CN117297148A - 一种烘丝机出口水分智能逆向优化控制方法和系统 - Google Patents
一种烘丝机出口水分智能逆向优化控制方法和系统 Download PDFInfo
- Publication number
- CN117297148A CN117297148A CN202311349148.1A CN202311349148A CN117297148A CN 117297148 A CN117297148 A CN 117297148A CN 202311349148 A CN202311349148 A CN 202311349148A CN 117297148 A CN117297148 A CN 117297148A
- Authority
- CN
- China
- Prior art keywords
- cut
- outlet moisture
- tobacco dryer
- outlet
- moisture
- 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
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000005457 optimization Methods 0.000 title claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 45
- 241000208125 Nicotiana Species 0.000 claims abstract description 36
- 235000002637 Nicotiana tabacum Nutrition 0.000 claims abstract description 36
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 23
- 239000011159 matrix material Substances 0.000 claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 230000007246 mechanism Effects 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000011438 discrete method Methods 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 2
- 238000001035 drying Methods 0.000 abstract description 13
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000009776 industrial production Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 23
- 238000004519 manufacturing process Methods 0.000 description 22
- 238000010586 diagram Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 235000019504 cigarettes Nutrition 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000003908 quality control method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 230000001953 sensory effect Effects 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
- 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
- A24B9/00—Control of the moisture content of tobacco products, e.g. cigars, cigarettes, pipe tobacco
Landscapes
- Manufacture Of Tobacco Products (AREA)
Abstract
本发明公开了一种烘丝机出口水分智能逆向优化控制方法和系统,属于工业智能控制技术领域,其中方法包括:获取烘丝机出口水分的历史加工参数;对历史加工参数进行预处理;对预处理后的历史加工参数进行特征提取,根据提取出的特征构建参数矩阵;采用K均值离散法对烘丝机出口水分进行离散化处理,获得多个离散化中心值,每个离散化中心值均对应一个标签;将参数矩阵输入到训练好的出口含水率预测模型中,输出符合每个标签的概率值;根据概率值,反推实际作业时烘丝机出口水分的设定参数;该方法实现了叶丝干燥过程出口水分影响参数的逆向优化,为实际工业生产提供了新的优化工具,也为深度学习技术在解决实际工业生产问题中的应用提供了参考。
Description
技术领域
本发明涉及工业智能控制技术领域,更具体的说是涉及一种烘丝机出口水分智能逆向优化控制方法和系统。
背景技术
在卷烟制造过程中,制丝过程尤为重要,直接影响到产品的质量和感官体验。特别是叶丝干燥环节,其出口水分的控制对于后续的冷却、掺配和加香环节的品质控制以及整个制丝过程的效率都有重要影响。然而,叶丝干燥过程所涉及的加工工序众多且关联性极强,因此,难以建立准确的数值模型,如何准确地预测并控制出口水分成为了一项具有挑战性的任务。现有的研究主要基于设备调整或采用线性方法进行优化,这些方法在处理复杂的、非线性的加工参数时往往无法得到理想的结果。同时,由于难以挖掘出口水分与各加工参数之间可能存在的复杂关系,使得优化结果往往受到限制,因此,基于简单的规划和经验调整方法无法满足生产的需要。更具挑战性的是,如何从期望的出口水分(例如13.0000%)出发,逆向地约束和优化各影响因素,为管理人员调整设备参数和工艺参数提供高效而准确的数据支持是目前制丝过程中的一个重要关注点。
另外,广泛使用的PID控制方法在处理有滞后性的系统时存在挑战,因为它依赖于误差的即时反馈。如果系统有较大的滞后性,例如制丝过程中的筒壁、出口水分温度,PID控制器的调整可能会导致超调或者震荡,影响系统的稳定性。而且,传统的PID控制方法难以有效控制有多个影响因素的复杂系统。随着生产厂数字化技术的落地应用,获得了大量的现场工序数据,从数据的角度寻找新的优化方法,为更好地处理叶丝干燥过程中的出口水分控制问题和影响参数的约束问题提供了新的思路。
目前,卷烟制丝工艺中,出口含水率的控制主要依赖于操作工人根据经验来调整各种参数,以调节烟叶或烟丝的含水率。然而,由于生产工序的复杂性以及存在多源数据扰动、非线性和高耦合等特征,含水率的控制效果并不理想。以下是目前卷烟制丝工艺中智能控制出口含水率面临的一些问题:
①数据的质量不高,目前在实际生产过程中收集到的原始数据没有经过任何的处理,导致数据内部的噪声较大,对于后续建模以及分析数据以及设备参数的内部信息存在障碍和影响。
②叶丝干燥过程所涉及的加工工序众多且关联性极强。由于工序内部过程较多,导致难以建立准确的数值模型,如何准确地预测并控制出口水分成为了一项具有挑战性的任务。目前应对的研究主要基于设备调整或采用线性方法进行优化,但工序内部过程往往是非线性的,非线性的加工参数时往往无法得到理想的结果。
③无法从目标出口水分得到对应的关键设备参数。目前生产人员在干燥环节设置的设备参数是根据生产经验来设定的。但是并没有研究参数与参数之间的关系以及如果新的生产人员的经验不足,可能设定的值会产生偏差。
因此,如何预测烘丝机出口水分,有效反向调整输入过程参数,为制丝过程的管理人员提供更直观、更准确的参数设定方法,是本领域技术人员亟需解决的问题。
发明内容
鉴于上述问题,本发明提供一种烘丝机出口水分智能逆向优化控制方法和系统,以至少解决上述背景技术中提到的部分技术问题。
为了实现上述目的,本发明采用如下技术方案:
一方面,本发明实施例提供了一种烘丝机出口水分智能逆向优化控制方法,包括如下步骤:
S1、获取烘丝机出口水分的历史加工参数;
S2、对所述历史加工参数进行预处理;
S3、对预处理后的历史加工参数进行特征提取,根据提取出的特征构建参数矩阵;
S4、采用K均值离散法对所述烘丝机出口水分进行离散化处理,获得多个离散化中心值,每个所述离散化中心值均对应一个标签;
S5、将所述参数矩阵输入到训练好的出口含水率预测模型中,输出符合每个所述标签的概率值;
S6、根据所述概率值,反推实际作业时烘丝机出口水分的设定参数。
进一步地,所述历史加工参数包括:筒壁温度、热风温度和排潮风量。
进一步地,所述步骤S2具体包括:
S21、将所述历史加工参数中的异常值和缺失值进行剔除,获取有效数据;
S22、从所述有效数据中筛选出稳态数据;
S23、对所述稳态数据进行移动均值处理。
进一步地,所述步骤S22具体包括:
根据变点检测理论和施瓦茨信息准则,将所述有效数据动态分割为子序列;
计算所述子序列的均值和方差;
将所述均值和方差分别与预设阈值进行对比,来判断对应的历史加工数据是否为稳态数据。
进一步地,所述步骤S3具体包括:通过随机森林法对移动均值处理后的稳态数据进行特征提取,获得对所述烘丝机出口水分具有影响的因素组合,且影响值超过预设值;根据所述因素组合构建参数矩阵。
进一步地,在上述步骤S4中,将所述烘丝机出口水分离散为4部分,其中:
标签0对应的离散化中心值为13.0202,数据范围为[12.9995,13.0466];
标签1对应的离散化中心值为12.9263,数据范围为[12.8090,12.9522];
标签2对应的离散化中心值为13.0729,数据范围为[13.0466,13.2922];
标签3对应的离散化中心值为12.9787,数据范围为[12.9525,12.9994]。
进一步地,在上述步骤S5中,所述出口含水率预测模型为基于注意力机制的双层LSTM模型。
进一步地,所述双层LSTM模型包括上层LSTM网络和下层LSTM网络;
所述上层LSTM网络利用所述下层LSTM网络的隐藏信息来捕获数据的上下依赖关系;
所述上层LSTM网络的隐藏层与所述下层LSTM网络的隐藏层通过全连接的方式相连接。
进一步地,所述注意力机制为软注意力机制。
另一方面,本发明实施例还提供了一种烘丝机出口水分智能逆向优化控制系统,应用上述的方法,该系统包括:获取模块、预处理模块、特征提取模块、离散化处理模块、计算模块和分析模块;
所述获取模块,用于获取烘丝机出口水分的历史加工参数;
所述预处理模块,用于对所述历史加工参数进行预处理;
所述特征提取模块,用于对预处理后的历史加工参数进行特征提取,根据提取出的特征构建参数矩阵;
所述离散化处理模块,用于采用K均值法对所述烘丝机出口水分进行离散化处理,获得多个离散化中心值,每个所述离散化中心值均对应一个标签;
所述计算模块,用于将所述参数矩阵输入到训练好的出口含水率预测模型中,输出符合每个所述标签的概率值;
所述分析模块,用于根据所述概率值,反推实际作业时烘丝机出口水分的设定参数。
经由上述的技术方案可知,与现有技术相比,本发明公开提供了一种烘丝机出口水分智能逆向优化控制方法和系统,具有如下技术效果:
1、目前生产人员对叶丝干燥关键设备参数的设置时,通常是选择以往历史经验设置,缺乏充分利用数据的信息;而本发明通过对数据内部的信息进行充分的挖掘,利用以往生产数据的信息来确定关键参数的设置,可以为制丝过程的管理人员提供更直观、更准确的参数设定方法。
2、深度学习在各个领域都具有广泛的应用潜力,它的优势在于能够充分利用数据中的信息,同时捕捉到前后时间对目标的影响以及数据内部之间的非线性关系;本发明基于深度学习,可以利用以往的出口水分数据来逆向控制关键参数的设置,减少生产工人经验不足进行参数设置时带来的调控失误风险。
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作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的烘丝机出口水分智能逆向优化控制方法流程示意图。
图2为本发明实施例提供的稳态数据筛选流程示意图。
图3为本发明实施例提供的双层LSTM模型结构示意图。
图4为本发明实施例提供的软注意力机制结构示意图。
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。
参见图1所示,本发明实施例公开了一种烘丝机出口水分智能逆向优化控制方法,包括如下步骤:
S1、获取烘丝机出口水分的历史加工参数;
S2、对历史加工参数进行预处理;
S3、对预处理后的历史加工参数进行特征提取,根据提取出的特征构建参数矩阵;
S4、采用K均值法对烘丝机出口水分进行离散化处理,获得多个离散化中心值,每个离散化中心值均对应一个标签;
S5、将参数矩阵输入到训练好的出口含水率预测模型中,输出符合每个标签的概率值;
S6、根据概率值,反推实际作业时烘丝机出口水分的设定参数。
该方法从数据角度出发,系统地研究了卷烟制造过程中的一个关键环节,即叶丝干燥过程出口水分影响参数的逆向优化问题;基于此,该方法为实际工业生产提供了新的优化工具,也为深度学习技术在解决实际工业生产问题中的应用提供了参考。
接下来,分别对上述步骤进行具体说明。
在上述步骤S1中,从烘丝机设备上直接获取丝机出口水分的历史加工参数,例如筒壁温度、热风温度和排潮风量等。
在上述步骤S2中,主要用于获取有效数据和稳态数据,具体包括:
S21、将历史加工参数中的异常值和缺失值进行剔除,获取每批次历史加工数据中的有效数据;
S22、从有效数据中筛选出稳态数据;该步骤可参见图2所示,根据变点检测理论和施瓦茨信息准则,将有效数据动态分割为子序列;计算子序列的均值和方差;将均值和方差分别与预设阈值进行对比,来判断对应的历史加工数据是否为稳态数据;其中,变点检测理论对应的判断条件表示为:
其中,j代表变点位置;m表示变点个数且m∈{1,...,T-1});T表示每个变点出现的时间;C表示成本函数;τj表示第j个变点;βf(m)表示为了防止过拟合的惩罚项。
由于产过程的在线采集不可避免的就会混杂大量的非稳态数据;如果无法对非稳态数据进行有效识别,必然会影响对生产实际过程的客观判断,也会影响过程控制诊断的准确性;因此,该步骤S22中稳态数据的识别对于保障质量评价的客观性和质量控制的精确性至关重要。
S23、对稳态数据进行移动均值处理;以水分值作为例子,当叶丝进入烘丝机前测得水分值为Y,在经过烘丝机后,出口处得到水分值为Y';但在整个过程中,输送带会不断地向烘丝机中输送叶丝,这就会产生Y'≠Y,无法实现水分值的点对点;故需要采用移动均值的方法,采用均值来代替原始的点值,解决实际生产数据中的点对点问题;本发明实施例中,移动均值处理可表示为:
表示经过移动均值计算后的出口水分值;Y′u代表第u时刻的原始的出口水分值;k代表设置的向后移动均值的大小。
在上述步骤S3中,在收集到的数据中涉及了众多参数,然而在实际生产中,只有部分设备参数对出口水分产生影响,因此特征筛选变得至关重要,本发明实施例中,通过随机森林法对移动均值处理后的稳态数据进行特征提取,获得对烘丝机出口水分具有影响的因素组合,且该影响值超过预设值;根据因素组合构建参数矩阵。
在上述步骤S4中,由于在实际生产中,衡量干燥过程后的叶丝品质并不是单一的出口水分值,而是一个范围或区间,通过调整不同区间的出口水分,实现对烘丝过程的工艺参数进行精确控制;为了更好地处理这一特性,本发明实施例采用了K均值方法,将出口水分进行离散化处理,从而更好地反映出烘丝过程的特点;该K均值离散化过程中采用如下公式来更新聚类中心,从而使离散效果最优:
其中,mb表示计算其所包含的数据点的平均值;Cb表示第b个聚类中心;|Cb|表示聚类中心Cb所包含的数据点数量;xl表示第l个数据点;
基于上述K均值离散法,本发明实施例中将烘丝机出口水分离散化为4部分;结合实际生产需要,以标签为“0”作为烘丝机出口水分的标准值;将标签“1”与标签“3”定位为低于标准值的出口水分值;将标签“2”定义为高于标准值的出口水分值;其中标签“0”的离散化中心值为烘丝出口水分标准值的中心值;具体参见下表1所示:
表1离散化标准及范围
标签值 | 范围 | 离散化中心值 |
0 | [12.9995,13.0466] | 13.0202 |
1 | [12.8090,12.9522] | 12.9263 |
2 | [13.0466,13.2922] | 13.0729 |
3 | [12.9525,12.9994] | 12.9787 |
在上述步骤S5中,本发明实施例基于注意力机制的双层LSTM模型构建了关键工序出口含水率的智能控制模型,即出口含水率预测模型(A-DLSTM模型);该模型也可以应用在制丝工艺中每一道关键工序段的出口含水率控制;
本发明实施例使用的双层LSTM模型可以更好地学习到数据中的信息与隐藏的上下文关系,减少模型对训练数据的过拟合风险,提高模型在未见过的数据上的泛化能力,其结构图可参见图3所示;在图3中,x代表输入信息,xt+1代表第t+1时刻的输入信息;y代表输出结果,yt+1代表第t+1时刻的输出结果;代表下层LSTM的第t+1时刻隐藏层的状态;/>代表上层LSTM的第t+1时刻隐藏层的状态;
将上述步骤S3中构建的参数矩阵作为该出口含水率预测模型的输入,采用公式决定输入信息与以往信息的重要性,其中ct代表第t时刻的细胞状态,ft代表第t时刻的遗忘门,it代表第t时刻输入门,/>代表第t时刻的候选细胞状态;且采用ht=ot⊙tanh(ct)决定是否更新隐藏层的信息,其中ot代表第t时刻的输出门,⊙代表点乘,tanh(·)代表激活函数;
该双层LSTM模型包括上层LSTM网络和下层LSTM网络;其中,上层LSTM网络的输出作为下层LSTM网络的的输入,形成了一种层级结构;该结构允许模型独立学习和处理数据的特征;此外,上层LSTM网络利用下层LSTM网络的隐藏信息来捕获数据的上下依赖关系;上层LSTM网络的隐藏层与下层LSTM网络的隐藏层/>通过全连接层相连接;该全连接层用于输出出口水分的预测区间;其中,上层的隐藏层状态的输出表示为:
其中,W2表示下层LSTM网络与上层LSTM网络之间的权重矩阵;b2表示下层LSTM网络与上层LSTM网络之间的偏置向量;表示上层LSTM网络的隐藏层;/>表示下层LSTM的隐藏层。
本发明实施例中,在双层LSTM模型的基础上引入注意力模型,用于学习序列中的依赖关系,以增强模型的泛化能力,使出口含水率预测模型可以更加关注重要的部分;本发明实施例中使用软注意力机制,其结构示意图可参见图4所示;图4中参数Z代表评分函数,参数q代表查询向量;其原理为假设某系统包含n个输入信息,每个时间步输入信息的注意力权重α,表示为:
其中,n表示数据的输入信息的数量;βp为输入信息的数量为p时的注意力分布;wp为输入信息数量为p时的拼接向量;p≤n。
在上述步骤S6中,利用正向出口水分预测模型来实现对设备参数的反向控制;通过建立正向的出口含水率预测模型,能够逆向推导出关键设备参数的设置值;为了对该步骤的效果进行测试,可将在训练集上训练好的出口含水率预测模型应用到测试集,从而输出的标签号,得到在测试集上目标出口水分的最大概率值,其对应的样本值即为本发明实施例需要的参考值;
在实际生产中,具体的点值往往无法完全反映实际生产情况,因此本文通过计算设备样本值的均值来优化影响因素的估计值;该方法能够更准确地反映设备参数对出口水分的影响,为生产过程的控制和优化提供了有力的支持。
在另一方面,本发明实施例还提供了一种烘丝机出口水分智能逆向优化控制系统,应用上述的方法,该系统包括:获取模块、预处理模块、特征提取模块、离散化处理模块、计算模块和分析模块;其中:
获取模块,用于获取烘丝机出口水分的历史加工参数;
预处理模块,用于对历史加工参数进行预处理;
特征提取模块,用于对预处理后的历史加工参数进行特征提取,根据提取出的特征构建参数矩阵;
离散化处理模块,用于采用K均值法对烘丝机出口水分进行离散化处理,获得多个离散化中心值,每个离散化中心值均对应一个标签;
计算模块,用于将参数矩阵输入到训练好的出口含水率预测模型中,输出符合每个标签的概率值;
分析模块,用于根据概率值,反推实际作业时烘丝机出口水分的设定参数。
综上,本发明实施例提供的一种烘丝机出口水分智能逆向优化控制方法和系统,在基于注意力机制和双层LSTM模型构成的出口含水率预测模型中,将特征参数矩阵作为输入,预测烘丝机出口水分,并反推各影响因素的设定值。本论文提出的方法不仅可以直接考虑出口水分的目标值,而且可以处理多个复杂参数的情况,以此来调整输入过程参数。这种策略可以为制丝过程的管理人员提供更直观、更准确的参数设定方法,从而提高烟叶干燥过程的效率和质量。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种烘丝机出口水分智能逆向优化控制方法,其特征在于,包括如下步骤:
S1、获取烘丝机出口水分的历史加工参数;
S2、对所述历史加工参数进行预处理;
S3、对预处理后的历史加工参数进行特征提取,根据提取出的特征构建参数矩阵;
S4、采用K均值离散法对所述烘丝机出口水分进行离散化处理,获得多个离散化中心值,每个所述离散化中心值均对应一个标签;
S5、将所述参数矩阵输入到训练好的出口含水率预测模型中,输出符合每个所述标签的概率值;
S6、根据所述概率值,反推实际作业时烘丝机出口水分的设定参数。
2.根据权利要求1所述的一种烘丝机出口水分智能逆向优化控制方法,其特征在于,所述历史加工参数包括:筒壁温度、热风温度和排潮风量。
3.根据权利要求1所述的一种烘丝机出口水分智能逆向优化控制方法,其特征在于,所述步骤S2具体包括:
S21、将所述历史加工参数中的异常值和缺失值进行剔除,获取有效数据;
S22、从所述有效数据中筛选出稳态数据;
S23、对所述稳态数据进行移动均值处理。
4.根据权利要求3所述的一种烘丝机出口水分智能逆向优化控制方法,其特征在于,所述步骤S22具体包括:
根据变点检测理论和施瓦茨信息准则,将所述有效数据动态分割为子序列;
计算所述子序列的均值和方差;
将所述均值和方差分别与预设阈值进行对比,来判断对应的历史加工数据是否为稳态数据。
5.根据权利要求3所述的一种烘丝机出口水分智能逆向优化控制方法,其特征在于,所述步骤S3具体包括:通过随机森林法对移动均值处理后的稳态数据进行特征提取,获得对所述烘丝机出口水分具有影响的因素组合,且影响值超过预设值;根据所述因素组合构建参数矩阵。
6.根据权利要求1所述的一种烘丝机出口水分智能逆向优化控制方法,其特征在于,在上述步骤S4中,将所述烘丝机出口水分离散为4部分,其中:
标签0对应的离散化中心值为13.0202,数据范围为[12.9995,13.0466];
标签1对应的离散化中心值为12.9263,数据范围为[12.8090,12.9522];
标签2对应的离散化中心值为13.0729,数据范围为[13.0466,13.2922];
标签3对应的离散化中心值为12.9787,数据范围为[12.9525,12.9994]。
7.根据权利要求1所述的一种烘丝机出口水分智能逆向优化控制方法,其特征在于,在上述步骤S5中,所述出口含水率预测模型为基于注意力机制的双层LSTM模型。
8.根据权利要求7所述的一种烘丝机出口水分智能逆向优化控制方法,其特征在于,所述双层LSTM模型包括上层LSTM网络和下层LSTM网络;
所述上层LSTM网络利用所述下层LSTM网络的隐藏信息来捕获数据的上下依赖关系;
所述上层LSTM网络的隐藏层与所述下层LSTM网络的隐藏层通过全连接的方式相连接。
9.根据权利要求7所述的一种烘丝机出口水分智能逆向优化控制方法,其特征在于,所述注意力机制为软注意力机制。
10.一种烘丝机出口水分智能逆向优化控制系统,其特征在于,应用如权利要求1-9任一项所述的方法,该系统包括:获取模块、预处理模块、特征提取模块、离散化处理模块、计算模块和分析模块;
所述获取模块,用于获取烘丝机出口水分的历史加工参数;
所述预处理模块,用于对所述历史加工参数进行预处理;
所述特征提取模块,用于对预处理后的历史加工参数进行特征提取,根据提取出的特征构建参数矩阵;
所述离散化处理模块,用于采用K均值法对所述烘丝机出口水分进行离散化处理,获得多个离散化中心值,每个所述离散化中心值均对应一个标签;
所述计算模块,用于将所述参数矩阵输入到训练好的出口含水率预测模型中,输出符合每个所述标签的概率值;
所述分析模块,用于根据所述概率值,反推实际作业时烘丝机出口水分的设定参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311349148.1A CN117297148A (zh) | 2023-10-18 | 2023-10-18 | 一种烘丝机出口水分智能逆向优化控制方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311349148.1A CN117297148A (zh) | 2023-10-18 | 2023-10-18 | 一种烘丝机出口水分智能逆向优化控制方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117297148A true CN117297148A (zh) | 2023-12-29 |
Family
ID=89255178
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311349148.1A Pending CN117297148A (zh) | 2023-10-18 | 2023-10-18 | 一种烘丝机出口水分智能逆向优化控制方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117297148A (zh) |
-
2023
- 2023-10-18 CN CN202311349148.1A patent/CN117297148A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kang et al. | Machine learning applications in production lines: A systematic literature review | |
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 | |
Yu et al. | Recursive exponential slow feature analysis for fine-scale adaptive processes monitoring with comprehensive operation status identification | |
US11403535B2 (en) | Model-based machine learning system | |
CN112987666A (zh) | 电厂机组运行优化调控方法及系统 | |
DE102021201296A1 (de) | Vorhersagemodell zum Vorhersagen von Produktqualitätsparameterwerten | |
Wang et al. | An evolving neuro-fuzzy technique for system state forecasting | |
CN114282370B (zh) | 考虑操作者体力和脑力负荷的拆卸线设置方法 | |
CN112785080B (zh) | 一种基于水泥工业的实时动态水泥粉磨系统能耗优化方法 | |
CN103543719A (zh) | 一种基于工况的流程行业操作模式自适应调整方法 | |
CN115630839A (zh) | 一种基于数据挖掘的生产智能反馈调控系统 | |
Glavan et al. | Production modelling for holistic production control | |
Zhu et al. | A data-driven decision-making framework for online control of vertical roller mill | |
CN115169453A (zh) | 基于密度聚类协同深度残差网络的热连轧宽度预测方法 | |
Simon et al. | Industrial batch dryer data mining using intelligent pattern classifiers: neural network, neuro-fuzzy and Takagi–Sugeno fuzzy models | |
CN117873238A (zh) | 一种植物生长控制方法及其系统、计算机设备和存储介质 | |
Karim et al. | Data‐based modeling and analysis of bioprocesses: some real experiences | |
CN115329823A (zh) | 延迟焦化加热炉炉管温度的动态深度迁移预测方法及装置 | |
CN117297148A (zh) | 一种烘丝机出口水分智能逆向优化控制方法和系统 | |
Ferreira et al. | Evolutionary multiobjective design of radial basis function networks for greenhouse environmental control | |
CN103488089B (zh) | 自适应的农药废液焚烧炉有害物排放达标控制系统及方法 | |
CN111524023A (zh) | 温室调节方法及系统 | |
Lesany et al. | Development of fitted line and fitted cosine curve for recognition and analysis of unnatural patterns in process control charts | |
CN115729103A (zh) | 一种磨矿分级过程的模糊优化控制方法和设备 | |
Zhao et al. | Research on quality control application of whole process intelligent manufacturing in steel industry 4.0 based on big data analysis |
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 |