运行优化调控方法及系统 | |
CN105996106B (zh) | 一种基于气流干燥的烟丝质量控制方法及系统 | |
CN105996107A (zh) | 一种基于薄板烘丝的烟丝质量控制方法及系统 | |
CN102147613A (zh) | 一种对烟叶复烤机水分、温度的模型预测控制方法及系统 | |
CN115630839A (zh) | 一种基于数据挖掘的生产智能反馈调控系统 | |
CN113515049A (zh) | 一种燃气蒸汽联合循环发电机组运行调控系统及调控方法 | |
CN114115393A (zh) | 一种制丝线薄板烘丝机出口水分和温度的控制方法 | |
CN112263012B (zh) | 一种基于配方参数库的复烤机含水率控制方法 | |
CN117095247B (zh) | 基于数控加工的加工姿态运行优化方法、系统及介质 | |
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 | |
CN113515891A (zh) | 一种乳化炸药质量预测和优化方法 | |
CN110675919A (zh) | 一种基于k-近邻方法的烘丝过程入口水份预测方法及系统 | |
CN108685142B (zh) | 一种卷烟制丝加工过程中各工序出口水分维护方法 | |
CN109508859B (zh) | 一种影响叶丝填充值的关键制丝过程参数智能识别方法 | |
CN111242192B (zh) | 不确定性下多层次密度融合的余热发电锅炉温度控制方法 | |
CN112231977A (zh) | 一种复烤机配方参数库的构建方法 | |
CN113076309B (zh) | 烟草生丝水分加水量预测系统及方法 | |
CN115251445B (zh) | 一种松散回潮机出口烟叶含水率的控制方法 | |
CN114747794B (zh) | 基于累计和策略的梗丝干燥机出口含水率控制方法 |
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 |