基于MCF-TransGRU的卷烟烘丝工艺质量多步预测方法技术

本发明专利技术公开了一种基于MCF‑TransGRU的卷烟烘丝工艺质量多步预测方法，包括：收集预设时间下卷烟制丝车间中薄板烘丝工艺生产线的时间序列数据，构成样本数据集；对样本数据集进行预处理，获得预处理后的数据集；按照时间顺序，划分预处理后的数据集为训练集数据、验证集数据和测试集数据，用于模型训练和性能评估；通过多尺度卷积融合模块、改进的Transformer模块和基于残差的门控循环单元模块构建MCF‑TransGRU多步预测模型；依据训练集数据、验证集数据，对构建的MCF‑TransGRU多步预测模型进行训练，调整超参数；利用训练好的MCF‑TransGRU多步预测模型对测试集数据/待测薄板烘丝工艺生产线时间序列数据进行预测。本发明专利技术通过多步预测能够提供未来多个时间点的质量指标预测结果，为后续的生产调控决策提供指导。

【技术实现步骤摘要】

本专利技术涉及一种基于mcf-transgru的卷烟烘丝工艺质量多步预测方法，属于烟草加工质量指标预测领域。

技术介绍

1、卷烟烘丝工艺是烟草生产中的关键环节，工艺质量不仅影响烟草的口感和香气，还直接关系到产品的市场竞争力。卷烟烘丝工艺涉及到多个物理和化学过程，操作过程中需要不断调整温度、湿度、气流等变量，这些变量的微小变化可能会导致最终产品质量的显著变化，因此，对工艺过程进行准确的预测和控制是非常重要的。

2、由于工艺过程中的参数和环境条件都具有强烈的时间依赖性，传统的预测方法往往难以全面捕捉到这些复杂的时间序列信息。传统的时间序列预测方法通常包括自回归模型、滑动平均模型以及基本的回归分析，这些方法在处理静态数据和线性关系方面表现良好，但在面对非线性、复杂的时间序列数据时，其预测性能和准确性往往受到限制，特别是在处理多步预测任务时，传统方法难以有效捕捉到数据中的长期依赖关系和非线性模式，因此，卷烟烘丝工艺质量的准确多步预测，已成为制约工艺质量和资源利用率的进一步提升的瓶颈，亟待解决。

技术实现思路

<本文档来自技高网...

【技术保护点】

1.一种基于MCF-TransGRU的卷烟烘丝工艺质量多步预测方法，其特征在于，包括：

2.根据权利要求1所述的基于MCF-TransGRU的卷烟烘丝工艺质量多步预测方法，其特征在于，所述构成样本数据集，具体为：依据卷烟制丝车间中薄板烘丝工艺的具体流程，确定工艺参数和质量指标；依据确定的工艺参数和质量指标，收集预设时间下的时间序列数据构成样本数据集；其中，工艺参数为多个，质量指标为一个。

3.根据权利要求1所述的基于MCF-TransGRU的卷烟烘丝工艺质量多步预测方法，其特征在于，所述预处理包括：先对样本数据集中的样本数据进行料头料尾去除，再对数据中的空缺值进行...

【技术特征摘要】

1.一种基于mcf-transgru的卷烟烘丝工艺质量多步预测方法，其特征在于，包括：

2.根据权利要求1所述的基于mcf-transgru的卷烟烘丝工艺质量多步预测方法，其特征在于，所述构成样本数据集，具体为：依据卷烟制丝车间中薄板烘丝工艺的具体流程，确定工艺参数和质量指标；依据确定的工艺参数和质量指标，收集预设时间下的时间序列数据构成样本数据集；其中，工艺参数为多个，质量指标为一个。

3.根据权利要求1所述的基于mcf-transgru的卷烟烘丝工艺质量多步预测方法，其特征在于，所述预处理包括：先对样本数据集中的样本数据进行料头料尾去除，再对数据中的空缺值进行均值填充，接着运用3sigma准则对样本数据进行剔除；对经过3sigma准则判断的样本数据集进行归一化处理。

4.根据权利要求1所述的基于mcf-transgru的卷烟烘丝工艺质量多步预测方法，其特征在于，所述mcf-transgru多步预测模型用于根据预测步长的不同，将预处理后数据集中的样本数据作为输入，分别送入并行的不同一维卷积核组合进行多尺度特征提取，各个尺度提取的特征会被拼接融合，作为多尺度卷积融合模块的输出；随后输入改进的transformer模块，以进一步提取更深层次的特征；改进的transformer模块的输出输入到gru网络中，残差模块通过将gru网络的输入与经过gru网络的非线性变换后的输出相加，使得g...

【专利技术属性】
技术研发人员：阴艳超，张家刚，潘欣，唐军，易斌，冯根昌，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：