CN118052451A - 一种烘丝机的出口烟丝含水质量预测方法及装置 - Google Patents
一种烘丝机的出口烟丝含水质量预测方法及装置 Download PDFInfo
- Publication number
- CN118052451A CN118052451A CN202410223110.8A CN202410223110A CN118052451A CN 118052451 A CN118052451 A CN 118052451A CN 202410223110 A CN202410223110 A CN 202410223110A CN 118052451 A CN118052451 A CN 118052451A
- Authority
- CN
- China
- Prior art keywords
- historical data
- tobacco
- support vector
- vector machine
- water content
- 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 244
- 235000002637 Nicotiana tabacum Nutrition 0.000 title claims abstract description 244
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 106
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012706 support-vector machine Methods 0.000 claims abstract description 108
- 238000012549 training Methods 0.000 claims abstract description 50
- 230000008569 process Effects 0.000 claims abstract description 12
- 230000002159 abnormal effect Effects 0.000 claims description 30
- 238000004519 manufacturing process Methods 0.000 claims description 20
- 238000001212 derivatisation Methods 0.000 claims description 15
- 238000012216 screening Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 7
- 238000009795 derivation Methods 0.000 claims description 5
- 238000001035 drying Methods 0.000 description 8
- 239000000463 material Substances 0.000 description 7
- 230000008859 change Effects 0.000 description 4
- 238000009499 grossing Methods 0.000 description 4
- 230000003111 delayed effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 239000003570 air Substances 0.000 description 2
- 235000019504 cigarettes Nutrition 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 239000012080 ambient air Substances 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 239000002912 waste gas Substances 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Manufacture Of Tobacco Products (AREA)
Abstract
本申请公开了一种烘丝机的出口烟丝含水质量预测方法及装置,方法包括:依据烘丝机的工艺流程确定与出口烟丝含水质量相关的多个变量;获得不同时间点上的历史数据组合;获得时间点对应的出口烟丝理论含水率,并标定对应的一级理论含水质量分类和二级理论含水质量分类;构建一级支持向量机模型和二级支持向量机模型,并将一级支持向量机模型和二级支持向量机模型组合成预测模型进行联合训练;利用预测模型获得出口烟丝含水质量预测分类。本申请基于与出口烟丝含水质量相关的多个变量的历史数据及其出口烟丝理论含水率拟合出预测模型,从而基于变量的实时值预测当前位于烘丝机内的烟丝到达出口时的含水质量分类,提高了烟丝含水率预测的准确度。
Description
技术领域
本申请涉及卷烟生产领域,更具体地,涉及一种烘丝机的出口烟丝含水质量预测方法及装置。
背景技术
卷烟制丝薄板烘丝机普遍采用的工作原理是:一定流量的蒸汽通过筒体薄板内壁,蒸汽在蒸汽道中凝结使热量有效地传导给薄板至烟丝上,同时,风机将环境空气送入蒸汽加热的热交换器产生的热风,流过滚筒期间,通过对流方式将热量传递给烟丝并带走水分,使烟丝达到均匀干燥、均匀加热,并使填充力均匀地增加、出口水分恒定。同时,筒体内部设置排潮系统,抽取部分含水、含热废气进行排放,以恒定物料的水分,同时间接地影响物料含水率。
薄板烘丝机的机械设计和固定电控程序决定了烘丝生产过程中不可避免地会产生“干头”、“干尾”烟丝。薄板烘丝机产生烟丝的“干头”和“干尾”分别指的是烟叶在烘丝机中烘干过程中的两个阶段。干头:指烟叶进入烘丝机后,初始的烘干阶段。在这个阶段,烟叶的水分略低于标准正常烟丝。干尾:指烟叶接近烘干完成的阶段。在这个阶段,烟叶的水分已经被大部分排除,烘干机将把剩余水分进一步挥发使烟叶变得更加干燥。干头和干尾的烟丝质地和含水率不同,干头的烟丝质地相对较湿,含水率较高,而干尾的烟丝则相对较干,含水率较低。这些不同的烟丝状态对于制丝工艺的后续处理步骤具有重要影响。
由于烘丝过程具有较强的非线形、不确定性和大滞后性,再加上烟丝本身的特殊性质,使得烘丝过程的水分控制变得十分复杂。从本质上讲,制丝烘丝机物料水分控制属于非线性时变的大滞后系统。如图1所示,目前主流设备厂家采用串级PID控制(即前级PID控制和后级PID控制)方法对烘丝机出口水分进行控制。但是,串联多级PID控制的缺点主要是控制器数量多、参数调节复杂、控制器之间相互影响、响应速度慢和参数调节不易等方面。在烘丝机内部机理无法精确辨识、串级PID控制滞后且控制稳态不固化等特点的前提下,很难简单通过自动控制领域的方法来提前预判出烘丝机出口烟丝含水率质量属性,也无法精确预估烘丝机出口烟丝水分“干头”、“干尾”的特性。因此,很难通过实时工业数据或自动化模型来对出口烟丝含水率进行准确的预估。
发明内容
本申请提供一种烘丝机的出口烟丝含水质量预测方法及装置,基于与出口烟丝含水质量相关的多个变量的历史数据及其出口烟丝理论含水率拟合出预测模型,从而基于变量的实时值预测当前位于烘丝机内的烟丝到达出口时的含水质量分类,避免受到烘丝机内部机理无法精确辨识、串级PID控制滞后且控制稳态不固化的影响,提高了烟丝含水率预测的准确度。
本申请提供了一种烘丝机的出口烟丝含水质量预测方法,包括:
依据烘丝机的工艺流程确定与出口烟丝含水质量相关的多个变量;
依据不同时间点上多个变量对应的正常历史数据获得时间点上的历史数据组合;
依据每个时间点的历史数据组合获得时间点对应的出口烟丝理论含水率,并依据出口烟丝理论含水率标定时间点对应的一级理论含水质量分类和二级理论含水质量分类,一级理论含水质量分类包括标定非正常烟丝和标定正常烟丝,二级理论含水质量分类针对标定非正常烟丝进行分类,包括标定干头烟丝和标定干尾烟丝;
构建一级支持向量机模型和二级支持向量机模型,并将一级支持向量机模型和二级支持向量机模型组合成预测模型进行联合训练,其中,一级支持向量机模型的输入为所有时间点的历史数据组合,输出为一级理论含水质量分类;二级支持向量机模型的输入为所有时间点的历史数据组合,输出为二级理论含水质量分类;
将同一时间点上多个变量的实时值输入训练好的预测模型,获得对应的出口烟丝含水质量预测分类,出口烟丝含水质量预测分类包括预测干头烟丝、预测干尾烟丝和预测正常烟丝。
优选地,依据不同时间点上多个变量对应的正常历史数据获得时间点上的历史数据组合,具体包括:
导出不同时间点上多个变量对应的所有历史数据,作为第一历史数据;
依据历史生产记录确定烘丝机的异常生产时间点,并将异常生产时间点对应的多个变量的历史数据剔除,获得第二历史数据;
剔除同一连续型变量的第二历史数据中的离群点,获得第三历史数据;
将同一时间点上多个连续型变量对应的第三历史数据以及离散型变量进行组合,形成时间点上的历史数据组合。
优选地,依据不同时间点上多个变量对应的正常历史数据获得时间点上的历史数据组合,还包括:
以设定的时间间隔为单位,计算相同时间间隔内同一连续型变量的第三历史数据的均值,作为时间间隔对应的时间点的第四历史数据;并且,
将同一时间点上多个连续型变量对应的第四历史数据以及离散型数据进行组合,形成时间点上的历史数据组合。
优选地,构建一级支持向量机模型和二级支持向量机模型之前,还包括:
基于每个时间点上的历史数据组合进行数据衍生,获得与每个连续型变量对应的第一衍生数据,其中,第一衍生数据包括至少一个衍生方向上的一组第二衍生数据;
将每个时间点的历史数据组合和第一衍生数据组合,形成时间点的第一训练输入数据;
构建一级支持向量机模型和二级支持向量机模型时,将第一训练输入数据分别作为一级支持向量机模型和二级支持向量机模型的输入。
优选地,烘丝机的出口烟丝含水质量预测方法还包括:
对于同一衍生方向,筛选出每个时间点上与对应的出口烟丝理论含水率相关性最大的第二衍生数据,作为第三衍生数据;
将每个时间点的历史数据组合和第三衍生数据组合,形成时间点的第二训练输入数据;
构建一级支持向量机模型和二级支持向量机模型时,将第二训练输入数据分别作为一级支持向量机模型和二级支持向量机模型的输入。
本申请还提供一种烘丝机的出口烟丝含水质量预测装置,包括变量确定模块、历史数据组合获得模块、标定模块、模型构建和训练模块、预测模块;
变量确定模块用于依据烘丝机的工艺流程确定与出口烟丝含水质量相关的多个变量;
历史数据组合获得模块用于依据不同时间点上多个变量对应的正常历史数据获得时间点上的历史数据组合;
标定模块用于依据每个时间点的历史数据组合获得时间点对应的出口烟丝理论含水率,并依据出口烟丝理论含水率标定时间点对应的一级理论含水质量分类和二级理论含水质量分类,一级理论含水质量分类包括标定非正常烟丝和标定正常烟丝,二级理论含水质量分类针对标定非正常烟丝进行分类,包括标定干头烟丝和标定干尾烟丝;
模型构建和训练模块用于构建一级支持向量机模型和二级支持向量机模型,并将一级支持向量机模型和二级支持向量机模型组合成预测模型进行联合训练,其中,一级支持向量机模型的输入为所有时间点的历史数据组合,输出为一级理论含水质量分类;二级支持向量机模型的输入为所有时间点的历史数据组合,输出为二级理论含水质量分类;
预测模块用于将同一时间点上多个变量的实时值输入训练好的预测模型,获得对应的出口烟丝含水质量预测分类,出口烟丝含水质量预测分类包括预测干头烟丝、预测干尾烟丝和预测正常烟丝。
优选地,历史数据组合获得模块包括导出模块、第一剔除模块、第二剔除模块以及第一组合模块;
导出模块用于导出不同时间点上多个变量对应的所有历史数据,作为第一历史数据;
第一剔除模块用于依据历史生产记录确定烘丝机的异常生产时间点,并将异常生产时间点对应的多个变量的历史数据剔除,获得第二历史数据;
第二剔除模块用于剔除同一连续型变量的第二历史数据中的离群点,获得第三历史数据;
第一组合模块用于将同一时间点上多个连续型变量对应的第三历史数据以及离散型变量进行组合,形成时间点上的历史数据组合。
优选地,历史数据组合获得模块还包括均值计算模块,均值计算模块用于以设定的时间间隔为单位,计算相同时间间隔内同一连续型变量的第三历史数据的均值,作为时间间隔对应的时间点的第四历史数据;并且,
第一组合模块用于将同一时间点上多个连续型变量对应的第四历史数据以及离散型数据进行组合,形成时间点上的历史数据组合。
优选地,烘丝机的出口烟丝含水质量预测装置还包括衍生模块和第二组合模块;
衍生模块用于基于每个时间点上的历史数据组合进行数据衍生,获得与每个连续型变量对应的第一衍生数据,其中,第一衍生数据包括至少一个衍生方向上的一组第二衍生数据;
第二组合模块用于将每个时间点的历史数据组合和第一衍生数据组合,形成时间点的第一训练输入数据;
模型构建和训练模块用于在构建一级支持向量机模型和二级支持向量机模型时,将第一训练输入数据分别作为一级支持向量机模型和二级支持向量机模型的输入。
优选地,烘丝机的出口烟丝含水质量预测装置还包括筛选模块,筛选模块用于对于同一衍生方向,筛选出每个时间点上与对应的出口烟丝理论含水率相关性最大的第二一衍生数据,作为第三衍生数据;并且,
第二组合模块用于将每个时间点的历史数据组合和第一衍生数据组合,形成时间点的第二训练输入数据;
模型构建和训练模块用于在构建一级支持向量机模型和二级支持向量机模型时,将第二训练输入数据分别作为一级支持向量机模型和二级支持向量机模型的输入。
通过以下参照附图对本申请的示例性实施例的详细描述,本申请的其它特征及其优点将会变得清楚。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了本申请的实施例,并且连同其说明一起用于解释本申请的原理。
图1为本申请提供的烘丝机的出口烟丝含水质量预测方法的优选实施例的流程图;
图2为本申请提供的烘丝机的工艺流程及对应的变量的一个实施例;
图3为本申请提供的获得出口烟丝理论含水率以及标定一级理论含水质量分类和二级理论含水质量分类的示意图;
图4为本申请提供的构建一级支持向量机模型和二级支持向量机模型的示意图;
图5为本申请提供的烘丝机的出口烟丝含水质量预测装置的结构图。
具体实施方式
现在将参照附图来详细描述本申请的各种示例性实施例。应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本申请的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本申请及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有例子中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它例子可以具有不同的值。
本申请提供一种烘丝机的出口烟丝含水质量预测方法及装置,基于与出口烟丝含水质量相关的多个变量的历史数据及其出口烟丝理论含水率拟合出预测模型,从而基于变量的实时值预测当前位于烘丝机内的烟丝到达出口时的含水质量分类,提高了烟丝含水率预测的准确度。另外,在获得历史数据组合后,还对历史数据组合进行数据衍生,从而使训练数据更准确地表征变量的变化特征,为准确预测提供数据基础。
如图1所示,本申请提供的烘丝机的出口烟丝含水质量预测方法包括:
S110:依据烘丝机的工艺流程确定与出口烟丝含水质量相关的多个变量。
具体地,首先绘制烘丝机的工艺流程图,如图2所示,工艺流程包括进入烘丝机前的烘前皮带秤称量工序和增温增湿工序,烟丝在烘丝机内进行烘干后,在烘丝机的出口处进行出口烟丝含水率的测量。随后,确定每个节点上与出口烟丝含水质量相关的变量。作为一个实施例,包括八个变量,其中,X1变量为当前筒壁温度值,X2变量为热风温度值,X3变量为排潮负压值,X4变量为烘丝机的物料流量值,X5变量为烘丝机入口水分值,X6变量为当前烘丝机出口水分值,X7变量为烘丝机主机运行状态,X8变量为烘丝机已加工物料累计重量与全批物料累计重量的比值。其中,X7变量为离散数据类型,其他变量均为连续型数据类型。
本申请中,输出值Y为预测烘丝机的出口烟丝含水质量预测分类,为离散数据类型。出口烟丝含水质量预测分类包括预测干头烟丝(标记为分类标签1)、预测干尾烟丝(标记为分类标签2)和预测正常烟丝(标记为分类标签0)。
S120:依据不同时间点上多个变量对应的正常历史数据获得该时间点上的历史数据组合。
作为一个实施例,依据不同时间点上多个变量对应的正常历史数据获得该时间点上的历史数据组合,具体包括:
S1201:导出不同时间点上多个变量对应的所有历史数据,作为第一历史数据。
S1202:依据历史生产记录确定烘丝机的异常生产(例如故障停机、断料等)时间点,并将异常生产时间点对应的多个变量的历史数据剔除,获得第二历史数据。
S1203:剔除同一连续型变量的第二历史数据中的离群点,获得第三历史数据。
作为一个实施例,可以利用每一个连续型变量的第二历史数据绘制趋势图,在趋势图中寻找离群点,剔除离群点或离群点所在批次对应的第二历史数据。
S1204:将同一时间点上多个连续型变量对应的第三历史数据以及离散型变量进行组合,形成时间点上的历史数据组合。
优选地,步骤S1203后,还包括:以设定的时间间隔T为单位,计算相同时间间隔内同一连续型变量的第三历史数据的均值,作为该时间间隔对应的时间点的第四历史数据,此时相邻两个时间点的时间差为上述时间间隔T,由此实现数据的平滑处理。并且,在步骤S1204,将同一时间点上多个连续型变量对应的第四历史数据以及离散型数据进行组合,形成时间点上的历史数据组合。
S130:依据每个时间点的历史数据组合获得该时间点对应的出口烟丝理论含水率,并依据出口烟丝理论含水率标定该时间点对应的一级理论含水质量分类和二级理论含水质量分类,一级理论含水质量分类包括标定非正常烟丝和标定正常烟丝,二级理论含水质量分类针对标定非正常烟丝进行分类,包括标定干头烟丝和标定干尾烟丝。
作为一个实施例,如图3所示,利用自动控制原理对烘丝机进行模型辨识,获得烟丝从烘丝机内部加工至烘丝机的出口处的出口烟丝含水率测量位的滞后时间τ,然后将X6变量(当前烘丝机出口水分值)的所有数据向前延时时间τ,作为该时间点对应的出口烟丝理论含水率Yf。
标定一级理论含水质量分类和二级理论含水质量分类时,结合工艺规定,根据出口烟丝理论含水率Yf的值域情况、设备状态进行综合标定,使得每个批次的数据只产生一段连续时间区域上的“干头”,该时间段输出的出口烟丝理论含水率Yf标定为分类标签1;每个批次的数据只产生一段连续时间区域上的“干尾”,该时间段输出的出口烟丝理论含水率Yf标定为分类标签2;其他连续时间段上输出的出口烟丝理论含水率Yf标定为分类标签0,属于正常烟丝。
本申请采用支持向量机(Support Vector Machine,SVM)模型进行含水质量预测。传统SVM算法为两分类,而本申请的输出值Y分为“干头”、“干尾”、“正常”三种情况,因此本申请采用两级含水质量分类方式。在上述标定结果的基础上,一级理论含水质量分类包括标定非正常烟丝和标定正常烟丝,将“干头”和“干尾”烟丝合并为非正常烟丝,标记为分类标签3,即分类标签3的数据等于标定为分类标签1的数据和标定为分类标签2的数据之和。即一级理论含水质量分类包括分类标签3的标定非正常烟丝和分类标签0的标定正常烟丝。二级理论含水质量分类针对标定非正常烟丝进行分类,包括标定干头烟丝(分类标签为1)和标定干尾烟丝(分类标签为2),如图3所示。
S170:构建一级支持向量机(SVM)模型和二级支持向量机(SVM)模型,并将一级支持向量机模型和二级支持向量机模型组合成预测模型(形成串级SVM模型)进行联合训练,其中,一级支持向量机模型的输入为所有时间点的历史数据组合(即训练输入数据),输出为上述一级理论含水质量分类;二级支持向量机模型的输入为所有时间点的历史数据组合(即训练输入数据),输出为上述二级理论含水质量分类。
如图4所示,一级支持向量机模型的输出为一级理论含水质量分类,包括分类标签为3的标定非正常烟丝和分类标签为0的标定正常烟丝。二级支持向量机模型的输出为二级理论含水质量分类,包括分类标签为1的标定干头烟丝和分类标签为2的标定干尾烟丝。
训练时,在最优拟合效果时,即最优化如下函数:
其中,θ(α)为最优化函数的目标值,最优拟合时使得θ(α)为极小。κ(·)为核函数,Xi、Xj为第i时间点和第j时间点的历史数据组合,Yi、Yj为第i时间点和第j时间点的出口烟丝理论含水率。通过训练,不断更新最优化函数模型以及参数,αi、αj、b(请见下述说明)为多轮训练后求得的最优参数,其中αi为第i时间点的最优参数,αj为第j时间点的最优参数。
根据αi得到最优参数b,如下公式所示:
该串级SVM模型训练好之后,输入实时预测样本(即同一时间点所有变量的实时值),输出结果Y为:
S180:将同一时间点上多个变量的实时值输入训练好的预测模型,获得对应的出口烟丝含水质量预测分类,出口烟丝含水质量预测分类包括预测干头烟丝、预测干尾烟丝和预测正常烟丝。
优选地,构建一级支持向量机模型和二级支持向量机模型(即S170)之前,还包括:
S140:基于每个时间点上的历史数据组合进行数据衍生,获得与每个连续型变量对应的第一衍生数据,其中,第一衍生数据包括至少一个衍生方向上的一组第二衍生数据。
由于上述平滑处理后连续型变量的数值均只能表征出固定时间间隔T内的均值,无法表征连续型变量在前后较长时间段内的变化率、均值的特性,因此需要增加能表征连续型变量在前后较长时间段内的变化率、均值特性的数据维度,即衍生数据。
作为一个实施例,第一衍生数据包括两个衍生方向上的一组第二衍生数据。作为一个实例,基于历史数据组合计算出同一时间点各个变量在10秒内、30秒内、60秒内的微分值,即增加在三个移动时间窗口内表征变量变化率的值,形成第一个衍生方向的一组第二衍生数据XN-1、XN-2、XN-3;同时,基于历史数据组合计算出同一时间点各个变量在10秒内、30秒内、60秒内的积分值,即增加在三个移动时间窗口内表征变量均值的值,形成第二个衍生方向的一组第二衍生数据XN-4、XN-5、XN-6。
其中:
10秒内微分值的计算公式如下:
30秒内微分值计算公式如下:
60秒内微分值计算公式如下:
10秒内积分值计算公式如下:
30秒内积分值计算公式如下:
60秒内积分值计算公式如下:
S160:将每个时间点的历史数据组合和第一衍生数据组合,形成时间点的第一训练输入数据。
作为一个实施例,对于变量X1,历史数据组合和第一衍生数据的组合为X1,X1-1,X1-2,X1-3,X1-4,X1-5,X1-6。其他变量同理。
在该优选实施例中,S170中,构建一级支持向量机模型和二级支持向量机模型时,将第一训练输入数据分别作为一级支持向量机模型和二级支持向量机模型的输入。
更优选地,步骤S140后,还包括:
S150:对于同一衍生方向,筛选出每个时间点上与对应的出口烟丝理论含水率相关性最大的第二衍生数据,作为第三衍生数据。在该优选实施例中,S160中,将每个时间点的历史数据组合和第三衍生数据组合,形成该时间点的第二训练输入数据。并且S170中,构建一级支持向量机模型和二级支持向量机模型时,将第二训练输入数据分别作为一级支持向量机模型和二级支持向量机模型的输入。
作为一个实施例,对于每个衍生方向的一组第二衍生数据,利用皮尔逊公式,计算每个第二衍生数据与对应的出口烟丝理论含水率Yf的相关性系数,然后选择相关性系数最大的第二衍生数据,作为该衍生方向的第三衍生数据。例如,对于X1变量,选择X1-1,X1-2,X1-3中相关性系数值最大的一个,作为该衍生方向的第三衍生数据。选择X1-4,X1-5,X1-6中相关性系数值最大的一个,作为该衍生方向的第三衍生数据。其他变量同理。由此为模型提供更加丰富和更加精确的训练数据,提高模型的预测精准度。
基于上述烘丝机的出口烟丝含水质量预测方法,本申请还提供一种烘丝机的出口烟丝含水质量预测装置。如图5所示,烘丝机的出口烟丝含水质量预测装置包括变量确定模块510、历史数据组合获得模块520、标定模块530、模型构建和训练模块540、预测模块550。
变量确定模块510用于依据烘丝机的工艺流程确定与出口烟丝含水质量相关的多个变量。
历史数据组合获得模块520用于依据不同时间点上多个变量对应的正常历史数据获得时间点上的历史数据组合。
标定模块530用于依据每个时间点的历史数据组合获得时间点对应的出口烟丝理论含水率,并依据出口烟丝理论含水率标定时间点对应的一级理论含水质量分类和二级理论含水质量分类,一级理论含水质量分类包括标定非正常烟丝和标定正常烟丝,二级理论含水质量分类针对标定非正常烟丝进行分类,包括标定干头烟丝和标定干尾烟丝。
模型构建和训练模块540用于构建一级支持向量机模型和二级支持向量机模型,并将一级支持向量机模型和二级支持向量机模型组合成预测模型进行联合训练,其中,一级支持向量机模型的输入为所有时间点的历史数据组合,输出为一级理论含水质量分类;二级支持向量机模型的输入为所有时间点的历史数据组合,输出为二级理论含水质量分类。
预测模块550用于将同一时间点上多个变量的实时值输入训练好的预测模型,获得对应的出口烟丝含水质量预测分类,出口烟丝含水质量预测分类包括预测干头烟丝、预测干尾烟丝和预测正常烟丝。
优选地,历史数据组合获得模块520包括导出模块5201、第一剔除模块5202、第二剔除模块5203以及第一组合模块5204。
导出模块5201用于导出不同时间点上多个变量对应的所有历史数据,作为第一历史数据。
第一剔除模块5202用于依据历史生产记录确定烘丝机的异常生产时间点,并将异常生产时间点对应的多个变量的历史数据剔除,获得第二历史数据。
第二剔除模块5203用于剔除同一连续型变量的第二历史数据中的离群点,获得第三历史数据。
第一组合模块5204用于将同一时间点上多个连续型变量对应的第三历史数据以及离散型变量进行组合,形成时间点上的历史数据组合。
优选地,历史数据组合获得模块520还包括均值计算模块5205,均值计算模块用于以设定的时间间隔为单位,计算相同时间间隔内同一连续型变量的第三历史数据的均值,作为时间间隔对应的时间点的第四历史数据。并且,第一组合模块5204用于将同一时间点上多个连续型变量对应的第四历史数据以及离散型数据进行组合,形成时间点上的历史数据组合。
优选地,烘丝机的出口烟丝含水质量预测装置还包括衍生模块560和第二组合模块570。
衍生模块560用于基于每个时间点上的历史数据组合进行数据衍生,获得与每个连续型变量对应的第一衍生数据,其中,第一衍生数据包括至少一个衍生方向上的一组第二衍生数据。
第二组合模块570用于将每个时间点的历史数据组合和第一衍生数据组合,形成时间点的第一训练输入数据。
模型构建和训练模块540用于在构建一级支持向量机模型和二级支持向量机模型时,将第一训练输入数据分别作为一级支持向量机模型和二级支持向量机模型的输入。
优选地,烘丝机的出口烟丝含水质量预测装置还包括筛选模块580,筛选模块580用于对于同一衍生方向,筛选出每个时间点上与对应的出口烟丝理论含水率相关性最大的第二一衍生数据,作为第三衍生数据。并且,第二组合模块570用于将每个时间点的历史数据组合和第一衍生数据组合,形成时间点的第二训练输入数据。
模型构建和训练模块540用于在构建一级支持向量机模型和二级支持向量机模型时,将第二训练输入数据分别作为一级支持向量机模型和二级支持向量机模型的输入。
虽然已经通过例子对本申请的一些特定实施例进行了详细说明,但是本领域的技术人员应该理解,以上例子仅是为了进行说明,而不是为了限制本申请的范围。本领域的技术人员应该理解,可在不脱离本申请的范围和精神的情况下,对以上实施例进行修改。本申请的范围由所附权利要求来限定。
Claims (10)
1.一种烘丝机的出口烟丝含水质量预测方法,其特征在于,包括:
依据烘丝机的工艺流程确定与出口烟丝含水质量相关的多个变量;
依据不同时间点上所述多个变量对应的正常历史数据获得所述时间点上的历史数据组合;
依据每个时间点的历史数据组合获得所述时间点对应的出口烟丝理论含水率,并依据所述出口烟丝理论含水率标定所述时间点对应的一级理论含水质量分类和二级理论含水质量分类,所述一级理论含水质量分类包括标定非正常烟丝和标定正常烟丝,所述二级理论含水质量分类针对所述标定非正常烟丝进行分类,包括标定干头烟丝和标定干尾烟丝;
构建一级支持向量机模型和二级支持向量机模型,并将所述一级支持向量机模型和所述二级支持向量机模型组合成预测模型进行联合训练,其中,所述一级支持向量机模型的输入为所有时间点的历史数据组合,输出为所述一级理论含水质量分类;所述二级支持向量机模型的输入为所有时间点的历史数据组合,输出为所述二级理论含水质量分类;
将同一时间点上所述多个变量的实时值输入训练好的预测模型,获得对应的出口烟丝含水质量预测分类,所述出口烟丝含水质量预测分类包括预测干头烟丝、预测干尾烟丝和预测正常烟丝。
2.根据权利要求1所述的烘丝机的出口烟丝含水质量预测方法,其特征在于,依据不同时间点上所述多个变量对应的正常历史数据获得所述时间点上的历史数据组合,具体包括:
导出不同时间点上所述多个变量对应的所有历史数据,作为第一历史数据;
依据历史生产记录确定烘丝机的异常生产时间点,并将异常生产时间点对应的多个变量的历史数据剔除,获得第二历史数据;
剔除同一连续型变量的第二历史数据中的离群点,获得第三历史数据;
将同一时间点上所述多个连续型变量对应的第三历史数据以及离散型变量进行组合,形成所述时间点上的历史数据组合。
3.根据权利要求2所述的烘丝机的出口烟丝含水质量预测方法,其特征在于,依据不同时间点上所述多个变量对应的正常历史数据获得所述时间点上的历史数据组合,还包括:
以设定的时间间隔为单位,计算相同时间间隔内同一连续型变量的第三历史数据的均值,作为所述时间间隔对应的时间点的第四历史数据;并且,
将同一时间点上所述多个连续型变量对应的第四历史数据以及离散型数据进行组合,形成所述时间点上的历史数据组合。
4.根据权利要求1所述的烘丝机的出口烟丝含水质量预测方法,其特征在于,构建一级支持向量机模型和二级支持向量机模型之前,还包括:
基于每个时间点上的历史数据组合进行数据衍生,获得与每个连续型变量对应的第一衍生数据,其中,所述第一衍生数据包括至少一个衍生方向上的一组第二衍生数据;
将每个时间点的历史数据组合和所述第一衍生数据组合,形成所述时间点的第一训练输入数据;
构建一级支持向量机模型和二级支持向量机模型时,将所述第一训练输入数据分别作为所述一级支持向量机模型和所述二级支持向量机模型的输入。
5.根据权利要求4所述的烘丝机的出口烟丝含水质量预测方法,其特征在于,还包括:
对于同一衍生方向,筛选出每个时间点上与对应的出口烟丝理论含水率相关性最大的第二衍生数据,作为第三衍生数据;
将每个时间点的历史数据组合和所述第三衍生数据组合,形成所述时间点的第二训练输入数据;
构建一级支持向量机模型和二级支持向量机模型时,将所述第二训练输入数据分别作为所述一级支持向量机模型和所述二级支持向量机模型的输入。
6.一种烘丝机的出口烟丝含水质量预测装置,其特征在于,包括变量确定模块、历史数据组合获得模块、标定模块、模型构建和训练模块、预测模块;
所述变量确定模块用于依据烘丝机的工艺流程确定与出口烟丝含水质量相关的多个变量;
所述历史数据组合获得模块用于依据不同时间点上所述多个变量对应的正常历史数据获得所述时间点上的历史数据组合;
所述标定模块用于依据每个时间点的历史数据组合获得所述时间点对应的出口烟丝理论含水率,并依据所述出口烟丝理论含水率标定所述时间点对应的一级理论含水质量分类和二级理论含水质量分类,所述一级理论含水质量分类包括标定非正常烟丝和标定正常烟丝,所述二级理论含水质量分类针对所述标定非正常烟丝进行分类,包括标定干头烟丝和标定干尾烟丝;
所述模型构建和训练模块用于构建一级支持向量机模型和二级支持向量机模型,并将所述一级支持向量机模型和所述二级支持向量机模型组合成预测模型进行联合训练,其中,所述一级支持向量机模型的输入为所有时间点的历史数据组合,输出为所述一级理论含水质量分类;所述二级支持向量机模型的输入为所有时间点的历史数据组合,输出为所述二级理论含水质量分类;
所述预测模块用于将同一时间点上所述多个变量的实时值输入训练好的预测模型,获得对应的出口烟丝含水质量预测分类,所述出口烟丝含水质量预测分类包括预测干头烟丝、预测干尾烟丝和预测正常烟丝。
7.根据权利要求6所述的烘丝机的出口烟丝含水质量预测装置,其特征在于,所述历史数据组合获得模块包括导出模块、第一剔除模块、第二剔除模块以及第一组合模块;
所述导出模块用于导出不同时间点上所述多个变量对应的所有历史数据,作为第一历史数据;
所述第一剔除模块用于依据历史生产记录确定烘丝机的异常生产时间点,并将异常生产时间点对应的多个变量的历史数据剔除,获得第二历史数据;
所述第二剔除模块用于剔除同一连续型变量的第二历史数据中的离群点,获得第三历史数据;
所述第一组合模块用于将同一时间点上所述多个连续型变量对应的第三历史数据以及离散型变量进行组合,形成所述时间点上的历史数据组合。
8.根据权利要求7所述的烘丝机的出口烟丝含水质量预测装置,其特征在于,所述历史数据组合获得模块还包括均值计算模块,所述均值计算模块用于以设定的时间间隔为单位,计算相同时间间隔内同一连续型变量的第三历史数据的均值,作为所述时间间隔对应的时间点的第四历史数据;并且,
所述第一组合模块用于将同一时间点上所述多个连续型变量对应的第四历史数据以及离散型数据进行组合,形成所述时间点上的历史数据组合。
9.根据权利要求6所述的烘丝机的出口烟丝含水质量预测装置,其特征在于,还包括衍生模块和第二组合模块;
所述衍生模块用于基于每个时间点上的历史数据组合进行数据衍生,获得与每个连续型变量对应的第一衍生数据,其中,所述第一衍生数据包括至少一个衍生方向上的一组第二衍生数据;
所述第二组合模块用于将每个时间点的历史数据组合和所述第一衍生数据组合,形成所述时间点的第一训练输入数据;
所述模型构建和训练模块用于在构建一级支持向量机模型和二级支持向量机模型时,将所述第一训练输入数据分别作为所述一级支持向量机模型和所述二级支持向量机模型的输入。
10.根据权利要求9所述的烘丝机的出口烟丝含水质量预测装置,其特征在于,还包括筛选模块,所述筛选模块用于对于同一衍生方向,筛选出每个时间点上与对应的出口烟丝理论含水率相关性最大的第二一衍生数据,作为第三衍生数据;并且,
所述第二组合模块用于将每个时间点的历史数据组合和所述第一衍生数据组合,形成所述时间点的第二训练输入数据;
所述模型构建和训练模块用于在构建一级支持向量机模型和二级支持向量机模型时,将所述第二训练输入数据分别作为所述一级支持向量机模型和所述二级支持向量机模型的输入。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410223110.8A CN118052451A (zh) | 2024-02-28 | 2024-02-28 | 一种烘丝机的出口烟丝含水质量预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410223110.8A CN118052451A (zh) | 2024-02-28 | 2024-02-28 | 一种烘丝机的出口烟丝含水质量预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118052451A true CN118052451A (zh) | 2024-05-17 |
Family
ID=91051780
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410223110.8A Pending CN118052451A (zh) | 2024-02-28 | 2024-02-28 | 一种烘丝机的出口烟丝含水质量预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118052451A (zh) |
-
2024
- 2024-02-28 CN CN202410223110.8A patent/CN118052451A/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 | |
CN112034095B (zh) | 在线烘后烟丝结构分析系统及方法 | |
CN112021641B (zh) | 烟用制丝环节在线水分仪校验系统 | |
CN108897354B (zh) | 一种基于深度置信网络的铝熔炼过程炉膛温度预测方法 | |
CN111103854A (zh) | 一种用于提升烟草烘丝机生产稳定性的系统及方法 | |
CN114115393A (zh) | 一种制丝线薄板烘丝机出口水分和温度的控制方法 | |
CN105334738B (zh) | 一种适用于烟草加工过程pid控制回路的性能评价方法 | |
CN115251445B (zh) | 一种松散回潮机出口烟叶含水率的控制方法 | |
CN112132316A (zh) | 制丝环节在线设备异常监控系统及方法 | |
CN113566557B (zh) | 一种基于深度神经网络的粮食干燥机智能控制方法 | |
CN114510098B (zh) | 一种生产环境调控方法与系统 | |
CN117131767A (zh) | 基于随机森林算法预测热轧四辊轧机工作辊热凸度的方法 | |
CN111241754A (zh) | 一种用于纸页干燥关键过程参数软测量方法 | |
CN118052451A (zh) | 一种烘丝机的出口烟丝含水质量预测方法及装置 | |
CN117195747B (zh) | 一种磁性材料烘干用均匀热分布优化方法 | |
CN114403487A (zh) | 一种松散回潮的加水控制方法 | |
CN110286659B (zh) | 一种调控滚筒干燥过程叶丝加工强度的方法 | |
CN116757354A (zh) | 一种基于多层感知机的烟叶复烤段关键参数筛选方法 | |
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 | |
CN115356995A (zh) | 基于工业大数据的烟草干燥工序热能分析系统 | |
CN113642251B (zh) | 一种建筑陶瓷喷雾制粉质量的数据分析预测方法及系统 | |
CN115829335A (zh) | 一种面向铝型材加工的生产线执行风险评估系统 | |
JP3943841B2 (ja) | 鋼材の材質推定装置 | |
CN113673144A (zh) | 烟草梗丝干燥设备数据的预测系统及方法 | |
CN112890260A (zh) | 一种基于滑窗预测的薄板烘丝出口含水率的控制方法 |
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 |