CN117502698A - 基于烟支水分的制丝过程水分预测控制方法 - Google Patents
基于烟支水分的制丝过程水分预测控制方法 Download PDFInfo
- Publication number
- CN117502698A CN117502698A CN202311297652.1A CN202311297652A CN117502698A CN 117502698 A CN117502698 A CN 117502698A CN 202311297652 A CN202311297652 A CN 202311297652A CN 117502698 A CN117502698 A CN 117502698A
- Authority
- CN
- China
- Prior art keywords
- moisture
- tobacco
- outlet
- perfuming
- shred
- 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 132
- 235000002637 Nicotiana tabacum Nutrition 0.000 title claims abstract description 132
- 238000000034 method Methods 0.000 title claims abstract description 76
- 230000008569 process Effects 0.000 title claims abstract description 34
- 235000019504 cigarettes Nutrition 0.000 claims abstract description 81
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 65
- 238000004519 manufacturing process Methods 0.000 claims abstract description 48
- 238000001035 drying Methods 0.000 claims abstract description 20
- 238000012216 screening Methods 0.000 claims abstract description 16
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 238000006297 dehydration reaction Methods 0.000 claims abstract description 8
- 238000010009 beating Methods 0.000 claims abstract description 5
- 230000006978 adaptation Effects 0.000 claims abstract description 4
- 238000003860 storage Methods 0.000 claims description 41
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 30
- 238000004458 analytical method Methods 0.000 claims description 28
- 239000011159 matrix material Substances 0.000 claims description 25
- 230000003750 conditioning effect Effects 0.000 claims description 16
- 238000012417 linear regression Methods 0.000 claims description 16
- 229910052742 iron Inorganic materials 0.000 claims description 15
- 238000005476 soldering Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 15
- 238000001514 detection method Methods 0.000 claims description 14
- 230000001186 cumulative effect Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 6
- 235000006506 Brasenia schreberi Nutrition 0.000 claims description 5
- 230000003137 locomotive effect Effects 0.000 claims description 5
- 238000000513 principal component analysis Methods 0.000 claims description 5
- 230000001419 dependent effect Effects 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 abstract description 7
- 230000018044 dehydration Effects 0.000 abstract description 4
- 238000005096 rolling process Methods 0.000 abstract description 2
- 230000006872 improvement Effects 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000004804 winding Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 230000000391 smoking 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
- A24B9/00—Control of the moisture content of tobacco products, e.g. cigars, cigarettes, pipe 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
- 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
- A24B3/00—Preparing tobacco in the factory
- A24B3/08—Blending 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
- A24B3/00—Preparing tobacco in the factory
- A24B3/12—Steaming, curing, or flavouring tobacco
Landscapes
- Manufacturing Of Cigar And Cigarette Tobacco (AREA)
Abstract
本发明公开了一种基于烟支水分的制丝过程水分预测控制方法,包括S1主成分参数筛选、S2神经网络预测模型建立、S3模型预测与控制、S4反馈控制调节和优化等步骤。本发明以成品烟支水分为目标,反向预测最适混丝加香出口水分,进而为制丝生产过程中松散回潮、叶片加料工序的打水量和烘丝工序的脱水量提供控制依据,所建立的基于烟支水分的制丝过程水分预测控制系统具有自适应和自学习能力,可不断根据生产现状调节系统与生产过程的适应能力,可有效缩短卷包车间与制丝车间水分反馈时间,提高制丝烟丝与卷制过程的匹配性和适用性。
Description
技术领域
本发明涉及烟草制丝领域,具体涉及一种基于烟支水分的制丝过程水分预测控制方法。
背景技术
水分是影响卷烟制品感官品质的一个重要因素,成品烟支水分不仅影响烟支的物理指标,还对烟支抽吸品质和主流烟气产生影响,因此,稳定的烟支水分对保障烟支品质具有至关重要的作用。
烟支水分受制丝过程和卷制过程等参数的影响。目前烟支水分检测采用烘箱法、离线水分检测法将烟支中烟丝取出后检测水分,该方法耗时较长,且对制丝过程烟丝水分的控制调节存在滞后性,造成制丝产线上烟丝水分控制不稳定性的现象。
发明内容
为了克服上述问题,本发明提供了一种基于烟支水分的制丝过程水分预测控制方法。
本发明以成品烟支水分为目标,反向预测最适混丝加香出口水分,进而为制丝生产过程中松散回潮、叶片加料工序的打水量和烘丝工序的脱水量提供控制依据,不断根据生产现状调节系统与生产过程的适应能力。
本发明解决其技术问题所采用的技术方案为:
基于烟支水分的制丝过程水分预测控制方法,包括
S1主成分参数筛选
将历史生产数据中相同批次烟丝贮丝条件、机车参数进行主成分分析,确定影响烟支水分的主成分影响参数;
主成分影响参数包括贮丝时长、贮丝湿度、回丝量、车速、烙铁温度、VE吸风室负压、目标烟支水分;
S2预测模型建立
以主成分分析筛选的影响参数为输入层,混丝加香出口水分为输出层,建立基于烟支水分的混丝加香出口水分预测模型;
根据历史生产数据集进行基于烟支水分的混丝加香出口水分预测模型的训练;
模型训练参数:设定训练目标0.05,训练速度为0.01,最大步数100;
模型精度检验通过预测值与实际值的均方根差进行检验;
S3模型预测与控制
S3.1结合各牌号烟支水分工艺标准和现阶段烟支水分检测数据,确定合理的烟支水分作为烟支水分目标值:
通常情况下,工艺标准为标准值±允差,检测数据在[标准值-0.5%~标准值+0.5%]范围内波动,偶尔出现超过标准要求范围情况;因此,结合工艺标准+检测数据确定烟支水分目标值的方法为通过检测数据-标准值与允差进行比较,若现阶段检测数据-标准值与允差相差较大,则调整烟支水分目标值,使其更接近烟支水分标准值;
S3.2基于混丝加香出口水分预测模型得到混丝加香出口水分目标值(即预测值);
S3.3根据制丝生产过程中叶片吸水-脱水逻辑,建立松散回潮、烟丝干燥和混丝加香线性回归方程,形成制丝过程控制专家库建议:
以松散回潮入口水分、松散回潮打水量和烟丝干燥脱水量为变量,混丝加香出口水分为因变量所建立的线性回归方程为:M混=M入+a*I松+b*R脱;
基于混丝加香出口水分目标值和线性回归方程得到制丝过程松散回潮打水量、烟丝干燥脱水量,并获得该混丝加香出口水分目标值控制下的混丝加香出口水分实际值、烟支水分实际值;
S3.4二次精度校验:
根据混丝加香出口水分目标值与混丝加香出口水分实际值进行偏差分析:如果混丝加香出口水分目标值与混丝加香出口水分实际值偏差≤0.5%,则继续对烟支水分进行偏差分析;如果偏差超过0.5%,则需要反馈进行调节和优化S4.1;
根据烟支水分目标值与烟支水分实际值进行偏差分析:如果烟支水分目标值与烟支水分实际值偏差≤0.5%,说明模型预测的混丝加香出口水分满足当前烟支水分的需要,模型控制精度良好;如果偏差超过0.5%,则需要反馈进行调节和优化S4.2;
S4反馈控制调节和优化
S4.1根据线性回归方程、松散回潮入口水分,在后续批次对制丝过程松散回潮打水量、烟丝干燥脱水量进行相应调整,进而得到优化后的混丝加香出口水分目标值;
S4.2执行S3.1以得到优化后的烟支水分目标值。
作为上述技术方案的改进,基于烟支水分的制丝过程水分预测控制方法还包括
S5模型自适应
不断根据历史控制结果和实测烟支水分提高预测模型与实际生产过程的适应性。
作为上述技术方案的改进,基于烟支水分的制丝过程水分预测控制方法还包括
S6模型自学习
通过人工检测烟支水分和混丝加香出口水分的方法进行模型的学习优化。
作为上述技术方案的改进,S1主成分参数筛选的方法为
将历史生产数据构成矩阵其中,dnm表示第n个参数的第m个数据;
将矩阵D进行标准化处理得到矩阵X:其中,(n=1,2,...;m=1,2,...);
建立参数间相关系数矩阵R:其中,
主成分贡献率计算:
主成分累计贡献率:
将累计贡献率达到85%~95%对应的前p项参数作为主成分进行综合分析,将贡献率达到85%~95%对应的前p项主成分作为主成分参数。
作为上述技术方案的改进,S1筛选出的主成分参数包括:
贮丝时长、贮丝温度、贮丝湿度、回丝量、烙铁温度、VE吸风室负压、车速和烟支水分。
作为上述技术方案的改进,S1主成分参数筛选还包括
对筛选出的变量进行降维分析,得到不相关的新变量:
得到各主成分参数的相关性矩阵;
得到方差及各主成分贡献率;
选择特征值大于1的因子代替原变量;
采用具有Kaiser标准化的正交旋转法得到各个环境因子对不同主因子的因子载荷,得到成分矩阵;
选取对各成分贡献较大的变量作为最终的主成分影响参数:
贮丝时长、贮丝湿度、回丝量、烙铁温度、VE吸风室负压、车速和烟支水分。
本发明带来的有益效果:
本发明通过对影响烟支水分的因素进行主成分分析,降低影响参数间的维度和复杂度,形成几个新的不相关的参数进行基于烟支水分的制丝过程水分预测控制模型和系统的构建,同时,建立基于烟支水分的制丝过程水分控制专家库建议,以目标烟支水分为输入,预测混丝加香出口水分,进而反馈制丝过程中松散回潮加水量、烟丝干燥工序脱水量及调节范围,为卷烟成品水分的控制提供新的思路。
本发明可为制丝生产过程中松散回潮、叶片加料的打水量和烘丝工序的脱水量提供控制依据,缩短卷包车间与制丝车间水分反馈时间,提高制丝烟丝与卷制过程的匹配性和适用性,同时,构建的基于烟支水分的制丝过程水分预测控制系统还具有自学习功能,根据生产过程记录的数据、工艺控制标准进行自学习,不断对模型优化,保障反馈系统的准确性和生产过程高度适应性,提高制丝生产与卷制过程中的协同联动。
附图说明
下面结合附图和具体实施例对本发明作进一步说明:
图1为本发明的预测控制流程图;
图2为本发明的系统框图;
图3为神经网络预测模型结构示意图。
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。
实施例1
基于烟支水分的制丝过程水分预测控制方法,包括
S1主成分参数筛选
将历史生产数据中相同批次烟丝贮丝条件、机车参数进行主成分分析,确定影响烟支水分的主成分影响参数;
主成分影响参数包括贮丝时长、贮丝湿度、回丝量、车速、烙铁温度、VE吸风室负压、目标烟支水分;
S2预测模型建立
以主成分分析筛选的影响参数为输入层,混丝加香出口水分为输出层,建立基于烟支水分的混丝加香出口水分预测模型;
根据历史生产数据集进行基于烟支水分的混丝加香出口水分预测模型的训练;
模型训练参数:设定训练目标0.05,训练速度为0.01,最大步数100;
模型精度检验通过预测值与实际值的均方根差进行检验(参照实施例3);
S3模型预测与控制
以图1为例,包括
S3.1结合各牌号烟支水分工艺标准和现阶段烟支水分检测数据,确定合理的烟支水分作为烟支水分目标值:
通常情况下,工艺标准为标准值±允差,检测数据在[标准值-0.5%~标准值+0.5%]范围内波动,偶尔出现超过标准要求范围情况;因此,结合工艺标准+检测数据确定烟支水分目标值的方法为通过检测数据-标准值与允差进行比较,若现阶段检测数据-标准值与允差相差较大,则调整烟支水分目标值,使其更接近烟支水分标准值;
S3.2基于混丝加香出口水分预测模型得到混丝加香出口水分目标值(即预测值);
S3.3根据制丝生产过程中叶片吸水-脱水逻辑,建立松散回潮、烟丝干燥和混丝加香线性回归方程,形成制丝过程控制专家库建议:
以松散回潮入口水分、松散回潮打水量和烟丝干燥脱水量为变量,混丝加香出口水分为因变量所建立的线性回归方程为:M混=M入+a*I松+b*R脱;
基于混丝加香出口水分目标值和线性回归方程得到制丝过程松散回潮打水量、烟丝干燥脱水量,并获得该混丝加香出口水分目标值控制下的混丝加香出口水分实际值、烟支水分实际值;
S3.4二次精度校验:
根据混丝加香出口水分目标值与混丝加香出口水分实际值进行偏差分析:如果混丝加香出口水分目标值与混丝加香出口水分实际值偏差≤0.5%,则继续对烟支水分进行偏差分析;如果偏差超过0.5%,则需要反馈进行调节和优化S4.1;
根据烟支水分目标值与烟支水分实际值进行偏差分析:如果烟支水分目标值与烟支水分实际值偏差≤0.5%,说明模型预测的混丝加香出口水分满足当前烟支水分的需要,模型控制精度良好;如果偏差超过0.5%,则需要反馈进行调节和优化S4.2;
S4反馈控制调节和优化
S4.1根据线性回归方程、松散回潮入口水分,在后续批次对制丝过程松散回潮打水量、烟丝干燥脱水量进行相应调整,进而得到优化后的混丝加香出口水分目标值;
S4.2执行S3.1以得到优化后的烟支水分目标值。
作为上述技术方案的改进,基于烟支水分的制丝过程水分预测控制方法还包括
S5模型自适应
不断根据历史控制结果和实测烟支水分提高预测模型与实际生产过程的适应性。
作为上述技术方案的改进,基于烟支水分的制丝过程水分预测控制方法还包括
S6模型自学习
通过人工检测烟支水分和混丝加香出口水分的方法进行模型的学习优化。
作为上述技术方案的改进,S1主成分参数筛选的方法为
将历史生产数据构成矩阵其中,dnm表示第n个参数的第m个数据;
将矩阵D进行标准化处理得到矩阵X:其中,(n=1,2,...;m=1,2,...);
建立参数间相关系数矩阵R:其中,
主成分贡献率计算:
主成分累计贡献率:
将累计贡献率达到85%~95%对应的前p项参数作为主成分进行综合分析,将贡献率达到85%~95%对应的前p项主成分作为主成分参数。
作为上述技术方案的改进,S1筛选出的主成分参数包括:
贮丝时长、贮丝温度、贮丝湿度、回丝量、烙铁温度、VE吸风室负压、车速和烟支水分。
作为上述技术方案的改进,S1主成分参数筛选还包括
对筛选出的变量进行降维分析,得到不相关的新变量:
得到各主成分参数的相关性矩阵;
得到方差及各主成分贡献率;
选择特征值大于1的因子代替原变量;
采用具有Kai ser标准化的正交旋转法得到各个环境因子对不同主因子的因子载荷,得到成分矩阵;
选取对各成分贡献较大的变量作为最终的主成分影响参数:
贮丝时长、贮丝湿度、回丝量、烙铁温度、VE吸风室负压、车速和烟支水分。
实施例2
基于烟支水分的制丝过程水分预测控制方法,包括
S1主成分参数筛选
对混丝加香出口到烟支出口的贮丝条件、设备参数等进行主成分分析,筛选出影响烟丝水分的主成分参数。
主成分分析是通过运用降维思维,探究多个变量的相关程度,对历史混丝加香出口水分、贮丝时长、贮丝温度、贮丝湿度、回丝量、烙铁温度、VE吸风室负压、车速和烟支水分进行主成分分析,主成分分析步骤:
将历史生产数据构成矩阵其中,dnm表示第n个参数的第m个数据;
将矩阵D进行标准化处理得到矩阵X:其中,(n=1,2,...;m=1,2,...);
建立参数间相关系数矩阵R:其中,
主成分贡献率计算:
主成分累计贡献率:
将累计贡献率达到85%~95%对应的前p项参数作为主成分进行综合分析,将贡献率达到85%~95%对应的前p项主成分作为主成分参数。
通过试验分析:
筛选出的贮丝条件和机车参数间存在一定的相关性见表1,如果直接作为神经网络预测模型的输入,会导致模型数量大。因此,还需采用主成分分析法对贮丝条件和机车参数数据进行降维分析,得到不相关的新变量,主成分分析结果见表2所示。
表1相关性矩阵
表2方差及主成分贡献率
由表2可知,前3个主成分因子的特征值均大于1,因此选择前3个主成分因子代替原变量。
采用具有Kaiser标准化的正交旋转法得到各个环境因子对不同主成分因子的因子载荷,得到的成分矩阵如表3所示:对成分1贡献最大的参数有贮丝时长、回丝量、VE吸风室负压、车速和烟支水分;对成分2贡献较大的参数有烙铁温度,对成分3贡献较大的参数为贮丝湿度。
表3成分矩阵
成分 | 成分1 | 成分2 | 成分3 |
贮丝时长 | 0.890 | -0.159 | 0.207 |
贮丝温度 | -0.521 | 0.186 | -0.042 |
贮丝湿度 | -0.048 | 0.246 | 0.912 |
回丝量 | 0.812 | 0.190 | -0.212 |
烙铁温度 | -0.116 | 0.862 | 0.060 |
VE吸风室负压 | -0.606 | -0.517 | 0.340 |
车速 | 0.902 | -0.108 | 0.151 |
烟支水分 | -0.920 | 0.022 | -0.095 |
因此,最终选取:贮丝时长、贮丝湿度、回丝量、烙铁温度、VE吸风室负压、车速和烟支水分7个关键影响因子作为神经网络模型的输入层。
S2预测模型建立
模型包含输入层、隐含层和输出层,以贮丝时长、贮丝湿度、回丝量、烙铁温度、VE吸风室负压、车速和烟支水分为输入,混丝加香出口水分为输出,设定训练目标0.05,训练速度为0.01,最大步数100,构建的人工神经网络预测模型结构如图3所示。
S3预测模型应用
将上述混丝加香出口水分预测模型上线运行。
基于该模型以目标烟支水分为依据,反馈混丝加香出口水分分析,随机选取10批次,混丝加香出口水分实际值与预测水分值对比见表4。
表4混丝加香出口水分预测模型应用结果
由上表可知,模型精度0.034<0.05。可见,本方法可以实现基于烟支水分的制丝生产过程水分控制。
实施例3
模型精度检验方法,包括
神经网络预测混丝加香出口水分,对神经网络预测的精度进行评价;
评价方法通过均方根差(RMSE)进行;
均方根差计算公式:式中:Xobs,i——水分实际值,%;Xmodel,i——模型预测值,%;n——试验次数。
表5混丝加香出口水分预测模型精度评价
表5中3组精度计算都是根据模型预测值与实际值对比,每组重复10次,计算得到的精度均<0.05,精度检验符合要求。
实施例4
参照图2,基于烟支水分的制丝过程水分预测控制系统,包括
参数库单元,包括设备参数模块、贮丝条件模块和预测模型模块;
其用于存储历史生产数据中各批次设备参数、烟丝贮丝条件如贮丝时长、环境温湿度等数据,基于此通过主成分分析确定出影响烟支水分的主成分影响参数;
主成分分析法可参照其它实施例,最终确定的主成分影响参数包括贮丝时长、贮丝湿度、回丝量、车速、烙铁温度、VE吸风室负压、目标烟支水分;
其还用于基于筛选出的主成分影响参数建立神经网络预测模型:
以主成分分析筛选的影响参数为输入层,混丝加香出口水分为输出层,建立基于烟支水分的混丝加香出口水分预测模型;
根据历史生产数据集进行基于烟支水分的混丝加香出口水分预测模型的训练;
专家库单元,其用于获取目标混丝加香出口水分,并形成专家库推荐制丝控制方式;
为获取目标混丝加香出口水分——
首先,结合各牌号烟支水分工艺标准和现阶段烟支水分检测数据,确定合理的烟支水分作为烟支水分目标值:
其次,基于混丝加香出口水分预测模型得到混丝加香出口水分目标值;
为形成专家库推荐制丝控制方式——
首先,根据制丝生产过程中叶片吸水-脱水逻辑,建立松散回潮、烟丝干燥和混丝加香线性回归方程,形成制丝过程控制专家库建议:
以松散回潮入口水分、松散回潮打水量和烟丝干燥脱水量为变量,混丝加香出口水分为因变量所建立的线性回归方程为:M混=M入+a*I松+b*R脱;
其次,基于混丝加香出口水分目标值和线性回归方程得到制丝过程松散回潮打水量、烟丝干燥脱水量;
数据采集单元,包括水分自采集模块、烟支水分工艺标准模块和混丝加香出口水分工艺标准模块;
其通过获取专家库推荐制丝控制方式下的混丝加香出口水分实际值、烟支水分实际值,进行二次精度校验:
根据混丝加香出口水分目标值与混丝加香出口水分实际值进行偏差分析:如果混丝加香出口水分目标值与混丝加香出口水分实际值偏差≤0.5%,则继续对烟支水分进行偏差分析;如果偏差超过0.5%,则需要反馈至专家库单元进行调节和优化;
根据烟支水分目标值与烟支水分实际值进行偏差分析:如果烟支水分目标值与烟支水分实际值偏差≤0.5%,说明模型预测的混丝加香出口水分满足当前烟支水分的需要,模型控制精度良好;如果偏差超过0.5%,则需要反馈至专家库单元进行调节和优化;
专家库单元反馈调节和优化的方法为:
根据线性回归方程、松散回潮入口水分,在后续批次对制丝过程松散回潮打水量、烟丝干燥脱水量进行相应调整,进而得到优化后的混丝加香出口水分目标值;
或优化烟支水分目标值。
本实施例中,基于烟支水分的制丝过程水分预测控制系统还包括系统维护单元,其包括
自适应单元,用于不断根据历史控制结果和实测烟支水分提高预测模型与实际生产过程的适应性;
自学习单元,其通过人工检测烟支水分和混丝加香出口水分的方法进行模型的学习优化。
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 (7)
1.基于烟支水分的制丝过程水分预测控制方法,其特征在于:包括
S1主成分参数筛选
将历史生产数据中相同批次烟丝贮丝条件、机车参数进行主成分分析,确定影响烟支水分的主成分影响参数;
主成分影响参数包括贮丝时长、贮丝湿度、回丝量、车速、烙铁温度、VE吸风室负压、目标烟支水分;
S2预测模型建立
以主成分分析筛选的影响参数为输入层,混丝加香出口水分为输出层,建立基于烟支水分的混丝加香出口水分预测模型;
根据历史生产数据集进行基于烟支水分的混丝加香出口水分预测模型的训练;
S3模型预测与控制
S3.1结合各牌号烟支水分工艺标准和现阶段烟支水分检测数据,确定合理的烟支水分作为烟支水分目标值:
S3.2基于混丝加香出口水分预测模型得到混丝加香出口水分目标值;
S3.3根据制丝生产过程中叶片吸水-脱水逻辑,建立松散回潮、烟丝干燥和混丝加香线性回归方程,形成制丝过程控制专家库建议:
以松散回潮入口水分、松散回潮打水量和烟丝干燥脱水量为变量,混丝加香出口水分为因变量所建立的线性回归方程为:M混=M入+a*I松+b*R脱;
基于混丝加香出口水分目标值和线性回归方程得到制丝过程松散回潮打水量、烟丝干燥脱水量,并获得该混丝加香出口水分目标值控制下的混丝加香出口水分实际值、烟支水分实际值;
S3.4二次精度校验:
根据混丝加香出口水分目标值与混丝加香出口水分实际值进行偏差分析:如果混丝加香出口水分目标值与混丝加香出口水分实际值偏差≤0.5%,则继续对烟支水分进行偏差分析;如果偏差超过0.5%,则需要反馈进行调节和优化S4.1;
根据烟支水分目标值与烟支水分实际值进行偏差分析:如果烟支水分目标值与烟支水分实际值偏差≤0.5%,说明模型预测的混丝加香出口水分满足当前烟支水分的需要,模型控制精度良好;如果偏差超过0.5%,则需要反馈进行调节和优化S4.2;
S4反馈控制调节和优化
S4.1根据线性回归方程、松散回潮入口水分,在后续批次对制丝过程松散回潮打水量、烟丝干燥脱水量进行相应调整,进而得到优化后的混丝加香出口水分目标值;
S4.2执行S3.1以得到优化后的烟支水分目标值。
2.根据权利要求1所述的制丝过程水分预测控制方法,其特征在于:
所述控制方法还包括S5模型自适应
不断根据历史控制结果和实测烟支水分提高预测模型与实际生产过程的适应性。
3.根据权利要求1所述的制丝过程水分预测控制方法,其特征在于:
所述控制方法还包括S6模型自学习
通过人工检测烟支水分和混丝加香出口水分的方法进行模型的学习优化。
4.根据权利要求1所述的制丝过程水分预测控制方法,其特征在于:
S1主成分参数筛选的方法为
将历史生产数据构成矩阵其中,dnm表示第n个参数的第m个数据;
将矩阵D进行标准化处理得到矩阵X:其中,/>(n=1,2,...;m=1,2,...);
建立参数间相关系数矩阵R:其中,
主成分贡献率计算:
主成分累计贡献率:
将累计贡献率达到85%~95%对应的前p项参数作为主成分进行综合分析,将贡献率达到85%~95%对应的前p项主成分作为主成分参数。
5.根据权利要求4所述的制丝过程水分预测控制方法,其特征在于:
S1筛选出的主成分参数包括:
贮丝时长、贮丝温度、贮丝湿度、回丝量、烙铁温度、VE吸风室负压、车速和烟支水分。
6.根据权利要求5所述的制丝过程水分预测控制方法,其特征在于:
S1主成分参数筛选还包括
对筛选出的变量进行降维分析,得到不相关的新变量:
得到各主成分参数的相关性矩阵;
得到方差及各主成分贡献率;
选择特征值大于1的因子代替原变量;
采用具有Kaiser标准化的正交旋转法得到各个环境因子对不同主因子的因子载荷,得到成分矩阵;
选取对各成分贡献较大的变量作为最终的主成分影响参数:
贮丝时长、贮丝湿度、回丝量、烙铁温度、VE吸风室负压、车速和烟支水分。
7.根据权利要求1所述的制丝过程水分预测控制方法,其特征在于:
S2预测模型建立还包括
模型训练参数:设定训练目标0.05,训练速度为0.01,最大步数100;
模型精度检验通过预测值与实际值的均方根差进行检验。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311297652.1A CN117502698A (zh) | 2023-10-08 | 2023-10-08 | 基于烟支水分的制丝过程水分预测控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311297652.1A CN117502698A (zh) | 2023-10-08 | 2023-10-08 | 基于烟支水分的制丝过程水分预测控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117502698A true CN117502698A (zh) | 2024-02-06 |
Family
ID=89763367
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311297652.1A Pending CN117502698A (zh) | 2023-10-08 | 2023-10-08 | 基于烟支水分的制丝过程水分预测控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117502698A (zh) |
-
2023
- 2023-10-08 CN CN202311297652.1A patent/CN117502698A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN112036701B (zh) | 一种面向多工序工业生产过程的工艺参数优化方法 | |
CN111144667A (zh) | 一种基于梯度提升树的烟草回潮机出料含水率预测方法 | |
CN112273696B (zh) | 切丝后水分控制方法、装置以及设备 | |
CN105996106A (zh) | 一种基于气流干燥的烟丝质量控制方法及系统 | |
CN112273695A (zh) | 松散回潮出口含水率预测方法、装置以及设备 | |
CN110946313A (zh) | 一种叶丝干燥工序的出口含水率的控制方法及系统 | |
CN114115393A (zh) | 一种制丝线薄板烘丝机出口水分和温度的控制方法 | |
CN113303489B (zh) | 一种制丝过程烟叶水分准确控制的方法 | |
CN114403487B (zh) | 一种松散回潮的加水控制方法 | |
CN110876481B (zh) | 一种烟草烘丝参数的控制方法和装置 | |
CN114897397A (zh) | 一种制丝生产过程质量评价方法 | |
CN117502698A (zh) | 基于烟支水分的制丝过程水分预测控制方法 | |
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 | |
CN115017700A (zh) | 基于scad算法的卷烟制丝过程变量选择及赋权方法 | |
CN115169737A (zh) | 一种基于cnn-lstm混合神经网络模型的工艺质量预测方法 | |
CN110675919A (zh) | 一种基于k-近邻方法的烘丝过程入口水份预测方法及系统 | |
CN115600641A (zh) | 流化床入口梗丝含水率的预测系统及方法 | |
CN113076309A (zh) | 烟草生丝水分加水量预测系统及方法 | |
CN112231977A (zh) | 一种复烤机配方参数库的构建方法 | |
CN113017137B (zh) | 一种烟梗的增压蒸梗出口温度的控制方法及系统 | |
CN114747794B (zh) | 基于累计和策略的梗丝干燥机出口含水率控制方法 | |
CN117281282A (zh) | 一种制丝批加香模式下加香比例预设置方法 | |
CN116998747A (zh) | 一种制丝工序含水率调整方法、介质及系统 | |
CN117530483A (zh) | 一种基于贝叶斯网络的卷烟制丝含水率智能控制方法 |
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 |