一种控制烘丝入***水率的方法和***
技术领域
本发明涉及烘丝技术领域,尤其涉及一种控制烘丝入***水率的方法和***。
背景技术
烟草含水率控制是烟草行业关注的重要课题,其主要难点在于烘丝之前各工艺段含水率控制难度较大,主要是影响烟草含水率的因素较多,如环境温湿度,留柜时长,加水比例、蒸汽比例等。
目前烟草制丝的生产前的工单往往只下达了一个加水比例,而该加水比例往往由有经验的员工设定,不同的员工,设定值可能不同,同时,由于影响含水率的因素多,导致烟草质量不稳定。因此有必要提出一种低成本、安全、便捷的智能化的辅助决策方案,帮助烟草制丝车间提供一个较准确可靠的加水比例,从而达到烘丝入***水率的控制。
发明内容
本发明为解决上述技术问题,提供了一种控制烘丝入***水率的方法和***,在不改变制丝生产线任何结构和原理、不增加额外测点、不影响正常生产的前提下,通过机器学习的方法,提供安全、便捷、合理的加水比例建议,并预测出各阶段含水量的变化量,以及中间松散出口、润叶入口、润叶出口、烘丝入口这四个位置的含水率预测,从而达到烘丝入***水率的控制。
一种控制烘丝入***水率的方法,采集历史操作的基础工况信息,不同的基础工况建立不同的工作模型。所述基础工况包括烘丝入口前的加工阶段影响烘丝入***水率的主要因素的相应参数,所述加工阶段包括:松散阶段、预混柜阶段、润叶加料阶段和贮叶阶段,其中,所述松散阶段的主要因素包括:加水比例、蒸汽比例、松散回风温度、松散物料流量、压空到松散的加料比例、松散环境温湿度、松散水分变化量;所述预混柜阶段的主要因素包括:预混柜的环境温湿度、预混柜时长、预混柜水分变化量;所述润叶加料阶段的主要因素包括:加料回风温度、加料物料流量、加料蒸汽补偿实际比例、压空到加料的加料比例、加料的环境温湿度、润叶加料水分变化量;所述贮叶阶段的主要因素包括:贮叶柜环境温湿度、贮叶环境温湿度、贮叶柜时长、贮叶水分变化量。
建立机器学习模型,所述机器学习模型包括编码单元、优化目标和变量编码;其中,所述编码单元是模型的主要信息单元,是机器学习的知识点,包括基础工况信息及与每组基础工况信息对应的松散出口水分仪零点值、加料入口水分仪零点值、加料出口水分仪零点值和烘丝入口水分仪零点值;控制烘丝入***水率为所述优化目标;所述变量编码是模型定位的一种编码,由各阶段各变量计算得出,实现各变量对模型的映射,即根据变量可以快速找到相应的模型,所述变量为基础工况信息中的一种或多种的组合;所述工作模型通过变量编码与编码单元一一对应,通过对应关系指示机器学习任务将工作模型派给哪个编码单元,或者当前工作模型从哪个编码单元获取历史操作信息。
给出下单时产线上各个测点获得的当前的加工阶段的基础工况信息、松散出口水分仪零点值、加料入口水分仪零点值、加料出口水分仪零点值、烘丝入口水分仪零点值和烘丝入***水率设定值,得到变量编码,匹配到编码单元,计算得到预混柜阶段、润叶加料阶段和贮叶阶段三个阶段的阶段水分变化量,最后得到松散阶段的加水比例,生成优化方案。
可选的,在制丝实际生产中,开始阶段往往是个循序渐进的过程,是倒“U”的动态数据,无法稳定反应实际变量与相关因素的关系,为进一步提升优化方案的可靠度,前面N分钟数据是不加以处理为变量编码的,即所述机器学习模型的学习过程中剔除产线中非稳定数据,不加以处理为变量编码,所述非稳定数据包括产线工作起始阶段的数据、生产中断料时间段内的数据、远超设定的正常范围内的异常数据,数据的筛选大大提高了最后优化方案的精准性。
可选的,所述机器学习模型根据不同的加工阶段建立不同的模型,形成多阶段串联模型,并针对各个加工阶段分别进行Pearson相关性分析,筛选出相关性显著性强的变量,再对所筛选出的变量进行变量编码。即在各个加工阶段中,相关性较小的变量不在模型的考虑范围,模型只考虑如何优化相关性较大的变量来达到控制烘丝入***水率,大大提高了预测效率和预测准确度。
在获得优化方案时,先通过产线工作前就能获得的变量去预测各个加工阶段的水分变化量,再通过各阶段水分变化量,从烘丝入***水率设定值依次反推出润叶加料出***水率、润叶加料入***水率、松散出***水率以及松散阶段水分变化量。
可选的,所述变量编码是整型的数据类型存储的,它代表了加水比例、蒸汽比例、回风温度、物料流量、压空到松散的加料比例、松散环境温湿度等各阶段因变量,具体计算公式为:变量编码=取整函数((变量–变量最低值)/变量步长)。
生成优化方案时,如果存在当前变量对应的变量编码样本则直接使用,如果不存在则通过最小二乘法、线性回归、支持向量机方法去计算,预测,生成优化方案,当再次遇到相同情况时,可以减少训练的过程,直接匹配到历史值作为加水比例的预测,大大提高了效率,且精确度也有所提高。
可选的,采集各个加工阶段水分变化量的计算公式为:
所述松散水分变化量=(松散出***水率-松散出口水分仪零点值)-松散入口默认含水率;
所述预混柜水分变化量(润叶入***水率-润叶入口水分仪零点值)-(松散出***水率-松散出口水分仪零点值);
所述润叶加料水分变化量=(润叶出***水率-润叶出口水分仪零点)-(润叶入***水率-润叶入口水分仪零点值);
所述贮叶水分变化量=(烘丝入***水率-烘丝入口水分仪零点值)-(润叶出***水率-润叶出口水分仪零点值);
其中,含水率通过水分仪测得。
在通过烘丝入***水率逆推计算各个出入***水率时,计算公式为:
润叶出***水率=(烘丝入***水率-烘丝入口水分仪零点值)-贮叶水分变化量+润叶出口水分仪零点值;
润叶入***水率=(润叶出***水率-润叶出口水分仪零点值)-润叶水分变化量+润叶入口水分仪零点值;
松散出***水率=(润叶入***水率-润叶入口水分仪零点值)-预混柜水分变化量+松散出口水分仪零点值;
松散水分变化量=(松散出***水率-松散出口水分仪零点值)-松散入口默认含水率。
可选的,所述机器学习模型,建立变量编码溯源机制,每条优化方案都可追溯到变量编码的源头,用户查询该优化方案的依据如牌号、批次、时间、生产线、基础工况、操作状态等信息,使优化方案更具有合理性和安全可信性。
对应的,一种控制烘丝入***水率的***,以控制烘丝入***水率为目标,包括基础工况信息采集模块和机器学习模型。
所述基础工况信息采集模块包括安装在制丝生产线上的检测装置。
所述基础工况信息包括烘丝入口前的加工阶段影响烘丝入***水率的主要因素的相应参数,所述加工阶段包括:松散阶段、预混柜阶段、润叶加料阶段和贮叶阶段;其中,所述松散阶段的主要因素包括:加水比例、蒸汽比例、松散回风温度、松散物料流量、压空到松散的加料比例、松散环境温湿度、松散水分变化量;所述预混柜阶段的主要因素包括:预混柜的环境温湿度、预混柜时长、预混柜水分变化量;所述润叶加料阶段的主要因素包括:加料回风温度、加料物料流量、加料蒸汽补偿实际比例、压空到加料的加料比例、加料的环境温湿度、润叶加料水分变化量;所述贮叶阶段的主要因素包括:贮叶柜环境温湿度、贮叶环境温湿度、贮叶柜时长、贮叶水分变化量;一种基础工况信息对应一种工作模型;
所述机器学习模型包括变量编码、编码单元和优化目标。
所述编码单元包括包括基础工况信息及与每组基础工况信息对应的松散出口水分仪零点值、加料入口水分仪零点值、加料出口水分仪零点值和烘丝入口水分仪零点值。
控制烘丝入***水率为所述优化目标。
所述工作模型通过变量编码与编码单元一一对应,所述变量编码由基础工况信息中的一种变量或多种变量的组合计算得出,实现基础工况信息对编码单元的映射,指示机器学习任务将工作模型派给哪个编码单元以及当前基础工况信息从哪个编码单元获取历史操作信息。
给出下单时产线上各个测点获得的当前的加工阶段的基础工况信息、松散出口水分仪零点值、加料入口水分仪零点值、加料出口水分仪零点值、烘丝入口水分仪零点值和烘丝入***水率设定值,得到变量编码,得到编码单元,计算得到预混柜阶段、润叶加料阶段和贮叶阶段三个阶段的阶段水分变化量,最后得到松散阶段的加水比例,生成优化方案。
可选的,所述机器学习模型根据不同的加工阶段建立不同的模型,形成多阶段串联模型,并针对各个加工阶段分别进行Pearson相关性分析,筛选出相关性显著性强的变量,再对所筛选出的变量进行变量编码。
可选的,所述变量编码是整型的数据类型存储的,具体计算公式如为:变量编码=取整函数((变量–变量最低值)/变量步长);,生成优化方案时,如果存在当前变量对应的变量编码样本则直接使用,如果不存在则通过最小二乘法、线性回归、支持向量机方法去计算,预测,生成优化方案。
由上述对本发明的描述可知,和现有技术相比,本发明具有如下优点:
1、通过历史操作,获取相应基础工况信息的加水比例,达到对烘丝入口水分的精确控制的目的;
2、建立多阶段串联模型,只考虑相关性强的因素,大大提高预测的效率;
3、记录历史操作,使得每个优化方案都可以追溯到源头,使优化方案更具有合理性和安全可信性。
4、通过变量编码,将大量的历史数据样本精编为一个不重复、高价值的编码库,大大降低了内存空间,且提高了模型训练效率。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
其中:
图1是本发明一种控制烘丝入***水率的方法的实现示意图;
图2是本发明基础工况信息的组成示意图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚、明白,以下结合附图和实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
实施例一:一种控制烘丝入***水率的方法,请参阅图1,采集历史操作的基础工况信息,不同的基础工况建立不同的工作模型;
建立机器学习模型,所述机器学习模型包括编码单元、优化目标和变量编码;控制烘丝入***水率为所述优化目标,所述工作模型通过变量编码与编码单元一一对应;
给出下单时产线上各个测点获得的当前的加工阶段的基础工况信息、松散出口水分仪零点值、加料入口水分仪零点值、加料出口水分仪零点值、烘丝入口水分仪零点值和烘丝入***水率设定值,得到变量编码,匹配到编码单元,计算得到预混柜阶段、润叶加料阶段和贮叶阶段三个阶段的阶段水分变化量,最后得到松散阶段的加水比例,生成优化方案。
如下表为测试检验效果表,通过给定的烘丝入***水率设定值,即可到推出润叶出***水率、润叶入***水率、松散出***水率和加水比例,用所述方法预测出的水分变化量推出来的各出入***水率与实测值误差极小,基本控制在0.5允差范围内,甚至大部分达到了0.2的优秀允差范围内,且加水比例也是与实测值偏差极小。
表1.测试检验效果
请参阅图2,所述基础工况包括烘丝入口前的加工阶段影响烘丝入***水率的主要因素的相应参数,所述加工阶段包括:松散阶段、预混柜阶段、润叶加料阶段和贮叶阶段,其中,所述松散阶段的主要因素包括:加水比例、蒸汽比例、松散回风温度、松散物料流量、压空到松散的加料比例、松散环境温湿度、松散水分变化量;所述预混柜阶段的主要因素包括:预混柜的环境温湿度、预混柜时长、预混柜水分变化量;所述润叶加料阶段的主要因素包括:加料回风温度、加料物料流量、加料蒸汽补偿实际比例、压空到加料的加料比例、加料的环境温湿度、润叶加料水分变化量;所述贮叶阶段的主要因素包括:贮叶柜环境温湿度、贮叶环境温湿度、贮叶柜时长、贮叶水分变化量。
所述编码单元是模型的主要信息单元,是机器学习的知识点,包括基础工况信息及与每组基础工况信息对应的松散出口水分仪零点值、加料入口水分仪零点值、加料出口水分仪零点值和烘丝入口水分仪零点值;控制烘丝入***水率为所述优化目标;所述变量编码是模型定位的一种编码,由各阶段各变量计算得出,实现各变量对模型的映射,即根据变量可以快速找到相应的模型,所述变量为基础工况信息中的一种或多种的组合;所述工作模型通过变量编码与编码单元一一对应,通过对应关系指示机器学习任务将工作模型派给哪个编码单元,或者当前工作模型从哪个编码单元获取历史操作信息。
采集各个加工阶段水分变化量的计算公式为:
所述松散水分变化量=(松散出***水率-松散出口水分仪零点值)-松散入口默认含水率;
所述预混柜水分变化量(润叶入***水率-润叶入口水分仪零点值)-(松散出***水率-松散出口水分仪零点值);
所述润叶加料水分变化量=(润叶出***水率-润叶出口水分仪零点)-(润叶入***水率-润叶入口水分仪零点值);
所述贮叶水分变化量=(烘丝入***水率-烘丝入口水分仪零点值)-(润叶出***水率-润叶出口水分仪零点值);
其中,含水率通过水分仪测得。
在通过烘丝入***水率逆推计算各个出入***水率时,计算公式为:
润叶出***水率=(烘丝入***水率-烘丝入口水分仪零点值)-贮叶水分变化量+润叶出口水分仪零点值;
润叶入***水率=(润叶出***水率-润叶出口水分仪零点值)-润叶水分变化量+润叶入口水分仪零点值;
松散出***水率=(润叶入***水率-润叶入口水分仪零点值)-预混柜水分变化量+松散出口水分仪零点值;
松散水分变化量=(松散出***水率-松散出口水分仪零点值)-松散入口默认含水率。
实施例二,在制丝实际生产中,开始阶段往往是个循序渐进的过程,是倒“U”的动态数据,无法稳定反应实际变量与相关因素的关系,为进一步提升优化方案的可靠度,前面N分钟数据是不加以处理为变量编码的,即所述机器学习模型的学习过程中剔除产线中非稳定数据,不加以处理为变量编码,所述非稳定数据包括产线工作起始阶段的数据、生产中断料时间段内的数据、远超设定的正常范围内的异常数据,数据的筛选大大提高了最后优化方案的精准性。
实施例三,所述机器学习模型根据不同的加工阶段建立不同的模型,形成多阶段串联模型,并针对各个加工阶段分别进行Pearson相关性分析,筛选出相关性显著性强的变量,再对所筛选出的变量进行变量编码。即在各个加工阶段中,相关性较小的变量不在模型的考虑范围,模型只考虑如何优化相关性较大的变量来达到控制烘丝入***水率,大大提高了预测效率和预测准确度。
在获得优化方案时,先通过产线工作前就能获得的变量去预测各个加工阶段的水分变化量,再通过各阶段水分变化量,从烘丝入***水率设定值依次反推出润叶加料出***水率、润叶加料入***水率、松散出***水率以及松散阶段水分变化量。
本实施例中,所述变量编码是整型的数据类型存储的,它代表了加水比例、蒸汽比例、回风温度、物料流量、压空到松散的加料比例、松散环境温湿度等各阶段因变量,具体计算公式为:变量编码=取整函数((变量–变量最低值)/变量步长)。
生成优化方案时,如果存在当前变量对应的变量编码样本则直接使用,如果不存在则通过最小二乘法、线性回归、支持向量机方法去计算,预测,生成优化方案,当再次遇到相同情况时,可以减少训练的过程,直接匹配到历史值作为加水比例的预测,大大提高了效率,且精确度也有所提高。
实施例四,对应的,一种控制烘丝入***水率的***,以控制烘丝入***水率为目标,包括基础工况信息采集模块和机器学习模型,不同的基础工况建立不同的工作模型,所述机器学习模型包括变量编码、编码单元和优化目标。
控制烘丝入***水率为所述优化目标;所述工作模型通过变量编码与编码单元一一对应,所述变量编码由基础工况信息中的一种变量或多种变量的组合计算得出,实现基础工况信息对编码单元的映射,指示机器学习任务将工作模型派给哪个编码单元以及当前基础工况信息从哪个编码单元获取历史操作信息。
本实施例中,所述基础工况信息采集模块包括原本就安装在制丝生产线上的检测装置。所述基础工况信息包括烘丝入口前的加工阶段影响烘丝入***水率的主要因素的相应参数,所述加工阶段包括:松散阶段、预混柜阶段、润叶加料阶段和贮叶阶段;其中,所述松散阶段的主要因素包括:加水比例、蒸汽比例、松散回风温度、松散物料流量、压空到松散的加料比例、松散环境温湿度、松散水分变化量;所述预混柜阶段的主要因素包括:预混柜的环境温湿度、预混柜时长、预混柜水分变化量;所述润叶加料阶段的主要因素包括:加料回风温度、加料物料流量、加料蒸汽补偿实际比例、压空到加料的加料比例、加料的环境温湿度、润叶加料水分变化量;所述贮叶阶段的主要因素包括:贮叶柜环境温湿度、贮叶环境温湿度、贮叶柜时长、贮叶水分变化量。
所述编码单元包括包括基础工况信息及与每组基础工况信息对应的松散出口水分仪零点值、加料入口水分仪零点值、加料出口水分仪零点值和烘丝入口水分仪零点值。
给出下单时产线上各个测点获得的当前的加工阶段的基础工况信息、松散出口水分仪零点值、加料入口水分仪零点值、加料出口水分仪零点值、烘丝入口水分仪零点值和烘丝入***水率设定值,得到变量编码,得到编码单元,计算得到预混柜阶段、润叶加料阶段和贮叶阶段三个阶段的阶段水分变化量,最后得到松散阶段的加水比例,生成优化方案。
综上所述,和现有技术相比,本申请提出的一种控制烘丝入***水率的方法和***,通过历史操作,获取相应基础工况信息的加水比例,达到对烘丝入口水分的精确控制的目的,且由于全部优化方案均来自历史操作,使得每个优化方案都可以追溯到源头,使优化方案更具有合理性和安全可信性。本申请通过建立多阶段串联模型,只考虑相关性强的因素,大大提高预测的效率,同时,还通过变量编码,将大量的历史数据样本精编为一个不重复、高价值的编码库,大大降低了内存空间,且提高了模型训练效率
上面结合附图对本发明进行了示例性描述,显然本发明具体实现并不受上述方式的限制,只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进,或未经改进将本发明的构思和技术方案直接应用于其它场合的,均在本发明的保护范围之内。