【技术实现步骤摘要】
本申请涉及烟草加工，具体而言，涉及基于机器学习的叶片加料出口水分预测方法及装置。
技术介绍
1、在卷烟制造工艺过程中，烟草制丝加工工艺是卷烟制造过程中的重要环节，烟草制丝加工工艺的工序较多、加工方法也较为复杂，它是实现卷烟产品设计要求及提升产品加工质量的重要保障，烟叶制丝加工过程包括：切片、松散回潮、润叶加料、贮叶、切丝、叶丝增温增湿、叶丝干燥、加香等，其中，润叶加料出口水分是制丝生产环节的一项重要工艺指标，其直接影响成品烟丝的质量。
2、目前，卷烟厂制丝车间润叶加料出口水分一般由工艺人员或岗位操作人员按经验设定，但当环境温湿度变化时，往往由经验设定的加料出口水分，无法满足叶丝干燥所需要的干燥水分，需调整筒壁温度的幅度较大，超出了标准要求的控制范围，影响了成品烟丝内在质量。
技术实现思路
1、有鉴于此，本申请的目的在于提供一种基于机器学习的叶片加料出口水分预测方法及装置，能够根据大数据归纳环境温湿度变化下加料出口水分的变化规律，提供一种可靠的加料出口水分预测模型，解决依靠人工经验预测造成加料水分设定不准确的问题。
2、第一方面，本申请实施例提供了一种基于机器学习的叶片加料出口水分预测方法，包括以下步骤：
3、获取牌号对应的批次加料出口水分、烘丝筒壁温度平均值、牌号对应的筒壁温度标准中心值环境，以及温度、湿度历史数据平均值；所述批次加料出口水分为烟叶加料筒出口水分仪采集的批次水分平均值；所述烘丝筒壁温度平均值为叶丝烘丝筒内温度检测仪采集的批次的烘丝
4、按一定规则清洗所采集到的上述数据；
5、第一次定义数据：以烘丝筒壁温度为变量，加料出口水分、环境温度、环境湿度为自变量；
6、机器学习算法初始化，获得初始化参数和训练数据集；所述初始化参数为设定烘丝筒壁温度目标值预测模型的最初参数；所述训练数据集用于提取第一次定义数据对烘丝筒壁温度目标值预测模型进行训练；
7、使用训练数据集对烘丝筒壁温度目标值预测模型训练，得到初步筒壁温度模型；
8、进行第二次定义数据，得到初步加料出口水分的预测模型；：以加料出口水分为变量，环境温度、环境湿度为自变量，筒壁温度标准中心值为常量，获得第二次定义数据；提取第二次定义数据作为转换训练集，得到初步加料出口水分的预测模型；
9、获取加料生产工单牌号，在加料操作屏内显示即将生产牌号所需加料出口水分；
10、计算烘丝筒温误差，确定模型：计算所述筒壁温度实际值与筒壁温度标准中心值的差值；基于所述差值确定所述加料出口水分模型是否准确：所述差值在设置范围内，则按所述模型预测的加料出口水分生产；所述差值超出所设置范围，则调整机器学习算法初始化参数。
11、可选地，一定规则为剔除烘丝工序每天生产的首批数据以及生产过程中筒壁温度超出控制范围的批次数据。
12、可选地，将第一次定义后的数据进行机器学习算法初始化，具体包括以下步骤：
13、确定一定长度的训练数据集；
14、确定所述长度训练数据集中对应的最后一行元素的取值是否为空；
15、如果确定对应的最后一行元素的取值为空，则将采集到的加料出口水分、烘丝筒壁温度平均值，环境温度、湿度当天历史数据平均值，放入训练数据集中对应的最后一行非空元素的下一行元素进行存储；
16、如果确定对应的最后一行元素的取值非空，则按照先入先出原则将所述训练数据集中第一行元素对应的加料出口水分、烘丝筒壁温度平均值，环境温度、湿度当天历史数据平均值移出训练数据集，将采集到的加料出口水分、烘丝筒壁温度平均值，环境温度、湿度当天历史数据平均值数据放入训练数据集中最后一行元素中进行存储。
17、可选地，烘丝筒壁温度目标值预测模型训练，得到初步筒壁温度模型的具体方法包括以下步骤：
18、构建参数处理网络；
19、利用特征拼接层后接深度神经网络构建参数融合网络；
20、获得参数交叉网络；所述参数交叉网络分别为加料出口水分交叉网络、环境温度交叉网络、环境湿度交叉网络，且每个参数交叉网络包括：逻辑回归网络、深度神经网络和因子分解机；所述加料出口水分交叉网络、环境温度交叉网络、环境湿度交叉网络之间并行设置；
21、依次连接参数处理网络、参数交叉网络以及参数融合网络，构建烘丝筒壁温度目标值预测模型；
22、将训练数据集输入烘丝筒壁温度目标值预测模型进行训练；
23、通过参数处理网络处理训练数据集，得到初始化参数的特征向量，通过每个参数交叉网络处理初始化参数的特征向量，得到该参数交叉网络对应的交互向量，参数融合网络处理多个交互向量，得到预测结果；
24、根据上述训练，获得初步筒壁温度模型，初步筒壁温度模型的模型形式为：设筒壁温度＝a+b温度+c湿度+d加料出口水分，a、b、c、d均代表不同的常数，可以是正数，也可以是负数。
25、可选地，得到初步加料出口水分的预测模型的具体方法为：
26、构建转换处理网络；
27、利用特征拼接层后接深度神经网络构建转换融合网络；
28、获得数据交叉网络；所述数据交叉网络分别为环境温度交叉网络、环境湿度交叉网络，且每个数据交叉网络包括：逻辑回归网络、深度神经网络和因子分解机；所述环境温度交叉网络、环境湿度交叉网络之间并行设置；
29、依次连接转换处理网络、数据交叉网络以及转换融合网络，构建烘丝筒壁温度目标值预测模型；
30、将转换训练集输入烘丝筒壁温度目标值预测模型进行训练；
31、通过转换处理网络处理转换训练集，得到初始化参数的特征向量，通过每个数据交叉网络处理初始化参数的特征向量，得到该数据交叉网络对应的交互向量，转换融合网络处理多个交互向量，得到预测结果；
32、根据上述训练，获得初步加料出口水分的预测模型，所述初步加料出口水分的预测模型模型形式：设加料出口水分＝(e-a-b温度-c湿度)/d，其中，e代表牌号烘丝工序筒壁温度标准中心值；a、b、c、d均代表不同的常数，可以是正数，也可以是负数。
33、可选地，获取加料生产工单牌号，在加料操作屏内显示即将生产牌号所需加料出口水分，还包括：
34、所预测的加料出口水分，跟随着生产工单下达，植入现场操作系统pid中。
35、可选地，计算烘丝筒温误差，确定模型的具体方法为：设烘丝筒温误差＝|筒壁温度实际值-筒壁温度标准中心值|；
36、如果烘丝筒温误差＜2℃，获得准确的加料出口水分预测模型为现有的加料出口水分预测模型；
37、如果烘丝筒温误差≥2℃，重新设定初始化参数，重新执行机器学习算法初始化。
38、第二方面，一种应用上述方法的叶片加料出口水本文档来自技高网...
【技术保护点】
1.一种基于机器学习的叶片加料出口水分预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，一定规则为剔除烘丝工序每天生产的首批数据以及生产过程中筒壁温度超出控制范围的批次数据。
3.根据权利要求1所述的方法，其特征在于，将第一次定义后的数据进行机器学习算法初始化，具体包括以下步骤：
4.根据权利要求1所述的方法，其特征在于，烘丝筒壁温度目标值预测模型训练，得到初步筒壁温度模型的具体方法包括以下步骤：
5.根据权利要求1所述的方法，其特征在于，得到初步加料出口水分的预测模型的具体方法为：
6.根据权利要求1所述的方法，其特征在于，获取加料生产工单牌号，在加料操作屏内显示即将生产牌号所需加料出口水分，还包括：
7.根据权利要求1所述的方法，其特征在于，计算烘丝筒温误差，确定模型的具体方法为：设烘丝筒温误差＝|筒壁温度实际值-筒壁温度标准中心值|；
8.一种应用权利要求1-7任意一种方法的的叶片加料出口水分预测装置，所述装置包括：
【技术特征摘要】
1.一种基于机器学习的叶片加料出口水分预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，一定规则为剔除烘丝工序每天生产的首批数据以及生产过程中筒壁温度超出控制范围的批次数据。
3.根据权利要求1所述的方法，其特征在于，将第一次定义后的数据进行机器学习算法初始化，具体包括以下步骤：
4.根据权利要求1所述的方法，其特征在于，烘丝筒壁温度目标值预测模型训练，得到初步筒壁温度模型的具体方法包括以下步骤：
...【专利技术属性】
技术研发人员：梁水宁，李云豪，何丽莲，黄国云，李垚，李景欣，农艺舟，饶璧，李丹，卢柏荧，莫礼东，杨仁隆，谢赞吾，王宏年，韦增耀，
申请(专利权)人：广西中烟工业有限责任公司，
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。