CN116796903A - 一种烟草烘丝出口水分分批可变设定点的自适应优化方法 - Google Patents
一种烟草烘丝出口水分分批可变设定点的自适应优化方法 Download PDFInfo
- Publication number
- CN116796903A CN116796903A CN202310788584.2A CN202310788584A CN116796903A CN 116796903 A CN116796903 A CN 116796903A CN 202310788584 A CN202310788584 A CN 202310788584A CN 116796903 A CN116796903 A CN 116796903A
- Authority
- CN
- China
- Prior art keywords
- tobacco
- batch
- outlet
- moisture
- encoder
- 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 248
- 235000002637 Nicotiana tabacum Nutrition 0.000 title claims abstract description 248
- 238000000034 method Methods 0.000 title claims abstract description 163
- 238000005457 optimization Methods 0.000 title claims abstract description 55
- 230000008569 process Effects 0.000 claims abstract description 95
- 238000001035 drying Methods 0.000 claims abstract description 59
- 238000004519 manufacturing process Methods 0.000 claims abstract description 56
- 230000003044 adaptive effect Effects 0.000 claims abstract description 52
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 29
- 230000018044 dehydration Effects 0.000 claims abstract description 23
- 238000006297 dehydration reaction Methods 0.000 claims abstract description 23
- 238000010276 construction Methods 0.000 claims abstract description 4
- 238000013480 data collection Methods 0.000 claims abstract description 4
- 238000011835 investigation Methods 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 39
- 238000012883 sequential measurement Methods 0.000 claims description 24
- 239000000463 material Substances 0.000 claims description 22
- 238000013528 artificial neural network Methods 0.000 claims description 19
- 210000000349 chromosome Anatomy 0.000 claims description 17
- 230000000306 recurrent effect Effects 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000002156 mixing Methods 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 11
- 230000000694 effects Effects 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 9
- 238000013461 design Methods 0.000 claims description 8
- 230000007246 mechanism Effects 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 6
- 230000002068 genetic effect Effects 0.000 claims description 6
- 230000035772 mutation Effects 0.000 claims description 6
- 238000009736 wetting Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 5
- 230000003750 conditioning effect Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 claims description 2
- 230000001932 seasonal effect Effects 0.000 claims description 2
- 238000012549 training Methods 0.000 claims description 2
- 239000000796 flavoring agent Substances 0.000 claims 1
- 235000019634 flavors Nutrition 0.000 claims 1
- 238000013386 optimize process Methods 0.000 claims 1
- 238000004886 process control Methods 0.000 abstract description 5
- 235000019580 granularity Nutrition 0.000 abstract description 3
- 239000000047 product Substances 0.000 description 5
- 238000012545 processing Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 235000019504 cigarettes Nutrition 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 235000011194 food seasoning agent Nutrition 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 235000013599 spices Nutrition 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Manufacturing & Machinery (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Manufacture Of Tobacco Products (AREA)
Abstract
本发明提供一种烟草烘丝出口水分分批可变设定点的自适应优化方法,包括创建数据仓库、序列建模、分批约束、约束及数值优化;其中,创建数据仓库的过程包括:业务调研及数据收集、定义每一批次烟草的状态;序列建模的过程包括构建编码器、构建解码器、模型更新,分批约束的过程包括:采用自适应过滤器来估计烘丝入口水分、选择与当前批次的生产相关信息最匹配的历史批次构建烘丝干燥预期脱水水平的正态置信区间,获得烘丝出口水分的所需范围;约束及数值优化的过程包括:约束优化、数值优化。本发明将单过程控制与不同粒度下的过程间优化相结合的能力,能够同时满足加香出口水分标准和烘丝机的脱水能力,能够有效提升制丝批间一致性和产品全过程质量。
Description
技术领域
本发明属于工业大数据智能控制领域,涉及一种卷烟制造制丝产线联动优化时,烟草烘丝出口水分分批可变设定点的自适应优化方法。
背景技术
在烟草制丝生产过程中,车间实际生产中的制丝烘丝出口水分设定点多由操作人员根据经验标准人工确定,从一批烟草到另一批烟草的设定值相对固定,该方法导致两个问题:
1、在实践中,烘丝工序并不是整个烟草制丝加工的最终工序,后续的主要过程还包括掺配和加香,之后烟草被包装成卷烟成品。虽然在后续过程中对水分控制的干预有限,但烟草加香出口水分是一个可测量的量,与产品质量最相关,却没有及时参与到水分设定点的确定过程,具体而言,在确定烘丝出口水分设定点时,最好了解烘丝后的潜在水分变化,直到加香过程结束。这种变化需要在批次级的粒度上进行分析,因为原料、工作条件、环境等因素不同,都会产生差异。
2、烘丝机的脱水能力应该是一个重要的考虑因素,具体而言,在工艺可控变量受限的情况下,脱水量的可达范围也会有所不同。例如,这些量在冬季往往比夏季低,过夜储存的批次比其他批次低。因此,烘丝控制器的水分设定点也应根据每批烟草的最新情况而可获得。
综上所述,烘丝工序出口水分控制设定点的可变性值得探索,以提高实际烟草加工车间的产品质量。近年来,一些发明方法公开了烟草烘丝过程中水分含量的数据驱动预测,以促进过程的智能控制和优化,并在预测精度方面取得了可喜的进展。然而,大多未能证明如何进一步使用预测模型来支持过程控制和优化,这是产品质量的最终目标。
此外,之前只考虑了单一的烘丝过程并对其进行了建模,而烘丝之前和后续过程的关系仍未被探索。由于每批烟草在生产过程中都要经历一系列的工序,了解其他工序有助于烘丝过程的水分预测和控制。
发明内容
本发明提出了一种烟草烘丝出口水分分批可变设定点的自适应优化方法,具有将单过程控制与不同粒度下的过程间优化相结合的能力,能够同时满足加香出口水分标准和烘丝机的脱水能力,能够有效提升制丝批间一致性和产品全过程质量。
为了实现上述目的,本发明提供一种烟草烘丝出口水分分批可变设定点的自适应优化方法,包括创建数据仓库、序列建模、分批约束、约束及数值优化;其中,
创建数据仓库的过程包括:
业务调研及数据收集:制丝全工序的生产过程中,采集每一批次的烟草质量指标相关数据并记录生产相关信息,根据生产批次、生产顺序、生产时间将质量指标相关数据、生产相关信息整合为批次级制丝质量数据集存储至数据仓库中;
定义每一批次烟草的状态:状态参数包括多个测量位置的多个批次的烟草状态,多个批次的烟草状态构成烟草批次状态的多元序列,烟草状态评价要素包括:批次的测量位置的实际含水量、批次的测量位置的实际温度;
序列建模的过程包括构建编码器、构建解码器、模型更新,其中,
构建编码器:基于递归神经网络将来自前一个过程的顺序测量值和后续过程的先验知识,封装成统一的上下文向量;
构建解码器:基于递归神经网络利用编码器的上下文向量和生产工艺过程轨迹中的起始状态,依次预测多个烟草批次状态的多元序列中的下几个值;
模型更新:采用加权均方误差作为损失函数,并采用教师强制(Teacher Forcing)的训练算法,将编码器-解码器模型进行在线更新;
分批约束的过程包括:
采用自适应过滤器(Filter)来估计烘丝入口水分,所述自适应过滤器具有梯度提升和过滤器装袋机制,自适应过滤器的梯度提升和过滤器装袋机制是将各种自适应滤波器进行梯度提升后装袋集成;
选择与当前批次的生产相关信息最匹配的历史批次,依据这些最匹配的历史批次的质量指标相关数据构建烘丝干燥预期脱水水平的正态置信区间,通过烘丝入口处的估计水分减去脱水量的置信区间来获得烘丝出口水分的所需范围;
约束及数值优化的过程包括:
约束优化:对每个烟草批次让编码器-解码器模型中预测的加香出口水分与标准值之差最小化;
数值优化:基于上述步骤给出的烘丝出口水分设定范围和编码器-解码器模型,采用遗传算法对约束问题进行数值求解。
本发明首次提出了一种数据驱动的方法来实现烟草烘丝过程的分批可变出口水分设定点。由于烟草批次的状态例如:特定测量位置的批次平均水分含量、批次平均材料温度等,与产品质量密切相关,因此,设计了一种改进的编码器-解码器模型,学习烟草批次从烘丝工序出口到加香工序出口的状态参数演化轨迹。编码器将来自前一个过程的顺序测量值和关于后续过程的先验知识封装成一个统一的上下文向量。解码器依靠该矢量和轨迹中的起始状态,依次预测下一个状态。采用加权均方误差作为损失函数,并采用教师强制策略,便于编码器-解码器模型的在线更新。在此基础上,以烘丝出口水分设定点的可达范围为优化设计约束,来估计烘丝前的烟草水分。同时,在与历史记录条件匹配的基础上,构建干燥预期脱水水平的正态置信区间。出口水分的所需范围是通过干燥入口处的估计水分减去脱水量的置信区间来获得的。最后,为每个烟草批次制定约束优化问题,其中让改进的编码器-解码器模型中预测的加香出口水分与标准值之间的距离L1最小化。考虑到某些烘丝控制器可以通过特定的协调同时跟踪水分和温度的设定点,因此将这两个量作为设计变量。对于仅能控制水分的宽松情况,可将温度设置为固定值或保留为设计变量,不影响优化的有效性。采用遗传算法对全局最优解进行数值求解。这种方法给出的设定点被传送到烘丝过程的控制器作为当前烟草批次的出口水分设定值。
优选的,创建数据仓库的过程中,所述烟草质量指标相关数据包括:牌号信息、批次信息、超回及润叶入口水分及入口物料温度、超回及润叶出口水分及出口物料温度、储叶时间、储叶出口物料温度、环境温湿度、烘丝入口水分及入口物料温度、烘丝脱水量、掺配入口水分及入口物料温度、掺配出口水分及出口物料温度、加香入口水分及入口物料温度、加香出口水分、环境温湿度。
优选的,所述生产相关信息包括:该批次是否在存储过程中过夜,该批次是否是当天干燥过程的第一个批次。
优选的,所述的批次级制丝质量数据集在数据仓库中的存储字段包括:批次号、工单号、烟丝品牌编码、烟丝品牌名称、生产日期、工单开始时间、工单结束时间以及各质量指标。
优选的,创建数据仓库的过程中,批次的烟草的状态参数包括:
第n个烟草批次烘丝出口的实际状态为其中,烘丝出口实际含水率为Mn,dout,烘丝出口实际温度为Tn,dout;
其中,“dout”表示烘丝出口;“bin”和“bout”表示掺配过程的入口和出口;“fin”和“fout”表示加香过程的入口和出口;则第n个烟草批次状态的多元序列为{Sn,dout,Sn,bin,Sn,bout,Sn,fin,Sn,fout};
第n批烟草烘丝出口设定状态为其中,/>为烟草各批次烘丝出口平均含水量,/>为烟草各批次烘丝出口平均温度。
更优选的,构建编码器时,干燥过程出口处的烟草批次状态Sn,dout被认为是起始输入,然后依次Sn,bin,Sn,bout,Sn,fin,Sn,fout。
优选的,构建编码器时,所述顺序测量值包括:环境温度的顺序测量值、环境湿度的顺序测量值、当前烟草批次在前面过程中的状态的顺序测量值。
优选的,所述先验知识包括掺配过程的相关工艺计算方式、加香过程的相关工艺计算方式。
优选的,所述自适应滤波器包括:线性自适应滤波器、非线性自适应滤波器和时间序列滤波器,其中,线性自适应滤波器包括:递归最小二乘法(RLS)、在线中心归一化最小二乘法(OCNLMS)、自适应递归最小二乘法(AdaRLS);非线性自适应滤波器包括:内核递归最小二乘法(KRLS)和多层感知神经网络(MLP);时间序列滤波器包括:带有外生因素的季节性自回归综合移动平均(SARIMAX)。
优选的,分批约束的过程中,正态置信区间构建方法:将最匹配的多个历史批次的脱水级别按顺序表示为基于/>计算平均值/>和标准偏差/>假设近期脱水水平服从正态分布,95%置信区间构造为/>此间隔代表脱水能力,确定当前批次烟草烘丝入口含水量设定值Mn,din的最终范围为
由于最近生产(完成)的烟草批次的数量Nb个完成批次的实际值Sn,bin,Sn,bout,Sn,fin,Sn,fout都是已知的,因此在模型更新时通常采用教师强制策略,例如,zn(2)的前向计算可以以一定的概率使用Sn,bin代替以这种方式,可以减轻先前预测误差对后续计算的影响,同时仍然保持烟草批次的连续状态之间的联系。
优选的,构建编码器时,所述顺序测量值包括:模型调用前最后几分钟的环境温度和湿度的顺序测量值、当前烟草批次在前面过程中的状态的顺序测量值;所述先验知识是:生产工艺过程轨迹中涉及的后续过程的非顺次的公式。。
优选的,构建编码器时,为了妥善处理顺次测量,针对编码器设置了三分支结构,前两个分支分别采用递归神经网络,其中:
A).将第一个分支收集的信息表示为其中vn(l),1≤l≤L包含滑动窗口中第l个时间步的环境温度和湿度;然后递归神经网络f(1)依次接收每个vn(l),并通过多个门维护单元状态和隐藏状态;最终隐藏状态/>被认为是捕获/>的上下文;
B).将第二个分支的顺序信息表示为其中“lout”表示松散回潮过程的出口;“cin”和“cout”表示润叶加料过程的入口和出口;“din”表示烘丝入口,松散回潮、润叶工序的烟草状态参数,是创建数据仓库时采集的,另一个递归神经网络f(2)以相同方式处理,得到最终隐藏状态/>
C).第三个分支收集生产的直接上下文信息,作为非顺序向量原始记录中的各种模态在形成这样的向量之前需要统一为数值。
更优选的,原始记录中的各种模态统一为数值的方法为:通过查找字典编码中的索引,找到掺配烟丝的种类,将添加香料的量转化为相对于烟草批次的比例;放置一个完全连接的线性层以将映射到与/>和/>具有相同维度的隐藏空间;为了保证三个分支的封装信息能够正确融合,/>和/>中的所有元素都根据历史数据预先进行归一化处理,来自三个分支的隐藏状态向量将分别缩写为/>和/>
更优选的,构建编码器时,采用注意力机制来提高编码器的适应性,具体自适应权重计算为:
其中,exp(·)是指数函数;tanh(·)是双曲正切激活函数;W1和W2是可训练参数;然后将三个隐藏状态向量的加权组合作为编码器的一个统一的上下文向量:
更优选的,序列建模的过程中,构建解码器包括以下步骤:
干燥过程出口处的烟草批次状态Sn,dout被认为是起始输入,它遵循:
其中,烘丝出口处的烟草批次状态Sn,dout是起始输入,解码器f′的初始隐藏状态被设置为上下文向量,即zn(0)=hn,linear()是将隐藏状态映射到输出预测的全连接线性层,zn(1),zn(2),zn(3),zn(4)是进化的隐藏状态;是第n批烟草在相应位置的状态预测向量。
更优选的,模型更新的过程中,损失函数获得方法为:
采用加权均方误差(MSE)来构成编码器-解码器模型的损失函数,同时强调序列中的最后一个向量数学表达式为:
其中,Nb是的最近生产(完成)的烟草批次的数量,用于损失计算;权重系数是用以反映对后一个工序的重要性日益增加,可以通过增加权重来应对后续过程预测难度的增加。编码器-解码器模型的参数通过损失的端到端反向传播得到更新,因此,连续模型更新之间的间隔是Nb烟草批次。由于Nb个完成批次的实际值Sn,bin,Sn,bout,Sn,fin,Sn,fout都是已知的,因此在模型更新时通常采用教师强制策略。
更优选的,zn(2)的前向计算可以以一定的概率使用Sn,bin代替以这种方式,可以减轻先前预测误差对后续计算的影响,同时仍然保持烟草批次的连续状态之间的联系。
优选的,分批约束的过程中,采用自适应过滤器估计烘丝入口水分的步骤:
(1)第n个烟草批次到达烘丝机之前进行估计的输入特征xn包括:润叶加料出口处烟草批次状态的评价要素Mn,cout和Tn,cout、润叶储柜内存放的时间、环境温度和湿度,以及,环境温度和湿度的连续值的统计数据,其中环境温度和湿度的连续值的统计数据(如平均值、标准偏差、FFT系数)被提取为标量值;
(2)线性自适应滤波器采用线性形式当获得实际值时,通过θn+1=θn+Δθn来更新参数,/>是入口水分含量的估计值,。
(3)初始更新,Mn,din表示第n个批次烘丝入口处的含水量,负梯度计算为/>下次更新,将作为目标,一直迭代到所有的弱学习器都被更新;最终的迭代是:
最终参数是初始更新参数和弱学习器的线性组合即:
那么,第k个单独滤波器的最终估计是对所有滤波器进行性能评估后选择没有大偏差的K个滤波器进行装袋,为当前批次的烘丝入口水分提供最终估计:
优选的,分批约束的过程中,为了确定适当的烘丝脱水水平范围,维护一个具有预定义大小τ的历史窗口,历史批次质量指标相关数据包含:最近τ个烟草批次的实际脱水水平,即Dn=[Dn-τ … Dn-1],τ个批次的生产相关信息;
选择与当前批次的生产相关信息最匹配的历史批次,将其脱水级别按顺序表示为基于/>计算平均值/>和标准偏差/>假设近期脱水水平服从正态分布,95%置信区间构造为/>该间隔可以代表脱水能力,本批次烟叶干燥口含水量设定值的最终范围为/> 为确保合格批次始终存在,τ的值不应太小。
更优选的,在估计时考虑不确定性,引入一定的误差容限,本批次烟叶干燥口含水量设定值的最终范围为/>
优选的,约束及数值优化的过程中,约束优化问题可以表示为:
Rn,dout≈Sn,dout,
其中,为加香出口水分标准值,由于优化发生在烘丝过程开始之前并且烘丝机的控制能力很强,因此设置点Rn,dout被认为是烟草批次在干燥出口处的状态Sn,dout的良好表示;ED(·)是编码器-解码器模型,其中上下文向量首先由编码器导出(等式2),然后预测由解码器顺序生成(等式3);/>和/>是历史窗口内直到当前第n批烟草批次温度的平均值和标准差;C(·)是由控制器描述的二元关系,它平衡了水分含量和温度对其行为的影响。
在公式8中列出的一系列约束条件下,求解Rn,dout使得最小,这就是约束问题的全局最优解(即Rn,dout在所有约束条件下使得/>最小的解)。
更优选的,约束及数值优化的过程中,数值优化问题可以表示为:
每个设计变量的十进制值随着范围移位被解码为真实值,即 其中J是子字符串的长度,DV是十进制值;然后根据目标值和约束违反情况为每个染色体分配适应度分数,通过交叉和变异操作选择最适合的染色体来产生下一代;为了避免良好染色体的破坏,为那些具有相对较高的适应性分数的染色体分配较低的突变率,反之亦然;当达到预定义的最大世代或平均适应度分数几乎没有变化时,算法终止;上一代中最好的染色体被认为是最优解,并被所提出的方法推荐为干燥过程的设定点(在解码为真实值之后)。
由于优化涉及数据驱动模型描述的等式约束,没有显式形式,因此遗传算法进行数值求解,为该工程问题寻找全局最优解。具体而言,生成一组染色体(二进制字符串)作为初始种群。
本发明有益效果:
(1)改进后的编码器-解码器模型在序列建模方面明显优于其他在线模型和时间序列预测模型;(2)所提出的方法使用编码器来合并可以捕获当前烟草批次特征的相关信息,有了更多的因素保证,概念漂移的影响就会减少;(2)所提出的方法通过为解码器考虑更丰富的上下文信息并将加权MSE设计为损失函数,有效缓解了模型向顺序数据样本收敛速度变慢的问题;(3)所提出的方法分别处理每个烟草批次的短状态序列,并解耦批次内和批次间模式以进行模型更新,可以有效地了解烟草批次状态从烘丝过程出口到加香过程出口的转变;(4)所提出的滤波器在所有指标上都比单个过滤器实现了卓越的性能,较单个滤波器和常用离线模型有明显的改善,它不仅允许超参数的变化,而且还允许过滤器类型的变化;(5)通过遗传算法求解的约束优化的公式可以很好地满足实际生产的需要,具有较高的精度;(6)所提出的方法旨在在出现不良趋势之前以主动的方式研究每个烟草批次的最佳调整;(7)所提出的方法具有将单过程控制与不同粒度下的过程间优化相结合的能力。
附图说明
图1为本发明的一种烟草烘丝出口水分分批可变设定点的自适应优化方法流程示意图
图2为本发明的一种烟草烘丝出口水分分批可变设定点的自适应优化方法算法实现流程详细示意图
图3为本发明的一种烟草烘丝出口水分分批可变设定点的自适应优化方法所提出的改进编码器-解码器模型对加香出口水分的预测值与实际值的对比效果图,模型更新的教师强制概率设置为0.8
图4为本发明的一种烟草烘丝出口水分分批可变设定点的自适应优化方法所提出的改进滤波器对烘丝入口水分的预测值与实际值的对比图
图5为本发明的一种烟草烘丝出口水分分批可变设定点的自适应优化方法的烘丝出口水分含量的实际值和求解值以及在有和没有烘丝出口水分动态取值范围约束的情况下进行优化的可变可行区域的图示
图6为本发明的一种烟草烘丝出口水分分批可变设定点的自适应优化方法在加香出口含水量在标准附近的稳定性方面人工经验与本方法的性能比较图
具体实施方式
为了清楚描述本发明的一种烟草烘丝出口水分分批可变设定点的自适应优化方法,现结合附图及示例详细说明。
如图1所示,本发明所述一种烟草烘丝出口水分分批可变设定点的自适应优化方法,包括创建数据仓库、序列建模、分批约束、约束及数值优化;其中,
创建数据仓库的过程包括:
进行业务调研及数据收集:对制丝全工序的生产过程进行研究,采集每一批次的烟草质量指标相关数据并记录生产相关信息,根据生产批次、生产顺序、生产时间将质量指标相关数据、生产相关信息整合为批次级制丝质量数据集存储至数据仓库中;
其中,烟草质量指标相关数据包括:牌号信息、批次信息、超回及润叶入口水分及入口物料温度、超回及润叶出口水分及出口物料温度、储叶时间、储叶出口物料温度、环境温湿度、烘丝入口水分及入口物料温度、烘丝脱水量、掺配入口水分及入口物料温度、掺配出口水分及出口物料温度、加香入口水分及入口物料温度、加香出口水分、环境温湿度;
批次级制丝质量数据集在数据仓库中的存储字段包括:批次号、工单号、烟丝品牌编码、烟丝品牌名称、生产日期、工单开始时间、工单结束时间以及各质量指标。
生产相关信息包括:该批次是否在存储过程中过夜,该批次是否是当天干燥过程的第一个批次。
如图1、图2所示,定义每一批次烟草的状态:状态参数包括多个测量位置的多个批次的烟草状态,烟草状态评价要素包括:批次的测量位置的实际含水量、批次的测量位置的实际温度,例如:表示第n个烟草批次烘丝出口的实际状态,烘丝出口实际含水量为Mn,dout,烘丝出口实际温度为Tn,dout;多个批次的烟草状态构成烟草批次状态的多元序列,{Sn,dout,Sn,bin,Sn,bout,Sn,fin,Sn,fout}代表第n个烟草批次状态的多元序列,“bin”和“bout”表示掺配过程的入口和出口;“fin”和“fout”表示加香过程的入口和出口;第n批烟草烘丝出口设定点为/>其中/>为烟草各批次烘丝出口的平均含水量,/>为烟草各批次烘丝出口平均温度;加香后烟草的实际含水量为Mn,fout,加香出口水分标准值为/>
序列建模的过程包括构建编码器、构建解码器、模型更新,其中,
构建编码器:基于递归神经网络将来自前一个过程的顺序测量值和后续过程的先验知识,封装成一个统一的上下文向量。顺序测量值包括:环境温度的顺序测量值、环境湿度的顺序测量值、当前烟草批次在前面过程中的状态的顺序测量值;先验知识包括掺配过程的相关工艺计算方式、加香过程的相关工艺计算方式;烟草批次状态的多元序列中,干燥过程出口处的烟草批次状态Sn,dout被认为是起始输入,然后依次Sn,bin,Sn,bout,Sn,fin,Sn,fout。
为了妥善处理顺次测量,针对编码器设置了三分支结构:前两个分支分别采用递归神经网络,其中:第一分支为模型调用前最后几分钟的环境温度和湿度的顺序测量,第一个分支收集的信息表示为其中vn(l),1≤l≤L包含滑动窗口中第l个时间步的环境温度和湿度,然后递归神经网络f(1)依次接收每个vn(l),并通过多个门维护单元状态和隐藏状态,最终隐藏状态/>被认为是捕获/>的上下文;
第二分支为当前烟草批次在前面过程中状态的顺序测量,第二个分支的顺序信息,表示为其中“lout”表示松散回潮过程的出口;“cin”和“cout”表示润叶加料过程的入口和出口;“din”表示烘丝入口,另一个递归神经网络f(2)以相同方式处理,得到最终隐藏状态/>
第三分支为轨迹中涉及的后续过程的非顺次先前知识,第三个分支收集生产的直接上下文信息作为非顺序向量放置一个完全连接的线性层以将/>映射到与和/>具有相同维度的隐藏空间;
具体地,和/>中的所有元素都根据历史数据预先进行归一化处理,来自三个分支的隐藏状态向量将分别缩写为/>和/>
采用注意力机制来提高编码器的适应性,自适应权重计算为:
其中,exp(·)是指数函数;tanh(·)是双曲正切激活函数;W1和W2是可训练参数;然后,将三个隐藏状态向量的加权组合作为编码器的一个统一的上下文向量:
构建编码器,是为了捕捉轨迹中的时间关系,考虑了多步超前预测的公式,即根据到目前为止的感知信息预测序列中的下几个值。基于递归神经网络的编码器-解码器模型是从自然语言处理中的常见用法引用和修改到这里的特殊上下文的,该模型由编码器部分和解码器部分组成。基于递归神经网络将来自前一个过程的顺序测量值和后续过程的先验知识封装成一个统一的上下文向量。
序列建模过程中,基于递归神经网络利用编码器的统一上下文向量和轨迹中的起始状态来依次预测序列中的下几个值,以此构建解码器;解码器使用外生上下文向量执行自回归,每个时间步的输入是上一个时间步的预测输出,遵循:
其中,烘丝出口处的烟草批次状态Sn,dout是起始输入,解码器f′的初始隐藏状态被设置为上下文向量,即zn(0)=hn,linear()是将隐藏状态映射到输出预测的全连接线性层,zn(1),zn(2),zn(3),zn(4)是进化的隐藏状态;是第n批烟草在相应位置的状态预测向量。
解码器实际上使用外生上下文向量执行自回归,每个时间步的输入是上一个时间步的预测输出。在数学上,解码器f′的初始隐藏状态被设置为上下文向量,即zn(0)=hn。如果LSTM用于编码器和解码器,则单元状态也应像在具有等式1和2的编码器中一样进行维护,并用作上下文向量的一部分。为简单起见,此处说明了隐藏状态的演变,这很容易扩展到隐藏状态和单元状态。
模型更新的过程中,损失函数获得方法为:采用加权均方误差(MSE)来构成编码器-解码器模型的损失函数,同时强调序列中的最后一个向量数学表达式为:/>
其中,Nb是的最近生产(完成)的烟草批次的数量,用于损失计算;权重系数是用以反映对后一个工序的重要性日益增加。编码器-解码器模型的参数通过损失的端到端反向传播得到更新,因此,连续模型更新之间的间隔是Nb烟草批次;由于Nb个完成批次的实际值Sn,bin,Sn,bout,Sn,fin,Sn,fout都是已知的,因此在模型更新时通常采用教师强制策略:zn(2)的前向计算可以以一定的概率使用Sn,bin代替以这种方式,可以减轻先前预测误差对后续计算的影响,同时仍然保持烟草批次的连续状态之间的联系。
分批约束的过程中,采用自适应过滤器估计烘丝入口水分的步骤:
(1)第n个烟草批次到达烘丝机之前进行估计的输入特征xn包括:润叶加料出口处烟草批次状态的评价要素Mn,cout和Tn,cout、润叶储柜内存放的时间、环境温度和湿度;以及,环境温度和湿度的连续值的统计数据,其中环境温度和湿度的连续值的统计数据(如平均值、标准偏差、FFT系数)被提取为标量值;
(2)线性自适应滤波器采用线性形式(/>是入口水分含量的估计值),当获得实际值时,通过θn+1=θn+Δθn来更新参数。
Δθn的计算取决于具体的滤波器,例如,最小均方滤波器考虑 其中μ是学习率;递归最小二乘滤波器考虑/>其中是自相关矩阵的逆矩阵,λ是遗忘因子,将第n个批次烘丝入口含水量表示为Mn,din。采用不同超参数值的每种类型的滤波器都被视为一个单独的滤波器,例如,μ=0.1和μ=0.2的最小均方滤波器是不同的实例。具体地,对于家族中的k个个体自适应滤波器和第n个批次的样本,生成G个最新参数副本作为弱学习器;
(3)初始更新,即Mn,din表示第n个批次烘丝入口处的含水量,负梯度计算为/>下次更新将作为目标,一直迭代到所有的弱学习器都被更新;最终的迭代是:
最终参数是初始更新参数和弱学习器的线性组合即:
/>
那么,第k个单独滤波器的最终估计是
具体地,对所有滤波器进行性能评估后选择没有大偏差的K个滤波器进行装袋,为当前批次的烘丝入口水分提供最终估计:
分批约束过程中,历史批次质量指标相关数据包含:最近τ个烟草批次的实际脱水水平,即Dn=[Dn-τ … Dn-1],τ个批次的生产相关信息;为了确定适当的烘丝脱水水平范围,维护一个具有预定义大小τ的历史窗口,在与历史记录条件匹配的基础上,构建干燥预期脱水水平的正态置信区间,通过烘丝入口处的估计水分减去脱水量的置信区间来获得烘丝出口水分的所需范围;
具体地,维护一个具有预定义大小τ的历史窗口,其中包含最近τ个烟草批次的实际脱水水平,即Dn=[Dn-τ … Dn-1];同时收集τ个批次和当前批次的生产相关信息,包括该批次是否在存储过程中过夜,该批次是否是当天干燥过程的第一个批次,然后选择与当前批次信息最匹配的历史批次,并将其脱水级别按顺序表示为基于/>可以计算平均值和标准偏差/>假设近期脱水水平服从正态分布,95%置信区间构造为确定本批次烟叶干燥口含水量设定值的最终范围为
在估计时考虑不确定性,引入一定的误差容限,本批次烟叶干燥口含水量设定值的最终范围为/>
约束及数值优化的过程中,约束优化问题可以表示为:
Rn,dout≈Sn,dout,
其中,为加香出口水分标准值,由于优化发生在烘丝过程开始之前并且烘丝机的控制能力很强,因此设置点Rn,dout被认为是烟草批次在干燥出口处的状态Sn,dout的良好表示;ED(·)是编码器-解码器模型,其中上下文向量首先由步骤3中的编码器导出(等式2),然后预测由步骤4中的解码器顺序生成(等式3);/>和/>是历史窗口内直到当前第n批烟草批次温度的平均值和标准差;C(·)是由控制器描述的二元关系,它平衡了水分含量和温度对其行为的影响。
由于在烘丝过程开始之前,加香过程出口处水分含量的实际值Mn,fout是未知的,因此本实施例中,采用中的预测值/>作为最小化/>的方案。
约束及数值优化的过程中,数值优化问题是寻找全局最优解;具体地,生成一组染色体(二进制字符串)作为初始种群,每个设计变量的十进制值随着范围移位被解码为真实值,即 其中J是子字符串的长度,DV是十进制值;然后根据目标值和约束违反情况为每个染色体分配适应度分数,通过交叉和变异操作选择最适合的染色体来产生下一代;为了避免良好染色体的破坏,为那些具有相对较高的适应性分数的染色体分配较低的突变率,反之亦然;当达到预定义的最大世代或平均适应度分数几乎没有变化时,算法终止;上一代中最好的染色体被认为是最优解,并被所提出的方法推荐为烘丝过程的设定点。
本实施例中,对用于序列建模的改进编码器-解码器模型的定量性能进行了评估。评估对加香出口水分的预测性能,预测效果评价指标采用平均绝对误差(MAE)、均方误差(MSE)、决定系数(R2)和皮尔逊相关系数(PCC)。通过将本方法提出的改进编码器-解码器模型与线性自适应算法和非线性自适应算法进行比较,线性自适应算法包括:递归最小二乘法(RLS)、在线中心归一化最小二乘法(OCNLMS)、自适应递归最小二乘法(AdaRLS),非线性自适应算法包括内核递归最小二乘法(KRLS)、多层感知(MLP),同时还与自回归综合移动平均(SARIMAX)算法进行比较。编码器和解码器均采用双层双向LSTM,隐藏维度为8,学习率为10-2,Nb=2。如表1所示为各算法对加香出口水分预测的性能指标比较,模型更新的教师强制概率从上到下分别设置为0.8、0.5和0.2,相比之下,所提出的方法对加香出口水分的预测值与实际值相关系数达到0.957,预测效果最好,可以有效地了解烟草批次状态从干燥过程出口到调味过程出口的转变。
表1各比较模型与改进的编码器-解码器模型在测试数据上序列建模对加香出口水分预测的性能比较
/>
如图3所示为本发明方法所提出的改进编码器-解码器模型对加香出口水分的预测值与实际值的对比图,从图中看以看出本方法剔除的改进编码器-解码器模型能较好地预测加香出口水分,敏捷地捕捉到加香出口水分的变化。
本实施例中,对改进自适应滤波器的定量性能进行了评估。评估对烘丝入口水分的预测性能,与上述对改进的编码器-解码器评估方式相同,对比各模型预测值与实际值的平均绝对误差(MAE)、均方误差(MSE)、决定系数(R2)和皮尔逊相关系数(PCC),如表2所示,将所提出的滤波器和自适应滤波器包括递归最小二乘法(RLS)、归一化最小均方(NLMS)、广义归一化梯度下降(GNGD)、最小开销(Ll-ncosh)、在线中心归一化最小二乘法(OCNLMS)和自适应递归最小二乘法(AdaRLS)进行比较。所提出的滤波器,梯度提升中的弱学习者数量为G=50,而在装袋中选择的顶级个体数量为K=3。从表中可以看出,所提出的滤波器在所有指标上都比单个过滤器实现了卓越的性能。如图4所示为本发明方法所提出的改进滤波器对烘丝入口水分的预测值与实际值的效果对比图,从图中看出,改进的具有梯度提升和过滤器装袋机制的自适应过滤器能够有效铺捉到烘丝入口水分的大幅变化,并且预测值与实际值的相关系数达到0.983,预测效果非常好。
表2各自适应滤波器和提出的自适应滤波器在测试数据上对烘丝入口水分预测的性能比较。
本实施例中,对优化约束的公式进行了评估,即评估烘丝出口水分的动态取值范围对优化问题的影响,比较了在有和没有烘丝动态取值不等式约束的性能表现。
如表3所示,比较的性能指标为干燥出口水分含量的实际值和求解值的平均绝对误差(MAE)、均方误差(MSE)、决定系数(R2)和皮尔逊相关系数(PCC),可以看出,设计变量上不等式约束的存在将性能进一步提高到指标的最优值,原因是由于修改了编码器-解码器模型,它缩小了非线性优化的可行区域。对于某些制丝批次,由于烘丝过程中的脱水能力有限,因此在实际生产中很难获得理论上的最佳解决方案,不等式约束在最优性和可访问性之间实现了折衷。
表3.具有和不具有烘丝出口水分含量的设计不等式约束的问题公式之间的数值优化性能比较。
这也清楚地反映在图5中,其中散点周围的灰色区域对应于可变的可行域,不可忽略的部分无约束解位于可行域之外,这会导致与烘丝出口水分实际值产生明显偏差。相反,通过遗传算法求解的约束优化的公式可以很好地满足实际生产的需要。
对本实施例的最终效果进行评估。具体而言,对于每个烟草批次,本实施例中运用本发明提出的方法预先推荐烘丝出口设定点(包括水分含量和温度),然后人工操作员直接将这样的设定点用于烘丝机。记录每批烟草在加香过程出口处测得的批次平均水分含量。然后在一段时间的生产中评估其与固定标准值的接近程度,并与之前的情况进行比较(使用根据操作员经验调整的相对固定的设定值)。
如表4所示为人工经验和本发明提出的方法对于加香出口水分在标准附近的稳定性方面的性能比较,可以看出,使用本发明方法建议的烘丝设点值可以让加香出口水分含量更集中在标准值12.6左右,样本均值更接近标准,而样本方差和均值绝对漂移(即与标准值的平均距离)要小得多。
表4.人工经验和本发明提出的方法对于加香出口水分在标准附近的稳定性方面的性能比较
另一方面,图6说明了操作员基于经验的定期调整的一般模式,当观察到加香出口水分在一段时间内有一致的超标趋势时,操作人员会调低出口水分设定值(调高出口温度设定值)进行干燥工序,然后由于调整不当,调味料出口水分开始出现反向趋势,这样的校准需要来回调整好几轮,而且与标准值的偏差还是很大的,这可能导致最终产品质量存在很大的不确定性,相比之下,采用本发明推荐的烘丝出口水分能够有效地稳定加香出口水分至标准值12.6附近,且波动较小。因此,所本发明所提出的方法旨在当出现不良趋势之前以主动的方式给出每个烟草批次的最佳调整。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进,或者使本技术领域的其它普通技术人员能理解本文。
Claims (22)
1.一种烟草烘丝出口水分分批可变设定点的自适应优化方法,其特征在于,包括创建数据仓库、序列建模、分批约束、约束及数值优化;其中,
创建数据仓库的过程包括:
业务调研及数据收集:制丝全工序的生产过程中,采集每一批次的烟草质量指标相关数据并记录生产相关信息,根据生产批次、生产顺序、生产时间将质量指标相关数据、生产相关信息整合为批次级制丝质量数据集存储至数据仓库中;
用状态参数定义每一批次烟草的状态,状态参数包括多个测量位置的多个批次的烟草状态,多个批次的烟草状态构成烟草批次状态的多元序列,烟草状态评价要素包括:批次的测量位置的实际含水量、批次的测量位置的实际温度;
序列建模的过程包括构建编码器、构建解码器、模型更新,其中,
构建编码器:基于递归神经网络将来自前一个过程的顺序测量值和后续过程的先验知识,封装成统一的上下文向量;
构建解码器:基于递归神经网络利用编码器的上下文向量和生产工艺过程轨迹中的起始状态,依次预测多个烟草批次状态的多元序列中的下几个值;
模型更新:采用加权均方误差作为损失函数,并采用教师强制的训练算法,将编码器-解码器模型进行在线更新;
分批约束的过程包括:
采用自适应过滤器来估计烘丝入口水分,所述自适应过滤器具有梯度提升和过滤器装袋机制,自适应过滤器的梯度提升和过滤器装袋机制是将各种自适应滤波器进行梯度提升后装袋集成;
选择与当前批次的生产相关信息最匹配的历史批次,依据这些最匹配的历史批次的质量指标相关数据构建烘丝干燥预期脱水水平的正态置信区间,通过烘丝入口处的估计水分减去脱水量的置信区间来获得烘丝出口水分的所需范围;
约束及数值优化的过程包括:
约束优化:对每个烟草批次让编码器-解码器模型中预测的加香出口水分与标准值之差最小化;
数值优化:基于上述步骤给出的烘丝出口水分设定范围和编码器-解码器模型,采用遗传算法对约束问题进行数值求解。
2.如权利要求1所述的烟草烘丝出口水分分批可变设定点的自适应优化方法,其特征在于,创建数据仓库的过程中,所述烟草质量指标相关数据包括:牌号信息、批次信息、超回及润叶入口水分及入口物料温度、超回及润叶出口水分及出口物料温度、储叶时间、储叶出口物料温度、环境温湿度、烘丝入口水分及入口物料温度、烘丝脱水量、掺配入口水分及入口物料温度、掺配出口水分及出口物料温度、加香入口水分及入口物料温度、加香出口水分、环境温湿度。
3.如权利要求1所述的烟草烘丝出口水分分批可变设定点的自适应优化方法,其特征在于,所述生产相关信息包括:该批次是否在存储过程中过夜,该批次是否是当天干燥过程的第一个批次。
4.如权利要求1所述的烟草烘丝出口水分分批可变设定点的自适应优化方法,其特征在于,所述的批次级制丝质量数据集在数据仓库中的存储字段包括:批次号、工单号、烟丝品牌编码、烟丝品牌名称、生产日期、工单开始时间、工单结束时间以及各质量指标。
5.如权利要求1所述的烟草烘丝出口水分分批可变设定点的自适应优化方法,其特征在于,创建数据仓库的过程中,批次的烟草的状态参数包括:
第n个烟草批次烘丝出口的实际状态为其中,烘丝出口实际含水率为Mn,dout,烘丝出口实际温度为Tn,dout;
其中,“dout”表示烘丝出口;“bin”和“bout”表示掺配过程的入口和出口;“fin”和“fout”表示加香过程的入口和出口;则第n个烟草批次状态的多元序列为{Sn,dout,Sn,bin,Sn,bout,Sn,fin,Sn,fout};
第n批烟草烘丝出口设定状态为其中,/>为烟草各批次烘丝出口平均含水量,/>为烟草各批次烘丝出口平均温度。
6.如权利要求5所述的烟草烘丝出口水分分批可变设定点的自适应优化方法,其特征在于,构建编码器时,干燥过程出口处的烟草批次状态Sn,dout被认为是起始输入,然后依次Sn,bin,Sn,bout,Sn,fin,Sn,fout。
7.如权利要求1所述的烟草烘丝出口水分分批可变设定点的自适应优化方法,其特征在于,构建编码器时,所述顺序测量值包括:环境温度的顺序测量值、环境湿度的顺序测量值、当前烟草批次在前面过程中的状态的顺序测量值。
8.如权利要求1所述的烟草烘丝出口水分分批可变设定点的自适应优化方法,其特征在于,所述先验知识包括掺配过程的相关工艺计算方式、加香过程的相关工艺计算方式。
9.如权利要求1所述的烟草烘丝出口水分分批可变设定点的自适应优化方法,其特征在于,所述自适应滤波器包括:线性自适应滤波器、非线性自适应滤波器和时间序列滤波器,其中,线性自适应滤波器包括:递归最小二乘法(RLS)、在线中心归一化最小二乘法(OCNLMS)、自适应递归最小二乘法(AdaRLS);非线性自适应滤波器包括:内核递归最小二乘法(KRLS)和多层感知神经网络(MLP);时间序列滤波器包括:带有外生因素的季节性自回归综合移动平均(SARIMAX)。
10.如权利要求6所述的烟草烘丝出口水分分批可变设定点的自适应优化方法,其特征在于,分批约束的过程中,正态置信区间构建方法:将最匹配的多个历史批次的脱水级别按顺序表示为基于/>计算平均值/>和标准偏差/>假设近期脱水水平服从正态分布,95%置信区间构造为/> 此间隔代表脱水能力,确定当前批次烟草烘丝入口含水量设定值Mn,din的最终范围为/>
11.如权利要求10所述的烟草烘丝出口水分分批可变设定点的自适应优化方法,其特征在于,构建编码器时,所述顺序测量值包括:模型调用前最后几分钟的环境温度和湿度的顺序测量值、当前烟草批次在前面过程中的状态的顺序测量值;所述先验知识是:生产工艺过程轨迹中涉及的后续过程的非顺次的公式。
12.如权利要求11所述的烟草烘丝出口水分分批可变设定点的自适应优化方法,其特征在于,构建编码器时,为了妥善处理顺次测量,针对编码器设置了三分支结构,前两个分支分别采用递归神经网络,其中:
A).将第一个分支收集的信息表示为其中vn(l),1≤l≤L包含滑动窗口中第l个时间步的环境温度和湿度;然后递归神经网络f(1)依次接收每个vn(l),并通过多个门维护单元状态和隐藏状态;最终隐藏状态/>被认为是捕获/>的上下文;
B).将第二个分支的顺序信息表示为其中“lout”表示松散回潮过程的出口;“cin”和“cout”表示润叶加料过程的入口和出口;“din”表示烘丝入口,另一个递归神经网络f(2)以相同方式处理,得到最终隐藏状态/>
C).第三个分支收集生产的直接上下文信息,作为非顺序向量原始记录中的各种模态在形成这样的向量之前需要统一为数值。
13.如权利要求12所述的烟草烘丝出口水分分批可变设定点的自适应优化方法,其特征在于,原始记录中的各种模态统一为数值的方法为:通过查找字典编码中的索引,找到掺配烟丝的种类,将添加香料的量转化为相对于烟草批次的比例;放置一个完全连接的线性层以将映射到与/>和/>具有相同维度的隐藏空间;为了保证三个分支的封装信息能够正确融合,/> 和/>中的所有元素都根据历史数据预先进行归一化处理,来自三个分支的隐藏状态向量将分别缩写为/>和/>
14.如权利要求13所述的烟草烘丝出口水分分批可变设定点的自适应优化方法,其特征在于,构建编码器时,采用注意力机制来提高编码器的适应性,具体自适应权重计算为:
其中,exp(·)是指数函数;tanh(·)是双曲正切激活函数;W1和W2是可训练参数;然后将三个隐藏状态向量的加权组合作为编码器的一个统一的上下文向量:
15.如权利要求14所述的烟草烘丝出口水分分批可变设定点的自适应优化方法,其特征在于,序列建模的过程中,构建解码器包括以下步骤:
干燥过程出口处的烟草批次状态Sn,dout被认为是起始输入,它遵循:
其中,烘丝出口处的烟草批次状态Sn,dout是起始输入,解码器f′的初始隐藏状态被设置为上下文向量,即zn(0)=hn,linear()是将隐藏状态映射到输出预测的全连接线性层,zn(1),zn(2),zn(3),zn(4)是进化的隐藏状态;是第n批烟草在相应位置的状态预测向量。
16.如权利要求15所述的烟草烘丝出口水分分批可变设定点的自适应优化方法,其特征在于,模型更新的过程中,损失函数获得方法为:
采用加权均方误差(MSE)来构成编码器-解码器模型的损失函数,同时强调序列中的最后一个向量数学表达式为:
其中,Nb是的最近生产(完成)的烟草批次的数量,用于损失计算;权重系数是用以反映对后一个工序的重要性日益增加,编码器-解码器模型的参数通过损失的端到端反向传播得到更新,因此,连续模型更新之间的间隔是Nb烟草批次。
17.如权利要求16所述的烟草烘丝出口水分分批可变设定点的自适应优化方法,其特征在于,zn(2)的前向计算可以以一定的概率使用Sn,bin代替以这种方式,可以减轻先前预测误差对后续计算的影响,同时仍然保持烟草批次的连续状态之间的联系。
18.如权利要求17所述的烟草烘丝出口水分分批可变设定点的自适应优化方法,其特征在于,分批约束的过程中,采用自适应过滤器估计烘丝入口水分的步骤:
(1)第n个烟草批次到达烘丝机之前进行估计的输入特征xn包括:润叶加料出口处烟草批次状态的评价要素Mn,cout和Tn,cout、润叶储柜内存放的时间、环境温度和湿度,以及,环境温度和湿度的连续值的统计数据,其中环境温度和湿度的连续值的统计数据(如平均值、标准偏差、FFT系数)被提取为标量值;
(2)线性自适应滤波器采用线性形式当获得实际值时,通过θn+1=θn+Δθn来更新参数,/>是入口水分含量的估计值;
(3)初始更新,Mn,din表示第n个批次烘丝入口处的含水量,负梯度计算为/>下次更新,将作为目标,一直迭代到所有的弱学习器都被更新;最终的迭代是:
最终参数是初始更新参数和弱学习器的线性组合即:
那么,第k个单独滤波器的最终估计是对所有滤波器进行性能评估后选择没有大偏差的K个滤波器进行装袋,为当前批次的烘丝入口水分提供最终估计:。
19.如权利要求18所述的烟草烘丝出口水分分批可变设定点的自适应优化方法,其特征在于,分批约束的过程中,为了确定适当的烘丝脱水水平范围,维护一个具有预定义大小τ的历史窗口,历史批次质量指标相关数据包含:最近τ个烟草批次的实际脱水水平,即Dn=[Dn-τ…Dn-1],τ个批次的生产相关信息;
选择与当前批次的生产相关信息最匹配的历史批次,将其脱水级别按顺序表示为基于/>计算平均值/>和标准偏差/>假设近期脱水水平服从正态分布,95%置信区间构造为/>该间隔可以代表脱水能力,本批次烟叶干燥口含水量设定值的最终范围为/> 为确保合格批次始终存在,τ的值不应太小。
20.如权利要求19所述的烟草烘丝出口水分分批可变设定点的自适应优化方法,其特征在于,在估计时考虑不确定性,引入一定的误差容限,本批次烟叶干燥口含水量设定值的最终范围为/>
21.如权利要求20所述的烟草烘丝出口水分分批可变设定点的自适应优化方法,其特征在于,约束及数值优化的过程中,约束优化问题可以表示为:
Rn,dout≈Sn,dout,
其中,为加香出口水分标准值,由于优化发生在烘丝过程开始之前并且烘丝机的控制能力很强,因此设置点Rn,dout被认为是烟草批次在干燥出口处的状态Sn,dout的良好表示;ED(·)是编码器-解码器模型,其中上下文向量首先由编码器导出(等式2),然后预测由解码器顺序生成(等式3);/>和/>是历史窗口内直到当前第n批烟草批次温度的平均值和标准差;C(·)是由控制器描述的二元关系,它平衡了水分含量和温度对其行为的影响。
22.如权利要求21所述的烟草烘丝出口水分分批可变设定点的自适应优化方法,其特征在于,约束及数值优化的过程中,数值优化问题可以表示为:
每个设计变量的十进制值随着范围移位被解码为真实值,即 其中J是子字符串的长度,DV是十进制值;然后根据目标值和约束违反情况为每个染色体分配适应度分数,通过交叉和变异操作选择最适合的染色体来产生下一代;为了避免良好染色体的破坏,为那些具有相对较高的适应性分数的染色体分配较低的突变率,反之亦然;当达到预定义的最大世代或平均适应度分数几乎没有变化时,算法终止;上一代中最好的染色体被认为是最优解,并被所提出的方法推荐为干燥过程的设定点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310788584.2A CN116796903A (zh) | 2023-06-30 | 2023-06-30 | 一种烟草烘丝出口水分分批可变设定点的自适应优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310788584.2A CN116796903A (zh) | 2023-06-30 | 2023-06-30 | 一种烟草烘丝出口水分分批可变设定点的自适应优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116796903A true CN116796903A (zh) | 2023-09-22 |
Family
ID=88047922
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310788584.2A Pending CN116796903A (zh) | 2023-06-30 | 2023-06-30 | 一种烟草烘丝出口水分分批可变设定点的自适应优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116796903A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117635082A (zh) * | 2024-01-26 | 2024-03-01 | 三明市丰润化工有限公司 | 一种饲料专用二氧化硅生产智能化管理系统 |
-
2023
- 2023-06-30 CN CN202310788584.2A patent/CN116796903A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117635082A (zh) * | 2024-01-26 | 2024-03-01 | 三明市丰润化工有限公司 | 一种饲料专用二氧化硅生产智能化管理系统 |
CN117635082B (zh) * | 2024-01-26 | 2024-04-30 | 三明市丰润化工有限公司 | 一种饲料专用二氧化硅生产智能化管理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112817354B (zh) | 一种畜禽舍养殖环境温度预测控制系统及其调控方法 | |
CN108320016A (zh) | 一种建筑能耗短期预测方法 | |
CN116796903A (zh) | 一种烟草烘丝出口水分分批可变设定点的自适应优化方法 | |
CN107992976A (zh) | 热点话题早期发展趋势预测系统及预测方法 | |
CN112330027B (zh) | 一种基于搜索引擎指数的电力负荷预测方法 | |
CN111091241A (zh) | 一种基于bp神经网络的药品销量预测与决策方法及系统 | |
CN116316599A (zh) | 一种智能用电负荷预测方法 | |
CN113705922B (zh) | 一种改进的超短期风电功率预测算法及模型建立方法 | |
CN112288137A (zh) | 一种计及电价和Attention机制的LSTM短期负荷预测方法及装置 | |
CN114399032A (zh) | 一种电能表计量误差预测方法及系统 | |
CN110781595A (zh) | 能源使用效率pue的预测方法、装置、终端及介质 | |
JPH04372046A (ja) | 需要量予測方法及び装置 | |
Tembusai et al. | K-nearest neighbor with K-fold cross validation and analytic hierarchy process on data classification | |
CN111838744B (zh) | 基于lstm的环境温湿度在烟丝生产过程中的水分连续实时预测方法 | |
CN117195747B (zh) | 一种磁性材料烘干用均匀热分布优化方法 | |
CN112232595B (zh) | 基于ipso-svm模型的储藏小麦品质预测方法 | |
CN113393034A (zh) | 一种在线自适应oselm-garch模型的电量预测方法 | |
Johansen et al. | Broiler slaughter weight forecasting using dynamic neural network models | |
CN114444399A (zh) | 一种基于XGBoost的温室滴灌番茄腾发量计算方法 | |
Zhang et al. | An intelligent Attentional-GRU-based model for dynamic blood glucose prediction | |
CN117469774B (zh) | 空调系统调控方法、装置、电子设备及存储介质 | |
CN111369074A (zh) | 一种基于人工蜂群优化bp神经网络的玉米产量预测方法 | |
Gao et al. | An adaptive optimization method toward batch-wise variable set point of outlet moisture content for the tobacco drying process | |
CN117519042B (zh) | 基于ai技术的水泥生产智能控制方法、系统及存储介质 | |
Yang et al. | The Cognitive Substrates of Model-Based Learning: An Integrative Declarative-Procedural Model |
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 |