一种复烤过程异常工况智能诊断方法和系统与流程

本发明属于烟草工业领域，特别是涉及一种复烤过程异常工况智能诊断方法和系统。

背景技术：

1、复烤是烟叶生产中的重要环节，其目的是通过控制温度、湿度和风速等参数，使烟叶中的水分、糖分和氮素等物质达到一定的平衡，能够提高烟叶的品质和香气；反之，在复烤过程中，由于设备故障、操作失误或外界干扰等原因造成温度过高或过低、湿度不均匀或不合适、风速不稳定或不足时，会导致烟叶的复烤效果差，甚至导致烟叶损坏或着火。因此，及时识别和预警复烤过程中的异常工况，对于保证烟叶质量和安全生产具有重要意义。

2、现有对于复烤过程异常工况的诊断，主要依靠人工观察和经验判断，这种方式存在以下缺点：一是人工观察容易受到主观因素的影响，难以做到客观、准确和及时；二是经验判断需要依赖复烤操作人员的技能水平和知识储备，难以做到普适和标准化；三是人工观察和经验判断难以处理复杂的多维时序数据，难以发现潜在的异常规律和趋势。

3、综上，现有人工检测复烤过程工况的方法，存在判断不准确、难以标椎化、普适性差的缺陷。

技术实现思路

1、本发明的目的在于提供一种复烤过程异常工况智能诊断方法和系统，以解决现有技术中人工检测复烤过程工况的方法，存在判断不准确、难以标椎化、普适性差的技术问题。

2、为实现上述目的，本发明所提供的复烤过程异常工况智能诊断方法和系统的技术方案是：

3、一种复烤过程异常工况智能诊断方法，该方法包括如下步骤：利用深度学习网络对复烤过程中获取的复烤相关数据进行特征提取，生成对应的特征向量；所述复烤相关数据包括有烘烤前的入口水分、烘烤后的冷却区水分、各干燥区风门的开度、各干燥区排潮风机风速和各干燥区温度；将提取的特征输入到训练好的异常诊断模型，将待诊断的复烤相关数据的特征向量作为训练后的异常诊断模型的输入，输出对应的复烤工况；所述异常诊断模型根据机器学习模型进行构建，训练数据为利用深度学习网络对历史的复烤相关数据进行特征提取的特征向量和对应标签构成的各样本数据。

4、作为进一步地改进，该方法还包括对获取的复烤相关数据进行降维，依据复烤相关数据中各数据与复烤后烟叶含水率的相关度，剔除部分相关度较低的数据类别。

5、作为进一步地改进，各数据之间的相关度利用互信息方法进行确定。

6、作为进一步地改进，确定各样本数据的标签的过程为：获取历史的烟叶出口含水率的平均值、标椎差和正态分布曲线，利用拉依达准则将出口含水率划分为多个数值范围，每个范围对应一个标签，根据样本数据对应的烟叶出口含水率所在的数值范围确定出样本数据的标签。

7、作为进一步地改进，该方法还包括统计训练数据中各标签对应的样本数量，利用最高的样本数量对其他标签对应的样本数量进行调整，完成对训练数据的平衡。

8、作为进一步地改进，对其他标签对应的样本数量进行调整时，通过人工合成样本作为对应样本的补充；采用adasyn算法生成所述的人工合成样本。

9、作为进一步地改进，深度学习网络采用tcn模型。

10、作为进一步地改进，异常诊断模型根据xgboost模型进行构建。

11、作为进一步地改进，异常诊断模型的目标函数为：

12、

13、其中，i为样本序号，i＝1，2，...n，t为第t棵树，yi表示第i个样本xi的预测值，ft是第t棵树模型。

14、本发明还公开了一种复烤过程异常工况智能诊断系统，该系统包括有处理器，该处理器用于处理上述的复烤过程异常工况智能诊断方法实施例。

15、本发明的复烤过程异常工况智能诊断方法有益效果是：本方法通过深度学习网络对复考相关数据进行特征提取，并生成特征向量；将特征向量做为训练后的异常预警模型的输入，输出对应的复烤工况。该异常预警模型时根据历史的复烤相关数据和对应标签数据训练得到的；能够快速根据复烤相关数据识别对应的复烤工况，通过该异常诊断模型消除现有人工检测复烤过程工况的方法，存在判断不准确、难以标椎化、普适性差的缺陷。

技术特征：

1.一种复烤过程异常工况智能诊断方法，其特征在于，该方法包括如下步骤：

2.根据权利要求1所述的复烤过程异常工况智能诊断方法，其特征在于，该方法还包括对获取的复烤相关数据进行降维，依据复烤相关数据中各数据与复烤后烟叶含水率的相关度，剔除部分相关度较低的数据类别。

3.根据权利要求2所述的复烤过程异常工况智能诊断方法，其特征在于，各数据之间的相关度利用互信息方法进行确定。

4.根据权利要求1所述的复烤过程异常工况智能诊断方法，其特征在于，确定各样本数据的标签的过程为：获取历史的烟叶出口含水率的平均值、标椎差和正态分布曲线，利用拉依达准则将出口含水率划分为多个数值范围，每个范围对应一个标签，根据样本数据对应的烟叶出口含水率所在的数值范围确定出样本数据的标签。

5.根据权利要求1所述的复烤过程异常工况智能诊断方法，其特征在于，该方法还包括统计训练数据中各标签对应的样本数量，利用最高的样本数量对其他标签对应的样本数量进行调整，完成对训练数据的平衡。

6.根据权利要求5所述的复烤过程异常工况智能诊断方法，其特征在于，所述对其他标签对应的样本数量进行调整时，通过人工合成样本作为对应样本的补充；采用adasyn算法生成所述的人工合成样本。

7.根据权利要求1所述的复烤过程异常工况智能诊断方法，其特征在于，所述深度学习网络采用tcn模型。

8.根据权利要求1所述的复烤过程异常工况智能诊断方法，其特征在于，异常诊断模型根据xgboost模型进行构建。

9.根据权利要求8所述的复烤过程异常工况智能诊断方法，其特征在于，异常诊断模型的目标函数为：

10.一种复烤过程异常工况智能诊断系统，其特征在于，该系统包括有处理器，所述处理器用于处理权利要求1-9任意一项所述的复烤过程异常工况智能诊断方法。

技术总结
本发明公开了一种复烤过程异常工况智能诊断方法和系统，属于烟草工业领域，复烤过程异常工况智能诊断方法通过深度学习网络对复考相关数据进行特征提取，并生成特征向量；将特征向量做为训练后的异常预警模型的输入，输出对应的复烤工况。该异常预警模型时根据历史的复烤相关数据和对应标签数据训练得到的；能够快速根据复烤相关数据识别对应的复烤工况，通过该异常诊断模型消除现有人工检测复烤过程工况的方法，存在判断不准确、难以标椎化、普适性差的缺陷。

技术研发人员：张雷,徐大勇,李善莲,李辉,苏子淇,李嘉康,堵劲松
受保护的技术使用者：中国烟草总公司郑州烟草研究院
技术研发日：
技术公布日：2024/7/9