CN118340291A - 基于pso-elm的不同温湿度条件叶丝干燥入口水分控制方法 - Google Patents
基于pso-elm的不同温湿度条件叶丝干燥入口水分控制方法 Download PDFInfo
- Publication number
- CN118340291A CN118340291A CN202410353285.0A CN202410353285A CN118340291A CN 118340291 A CN118340291 A CN 118340291A CN 202410353285 A CN202410353285 A CN 202410353285A CN 118340291 A CN118340291 A CN 118340291A
- Authority
- CN
- China
- Prior art keywords
- moisture
- cut tobacco
- humidity
- tobacco drying
- temperature
- 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 163
- 235000002637 Nicotiana tabacum Nutrition 0.000 title claims abstract description 163
- 238000001035 drying Methods 0.000 title claims abstract description 141
- 238000000034 method Methods 0.000 title claims abstract description 80
- 238000013145 classification model Methods 0.000 claims abstract description 47
- 238000004519 manufacturing process Methods 0.000 claims abstract description 43
- 230000008569 process Effects 0.000 claims abstract description 39
- 230000007613 environmental effect Effects 0.000 claims abstract description 22
- 230000003750 conditioning effect Effects 0.000 claims description 70
- 238000012545 processing Methods 0.000 claims description 19
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 19
- 238000009825 accumulation Methods 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 8
- 238000007619 statistical method Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000007621 cluster analysis Methods 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 239000002994 raw material Substances 0.000 claims description 6
- 238000009736 wetting Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 241000748095 Hymenopappus filifolius Species 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 claims description 2
- 238000010801 machine learning Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 7
- 238000012216 screening Methods 0.000 description 7
- 235000019504 cigarettes Nutrition 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000006872 improvement Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000011217 control strategy Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003795 desorption Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Abstract
本发明公开了一种基于PSO‑ELM的不同温湿度条件叶丝干燥入口水分控制方法，包括S1环境温湿度区间划分、S2不同温湿度条件下叶丝干燥入口水分品质划分、S3不同温湿度条件下叶丝干燥入口水分分类模型的建立、S4最佳工艺参数推荐等步骤。本方法针对不同温湿度、不同水分品质进行机器学习和建模，分别选取出中温低湿区、高温高湿区、中温中湿和低温中湿区下被分类为高品质的叶丝干燥入口水分其实际属于高品质类别的概率最大值对应的关键工序工艺参数作为制丝生产最佳工艺参数，为生产过程控制提供参考，提高了后续干燥工序过程质量的稳定性。
Description
技术领域
本发明涉及烟草制丝水分控制领域，具体涉及一种基于PSO-ELM的不同温湿度条件叶丝干燥入口水分控制方法。
背景技术
在卷烟加工过程中，烟草在制品的含水率是保证烟丝加工质量和卷烟产品内外在质量的重要因素，也是评价制丝加工过程质量稳定的决定性指标。烟草原料属于生物质范畴多孔介质，具有吸湿解湿性，其水分易受到环境条件的变化而产生波动，影响到制丝及卷制质量。
叶丝干燥工序是制丝生产关键工序之一，入口水分是卷烟制丝生产中的关键衔接水分控制点，其稳定性反映了制丝前段对水分的控制能力，并且会直接影响制丝后段对成品烟丝的水分控制效果。因此，对不同温湿度条件下叶丝干燥工序入口含水率进行稳态控制至关重要。
为此，本申请以张家口市外界温湿度为例划分出不同的温湿度区间，并在不同温湿度区间下对叶丝干燥入口水分进行品质划分，以对该工序入口水分进行控制研究，以期为不同环境条件下制丝生产进行合理优化设计，构建不同环境条件下叶丝干燥入口水分控制策略，优化关键工序工艺参数，有效提升卷烟加工质量及产品质量稳定性提供理论依据。
发明内容
为了解决上述技术问题，本发明提供一种基于PSO-ELM的不同温湿度条件叶丝干燥入口水分控制方法。本发明利用统计分析对不同温湿度区间下叶丝干燥入口水分进行品质区分，基于PSO-ELM选取出的不同温湿度条件下的制丝生产最佳工艺参数可控制叶丝干燥入口水分在高品质区间内，能有效提高叶丝干燥过程的稳定性。
本发明解决其技术问题所采用的技术方案为：
基于PSO-ELM的不同温湿度条件叶丝干燥入口水分控制方法，包括
S1环境温湿度区间划分
根据生产地区全年环境温湿度进行温度、湿度区间划分；
以月平均温、湿度为依据，对所在市全年环境温湿度进行K-means聚类分析，将之划分为不同的温湿度区间：
如，中温低湿、高温高湿、中温中湿和低温中湿4个温湿度区间；
S2不同温湿度条件下叶丝干燥入口水分品质划分
根据不同温湿度区间所对应的月份选取叶丝干燥入口水分及关键参数的生产数据；
关键参数包括松散回潮入口水分、松散回潮蒸汽阀开度、松散回潮打水累积量、松散回潮出口水分、回潮加料机入口水分、叶片加料补偿蒸汽阀输出开度、回潮加料机出口水分、热风润叶入口水分、热风润叶机补偿蒸汽阀输出开度和热风润叶出口水分；
采用Excel对原始生产数据进行预处理，使用插值法对数据中的缺失值进行填充，根据3σ原则对数据进行有效性筛选并剔除异常值，并将烟草原料的相关生产数据按同一批次且同一日期进行关联匹配；
通过统计分析法对不同温湿度区间下的叶丝干燥入口水分进行离散化处理，建立叶丝干燥入口含水率离散化标准，将不同温湿度区间下的叶丝干燥入口含水率进行类别属性的划分；
其中，μ为不同温湿度区间对应叶丝干燥入口含水率平均值；σ为不同温湿度区间对应叶丝干燥入口含水率标准差；
S3不同温湿度条件下叶丝干燥入口水分分类模型的建立
S3.1不同温湿度条件下的数据处理
对不同温湿度条件下不同类别属性的关联数据分别按照取一隔三的方式进行训练集与测试集的划分，以确保训练集与测试集在不同的温湿度条件下都有代表性的样本分布；
通过独热编码(One-Hot Encoding)对目标变量叶丝干燥入口水分进行转换，并对输入变量进行数据标准化处理；
S3.2不同温湿度条件下PSO-ELM叶丝干燥入口水分分类模型的建立
以标准化后的松散回潮入口水分、松散回潮蒸汽阀开度、松散回潮打水累积量、松散回潮出口水分、回潮加料机入口水分、叶片加料补偿蒸汽阀输出开度、回潮加料机出口水分、热风润叶入口水分、热风润叶机补偿蒸汽阀输出开度和热风润叶出口水分作为PSO-ELM分类模型的输入层节点，以独热编码后的叶丝干燥入口水分作为输出层节点，构建一个10输入、4输出的3层网络结构模型；
选用Sigmoid和Linear作为ELM的激活函数，以最小化负准确率为最优目标，采用PSO优化ELM算法的神经元数目；PSO中种群大小设置为20，最大迭代次数设置为50，并采用5折交叉法进行验证；
S4最佳工艺参数推荐
基于PSO-ELM分类模型，在不同温湿度条件下对叶丝干燥入口水分进行分类；
对于在不同温湿度条件下被分类为高品质的叶丝干燥入口水分，计算其实际属于高品质类别的概率，并选取概率最大的叶丝干燥入口水分所对应的关键工序工艺参数作为制丝生产的最佳工艺参数，该最佳工艺参数在当前温湿度条件下可最大化叶丝干燥入口水分达到高品质的可能性。
作为上述技术方案的改进，所述方法还包括S5模型自学习与优化
根据实际生产数据不断对PSO-ELM分类模型进行自学习和优化，提高模型的精度以及与生产实际的匹配性。
作为上述技术方案的改进，所述S3还包括
S3.3分类模型的评价
通过准确率(所有预测中正确预测的比例)、精确度(真正例的数量占模型预测为正类总数的比例)、召回率(真正例占实际正类样本的比例)和F1分数(精确度和召回率的调和平均)对分类模型的预测性能进行评估，并通过混淆矩阵可视化分类模型在不同类别属性上的预测结果。
本发明目的还在于提供一种基于PSO-ELM的不同温湿度条件叶丝干燥入口水分控制系统，包括
环境温湿度划分模块，其用于根据生产地区全年环境温湿度进行温度、湿度区间划分；如，以月平均温、湿度为依据，对所在市全年环境温湿度进行聚类分析，将之划分为不同的温湿度区间：
数据筛选与处理模块，其用于根据不同温湿度区间所对应的月份选取叶丝干燥入口水分数据并对叶丝干燥之前的工序的关键参数进行筛选，同时，将预处理后的相关生产数据按同一批次且同一日期进行关联匹配，再通过统计分析法将不同温湿度区间下的叶丝干燥入口含水率进行类别属性的划分；其中，关键参数包括松散回潮入口水分、松散回潮蒸汽阀开度、松散回潮打水累积量、松散回潮出口水分、回潮加料机入口水分、叶片加料补偿蒸汽阀输出开度、回潮加料机出口水分、热风润叶入口水分、热风润叶机补偿蒸汽阀输出开度和热风润叶出口水分；
分类模型建立模块，其首先对不同温湿度条件下不同类别属性的关联数据分别按照取一隔三的方式进行训练集与测试集的划分，通过独热编码对目标变量叶丝干燥入口水分进行转换，并对输入变量进行数据标准化处理；随后以标准化后的松散回潮入口水分、松散回潮蒸汽阀开度、松散回潮打水累积量、松散回潮出口水分、回潮加料机入口水分、叶片加料补偿蒸汽阀输出开度、回潮加料机出口水分、热风润叶入口水分、热风润叶机补偿蒸汽阀输出开度和热风润叶出口水分作为PSO-ELM分类模型的输入层节点，以独热编码后的叶丝干燥入口水分作为输出层节点，构建不同温湿度条件下PSO-ELM分类模型；其中，所述PSO-ELM分类模型选用Sigmoid和Linear作为ELM的激活函数，以最小化负准确率为最优目标，采用PSO优化ELM算法的神经元数目；PSO中种群大小设置为20，最大迭代次数设置为50，并采用5折交叉法进行验证；
最佳工艺参数推荐模块，其基于PSO-ELM分类模型，在不同温湿度条件下对叶丝干燥入口水分进行分类，对于在不同温湿度条件下被分类为高品质的叶丝干燥入口水分，计算其实际属于高品质类别的概率，并选取概率最大的叶丝干燥入口水分所对应的关键工序工艺参数作为制丝生产的最佳工艺参数，该最佳工艺参数在当前温湿度条件下可最大化叶丝干燥入口水分达到高品质的可能性。
作为上述技术方案的改进，所述系统还包括模型自学习与优化模块，其根据实际生产数据不断对PSO-ELM分类模型进行自学习和优化，提高模型的精度以及与生产实际的匹配性。
本发明带来的有益效果：
本发明将不同温湿度条件下叶丝干燥入口水分进行品质分类，综合环境条件对生产过程的影响，能有效提高叶丝干燥过程的稳定性。针对不同温湿度、不同水分品质进行机器学习和建模，分别选取出不同温湿度条件下被分类为高品质的叶丝干燥入口水分其实际属于高品质类别的概率最大值对应的关键工序工艺参数作为制丝生产最佳工艺参数，控制叶丝干燥入口水分达到最优区间，进而确保叶丝干燥工序生产过程质量的稳定，以期为不同环境条件下制丝生产进行合理优化设计，构建不同环境条件下叶丝干燥入口水分控制策略，优化关键工序工艺参数，有效提升卷烟加工质量及产品质量稳定性。
本发明通过引入PSO-ELM分类模型，增强了制丝生产过程中叶丝干燥入口水分的可控性和可预测性，提高了后续干燥工序过程质量的稳定性，为制丝生产过程的精细化控制及成品烟丝质量的优化提供了有效途径。
附图说明
下面结合附图及具体实施例对本发明作进一步说明。
图1为不同温湿度条件叶丝干燥入口水分控制方法流程示意图；
图2为不同温湿度条件叶丝干燥入口水分控制系统的系统框图；
图3～6分别为实施例6的PSO-ELM分类模型在中温低湿区、高温高湿区、中温中湿区、低温中湿区的分类结果混淆矩阵。
具体实施方式
下面将结合本发明实施例及附图，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
根据图1，基于PSO-ELM的不同温湿度条件叶丝干燥入口水分控制方法，包括
S1环境温湿度区间划分
根据生产地区全年环境温湿度进行温度、湿度区间划分；
以月平均温、湿度为依据，对所在市全年环境温湿度进行K-means聚类分析，将之划分为不同的温湿度区间：
如，可以划分为中温低湿、高温高湿、中温中湿和低温中湿4个温湿度区间；
S2不同温湿度条件下叶丝干燥入口水分品质划分
根据不同温湿度区间所对应的月份选取叶丝干燥入口水分及关键参数的生产数据；
关键参数包括松散回潮入口水分、松散回潮蒸汽阀开度、松散回潮打水累积量、松散回潮出口水分、回潮加料机入口水分、叶片加料补偿蒸汽阀输出开度、回潮加料机出口水分、热风润叶入口水分、热风润叶机补偿蒸汽阀输出开度和热风润叶出口水分；
采用Excel对原始生产数据进行预处理，使用插值法对数据中的缺失值进行填充，根据3σ原则对数据进行有效性筛选并剔除异常值，并将烟草原料的相关生产数据按同一批次且同一日期进行关联匹配；
通过统计分析法对不同温湿度区间下的叶丝干燥入口水分进行离散化处理，建立叶丝干燥入口含水率离散化标准，将不同温湿度区间下的叶丝干燥入口含水率进行类别属性的划分；
表1叶丝干燥入口含水率离散化与类别属性划分标准
其中，μ为不同温湿度区间对应叶丝干燥入口含水率平均值；σ为不同温湿度区间对应叶丝干燥入口含水率标准差；
S3不同温湿度条件下叶丝干燥入口水分分类模型的建立
S3.1不同温湿度条件下的数据处理
对不同温湿度条件下不同类别属性的关联数据分别按照取一隔三的方式进行训练集与测试集的划分，以确保训练集与测试集在不同的温湿度条件下都有代表性的样本分布；
通过独热编码(One-Hot Encoding)对目标变量叶丝干燥入口水分进行转换，并对输入变量进行数据标准化处理；
首先，计算输入变量的平均值，其中xi是第i个数据点的值，n是数据点的总数：
再计算输入变量的标准差：
进行Z得分标准化：
S3.2不同温湿度条件下PSO-ELM叶丝干燥入口水分分类模型的建立
以标准化后的松散回潮入口水分、松散回潮蒸汽阀开度、松散回潮打水累积量、松散回潮出口水分、回潮加料机入口水分、叶片加料补偿蒸汽阀输出开度、回潮加料机出口水分、热风润叶入口水分、热风润叶机补偿蒸汽阀输出开度和热风润叶出口水分作为PSO-ELM分类模型的输入层节点，以独热编码后的叶丝干燥入口水分作为输出层节点，构建一个10输入、4输出的3层网络结构模型；
选用Sigmoid和Linear作为ELM的激活函数，以最小化负准确率为最优目标，采用PSO优化ELM算法的神经元数目；PSO中种群大小设置为20，最大迭代次数设置为50，并采用5折交叉法进行验证；
S4最佳工艺参数推荐
基于PSO-ELM分类模型，在不同温湿度条件下对叶丝干燥入口水分进行分类；
对于在不同温湿度条件下被分类为高品质的叶丝干燥入口水分，计算其实际属于高品质类别的概率，并选取概率最大的叶丝干燥入口水分所对应的关键工序工艺参数作为制丝生产的最佳工艺参数，该最佳工艺参数在当前温湿度条件下可最大化叶丝干燥入口水分达到高品质的可能性；
S5模型自学习与优化
根据实际生产数据不断对PSO-ELM分类模型进行自学习和优化，提高模型的精度以及与生产实际的匹配性。
实施例2
基于PSO-ELM的不同温湿度条件叶丝干燥入口水分控制方法，包括
S1环境温湿度区间划分
张家口市属温带大陆性半干旱季风气候，四季分明，降水量有明显的季节变化，昼夜温差大，冬季寒冷漫长，春季干燥多风沙，夏季炎热短促降水集中，秋季晴朗冷暖适中。
以月平均温、湿度为依据，对张家口市全年环境温湿度进行K-means聚类分析：根据聚类中心，全年共被聚为4类，可划分为4个不同的温湿度区间：其中第一类是中温低湿区，为4-5月；第二类是低温中湿区，为11-3月；第三类是高温高湿区，为6-8月；第四类是中温中湿区，为9-10月。
表2 2022年张家口市各温湿度区间的环境情况
S2不同温湿度条件下叶丝干燥入口水分品质划分
根据不同温湿度区间所对应的月份选取叶丝干燥入口水分及关键参数的生产数据；
从张家口卷烟厂有限责任公司制丝信息管理系统(MES)，统计2023年钻石(硬迎宾)牌号松散回潮入口水分(A)、松散回潮蒸汽阀开度(B)、松散回潮打水累积量(C)、松散回潮出口水分(D)、叶片加料入口水分(E)、叶片加料补偿蒸汽阀输出开度(F)、叶片加料出口水分(G)、热风润叶入口水分(H)、热风润叶机补偿蒸汽阀输出开度(I)、热风润叶出口水分(J)和叶丝干燥入口水分(均以该批次平均值计)；从中国气象网站收集2022年张家口市环境温湿度数据；
使用Excel对上述采集数据进行初步处理，使用插值法对数据中的缺失值进行填充，根据3σ原则对数据进行有效性筛选并剔除异常值，并将烟草原料的相关数据按同一批次且同一日期进行关联匹配。
通过统计分析法对不同温湿度区间下的叶丝干燥入口水分进行离散化处理，建立叶丝干燥入口含水率离散化标准，参照表1将不同温湿度区间下的叶丝干燥入口含水率进行类别属性的划分，离散化后不同温湿度区间下各类别属性的叶丝干燥入口含水率如表3所示：
表3不同温湿度区间下各类别属性的叶丝干燥入口含水率
S3不同温湿度条件下叶丝干燥入口水分分类模型的建立
S3.1不同温湿度条件下的数据处理
对不同温湿度条件下不同类别属性的关联数据分别按照取一隔三的方式进行训练集与测试集的划分，以确保训练集与测试集在不同的温湿度条件下都有代表性的样本分布，划分后各温湿度区间各类别样本数量如表4所示：
表4不同温湿度条件下各类别样本数量
为适应ELM模型处理多分类问题的需求，通过独热编码(One-Hot Encoding)对目标变量叶丝干燥入口水分进行转换，并对输入变量进行数据标准化处理。
S3.2不同温湿度条件下PSO-ELM叶丝干燥入口水分分类模型的建立
以标准化后的松散回潮入口水分、松散回潮蒸汽阀开度、松散回潮打水累积量、松散回潮出口水分、回潮加料机入口水分、叶片加料补偿蒸汽阀输出开度、回潮加料机出口水分、热风润叶入口水分、热风润叶机补偿蒸汽阀输出开度和热风润叶出口水分作为PSO-ELM分类模型的输入层节点，以独热编码后的叶丝干燥入口水分作为输出层节点，构建一个10输入、4输出的3层网络结构模型；
选用Sigmoid和Linear作为ELM的激活函数，以最小化负准确率为最优目标，采用PSO优化ELM算法的神经元数目；PSO中种群大小设置为20，最大迭代次数设置为50，并采用5折交叉法进行验证；
PSO-ELM模型的最优分类结果如表5所示。
表5不同温湿度条件下PSO-ELM模型分类结果
由表5可知，PSO-ELM模型在高温高湿及中温中湿区间，其准确率、精确度、召回率及F1分数均达到较高水平。
S4最佳工艺参数推荐
基于PSO-ELM分类模型，在不同温湿度条件下对叶丝干燥入口水分进行分类；
对于在不同温湿度条件下被分类为高品质的叶丝干燥入口水分，计算其实际属于高品质类别的概率，并选取概率最大的叶丝干燥入口水分所对应的关键工序工艺参数作为制丝生产的最佳工艺参数，该最佳工艺参数在当前温湿度条件下可最大化叶丝干燥入口水分达到高品质的可能性。
基于PSO-ELM分类模型，在不同温湿度条件下，被分类为高品质的叶丝干燥入口水分其实际属于高品质类别的概率最大值如表6所示。
表6高品质叶丝干燥入口水分分类概率最大值
被分类为高品质的叶丝干燥入口水分其实际属于高品质类别的概率最大值对应的关键工序工艺参数及其在原始数据中对应的叶丝干燥入口水分如表7所示。
表7制丝生产最佳工艺参数及其在原始数据中对应的叶丝干燥入口水分
为验证最佳工艺参数的正确性与有效性，将得到的不同温湿度条件下的制丝生产最佳工艺参数与原始数据进行比较，观察选取出的样本在原始数据集中对应的叶丝干燥入口水分其品质是否与分类结果一致。由表7可知，通过PSO-ELM模型选取的不同温湿度条件下最佳工艺参数在原始数据中对应的叶丝干燥入口水分均为高品质，与预测结果一致。
本实施例表明选取的制丝生产最佳工艺参数在不同温湿度条件下可以较好的控制叶丝干燥入口水分在高品质范围内，PSO-ELM模型可以精准的对不同温湿度条件下叶丝干燥入口水分进行控制。
实施例3
根据图2，基于PSO-ELM的不同温湿度条件叶丝干燥入口水分控制系统，包括
环境温湿度划分模块，其用于根据生产地区全年环境温湿度进行温度、湿度区间划分；如，以月平均温、湿度为依据，对所在市全年环境温湿度进行聚类分析，将之划分为不同的温湿度区间：
数据筛选与处理模块，其用于根据不同温湿度区间所对应的月份选取叶丝干燥入口水分数据并对叶丝干燥之前的工序的关键参数进行筛选，同时，将预处理后的相关生产数据按同一批次且同一日期进行关联匹配，再通过统计分析法将不同温湿度区间下的叶丝干燥入口含水率进行类别属性的划分；其中，关键参数包括松散回潮入口水分、松散回潮蒸汽阀开度、松散回潮打水累积量、松散回潮出口水分、回潮加料机入口水分、叶片加料补偿蒸汽阀输出开度、回潮加料机出口水分、热风润叶入口水分、热风润叶机补偿蒸汽阀输出开度和热风润叶出口水分；
分类模型建立模块，其首先对不同温湿度条件下不同类别属性的关联数据分别按照取一隔三的方式进行训练集与测试集的划分，通过独热编码对目标变量叶丝干燥入口水分进行转换，并对输入变量进行数据标准化处理；随后以标准化后的松散回潮入口水分、松散回潮蒸汽阀开度、松散回潮打水累积量、松散回潮出口水分、回潮加料机入口水分、叶片加料补偿蒸汽阀输出开度、回潮加料机出口水分、热风润叶入口水分、热风润叶机补偿蒸汽阀输出开度和热风润叶出口水分作为PSO-ELM分类模型的输入层节点，以独热编码后的叶丝干燥入口水分作为输出层节点，构建不同温湿度条件下PSO-ELM分类模型；其中，所述PSO-ELM分类模型选用Sigmoid和Linear作为ELM的激活函数，以最小化负准确率为最优目标，采用PSO优化ELM算法的神经元数目；PSO中种群大小设置为20，最大迭代次数设置为50，并采用5折交叉法进行验证；
最佳工艺参数推荐模块，其基于PSO-ELM分类模型，在不同温湿度条件下对叶丝干燥入口水分进行分类，对于在不同温湿度条件下被分类为高品质的叶丝干燥入口水分，计算其实际属于高品质类别的概率，并选取概率最大的叶丝干燥入口水分所对应的关键工序工艺参数作为制丝生产的最佳工艺参数，该最佳工艺参数在当前温湿度条件下可最大化叶丝干燥入口水分达到高品质的可能性。
所述系统还包括模型自学习与优化模块，其根据实际生产数据不断对PSO-ELM分类模型进行自学习和优化，提高模型的精度以及与生产实际的匹配性。
实施例4
不同温湿度条件下GS-SVM叶丝干燥入口水分分类模型的建立
将标准化后的松散回潮入口水分、松散回潮蒸汽阀开度、松散回潮打水累积量、松散回潮出口水分、叶片加料机入口水分、叶片加料补偿蒸汽阀输出开度、叶片加料机出口水分、热风润叶入口水分、热风润叶机补偿蒸汽阀输出开度和热风润叶出口水分作为输入，以独热编码后的叶丝干燥入口水分作为输出，构建GS-SVM叶丝干燥入口水分分类模型。
本实施例采用RBF作为SVM的核函数，利用GS对SVM中的惩罚因子C和核函数中的参数gamma进行筛选优化，并采用5折交叉法进行验证，GS-SVM模型的最优分类结果如表8所示。
表8不同温湿度条件下GS-SVM模型分类结果
由表8可知，GS-SVM模型在不同温湿度条件下的性能表现存在一定的波动，在中温中湿条件下表现较差，在低温中湿和中温低湿环境下分类效果较好。
实施例5
不同温湿度条件下GS-RF叶丝干燥入口水分分类模型的建立
将松散回潮入口水分、松散回潮蒸汽阀开度、松散回潮打水累积量、松散回潮出口水分、回潮加料机入口水分、叶片加料补偿蒸汽阀输出开度、回潮加料机出口水分、热风润叶入口水分、热风润叶机补偿蒸汽阀输出开度和热风润叶出口水分作为输入，以叶丝干燥入口水分作为输出。
本实施例利用GS对RF中树的深度和分类器数量进行筛选优化，并采用5折交叉验证法进行验证，GS-RF模型的最优分类结果如表9所示。
表9不同温湿度条件下GS-RF模型分类结果
由表9可知，GS-RF模型在各个温湿度条件下均展现出一定的分类能力，在低温中湿环境下分类效果最好。
实施例6
本实施例对四个温湿度区间内建立的叶丝干燥入口水分PSO-ELM、GS-SVM和GS-RF分类模型的准确率、精确度、召回率和F1分数进行综合比较。
结果表明，在中温低湿、高温高湿和中温中湿区，PSO-ELM模型对叶丝干燥入口水分的分类效果明显优于GS-SVM和GS-RF模型。在低温中湿区，PSO-ELM模型在准确率、召回率和F1分数上均高于GS-SVM和GS-RF模型，而GS-RF模型的精确度稍高于PSO-ELM和GS-RF模型。
不同温湿度条件下PSO-ELM叶丝干燥入口水分分类模型的混淆矩阵如图3～6所示。在混淆矩阵中，对角线表示正确的分类数量，非对角线元素表示错误的分类数量，由图可知，PSO-ELM分类模型在不同温湿度条件下对各类别属性叶丝干燥入口水分的分类均较为准确，存在误判的类别其误判样本数量均小于1，且错判的叶丝干燥入口水分主要被分类成相邻品质。
PSO-ELM模型在不同温湿度条件下均具有较好的分类效果，适用于不同温湿度条件下的叶丝干燥入口水分分类任务。
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 (5)
1.基于PSO-ELM的不同温湿度条件叶丝干燥入口水分控制方法，其特征在于：包括
S1环境温湿度区间划分
根据生产地区全年环境温湿度进行温度、湿度区间划分；
以月平均温、湿度为依据，对所在市全年环境温湿度进行聚类分析，将之划分为不同的温湿度区间：
S2不同温湿度条件下叶丝干燥入口水分品质划分
根据不同温湿度区间所对应的月份选取叶丝干燥入口水分及关键参数的生产数据；
关键参数包括松散回潮入口水分、松散回潮蒸汽阀开度、松散回潮打水累积量、松散回潮出口水分、回潮加料机入口水分、叶片加料补偿蒸汽阀输出开度、回潮加料机出口水分、热风润叶入口水分、热风润叶机补偿蒸汽阀输出开度和热风润叶出口水分；
对原始生产数据进行预处理，并将烟草原料的相关生产数据按同一批次且同一日期进行关联匹配；
通过统计分析法对不同温湿度区间下的叶丝干燥入口水分进行离散化处理，建立叶丝干燥入口含水率离散化标准，将不同温湿度区间下的叶丝干燥入口含水率进行类别属性的划分；
所述叶丝干燥入口含水率类别属性包括劣品质、中等品质-水分偏低、高品质、中等品质-水分偏高；
S3不同温湿度条件下叶丝干燥入口水分分类模型的建立
S3.1不同温湿度条件下的数据处理
对不同温湿度条件下不同类别属性的关联数据进行训练集与测试集的划分；
通过独热编码对目标变量叶丝干燥入口水分进行转换，并对输入变量进行数据标准化处理；
S3.2不同温湿度条件下PSO-ELM叶丝干燥入口水分分类模型的建立
以标准化后的松散回潮入口水分、松散回潮蒸汽阀开度、松散回潮打水累积量、松散回潮出口水分、回潮加料机入口水分、叶片加料补偿蒸汽阀输出开度、回潮加料机出口水分、热风润叶入口水分、热风润叶机补偿蒸汽阀输出开度和热风润叶出口水分作为PSO-ELM分类模型的输入层节点，以独热编码后的叶丝干燥入口水分作为输出层节点，构建10输入、4输出的3层网络结构的PSO-ELM分类模型；
S4最佳工艺参数推荐
基于PSO-ELM分类模型，在不同温湿度条件下对叶丝干燥入口水分进行分类；
对于在不同温湿度条件下被分类为高品质的叶丝干燥入口水分，计算其实际属于高品质类别的概率，并选取概率最大的叶丝干燥入口水分所对应的关键工序工艺参数作为制丝生产的最佳工艺参数，该最佳工艺参数在当前温湿度条件下可最大化叶丝干燥入口水分达到高品质的可能性。
2.根据权利要求1所述的叶丝干燥入口水分控制方法，其特征在于：
所述方法还包括S5模型自学习与优化
根据实际生产数据不断对PSO-ELM分类模型进行自学习和优化，提高模型的精度以及与生产实际的匹配性。
3.根据权利要求1所述的叶丝干燥入口水分控制方法，其特征在于：
所述S2中不同叶丝干燥入口含水率类别属性所对应的划分标准为：
劣品质：其它；
中等品质-水分偏低：μ-1.5σ～μ-0.5σ；
高品质：μ-0.5σ～μ+0.5σ；
中等品质-水分偏高：μ+0.5σ～μ+1.5σ；
其中，μ为不同温湿度区间对应叶丝干燥入口含水率平均值；σ为不同温湿度区间对应叶丝干燥入口含水率标准差。
4.根据权利要求1所述的叶丝干燥入口水分控制方法，其特征在于：
所述S3.2中PSO-ELM叶丝干燥入口水分分类模型：选用Sigmoid和Linear作为ELM的激活函数，以最小化负准确率为最优目标，采用PSO优化ELM算法的神经元数目；PSO中种群大小设置为20，最大迭代次数设置为50，并采用5折交叉法进行验证。
5.根据权利要求1所述的叶丝干燥入口水分控制方法，其特征在于：
所述S3还包括S3.3分类模型的评价
通过准确率、精确度、召回率、精确度和召回率的调和平均分数对分类模型的预测性能进行评估，并通过混淆矩阵可视化分类模型在不同类别属性上的预测结果。
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118340291A true CN118340291A (zh) | 2024-07-16 |
Family
ID=
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110135630B (zh) | 基于随机森林回归和多步寻优的短期负荷需求预测方法 | |
| CN112036701B (zh) | 一种面向多工序工业生产过程的工艺参数优化方法 | |
| CN101383023B (zh) | 基于样本动态组织与温度补偿的神经网络短期电力负荷预测 | |
| CN110363347A (zh) | 基于决策树索引的神经网络预测空气质量的方法 | |
| CN111369070B (zh) | 一种基于包络线聚类的多模融合光伏功率预测方法 | |
| CN112288164B (zh) | 一种计及空间相关性和修正数值天气预报的风功率组合预测方法 | |
| CN110619360A (zh) | 一种考虑历史样本相似性的超短期风功率预测方法 | |
| CN107169628A (zh) | 一种基于大数据互信息属性约简的配电网可靠性评估方法 | |
| CN110119766B (zh) | 一种多组合智能化模型的青椒温室温度智能化预警装置 | |
| CN111461921B (zh) | 一种基于机器学习的负荷建模典型用户数据库更新方法 | |
| CN113762387B (zh) | 一种基于混合模型预测的数据中心站多元负荷预测方法 | |
| CN105678406A (zh) | 一种基于云模型的短期负荷预测方法 | |
| CN105184400A (zh) | 一种烟田土壤水分预测方法 | |
| CN110705859A (zh) | 基于pca-自组织神经网络的中低压配电网运行状态评估方法 | |
| CN115600729A (zh) | 一种考虑多属性网格电网负荷预测方法 | |
| CN113379116A (zh) | 基于聚类和卷积神经网络的台区线损预测方法 | |
| CN114912716A (zh) | 基于双向长短时记忆网络的短期电力负荷预测方法及系统 | |
| CN115577752A (zh) | 一种超短期光伏功率预测方法及系统 | |
| CN116826745B (zh) | 一种电力系统背景下的分层分区短期负荷预测方法及系统 | |
| CN118340291A (zh) | 基于pso-elm的不同温湿度条件叶丝干燥入口水分控制方法 | |
| CN116432851A (zh) | 一种烤烟生长状况智能预测方法及系统 | |
| CN115099499A (zh) | 一种基于随机森林的emd-lstm对pm2.5浓度预测的方法 | |
| CN110175705B (zh) | 一种负荷预测方法及包含该方法的存储器、系统 | |
| CN113723670A (zh) | 变时间窗口的光伏发电功率短期预测方法 | |
| Ma et al. | Short-Term PV Power Prediction Based on FCM-ISSA-LSTM |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication |