一种烟草烘丝参数的控制方法和装置与流程

本发明涉及烟草工业领域，特别是涉及一种烟草烘丝参数的控制方法和装置。

背景技术：

烟草制丝工序为卷烟制造的核心环节，为卷接工序提供烟丝制品，是卷烟感官特征的直接提供者，包括香气质、香气量等，而制丝的烘丝工序又是制丝的重要环节，烘丝的参数设置对烟丝香气特征起到决定作用，还对烟丝的填充效果起到了主要作用。

目前只能手动对烘丝的参数进行设置，无法精确的控制参数的精度，严重影响了烟丝品质的提升。

技术实现要素：

基于此，有必要针对目前无法提升烘丝的相关参数精度的问题，提升一种烟草烘丝参数的控制方法和装置。

一种烟草烘丝参数的控制方法，所述方法包括：

获取ht入口水分参数的值；

根据所述ht入口水分参数的值，确定与所述ht入口水分参数相关的至少一个目标参数的值；

根据烟草的生产工艺的先后顺序，采集每一个生产工艺中的实际参数，并将所述实际参数与对应的目标参数的值进行对比；

如果对比结果满足预设条件，则执行正常的生产工艺流程。

在其中一个实施例中，所述方法还包括：

如果对比结果不满足预设条件，则产生预警信息。

在其中一个实施例中，根据所述ht入口水分参数的值，确定与所述ht入口水分参数相关的至少一个目标参数的值，包括：

基于生产因素，对影响所述ht入口水分参数的因素进行筛选，确定与所述ht入口水分参数相关的至少一个目标参数；

确定所述ht入口水分参数与所述至少一个目标参数之间的计算模型；

基于所述ht入口水分参数的值和所述计算模型，计算所述至少一个目标参数的值。

在其中一个实施例中，所述确定所述ht入口水分参数与所述至少一个目标参数之间的计算模型之前，所述方法还包括：

对所述至少一个目标参数进行无量纲化；

所述确定所述ht入口水分参数与所述至少一个目标参数之间的计算模型，具体为：

确定所述ht入口水分参数与无量纲化后的所述至少一个目标参数之间的计算模型。

在其中一个实施例中，所述方法还包括：

基于所述ht入口水分参数的值，获取对应的历史目标参数的值；

基于所述实际参数和所述历史目标参数的值，校正所述计算模型。

一种烟草烘丝参数的控制装置，所述装置包括：

获取模块，用于获取ht入口水分参数的值；

确定模块，用于根据所述ht入口水分参数的值，确定与所述ht入口水分参数相关的至少一个目标参数的值；

对比模块，用于根据烟草的生产工艺的先后顺序，采集每一个生产工艺中的实际参数，并将所述实际参数与对应的目标参数的值进行对比；

执行模块，用于如果对比结果满足预设条件，则执行正常的生产工艺流程。

在其中一个实施例中，所述装置还包括：

预警模块，用于如果对比结果满足预设条件，则执行正常的生产工艺流程。

在其中一个实施例中，所述确定模块具体用于：

基于生产因素，对影响所述ht入口水分参数的因素进行筛选，确定与所述ht入口水分参数相关的至少一个目标参数；

确定所述ht入口水分参数与所述至少一个目标参数之间的计算模型；

基于所述ht入口水分参数的值和所述计算模型，计算所述至少一个目标参数的值。

在其中一个实施例中，所述确定模块还用于：

对所述至少一个目标参数进行无量纲化；

所述确定所述ht入口水分参数与所述至少一个目标参数之间的计算模型，具体为：

确定所述ht入口水分参数与无量纲化后的所述至少一个目标参数之间的计算模型。

在其中一个实施例中，所述确定模块还用于：

对所述至少一个目标参数进行无量纲化；

所述确定所述ht入口水分参数与所述至少一个目标参数之间的计算模型，具体为：

确定所述ht入口水分参数与无量纲化后的所述至少一个目标参数之间的计算模型。

本发明中，根据烘丝需要满足的ht入口水分参数的值，可以直接由ht入口水分参数的值确定与ht入口水分参数相关的其它目标参数的值，从而对烟丝生产工艺中的每一个工艺进行控制，从而达到对每个目标参数的精确控制，提升烟丝品质。

附图说明

图1为一实施例的烟草烘丝参数的控制方法的流程图；

图2为表1中相关系数与变量之间的线性示意图；

图3为ht入口水分参数的正态频数分布图；

图4为根据ht入口水分参数获取历史目标参数的示意图；

图5为一实施例的烟草烘丝参数的控制装置的结构图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，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仅用以解释本发明，并不用于限定本发明。

图1为一实施例的烟草烘丝参数的控制方法的流程图。如图1所示，所述方法包括：

步骤120，获取ht入口水分参数的值；

步骤140，根据所述ht入口水分参数的值，确定与所述ht入口水分参数相关的至少一个目标参数的值；

步骤160，根据烟草的生产工艺的先后顺序，采集每一个生产工艺中的实际参数，并将所述实际参数与对应的目标参数的值进行对比；

步骤180，如果对比结果满足预设条件，则执行正常的生产工艺流程。

本发明中，根据烘丝需要满足的ht入口水分参数的值，可以直接由ht入口水分参数的值确定与ht入口水分参数相关的其它目标参数的值，从而对烟丝生产工艺中的每一个工艺进行控制，从而达到对每个目标参数的精确控制，提升烟丝品质。

在生产烟丝的过程中，对于最终获取的烟丝，ht入口水分参数决定了烟丝的品质高低。因此，对于相应品质的烟丝，可以首选设置满足要求的ht入口水分参数的值。其中，ht为隧道式回潮机，控制烘前水分主要通过控制ht入口水分实现。

本实施例的一实现方式中，步骤120，根据所述ht入口水分参数的值，确定与所述ht入口水分参数相关的至少一个目标参数的值，包括：

基于生产因素，对影响所述ht入口水分参数的因素进行筛选，确定与所述ht入口水分参数相关的至少一个目标参数；

确定所述ht入口水分参数与所述至少一个目标参数之间的计算模型；

基于所述ht入口水分参数的值和所述计算模型，计算所述至少一个目标参数的值。

本实施例中，通过对影响烘丝入口水分参数的全流程26个因素筛选，排除工艺规定因素及设备因素，共得到生产因素14个目标参数，此14个目标参数对烘丝入口水分参数有相关性，相关性分析下表1如下：

表1

表1中，x1至x14依次表示对应的目标参数，具体可以参照表1中所示。

图2为表1中相关系数与变量之间的线性示意图。基于表2可知，以上14个目标参数和ht入口水分参数具有相关性。

本实施例中，所述确定所述ht入口水分参数与所述至少一个目标参数之间的计算模型之前，所述方法还包括：

对所述至少一个目标参数进行无量纲化；

所述确定所述ht入口水分参数与所述至少一个目标参数之间的计算模型，具体为：

确定所述ht入口水分参数与无量纲化后的所述至少一个目标参数之间的计算模型。

对于以上14个目标参数，需要对其中的7个目标参数进行无量纲化。具体而言，数据样本作为数据分析的基础，其有效性、准确性需要得到充分的保障。同时，影响因素较多，需要统一单位，保障模型的物理意义，因此，需要对其中的目标参数进行无量纲化。具体如下：

无量纲含水率＝原始含水率/(30％)；

无量纲松散回潮加水量＝原始松散回潮加水量/(620l)；

无量纲补偿蒸汽开度＝原始补偿蒸汽开度/(80％)；

无量真空回潮到松散回潮时长＝原始真空回潮到松散回潮时长/(50m)；

无量暂存柜储存时长＝原始暂存柜储存时长/(175m)；

无量加料回潮排潮开度＝原始加料回潮排潮开度/(50％)；

无量地下柜储存时长＝原始地下柜储存时长/(1250m)；

以上为对应目标参数无量纲化的转化公式及转换数据。

本实施例中，确定所述ht入口水分参数与无量纲化后的所述至少一个目标参数之间的计算模型时，为保证数据分析存在实际意义和便于后期相关性分析，需要对ht入口水分参数进行正态性分布检验。图3为ht入口水分参数的正态频数分布图，直方图显示其符合正态分布，经lilliefors检验，符合均值为21.9，方差为0.11032的正态分布。综上，经检ht入口水分参数符合正态分布，因此对烘丝入口水分进行相关性分析是可行的。具体可以参照如下表2和表3所示。

表2

表3

为保证预测的准确性，对两种(bp神经网络、多元回归)符合条件的建模方法进行对比试验。

多元回归：

公式为：

y＝0.306x1+0.037x3+0.001x4+0.002x5+0.002x6-0.065x7+0.004x9-0.001x11+0.006x12+0.004x14+0.583。

预测误差为0.085％

神经网络：

公式选择：bp神经网络

预测误差为0.046％

由于神经网络具有自我学习、自我优化的特点，本实施例可以优先选择神经网络作为计算模型。

本实施例一实施例中，所述方法还包括：

基于所述ht入口水分参数的值，获取对应的历史目标参数的值；

基于所述实际参数和所述历史目标参数的值，校正所述计算模型。

本实施例中，确定所述ht入口水分参数与无量纲化后的所述至少一个目标参数之间的计算模型时，为保证数据分析存在实际意义和便于后期相关性分析，可以对ht入口水分参数y进行正态性分布检验。

图4为根据ht入口水分参数获取历史目标参数的示意图。如图4所示，根据ht入口水分参数的值21.9，加水量预估520，水分值预设分别为：润叶入口水分值为22.2，加料出口水分值为22.8，松散出口水分值为20.5。同时，本实施例可以根据ht入口水分参数的值21.9，将历史批次数据调阅出，以供生产参考，例如图4通过输入烘丝入口设定水分要求，可以将历史的烘丝入口水分近似数据整批列出来。

本实施例可以基于所述实际参数和所述历史目标参数的值，校正所述计算模型。不论是神经网络或者多元回归，本实施例均可在校正计算模型。

本实施例的另一实现方式中，对于步骤180，本实施例需要说明的是，烟丝的生产工艺具有多个。对于每一个生产工艺，当某一工艺流程结束时，则直接采集该工艺流程的实际参数，并将该实际参数与对应的目标参数进行对比。如果对比结果满足预设条件，则可以执行下一工艺流程。预设条件可以是二者的差值的绝对值小于预设值，也可以为其它条件等。

基于步骤160，如果对比结果不满足预设条件，则产生预警信息。技术人员可以在发生预警信息后，及时处理信息。

本实施例对于每一个工艺流程，均将实际参数与相应的目标参数进行检查。

基于本实施例可知，本实施例可以提前预知下一工序参数，便于提前对生产进行干预，改变了原有的被动生产方式。

本实施例可以将历史近似数据调出给生产人员参考，防止异常批次的产生；

本实施例采用神经网络构建计算模型，具有自学的功能，所以其具有自我学习提升预测精度的功能。

图5为一实施例的烟草烘丝参数的控制装置的结构图。如图5所示，所述装置包括：

获取模块520，用于获取ht入口水分参数的值；

确定模块540，用于根据所述ht入口水分参数的值，确定与所述ht入口水分参数相关的至少一个目标参数的值；

对比模块560，用于根据烟草的生产工艺的先后顺序，采集每一个生产工艺中的实际参数，并将所述实际参数与对应的目标参数的值进行对比；

执行模块580，用于如果对比结果满足预设条件，则执行正常的生产工艺流程。

本发明中，根据烘丝需要满足的ht入口水分参数的值，可以直接由ht入口水分参数的值确定与ht入口水分参数相关的其它目标参数的值，从而对烟丝生产工艺中的每一个工艺进行控制，从而达到对每个目标参数的精确控制，提升烟丝品质。

本实施例的一实现方式中，所述装置还包括：

预警模块，用于如果对比结果满足预设条件，则执行正常的生产工艺流程。

本实施例的一实现方式中，所述确定模块具体用于：

基于生产因素，对影响所述ht入口水分参数的因素进行筛选，确定与所述ht入口水分参数相关的至少一个目标参数；

确定所述ht入口水分参数与所述至少一个目标参数之间的计算模型；

基于所述ht入口水分参数的值和所述计算模型，计算所述至少一个目标参数的值。

本实施例的一实现方式中，所述确定模块还用于：

对所述至少一个目标参数进行无量纲化；

所述确定所述ht入口水分参数与所述至少一个目标参数之间的计算模型，具体为：

确定所述ht入口水分参数与无量纲化后的所述至少一个目标参数之间的计算模型。

本实施例的一实现方式中，所述确定模块还用于：

对所述至少一个目标参数进行无量纲化；

所述确定所述ht入口水分参数与所述至少一个目标参数之间的计算模型，具体为：

确定所述ht入口水分参数与无量纲化后的所述至少一个目标参数之间的计算模型。

以上装置的实现方式与本实施例以上方法的实施例相同，具体可以参照以上方法实施例中的内容，本实施例不再具体阐述。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。