CN115251445A - 一种松散回潮机出口烟叶含水率的控制方法 - Google Patents

Abstract

一种松散回潮机出口烟叶含水率的控制方法。本发明采集一个月内的生产过程数据和环境数据作为历史数据；获取最近N＝15批数据；建立线性回归模型Ⅰ求解获得贮叶柜出柜含水率；建立概率分布模型求解获得回潮机出口烟叶含水率设定值；建立线性回归模型Ⅱ，求解获得松散回潮加水累计量初值；建立机器学习预测模型，求解获得回潮机出口烟叶含水率的预测值；采用优化算法对各烟丝产量阶段松散回潮加水流量进行推优；根据预测模型输出的回潮机出口烟叶含水率与回潮机出口烟叶含水率实际值的偏差，调节松散回潮加水流量。其有益效果是，提高预测模型的预测准确性，改善控制效果，减少人力的输入，达到提高回潮烟叶质量和降低成本的目的。

Description

一种松散回潮机出口烟叶含水率的控制方法

技术领域

本发明涉及一种烟叶含水率的控制方法，尤其是涉及一种松散回潮机出口烟叶含水率的控制方法，属于烟草生产加工设备技术领域。

背景技术

在烟草生产各环节中，烟叶回潮环节的水分控制，包括松散回潮加水流量，直接对其后续的回潮环节烟丝的品质控制起重要影响。松散回潮是烟叶加工的首道核心工序，其松散回潮出口烟叶含水率稳定性对后续各工序工艺指标有着直接的影响。由于片烟物理特性变化、来料流量波动、测量滞后性、环境温湿度等因素影响，导致松散回潮工序出口烟叶含水率在实际生产中存在波动性较大，回潮出口烟叶含水率与标准值之间产生较大的偏差，控制效果较差，烟叶含水率不稳定，需要人工干预，生产成本升高。

发明内容

为了克服现有烟叶加工的松散回潮工序中存在的上述不足，本发明提供一种松散回潮机出口烟叶含水率的控制方法。

本发明解决其技术问题所采用的技术方案是：一种松散回潮机出口烟叶含水率的控制方法，其步骤是：

S1、采集一个月内的生产过程数据和环境数据，进行数据预处理并存入数据库作为历史数据。

对历史数据进行数据清洗与预处理，数据清洗与预处理的方法包括剔除空值、剔除异常值。

S2、获取最近N＝15批数据，并求出每批样本数据的平均值。

S3、采用线性回归方法建立贮叶柜出柜含水率的线性回归模型Ⅰ，求解获得贮叶柜出柜含水率。

S4、以水分差和线性回归模型Ⅰ求解得出的贮叶柜出柜含水率为变量，建立以回潮机出口烟叶含水率设定值为目标值的概率分布模型，求解获得回潮机出口烟叶含水率设定值。

所述水分差为历史数据中贮叶柜出柜含水率与回潮机出口烟叶含水率设定值的差值。

S5、以所述概率分布模型求解得到的回潮机出口烟叶含水率设定值以及回潮机环境温度、回潮机环境湿度、切片回潮电子秤累计量为变量，采用线性回归方法建立以松散回潮加水累计量初值为目标值的线性回归模型Ⅱ，求解获得松散回潮加水累计量初值。

S6、将回潮机出口烟叶含水率作为目标值，选取松散回潮加水流量作为输入值中的可控变量，采用相关性分析方法选择相关性系数r≥0.5的量作为相关性变量，

S7、将步骤S6中的所述相关性变量作为输入，目标值回潮机出口烟叶含水率作为输出，采用机器学习算法进行训练，得到机器学习预测模型。

基于机器学习建立的回潮机出口烟叶含水率预测模型，求解获得回潮机出口烟叶含水率的预测值。

S8、根据步骤S4所述概率分布模型得出的回潮机出口烟叶含水率设定值作为预测模型的推优目标值，采用优化算法对各烟丝产量阶段松散回潮加水流量进行推优。

S9、根据步骤S5所述线性回归模型Ⅱ得到的松散回潮加水累计量初值，通过所述步骤S6中的公式(1)将松散回潮积水累计量初值换算成松散回潮加水流量，作为开始生产时松散回潮加水流量初始值。

根据预测模型输出的回潮机出口烟叶含水率与回潮机出口烟叶含水率实际值的偏差，调节松散回潮加水流量，

当偏差绝对值＜0.3％时，则将回潮出口含水率维持不变；

当偏差绝对值≥0.3％时，采用步骤S8所述优化算法求解最优加水流量。

进一步，在步骤S1中，所述生产过程数据包括增温增湿设备入口烟丝含水率、贮叶柜出柜水分、回潮机出口含水率设定值、切片回潮电子秤累计量、松散回潮入口秤流量、回潮加水薄膜阀实际开度、增温增湿薄膜阀开度、松散回潮机水流量、松散回潮蒸汽流量、松散回潮热风温度、松散回潮新风温度、松散回潮卸出罩压力、松散回潮回风温度、加料机入口秤流量、切片回潮电子秤累计量。

所述环境数据包括烘丝机环境温度、烘丝机环境湿度、回潮机环境温度、回潮机环境湿度。

进一步，在所述步骤S2中，求出最近N＝15批生产过程数据和环境数据的平均值，作为线性回归模型Ⅰ、概率分布模型、线性回归模型Ⅱ的拟合数据。

进一步，在步骤S3中，所述以贮叶柜出柜含水率为目标值的线性回归模型Ⅰ表达式为，

Y₁＝2.19486-0.07020X₁-0.05841X₂+1.18721X₃ (2)

式中：

Y₁——贮叶柜出柜含水率

X₁——烘丝机环境温度

X₂——烘丝机环境湿度

X₃——增温增湿设备入口烟丝含水率。

进一步，在步骤S5中，所述以松散回潮加水累计量初值为目标的线性回归模型Ⅱ表达式为，

Y₂＝-3395.52679+11.93938X₄-0.65249X₅+109.58232X₆+0.12824X₇ (3)

式中：

Y₂——松散回潮加水累计量初值

X₄——回潮机环境温度

X₅——回潮机环境湿度

X₆——回潮机出口烟叶含水率设定值

X₇——切片回潮电子秤累计量。

进一步，在步骤S6中，所述相关性系数r＜0.3为不存在相关性，0.3≤r＜0.5为低度相关性，0.5≤r＜0.8为显著相关性，0.8≤r≤1.0为高度相关性；

所述相关性变量包括：松散回潮入口称流量、回潮加水薄膜阀实际开度、增温湿薄膜阀开度、松散回潮加水流量、松散回潮蒸汽流量、松散回潮热风温度、松散回潮新风温度、松散回潮卸出罩压力、松散回潮回风温度、回潮机环境温度、回潮机环境湿度、加料机入口称流量、切片回潮电子秤累计量。

对数据中各变量之间采用相关性分析方法进行两两分析，选取回潮机出口烟叶含水率目标值与相关性系数r≥0.5的相关性变量作为步骤S7中预测模型的变量。

将采集的生产过程数据和环境数据存储至数据库中。优选的，所述数据库以预设时间间隔对数据库进行数据更新，并利用更新后的数据库对回潮机出口烟叶含水率预测模型进行数据更新。

进一步，在步骤S8中，利用所述优化算法求解最优松散回潮加水流量。

进一步，在所述步骤S9的生产过程中，按烟丝总产量的0、25％、50％、75％、100％为节点划分为初始、第一、第二、第三等四个阶段，

当烟丝总产量0％≤烟丝产量<烟丝总产量25％时，以线性回归模型Ⅱ求解得到的松散回潮加水累计量初值作为初始阶段的加水流量值；

当烟丝总产量25％≤烟丝产量<烟丝总产量50％时，将概率分布模型求解得到的回潮机出口烟丝含水率设定值作为推优目标值，采用优化算法对预测模型进行推优，求解得到烟丝生产总量25％时刻的松散回潮加水流量推优值作为第一阶段的加水流量推优值；

当烟丝总产量50％≤烟丝产量<烟丝总产量75％时，将概率分布模型求解得到的回潮机出口烟丝含水率设定值作为推优目标值，采用优化算法对预测模型进行推优，求解得到烟丝生产总量50％时刻的松散回潮加水流量推优值作为第二阶段的加水流量推优值；

当烟丝总产量75％≤烟丝产量＜烟丝总产量100％时，将概率分布模型求解得到的回潮机出口烟丝含水率设定值作为推优目标值，采用优化算法对预测模型进行推优，求解得到烟丝生产总量75％时刻的松散回潮加水流量推优值作为第三阶段的加水流量推优值。

本发明的有益效果是，采用相关性分析方法选出对系统影响比较大的变量，并对历史数据进行数据预处理；通过建立线性回归模型Ⅰ、概率分布模型、线性回归模型Ⅱ、基于机器学习算法建立预测模型，当预测模型输出的预测目标值与实际目标值的偏差≥0.3％时，利用优化算法对预测模型进行优化，通过参数优化方案，利用优化算法与机器学习预测模型求解最优松散回潮加水流量，并自动调节加水流量值以提供回潮机出口烟叶含水率的控制精度，提高预测模型的预测准确性，改善控制效果，并且减少人力的输入，达到提高回潮烟叶质量和降低成本的目的。

附图说明

图1是本发明中线性回归与概率分布模型建模流程图。

图2是本发明中机器学习模型建模流程图。

图3是本发明中生产运行阶段控制逻辑图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明。但是，本领域技术人员应该知晓的是，本发明不限于所列出的具体实施方式，只要符合本发明的精神，都应该包括于本发明的保护范围内。

参见附图1-3。本发明松散回潮机出口烟叶含水率的控制方法，其步骤如下：

S1、采集一个月内的生产过程数据和环境数据，进行数据预处理并存入数据库作为历史数据。

对历史数据进行数据清洗与预处理，数据清洗与预处理的方法包括剔除空值、剔除异常值。

进一步，所述生产过程数据包括增温增湿设备入口烟丝含水率、贮叶柜出柜水分、回潮机出口含水率设定值、切片回潮电子秤累计量、松散回潮入口秤流量、回潮加水薄膜阀实际开度、增温增湿薄膜阀开度、松散回潮机水流量、松散回潮蒸汽流量、松散回潮热风温度、松散回潮新风温度、松散回潮卸出罩压力、松散回潮回风温度、加料机入口秤流量、切片回潮电子秤累计量。

进一步，所述环境数据包括烘丝机环境温度、烘丝机环境湿度、回潮机环境温度、回潮机环境湿度。

S2、获取最近N＝15批数据，并求出每批样本数据的平均值。

S3、采用线性回归方法建立贮叶柜出柜含水率的线性回归模型Ⅰ，求解获得贮叶柜出柜含水率。

所述以贮叶柜出柜含水率为目标值的线性回归模型Ⅰ表达式为，

Y₁＝2.19486-0.07020X₁-0.05841X₂+1.18721X₃ (2)

式中：

Y₁——贮叶柜出柜含水率

X₁——烘丝机环境温度

X₂——烘丝机环境湿度

X₃——增温增湿设备(简称HT)入口烟丝含水率。

S4、以水分差和线性回归模型Ⅰ求解得出的贮叶柜出柜含水率为变量，建立以回潮机出口烟叶含水率设定值为目标值的概率分布模型，求解获得回潮机出口烟叶含水率设定值。

所述水分差为历史数据中贮叶柜出柜含水率与回潮机出口烟叶含水率设定值的差值。

S5、以所述概率分布模型求解得到的回潮机出口烟叶含水率设定值以及回潮机环境温度、回潮机环境湿度、切片回潮电子秤累计量为变量，采用线性回归方法建立以松散回潮加水累计量初值为目标值的线性回归模型Ⅱ，求解获得松散回潮加水累计量初值。

所述以松散回潮加水累计量初值为目标的线性回归模型Ⅱ表达式为，

Y₂＝-3395.52679+11.93938X₄-0.65249X₅+109.58232X₆+0.12824X₇ (3)

式中：

Y₂——松散回潮加水累计量初值

X₄——回潮机环境温度

X₅——回潮机环境湿度

X₆——回潮机出口烟叶含水率设定值

X₇——切片回潮电子秤累计量。

S6、将回潮机出口烟叶含水率作为目标值，选取松散回潮加水流量作为输入值中的可控变量，采用相关性分析方法选择相关性系数r≥0.5的量作为相关性变量，

当相关性系数r＜0.3为不存在相关性，0.3≤r＜0.5为低度相关性，0.5≤r＜0.8为显著相关性，0.8≤r≤1.0为高度相关性。

所述相关性变量包括：松散回潮入口称流量、回潮加水薄膜阀实际开度、增温湿薄膜阀开度、松散回潮加水流量、松散回潮蒸汽流量、松散回潮热风温度、松散回潮新风温度、松散回潮卸出罩压力、松散回潮回风温度、回潮机环境温度、回潮机环境湿度、加料机入口称流量、切片回潮电子秤累计量等。

S7、将步骤S6中的所述相关性变量作为输入，目标值回潮机出口烟叶含水率作为输出，采用机器学习算法进行训练，得到机器学习预测模型；

基于机器学习建立的回潮机出口烟叶含水率预测模型，求解获得回潮机出口烟叶含水率的预测值。

对数据中各变量之间采用相关性分析方法进行两两分析，选取回潮机出口烟叶含水率目标值与相关性系数r≥0.5的相关性变量作为预测模型的变量。

S8、根据步骤S4所述概率分布模型得出的回潮机出口烟叶含水率设定值作为预测模型的推优目标值，采用优化算法对各烟丝产量阶段松散回潮加水流量进行推优。

利用所述优化算法求解最优松散回潮加水流量。

S9、根据步骤S5所述线性回归模型Ⅱ得到的松散回潮加水累计量初值，通过所述步骤S6中的公式(1)将松散回潮积水累计量初值换算成松散回潮加水流量，作为开始生产时松散回潮加水流量初始值。

根据预测模型输出的回潮机出口烟叶含水率与回潮机出口烟叶含水率实际值的偏差，调节松散回潮加水流量。当偏差绝对值＜0.3％时，则将回潮出口含水率维持不变；当偏差绝对值≥0.3％时，采用步骤S8所述优化算法求解最优加水流量。

在生产过程中，按烟丝总产量的0、25％、50％、75％、100％为节点划分为初始、第一、第二、第三等四个阶段，

当烟丝总产量0％≤烟丝产量<烟丝总产量25％时，以线性回归模型Ⅱ求解得到的松散回潮加水累计量初值作为初始阶段的加水流量值；

当烟丝总产量25％≤烟丝产量<烟丝总产量50％时，将概率分布模型求解得到的回潮机出口烟丝含水率设定值作为推优目标值，采用优化算法对预测模型进行推优，求解得到烟丝生产总量25％时刻的松散回潮加水流量推优值，此推优值作为第一阶段的加水流量推优值；

当烟丝总产量50％≤烟丝产量<烟丝总产量75％时，将概率分布模型求解得到的回潮机出口烟丝含水率设定值作为推优目标值，采用优化算法对预测模型进行推优，求解得到烟丝生产总量50％时刻的松散回潮加水流量推优值，此推优值作为第二阶段的加水流量推优值；

当烟丝总产量75％≤烟丝产量＜烟丝总产量100％时，将概率分布模型求解得到的回潮机出口烟丝含水率设定值作为推优目标值，采用优化算法对预测模型进行推优，求解得到烟丝生产总量75％时刻的松散回潮加水流量推优值，此推优值作为第三阶段的加水流量推优值。

在生产调控与建模过程中，松散回潮加水流量比松散回潮加水累计量表达的更直观、更准确。

进一步，在所述步骤S2中，求出最近N＝15批生产过程数据和环境数据的平均值，作为线性回归模型Ⅰ、概率分布模型、线性回归模型Ⅱ的拟合数据。

将采集的生产过程数据和环境数据存储至数据库中；所述数据库以预设时间间隔对数据库进行数据更新，并利用更新后的数据库对回潮机出口烟叶含水率预测模型进行数据更新。优选的，数据库的数据更新预设时间间隔为200～400秒，当预设时间间隔为250秒、300秒、350秒时更佳。

本发明松散回潮机出口烟叶含水率的控制方法，通过搭建机器学习模型，采用相关性分析方法选出对系统影响比较大的变量；通过参数优化方案，根据需要的回潮出口含水率优化出各个节点的回潮加水流量，自动调节可控变量，减少人力的输入，达到提高烟丝质量和降低成本的目的。

应该注意的是上述实施例是示例而非限制本发明，本领域技术人员将能够设计很多替代实施例而不脱离本专利的权利要求范围。

Claims (10)

1.一种松散回潮机出口烟叶含水率的控制方法，其步骤是：

S1、采集一个月内的生产过程数据和环境数据，进行数据预处理并存入数据库作为历史数据；

对历史数据进行数据清洗与预处理，数据清洗与预处理的方法包括剔除空值、剔除异常值；

S2、获取最近N＝15批数据，并求出每批样本数据的平均值；

S3、采用线性回归方法建立贮叶柜出柜含水率的线性回归模型Ⅰ，求解获得贮叶柜出柜含水率；

S4、以水分差和线性回归模型Ⅰ求解得出的贮叶柜出柜含水率为变量，建立以回潮机出口烟叶含水率设定值为目标值的概率分布模型，求解获得回潮机出口烟叶含水率设定值；

所述水分差为历史数据中贮叶柜出柜含水率与回潮机出口烟叶含水率设定值的差值；

S5、以所述概率分布模型求解得到的回潮机出口烟叶含水率设定值以及回潮机环境温度、回潮机环境湿度、切片回潮电子秤累计量为变量，采用线性回归方法建立以松散回潮加水累计量初值为目标值的线性回归模型Ⅱ，求解获得松散回潮加水累计量初值；

S6、将回潮机出口烟叶含水率作为目标值，选取松散回潮加水流量作为输入值中的可控变量，采用相关性分析方法选择相关性系数r≥0.5的量作为相关性变量，

S7、将步骤S6中的所述相关性变量作为输入，目标值回潮机出口烟叶含水率作为输出，采用机器学习算法进行训练，得到机器学习预测模型；

基于机器学习建立的回潮机出口烟叶含水率预测模型，求解获得回潮机出口烟叶含水率的预测值；

S8、根据步骤S4所述概率分布模型得出的回潮机出口烟叶含水率设定值作为预测模型的推优目标值，采用优化算法对各烟丝产量阶段松散回潮加水流量进行推优；

S9、根据步骤S5所述线性回归模型Ⅱ得到的松散回潮加水累计量初值，通过所述步骤S6中的公式(1)将松散回潮积水累计量初值换算成松散回潮加水流量，作为开始生产时松散回潮加水流量初始值；

根据预测模型输出的回潮机出口烟叶含水率与回潮机出口烟叶含水率实际值的偏差，调节松散回潮加水流量，

当偏差绝对值＜0.3％时，则将回潮出口含水率维持不变；

当偏差绝对值≥0.3％时，采用步骤S8所述优化算法求解最优加水流量。

2.根据权利要求1所述松散回潮机出口烟叶含水率的控制方法，其特征是：在步骤S1中，

所述生产过程数据包括增温增湿设备入口烟丝含水率、贮叶柜出柜水分、回潮机出口含水率设定值、切片回潮电子秤累计量、松散回潮入口秤流量、回潮加水薄膜阀实际开度、增温增湿薄膜阀开度、松散回潮机水流量、松散回潮蒸汽流量、松散回潮热风温度、松散回潮新风温度、松散回潮卸出罩压力、松散回潮回风温度、加料机入口秤流量、切片回潮电子秤累计量；

所述环境数据包括烘丝机环境温度、烘丝机环境湿度、回潮机环境温度、回潮机环境湿度。

3.根据权利要求1所述松散回潮机出口烟叶含水率的控制方法，其特征是：在所述步骤S2中，求出最近N＝15批生产过程数据和环境数据的平均值，作为线性回归模型Ⅰ、概率分布模型、线性回归模型Ⅱ的拟合数据。

4.根据权利要求1所述松散回潮机出口烟叶含水率的控制方法，其特征是：在步骤S3中，所述以贮叶柜出柜含水率为目标值的线性回归模型Ⅰ表达式为，

Y₁＝2.19486-0.07020X₁-0.05841X₂+1.18721X₃ (2)

式中：

Y₁——贮叶柜出柜含水率

X₁——烘丝机环境温度

X₂——烘丝机环境湿度

X₃——增温增湿设备入口烟丝含水率。

5.根据权利要求1所述松散回潮机出口烟叶含水率的控制方法，其特征是：在步骤S5中，所述以松散回潮加水累计量初值为目标的线性回归模型Ⅱ表达式为，

Y₂＝-3395.52679+11.93938X₄-0.65249X₅+109.58232X₆+0.12824X₇ (3)

式中：

Y₂——松散回潮加水累计量初值

X₄——回潮机环境温度

X₅——回潮机环境湿度

X₆——回潮机出口烟叶含水率设定值

X₇——切片回潮电子秤累计量。

6.根据权利要求1所述松散回潮机出口烟叶含水率的控制方法，其特征是：

在步骤S6中，所述相关性系数r＜0.3为不存在相关性，0.3≤r＜0.5为低度相关性，0.5≤r＜0.8为显著相关性，0.8≤r≤1.0为高度相关性；

所述相关性变量包括：松散回潮入口称流量、回潮加水薄膜阀实际开度、增温湿薄膜阀开度、松散回潮加水流量、松散回潮蒸汽流量、松散回潮热风温度、松散回潮新风温度、松散回潮卸出罩压力、松散回潮回风温度、回潮机环境温度、回潮机环境湿度、加料机入口称流量、切片回潮电子秤累计量；

对数据中各变量之间采用相关性分析方法进行两两分析，选取回潮机出口烟叶含水率目标值与相关性系数r≥0.5的相关性变量作为步骤S7中预测模型的变量。

7.根据权利要求1所述松散回潮机出口烟叶含水率的控制方法，其特征是：将采集的生产过程数据和环境数据存储至数据库中。

8.根据权利要求7所述松散回潮机出口烟叶含水率的控制方法，其特征是：所述数据库以预设时间间隔对数据库进行数据更新，并利用更新后的数据库对回潮机出口烟叶含水率预测模型进行数据更新。

9.根据权利要求1所述松散回潮机出口烟叶含水率的控制方法，其特征是：在步骤S8中，利用所述优化算法求解最优松散回潮加水流量。

10.根据权利要求8所述松散回潮机出口烟叶含水率的控制方法，其特征是：在所述步骤S9的生产过程中，按烟丝总产量的0、25％、50％、75％、100％为节点划分为初始、第一、第二、第三等四个阶段，

当烟丝总产量0％≤烟丝产量<烟丝总产量25％时，以线性回归模型Ⅱ求解得到的松散回潮加水累计量初值作为初始阶段的加水流量值；

当烟丝总产量25％≤烟丝产量<烟丝总产量50％时，将概率分布模型求解得到的回潮机出口烟丝含水率设定值作为推优目标值，采用优化算法对预测模型进行推优，求解得到烟丝生产总量25％时刻的松散回潮加水流量推优值作为第一阶段的加水流量推优值；

当烟丝总产量50％≤烟丝产量<烟丝总产量75％时，将概率分布模型求解得到的回潮机出口烟丝含水率设定值作为推优目标值，采用优化算法对预测模型进行推优，求解得到烟丝生产总量50％时刻的松散回潮加水流量推优值作为第二阶段的加水流量推优值；

当烟丝总产量75％≤烟丝产量＜烟丝总产量100％时，将概率分布模型求解得到的回潮机出口烟丝含水率设定值作为推优目标值，采用优化算法对预测模型进行推优，求解得到烟丝生产总量75％时刻的松散回潮加水流量推优值作为第三阶段的加水流量推优值。

Images