System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及滤棒成型,具体涉及一种卷烟滤棒成型机生产过程的重量预测方法及存储介质。
技术介绍
1、由于滤棒的重量对吸阻、硬度等有直接影响,会影响到消费者吸食烟支的体验、烟支充分燃烧的质量以及生产成本的高低,故作为滤棒关键质量参数,重量的控制显得十分重要。
2、目前,主要是通过检测生产出的滤棒重量来反应生产质量,尚未见对滤棒重量进行预测的方法。而进行滤棒重量预测可以指导机台操作工提前对各控制参数进行干预,可以稳定生产指标、降低次品率,从而减少剔除量,进而可以有效地提高滤棒生产的经济效益,并可替代人工离线抽检,以降低劳动强度。
3、基于此,本专利技术提出一种滤棒成型机生产过程中重量参数的预测方法,以指导滤棒生产。
4、随机森林(rf)分类器是一种基于多棵决策树集成学习技术,对非线性问题具有很好的拟合效果且模型泛化能力强。它采用bootstrap采样从原始训练集中得到多个训练子集,对每个子集运用一定的算法进行节点分裂决策树建模,多棵决策树组合构建为随机森林,通过每一棵树的预测投票出最终结果。将滤棒成型机采集到的多个相关变量进行特征重要性分析,算法将每一个特征量对模型结果的影响大小折算为具体数值进行输出,由数值进行排序,进一步挑选出与重量参数呈强相关性的预伸展比、伸展比、松弛比、成束辊速、供给系数、稳定辊压v0、塑化剂喷洒率(甘油)等七种控制变量,从而实现数据降维。
5、bp神经网络,相对于bp网络来说结构及功能更加完整。它在隐含层增加了一个中间层作为延时算子存储数据,神经网络从而获得了
6、本专利技术基于以上三点分析,在国内外对于此类问题研究基础之上,利用随机森林先得出主影响因素,以此作为被jsoa(跳蛛)优化后的bp神经网络的输入,并在此基础上提出一种滤棒成型机生产过程中重量参数的预测方法及存储介质。
技术实现思路
1、为解决上述技术问题,本专利技术提出一种滤棒成型机生产过程中重量参数的预测方法及存储介质。
2、根据第一方面,本专利技术提供了一种卷烟滤棒成型机生产过程的重量预测方法,包括以下步骤:
3、s1:获取滤棒重量相关变量的控制参数,并划分训练集及测试集,利用随机森林算法得出滤棒重量相关变量的高重要性控制参数,得到控制参数数据集;
4、s2:构建bp神经网络,并利用跳蛛优化算法对bp神经网络进行优化;
5、s3:利用优化后的bp神经网络对下一时刻的滤棒重量参数进行预测,得出预测结果。
6、进一步地,步骤s2包括:
7、s21:使用tent序列初始化跳蛛种群,个体位置矩阵映射为bp神经网络初始权值矩阵和阈值矩阵,将适应度函数设置为模型预测值和真实值之间的误差函数,由控制参数数据集作为ijsoa-bp神经网络模型训练输入集;
8、s22:在训练输入集上,计算每个个体的适应度函数值,即预测值和真实值之间的误差;
9、s23:根据适应度函数值更新种群位置;
10、s24:判断ijsoa-bp神经网络模型是否达到最大迭代数,若没有达到,则转到s22,若达到,选取最优解作为bp神经网络的各分层权值;
11、进一步地,步骤s23包括:
12、s231:根据概率条件p1=rand(0,1)、p2=rand(0,1)及p3=rand(0,1),选择性以迫害猎物策略或跳上猎物策略或局部搜索策略或局搜索策略更新跳蛛位置,并且进一步利用信息素完成个体优化。
13、进一步地,步骤s231中,选择性以迫害策略、跳上猎物、局部搜索、全局搜索更新跳蛛位置的条件为:
14、当p1≤0.5且p2≤0.5时,选择迫害猎物策略;
15、当p1≤0.5且p2>0.5时,选择跳上猎物策略;
16、当p1>0.5且p3>0.5时,选择全局搜索策略;
17、当p1>0.5且p3≤0.5时,选择局部搜索策略。
18、进一步地,所述信息素的计算公式为:
19、
20、其中,pe(i)为第i只跳蛛个体感受到的信息素;fitness(i)为当前跳蛛个体的适应度函数值,即当前迭代次数下的训练后bp神经网络的预测输出和实际输出的差值;fitnessmax为跳蛛种群最差适应度函数值,fitnessmin为跳蛛种群最优适应度函数值。
21、进一步地,当个体感受到的信息素≤0.3时采用下式进行个体优化:
22、
23、式中:t为当前迭代次数,xi(t+1)为第i只跳蛛在第t+1代的位置向量xbest(t)为最优跳蛛个体;xr1(t)和xr2(t)为随机选择的两个不同个体;σ∈{0,1};
24、当个体感受到的信息素>0.3时,选取此时的最优解,并判断是否达到最大迭代数,若没有达到,则转到s22,若达到,则以此时的最优解作为bp神经网络的各分层权值。
25、进一步地,步骤s1包括:
26、s11:获取滤棒成型机采集的滤棒重量相关变量的控制参数,并划分训练集及测试集;
27、s12:针对随机森林算法中的每一颗决策树,用其对应的袋外数据计算袋外数据误差,记为:err1;
28、s13:随机对袋外数据所有样本的特征x加入噪声干扰,再次计算袋外数据误差,记为err2;所述特征是指滤棒重量相关变量的控制参数;
29、s14:假设森林中有n棵树,则特征x的重要性=∑(err2-err1)/n,袋外数据准确率大幅度下降特征重要性程度较高;
30、s15:在特征重要性的基础上进行特征选择,得到袋外误差率最低的特征集;
31、s16:对随机森林模型进行可视化分析,从袋外误差率最低的特征集中挑选出相应的控制参数,得到控制参数数据集。
32、进一步地,步骤s15包括:
33、s151:计算每个特征的重要性,并按降序进行排序;
34、s152:确定要剔除的比例,依据特征重要性剔除相应比例的特征,得到一个新的特征集;
35、s153:用新的特征集重复上述过程,直到剩下所设定的m个特征;
36、s154:根据上述过程中得到的各个特征集和特征集对应的袋外误差率,选择袋外误差率最低的特征集。
37、进一步地,所述滤棒重量相关变量所对应的控制参数包括:预伸展比、伸展比、松弛比、成束辊速、供给系数、稳定辊压和塑化剂喷洒率。
38、根据第二方面,本专利技术还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序能够被处理器执行以实现上述方法的步骤。
39、相比现有技术,本专利技术的有益效果:
40、本专利技术采用rf算法降低数据维度作为预测模型的输入。以模型训练中预测值和实际值的误差作为目标函数,使用跳蛛优化本文档来自技高网...
【技术保护点】
1.一种卷烟滤棒成型机生产过程的重量预测方法,其特征在于,包括以下步骤:
2.如权利要求1所述的方法,其特征在于,步骤S2包括:
3.如权利要求2所述的方法,其特征在于,步骤S23包括:
4.如权利要求3所述的方法,其特征在于,步骤S231中,选择性以迫害策略、跳上猎物、局部搜索、全局搜索更新跳蛛位置的条件为:
5.如权利要求3所述的方法,其特征在于,所述信息素的计算公式为:
6.如权利要求5所述的方法,其特征在于,当个体感受到的信息素≤0.3时采用下式进行个体优化:
7.如权利要求1所述的方法,其特征在于,步骤S1包括:
8.如权利要求7所述的方法,其特征在于,步骤S15包括:
9.如权利要求1所述的方法,其特征在于,所述滤棒重量相关变量所对应的控制参数包括:预伸展比、伸展比、松弛比、成束辊速、供给系数、稳定辊压和塑化剂喷洒率。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序能够被处理器执行以实现如权利要求1-9中任一项所述方法的步骤。
...【技术特征摘要】
1.一种卷烟滤棒成型机生产过程的重量预测方法,其特征在于,包括以下步骤:
2.如权利要求1所述的方法,其特征在于,步骤s2包括:
3.如权利要求2所述的方法,其特征在于,步骤s23包括:
4.如权利要求3所述的方法,其特征在于,步骤s231中,选择性以迫害策略、跳上猎物、局部搜索、全局搜索更新跳蛛位置的条件为:
5.如权利要求3所述的方法,其特征在于,所述信息素的计算公式为:
6.如权利要求5所述的方法,其特征在于,当个体感受到的信...
【专利技术属性】
技术研发人员:罗运河,段青娜,沙利波,邱潇,张卓杨,高阔,李淑梅,李佳燕,李敏娴,刘力文,尹斌,李春宏,张仁耀,
申请(专利权)人:红云红河烟草集团有限责任公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。