CN116880219A - 一种松散回潮自适应模型预测控制系统和方法 - Google Patents
一种松散回潮自适应模型预测控制系统和方法 Download PDFInfo
- Publication number
- CN116880219A CN116880219A CN202311141841.XA CN202311141841A CN116880219A CN 116880219 A CN116880219 A CN 116880219A CN 202311141841 A CN202311141841 A CN 202311141841A CN 116880219 A CN116880219 A CN 116880219A
- Authority
- CN
- China
- Prior art keywords
- data
- air temperature
- outlet
- return air
- 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.)
- Granted
Links
- 230000003750 conditioning effect Effects 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 37
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 88
- 239000000463 material Substances 0.000 claims abstract description 70
- 238000012937 correction Methods 0.000 claims abstract description 63
- 238000012549 training Methods 0.000 claims abstract description 40
- 238000004519 manufacturing process Methods 0.000 claims abstract description 30
- 230000006870 function Effects 0.000 claims abstract description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 51
- 238000004364 calculation method Methods 0.000 claims description 21
- 230000003044 adaptive effect Effects 0.000 claims description 11
- 239000007787 solid Substances 0.000 claims description 9
- 238000012417 linear regression Methods 0.000 claims description 8
- 235000019504 cigarettes Nutrition 0.000 claims description 6
- 238000007477 logistic regression Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 2
- 230000035772 mutation Effects 0.000 claims description 2
- 230000002159 abnormal effect Effects 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000012545 processing Methods 0.000 abstract description 2
- 238000010801 machine learning Methods 0.000 abstract 1
- 241000208125 Nicotiana Species 0.000 description 16
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 16
- 230000008569 process Effects 0.000 description 10
- 230000000694 effects Effects 0.000 description 9
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000010438 heat treatment Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000012821 model calculation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000035484 reaction time Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000003245 working effect Effects 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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种松散回潮自适应模型预测控制系统，包括主控模块、携控模块、训练模块和数据采集模块，数据采集模块用于采集数据参数和变量；训练模块用于在生产前对出口水分和回风温度预测模型分别进行训练，生成出口水分预测模型和回风温度预测模型；主控模块用于读取训练模块的预测模型参数和实时物料入口数据预测当前时刻理论加水量；携控模块用于修正模型参数、根据出口水分偏差修正入口加水量补偿值以及调整物料入口信息波动。一种松散回潮自适应模型预测控制方法应用于一种松散回潮自适应模型预测控制系统。利用机器学习与数据科学技术对出口含水率和回风温度进行预测，实时生产过程中实现模型自迭代、数据漂移修正、异常数据处理功能。
Description
技术领域
本发明涉及松散回潮控制技术领域，尤其涉及一种松散回潮自适应模型预测控制系统和方法。
背景技术
松散回潮是烟草行业在工业生产中的一道重要工序，烟叶在回潮滚筒出口处的含水率直接影响到后续工序中的耐加工性。目前，各烟草厂家对出口含水率的控制主要依赖于操作员的人工经验和PID控制。人工经验操作具有随机性，在观测到物料入口水分偏离正常范围时，手动调节加水量；然而，人工操作即人为判断失误会导致烟叶质量的下降。而PID控制又有一定的滞后性，以松散回朝工序中对加热蒸汽控制为例，当检测到回风温度不在设定范围内时，PID控制器开始调节热蒸汽阀门。而从加热空气到实际回风温度改变需要一定的反应时间，而反应时间内的烟叶由于工艺参数的不在规定范围内，其在出口出的含水率极大可能不在规定区间内，从而使得整批烟叶的合格率下降。
针对以上问题，各研究员积极探索勇于创新，用真空回潮等技术控制烟叶回潮的含水率及减少烟叶的碎片率。真空回潮利用真空环境使烟叶内部产生真空空隙，再加入热蒸汽使烟叶快速吸水回潮。从而稳定烟叶含水率减小烟叶碎片率，且经过真空回潮的烟丝其杂气明显下降。但是，据研究表明经过真空回潮的烟丝杂减少的同时，其香韵也有一定下降。因此，各大烟厂在生产高档香烟时，对是否引进真空回潮也有一定的争议。
在此环境下，基于传统回潮机的控制优化成为改进工艺的主要手段。主要改进方向有机械和控制两方面。据车间工人口述，在回潮过程中，回风温度“冬天升不上去，夏天降不下来”；传统的模型预测控制模型依赖性强，模型的准确性直接影响控制效果，导致出口水分控制不稳定。
发明内容
发明目的：本发明的目的是提供能够稳定控制回水温度和出口含水率的一种松散回潮自适应模型预测控制系统和方法。
技术方案：为了实现上述发明目的，本发明的一种松散回潮自适应模型预测控制系统，包括主控模块、携控模块、训练模块和数据采集模块，所述主控模块连接所述数据采集模块、所述训练模块和所述携控模块，
所述数据采集模块用于采集数据参数和变量；
所述训练模块用于在生产前对出口水分和回风温度预测模型分别进行训练，生成出口水分预测模型和回风温度预测模型；
所述主控模块用于读取所述训练模块的预测模型参数和实时物料入口数据预测当前时刻理论加水量；
所述携控模块用于修正模型参数、根据出口水分偏差修正入口加水量补偿值以及调整物料入口信息波动。
进一步地，所述主控模块还用于判断回风温度偏差是否小于指定阈值以及物料出口含水率偏差是否小于指定阈值。
更进一步地，所述指定阈值由生产指标而定。
进一步地，所述数据参数包括物料流量、物料入口含水率、物料出口含水率、物料出口温度、回风温度、新风温度、热风温度、生产用蒸汽压力、生产用蒸汽流量、罩压力、排潮开度、排潮风速、车间环境温度、车间环境湿度、室外环境温度、室外环境湿度以及滚筒转速；
所述出口水分预测模型所用参数包括入口含水率、加水量、入口物料流量以及当前回风温度；
所述回风温度预测模型所用参数包括入口物料流量、热蒸汽流量、物料入口含水率、热交换蒸汽流量以及当前回风温度。
一种松散回潮自适应模型预测控制方法，应用于一种松散回潮自适应模型预测控制系统，包括以下步骤：
采集数据参数和变量并确定数据延时；
根据出口水分预测模型参数建立出口水分预测模型；
导入模型参数，计算加水量修正值和热蒸汽添加额定值修正值；
判断物料出口含水率偏差是否小于指定阈值以及回风温度偏差是否小于指定阈值；
若物料出口含水率偏差小于指定阈值则触发携控模块的反向传播算法修正模型参数，否则触发携控模块的反馈修正算法计算补偿加水量修正值；若回风温度偏差小于指定阈值，则继续生产，否则添加热蒸汽添加额定值修正值。
进一步地，还包括存在数据突变、无法及时进行结果修正时，则触发携控模块的入口波动修正算法，所述入口波动修正算法的计算公式为
其中为当前窗口的信息熵与本批次数据和训练数据的信息熵的相对熵平均值，/>为间歇时域内的出口水分平均值，/>为物料流量，/>为出口水分设定值，/>为修正系数，此系数根据实际情况进行调整。
进一步地，所述确定数据延时的步骤包括：
判断数据参数为气态或固态；若数据参数为固态，采用Pearson相关系数结合实地测量的方式计算数据相对滚筒入口的延时时间和滚筒出口相对滚筒入口的延时时间；
若数据参数为气态，采用时间序列结合固态相关数据延时计算气态数据与物料的实际作用时间，记为延时时间；
将延时时间写入训练模块，由训练模块读取延时并完成对齐。
进一步地，建立出口水分预测模型的方法包括CNN、RNN、LSTM、多元线性回归模型及多元线性回归模型的变种模型，所述变种模型包括稳健回归、逻辑回归、岭回归。
进一步地，所述热蒸汽添加额定值修正值的计算公式为：
；
上述公式中，为回风温度预测值，/>为回风温度设定值，/>为回风温度实际值，/>为预测模型中回风温度的权重，/>为热蒸汽流量的权重，/>为热蒸汽添加额定值修正值。
进一步地，所述补偿加水量修正值的计算公式为：
上述公式中，为补偿加水量修正值，/>为间歇时域内的出口水分平均值，/>为物料流量，/>为出口水分设定值，/>为修正系数，此系数为可调参数。
进一步地，所述反向传播算法修正模型参数的具体步骤包括：反向传播算法是使用分段函数作为损失函数，结合随机梯度下降算法更新并修正模型参数；
在损失函数中，当前出口水分与出口水分设定值/>偏差大于阈值/>时，损失函数的计算公式为：
；
当前出口水分与出口水分设定值/>偏差小于阈值/>时，损失函数的计算公式为：
；
由随机梯度下降算法求导链式法计算损失函数和/>的导数为
、/>；
上述公式中，为当前出口水分，/>为出口水分设定值，/>为指定时域内平均标准差，阈值/>由卷烟厂生产指标而定。
有益效果：本发明的有益效果在于，可以解决模型预测控制模型准确性依赖强的问题，同时，加入回风温度控制子系统，尽可能避免了在松散回潮物料出口水分过程中的温度扰动，实现松散回潮出口水分的稳定控制。
本发明的有益效果在于，根据现场实时采集数据采用多级控制模式，采用模型预测控制针对预测值与设定值的偏差，提前做出应对策略，从而消除系统的滞后性。
本发明的有益效果在于，本发明依据实际控制效果采用多种迭代更新算法，确保模型的时效性、有效性，极大可能避免了数据漂移产生的误差，同时避免了人工操作随机性对产品质量的影响。
本发明的有益效果在于，本发明建立了回风温度控制模型，对物料出口水分波动做致因分析，做出不同的相应措施。
附图说明
图1是实施例1松散回潮系统结构图；
图2是实施例1松散回潮方法流程图；
图3是实施例1松散回潮控制流程图。
具体实施方式
实施例1
如图1所示，一种松散回潮自适应模型预测控制系统，包括主控模块1、携控模块2、训练模块3和数据采集模块4，主控模块1连接数据采集模块4、训练模块3和携控模块2，
主控模块1用于读取训练模块的预测模型参数和实时物料入口数据预测当前时刻理论加水量；主控模块1还用于判断回风温度偏差是否小于指定阈值以及物料出口含水率偏差是否小于指定阈值。主控模块1调用训练模块3的预测模型参数并执行模型预测结果；主控模块1设有接口，接口用于与携控模块2进行通信和数据交互，主控模块1用于读取训练模块3的预测模型参数、实时数据和阈值条件调整加水量；主控模块1可以使用预测模型参数和实时数据进行水量的预测，并与设定的阈值条件进行比较，根据比较结果，主控模块1可以决定是否需要进行加水，并根据需要进行相应的加水量调整操作。主控模块1的功能还包括读取数据、记录历史数据、调用模型等。
携控模块2用于修正模型参数、根据出口水分偏差修正入口加水量补偿值以及调整物料入口信息波动。携控模块2为控制系统中的自适应、自纠偏模块，在生产过程中生效。当主控模块1的预测结果无法达到预期的控制效果时，携控模块2会根据实际情况对模型参数进行修正，能够有效处理模型欠拟合、过拟合及数据漂移问题。携控模块2可以根据反馈信号、误差分析或其他指标来判断当前的控制效果，并相应地调整模型参数，使其更适应当前的工作状态。携控模块2所用算法包括不限于反向传播算法、反馈修正算法和入口信息修正算法。
训练模块3用于在生产前对出口水分和回风温度预测模型分别进行训练，生成出口水分预测模型和回风温度预测模型；出口水分预测模型所用参数包括入口含水率、加水量、入口物料流量以及当前回风温度；回风温度预测模型所用参数包括入口物料流量、热蒸汽流量、物料入口含水率、热交换蒸汽流量以及当前回风温度。训练模块3具有每日更新模型参数的功能，它针对当天的生产批次按烟丝牌号进行训练，并为控制模型提供基础参数，包括数据自清洗，数据增强等算法。在训练过程中，数据自清洗筛选出稳态数据，并使用数据增强算法人工扩充训练集，使模型具有较强的鲁棒性。本实施例使用的数据增强算法为mixup算法，通过等分两个子训练集分别乘以β与（1-β）后求和生成新数据集，β为可调的划分系数，根据数据分布情况决定。并用新数据集拟合多元线性回归的逆推公式，得到以加水量为目标值的模型参数。
数据采集模块4用于采集数据参数和变量；数据参数包括物料流量、物料入口含水率、物料出口含水率、物料出口温度、回风温度、新风温度、热风温度、生产用蒸汽压力、生产用蒸汽流量、罩压力、排潮开度、排潮风速、车间环境温度、车间环境湿度、室外环境温度、室外环境湿度以及滚筒转速；本实施例中数据采集模块4使用的是传感器进行数据采集，采集频度为秒，并通过与计算机设备连接，利用计算机设备中的数据采集软件，比如LabVIEW、MATLAB、Python等。
各模块协同配合实现物料出口水分控制及回风温度控制。这种模块化的架构使得各模块相互独立，并且可以独立完成各自指定的功能。这样的设计有助于系统的维护和升级，使其更灵活和可靠。通过结合数据科学理论和独立的主控模块1与训练模块3，可实现松散回潮回风温度与出口水分的级联控制。携控模块2能够有效处理模型欠拟合、过拟合及数据漂移问题。预测模型的训练模块3保证了模型的准确性和时效性，而主控模块和携控模块则负责根据预测结果执行相应的控制操作，并根据需要进行参数修正和补偿计算，以提升控制效果。
如图2所示，一种松散回潮自适应模型预测控制方法，应用于一种松散回潮自适应模型预测控制系统，包括以下步骤：
S1:采集数据参数和变量并确定数据延时；
进一步地，在松散回潮工序中，由于各传感器位置及检测物不同，数据对应关系存在延时。确定数据延时的步骤包括：
判断数据参数为气态或固态；若数据参数为固态，比如物料流量、物料含水率、物料温度等与物料相关的参数，采用Pearson相关系数结合实地测量的方式计算数据相对滚筒入口的延时时间和滚筒出口相对滚筒入口的延时时间；
计算Pearson相关系数时，以滚筒入口处数据为基准，则在滚筒入口处的数据延时为0，如物料入口含水率、加水量，其余变量（检测位点在滚筒出口的变量，如：物料出口水分、罩压力等）分别平移后与物料入口水分计算Pearson相关系数 ，其相关系数绝对值最大位置即为数据相对滚筒入口的延时。
实地测量物料从入口到出口的时间。使用质量形状与烟叶相似的食品级标记物，随生产在滚筒入口投入，并在出口剔除，多次记录所需时间，以平均值作为物料从入口到出口的实际时间，并结合相关系数计算结果，确定滚筒出口相对滚筒入口的数据延时时间。
若数据参数为气态，比如：回风温度、新风温度；采用时间序列分析找出数据周期、趋势等特征，并结合固态相关数据延时计算气态数据与物料的实际作用时间，记为延时时间；
将批次内检测物为气态的数据作为时间序列，由加法分解分解出季节因素、周期因素/>及剩余因素/>；由于在滚筒中气体存在循环，则周期/>存在；将气体与物料视作质点，气体循环一周近似与在滚筒内往返一次，则气体实际在滚筒内时间为/>；则当气体与物料同时在滚筒出口处时，气体应在/>后进入滚筒；因此，可近似认为检测物为气态的数据延时时间为/>。
将延时时间写入训练模块3，由训练模块3读取延时并完成对齐。
在系统中设置适当的延时，可以避免过早启动回潮设备，节省能源消耗。通过延迟启动回潮设备，可以减少频繁的开启和关闭操作，减轻设备的工作负荷，延长设备的使用寿命。适当的延时可以确保松散回潮系统在开始正常运行之前，去除空气中的湿度，确保产品在制造过程中不受潮湿环境的影响，提高产品的质量和一致性。
S2: 根据出口水分预测模型参数建立出口水分预测模型；建立出口水分预测模型的方法包括不限于卷积神经网络（CNN）、循环神经网络（RNN）、长短期记忆网络（LSTM）、多元线性回归模型及多元线性回归的变种模型（稳健回归、逻辑回归、岭回归等），这些模型都可以使用梯度下降算法进行迭代更新模型参数。本实施例采用多元线性回归算法建立出口含水率预测模型，计算公式为：
上述公式中、/>、/>、/>分别为入口含水率、加水量、物料流量、回风温度，/>的意义为单位换算，由瞬时加水量与物料流量得每百公斤所需加水量；/>、/>、/>为模型对应项的权重；/>为出口含水率。
S3:导入模型参数，计算加水量修正值和热蒸汽添加额定值修正值；所述加水量修正值由出口含水率公式变换后得到，变换公式为：
在生产过程中实际所需为加水量，由上述公式经过变换后我们可以得到加水量的计算公式，公式如下：
上述公式中为出口含水率设定值，/>、/>、/>、/>分别为入口含水率、加水量、物料流量、回风温度，/>、/>、/>为模型对应项的权重。
回风温度预测模型，可预测一段时间区间内的回风温度，此时间区间为空气在回风管道与滚筒中一次循环所需的时间。根据回风温度预测值、回风温度设定值、回风温度实际值以及回风温度预测模型的回风温度与热蒸汽流量权重计算热蒸汽添加额定值修正值；计算公式为
上述式中为回风温度预测值，/>为回风温度设定值，/>为回风温度实际值，/>预测模型中回风温度的权重，/>为热蒸汽流量的权重，/>为需要修正的热蒸汽流量。通过控制回风温度实现滚筒内温度的近似控制。
S4:判断物料出口含水率偏差是否小于指定阈值以及回风温度偏差是否小于指定阈值；
若物料出口含水率偏差小于指定阈值则触发携控模块的反向传播算法修正模型参数，否则触发携控模块的反馈修正算法计算补偿加水量修正值；若回风温度偏差小于指定阈值，则继续生产，否则添加热蒸汽添加额定值修正值。额定值是指蒸汽系统在设计中确定的标准工作参数，而修正值是对额定值进行校正或调整以适应实际运行条件的数值。修正值的确定需要考虑实际运行中的因素，并确保系统能够正常运行并满足要求。
反向传播是通过梯度下降算法，设置固定学习率，更新模型参数的算法，广泛应用与神经网络结构模型的训练阶段。本实施例使用分段函数作为损失函数，并结合随机梯度下降算法来更新模型参数。在损失函数中，当前出口水分与出口水分设定值/>偏差大于阈值/>时，阈值/>由卷烟厂生产指标而定，本实施例取指标允差的0.4倍，损失函数的计算公式为：
，其中/>为指定时域内出口含水率与设定值的平均标准差。
当前出口水分与出口水分设定值/>偏差大于阈值/>时，阈值/>由卷烟厂生产指标而定，本实施例取指标允差的0.4倍，损失函数的计算公式为：
，其中/>为指定时域内出口含水率与设定值的平均标准差。
由梯度下降算法求导链式法计算损失函数和/>导数为
、/>
由上述导数公式可知，模型参数更新幅度与实际物料出口水分和设定值/>的偏差和指定时域内平均标准差/>有关。
由于物料在滚筒入口到出口存在延时，更新后的模型无法及时获取新的实际值。为解决这个问题，本发明采取了两种方式确定模型参数的更新幅度：
学习率分段：学习率与物料从滚筒入口到出口的时间相关，初始学习率可调整。通过将学习率与时间相乘，可以得到不同时间段内的学习率，计算公式为：
，其中/>为反向传播算法学习率，/>为初始学习率，/>为物料由滚筒入口到滚筒出口的时间。
时域内的求和更新：在给定的时域内记录每次需要更新的模型参数，然后将该时域内求和后的模型参数作为更新结果。时域/>及求和权重都是可以调整的，/>要满足一定的不等式条件，即/>。本实施例中使用的权重符合半高斯分布，可替换其他和为1的权重分布，两种更新策略均可解决在生产中反向传播算法模型更新不收敛的问题。使系统能够逐步调整模型参数，从而最小化预测结果与实际观测结果之间的误差，提高系统的预测准确性和性能。
由反向传播算法公式可知标准差较小而实际值偏大时，和/>值较小，反向传播算法更新幅度小。本实施中，携控模块包含反馈修正算法解决数据漂移和反向传播算法修正不及时的问题。根据物料流量、出口水分平均值、出口水分设定值及修正系数计算补偿加水量修正值。补偿加水量修正值的计算公式为：
上述公式中为间歇时域内的出口水分平均值、/>为物料流量、/>为修正系数，此系数为可调参数；并将此加水量修正值与模型计算结果之和作为加水量最终值写入PLC（Programmable Logic 可编程逻辑控制器）；此算法针对模型计算结果修正，不影响模型参数及模型结果；此算法间歇性触发，触发时域/>，且需满足/>；修正值的初始值为零，在生产过程中累加计算。
当物料入口数据突变时，反向传播和补偿修正算法无法及时修正。在这种情况下，介入控制的是入口波动修正算法。该算法的原理是通过记录各参数时域窗口内的历史数据，并计算窗口滑动前后入口物料数据和训练数据的信息熵。然后将当前窗口的信息熵与本批次数据和训练数据的信息熵进行比较，并计算它们的相对熵/>、/>和平均值。当相对熵/>、/>大于给定阈值/>时（即超过了设定的不正常波动范围），反向传播算法和补偿修正算法将被暂停，并切换为入口修正信息修正算法，公式为
，其中/>为修正系数，此系数为可调参数。
计算加水量修正值瞬时性执行，直到</>。
通过设计入口波动修正算法，可以快速、有效地响应物料入口数据的突变，提高系统的稳定性和控制性能，从而改善系统的工作效果。
如图3所示，数据采集模块4读取当前生产牌号及相关生产数据；系统判断生产开始后，操作工下达工单，主控模块1调用并导入训练模块3数据库中当前同牌号模型参数并计算加水量修正值；主控模块1建立回风温度预测模型并计算回风温度设定值，回风温度设定值即为热蒸汽添加额定值修正值。主控模块1将加水量修正值传入控制器中，执行加水量修正结果，用于执行控制变量；经过一段等待时间，使加水量修正值作用与控制系统后，主控模块1判定物料出口含水率偏差是否小于指定阈值，本实施例的指定阈值设为允差范围的40%；当偏差大于此指定阈值时，触发携控模块2的反馈修正算法，计算补偿加水量；当偏差小于此阈值时，触发携控模块2的反向传播算法，修正模型参数。由于热蒸汽添加额定值对回风温度作用较快，控制流程为：主控模块1判定当前回风温度偏差是否小于指定阈值，此本实施例的指定阈值为允差的60%；当大于此阈值时，执行修正后热蒸汽添加额定值，否则，执行默认热蒸汽添加额定值；最后判定生产是否结束，未结束则循环执行以上流程，否则结束进程。选取控制前后各50批连续生产数据，结果如下表所示：
由表中数据可知，本发明使松散回潮工序物料出口含水率控制平均CPK由1.1549提升至2.0909，同比提高81.04%；标准偏差由0.2759下降至0.1534，同比下降44.4%，优化效果显著，依据实际控制效果采用多种迭代更新算法，确保模型的时效性、有效性，极大可能避免了数据漂移产生的误差。
以上所述仅是本发明的优选实施方式，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的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种松散回潮自适应模型预测控制系统，其特征在于，包括主控模块、携控模块、训练模块和数据采集模块，所述主控模块连接所述数据采集模块、所述训练模块和所述携控模块，
所述数据采集模块用于采集数据参数和变量；
所述训练模块用于在生产前对出口水分和回风温度预测模型分别进行训练，生成出口水分预测模型和回风温度预测模型；
所述主控模块用于读取所述训练模块的预测模型参数和实时物料入口数据预测当前时刻理论加水量；
所述携控模块用于修正模型参数、根据出口水分偏差修正入口加水量补偿值以及调整物料入口信息波动。
2.根据权利要求1所述的一种松散回潮自适应模型预测控制系统，其特征在于，所述主控模块还用于判断回风温度偏差是否小于指定阈值以及物料出口含水率偏差是否小于指定阈值。
3.根据权利要求1所述的一种松散回潮自适应模型预测控制系统，其特征在于，
所述数据参数包括物料流量、物料入口含水率、物料出口含水率、物料出口温度、回风温度、新风温度、热风温度、生产用蒸汽压力、生产用蒸汽流量、罩压力、排潮开度、排潮风速、车间环境温度、车间环境湿度、室外环境温度、室外环境湿度以及滚筒转速；
所述出口水分预测模型所用参数包括入口含水率、加水量、入口物料流量以及当前回风温度；
所述回风温度预测模型所用参数包括入口物料流量、热蒸汽流量、物料入口含水率、热交换蒸汽流量以及当前回风温度。
4.一种松散回潮自适应模型预测控制方法，其特征在于，应用于权利要求1-3任意一项所述的一种松散回潮自适应模型预测控制系统，包括以下步骤：
采集数据参数和变量并确定数据延时；
根据出口水分预测模型参数建立出口水分预测模型；
导入模型参数，计算加水量修正值和热蒸汽添加额定值修正值；
判断物料出口含水率偏差是否小于指定阈值以及回风温度偏差是否小于指定阈值；
若物料出口含水率偏差小于指定阈值则触发携控模块的反向传播算法修正模型参数，否则触发携控模块的反馈修正算法计算补偿加水量修正值；若回风温度偏差小于指定阈值，则继续生产，否则添加热蒸汽添加额定值修正值。
5.根据权利要求4所述的一种松散回潮自适应模型预测控制方法，其特征在于，还包括存在数据突变、无法及时进行结果修正时，则触发携控模块的入口波动修正算法，所述入口波动修正算法的计算公式为
；
其中为当前窗口的信息熵与本批次数据和训练数据的信息熵的相对熵平均值，为间歇时域内的出口水分平均值，/>为物料流量，/>为出口水分设定值，/>为修正系数，此系数根据实际情况进行调整。
6.根据权利要求4所述的一种松散回潮自适应模型预测控制方法，其特征在于，所述确定数据延时的步骤包括：
判断数据参数为气态或固态；若数据参数为固态，采用Pearson相关系数结合实地测量的方式计算数据相对滚筒入口的延时时间和滚筒出口相对滚筒入口的延时时间；
若数据参数为气态，采用时间序列结合固态相关数据延时计算气态数据与物料的实际作用时间，记为延时时间；
将延时时间写入训练模块，由训练模块读取延时并完成对齐。
7.根据权利要求4所述的一种松散回潮自适应模型预测控制方法，其特征在于，建立出口水分预测模型的方法包括CNN、RNN、LSTM、多元线性回归模型及多元线性回归模型的变种模型，所述变种模型包括稳健回归、逻辑回归、岭回归。
8.根据权利要求4所述的一种松散回潮自适应模型预测控制方法，其特征在于，
所述热蒸汽添加额定值修正值的计算公式为：
；
上述公式中，为回风温度预测值，/>为回风温度设定值，/>为回风温度实际值，/>为预测模型中回风温度的权重，/>为热蒸汽流量的权重，/>为热蒸汽添加额定值修正值。
9.根据权利要求4所述的一种松散回潮自适应模型预测控制方法，其特征在于，
所述补偿加水量修正值的计算公式为：
；
上述公式中，为补偿加水量修正值，/>为间歇时域内的出口水分平均值，/>为物料流量，/>为出口水分设定值，/>为修正系数，此系数为可调参数。
10.根据权利要求4所述的一种松散回潮自适应模型预测控制方法，其特征在于，所述反向传播算法修正模型参数的具体步骤包括：反向传播算法是使用分段函数作为损失函数，结合随机梯度下降算法更新并修正模型参数；
在损失函数中，当前出口水分与出口水分设定值/>偏差大于阈值/>时，损失函数的计算公式为：
；
当前出口水分与出口水分设定值/>偏差小于阈值/>时，损失函数的计算公式为：
；
由随机梯度下降算法求导链式法计算损失函数和的导数为
、/>；
上述公式中，为当前出口水分，/>为出口水分设定值，/>为指定时域内平均标准差，阈值由卷烟厂生产指标而定。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311141841.XA CN116880219B (zh) | 2023-09-06 | 2023-09-06 | 一种松散回潮自适应模型预测控制系统和方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311141841.XA CN116880219B (zh) | 2023-09-06 | 2023-09-06 | 一种松散回潮自适应模型预测控制系统和方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116880219A true CN116880219A (zh) | 2023-10-13 |
| CN116880219B CN116880219B (zh) | 2023-12-01 |
Family
ID=88271948
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311141841.XA Active CN116880219B (zh) | 2023-09-06 | 2023-09-06 | 一种松散回潮自适应模型预测控制系统和方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116880219B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109581879A (zh) * | 2019-01-31 | 2019-04-05 | 杭州安脉盛智能技术有限公司 | 基于广义预测控制的松散回潮控制方法及系统 |
| CN111045326A (zh) * | 2019-10-22 | 2020-04-21 | 杭州安脉盛智能技术有限公司 | 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 |
| AU2021102749A4 (en) * | 2020-07-10 | 2021-07-08 | Zhangjiakou Cigarette Factory Co., Ltd | Intelligent control system and method of thin plate drier for cut tobacco |
| CN114027539A (zh) * | 2021-11-04 | 2022-02-11 | 湖北中烟工业有限责任公司 | 一种基于模型预测控制的松散回潮定量加水控制方法 |
| CN114115393A (zh) * | 2021-11-04 | 2022-03-01 | 湖北中烟工业有限责任公司 | 一种制丝线薄板烘丝机出口水分和温度的控制方法 |
| CN114403486A (zh) * | 2022-02-17 | 2022-04-29 | 四川大学 | 基于局部峰值编码循环网络的气流式烘丝机智能控制方法 |
| CN115336780A (zh) * | 2021-08-26 | 2022-11-15 | 张家口卷烟厂有限责任公司 | 基于神经网络模型和双重参数修正的松散回潮加水控制系统 |
| CN115841026A (zh) * | 2022-11-23 | 2023-03-24 | 张家口卷烟厂有限责任公司 | 烟叶松散回潮出口温度自动预测系统 |
-
2023
- 2023-09-06 CN CN202311141841.XA patent/CN116880219B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109581879A (zh) * | 2019-01-31 | 2019-04-05 | 杭州安脉盛智能技术有限公司 | 基于广义预测控制的松散回潮控制方法及系统 |
| CN111045326A (zh) * | 2019-10-22 | 2020-04-21 | 杭州安脉盛智能技术有限公司 | 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 |
| AU2021102749A4 (en) * | 2020-07-10 | 2021-07-08 | Zhangjiakou Cigarette Factory Co., Ltd | Intelligent control system and method of thin plate drier for cut tobacco |
| CN115336780A (zh) * | 2021-08-26 | 2022-11-15 | 张家口卷烟厂有限责任公司 | 基于神经网络模型和双重参数修正的松散回潮加水控制系统 |
| US20230067754A1 (en) * | 2021-08-26 | 2023-03-02 | Zhangjiakou Cigarette Factory Co., Ltd. | Water control method for loosening and conditioning process based on neural network model and double parameter correction |
| CN114027539A (zh) * | 2021-11-04 | 2022-02-11 | 湖北中烟工业有限责任公司 | 一种基于模型预测控制的松散回潮定量加水控制方法 |
| CN114115393A (zh) * | 2021-11-04 | 2022-03-01 | 湖北中烟工业有限责任公司 | 一种制丝线薄板烘丝机出口水分和温度的控制方法 |
| CN114403486A (zh) * | 2022-02-17 | 2022-04-29 | 四川大学 | 基于局部峰值编码循环网络的气流式烘丝机智能控制方法 |
| CN115841026A (zh) * | 2022-11-23 | 2023-03-24 | 张家口卷烟厂有限责任公司 | 烟叶松散回潮出口温度自动预测系统 |
Non-Patent Citations (4)
| Title |
|---|
| XUEJING ZHU: "Control method of outlet moisture content of tobacco primary processing based on TVA-TCN-MPC", IEEE, pages 2693 - 2865 * |
| 何毅;李斌;普轶;李曾;周霄天;路瑶;金超;: "基于梯度提升树的烟草回潮机出料含水率预测", 软件, no. 06, pages 151 - 157 * |
| 欧阳江子;王东方;戚晓江;李景伟;朱思奇;秦杨;蔡长兵;: "基于广义预测控制的松散回潮出口含水率控制系统", 计算机测量与控制, no. 03, pages 103 - 108 * |
| 江婷: "基于数据驱动的松散回潮出口水分预测模型分析", 机电工程技术, vol. 52, no. 4, pages 119 - 123 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116880219B (zh) | 2023-12-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN102147613B (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 | |
| 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 | |
| US7418301B2 (en) | Method and apparatus for approximating gains in dynamic and steady-state processes for prediction, control, and optimization | |
| CN112914139B (zh) | 一种松散回潮工序的加水量的控制方法及系统 | |
| US20040059441A1 (en) | Kiln thermal and combustion control | |
| Pawlowski et al. | Predictive control with disturbance forecasting for greenhouse diurnal temperature control | |
| CN102494336A (zh) | 一种循环流化床锅炉燃烧过程多变量控制方法 | |
| US6026334A (en) | Control system for cross-directional profile sheet formation | |
| CN111109643B (zh) | 一种薄板烘丝的烟丝含水量的控制方法及系统 | |
| CN114115393A (zh) | 一种制丝线薄板烘丝机出口水分和温度的控制方法 | |
| 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 | |
| CN116880219B (zh) | 一种松散回潮自适应模型预测控制系统和方法 | |
| CN113812658A (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 | |
| CN111580384A (zh) | 水泥生产中分解炉温度pid控制系统参数自动调整方法 | |
| CN112263012B (zh) | 一种基于配方参数库的复烤机含水率控制方法 | |
| CN114510098A (zh) | 一种生产环境调控方法与系统 | |
| CN103593578A (zh) | 焦炉加热燃烧过程烟道吸力反馈设定方法 | |
| CN115251445B (zh) | 一种松散回潮机出口烟叶含水率的控制方法 | |
| CN110826229A (zh) | 基于长期预测的烘丝干头过程建模和优化设定控制方法 | |
| CN112800671B (zh) | 一种数据处理方法、装置及电子设备 | |
| CN112790421A (zh) | 一种基于滑窗预测的梗丝加料出口含水率的控制方法 | |
| Paiva et al. | Control and Monitoring Online of a Dryer for Industrial Fishmeal Process | |
| CN220709585U (zh) | 一种超回水分控制系统 | |
| 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 |