CN108323797B - 基于gpr模型的烟支重量控制系统启动位置预测方法及系统 - Google Patents

Abstract

本发明公开了一种基于GPR模型的烟支重量控制系统启动位置预测方法及系统，包括获取停机前卷烟机烟支重量控制系统平准器目标位置数据和启动后的目标位置数据，对停机前目标位置数据和启动后目标位置数据分别提取特征变量集和目标变量集；将所述特征变量集和所述目标变量集作为训练样本，初始化并训练GPR模型；根据本次停机前的目标位置数据通过构建好的GPR模型得到启动位置的预测值，通过所述启动位置的预测值与实际值计算获得其预测残差，并进一步构建残差预测GPR模型，得到残差的预测值；对启动位置的预测值进行修正，得到重量控制系统启动位置输出值。该方法具有较好的鲁棒性，可以有效避免某一次生产状态突变对整体预测结果可能造成的跳变影响。

Description

基于GPR模型的烟支重量控制系统启动位置预测方法及系统

技术领域

本发明涉及卷烟机工艺参数动态优化的技术领域，尤其涉及了一种基于GPR模型的烟支重量控制系统启动位置预测方法及系统。

背景技术

目前，卷烟机烟支重量控制系统主要由烟支密度检测器、信号处理模块、工业控制计算机、平准器(有劈刀移动和吸丝带压带轮移动两种方式)及其它传动、调整机构等部分组成。其中，平准器为重量控制的执行部分，烟支重量的控制就是通过控制平准器的升降来实现的：当烟支从检测器经过时，可得到烟支的平均重量和重量分布情况，通过与设定烟支重量进行比较，进一步得到重量偏差信号，而后反馈至PLC并输出控制脉冲，驱动平准器高度调整电机带动平准器的升降。在系统停机后或启动前，平准器都会处于一个预先设定的启动位置。卷烟机启动时，由于在卷烟机达到一定车速前重量控制系统不介入控制，平准器处于启动位置，不参与烟支重量的调节，在这段时间内烟支一般不满足重量要求；而在卷烟机达到一定车速后，重量控制系统介入控制，平准器调节烟支重量也需要一定的时间才能使烟支重量偏差收敛。

目前，启动位置的设定主要依靠人工经验执行，初期调试一般会根据厂家推荐的设定值进行调整，生产中则一般基于前一段时间内平准器目标位置的平均值并做一定补偿后设定。但在实际生产中，常常会一种启动位置的设定保持很长时间不变，或者前一段时间内的目标位置波动较大，根据平均值进行补偿的策略也无法真正获得较为理想的启动位置。这些基于经验的做法，并没有严格的实验数据或理论依据，对卷烟机启动阶段的烟支重量控制效果微乎其微，且客观性差。与此同时，相关的工艺策略也只能依据经验，较为保守地在卷烟机启动阶段固定剔除较多烟支来保证产品质量，这其中有相当程度的浪费。因此，优化卷烟机启动位置，可减少启动阶段固定剔除的浪费，有很大的经济效益。

由于工业过程常常呈现多阶段、时变的动态特性，采用一般的数据驱动模型，对过程参数的预测效果往往不能得到保证。GPR即为高斯过程回归能够建立局部的非参数概率模型，所得的回归模型不仅可以给出预测值，还可以得到预测值对模型的置信度。它有着严格的统计学习理论基础，对处理高维数、小样本、非线性等复杂的问题具有很好的适应性，且泛化能力强。与神经网络、支持向量机等模型相比，GPR具有容易实现、超参数自适应获取、非参数推断灵活以及输出具有概率意义等优点。

此外，由于生产过程的时变性和设备特征的多样性，会使静态模型的预测性能不尽人意。为了避免模型鲁棒性差、预测精度适应性低等问题，需要不断在线更新预测模型。基于在线学习的方法则能够很好地处理过程的时变特性，提高预测模型的动态性能。相比于传统的离线建立的全局模型，在线学习方法所建立的模型具有局部动态结构，且模型是在线的，能够更好地跟踪过程当前的状态。

发明内容

本发明针对现有技术中的缺点，提供了一种基于GPR模型的烟支重量控制系统启动位置预测方法及系统。

为了解决上述技术问题，本发明通过下述技术方案得以解决：

本发明披露了：

一种基于GPR模型的烟支重量控制系统启动位置预测方法，包括以下步骤：

获取停机前卷烟机重量控制系统平准器目标位置数据和启动后的目标位置数据，对停机前目标位置数据和启动后目标位置数据分别提取特征变量集和目标变量集；

将所述特征变量集和所述目标变量集作为训练样本，初始化并训练GPR模型；

根据本次停机前的目标位置数据通过构建好的GPR模型得到启动位置的预测值，通过所述启动位置的预测值与实际值计算获得其预测残差，并进一步构建残差预测GPR模型，得到残差的预测值；

利用所述残差的预测值对所述启动位置的预测值进行修正，得到重量控制系统启动位置输出值。

作为一种可实施方式，将所述特征变量集和所述目标变量集作为训练样本，初始化并训练GPR模型的具体步骤为：

初始化过程：采用平方指数协方差函数，设定协方差函数和超参数初始值；

训练过程：建立所述训练样本条件概率的负对数似然函数，根据负对数似然函数对超参数求偏导数；采用共轭梯度法对所述偏导数进行最小化处理，得到GPR模型的超参数的最优解，最终建立GPR模型。

作为一种可实施方式，所述根据本次停机前的目标位置数据通过构建好的GPR模型得到启动位置的预测值，通过所述启动位置的预测值与实际值计算获得其预测残差，并进一步构建残差预测GPR模型，得到残差的预测值的具体步骤为：

将本次停机前的目标位置数据代入到构建好的所述GPR模型中，得到启动位置的预测值；

利用所述启动位置的预测值与实际值获得每次预测的残差，建立残差集，利用所述残差集建立第一特征变量集和第一目标变量集；

根据所述第一特征变量集和所述第一目标变量集，构建用于进行残差预测的残差预测GPR模型；

将启动位置的预测值代入所述残差预测GPR模型，得到本次预测残差的预测值。

作为一种可实施方式，所述利用所述残差集建立第一特征变量集和第一目标变量集的过程为：

从所述残差集中第一个元素开始依次取出连续j个残差作为特征变量，相应地，取出第j+1个残差作为目标变量，依次类推，可构建共l-j个特征变量集与l-j个目标变量集。

作为一种可实施方式，所述利用所述残差的预测值对所述启动位置的预测值进行修正，得到重量控制系统启动位置输出值，具体是指，

利用残差预测修正启动位置的预测值，修正的启动位置的预测值为：修正值＝启动位置的预测值+残差的预测值，修正值即为启动位置输出值。

作为一种可实施方式，每一次停机都根据前几次停机的数据训练GPR模型和残差预测GPR模型，GPR模型和残差预测GPR模型分别进行在线学习。

本发明还披露了：

一种基于GPR模型的烟支重量控制系统启动位置预测系统，包括数据获取处理模块、模型构建模块、残差预测模型构建模块和修正输出模块；

所述数据获取处理模块，用于获取停机前卷烟机重量控制系统平准器目标位置数据和启动后的目标位置数据，对停机前目标位置数据和启动后目标位置数据分别提取特征变量集和目标变量集；

所述模型构建模块，用于将所述特征变量集和所述目标变量集作为训练样本，初始化并训练GPR模型；

所述残差预测模型构建模块，用于根据本次停机前的目标位置数据通过构建好的GPR模型得到启动位置的预测值，通过所述启动位置的预测值与实际值计算获得其预测残差，并进一步构建残差预测GPR模型，得到残差的预测值；

所述修正输出模块，用于利用残差的预测值对启动位置的预测值进行修正，得到重量控制系统启动位置输出值。

作为一种可实施方式，所述模型构建模块包括初始化单元和超参数确定单元；

所述初始化单元，用于初始化过程：采用平方指数协方差函数，设定协方差函数和超参数初始值；

所述超参数确定单元，用于建立所述训练样本条件概率的负对数似然函数，根据负对数似然函数对超参数求偏导数；采用共轭梯度法对所述偏导数进行最小化处理，得到GPR模型的超参数的最优解，通过超参数的最优解建立GPR模型。

作为一种可实施方式，所述残差预测模型构建模块包括预测结果获取单元、建立训练样本单元、构建预测模型单元和计算单元；

所述预测结果获取单元，用于将本次停机前的目标位置数据代入到构建好的所述GPR模型中，得到启动位置的预测值；

所述建立训练样本单元，用于利用所述启动位置的预测值与实际值获得每次预测的残差，建立残差集，利用所述残差集建立第一特征变量集和第一目标变量集；

所述构建预测模型单元，用于根据所述第一特征变量集和所述第一目标变量集，构建用于进行残差预测的残差预测GPR模型；

所述计算单元，用于将启动位置的预测值代入所述残差预测GPR模型，得到本次预测残差的预测值。

本发明还披露了：

一种计算机可读存储介质，其存储有计算机程序，该程序被处理器执行时实现基于GPR模型的烟支重量控制系统启动位置预测方法及系统的步骤。

本发明由于采用了以上技术方案，具有显著的技术效果：

本发明的有益效果是：针对卷烟机重量控制系统启动位置参数人工经验设置方法不合理造成烟支浪费的问题，每次停机时都根据前几次停机的数据训练预测模型，模型进行在线学习，并将本次停机数据代入模型，快速给出下次开机的推荐目标位置，此目标位置可有效降低卷烟机开机阶段烟支重量偏差收敛时间，减少成品烟支的浪费。

且该方法具有自成长性，预测模型应用后首先可优化系统状态，优化后的系统又可反馈改善模型，从而随着系统数据积累不断在线学习和优化，能使系统达到一种良性循环的状态。并且该方法具有较好的鲁棒性，可以有效避免某一次生产状态突变对整体预测结果可能造成的跳变影响。

本发明所提供的一种基于GPR模型的烟支重量控制系统启动位置预测方法及系统，可解决目前卷烟行业一个成品烟支浪费的痛点问题，将卷烟机启动位置设置由当前的粗放式、经验依赖、人工干预的状态，改善为数据驱动、模型化、预测性的状态，具有不可估量的经济效益和社会效益。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明的整体流程示意图；

图2是图1的详细流程示意图；

图3为本发明一实施例中采用GPR模型预测的卷烟机重量控制系统启动位置与实际的启动位置对比图；

图4为本发明一实施例中采用GPR模型预测的烟支重量控制系统启动位置预测残差图；

图5是本发明的整体系统结构示意图。

附图中的标号：100、数据获取处理模块；200、模型构建模块；300、残差预测模型构建模块；400、修正输出模块；210、初始化单元；220、超参数确定单元；310、预测结果获取单元；320、建立训练样本单元；330、构建预测模型单元；340、计算单元；

具体实施方式

下面结合实施例对本发明做进一步的详细说明，以下实施例是对本发明的解释而本发明并不局限于以下实施例。

本发明公开了：

一种基于GPR模型的烟支重量控制系统启动位置预测方法，如图1所示，包括以下步骤：

S100、获取停机前卷烟机重量控制系统平准器目标位置数据和启动后的目标位置数据，对停机前目标位置数据和启动后目标位置数据分别提取特征变量集和目标变量集；

S200、将所述特征变量集和所述目标变量集作为训练样本，初始化并训练GPR模型；

S300、根据本次停机前的目标位置数据通过构建好的GPR模型得到启动位置的预测值，通过所述启动位置的预测值与实际值计算获得其预测残差，并进一步构建残差预测GPR模型，得到残差的预测值；

S400、利用所述残差的预测值对所述启动位置的预测值进行修正，得到重量控制系统启动位置输出值。

在步骤S200中，所述将所述特征变量集和所述目标变量集作为训练样本，初始化并训练GPR模型的具体步骤为：

S210、初始化过程：采用平方指数协方差函数，设定协方差函数和超参数初始值；

S220、建立所述训练样本条件概率的负对数似然函数，根据负对数似然函数对超参数求偏导数；采用共轭梯度法对所述偏导数进行最小化处理，得到GPR模型的超参数的最优解，通过超参数的最优解建立GPR模型。

更具体地，本实施例的具体过程如下：

初始化过程时，采用平方指数协方差函数，并设定协方差函数和超参数初始值；变量T_p,T_q的平方指数协方差函数为：

式中：T_p,T_q为步骤中所得特征变量集T中的任意元素；

为数据方差；M＝diag(b²)为对角矩阵，其阶数与T_p的维数一致，b为方差尺度；

模型的超参数为：

式中

为观测噪声方差。

建立训练样本条件概率的负对数似然函数：

式中：

K_n＝(k_pq)为n×n阶对称正定的协方差矩阵，K_pq＝k(T_P,T_q)为T_P,T_q的平方指数协方差函数；F为目标变量集。

令负对数似然函数L(θ)对超参数θ求偏导数；

式中：α＝C^-1；tr()表示矩阵的迹；

采用共轭梯度法对偏导数

进行最小化，从而得到超参数

的最优解。

在步骤S300中，所述根据本次停机前的目标位置数据通过构建好的GPR模型得到启动位置的预测值，通过所述启动位置的预测值与实际值计算获得其预测残差，并进一步构建残差预测GPR模型，得到残差的预测值的具体步骤为：

S310、将本次停机前的目标位置数据代入到构建好的所述GPR模型中，得到启动位置的预测值；

S320、利用所述启动位置的预测值与实际值获得每次预测的残差，建立残差集，利用所述残差集建立第一特征变量集和第一目标变量集，在此，利用所述残差集建立第一特征变量集和第一目标变量集的过程为：从所述残差集中第一个元素开始依次取出连续j个残差作为特征变量，相应地，取出第j+1个残差作为目标变量，依次类推，可构建共l-j个特征变量集与l-j个目标变量集；

S330、根据所述第一特征变量集和所述第一目标变量集，构建用于进行残差预测的残差预测GPR模型；

S340、将启动位置的预测值代入所述残差预测GPR模型，得到本次预测残差的预测值。

本实施例中，假设取前10次预测结果的残差集

从残差集E中第一个元素开始取出连续5个残差作为特征变量，相应的，取出第6个残差作为目标变量，依次类推，可构建共5个特征变量集E_T＝{E_Tk＝{e_k,e_k+1...e_k+4}|k＝1,2...5}与5个目标变量集E_F＝{e₆,e₇...e₁₀}；

利用特征变量集E_T与目标变量集E_F，按照步骤S200的步骤建立用于残差预测的残差预测GPR模型；

将残差集{e₆,e₇,e₈,e₉,e₁₀}作为特征变量代入所建立的残差预测GPR模型，获得本次预测残差的预测值e^*；

将本次停机前的目标位置数据作为系统观测量T*代入GPR模型，则可得到启动位置的预测值f*：

式中：K(T^*，T)＝{k(T^*，T)|k＝1，2，...，n}为T^*和T之间的1×n阶协方差矩阵；k(T^*，T_k)为T^*和T_k的协方差函数；k(T^*，T_k)的表达式为平方指数协方差函数表达式；K_n＝(k_pq)为n×n阶对称正定的协方差矩阵；k_pq＝k(T_p，T_q)为T_p，T_q的平方指数协方差函数；I_n为n维单位矩阵。

在步骤S400中，所述利用所述残差的预测值对所述启动位置的预测值进行修正，得到重量控制系统启动位置输出值，具体是指，利用残差预测修正启动位置的预测值，修正的启动位置的预测值为：修正值＝启动位置的预测值+残差的预测值，修正值即为启动位置输出值。在此，用公式表示为启动位置的预测值修正为

f^*为预测值，e^*为残差预测值，

即为给出的最终重量控制系统启动位置输出值。

具体实施例：

针对当前应用广泛的ZJ112型卷接机组来结合上述方法进行验证，如图2所示为本发明于此实施例中所提供的基于在线学习GPR模型的烟支重量控制系统启动位置预测的流程图，包含该方法在本实施例中应用的具体实施步骤：

卷烟机停机后，读取其前n＝5次停机数据中，停机前平准器目标位置数据与启动后的目标位置数据；

对停机前平准器目标位置数据进行标准化，截取停机前3分钟的数据，不足3分钟者利用其前一次数据补齐，如上利用停机前平准器目标位置构建目标变量集T＝{T_k|k＝1,2,…,5}；

计算启动后前3秒的目标位置均值，获得目标变量集F＝{f_k|k＝1,2,…,5}；

GPR模型构建：

GPR模型初始化：可采用平方指数协方差函数，并设定协方差函数和超参数初始值；变量T_p,T_q的平方指数协方差函数为：

式中：T_p,T_q为步骤中所得特征变量集T中的任意元素；

为数据方差；M＝diag(b²)为对角矩阵，其阶数与T_p的维数一致，b为方差尺度；

GPR模型的超参数为：

式中

为观测噪声方差。

建立训练样本条件概率的负对数似然函数：

式中：

K_n＝(k_pq)为n×n阶对称正定的协方差矩阵，K_pq＝k(T_P,T_q)为T_P,T_q的平方指数协方差函数；F为目标变量集。

令负对数似然函数L(θ)对超参数θ求偏导数；

其中：α＝C^-1；tr()表示矩阵的迹；

采用共轭梯度法对偏导数

进行最小化，从而得到超参数

的最优解。

将本次停机前3分钟的目标位置数据作为系统观测量T^*代入GPR模型，则可得到启动位置的预测值f^*：

式中：K(T^*，T)＝{k(T^*，T)|k＝1，2，...，n}为T^*和T之间的1×n阶协方差矩阵；k(T^*，T_k)为T^*和T_k的协方差函数；k(T^*，T_k)的表达式取平方指数协方差函数表达式；K_n＝(k_pq)为n×n阶对称正定的协方差矩阵，k_pq＝k(T_p，T_q)为T_p，T_q的平方指数协方差函数，I_n为n维单位矩阵。

残差预测：

取前10次预测结果的残差集

从残差集E中第一个元素开始取出连续5个残差作为特征变量，相应的，取出第6个残差作为目标变量，依次类推，可构建共5个特征变量集E_T＝{E_Tk＝{e_k,e_k+1...e_k+4}|k＝1,2...5}与5个目标变量集E_F＝{e₆,e₇...e₁₀}；

利用5个特征变量集E_T与5个目标变量集E_F，采用步骤S200的方法建立用于残差预测的残差预测GPR模型；

将残差集作为特征变量代入所建立的残差预测GPR模型，获得本次预测残差的预测值e^*。

预测结果输出：利用所得预测值f^*与所得残差预测值e^*，将启动位置的预测值修正为

即为给出的最终重量控制系统启动位置输出值。

经过某ZJ112型卷接机组115次停机的数据验证，采用基于GPR模型的烟支重量控制系统启动位置预测方法及系统，对启动位置的预测结果如图3所示，预测结果与实际启动位置之间对比误差较小，如图4所示，均方根误差为0.41，准确度已经非常理想，此方法应用到生产中，可极大降低卷烟机启动阶段的烟支损耗。

本发明还公开了：

一种基于在线学习GPR模型的烟支重量控制系统启动位置预测系统，如图5所示，包括数据获取处理模块100、模型构建模块200、残差预测模型构建模块300和修正输出模块400；

所述数据获取处理模块100，用于获取停机前卷烟机重量控制系统平准器目标位置数据和启动后的目标位置数据，对停机前目标位置数据和启动后目标位置数据分别提取特征变量集和目标变量集；

所述模型构建模块200，用于将所述特征变量集和所述目标变量集作为训练样本，初始化并训练GPR模型；

所述残差预测模型构建模块300，用于根据本次停机前的目标位置数据通过构建好的GPR模型得到启动位置的预测值，通过所述启动位置的预测值与实际值计算获得其预测残差，并进一步构建残差预测GPR模型，得到残差的预测值；

所述修正输出模块400，用于利用残差的预测值对启动位置的预测值进行修正，得到重量控制系统启动位置输出值。

更进一步地，所述模型构建模块200包括初始化单元210和超参数确定单元220；

所述初始化单元210，用于初始化过程：采用平方指数协方差函数，设定协方差函数和超参数初始值；

所述超参数确定单元220，用于建立所述训练样本条件概率的负对数似然函数，根据负对数似然函数对超参数求偏导数；采用共轭梯度法对所述偏导数进行最小化处理，得到GPR模型的超参数的最优解，通过超参数的最优解建立GPR模型。

于其他实施例中，所述残差预测模型构建模块300包括预测结果获取单元310、建立训练样本单元320、构建预测模型单元330和计算单元340；

所述预测结果获取单元310，用于将本次停机前的目标位置数据代入到构建好的所述GPR模型中，得到启动位置的预测值；

所述建立训练样本单元320，用于利用所述启动位置的预测值与实际值获得每次预测的残差，建立残差集，利用所述残差集建立第一特征变量集和第一目标变量集；

所述构建预测模型单元330，用于根据所述第一特征变量集和所述第一目标变量集，构建用于进行残差预测的残差预测GPR模型；

所述计算单元340，用于将启动位置的预测值代入所述残差预测GPR模型，得到本次预测残差的预测值。

本发明还公开了：

一种计算机可读存储介质，其存储有计算机程序，该程序被处理器执行时实现基于GPR模型的烟支重量控制系统启动位置预测方法及系统的步骤。

对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

需要说明的是：

说明书中提到的“一个实施例”或“实施例”意指结合实施例描述的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，说明书通篇各个地方出现的短语“一个实施例”或“实施例”并不一定均指同一个实施例。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

此外，需要说明的是，本说明书中所描述的具体实施例，其零、部件的形状、所取名称等可以不同。凡依本发明专利构思所述的构造、特征及原理所做的等效或简单变化，均包括于本发明专利的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离本发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (10)

1.一种基于GPR模型的烟支重量控制系统启动位置预测方法，其特征在于包括以下步骤：

获取停机前卷烟机重量控制系统平准器目标位置数据和启动后的目标位置数据，对停机前目标位置数据和启动后目标位置数据分别提取特征变量集和目标变量集；

将所述特征变量集和所述目标变量集作为训练样本，初始化并训练GPR模型；

根据本次停机前的目标位置数据通过构建好的GPR模型得到启动位置的预测值，通过所述启动位置的预测值与实际值计算获得其预测残差，并进一步构建残差预测GPR模型，得到残差的预测值；

利用所述残差的预测值对所述启动位置的预测值进行修正，得到重量控制系统启动位置输出值。

2.根据权利要求1所述的基于GPR模型的烟支重量控制系统启动位置预测方法，其特征在于，将所述特征变量集和所述目标变量集作为训练样本，初始化并训练GPR模型的具体步骤为：

初始化过程：采用平方指数协方差函数，设定协方差函数和超参数初始值；

训练过程：建立所述训练样本条件概率的负对数似然函数，根据负对数似然函数对超参数求偏导数；采用共轭梯度法对所述偏导数进行最小化处理，得到GPR模型的超参数的最优解，最终建立GPR模型。

3.根据权利要求2所述的基于GPR模型的烟支重量控制系统启动位置预测方法，其特征在于，所述根据本次停机前的目标位置数据通过构建好的GPR模型得到启动位置的预测值，通过所述启动位置的预测值与实际值计算获得其预测残差，并进一步构建残差预测GPR模型，得到残差的预测值的具体步骤为：

将本次停机前的目标位置数据代入到构建好的所述GPR模型中，得到启动位置的预测值；

利用所述启动位置的预测值与实际值获得每次预测的残差，建立残差集，利用所述残差集建立第一特征变量集和第一目标变量集；

根据所述第一特征变量集和所述第一目标变量集，构建用于进行残差预测的残差预测GPR模型；

将启动位置的预测值代入所述残差预测GPR模型，得到本次预测残差的预测值。

4.根据权利要求3所述的基于GPR模型的烟支重量控制系统启动位置预测方法，其特征在于，所述利用所述残差集建立第一特征变量集和第一目标变量集的过程为：

从所述残差集中第一个元素开始依次取出连续j个残差作为特征变量，相应地，取出第j+1个残差作为目标变量，依次类推，可构建共l-j个特征变量集与l-j个目标变量集。

5.根据权利要求3所述的基于GPR模型的烟支重量控制系统启动位置预测方法，其特征在于，所述利用所述残差的预测值对所述启动位置的预测值进行修正，得到重量控制系统启动位置输出值，具体是指，

利用残差预测修正启动位置的预测值，修正的启动位置的预测值为：修正值＝启动位置的预测值+残差的预测值，修正值即为启动位置输出值。

6.根据权利要求1所述的基于GPR模型的烟支重量控制系统启动位置预测方法，其特征在于，每一次停机都根据前几次停机的数据训练GPR模型和残差预测GPR模型，GPR模型和残差预测GPR模型分别进行在线学习。

7.一种基于GPR模型的烟支重量控制系统启动位置预测系统，其特征在于，包括数据获取处理模块、模型构建模块、残差预测模型构建模块和修正输出模块；

所述数据获取处理模块，用于获取停机前卷烟机重量控制系统平准器目标位置数据和启动后的目标位置数据，对停机前目标位置数据和启动后目标位置数据分别提取特征变量集和目标变量集；

所述模型构建模块，用于将所述特征变量集和所述目标变量集作为训练样本，初始化并训练GPR模型；

所述残差预测模型构建模块，用于根据本次停机前的目标位置数据通过构建好的GPR模型得到启动位置的预测值，通过所述启动位置的预测值与实际值计算获得其预测残差，并进一步构建残差预测GPR模型，得到残差的预测值；

所述修正输出模块，用于利用残差的预测值对启动位置的预测值进行修正，得到重量控制系统启动位置输出值。

8.根据权利要求7所述的基于GPR模型的烟支重量控制系统启动位置预测系统，其特征在于，所述模型构建模块包括初始化单元和超参数确定单元；

所述初始化单元，用于初始化过程：采用平方指数协方差函数，设定协方差函数和超参数初始值；

所述超参数确定单元，用于建立所述训练样本条件概率的负对数似然函数，根据负对数似然函数对超参数求偏导数；采用共轭梯度法对所述偏导数进行最小化处理，得到GPR模型的超参数的最优解，通过超参数的最优解建立GPR模型。

9.根据权利要求8所述的基于GPR模型的烟支重量控制系统启动位置预测系统，其特征在于，所述残差预测模型构建模块包括预测结果获取单元、建立训练样本单元、构建预测模型单元和计算单元；

所述预测结果获取单元，用于将本次停机前的目标位置数据代入到构建好的所述GPR模型中，得到启动位置的预测值；

所述建立训练样本单元，用于利用所述启动位置的预测值与实际值获得每次预测的残差，建立残差集，利用所述残差集建立第一特征变量集和第一目标变量集；

所述构建预测模型单元，用于根据所述第一特征变量集和所述第一目标变量集，构建用于进行残差预测的残差预测GPR模型；

所述计算单元，用于将启动位置的预测值代入所述残差预测GPR模型，得到本次预测残差的预测值。

10.一种计算机可读存储介质，其存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-6任意一项所述方法的步骤。

Images