CN113869641A - 基于主成分分析法的烟丝质量综合评价方法 - Google Patents
基于主成分分析法的烟丝质量综合评价方法 Download PDFInfo
- Publication number
- CN113869641A CN113869641A CN202110989940.8A CN202110989940A CN113869641A CN 113869641 A CN113869641 A CN 113869641A CN 202110989940 A CN202110989940 A CN 202110989940A CN 113869641 A CN113869641 A CN 113869641A
- Authority
- CN
- China
- Prior art keywords
- tobacco
- quality
- tobacco shred
- shreds
- sampling
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- 235000002637 Nicotiana tabacum Nutrition 0.000 title claims abstract description 156
- 238000011156 evaluation Methods 0.000 title claims abstract description 25
- 238000012847 principal component analysis method Methods 0.000 title claims abstract description 14
- 244000061176 Nicotiana tabacum Species 0.000 title 1
- 241000208125 Nicotiana Species 0.000 claims abstract description 155
- 238000000034 method Methods 0.000 claims abstract description 42
- 238000013210 evaluation model Methods 0.000 claims abstract description 21
- 238000013441 quality evaluation Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000005070 sampling Methods 0.000 claims description 46
- 235000019504 cigarettes Nutrition 0.000 claims description 44
- 230000008569 process Effects 0.000 claims description 23
- 238000001514 detection method Methods 0.000 claims description 18
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000002156 mixing Methods 0.000 claims description 11
- 238000000513 principal component analysis Methods 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 10
- 239000000428 dust Substances 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000007789 sealing Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 abstract description 28
- 238000005096 rolling process Methods 0.000 abstract description 13
- 238000004519 manufacturing process Methods 0.000 abstract description 8
- 238000012795 verification Methods 0.000 abstract description 3
- 238000002474 experimental method Methods 0.000 abstract description 2
- 230000000007 visual effect Effects 0.000 abstract 1
- 230000001953 sensory effect Effects 0.000 description 6
- 238000010220 Pearson correlation analysis Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000001035 drying Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003137 locomotive effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 240000009235 Rubia cordifolia Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000010025 steaming Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Manufacturing Of Cigar And Cigarette Tobacco (AREA)
- Manufacture Of Tobacco Products (AREA)
Abstract
本发明公开了一种基于主成分分析法的烟丝质量综合评价方法,本申请采用主成分分析法对烟丝结构与卷烟物理指标进行综合评价,建立混香工序新的烟丝质量综合评价体系模型,通过卷制质量标准偏差分析和感官评吸对模型进行了验证。结果显示:基于本发明的烟丝质量综合评价模型和品吸验证实验结果均为:试验Ⅲ>试验Ⅳ>试验Ⅰ>试验Ⅱ>试验Ⅴ,卷制质量结果为:试验Ⅲ和试验Ⅳ批次的偏差较低,与模型评价结果一致。可见,本申请所构建的烟丝质量综合评价模型与评价方法简单直观,适用于现阶段制丝加工的生产现状,可以为制丝生产过程中烟丝质量评价提供一种新思路。
Description
技术领域
本发明涉及烟草制丝领域,特别是涉及一种基于主成分分析法的烟丝质量综合评价方法。
背景技术
卷烟企业生产的核心是采用先进自动化设备将复烤烟叶经过“蒸、加、切、烘、掺”等一系列工序,生产出符合制丝工艺要求的烟丝,卷包车间再卷制成合格的烟支。混丝加香工序是烟丝生产过程的重要工序也是最后一道工序,烟丝质量的稳定性、均匀性直接影响后续卷烟内在品质和烟丝卷制质量。
现阶段对烟丝质量的评价均是以国标《卷烟工艺规范》为基础的制丝工艺评价和优化,包括以下几方面:一是提升烟丝质量的稳定性,在这一方面研究中,陶鹰、张佳芸应用傅里叶变换近红外(FT-NIR)光谱分析技术,建立了在制烟丝的相似度匹配鉴别模型和烟丝混合均匀度、质量稳定性评价模型,从而实现了对制丝质量稳定性的精准、快速评价;熊安言利用统计方法,针对不同工序和工序中不同变量赋予不同权重的方法,建立了制丝生产过程质量稳定性评价方法;二是研究不同工序的烟丝含水率,这一方面,杜云鹏、薛训明采用正态分布统计方法和LSTM的机器学***滑算法、长短期记忆网络(LSTM)和序列到序列学***。上述三个方面的研究均能有效的提升烟丝稳定性和品质,但未考虑烟丝品质对卷接质量的影响,存在一定的局限性。
主成分分析是采用降维技术对数据进行浓缩的分析方法。其原理是设法将原来变量重新组合成一组新的相互无关的几个综合变量,同时根据实际需要从中可以取出几个较少的总和变量尽可能多地反映原来变量的信息。主成分分析具有应用方便,适用于各个场合等优点。
本申请采用主成分分析法,通过分析与烟丝质量相关联的指标,建立混丝加香工序新的烟丝质量评价模型,通过卷制质量标准偏差分析和感官评吸对模型进行验证。旨在通过少数不相关变量实现对混丝加香工序烟丝质量的综合评价,提高烟丝对卷制质量的适用性要求。
发明内容
为克服上述不足,本申请提供一种基于主成分分析法的烟丝质量综合评价方法。
本发明解决其技术问题所采用的技术方案为:
基于主成分分析法的烟丝质量综合评价方法,包括
S1,取样
S1.1,烟丝取样
随机选取M批次烟丝,每批次随机取样N次,在混丝加香机出料口使用取样容器接取烟丝,待测烟丝样品的取样质量为(1000.0±100.0)g/次,单次取样时间间隔15±5min;
S1.2,卷烟成品取样
采用固定取样机台、固定取样人员的形式,在烟丝取样的5批次对应的卷烟机出口处进行成品卷烟取样,每组样品每次随机取150支,时间间隔30±5min的情况下连续取样N次,置于恒温恒湿箱平衡24h后密封贴签,留样备用;
S2,数据检测
对烟丝结构和卷烟成品物理指标进行检测;
烟丝结构包括与烟丝质量相关联的长丝、中丝、短丝和碎丝共4个指标;
卷烟成品物理指标包括单支重量、含末率、吸阻、硬度、长度、圆周、端部落丝共7个指标;
其中:
烟丝结构检测中,烟丝长度定义标准为:碎丝:烟丝长度<1.0mm;短丝:1.0mm<烟丝长度<2.5mm;中丝:2.5mm<烟丝长度<3.5mm;长丝:烟丝长度>3.5mm;
卷烟成品物理指标检测中,单次抽取的150支样品:100支样品用于端部落丝和圆周测定,20支样品用于含末率测定,另外30支样品进行烟支重量、长度、硬度和吸阻测定,并分别取平均值进行记录;
S3,主成分分析
S3.1,数据标准化
对上述数据进行标准化处理,数据标准化公式为:
S3.2,提取主成分
计算特征值与特征向量:
将标准化数据表示为n*p矩阵,其相应的特征值λi为成分方差贡献,正交化的单位特征向量Zi为方差贡献率,计算公式为:
Zi的大小表示成分反应信息的能力,根据其数值大小提取主成分;
主成分个数m确定原则:特征值大于1;主成分个数m少于检测指标n的个数;
S3.3,创建评价模型
创建烟丝质量综合评价模型F,烟丝质量综合评价模型F为:
F=(a11+a12+a13+......a1m)×X1×Z1+(a21+a22+a23+......a2m)×X2×Z2+(a31+
a32+a33+......a3m)×X3×Z3+......+(an1+an2+an3+......anm)×Xn×Zm
其中,a11、a12、a13....anm为主成分得分系数,即主成分的特征向量;
Z1、Z2、Z3...Zm为提取主成分的方差贡献率;
X=(X1,X2,...,Xn)是n维随机变量,X1,X2,X3...X11依次代表长丝、中丝、短丝、碎丝、长度、单只重量、圆周、吸阻、硬度、端部落丝、含末率;
m为主成分个数,m<n;
S4,结果与分析
通过模型F计算5个批次混丝加香工序烟丝质量的主成分综合得分,然后依据得分大小对烟丝质量进行综合评价。
本发明带来的有益效果有:
本申请通过采用主成分分析对混丝加香工序的烟丝质量进行综合评价,并对烟丝的卷制物理指标和烟支感官质量进行评价,烟丝质量和卷制物理指标都在适宜范围内,基于主成分分析建立的综合评价模型与卷烟的物理指标的分析结果以及感官评价结果一致(其中试验Ⅲ、试验Ⅳ得分最高,说明该批次烟丝质量最好,对应的物理指标结果明显优于其他批次,说明该批次烟丝上机适用性相对较好)。
本申请所建立的烟丝质量综合模型一方面可用于综合评价制丝生产烟丝质量;另一方面,也可用于烟丝卷制的上机适用性预测。模型操作简单实用,可有效避免进行评价的盲目性,为烟丝质量评价提供一种思路。
本方法也可以推广到其他牌号、工序的烟丝质量评价中,具有很好的推广价值和适用性。
附图说明
下面结合附图及具体实施例对本发明作进一步说明,
图1为实施例2中表示特征值和主成分数目关系的碎石图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
基于主成分分析法的烟丝质量综合评价方法,包括
S1,取样
S1.1,烟丝取样
随机选取5批次烟丝,每批次随机取样6次,在混丝加香机出料口使用取样容器接取烟丝,待测烟丝样品的取样质量为(1000.0±100.0)g/次,单次取样时间间隔15±5min;
S1.2,卷烟成品取样
采用固定取样机台、固定取样人员的形式,在烟丝取样的5批次对应的卷烟机出口处进行成品卷烟取样,每组样品每次随机取150支,时间间隔30±5min的情况下连续取样6次,置于恒温恒湿箱[(20±1)℃,RH(60±2)%]平衡24h后密封贴签,留样备用;
S2,数据检测
对烟丝结构和卷烟成品物理指标进行检测;
烟丝结构包括与烟丝质量相关联的长丝、中丝、短丝和碎丝共4个指标;
卷烟成品物理指标包括单支重量、含末率、吸阻、硬度、长度、圆周、端部落丝共7个指标;
其中:
烟丝结构检测中,烟丝长度定义标准为:碎丝:烟丝长度<1.0mm;短丝:1.0mm<烟丝长度<2.5mm;中丝:2.5mm<烟丝长度<3.5mm;长丝:烟丝长度>3.5mm;
卷烟成品物理指标检测中,单次抽取的150支样品:100支样品用于端部落丝和圆周测定,20支样品用于含末率测定,另外30支样品进行烟支重量、长度、硬度和吸阻测定,并分别取平均值进行记录;
S3,主成分分析
S3.1,数据标准化
对上述数据进行标准化处理,数据标准化公式为:
S3.2,提取主成分
计算特征值与特征向量:
将标准化数据表示为n*p矩阵,其相应的特征值λi为成分方差贡献,正交化的单位特征向量Zi为方差贡献率,计算公式为:
Zi的大小表示成分反应信息的能力,根据其数值大小提取主成分;
主成分个数m确定原则:
特征值大于1;主成分个数m少于检测指标n的个数;
S3.3,创建评价模型
创建烟丝质量综合评价模型F,烟丝质量综合评价模型F为:
F=(a11+a12+a13+......a1m)×X1×Z1+(a21+a22+a23+......a2m)×X2×Z2+(a31+a32+a33+......a3m)×X3×Z3+......+(an1+an2+an3+......anm)×Xn×Zm
其中,a11、a12、a13....anm为主成分得分系数,即主成分的特征向量;
Z1、Z2、Z3...Zm为提取主成分的方差贡献率;
X=(X1,X2,...,Xn)是n维随机变量,X1,X2,X3...X11依次代表长丝、中丝、短丝、碎丝、长度、单只重量、圆周、吸阻、硬度、端部落丝、含末率;
m为主成分个数,m<n;
S4,结果与分析
通过模型F计算5个批次混丝加香工序烟丝质量的主成分综合得分,然后依据得分大小对烟丝质量进行综合评价。
实施例2
基于实施例1进行取样、数据检测与数据标准化处理;
利用SPSS软件进行Pearson相关性分析;
各试验批次烟丝质量的11个指标分别记作:长丝X1、中丝X2、短丝X3、碎丝X4、长度X5、质量X6、圆周X7、吸阻X8、硬度X9、端部落丝X10、含末率X11。
Pearson相关性分析结果:
长丝与中丝、短丝在0.01水平上显著相关(P<0.01),与碎丝、硬度在0.05水平上显著相关(P<0.05);中丝和烟支长度、硬度呈显著的负相关(P<0.05),与硬度在0.01水平上显著相关(P<0.01);短丝与含末率显著相关(P<0.05);质量和圆周、吸阻极显著相关;说明烟丝结构与卷烟物理指标间有显著的相关性,且指标数量较多。
利用SPSS软件进行主成分分析;
主成分个数m确定原则是特征值大于1,且主成分个数m少于检测指标n的个数。
基于实施例1进行主成分提取;
计算结果见表1,前4个特征向量的方差贡献率分别为24.73%,20.42%,15.58%,10.15%,方差累积贡献率为70.87%,同时参照图1(表示特征值和主成分数目关系的碎石图)前4个主成分的特征值均大于1。由于前4个主成分包含烟丝质量11项指标的大部分信息,因而用前4个主成分进行不同批次烟丝质量综合评价是可行的。
最终确定的主成分个数m=4。
表1主成分的相关矩阵特征值和累积贡献率
基于实施例1计算各主成分得分系数,即主成分的特征向量,结果见表2。
表2烟丝质量主成分的特征向量
将各主成分得分系数代入到综合评价模型F中,则各主成分的评价模型方程分别为:
F1=0.422X1-0.492X2-0.292X3+0.046X4+0.335X5+0.213X6+0.378X7+0.144X8-0.227X9-0.312X10-0.146X11
F2=-0.348X1+0.033X2+0.208X3+0.381X4+0.119X5+0.508X6+0.238X7+0.469X8+0.342X9+0.117X10-0.098X11
F3=-0.088X1-0.356X2+0.382X3+0.448X4+0.029X5+0.044X6-0.041X7-0.228X8-0.405X9+0.100X10+0.537X11
F4=-1.981X1-0.183X2+1.018X3-0.678X4+23.390X5-0.655X6+3.588X7+0.189X8-1.040X9-2.358X10+0.646X11
基于4个主成分评价模型建立新的烟丝质量综合评价模型:
F=24.727F1+20.417F2+15.579F3+10.15F4
可得烟丝质量综合评价模型:
F=-18.145X1-18.908X2+13.309X3+9.022X4+248.574X5+9.676X6+49.991X7+11.500X8-15.496X9-27.716X10+9.309X11
利用此模型计算5个批次混丝加香工序烟丝质量综合得分,然后依据得分大小对烟丝质量进行评价,结果见表3。利用此模型进行烟丝质量综合评价的结果是:试验Ⅲ>试验Ⅳ>试验Ⅰ>试验Ⅱ>试验Ⅴ。
表3 5个批次烟丝质量综合得分及排名
实施例3
验证实验
将各批次烟丝质量进行数据统计,计算卷烟物理指标长度、质量、圆周、吸阻和硬度的标偏,并通过SPSS软件进行单因素方差分析,结果如表4所示:
表4 5批次烟丝卷制物理指标软件分析结果
由上表可知,长度标偏、质量标偏和吸阻标偏各批次间无显著性差异,圆周标偏、硬度标偏为试验Ⅳ批次最低,试验Ⅲ次之,试验Ⅴ批次最高。
为了更准确评价各批次烟丝卷制时与机车的适用性,并对长度、质量、圆周、吸阻和硬度标偏均值进行排序打分,得分情况见表5所示:
表5卷烟物理指标打分表
由上表可知,试验Ⅲ和试验Ⅳ得分较高,长度、质量、圆周、吸阻和硬度的偏差较低,说明这两批次烟丝卷制适用性较好,试验Ⅰ、试验Ⅴ、试验Ⅱ的偏差值相对较大,烟丝在卷制过程中与机车的适用性较差。
验证结果与实施例2的主成分分析建立的综合评价模型结果一致。
为了进一步检验烟丝质量主成分分析法的评价效果,采取暗评方式对5个批次的烟支进行感官评吸,评定结果如表6所示。
表6 5个批次卷烟感官评吸结果
由上表可知,5个批次卷烟感官评吸的得分排名为:
试验Ⅲ>试验Ⅳ>试验Ⅰ>试验Ⅱ>试验Ⅴ,此排名结果与实施例2结果一致。
实施例4
基于主成分分析法的烟丝质量综合评价***。
本***用于实施上述的基于主成分分析法的烟丝质量综合评价方法,其包括:
一、取样单元:
1烟丝取样:随机选取5批次烟丝,每批次随机取样6次,在混丝加香机出料口使用取样容器接取烟丝,待测烟丝样品的取样质量为(1000.0±100.0)g/次,单次取样时间间隔15±5min;如果所取烟丝样品的质量超过标准范围,则废弃该样品并重新取样;
2卷烟成品取样:
采用固定取样机台、固定取样人员的形式,在烟丝取样的5批次对应的卷烟机出口处进行成品卷烟取样,每组样品每次随机取150支,时间间隔30±5min的情况下连续取样6次,置于恒温恒湿箱平衡24h后密封贴签,留样备用;
二、数据检测单元:
对烟丝结构和卷烟成品物理指标进行检测;
烟丝结构包括与烟丝质量相关联的长丝、中丝、短丝和碎丝共4个指标;
卷烟成品物理指标包括单支重量、含末率、吸阻、硬度、长度、圆周、端部落丝共7个指标;
其中:
烟丝结构检测中,烟丝长度定义标准为:碎丝:烟丝长度<1.0mm;短丝:1.0mm<烟丝长度<2.5mm;中丝:2.5mm<烟丝长度<3.5mm;长丝:烟丝长度>3.5mm;
卷烟成品物理指标检测中,单次抽取的150支样品:100支样品用于端部落丝和圆周测定,20支样品用于含末率测定,另外30支样品进行烟支重量、长度、硬度和吸阻测定,并分别取平均值进行记录;
三、主成分分析单元:
1数据标准化模块:
用于对上述数据进行标准化处理;
2主成分提取模块
用于提取主成分并计算特征值与特征向量:
主成分个数m确定原则:特征值大于1;主成分个数m少于检测指标n的个数;
3评价模型构建模块:
创建烟丝质量综合评价模型F,烟丝质量综合评价模型F为:
F=(a11+a12+a13+......a1m)×X1×Z1+(a21+a22+a23+......a2m)×X2×Z2+(a31+a32+a33+......a3m)×X3×Z3+......+(an1+an2+an3+......anm)×Xn×Zm
其中,a11、a12、a13....anm为主成分得分系数,即主成分的特征向量;
Z1、Z2、Z3...Zm为提取主成分的方差贡献率;
X=(X1,X2,...,Xn)是n维随机变量,X1,X2,X3...X11依次代表长丝、中丝、短丝、碎丝、长度、单只重量、圆周、吸阻、硬度、端部落丝、含末率;
m为主成分个数,m<n;
四、结果与分析单元:
通过模型F计算5个批次混丝加香工序烟丝质量的主成分综合得分,然后依据得分大小对烟丝质量进行综合评价。
应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.基于主成分分析法的烟丝质量综合评价方法,其特征在于:包括
S1,取样
S1.1,烟丝取样
随机选取M批次烟丝,每批次随机取样N次,待测烟丝样品的取样质量为(1000.0±100.0)g/次,单次取样时间间隔15±5min;
S1.2,卷烟成品取样
采用固定取样机台、固定取样人员的形式,每组样品每次随机取150支,时间间隔30±5min的情况下连续取样N次,置于恒温恒湿箱平衡24h后密封贴签,留样备用;
S2,数据检测
对烟丝结构和卷烟成品物理指标进行检测;
烟丝结构包括与烟丝质量相关联的长丝、中丝、短丝和碎丝共4个指标;
卷烟成品物理指标包括单支重量、含末率、吸阻、硬度、长度、圆周、端部落丝共7个指标;
S3,主成分分析
S3.1,数据标准化
对上述数据进行标准化处理;
S3.2,提取主成分
计算特征值与特征向量:
将标准化数据表示为n*p矩阵(n=1,2,...,11;p=1,2,…,N),其相应的特征值λi为成分方差贡献,正交化的单位特征向量Zi为方差贡献率,计算公式为:
Zi的大小表示成分反应信息的能力,根据其数值大小提取主成分;
S3.3,创建评价模型
创建烟丝质量综合评价模型F,烟丝质量综合评价模型F为:
F=(a11+a12+a13+......a1m)×X1×Z1+(a21+a22+a23+......a2m)×X2×Z2+(a31+a32+a33+......a3m)×X3×Z3+......+(an1+an2+an3+......anm)×Xn×Zm
其中,a11、a12、a13....anm为主成分得分系数;
Z1、Z2、Z3...Zm为提取主成分的方差贡献率;
X=(X1,X2,...,Xn)是n维随机变量,X1,X2,X3...X11依次代表长丝、中丝、短丝、碎丝、长度、单只重量、圆周、吸阻、硬度、端部落丝、含末率;
m为主成分个数;
S4,结果与分析
通过模型F计算5个批次混丝加香工序烟丝质量的主成分综合得分,然后依据得分大小对烟丝质量进行综合评价。
2.基于主成分分析法的烟丝质量综合评价方法,其特征在于:
步骤S2:
烟丝结构检测中,烟丝长度定义标准为:
碎丝:烟丝长度<1.0mm;短丝:1.0mm<烟丝长度<2.5mm;中丝:2.5mm<烟丝长度<3.5mm;长丝:烟丝长度>3.5mm;
卷烟成品物理指标检测中,单次抽取的150支样品:
100支样品用于端部落丝和圆周测定,20支样品用于含末率测定,另外30支样品进行烟支重量、长度、硬度和吸阻测定,并分别取平均值进行记录。
4.基于主成分分析法的烟丝质量综合评价方法,其特征在于:
步骤S3.2,主成分个数m的确定原则:
特征值大于1;主成分个数m少于检测指标n的个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110989940.8A CN113869641A (zh) | 2021-08-26 | 2021-08-26 | 基于主成分分析法的烟丝质量综合评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110989940.8A CN113869641A (zh) | 2021-08-26 | 2021-08-26 | 基于主成分分析法的烟丝质量综合评价方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113869641A true CN113869641A (zh) | 2021-12-31 |
Family
ID=78988363
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110989940.8A Withdrawn CN113869641A (zh) | 2021-08-26 | 2021-08-26 | 基于主成分分析法的烟丝质量综合评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113869641A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116183834A (zh) * | 2023-03-06 | 2023-05-30 | 江苏中烟工业有限责任公司 | 一种评价烟叶原料在不同圆周卷烟适用性的方法 |
-
2021
- 2021-08-26 CN CN202110989940.8A patent/CN113869641A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116183834A (zh) * | 2023-03-06 | 2023-05-30 | 江苏中烟工业有限责任公司 | 一种评价烟叶原料在不同圆周卷烟适用性的方法 |
CN116183834B (zh) * | 2023-03-06 | 2023-09-19 | 江苏中烟工业有限责任公司 | 一种评价烟叶原料在不同圆周卷烟适用性的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107796782B (zh) | 基于烟叶特征光谱一致性度量的复烤质量稳定性评价方法 | |
CN107330555A (zh) | 一种基于随机森林回归的制丝过程参数赋权方法 | |
CN105699437B (zh) | 一种基于电子鼻的不同新鲜度山核桃的快速无损区分方法 | |
CN110196265B (zh) | 基于分布概率评价批内卷烟烟支内烟丝分布稳定性的方法 | |
CN111950795B (zh) | 基于随机森林的松散回潮加水比例的预测方法 | |
CN113869641A (zh) | 基于主成分分析法的烟丝质量综合评价方法 | |
CN105334738B (zh) | 一种适用于烟草加工过程pid控制回路的性能评价方法 | |
CN110163479A (zh) | 一种烟草卷包车间质量异常问题主因模型的建立方法 | |
CN109324016A (zh) | 一种复烤片烟香型风格的判定方法 | |
CN115099457A (zh) | 烟丝结构在线预测分析*** | |
CN111642782A (zh) | 一种基于卷烟配方需求的烟叶原料功效定位方法 | |
CN113449792A (zh) | 一种无损快速检测食品质量的方法 | |
CN113030007B (zh) | 基于相似度学习算法快速检验烟用香精质量稳定性的方法 | |
CN113310937A (zh) | 高温灭菌牛奶、巴氏杀菌奶牛鲜奶及奶粉复原牛奶的快速鉴定方法 | |
CN113310929A (zh) | 高温灭菌奶中掺加豆粉及其掺加比例的光谱鉴定方法 | |
CN115859784A (zh) | 建立生产过程参数和卷烟感官品质特征关联模型的方法 | |
CN110887809B (zh) | 一种基于近红外光谱技术测定烟丝中梗含量的方法 | |
CN113030008B (zh) | 一种蒲黄炭炮制品的近红外在线质量检测方法 | |
CN112101817B (zh) | 一种批次加工烤烟成品均质化程度的评价方法 | |
CN115078380A (zh) | 一种卷烟燃烧外观的评价方法 | |
CN113310933A (zh) | 原料水牛奶保存天数的光谱鉴定方法 | |
CN112749906A (zh) | 卷烟主流烟气光谱数据的感官评价方法 | |
CN108416489B (zh) | 一种烟叶制品感官评吸数据的处理方法和处理*** | |
CN111595816B (zh) | 基于近红外pca分析判别片剂包衣终点的方法及其应用 | |
CN116383623A (zh) | 一种基于机器学习卷烟机剔除率特征选取的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20211231 |
|
WW01 | Invention patent application withdrawn after publication |