CN116520783A - 叶丝回潮机控制系统 - Google Patents
叶丝回潮机控制系统 Download PDFInfo
- Publication number
- CN116520783A CN116520783A CN202310475269.4A CN202310475269A CN116520783A CN 116520783 A CN116520783 A CN 116520783A CN 202310475269 A CN202310475269 A CN 202310475269A CN 116520783 A CN116520783 A CN 116520783A
- Authority
- CN
- China
- Prior art keywords
- water adding
- moisture
- cut tobacco
- flow
- conditioning
- 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 116
- 235000002637 Nicotiana tabacum Nutrition 0.000 title claims abstract description 116
- 238000013016 damping Methods 0.000 title claims abstract description 26
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 196
- 230000003750 conditioning effect Effects 0.000 claims abstract description 56
- 238000004519 manufacturing process Methods 0.000 claims abstract description 32
- 238000012216 screening Methods 0.000 claims abstract description 19
- 238000000034 method Methods 0.000 claims description 45
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 238000009826 distribution Methods 0.000 claims description 11
- 238000010220 Pearson correlation analysis Methods 0.000 claims description 8
- 238000004378 air conditioning Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 239000013072 incoming material Substances 0.000 abstract description 8
- 239000000463 material Substances 0.000 abstract description 5
- 230000009123 feedback regulation Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 235000019504 cigarettes Nutrition 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 238000011958 production data acquisition Methods 0.000 description 1
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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
-
- 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
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Manufacture Of Tobacco Products (AREA)
Abstract
本发明公开了叶丝回潮机控制系统，包括参数筛选单元、前馈加水量控制单元、反馈加水量控制单元和加水量实时控制单元，本控制系统通过对叶丝回潮前关键工序的工艺参数进行相关性分析，筛选出相关性高的参数，建立神经网络预测模型进行叶丝回潮加水流量的实时预测，同时根据叶丝回潮机水分增加量与加水流量采用指数加权移动平均进行反馈调节，并采用自学习算法不断进行优化。本系统通过对两种加水量控制单元的整合，既考虑了来料波动，也考虑生产过程物料实时状态，提高了叶丝回潮加水流量控制的精准性，代替操作工凭经验人为控制，提高叶丝回潮机控制的智能化水平。
Description
技术领域
本发明涉及烟草制丝领域，具体涉及一种叶丝回潮机控制系统。
背景技术
在卷烟生产工艺中，烟丝水分是贯穿制丝生产全过程的唯一一个工艺指标，稳定的加工可以使烟丝保持适当的水分，可提高产品的内在品质。滚筒式叶丝回潮机是目前卷烟企业制丝生产线上主要的配套设备之一，担负着叶丝的增温增湿工作，普遍设置在气流式烘丝机(HXD)等烘丝设备之前，叶丝进入回潮机经高温高湿处理后，提高物料的耐加工性，通过适当提高叶丝含水率和温度，为烘丝机提供合格叶丝。因此，RCC出口水分稳定性对烘丝质量有决定性影响。但是在实际生产过程中普遍存在RCC来料水分稳定性差、打水控制系统反馈滞后等问题。
针对这次些问题，已有相关技术人员从设备改造、参数优化、模型建立等方面开展研究，旨在提高RCC水分控制的稳定性。但目前关于来料预测加水流量方面的研究较为缺乏。
发明内容
为解决上述问题，本申请提供了一种叶丝回潮机控制系统。
本系统涉及叶丝回潮机加水流量控制，以前馈预测和反馈调节相结合，既考虑了来料波动，也考虑生产过程物料实时状态，提高了叶丝回潮机控制的稳定性。
本发明解决其技术问题所采用的技术方案为：
叶丝回潮机控制系统，包括
参数筛选单元，本单元基于生产数据，收集叶丝回潮前关键工序的工艺参数，并采用Pearson相关性分析，筛选出与叶丝回潮加水流量I、加水流量II相关性强的工艺参数；
前馈加水量控制单元，本单元以所述参数筛选单元筛选出的工艺参数为模型输入，以叶丝回潮加水流量I、加水流量II为模型输出，建立基于来料前馈的加水流量神经网络预测模型；
反馈加水量控制单元，本单元通过建立叶丝回潮水分增加量和加水流量的线性方程，采用指数加权移动平均算法，计算得到T时刻反馈的总加水流量；
加水量实时控制单元，本单元设定开始采集生产数据时刻为t0，当T＜t0+240s时，采用前馈加水量控制单元预测得到叶丝回潮总加水流量，按照分配系数对加水流量I和加水流量II进行加水控制；当T≥t0+240s时，采用反馈加水量控制单元得到的T时刻总加水流量，按照分配系数对加水流量I和加水流量II进行加水控制。
作为上述技术方案的改进，所述参数筛选单元收集的工艺参数包括：松散回潮出口水分、松散回潮出口温度、松散回潮入口加水瞬时流量、松散回潮出口加水瞬时流量、加料出口水分、加料出口温度、热风润叶出口水分、热风润叶出口温度和叶丝回潮机入口水分9个工艺参数。
作为上述技术方案的改进，所述参数筛选单元通过Pearson相关性分析筛选出：除松散回潮出口温度，热风润叶出口水分以外的其它工艺参数与叶丝回潮加水流量I和加水流量II具有相关性。
作为上述技术方案的改进，所述叶丝回潮加水流量I、加水流量II是指叶丝回潮机进料端的两个加水喷嘴所对应的加水流量I和加水流量II。
作为上述技术方案的改进，所述神经网络预测模型的设定训练目标0.05，训练速度为0.01，最大步数100。
作为上述技术方案的改进，所述神经网络预测模型采用自学习算法不断进行优化。
作为上述技术方案的改进，所述的叶丝回潮水分增加量和加水流量的线性方程：
设定叶丝回潮入口水分为w，出口水分为v，叶丝回潮工序水分增加量为y，则y＝v-w；
设定加水流量I为m，加水流量II为n，总加水流量为x，则x＝m+n；
叶丝回潮水分增加量和加水流量可以表示为：
y＝ax+b；
其中，a表示线性方程系数，b表示截距；
生产过程中每个时刻T，都可以根据指数加权移动平均算法计算该时刻T的截距值
其中，为T时刻反馈的总加水流量，L/h；β为指数加权移动平均系数，0<β≤1；Sv为出口水分设定值，wT为T时刻的入口水分。
作为上述技术方案的改进，当叶丝回潮前秤的流量>3500kg/h时系统开始采集生产数据，故在叶丝回潮前秤的流量＞3500kg/h时，将该时刻记为t0。
作为上述技术方案的改进，所述叶丝回潮加水流量I和加水流量II的分配系数为6：4。
本发明带来的有益效果：
(1)本发明对叶丝回潮加水流量控制系统采用来料预测和出口水分反馈调节相结合的方法，通过来料预测消除加水流量控制的滞后性，出口水分反馈调整加水流量以近期加水流量和实时出口水分值为依据，能更好的根据生产加工过程中的变化情况对加水流量的控制，降低出口水分偏差，提高出口水分控制的稳定性；
(2)本系统通过对两种加水量控制单元的整合，既考虑了来料波动，也考虑生产过程物料实时状态，提高了叶丝回潮加水流量控制的精准性，代替操作工凭经验人为控制，提高叶丝回潮机控制的智能化水平。
附图说明
下面结合附图及具体实施例对本发明作进一步说明：
图1为实施例1中的加水流量神经网络预测模型架构示意图；
图2为本控制系统的流程示意图。
具体实施方式
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，所描述的实施例仅仅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。
实施例1
叶丝回潮机控制系统，包括
参数筛选单元，本单元基于生产数据，收集叶丝回潮前关键工序的工艺参数，并采用Pearson相关性分析，筛选出与叶丝回潮加水流量I、加水流量II相关性强的工艺参数；
前馈加水量控制单元，本单元以所述参数筛选单元筛选出的工艺参数为模型输入，以叶丝回潮加水流量I、加水流量II为模型输出，建立基于来料前馈的加水流量神经网络预测模型；
反馈加水量控制单元，本单元通过建立叶丝回潮水分增加量和加水流量的线性方程，采用指数加权移动平均算法，计算得到T时刻反馈的总加水流量；
加水量实时控制单元，本单元设定开始采集生产数据时刻为t0，当T＜t0+240s时，采用前馈加水量控制单元预测得到叶丝回潮总加水流量，按照分配系数对加水流量I和加水流量II进行加水控制；当T≥t0+240s时，采用反馈加水量控制单元得到的T时刻总加水流量，按照分配系数对加水流量I和加水流量II进行加水控制。
在实施例中，所述参数筛选单元收集的工艺参数包括叶丝回潮工序前序工序的控制参数：松散回潮出口水分、松散回潮出口温度、松散回潮入口加水瞬时流量、松散回潮出口加水瞬时流量、加料出口水分、加料出口温度、热风润叶出口水分、热风润叶出口温度和叶丝回潮机入口水分9个工艺参数。通过Pearson相关性分析筛选：
松散回潮出口温度，热风润叶出口水分与叶丝回潮加水流量I和加水流量II无相关性，即上述9个除松散回潮出口温度，热风润叶出口水分以外的其它工艺参数与叶丝回潮加水流量I和加水流量II具有相关性。
参照图1，前馈即根据制丝生产工艺流程，将叶丝回潮工序前序工序的控制参数作为叶丝回潮机加水流量调节的依据。所述加水流量神经网络预测模型，以上述与叶丝回潮加水流量I和加水流量II具有相关性的工艺参数为输入，以叶丝回潮加水流量I、加水流量II为输出所建立，该神经网络预测模型的设定训练目标0.05，训练速度为0.01，最大步数100。所述的叶丝回潮加水流量I、加水流量II是指叶丝回潮机进料端的两个加水喷嘴所对应的加水流量I和加水流量II。
在优选实施例中，本神经网络预测模型采用自学习算法不断进行优化。
出口水分反馈即在生产过程中根据出口水分的设定值和出口水分的实际值偏差进行叶丝回潮机加水流量的实时调节。
在本实施例中，所述反馈加水量控制单元所建立的叶丝回潮水分增加量和加水流量的线性方程包括：
设定叶丝回潮入口水分为w，出口水分为v，叶丝回潮工序水分增加量为y，则y＝v-w；
设定加水流量I为m，加水流量II为n，总加水流量为x，则x＝m+n；
叶丝回潮水分增加量和加水流量可以表示为：
y＝ax+b；
其中，a表示线性方程系数，b表示截距；
生产过程中每个时刻T，都可以根据指数加权移动平均算法计算该时刻T的截距值
其中，为T时刻反馈的总加水流量，L/h；β为指数加权移动平均系数，0<β≤1；Sv为出口水分设定值，wT为T时刻的入口水分。
在应用过程中，首先依据上一时刻yT-1和xT-1计算出a和b，然后代入线性方程公式计算当前T时刻的总加水流量。由于当前时刻的出口水分为未知数，所以本单元采用Sv也就是出口水分的设定值(可使出口水分与设定值接近并降低偏差)，计算T时刻总加水流量，会得到对应的出口水分，即实时出口水分，如果得到的实时出口水分与设定出口水口偏差较大，通过反馈环节调节加水流量。
在本实施例中，根据制丝信息管理系统生产数据采集标准，当叶丝回潮前秤的流量>3500kg/h时，系统开始采集数据，故在叶丝回潮前秤的流量＞3500kg/h时，将该时刻记为t0。
在优选实施例中，所述叶丝回潮加水流量I和加水流量II的分配系数为6：4。
基于本实施例的叶丝回潮机控制系统，前馈预测以来料状态为基础，考虑来料波动对后续控制的影响，前馈预测同时可以满足RCC生产前加水流量的提前预判，为生产加水流量确定提供参考依据；反馈调节是针对生产过程的物料状态进行加水流量的实时调节，将两种水分控制方式结合起来，得到叶丝回潮机加水流量前馈预测反馈调节的控制方法，来提高叶丝回潮机加水流量控制的精准性。
实施例2
叶丝回潮前馈预测。
根据当前生产批次前序工序生产中的关键工艺参数，预测叶丝回潮机的总加水流量。
以松散回潮出口水分、松散回潮入口加水瞬时流量、松散回潮出口加水瞬时流量、加料出口水分、加料出口温度、热风润叶出口温度和叶丝回潮入口水分作为预测模型的输入，叶丝回潮加水流量I和加水流量II为输出，偏差进行修正，选取牌号钻石(硬特醇)进行叶丝回潮加水流量前馈预测，结果见表1。
预测得到的加水流量I、加水流量II和实际生产使用的加水流量I、加水流量II相对误差均＜5％，可以满足生产要求。
表1叶丝回潮机前馈预测加水流量
实施例3
叶丝回潮反馈调节。
叶丝回潮机在生产过程中入口水分和出口水分不断变化，这时采用反馈调节的方法进行加水流量调节。通过指数加权移动平均算法，计算可知：y＝0.17x+2.939，其中：a和b随着叶丝回潮入口水分和出口水分的变化不断更新。
叶丝回潮机t0之后的240s采用实施例2的神经网络预测前馈调节；t0+240s使用反馈调节。
记t0+240s为T0，计算得到T1、T2、T3、T4和T5时刻叶丝回潮机加水流量，计算结果如表2～3所示，结果可知：反馈调节预测的相对误差<5％，可以满足叶丝回潮工序加水流量误差的允许范围，应用效果良好。
表2反馈调节计算加水流量
表3反馈调节计算的误差情况
实施例4
参照图2，叶丝回潮机控制方法，包括以下步骤
S1参数筛选
基于生产数据，收集叶丝回潮前关键工序的工艺参数，并采用Pearson相关性分析，筛选出与叶丝回潮加水流量I、加水流量II相关性强的工艺参数；
收集的工艺参数包括叶丝回潮工序前序工序的控制参数：松散回潮出口水分、松散回潮出口温度、松散回潮入口加水瞬时流量、松散回潮出口加水瞬时流量、加料出口水分、加料出口温度、热风润叶出口水分、热风润叶出口温度和叶丝回潮机入口水分9个工艺参数。通过Pearson相关性分析筛选：
松散回潮出口温度，热风润叶出口水分与叶丝回潮加水流量I和加水流量II无相关性，即上述9个除松散回潮出口温度，热风润叶出口水分以外的其它工艺参数与叶丝回潮加水流量I和加水流量II具有相关性。
S2前馈加水量控制
以S1筛选出的工艺参数为模型输入，以叶丝回潮加水流量I、加水流量II为模型输出，建立基于来料前馈的加水流量神经网络预测模型；
该神经网络预测模型的设定训练目标0.05，训练速度为0.01，最大步数100。所述的叶丝回潮加水流量I、加水流量II是指叶丝回潮机进料端的两个加水喷嘴所对应的加水流量I和加水流量II。
同时，本神经网络预测模型可采用自学习算法不断进行优化。
S3反馈加水量控制
建立叶丝回潮水分增加量和加水流量的线性方程，采用指数加权移动平均算法，计算得到T时刻反馈的总加水流量；相关算法可参照实施例1。
S4加水量实时控制
设定开始采集生产数据时刻为t0，当T＜t0+240s时，采用S2前馈加水量控制预测得到叶丝回潮总加水流量，按照分配系数对加水流量I和加水流量II进行加水控制；当T≥t0+240s时，采用S3反馈加水量控制得到的T时刻总加水流量，按照分配系数对加水流量I和加水流量II进行加水控制。
应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.叶丝回潮机控制系统，其特征在于：包括
参数筛选单元，本单元基于生产数据，收集叶丝回潮前关键工序的工艺参数，并采用Pearson相关性分析，筛选出与叶丝回潮加水流量I、加水流量II相关性强的工艺参数；
前馈加水量控制单元，本单元以所述参数筛选单元筛选出的工艺参数为模型输入，以叶丝回潮加水流量I、加水流量II为模型输出，建立基于来料前馈的加水流量神经网络预测模型；
反馈加水量控制单元，本单元通过建立叶丝回潮水分增加量和加水流量的线性方程，采用指数加权移动平均算法，计算得到T时刻反馈的总加水流量；
加水量实时控制单元，本单元设定开始采集生产数据时刻为t0，当T＜t0+240s时，采用前馈加水量控制单元预测得到叶丝回潮总加水流量，按照分配系数对加水流量I和加水流量II进行加水控制；当T≥t0+240s时，采用反馈加水量控制单元得到的T时刻总加水流量，按照分配系数对加水流量I和加水流量II进行加水控制。
2.根据权利要求1所述的叶丝回潮机控制系统，其特征在于：
所述参数筛选单元收集的工艺参数包括：松散回潮出口水分、松散回潮出口温度、松散回潮入口加水瞬时流量、松散回潮出口加水瞬时流量、加料出口水分、加料出口温度、热风润叶出口水分、热风润叶出口温度和叶丝回潮机入口水分9个工艺参数。
3.根据权利要求1所述的叶丝回潮机控制系统，其特征在于：
所述参数筛选单元通过Pearson相关性分析筛选出：除松散回潮出口温度，热风润叶出口水分以外的其它工艺参数与叶丝回潮加水流量I和加水流量II具有相关性。
4.根据权利要求1所述的叶丝回潮机控制系统，其特征在于：
所述叶丝回潮加水流量I、加水流量II是指叶丝回潮机进料端的两个加水喷嘴所对应的加水流量I和加水流量II。
5.根据权利要求1所述的叶丝回潮机控制系统，其特征在于：
所述神经网络预测模型的设定训练目标0.05，训练速度为0.01，最大步数100。
6.根据权利要求1所述的叶丝回潮机控制系统，其特征在于：
所述神经网络预测模型采用自学习算法不断进行优化。
7.根据权利要求1所述的叶丝回潮机控制系统，其特征在于：
所述的叶丝回潮水分增加量和加水流量的线性方程：
设定叶丝回潮入口水分为w，出口水分为v，叶丝回潮工序水分增加量为y，则y＝v-w；
设定加水流量I为m，加水流量II为n，总加水流量为x，则x＝m+n；
叶丝回潮水分增加量和加水流量可以表示为：
y＝ax+b；
其中，a表示线性方程系数，b表示截距；
生产过程中每个时刻T，都可以根据指数加权移动平均算法计算该时刻T的截距值
其中，为T时刻反馈的总加水流量，L/h；β为指数加权移动平均系数，0<β≤1；Sv为出口水分设定值，wT为T时刻的入口水分。
8.根据权利要求1所述的叶丝回潮机控制系统，其特征在于：
当叶丝回潮前秤的流量>3500kg/h时系统开始采集生产数据，故在叶丝回潮前秤的流量＞3500kg/h时，将该时刻记为t0。
9.根据权利要求1所述的叶丝回潮机控制系统，其特征在于：
所述叶丝回潮加水流量I和加水流量II的分配系数为6：4。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310475269.4A CN116520783A (zh) | 2023-04-28 | 2023-04-28 | 叶丝回潮机控制系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310475269.4A CN116520783A (zh) | 2023-04-28 | 2023-04-28 | 叶丝回潮机控制系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116520783A true CN116520783A (zh) | 2023-08-01 |
Family
ID=87404168
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310475269.4A Pending CN116520783A (zh) | 2023-04-28 | 2023-04-28 | 叶丝回潮机控制系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116520783A (zh) |
-
2023
- 2023-04-28 CN CN202310475269.4A patent/CN116520783A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110893001B (zh) | 一种松散回潮工序的出口含水率的控制方法及系统 | |
| CN112914139B (zh) | 一种松散回潮工序的加水量的控制方法及系统 | |
| 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 | |
| CN113812658B (zh) | 基于神经网络模型和双重参数修正的松散回潮加水控制方法 | |
| CN112034791B (zh) | 薄板烘丝机智能控制系统及方法 | |
| 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 | |
| CN110946306B (zh) | 一种基于滚筒式叶丝回潮的质量控制方法及系统 | |
| CN114403487B (zh) | 一种松散回潮的加水控制方法 | |
| CN110946313B (zh) | 一种叶丝干燥工序的出口含水率的控制方法及系统 | |
| CN111109643B (zh) | 一种薄板烘丝的烟丝含水量的控制方法及系统 | |
| CN112931913B (zh) | 一种气流式梗丝干燥出口含水率的控制方法 | |
| CN112790418B (zh) | 一种叶丝超级回潮的加水控制方法及系统 | |
| CN110013044B (zh) | 一种通过计算kld-2烘丝机脱水量获得筒体温度的方法 | |
| CN110879581A (zh) | 一种叶片加料的料液控制方法及系统 | |
| CN115251445B (zh) | 一种松散回潮机出口烟叶含水率的控制方法 | |
| CN114115393A (zh) | 一种制丝线薄板烘丝机出口水分和温度的控制方法 | |
| CN115032888A (zh) | 基于分温区延时累加策略的松散润叶机出口温度控制方法 | |
| CN116520783A (zh) | 叶丝回潮机控制系统 | |
| CN111482466B (zh) | 一种轧机加速度的设定方法 | |
| CN112890260B (zh) | 一种基于滑窗预测的薄板烘丝出口含水率的控制方法 | |
| CN110771935A (zh) | 一种kld-2烘丝机“除水标准工作点”的计算方法 | |
| CN112790421B (zh) | 一种基于滑窗预测的梗丝加料出口含水率的控制方法 | |
| CN112641124B (zh) | 烟草滚筒类增温设备加工强度一致性的控制方法及系统 | |
| CN112471572B (zh) | 烟草隧道式增温设备加工强度一致性的控制方法及系统 | |
| CN114831330A (zh) | 一种制丝车间松散回潮工序智能加水模型的建立方法 |
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 |