一种烟支吸阻预测方法及系统技术方案

本申请提供一种烟支吸阻预测方法及系统，涉及吸阻检测领域，特别是涉及一种烟支吸阻预测方法，包括：获取预先训练得到的吸阻预测模型；将待预测烟支的实时数据输入所述吸阻预测模型，预测得到所述待预测烟支的吸阻数据；其中，所述吸阻预测模型基于历史数据和径向基神经网络训练得到，所述历史数据包括烟支的历史物理指标测试数据和历史辅料设计数据。本申请能够避免吸阻测量滞后性，实现生产场景下的吸阻快速准确预测。阻快速准确预测。阻快速准确预测。

【技术实现步骤摘要】
一种烟支吸阻预测方法及系统


[0001]本申请涉及吸阻检测领域，特别是涉及一种烟支吸阻预测方法；本申请还涉及一种烟支吸阻预测系统。

技术介绍

[0002]卷烟吸阻作为卷烟的重要物理指标，对卷烟的质量有着较大影响，对卷烟吸阻的研究是提升卷烟品质和消费者评吸感官的重要途径。而卷烟吸阻的测定需在生产后通过仪器检测得出，此时发现吸阻数据的问题则已经造成了并行质量损失。另一方面，对于吸阻的测定较为困难，难以得到准确数据，卷烟吸阻受到众多烟支生产与设计因素的影响，且其间存在复杂的非线性关系，实际工程应用中常通过大量的实验反推，或利用计算流体力学来模拟吸阻模型，但这些方法受到操作复杂、执行耗时长、实验成本高等限制，很难直接应用于生产。
[0003]因此，如何避免吸阻测量滞后性，实现生产场景下的吸阻快速准确预测，是本领域技术人员亟待解决的技术问题。

技术实现思路

[0004]为解决上述技术问题，本申请提供一种烟支吸阻预测方法，能够避免吸阻测量滞后性，实现生产场景下的吸阻快速准确预测。本申请还提供一种烟支吸阻预测系统，具有相同的技术效果。
[0005]本申请的第一个目的为提供一种烟支吸阻预测方法。
[0006]本申请的上述申请目的一是通过以下技术方案得以实现的：
[0007]一种烟支吸阻预测方法，包括：
[0008]获取预先训练得到的吸阻预测模型；
[0009]将待预测烟支的实时数据输入所述吸阻预测模型，预测得到所述待预测烟支的吸阻数据；
[0010]其中，所述吸阻预测模型基于历史数据和径向基神经网络训练得到，所述历史数据包括烟支的历史物理指标测试数据和历史辅料设计数据。
[0011]优选地，所述烟支吸阻预测方法中，所述吸阻预测模型通过以下方法训练得到：
[0012]对历史数据进行预处理，得到样本数据；
[0013]对所述样本数据进行筛选，得到关键数据；
[0014]利用所述关键数据训练径向基神经网络，得到吸阻预测模型。
[0015]优选地，所述烟支吸阻预测方法中，所述对历史数据进行预处理，得到样本数据包括：
[0016]根据预设技术标准，对所述历史数据进行剔除处理，得到初筛数据；
[0017]对所述初筛数据进行去除粗大误差处理，得到复筛数据；
[0018]对所述复筛数据进行重新聚类，得到聚类数据；
[0019]对所述聚类数据进行归一化处理，得到所述样本数据。
[0020]优选地，所述烟支吸阻预测方法中，所述对所述样本数据进行筛选，得到关键数据包括：
[0021]根据所述样本数据，建立吸阻的回归模型；
[0022]所述吸阻的回归模型的表达式为：
[0023]y＝β0+β1x1+β2x2+...+β
p
x
n
+ε
[0024]式中，y是指被解释变量，即烟支吸阻；β0是指常数项；β
p
是指回归系数，即样本数据中第p类指标的回归系数；x
n
是指解释变量，即样本数据中第n类指标的数据；ε是指与x
n
独立的残差项；
[0025]根据所述回归模型，建立吸阻的相关性分析模型；
[0026]所述相关性分析模型的表达式为：
[0027][0028][0029]式中，是指L1惩罚范数，即各变量权重绝对值之和；λ1是指随模型调整的超参数；是依据解释变量出现次数的惩罚项；η1和γ1是指自适应惩罚参数；是指系数估计值；
[0030]根据所述相关性分析模型，对所述样本数据进行筛选，得到所述关键数据。
[0031]优选地，所述烟支吸阻预测方法中，所述根据所述相关性分析模型，对所述样本数据进行筛选，得到关键数据包括：
[0032]SA.根据所述相关性分析模型，确定超参数λ1和惩罚项
[0033]SB.根据所述超参数λ1和所述惩罚项得到所述样本数据的系数估计值
[0034]SC.根据所述系数估计值得到稳定性值S
t
；
[0035]SD.判断所述稳定性值S
t
是否大于预设稳定性值，若否，则执行SE，若是，则执行SF；
[0036]SE.对所述超参数λ1和所述惩罚项进行调整，然后返回执行所述SB；
[0037]SF.保留所述系数估计值和所述样本数据；
[0038]SG.判断保留的所述样本数据是否满足预设输出条件，若否，则返回执行所述SE，若是，则执行SH；
[0039]SH.根据保留的所述系数估计值和保留的所述样本数据，得到所述关键数据。
[0040]优选地，所述烟支吸阻预测方法中，所述对所述超参数λ1和所述惩罚项进行调整包括：
[0041]调大所述惩罚项的值；
[0042]对所述超参数λ1进行交叉验证，得到误差最小值，并将所述超参数λ1设为所述误差最小值。
[0043]优选地，所述烟支吸阻预测方法中，所述根据保留的所述系数估计值和保留的所述样本数据，得到所述关键数据之后，还包括：
[0044]根据保留的所述系数估计值得到所述关键数据的贡献度。
[0045]优选地，所述烟支吸阻预测方法中，所述根据保留的所述系数估计值和保留的所述样本数据，得到所述关键数据之后，还包括：
[0046]SI.对所述关键数据进行显著性检验和多重共线性检验，获得检验数据；
[0047]SJ.判断所述检验数据是否符合预设检验标准，若否，则返回执行所述SE，若是，则执行SK；
[0048]SK.判断所述关键数据是否符合预设吸阻原理，若否，则返回执行所述SE，若是，则执行所述利用所述关键数据训练径向基神经网络，得到吸阻预测模型的步骤。
[0049]优选地，所述烟支吸阻预测方法中，所述利用所述关键数据训练径向基神经网络，得到吸阻预测模型包括：
[0050]建立以所述关键数据为输入，吸阻为输出的径向基神经网络；
[0051]以预设误差值为目标，对所述径向基神经网络进行训练，得到所述吸阻预测模型。
[0052]优选地，所述烟支吸阻预测方法中，所述利用所述关键数据训练径向基神经网络，得到吸阻预测模型之后还包括：
[0053]根据所述吸阻预测模型，得到所述吸阻预测模型的预测准确度；
[0054]判断所述预测准确度是否满足预设准确度标准，若是，则执行所述将待预测烟支的实时数据输入所述吸阻预测模型，预测得到所述待预测烟支的吸阻数据的步骤，若否，则返回再次执行所述利用所述关键数据训练径向基神经网络，得到吸阻预测模型的步骤。
[0055]本申请的第二个目的为提供一种烟支吸阻预测系统。
[0056]本申请的上述申请目的二是通过以下技术方案得以实现的：
[0057]一种烟支吸阻预测系统，包括：
[0058]模型获取单元，用于获取预先训练得到的吸阻预测模型；
[0059]吸阻预测单元，用于将待预本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种烟支吸阻预测方法，其特征在于，包括：获取预先训练得到的吸阻预测模型；将待预测烟支的实时数据输入所述吸阻预测模型，预测得到所述待预测烟支的吸阻数据；其中，所述吸阻预测模型基于历史数据和径向基神经网络训练得到，所述历史数据包括烟支的历史物理指标测试数据和历史辅料设计数据。2.如权利要求1所述的烟支吸阻预测方法，其特征在于，所述吸阻预测模型通过以下方法训练得到：对历史数据进行预处理，得到样本数据；对所述样本数据进行筛选，得到关键数据；利用所述关键数据训练径向基神经网络，得到吸阻预测模型。3.如权利要求2所述的烟支吸阻预测方法，其特征在于，所述对历史数据进行预处理，得到样本数据包括：根据预设技术标准，对所述历史数据进行剔除处理，得到初筛数据；对所述初筛数据进行去除粗大误差处理，得到复筛数据；对所述复筛数据进行重新聚类，得到聚类数据；对所述聚类数据进行归一化处理，得到所述样本数据。4.如权利要求3所述的烟支吸阻预测方法，其特征在于，所述对所述样本数据进行筛选，得到关键数据包括：根据所述样本数据，建立吸阻的回归模型；所述吸阻的回归模型的表达式为：y＝β0+β1x1+β2x2+...+β
p
x
n
+ε式中，y是指被解释变量，即烟支吸阻；β0是指常数项；β
p
是指回归系数，即样本数据中第p类指标的回归系数；x
n
是指解释变量，即样本数据中第n类指标的数据；ε是指与x
n
独立的残差项；根据所述回归模型，建立吸阻的相关性分析模型；所述相关性分析模型的表达式为：所述相关性分析模型的表达式为：式中，是指L1惩罚范数，即各变量权重绝对值之和；λ1是指随模型调整的超参数；是依据解释变量出现次数的惩罚项；η1和γ1是指自适应惩罚参数；是指系数估计值；根据所述相关性分析模型，对所述样本数据进行筛选，得到所述关键数据。5.如权利要求4所述的烟支吸阻预测方法，其特征在于，所述根据所述相关性分析模型，对所述样本数据进行筛选，得到关键数据包括：SA.根据所述相关性分析模型，确定超参数λ1和惩罚项SB.根据所述超参数λ1和所述惩罚项得到所述样本数据的系数估计值
SC.根据所述系数估计值得到稳定性值S
t
；SD.判断所述稳定性值S
t
是否大于预设稳定性值，若否，则执行SE，若是，则执行SF；SE.对所述超参数λ1和所述惩罚项进行调整，然后返回执行所述SB；SF.保留所述系数估计值和所述样本数据；SG.判断保留的所述样本数据...

【专利技术属性】
技术研发人员：胡素霞，陈琳，王娜，程占刚，刘峰峰，龚静雯，章新桥，
申请(专利权)人：湖北中烟工业有限责任公司，
类型：发明
国别省市：