流化床入口梗丝含水率的预测系统及方法与流程

1.本发明涉及卷烟制丝领域，具体涉及一种流化床入口梗丝含水率的预测系统及方法。


背景技术：

2.行业在“中式卷烟”特色工艺的发展过程中，为突出卷烟产品个性，拓宽原料使用范围，进一步降焦减害，将梗丝应用于卷烟配方中。梗丝作为卷烟制品的一种重要的原料，不仅对提高烟丝填充能力、减少烟丝填充量、改善烟支的燃烧状态，以及降低卷烟焦油起到重要的作用；而且还有利于提高卷烟的吸味品质。
3.含水率是梗丝的一项关键物理指标。一方面，含水率的高低直接关系到梗丝结构、填充值，以及与烟丝的掺配均匀性等；另一方面，梗丝含水率的高低与成品卷烟水分、重量、吸阻等物理指标，以及卷烟感官质量关系密切。然而，在实际生产过程中，由于梗组配方含水率的波动较大，造成梗丝批次内、批次间含水率波动较大，尤其是流化床(梗丝干燥)入口含水率波动大。
4.为了提高梗丝加工过程中含水率的稳定性，本技术旨在提出一种预测流化床入口梗丝含水率的系统与方法，实现自动对流化床入口梗丝含水率进行预测分析，并自动异常判定、预警。


技术实现要素：

5.为解决上述问题，本技术提供了一种流化床入口梗丝含水率的预测系统及方法，为流化床入口梗丝含水率的预测以及流化床控制系统的判定提供依据，以实现自动进行异常判定、预警，提高生产稳定性。
6.本发明解决其技术问题所采用的技术方案为：
7.流化床入口梗丝含水率的预测系统，包括
8.参数筛选单元，其用于从制梗丝生产工序中筛选出影响流化床入口梗丝含水率的生产参数，并将之定义为影响参数；
9.数据处理单元，其用于从制丝生产信息管理系统的历史数据中统计出影响参数，并对其进行标准化处理；
10.模型构建单元，其基于定义的影响参数和标准化处理后的统计数据，采用神经网络算法构建流化床入口梗丝含水率预测模型；
11.异常判定单元，其基于预测模型的含水率预测值，结合流化床入口梗丝含水率实测值进行对比，当预测值的误差绝对值≥0.5％时，进行异常预警并进入异常处理流程；
12.模型修正单元，其每月根据最近生产的10批次通用梗丝生产参数进行流化床入口梗丝含水率预测模型的修正和自学习以提高预测模型精度。
13.作为上述技术方案的改进，所述参数筛选单元定义的影响参数包括：
14.梗处理段：洗梗机温度(℃)、烟梗回潮机i出口温度(℃)、烟梗回潮机i出口含水率
(％)、烟梗回潮机i水流量(l/h)、梗柜储料时间(h)；
15.制梗丝段：烟梗回潮机ii出口温度(℃)、梗丝加料机出口温度(℃)、梗丝加料机出口含水率(％)。
16.作为上述技术方案的改进，所述参数筛选单元筛选影响参数的方法为：对梗处理段和制梗丝段的所有指标参数进行pearson相关性分析。
17.作为上述技术方案的改进，所述数据处理单元进行数据标准化的计算公式为：
18.其中z
x
：标准化的变量值，变量的平均值，sd：变量的标准差。
19.作为上述技术方案的改进，所述流化床入口梗丝含水率预测模型包含输入层、隐含层和输出层；
20.输入层包括8个因子：洗梗机温度(℃)、烟梗回潮机i出口温度(℃)、烟梗回潮机i出口含水率(％)、烟梗回潮机i水流量(l/h)、梗柜储料时间(h)、烟梗回潮机ii出口温度(℃)、梗丝加料机出口温度(℃)、梗丝加料机出口含水率(％)；
21.输出层为流化床入口梗丝含水率。
22.作为上述技术方案的改进，所述流化床入口梗丝含水率预测模型通过spss神经网络算法工具箱进行模型建立和训练；设定训练目标0.05，训练速度为0.01，最大步数100。
23.流化床入口梗丝含水率的预测方法，本方法应用于上述的流化床入口梗丝含水率的预测系统中，包括以下步骤：
24.s1，参数筛选
25.从制梗丝生产工序中筛选出影响流化床入口梗丝含水率的生产参数，并将之定义为影响参数；其中，影响参数包括：
26.梗处理段：洗梗机温度(℃)、烟梗回潮机i出口温度(℃)、烟梗回潮机i出口含水率(％)、烟梗回潮机i水流量(l/h)、梗柜储料时间(h)；
27.制梗丝段：烟梗回潮机ii出口温度(℃)、梗丝加料机出口温度(℃)、梗丝加料机出口含水率(％)；
28.s2，数据处理
29.从制丝生产信息管理系统的历史数据中统计出上述各影响参数，并对其进行标准化处理；
30.数据标准化的计算公式为：
31.其中z
x
：标准化的变量值，变量的平均值，sd：变量的标准差；
32.s3，模型构建
33.基于定义的影响参数和标准化处理后的统计数据，采用神经网络算法构建流化床入口梗丝含水率预测模型；
34.该流化床入口梗丝含水率预测模型包含输入层、隐含层和输出层；
35.输入层包括8个因子：洗梗机温度(℃)、烟梗回潮机i出口温度(℃)、烟梗回潮机i出口含水率(％)、烟梗回潮机i水流量(l/h)、梗柜储料时间(h)、烟梗回潮机ii出口温度(℃)、梗丝加料机出口温度(℃)、梗丝加料机出口含水率(％)；
36.输出层为流化床入口梗丝含水率；
37.s4，异常判定
38.基于上述预测模型的含水率预测值，结合流化床入口梗丝含水率实测值进行对比，当预测值的误差绝对值≥0.5％时，进行异常预警并进入异常处理流程；
39.s5，模型修正
40.每月根据最近生产的10批次通用梗丝生产参数进行流化床入口梗丝含水率预测模型的修正和自学习以提高预测模型精度。
41.作为上述技术方案的改进，步骤s1中，筛选影响参数的方法为：对梗处理段和制梗丝段的所有指标参数进行pearson相关性分析。
42.作为上述技术方案的改进，步骤s3中，流化床入口梗丝含水率预测模型通过spss神经网络算法工具箱进行模型建立和训练，设定训练目标0.05，训练速度为0.01，最大步数100。
43.本发明带来的有益效果：
44.本方明旨在建立一种预测流化床入口梗丝含水率的系统与方法，为流化床的控制提供依据，并自动进行异常判定、预警；其可实现数据的自动采集，并对数据进行处理，自动预测流化床入口梗丝含水率，从而提高梗丝加工过程中含水率的稳定性；
45.同时，本技术可以定期，如每月根据最近生产的10批次通用梗丝的生产参数进行神经网络预测模型修正和自学习，使模型适应实际生产现状，消除季节、环温等误差影响，进一步提高预测模型的精度。
附图说明
46.下面结合附图及具体实施例对本发明作进一步说明，
47.图1为本流化床入口梗丝含水率的预测系统的结构框图；
48.图2为流化床入口梗丝含水率预测模型的架构图。
具体实施方式
49.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。
50.实施例1
51.参照图1，一种流化床入口梗丝含水率的预测系统，包括
52.参数筛选单元，其用于从制梗丝生产工序中筛选出影响流化床入口梗丝含水率的生产参数，并将之定义为影响参数；参数筛选单元定义的影响参数包括：
53.梗处理段：洗梗机温度(℃)、烟梗回潮机i出口温度(℃)、烟梗回潮机i出口含水率(％)、烟梗回潮机i水流量(l/h)、梗柜储料时间(h)；
54.制梗丝段：烟梗回潮机ii出口温度(℃)、梗丝加料机出口温度(℃)、梗丝加料机出口含水率(％)。
55.数据处理单元，其用于从制丝生产信息管理系统的历史数据中统计出影响参数，并对其进行标准化处理；数据标准化的计算公式为：其中z
x
：标准化的变量
值，变量的平均值，sd：变量的标准差。
56.模型构建单元，其基于定义的影响参数和标准化处理后的统计数据，采用神经网络算法构建流化床入口梗丝含水率预测模型；参照图2，该流化床入口梗丝含水率预测模型包含输入层、隐含层和输出层；输入层包括8个因子：洗梗机温度(℃)、烟梗回潮机i出口温度(℃)、烟梗回潮机i出口含水率(％)、烟梗回潮机i水流量(l/h)、梗柜储料时间(h)、烟梗回潮机ii出口温度(℃)、梗丝加料机出口温度(℃)、梗丝加料机出口含水率(％)；
57.输出层为流化床入口梗丝含水率；
58.流化床入口梗丝含水率预测模型通过spss神经网络算法工具箱进行模型建立和训练；设定训练目标0.05，训练速度为0.01，最大步数100。
59.异常判定单元，其基于预测模型的含水率预测值，结合流化床入口梗丝含水率实测值进行对比，当预测值的误差绝对值≥0.5％时，进行异常预警并进入异常处理流程；
60.模型修正单元，其每月根据最近生产的10批次通用梗丝生产参数进行流化床入口梗丝含水率预测模型的修正和自学习以提高预测模型精度。
61.具体的，参数筛选单元筛选影响参数的方法为：对梗处理段和制梗丝段的所有指标参数进行pearson相关性分析，可参照实施例3。
62.实施例2
63.流化床入口梗丝含水率的预测方法，包括以下步骤：
64.s1，参数筛选
65.从制梗丝生产工序中筛选出影响流化床入口梗丝含水率的生产参数，并将之定义为影响参数；其中，影响参数包括：
66.梗处理段：洗梗机温度(℃)、烟梗回潮机i出口温度(℃)、烟梗回潮机i出口含水率(％)、烟梗回潮机i水流量(l/h)、梗柜储料时间(h)；
67.制梗丝段：烟梗回潮机ii出口温度(℃)、梗丝加料机出口温度(℃)、梗丝加料机出口含水率(％)；
68.s2，数据处理
69.从制丝生产信息管理系统的历史数据中统计出上述各影响参数，并对其进行标准化处理；
70.数据标准化的计算公式为：
71.其中z
x
：标准化的变量值，变量的平均值，sd：变量的标准差；
72.s3，模型构建
73.基于定义的影响参数和标准化处理后的统计数据，采用神经网络算法构建流化床入口梗丝含水率预测模型；
74.该流化床入口梗丝含水率预测模型包含输入层、隐含层和输出层；
75.输入层包括8个因子：洗梗机温度(℃)、烟梗回潮机i出口温度(℃)、烟梗回潮机i出口含水率(％)、烟梗回潮机i水流量(l/h)、梗柜储料时间(h)、烟梗回潮机ii出口温度(℃)、梗丝加料机出口温度(℃)、梗丝加料机出口含水率(％)；
76.输出层为流化床入口梗丝含水率；
77.隐含层激活函数-双曲正切；输出层激活函数-恒等。
78.s4，异常判定
79.基于上述预测模型的含水率预测值，结合流化床入口梗丝含水率实测值进行对比，当预测值的误差绝对值≥0.5％时，进行异常预警并进入异常处理流程；
80.s5，模型修正
81.每月根据最近生产的10批次通用梗丝生产参数进行流化床入口梗丝含水率预测模型的修正和自学习以提高预测模型精度。
82.具体的：
83.步骤s1中，筛选影响参数的方法为：对梗处理段和制梗丝段的所有指标参数进行pearson相关性分析。
84.步骤s3中，流化床入口梗丝含水率预测模型通过spss神经网络算法工具箱进行模型建立和训练，设定训练目标0.05，训练速度为0.01，最大步数100。
85.实施例3
86.从制丝生产信息管理系统(mes)中查询制梗丝生产的历史相关参数，统计2022年3月-5月150批次制梗丝生产的相关参数，经过3σ原则筛选出132批次合格数据，然后进行流化床入口梗丝含水率影响因素的pearson相关性分析，分析结果如表1：
87.表1流化床入口梗丝含水率影响因素pearson分析
88.[0089][0090]
基于筛选出的影响参数，构建流化床入口梗丝含水率预测模型：
[0091]
第一步，数据标准化，采用标准差化法(z标准化)，计算公式为：
[0092]
其中z
x
：标准化的变量值，变量的平均值，sd：变量的标准差；
[0093]
第二步，建立神经网络预测模型，神经网络预测模型包含三层：输入层、隐含层和输出层，其中：
[0094]
输入层：梗丝加料机出口含水率、梗丝加料机出口温度、烟梗回潮机ii出口温度、洗梗机水温、烟梗回潮机i水流量、烟梗回潮机i出口温度、烟梗回潮机i出口含水率、梗柜储料时间，8个参数；
[0095]
输出层：流化床入口含水率；
[0096]
设定训练目标0.05，训练速度为0.01，最大步数100。
[0097]
第三步，预测模型应用
[0098]
将上述流化床入口梗丝含水率预测模型上线运行。
[0099]
基于该模型对通用梗丝进行流化床入口含水率的预测分析，随机选取15批次通用梗丝，流化床实际含水率与预测含水率值对比见表2：
[0100]
表2流化床入口梗丝含水率预测模型结果
[0101]
[0102][0103]
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。