一种基于多层感知机的烟叶复烤段关键参数筛选方法技术

本发明专利技术公开了一种基于多层感知机的烟叶复烤段关键参数筛选方法，所述方法包括：采集数据并存储进入关系型数据库中，并对各组数据进行分析；清洗数据，将未达到生产指标的数据剔除，并以此构建模型训练用数据集；进行关联分析筛选出关键参数，进一步筛选数据，选取合理的输入输出用以训练模型；使用模型对生产参数进行预测，并以预测数据反向推断参数筛选是否正确。本发明专利技术可以更好的利用多维度的烟草生产大数据，通过构建多层感知机模型，实现既能根据目前生产参数正向预测生产结果，又能根据当前环境及生产要求反向推荐生产工艺指标，提高生产效率，保证生产品质，降低生产成本。降低生产成本。降低生产成本。

【技术实现步骤摘要】
一种基于多层感知机的烟叶复烤段关键参数筛选方法


[0001]本专利技术涉及一种烤烟生产过程中的智能控制领域，具体为一种基于多层感知机的烟叶复烤段关键参数筛选方法。

技术介绍

[0002]烟叶复烤，是将初烤烟叶再次进行回潮，加热干燥和冷却处理，使烟叶含水率控制在一定范围内，促进烟叶理化特点朝有利于加工的方向变化，提高烟叶品质，有利于烟叶长期贮存和醇化的工艺过程。
[0003]复烤段总体分为三大部分：干燥、冷却、回潮。叶梗分离后叶片就进入了复烤阶段，干燥包括6个干燥区(60～100℃)，采用低温慢烤的方式，烟叶的铺设厚度不能过厚，否则会影响烟叶含水均匀性，一般铺料厚度不超过170mm，热风是空间性的，烟叶四周均受热。一般水分要干燥至8％～10％；接着进入冷却区，采用室温进行冷却，要冷却到40度以下，防止回潮区产生冷凝水。回潮分为4个区，通过向压力低的回潮筒内输入蒸汽，可以增加烟叶的温度和含水率，回潮区关键工艺参数是排潮风机频率和热风温度，一般出口水分控制在11％～13％。
[0004]为了进一步实现智能控制，规范生产过程，提高工艺管理水平。本专利技术建立模型给出复烤段各重要参数的设定值，以此满足烟叶出口温度和出口水分的要求。

技术实现思路

[0005]本专利技术的目的在于提供一种基于多层感知机的烟叶复烤段关键参数筛选方法，通过模型计算，预测最优生产参数，制定生产策略，以解决烟草生产中智能控制缺失，生产参数严重依赖人工经验问题。
[0006]为实现上述目的，本专利技术提供如下技术方案，包括以下步骤：Step1、以秒为单位实时采集关键参数数据存入关系数据库中，并对各组数据进行分析；
[0007]Step2、清洗数据，将未达到稳定生产指标的数据及粗大误差数据剔除，并以此构建模型训练用数据集；
[0008]Step 3、进行关联分析筛选出关键参数，进一步筛选数据，选取合理的输入输出用以训练模型；
[0009]Step 4、使用模型对生产参数进行预测，并以预测数据反向验证参数筛选是否正确；
[0010]所述Step2分为两个步骤：
[0011]Step2
‑
1、清洗残缺数据，将不齐全的一组数据直接删除；
[0012]Step2
‑
2、将未达标数据剔除；
[0013]所述Step3分为三个步骤：
[0014]Step3
‑
1、对步骤2最终得到的数据进行关联分析，构建其相关矩阵，得到采集数据之间的关联性热力图；
[0015]所述相关矩阵公式如下：
[0016][0017]其中x
i
表示第i个数据，x
j
表示第j个数据；
[0018]i,j∈[1,m]，m为关键数据数量；
[0019]其中：表示数据的均值，n表示数据的大小，即所有的参量，包括环境变量，控制变量；σ
i
和σ
j
分别表示第i个数据和第j个数据的标准差；
[0020]Step3
‑
2、根据Step3
‑
1得到的关联性热力图，选取参数作为模型的输入与输出；
[0021]参数选取分为两个阶段，(1)以经验操作值作为推荐值，作为基础选择；(2)有了数据积累后，借助机器学习技术，通过上述关联分析选取参数，分别构建正向预测模型，和反向寻优模型，其中正向预测模型通过目前工艺参数以及环境温湿度预测生产结果，即工艺参数、环境温湿度作为自变量x，质量参数为因变量y。反向寻优模型通过目前环境温湿度以及预达到的生产目标对工艺参数进行预测推荐，即目标质量参数、环境温湿度作为自变量x，工艺参数作为因变量y。
[0022]其中关联分析是为工艺参数选择提供依据，在数据量较小时，通过数据库以经验操作值作为推荐值，供操作人员选择；在有了数据积累后，借助机器学习技术，通过建模方法，结合关联分析，找出工艺参数设置和质量结果之间的关联，设工艺参数作为自变量x，质量参数为因变量y，构建多层感知机模型，通过反向传播不断改进优化模型参数。实现智能控制模型在长期工作中筛选的自优化值，作为工艺参数的设定值，不需要再靠工艺人员依据有限的试验次数来确定的工艺参数的设定值。最终通过对在大量试验中不断积累的各类加工工序参数、原料参数、评价结果等核心数据进行系统分析，形成优化的基于分组加工模式下的各种生产工艺技术参数，并将其快速、准确地通过生产执行系统对生产设备进行有效控制。
[0023]Step3
‑
3、运用机器学习技术，通过关联分析选取参数，分别构建正向预测模型，和反向寻优模型，正向预测模型和反向寻优模型均采用多层感知机构建；
[0024]所述正向预测模型通过目前工艺参数以及环境温湿度预测生产结果；反向寻优模型通过目前环境温湿度以及预达到的生产目标对工艺参数进行预测推荐；
[0025]多层感知机整体公式如下：
[0026]F(X)＝g(W2(W1X+b1)+b2)
[0027]其中x是输入层的输入；
[0028]w1是输入层到隐藏层的权重；
[0029]w2是隐藏层到输出层的权重；
[0030]b1是输入层到隐藏层的偏置；
[0031]b2是隐藏层到输出层的偏置；此时只有一层隐藏层；
[0032]其中输入层到隐藏层的公式如下：
[0033]f(X1)＝W1X1+b1[0034]其中x1是输入；
[0035]其中w1是输入层权重；
[0036]其中b1是输入层偏置；
[0037]在输入层到隐藏层的过程中，前一层的输出会作为当前层的输入，计算规则常为：权重与输入之间的乘积和+偏置的值；上示公式表示当前输入为X1时，它经过当前层转换的公式。其中，W为权重，b为偏置，其中权重需要使用正态分布的随机数进行初始化，给权重参数增加一些噪声来打破完全对称并避免0梯度；其中偏置一般初始化为0，在模型学习过程中通过反向传播来修正，得到最后的值。
[0038]函数f采用的为默认的ReLu函数，公式如下，
[0039]f(X)＝max(0，X)；
[0040]在神经网络中使用ReLu激活作为非线性变换得到的输出结果如下：
[0041]Output＝max(0，W
T
X+B)；
[0042]X表示输入；
[0043]w
T
权重矩阵；
[0044]B表示偏置；
[0045]其中隐藏层到输出层的公式如下：
[0046]g(X2)＝W2X2+b2[0047]x2表示隐藏层到输出层的输入；
[0048]w2表示隐藏层到输出层的权重矩阵；
[0049]b2表示隐藏层到输出层的偏置；
[0050]Step 4、使用Step3
‑
3的反向寻优模型预测工艺参数的设定，再将预测得到的生产参数值带入正向预测的模型中验证，如果预测结果本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多层感知机的烟叶复烤段关键参数筛选方法，其特征在于：包括以下步骤：Step1、以秒为单位实时采集关键参数数据存入关系数据库中，并对各组数据进行分析；Step2、清洗数据，将未达到稳定生产指标的数据及粗大误差数据剔除，并以此构建模型训练用数据集；Step3、进行关联分析筛选出关键参数，进一步筛选数据，选取合理的输入输出用以训练模型；Step4、使用模型对生产参数进行预测，并以预测数据反向验证参数筛选是否正确；所述Step2分为两个步骤：Step2
‑
1、清洗残缺数据，将不齐全的一组数据直接删除；Step2
‑
2、将未达标数据剔除；所述Step3分为三个步骤：Step3
‑
1、对步骤2最终得到的数据进行关联分析，构建其相关矩阵，得到采集数据之间的关联性热力图；所述相关矩阵公式如下：其中x
i
表示第i个数据，x
j
表示第j个数据；i,j∈[1,m]，m为关键数据数量；其中：表示数据的均值，n表示数据的大小，即所有的参量，包括环境变量，控制变量；σ
i
和σ
j
分别表示第i个数据和第j个数据的标准差；Step3
‑
2、根据Step3
‑
1得到的关联性热力图，选取参数作为模型的输入与输出；Step3
‑
3、运用机器学习技术，通过关联分析选取参数，分别构建正向预测模型，和反向寻优模型，正向预测模型和反向寻优模型均采用多层感知机构建；所述正向预测模型通过目前工艺参数以及环境温湿度预测生产结果；反向寻优模型通过目前环境温湿度以及预达到的生产目标对工艺参数进行预测推荐；多层感知机整体公式如下：F(X)＝g(W2(W1X+b1)+b2)其中x是输入层的输入；w1是输入层到隐藏层的权重；w2是隐藏层到输出层的权重；b1是输入层到隐藏层的偏置；b2是隐藏层到输出层的偏置；此时只有一层隐藏层；其中输入层到隐藏层的公式如下：f(X1)＝W1X1+b1其中x1是输入；其中w1是输入层权重；其中b1是输入层偏...

【专利技术属性】
技术研发人员：李俊，崔焰，朱毓航，杨博，李晓冬，李云，毛林伟，卢沛临，陈云，李昀欣，
申请(专利权)人：昆明海阔科技有限公司，
类型：发明
国别省市：