CN117389234B - 一种卧式打叶机组叶片结构指标智能控制系统 - Google Patents

一种卧式打叶机组叶片结构指标智能控制系统 Download PDF

Info

Publication number
CN117389234B
CN117389234B CN202311649860.3A CN202311649860A CN117389234B CN 117389234 B CN117389234 B CN 117389234B CN 202311649860 A CN202311649860 A CN 202311649860A CN 117389234 B CN117389234 B CN 117389234B
Authority
CN
China
Prior art keywords
index
blade
threshing
machine set
threshing machine
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
Application number
CN202311649860.3A
Other languages
English (en)
Other versions
CN117389234A (zh
Inventor
吴箭
张志成
夏自麟
李瑞东
邓立
朱剑波
徐元飞
毕一鸣
郝贤伟
田雨农
吴灵通
张晓兵
刘建国
赵燕平
孟媛
杨泽会
刘启超
王欢
叶来
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yunnan Leaf Tobacco Redrying Co ltd
Original Assignee
Yunnan Leaf Tobacco Redrying Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Yunnan Leaf Tobacco Redrying Co ltd filed Critical Yunnan Leaf Tobacco Redrying Co ltd
Priority to CN202311649860.3A priority Critical patent/CN117389234B/zh
Publication of CN117389234A publication Critical patent/CN117389234A/zh
Application granted granted Critical
Publication of CN117389234B publication Critical patent/CN117389234B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • A—HUMAN NECESSITIES
    • A24—TOBACCO; CIGARS; CIGARETTES; SIMULATED SMOKING DEVICES; SMOKERS' REQUISITES
    • A24B—MANUFACTURE OR PREPARATION OF TOBACCO FOR SMOKING OR CHEWING; TOBACCO; SNUFF
    • A24B5/00—Stripping tobacco; Treatment of stems or ribs
    • A24B5/06—Stripping tobacco; Treatment of stems or ribs by stripping leaf-parts from the stem
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N2021/8411—Application to online plant, process monitoring
    • G01N2021/8416—Application to online plant, process monitoring and process controlling, not otherwise provided for
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Quality & Reliability (AREA)
  • Manufacturing & Machinery (AREA)
  • Computational Linguistics (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Threshing Machine Elements (AREA)

Abstract

本发明公开一种卧式打叶机组叶片结构指标智能控制系统，包括：卧式打叶机组；叶片结构指标检测设备；控制器，其电连接卧式打叶机组用于控制其工作和电连接叶片结构指标检测设备；智能决策系统，其电连接所述控制器，该智能决策系统包括知识推理子系统和预测子系统。本发明不但实现了对卧式打叶机组叶片结构指标智能控制，还通过预测子系统对知识推理子系统的推荐参数进行叶片结构指标结果预测，待预测叶片结构指标合格后再将参数下传给控制器执行，对打叶复烤车间叶梗分离段的智能化制造水平提升有较大帮助。

Description

一种卧式打叶机组叶片结构指标智能控制系统
技术领域
本发明涉及卧式打叶机组控制技术领域，具体涉及一种卧式打叶机组叶片结构指标智能控制系统。
背景技术
烟叶打叶复烤是我国烟草行业产业链中的重要环节，也是将烟叶从农产品转换为工业原料、提升其经济价值的第一道工序，在生产加工过程中需要时刻关注大中片率、叶中含梗率等各项叶片结构指标的合格稳定。同时，由于打叶机组是一个非线性、多级耦合、大惯性系统，叶片结构指标受到烟叶物化特性、烟叶部位、设备运行参数、二润温湿度、环境温湿度等诸多因素综合影响。所以，在打叶复烤车间打叶机组的控制一直采用开环控制，凭借操作工工作经验设置设备参数，通过观察和监控叶片结构指标的变化修改调整控制参数，保证各项叶片结构指标的稳定性。打叶机组的操作调控对操作工的人工经验和责任心依赖性较高，劳动强度也较大。不同工作经验和责任心的操作工加工出来的叶片结构指标有较明显波动，这对烟叶质量的均质化指标有较大影响，进而影响到制丝和卷接加工环节的产品质量。
因此，如何提供一种能够避免上述弊端的卧式打叶机组叶片结构指标智能控制系统便成为了本领域技术人员急需解决的技术问题。
发明内容
为实现上述目的，本发明提供一种利用知识推理和大数据预测模型实现打叶机组控制参数自动调整的卧式打叶机组叶片结构指标智能控制系统。具体技术方案如下：
一种卧式打叶机组叶片结构指标智能控制系统，包括：
卧式打叶机组，其包括沿上下游方向依次相连的至少两级打叶机及风分机、回梗打辊部件，每级打叶机均包括至少一个打叶辊，每级风分机均包括至少一个风分器，还包括用于接收所有风分器的风分口所输出的叶片的风分出料汇总皮带和用于接收所述回梗打辊部件所输出的烟梗的烟梗输送皮带，所述风分出料汇总皮带、所述烟梗输送皮带和每个所述风分器的风分口处均设置有取样装置，还包括多台流量秤，其一一对应设置在风分出料汇总皮带、所述烟梗输送皮带和每一个风分器的风分口处；
叶片结构指标检测设备，其连接所有的所述取样装置用于间隔获取待检测叶片的叶片结构指标，所述待检测叶片为风分出料汇总皮带上的叶片和/或单个风分器的风分口所输出的叶片和/或烟梗输送皮带上的烟梗；
控制器，其电连接所述卧式打叶机组用于控制其工作和电连接所述叶片结构指标检测设备用于接收该叶片结构指标检测得出的叶片结构指标；
智能决策系统，其电连接所述控制器，该智能决策系统包括知识推理子系统和预测子系统：
所述知识推理子系统，其包括初始机组运行参数指导模块和指标异常指导模块，
所述初始机组运行参数指导模块内存储有如下知识：加工若干不同产地、不同部位的烟叶时，进入该卧式打叶机组前的入口实时总流量、二润温度湿度、各个流量秤的实时流量数据和加工至期望叶片结构指标时的机组运行参数，所述机组运行参数包括各级打叶辊转速、风分器的风机频率，该知识来源于事实加工数据，该初始机组运行参数指导模块用于在接收到待加工烟叶的部位、产地、期望叶片结构指标时用于提供一初始机组运行参数；所述指标异常指导模块内存储有如下知识：叶片结构指标异常时，影响该异常的最大概率的是哪一级风分器和/或打叶辊，并给出控制器相应指令以对该风分器的出口的烟叶进行叶片结构指标检测，并该风分器和/或打叶辊的参数如何调整能够使得叶片结构指标正常，该知识来源于行业专家和操作人员的经验，该指标异常指导模块根据所述控制器传输的叶片结构指标异常情况下用于给出卧式打叶机组的调整运行参数；
所述预测子系统，其电连接所述指标异常指导模块用于接收所述指标异常指导模块给予的调整运行参数，并基于该调整运行参数来进行叶片结构指标的预测，其采用非线性回归网络模型，该模型的参数通过对历史加工数据训练获得，得出机组运行参数和叶片结构指标的预测关系，所述历史加工数据包含烟叶部位、产地、入口实时总流量、所述机组运行参数、二润温度湿度、叶片结构指标检测设备检测的叶片结构指标、各个流量秤的流量数据；
工作时，在所述智能决策系统输入待加工烟叶的部位、产地、期望叶片结构指标，所述智能决策系统的知识推理子系统的初始机组运行参数指导模块会将一组初始运行参数输出给所述控制器，所述控制器控制所述卧式打叶机组工作，所述取样装置按照固定时间间隔对风分出料汇总皮带上的叶片进行取样，当叶片结构指标检测设备检测到叶片结构指标异常时，所述知识推理子系统的指标异常指导模块指导给出需要待检测的指定的风分器和/或打叶辊，对应该指定的风分器处的取样装置对其进行取样，获取该风分口处叶片结构指标的检测结果，并给出调整运行参数给预测子系统进行叶片结构指标的预测，若预测的叶片结构指标恢复至预设范围，则将该调整运行参数传输给所述控制器，若预测的叶片结构指标仍然异常，则所述指标异常指导模块重新给出调整运行参数，直至预测的叶片结构指标恢复至预设范围。
作为优选，所述卧式打叶机组为四级打叶机及风分机，包括依次相连的第1级至第4级，所述第1级打叶机设有4个打辊，所述第1级风分机设有5个风分器，所述第2级打叶机设有2个打辊，所述第2级风分机设有3个风分器，所述第3级打叶机设有1个打辊，所述第3级风分机设有2个风分器，所述第4级打叶机设有1个打辊，所述第4级风分机设有1个风分器。
作为优选，对应所有的所述风分器的风分口所设置的取样装置均通过取样汇总皮带连接至所述叶片结构指标检测设备。
作为优选，所述叶片结构指标检测设备为两个，分别为第一检测设备和第二检测设备，所述取样汇总皮带为两条，分别为第一条皮带和第二条皮带，所述第1级的5个风分器的风分口处的取样装置通过所述第一条皮带连接至所述第一检测设备，所述第2级至第4级的风分器的风分口处的取样装置通过所述第二条皮带连接至所述第二检测设备，所述烟梗输送皮带连接至所述第二检测设备。
作为优选，所述叶片结构指标检测设备的出料口通过皮带机和所述出料汇总皮带连接。
作为优选，所述取样装置均为正反转皮带或分料管。
作为优选，所述叶片结构指标至少包括大中片率、大片率、中片率、小片率、碎片率、叶中含梗率及梗中含叶率。
作为优选，所述风分出料汇总皮带上的检测到的叶片的叶片结构指标与期望叶片结构指标的差的绝对值大于预设阈值，大中片率、大片率、中片率、小片率的预设阈值为2.0%，碎片率的预设阈值为1.0%，叶中含梗率、梗中含叶率的预设阈值为0.2%。
作为优选，所述固定时间间隔为10～30分钟。
作为优选，所述叶片结构指标检测设备型号是CA813，其是采用图像法检测叶片的叶片结构指标。
本发明提供的卧式打叶机组叶片结构指标智能控制系统，具有如下技术效果：
本发明不但实现了对卧式打叶机组叶片结构指标智能控制，还通过预测模型对知识推理系统的推荐参数进行叶片结构指标结果预测，待预测叶片结构指标合格后再将参数下传给控制器执行，对打叶复烤车间叶梗分离段的智能化制造水平提升有较大帮助。
叶片结构检测设备又通过皮带机和出料汇总皮带连接，实现检测完的物料可以回到生产线，做到物料的无损检测。
附图说明
图1为所提供的一种卧式打叶机组叶片结构指标智能控制系统的一种具体实施方式的结构示意图；
图2为智能决策系统的工作流程图。
]图1-2中附图标记如下：
1打叶机，2风分机，3回梗打辊部件，4风分出料汇总皮带，5烟梗输送皮带，6取样装置，7流量秤，8控制器，9智能决策系统，10第一检测设备，11第二检测设备，12第一条皮带，13第二条皮带。
具体实施方式
所提供的一种卧式打叶机组叶片结构指标智能控制系统，结合图1，其包括：
卧式打叶机组，其包括沿上下游方向依次相连的至少两级打叶机1及风分机2、回梗打辊部件3，每级打叶机1均包括至少一个打叶辊，每级风分机2均包括至少一个风分器，还包括用于接收所有风分器的风分口所输出的叶片的风分出料汇总皮带4和用于接收所述回梗打辊部件3所输出的烟梗的烟梗输送皮带5，所述风分出料汇总皮带4、所述烟梗输送皮带5和每个所述风分器的风分口处均设置有取样装置6，还包括多台流量秤7，其一一对应设置在风分出料汇总皮带4、所述烟梗输送皮带5和每一个风分器的风分口处；
叶片结构指标检测设备，其连接所有的所述取样装置6用于间隔获取待检测叶片的叶片结构指标，所述待检测叶片为风分出料汇总皮带4上的叶片和/或单个风分器的风分口所输出的叶片和/或烟梗输送皮带5上的烟梗；
控制器8，其电连接所述卧式打叶机组用于控制其工作和电连接所述叶片结构指标检测设备用于接收该叶片结构指标检测得出的叶片结构指标；
智能决策系统9，其电连接所述控制器8，该智能决策系统9包括知识推理子系统和预测子系统：
所述知识推理子系统，其包括初始机组运行参数指导模块和指标异常指导模块，所述初始机组运行参数指导模块内存储有如下知识：加工若干不同产地、不同部位的烟叶时，进入该卧式打叶机组前的入口实时总流量、二润温度湿度、各个流量秤的实时流量数据和加工至期望叶片结构指标时的机组运行参数，所述机组运行参数包括各级打叶辊转速、风分器的风机频率，该知识来源于实时加工数据，该初始机组运行参数指导模块用于在接收到待加工烟叶的部位、产地、期望叶片结构指标时用于提供一初始机组运行参数；所述指标异常指导模块内存储有如下知识：叶片结构指标异常时，影响该异常的最大概率的是哪一级风分器和/或打叶辊，并给出控制器8相应指令以对该风分器的出口的烟叶进行叶片结构指标检测，并该风分器和/或打叶辊的参数如何调整能够使得叶片结构指标正常，该知识来源于行业专家和操作人员的经验，该指标异常指导模块根据所述控制器传输的叶片结构指标异常情况下用于给出卧式打叶机组的调整运行参数；
所述预测子系统，其电连接所述指标异常指导模块用于接收所述指标异常指导模块给予的调整运行参数，并基于该调整运行参数来进行叶片结构指标的预测，其采用非线性回归网络模型，该模型的参数通过对历史加工数据训练获得，得出机组运行参数和叶片结构指标的预测关系，所述历史加工数据包含烟叶部位、产地、入口实时总流量、所述机组运行参数、二润温度湿度、叶片结构指标检测设备检测的叶片结构指标、各个流量秤的流量数据；
工作时，如图2所示，在所述智能决策系统输入待加工烟叶的部位、产地、期望叶片结构指标，所述智能决策系统的知识推理子系统的初始机组运行参数指导模块会将一组初始运行参数输出给所述控制器，所述控制器8控制所述卧式打叶机组工作，所述取样装置6按照固定时间间隔对风分出料汇总皮带4上的叶片进行取样，当叶片结构指标检测设备检测到叶片结构指标异常时，所述知识推理子系统的指标异常指导模块指导给出需要待检测的指定的风分器和/或打叶辊，对应该指定的风分器处的取样装置对其进行取样，获取该风分口处的叶片的叶片结构指标的检测结果，并给出调整运行参数给预测子系统进行叶片结构指标的预测，若预测的叶片结构指标恢复至预设范围，则将该调整运行参数传输给所述控制器8，若预测的叶片结构指标仍然异常，则所述指标异常指导模块重新给出调整运行参数，直至预测的叶片结构指标恢复至预设范围。
一种具体实施方式中，如图1所示，所述卧式打叶机组为四级打叶机1及风分机2，包括依次相连的第1级至第4级（按图1中按左到右的方向依次排列），所述第1级打叶机设有4个打辊（圆圈表示打棍），所述第1级风分机设有5个风分器（黑色的长方形表示风分器），所述第2级打叶机设有2个打辊，所述第2级风分机设有3个风分器，所述第3级打叶机设有1个打辊，所述第3级风分机设有2个风分器，所述第4级打叶机设有1个打辊，所述第4级风分机设有1个风分器。
其中，对应所有的所述风分器的风分口所设置的取样装置6均通过取样汇总皮带连接至所述叶片结构指标检测设备。
该具体实施方式中，所述叶片结构指标检测设备为两个，分别为第一检测设备10和第二检测设备11，所述取样汇总皮带为两条，分别为第一条皮带12和第二条皮带13，所述第1级的5个风分器的风分口处的取样装置6通过所述第一条皮带12连接至所述第一检测设备10，所述第2级至第4级的风分器的风分口处的取样装置6通过所述第二条皮带13连接至所述第二检测设备11，所述烟梗输送皮带5连接至所述第二检测设备11。
进一步的，所述叶片结构指标检测设备的出料口通过皮带机和所述风分出料汇总皮带4连接。
一种具体实施方式中，所述取样装置6均为正反转皮带或分料管。
其中，所述叶片结构指标至少包括大中片率、大片率、中片率、小片率、碎片率、叶中含梗率及梗中含叶率。
其中，所述风分出料汇总皮带4上的检测到的叶片的叶片结构指标与期望叶片结构指标的差的绝对值大于预设阈值，大中片率、大片率、中片率、小片率的预设阈值为2.0%，碎片率的预设阈值为1.0%，叶中含梗率、梗中含叶率的预设阈值为0.2%。
一种具体实施方式中，所述固定时间间隔为10～30分钟。
其中，所述叶片结构指标检测设备型号是CA813，是昆船公司的CA813叶片结构检测设备，其是采用图像法检测叶片的叶片结构指标。
本实施例部署在昆明船舶设备有限公司生产的卧式打叶机组上，智能决策系统9已经训练完成，部署在一台服务器上，该打叶机组的结构如图1所示。对曲靖C3F中部烟叶进行加工，客户为浙江中烟，期望指标大中片率大于85%，叶中含梗率小于2.0%。
一种卧式打叶机组叶片结构指标智能控制方法具体工作如下：
1、将产地等级部位：曲靖C3F(中部)、客户：浙江中烟、期望指标：大中片率>85%、叶中含梗率<2.0%输入智能决策系统9；
2、智能决策系统9推荐一组初始运行参数。
3、待开机运行15分钟后，打叶机组运行平稳，开始对风分出料汇总皮带4进行循环取样，检测叶片结构指标取样间隔为20分钟，将检测结果上报给智能决策系统9。
4、某次取样检测到大片率为81%，85%-81%=4%大于预设阈值2%的标准，智能决策系统9给出推荐，对2风分口（第1级风分机的第2个风分器的出口）进行进一步取样检测的指令；
5、系统对2风分口取样检测，将检测结果上传给智能决策系统9，智能决策系统9根据当前接收到的2风分口的流量称的流量数据、二润温湿度、2风分口大中片率检测结果信息，推理后给出提高2风分口和6风分口（第2级风分机的第1个风分器的出口）风机转速1Hz，同时降低1打（第1级打叶机）和2打（第2级打叶机）打辊转速1Hz的调控建议。
6、将预调控的打叶机组控制参数，输入预测子系统进行大中片率指标预测，获得的预测值为85.5%，达到预期调控目标；
7、将预调控的打叶机组控制参数，下载给打叶机组的控制器8，15分钟后，对风分出料汇总皮带4进行循环取样检测，检测结果指标为85.7%和预测值接近，达到了预期调控目标。
8、本次调控结束，系统继续对风分出料汇总皮带4循环取样检测，监控运行状态。

Claims (10)

1.一种卧式打叶机组叶片结构指标智能控制系统，其特征在于，包括：
卧式打叶机组，其包括沿上下游方向依次相连的至少两级打叶机及风分机、回梗打辊部件，每级打叶机均包括至少一个打叶辊，每级风分机均包括至少一个风分器，还包括用于接收所有风分器的风分口所输出的叶片的风分出料汇总皮带和用于接收所述回梗打辊部件所输出的烟梗的烟梗输送皮带，所述风分出料汇总皮带、所述烟梗输送皮带和每个所述风分器的风分口处均设置有取样装置，还包括多台流量秤，其一一对应设置在风分出料汇总皮带、所述烟梗输送皮带和每一个风分器的风分口处；
叶片结构指标检测设备，其连接所有的所述取样装置用于间隔获取待检测叶片的叶片结构指标，所述待检测叶片为风分出料汇总皮带上的叶片和/或单个风分器的风分口所输出的叶片和/或烟梗输送皮带上的烟梗；
控制器，其电连接所述卧式打叶机组用于控制其工作和电连接所述叶片结构指标检测设备用于接收该叶片结构指标检测得出的叶片结构指标；
智能决策系统，其电连接所述控制器，该智能决策系统包括知识推理子系统和预测子系统：
所述知识推理子系统，其包括初始机组运行参数指导模块和指标异常指导模块，所述初始机组运行参数指导模块内存储有如下知识：加工若干不同产地、不同部位的烟叶时，进入该卧式打叶机组前的入口实时总流量、二润温度湿度、各个流量秤的实时流量数据和加工至期望叶片结构指标时的机组运行参数，所述机组运行参数包括各级打叶辊转速、风分器的风机频率，该知识来源于实时加工数据，该初始机组运行参数指导模块用于在接收到待加工烟叶的部位、产地、期望叶片结构指标时用于提供初始机组运行参数；所述指标异常指导模块内存储有如下知识：叶片结构指标异常时，影响该异常的最大概率的是哪一级风分器和/或打叶辊，并给出控制器相应指令以对该风分器的出口的烟叶进行叶片结构指标检测，并该风分器和/或打叶辊的参数如何调整能够使得叶片结构指标正常，该知识来源于行业专家和操作人员的经验，该指标异常指导模块根据所述控制器传输的叶片结构指标异常情况下用于给出卧式打叶机组的调整运行参数；
所述预测子系统，其电连接所述指标异常指导模块用于接收所述指标异常指导模块给予的调整运行参数，并基于该调整运行参数来进行叶片结构指标的预测，其采用非线性回归网络模型，该模型的参数通过对历史加工数据训练获得，得出机组运行参数和叶片结构指标的预测关系，所述历史加工数据包含烟叶部位、产地、入口实时总流量、所述机组运行参数、二润温度湿度、叶片结构指标检测设备检测的叶片结构指标、各个流量秤的流量数据；
工作时，在所述智能决策系统输入待加工烟叶的部位、产地、期望叶片结构指标，所述智能决策系统的知识推理子系统的初始机组运行参数指导模块会将一组初始运行参数输出给所述控制器，所述控制器控制所述卧式打叶机组工作，所述取样装置按照固定时间间隔对风分出料汇总皮带上的叶片进行取样，当叶片结构指标检测设备检测到叶片结构指标异常时，所述知识推理子系统的指标异常指导模块指导给出需要待检测的指定的风分器和/或打叶辊，对应该指定的风分器处的取样装置对其进行取样，获取该风分口处的叶片的叶片结构指标的检测结果，并给出调整运行参数给预测子系统进行叶片结构指标的预测，若预测的叶片结构指标恢复至预设范围，则将该调整运行参数传输给所述控制器，若预测的叶片结构指标仍然异常，则所述指标异常指导模块重新给出调整运行参数，直至预测的叶片结构指标恢复至预设范围。
2.根据权利要求1所述的卧式打叶机组叶片结构指标智能控制系统，其特征在于，所述卧式打叶机组为四级打叶机及风分机，包括依次相连的第1级、第2级、第3级和第4级，所述第1级打叶机设有4个打辊，所述第1级风分机设有5个风分器，所述第2级打叶机设有2个打辊，所述第2级风分机设有3个风分器，所述第3级打叶机设有1个打辊，所述第3级风分机设有2个风分器，所述第4级打叶机设有1个打辊，所述第4级风分机设有1个风分器。
3.根据权利要求2所述的卧式打叶机组叶片结构指标智能控制系统，其特征在于，对应所有的所述风分器的风分口所设置的取样装置均通过取样汇总皮带连接至所述叶片结构指标检测设备。
4.根据权利要求3所述的卧式打叶机组叶片结构指标智能控制系统，其特征在于，所述叶片结构指标检测设备为两个，分别为第一检测设备和第二检测设备，所述取样汇总皮带为两条，分别为第一条皮带和第二条皮带，所述第1级的5个风分器的风分口处的取样装置通过所述第一条皮带连接至所述第一检测设备，所述第2级至第4级的风分器的风分口处的取样装置通过所述第二条皮带连接至所述第二检测设备，所述烟梗输送皮带连接至所述第二检测设备。
5.根据权利要求1所述的卧式打叶机组叶片结构指标智能控制系统，其特征在于，所述叶片结构指标检测设备的出料口通过皮带机和所述出料汇总皮带连接。
6.根据权利要求1所述的卧式打叶机组叶片结构指标智能控制系统，其特征在于，所述取样装置均为正反转皮带或分料管。
7.根据权利要求1所述的卧式打叶机组叶片结构指标智能控制系统，其特征在于，所述叶片结构指标至少包括大中片率、大片率、中片率、小片率、碎片率、叶中含梗率及梗中含叶率。
8.根据权利要求7所述的卧式打叶机组叶片结构指标智能控制系统，其特征在于，所述叶片结构指标异常的判断如下：所述风分出料汇总皮带上的检测到的叶片的叶片结构指标与期望叶片结构指标的差的绝对值大于预设阈值，大中片率、大片率、中片率、小片率的预设阈值为2.0%，碎片率的预设阈值为1.0%，叶中含梗率、梗中含叶率的预设阈值为0.2%。
9.根据权利要求1所述的卧式打叶机组叶片结构指标智能控制系统，其特征在于，所述固定时间间隔为10～30分钟。
10.根据权利要求1所述的卧式打叶机组叶片结构指标智能控制系统，其特征在于，所述叶片结构指标检测设备型号是CA813，其是采用图像法检测叶片的叶片结构指标。
CN202311649860.3A 2023-12-05 2023-12-05 一种卧式打叶机组叶片结构指标智能控制系统 Active CN117389234B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311649860.3A CN117389234B (zh) 2023-12-05 2023-12-05 一种卧式打叶机组叶片结构指标智能控制系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311649860.3A CN117389234B (zh) 2023-12-05 2023-12-05 一种卧式打叶机组叶片结构指标智能控制系统

Publications (2)

Publication Number Publication Date
CN117389234A CN117389234A (zh) 2024-01-12
CN117389234B true CN117389234B (zh) 2024-03-22

Family

ID=89468639

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311649860.3A Active CN117389234B (zh) 2023-12-05 2023-12-05 一种卧式打叶机组叶片结构指标智能控制系统

Country Status (1)

Country Link
CN (1) CN117389234B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004062440A (ja) * 2002-07-26 2004-02-26 Toshiba Corp 予測モデルシステム
EP1600322A2 (en) * 2004-05-27 2005-11-30 Nissan Motor Company, Limited Model predictive control apparatus
CN101488024A (zh) * 2009-01-23 2009-07-22 秦皇岛烟草机械有限责任公司 烟草加工过程参数的在线质量评估与实时智能控制方法
CN102147613A (zh) * 2011-04-12 2011-08-10 黄继红 一种对烟叶复烤机水分、温度的模型预测控制方法及系统
CN103393211A (zh) * 2013-08-02 2013-11-20 云南昆船设计研究院 可在线检测和控制打叶风分质量的打叶去梗工艺
CN103488141A (zh) * 2013-09-11 2014-01-01 湖南烟叶复烤有限公司郴州复烤厂 一种烟草的打叶复烤参数化加工控制方法
CN104793638A (zh) * 2015-04-09 2015-07-22 云南烟叶复烤有限责任公司师宗复烤厂 打叶风分智能追踪控制方法
CN107467703A (zh) * 2017-06-29 2017-12-15 北京长征高科技有限公司 一种打叶风分机组打叶指标的控制系统及方法
EP3501300A1 (en) * 2017-12-19 2019-06-26 G.D. S.p.A Production line in the tobacco industry and method for inspecting it
CN115099457A (zh) * 2022-05-18 2022-09-23 张家口卷烟厂有限责任公司 烟丝结构在线预测分析系统
CN116757354A (zh) * 2023-05-09 2023-09-15 云南烟叶复烤有限责任公司 一种基于多层感知机的烟叶复烤段关键参数筛选方法
CN116933423A (zh) * 2023-07-25 2023-10-24 湖北中烟工业有限责任公司 一种基于ga-bp神经网络的打叶风分工艺参数优化方法及装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6426652B2 (ja) * 2016-04-15 2018-11-21 ファナック株式会社 ディジタル制御電源装置および生産管理システム
CN112034095B (zh) * 2020-07-10 2021-08-20 张家口卷烟厂有限责任公司 在线烘后烟丝结构分析系统及方法
EP3955067A1 (en) * 2020-08-11 2022-02-16 GF Machining Solutions SA A system for predicting anomalies of machining with a neuromorphic circuit

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004062440A (ja) * 2002-07-26 2004-02-26 Toshiba Corp 予測モデルシステム
EP1600322A2 (en) * 2004-05-27 2005-11-30 Nissan Motor Company, Limited Model predictive control apparatus
CN101488024A (zh) * 2009-01-23 2009-07-22 秦皇岛烟草机械有限责任公司 烟草加工过程参数的在线质量评估与实时智能控制方法
CN102147613A (zh) * 2011-04-12 2011-08-10 黄继红 一种对烟叶复烤机水分、温度的模型预测控制方法及系统
CN103393211A (zh) * 2013-08-02 2013-11-20 云南昆船设计研究院 可在线检测和控制打叶风分质量的打叶去梗工艺
CN103488141A (zh) * 2013-09-11 2014-01-01 湖南烟叶复烤有限公司郴州复烤厂 一种烟草的打叶复烤参数化加工控制方法
CN104793638A (zh) * 2015-04-09 2015-07-22 云南烟叶复烤有限责任公司师宗复烤厂 打叶风分智能追踪控制方法
CN107467703A (zh) * 2017-06-29 2017-12-15 北京长征高科技有限公司 一种打叶风分机组打叶指标的控制系统及方法
EP3501300A1 (en) * 2017-12-19 2019-06-26 G.D. S.p.A Production line in the tobacco industry and method for inspecting it
CN115099457A (zh) * 2022-05-18 2022-09-23 张家口卷烟厂有限责任公司 烟丝结构在线预测分析系统
CN116757354A (zh) * 2023-05-09 2023-09-15 云南烟叶复烤有限责任公司 一种基于多层感知机的烟叶复烤段关键参数筛选方法
CN116933423A (zh) * 2023-07-25 2023-10-24 湖北中烟工业有限责任公司 一种基于ga-bp神经网络的打叶风分工艺参数优化方法及装置

Also Published As

Publication number Publication date
CN117389234A (zh) 2024-01-12

Similar Documents

Publication Publication Date Title
CN107467703B (zh) 一种打叶风分机组打叶指标的控制系统及方法
CN104807644B (zh) 一种风电机组变桨系统的故障预警方法及系统
CN113017132A (zh) 一种基于烘丝机工艺参数预测的烟丝质量优化的方法
US4880371A (en) Apparatus of machining doughy material
WO2012149901A1 (zh) 基于相似度曲线的设备故障早期预警及优化的方法和系统
AU2021102749A4 (en) Intelligent control system and method of thin plate drier for cut tobacco
WO2014084214A1 (ja) 回転機械のモニタリング装置
CN112034095A (zh) 在线烘后烟丝结构分析系统及方法
CN103393211A (zh) 可在线检测和控制打叶风分质量的打叶去梗工艺
CN103576646B (zh) 一种提高卷烟制丝加工质量数据分析系统适用性的动态配置方法
CN117389234B (zh) 一种卧式打叶机组叶片结构指标智能控制系统
CN113812664A (zh) 松散回潮设备智能控制方法
EP0296226A4 (en) APPARATUS AND METHOD FOR WORKING PASTE.
CN112132316A (zh) 制丝环节在线设备异常监控系统及方法
CN103759536A (zh) 一种烧结系统及其烧结终点控制方法
CN115099457A (zh) 烟丝结构在线预测分析系统
CN116690689B (zh) 一种自动化裁切生产线运行状态检测方法
CN112560348A (zh) 一种基于集成学习的光纤生产中的断纤预警方法
CN112215493A (zh) 一种卷烟制丝工段工艺质量的判定和评价方法
US6597959B1 (en) Method and device for controlling an essentially continuous process
US20070162163A1 (en) Method and system for analyzing throughput
CN219894630U (zh) 一种打叶风分系统
JP7093603B2 (ja) ドライブ応答監視装置
CN111580484A (zh) 水泥生产企业设备在线监测和故障分析系统及方法
CN103488151B (zh) 一种提高卷烟制丝加工质量数据分析系统适用性的动态配置系统

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