平库均质化动态区间的管理方法、系统及服务器与流程

本发明属于近红外快速检测领域，原料仓库管理领域，和/或烟草制品生产质量调控领域，涉及一种管理方法及系统，特别是涉及一种平库均质化动态区间的管理方法、系统及服务器。
背景技术：
：一直以来原烟打叶复烤都面临着一个很重要的问题，片烟内在化学质量不均匀，主要反映在片烟烟碱波动比较大，烟碱是影响感官质量的一个重要因素，这成为“原料上水平“发展过程中急需解决的一个问题，由于不同地区，不同产地的原烟内在化学质量有很大的差异，因此传统的投料方式很难能完全依靠复烤工艺本身把片烟的内在化学质量控制稳定；这种控制模式与来料本身的均匀程度有很大的依赖关系关系，是被动调节；均质化是解决片烟内在质量的波动的一个重要方法，也是复烤厂加工服务上水平的重要标志，产品均质化是卷烟工业企业对复烤加工质量的重要要求的强烈需求；近年来，由于卷烟工业企业对原料的稳定的重要需求，原料的质量的一致性控制在复烤厂迅速的展开与推进，在原料的均质化控制的过程中主要围绕烟叶原料的化学指标，烟叶外观指标与物理指标在原烟仓库进行调控控制；烟叶原料按照控制的一般方法是按照原烟数据管理，近红外快速检测，控制指标的选择，按照控制目标分类管理，组批出库，成品稳定性评价，分区间控制成为一种重要的控制模式；对卷烟的原料的质量控制起到很大的作用，现有的调控烟叶配方均匀性的方法仅是对于一般的打叶复烤的企业，由于平库原料仓库的限制，使得这种控制方法对原料的质量调控存在如下的问题：1)由于在分区间的质量调控过程中，要对原料的调控指标进行抽样检测，依此来确定调控指标的分布范围，按照调控指标进行分类堆放，但是由于在原料前段进行抽样，样本的代表性由于实际的检测工作，数量与代表性都很有限，在后续调控工艺对每一箱都按照烟箱进行化学指标检测进入分区间时，并不能保证划分的区间是否合理，往往会产生每个区间内的烟箱数量以及烟箱数量比例不是很均匀，而出现这个过程中又不能随时去调整区间，因为随时调整区间按照传统的方法会产生区间交叉的问题；2)按照分区间控制的核心思路是分类堆放，在每个区间内看作是等同的烟叶，但是如果由于事前的区间划分区间的跨度过大，很难达到区间内的控制指标的一致性，本质的原因在于在原烟端检测的化学值得区间范围估计存在偏差，区间跨度比较小，但导致物流操作十分繁杂，区间跨度太大就会出现上述的区间内控制指标不一致的现象；因此，如何提供一种平库均质化动态区间的管理方法、系统及服务器，以解决现有技术无法在快捷且准确的在均质化调控的同时充分的利用仓库的利用率，且出现区间跨度较大，区间件调控指标不一致，导致出现区间交叉问题等缺陷，实已成为本领域从业人员亟待解决的技术问题。技术实现要素：鉴于以上所述现有技术的缺点，本发明的目的在于提供一种平库均质化动态区间的管理方法、系统及服务器，用于解决现有技术中无法在快捷且准确的在均质化调控的同时充分的利用仓库的利用率，且出现区间跨度较大，区间件调控指标不一致，导致出现区间交叉问题的问题。为实现上述目的及其他相关目的，本发明一方面提供一种平库均质化动态区间的管理方法，用于管理原料仓库，所述原料仓库包括若干具有化学信息的原料的产品箱；其中，在所有产品箱入库之后需对其进行原料抽样，以形成原料样本集；所述平库均质化动态区间的管理方法包括以下步骤：获取原料样本集中产品箱的原料常规化学指标，并从所述常规化学指标中选取用于在区间划分时所依据的调控指标；根据预定划分规则，对原料样本集中的产品箱进行区间划分，并按照已划分好的区间将所述原料仓库中所有产品箱进行调控。于本发明的一实施例中，所述获取原料样本集中产品箱的原料常规化学指标的步骤是指通过近红外检测所述原料样本集中产品箱的原料，以获取原料样本集中产品箱的原料常规化学指标。于本发明的一实施例中，所述从所述常规化学指标中选取用于在区间划分时所依据的调控指标的步骤包括：根据预存的感官评吸数据与常规化学指标之间的关联关系确定一候选调控指标集；根据在线近红外模型进行预测，以确定另一候选调控指标集；根据原料常规化学指标的变异系数，以确定又一候选调控指标集；依据实际生产需要，按照调控指标重要程度，从三种候选调控指标集中选取区间划分所依据的调控指标。于本发明的一实施例中，所述一候选调控指标集包括皮尔逊相关系数，等级相关系数，和/或积差相关系数；所述另一候选调控指标集包括原料常规化学指标的预测绝对误差，相对误差，相关系数，以相关系数与绝对/相对误差的比值；所述又一候选调控指标集包括原料常规化学指标的稳定性指标。于本发明的一实施例中，所述根据预定划分规则，对原料样本集中的产品箱进行区间划分，并按照已划分好的区间将所述原料仓库中所有产品箱进行调控的步骤包括：步骤一，计算原料样本集中所依据的调控指标的平均值；步骤二，按照预定的大区间设置块数，及调控指标的设置间隔，以[调控指标的平均值，调控指标的平均值+调控指标的设置间隔]中心区域，对原料样本集进行大区间划分，形成数目与预定的大区间设置块数一致的大区间；步骤三，按照预定的小区间设置块数，对划分的大区间继续细化，形成数目与预定的小区间设置块数一致的小区间；步骤四，待一批次的产品箱通过近红外检测模型入库后，根据细化后小区间对应的调控指标分布区间，令将入库的产品箱暂存于对应的小区间；步骤五，计算每一小区间对应的统计参数，通过随机搜索小区间，根据预设的区间合并条件，及小区间对应的统计参数，对形成的小区间进行合并，重新生成调整后的大区间；步骤六，计算调整后的大区间的产品箱数量，调整后的大区间的产品箱比例极差，若调整后的大区间的产品箱比例极差小于或等于一极差阈值时，结束合并，并等待下一批次的产品箱入库；步骤七，循环执行步骤四、五、六，直至所有的产品箱入库。于本发明的一实施例中，所述预设的区间合并条件包括：只合并相邻的小区间；大区间的产品箱数量大于箱数阈值；调整后的大区间中每一小区间对应的大区间的产品箱比例极差大于极差阈值。于本发明的一实施例中，所述与每一小区间对应的统计参数包括：每一小区间内的产品箱的数目、每一小区间内的产品箱比例、每一小区间对应的大区间的产品箱比例、及每一小区间对应的大区间的产品箱比例极差。于本发明的一实施例中，所述平库均质化动态区间管理方法还包括待所有产品箱入库后，按照均质化组批出库原则进行出库；所述均质化组批出库原则为依据所计算与调整后的大区间对应的出库参数出库；所述出库参数包括调整后的大区间的产品箱的数目、调整后的大区间的产品箱比例、调整后的大区间内产品箱的实际出库量、多次出库后实际出库量的均值、和/或实际出库的产品箱中调控指标的变异系数。本发明另一方面提供一种平库均质化动态区间的管理系统，用于管理原料仓库，所述原料仓库包括若干具有化学信息的原料的产品箱；其中，在所有产品箱入库之后需对其进行原料抽样，以形成原料样本集；所述平库均质化动态区间的管理系统包括：选取模块，用于获取原料样本集中产品箱的原料常规化学指标，并从所述常规化学指标中选取用于在区间划分时所依据的调控指标；处理模块，用于根据预定划分规则，对原料样本集中的产品箱进行区间划分，并按照已划分好的区间将所述原料仓库中所有产品箱进行调控。本发明又一方面提供一种服务器，所述服务器包括：所述的平库均质化动态区间的管理系统。如上所述，本发明的平库均质化动态区间的管理方法、系统及服务器，具有以下有益效果：第一，从均质化调控指标的选择上，所述的平库均质化动态区间的管理方法、系统及服务器清晰的阐述了如何选择均质化的调控指标，选择调控指标的依据，为均质化控制由表及里，由浅入深做了良好的铺垫；第二，从均质化控制的流程上，所述的平库均质化动态区间的管理方法、系统及服务器比较巧妙地运用了分区间入库的方式，把原本既定的固定的划分区间变成了动态的划分区间，传统的平库区间划分方法很难估计出化学值得分布，必须预留足够的空间为将要进来的烟叶进行划分区域，本方法极大的节省了库存的压力，避免了由于一成不变的化学值区间划分造成的仓库的周转上的浪费；由于最后区间内烟箱数量比例的均等又为出库较少了压力，保证区间内烟箱数量的均等与区间内调控指标的一致性，提高了效率，增加了整个均质化控制的前后的衔接性。附图说明图1显示为本发明的平库均质化动态区间的管理方法于一实施例中的流程示意图。图2显示为本发明的平库均质化动态区间的管理方法中步骤S1的流程示意图。图3显示为本发明的平库均质化动态区间的管理方法中步骤S12的流程示意图图4显示为本发明的原料常规化学指标的变异系数。图5显示为本发明的平库均质化动态区间的管理方法中步骤S2的流程示意图。图6显示为本发明的入库1000个烟箱后各小区间内的烟箱数量示意图。图7显示为本发明的入库1000个烟箱后各小区间内的烟箱比例的示意图。图8显示为本发明的每一小区间对应的大区间的产品箱比例极差的示意图。图9显示为本发明在100个烟箱入库时重新生成的大区间的最大比例极差的时序图。图10显示为本发明的平库均质化动态区间的管理系统于一实施例中的原理结构示意图。图11显示为本发明的服务器于一实施例中的原理结构示意图。元件标号说明1平库均质化动态区间的管理系统11选取模块12处理模块13调控模块S1～S3步骤S11～S12步骤S121～S124步骤S21～S28步骤具体实施方式以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。本发明所述的平库均质化动态区间的管理方法、系统及服务器的技术原理如下：在传统的区间划分方法的基础下A，B，C等大区间后，在每个大区间内去构造按照高中低顺序的虚拟小区间A1，B1，C1，A2，B2，C2，A3，B3，C3等在具体的烟箱入库的过程中，实时的去统计监控控制指标大区间A，B,C等内的烟箱数量，与每个大区间内的虚拟小区间A1，A2，A3，B1，B2，B3，C1，C2，C3，等的烟箱数量，设定各个大区间内的比例差异阈值，如果大区间内的烟箱比例不满足给定的差异允差，合并或者拆分相邻的小区间，重新生成大区间的划分方式，最终再按照新的大区间的进行组批出库进行均质化控制；此方式采用大区间初划，具有高低顺序的小区间的拆分与合并，有效的避免了传统的区间划分方法在不满足区间比例均匀与区间内一致的情形下的改变区间产生的的区间交叉与错乱。实施例一本实施例提供一种平库均质化动态区间的管理方法，用于管理原料仓库，所述原料仓库包括若干具有化学信息的原料的产品箱；其中，在所有产品箱入库之后需对其进行原料抽样，以形成原料样本集；所述平库均质化动态区间的管理方法包括以下步骤：获取原料样本集中产品箱的原料常规化学指标，并从所述常规化学指标中选取用于在区间划分时所依据的调控指标；根据预定划分规则，对原料样本集中的产品箱进行区间划分，并按照已划分好的区间，以将所述原料仓库中所有产品箱进行调控。以下将结合图示对本实施例所述的平库均质化动态区间的管理方法进行详细描述。本实施例所述的平库均质化动态区间的管理方法用于管理原料仓库，所述原料仓库包括若干具有化学信息的原料的产品箱。所述原料仓库在本实施例中为原烟仓库。所述化学信息为原烟的常规化学指标。所述常规化学指标尼古丁(烟碱)，总糖，还原糖，总氮，钾，氯，和/或PH值。在执行本实施例所述的平库均质化动态区间的管理方法之前，即在原烟卸车进原烟仓库之后，需在所有产品箱入库之前需对其进行原料抽样，以形成原料样本集。具体地，在原烟卸车进仓库之后，通过对仓库待加工原烟进行抽样检测，抽样的方式为按产地，等级，车等属性对仓库中的原料进行抽样，抽样的方法为，从每个等级中抽取m个样本，每个样本的形成方式为在一个取样点不同的地方，按照分层取样取20个样本，形成一个混合样，并进行挂标识牌，标识牌要醒目，每个小区之间需要留有间隔；把获取的原烟样本，去除烟叶上的细土和泥沙，抽去主脉及直径超过2mm的支脉，将烟叶剪成片或切成丝，放入烘箱中，在45℃的温度下烘4h左右，直至可用手指捻碎。将烘好的烟叶取出，用粉碎机粉碎，粉碎时间不能太长，以免样品焦糊，粉碎后的烟末过40目的筛网，进行实验室近红外快速检测，设置近红外光谱仪参数分辨率为8cm-1，扫描次数为72次；获取原料样本的近红外光谱，以及常规的化学成分尼古丁，总糖，还原糖，总氮，钾，氯等化学指标。请参阅图1，显示为平库均质化动态区间的管理方法于一实施例中的流程示意图。如图1所示，所述平库均质化动态区间的管理方法具体包括以下几个步骤：S1，获取原料样本集中产品箱的原料常规化学指标，并从所述常规化学指标中选取用于在区间划分时所依据的调控指标。在本实施例中，所述原料常规化学指标包括尼古丁，总糖，还原糖，总氮，钾，氯。请参阅图2，显示为步骤S1的流程示意图。如图2所示，所述步骤S1包括以下几个步骤：S11，通过实验室近红外检测模型获取原烟常规化学指标。参见表1原烟仓库的常规化学指标。表1：原烟仓库的常规化学指标S12，从所述常规化学指标中选取用于在区间划分时所依据的调控指标。请参阅图3，显示为步骤S12的流程示意图。如图3所示，所述步骤S12包括以下几个步骤：S121，根据预存的感官评吸数据与常规化学指标之间的关联关系确定一候选调控指标集。由于化学成分是烟草品质的物质基础，不同的质量必定具有不同的成分，类似的质量必定有类似的物质基础。所以本实施例通过预存的(历史的)感官评吸数据g与常规化学指标x之间的关联关系，可以用相关系数来衡量。所述一候选调控指标集包括但不限于以下参数，如皮尔逊相关系数，等级相关系数，和/或积差相关系数等。从中找出感官评吸数据与常规化学指标关联系较大的作为调控指标。例如，皮尔逊相关系数γ的计算方法如下：其中，i表示样本序号，xi为第i个指定样本的常规化学指标，为常规化学指标的平均值，gi为第i个指定样本的感官评吸数据，为感官评吸数据的平均值，n为样本数量。斯皮尔曼(Spearman)等级相关rR的计算方法如下：RX为x变量的区间序号；RY——g变量的区间序号；n为样本数量。积差相关系数rXY的计算方法如下：本步骤以历史的官评吸数据与化学指标数据运用等级相关系数计算得到表2感官评吸数据与常规化学指标的关联性表。表2：感官评吸数据与常规化学指标的关联性表优雅感细腻感甜香透发性清晰度香气量成团性柔和性杂气润感刺激性余味烟气浓度劲头总糖0.4260.4090.3940.4350.4140.3550.3320.2830.4920.3960.3020.2710.2200.274烟碱0.3270.2590.2840.2850.2820.2450.2880.4240.3430.3470.3450.2620.4020.384还原糖0.4340.4470.3370.4420.4110.2950.3160.2630.3850.3810.2520.3100.1760.231硝酸盐0.3140.3650.2720.3500.3980.2660.1980.2670.3310.3300.2050.2460.2770.287氯0.2010.2950.2740.2810.2390.2060.1850.2740.2650.2150.2520.1880.3190.261钾0.2430.2740.3670.2840.2120.3250.2660.2330.3140.2430.3050.2780.2410.242总氮0.3800.3690.3800.3790.3460.2870.2970.2520.5820.3440.2030.2580.2630.250两糖比0.3420.3010.4290.4040.3360.3290.2940.2820.3340.3120.2430.3150.2630.259糖碱比0.4190.3260.4100.4760.3650.2600.2830.3580.5070.3610.2890.2680.2510.311氮碱比0.1830.1830.1980.1980.2270.2550.2210.2780.1960.2060.3360.1820.3960.417钾氯比0.2410.2530.2000.2230.1930.2510.2830.2330.2470.2580.2780.2190.2240.191在本实施例中，选取关联阈值大于0.4的化学指标，筛选出糖碱比，总糖，还原糖，尼古丁，两糖比为影响感官的候选调控指标。S122，根据在线近红外模型进行预测，以确定另一候选调控指标集。在本实施例中，根据在线近红外模型的构建过程为：光谱的采集，化学指标的检测(流动或实验室近红外)，光谱的预处理，异常样本的剔除，波长的选择，模型的构建，模型的内部验证，模型的外部验证，外部验证一般通过在线对不同产地不同批次的烟叶进行取样后，获取在线的红外图谱，根据在线近红外模型预测图谱的常规化学指标，然后与标准的流动值进行对比；评价不同红外模型中常规化学指标的预测绝对误差，相对误差，相关系数，以相关系数与相对/绝对误差的比值作为另一候选调控指标集的依据，该另一候选调控指标集中相关系数与相对/绝对误差的比值命名为RWB，作为候选调控指标。相关系数与相对/绝对误差的比值RWB的计算方式为：其中prex表示化学指标x的红外预测数据，corr表示的是皮尔逊相关系数，mean表示求平均值，abs表示的是求绝对值。在本实施例中，另一候选调控指标集的验证误差表如表3所示。表3：近红外模型不同化学指标的外部验证误差表因此，根据表3中的RWB筛选出RWB大于10的尼古丁，总糖，还原糖为模型准确度较高的另一候选调控指标集。S123，根据原料常规化学指标的变异系数，以确定又一候选调控指标集。在本实施例中，原料常规化学指标的变异系数CV的计算如下：其中，std表示常规化学指标x的标准偏差。请参阅图4，显示为原料常规化学指标的变异系数。从变异系数中筛选出还原糖，尼古丁，总糖为波动较大的调控指标。S124，依据实际生产需要，按照调控指标重要程度，从三种候选调控指标集中选取一所依据的调控指标。在本实施例中，调控指标的重要程度为原料常规化学指标的变异系数CV大于相关系数与相对/绝对误差的比值RWB大于感官评吸数据与常规化学指标关联系数。在本实施例中，选择原料常规化学指标的变异系数CV中的尼古丁为区间划分时所依据的调控指标C。S2，根据预定划分规则，对原料样本集中的产品箱进行区间划分，并按照已划分好的区间，以将所述原料仓库中所有产品箱进行调控。请参阅图5，显示为步骤S2的流程示意图。如图5所示，所述步骤S2具体包括以下几个步骤：S21，根据表1中的20个样本尼古丁的数据，计算原料样本集中所依据的调控指标的平均值MC，即尼古丁的平均值，即2.56。S22，按照预定的大区间设置块数m，及调控指标的设置间隔Δ，以[调控指标的平均值MC，调控指标的平均值+调控指标的设置间隔]中心区域，对原料样本集进行大区间划分，形成数目与预定的大区间设置块数一致的大区间。在本实施例中，中心区域的化学调控指标分布区间为[MC,MC+Δ]，中心区域相邻的两端区域分别为化学值分布区间为[MC-Δ,MC]，[MC+Δ,MC+2Δ]，[MC-Δ,MC]的下一个调控指标分布区间为[MC-2Δ,MC-Δ]，[MC+Δ,MC+2Δ]的下一个调控指标分布区间为[MC+2Δ,MC+3Δ]，依次类推，以Δ作为调控指标的设置间隔，直到划分完成所有的调控指标的大区间。具体地，预定的大区间设置块数m为3，调控指标的设置间隔Δ为0.4，将仓库划分三个大区间为A，B，C，三个大区间的尼古丁分布区间为A[0,2.4]；B:[2.4,3]，C＝[3,+∞]。S23，按照预定的小区间设置块数k，对划分的大区间继续细化，形成数目与预定的小区间设置块数一致的小区间。在本实施例中，在每个划分的大区间中，全部等分成k个小区间，k个小区间分别命名为A1,B1,,...M1,A2,B2,...M2,Ak,Bk,...Mk。具体地，所述预定的小区间设置块数k为3。在每个大区间内等分成三个小区间，小区间的调控指标分布区间分别为：a1:[0,2]，b1:[2,2.2]，c1:[2.2:2.4]；a2:[2.4,2.6]，b2:[2.6,2.8]，c2:[2.8,3]；a3:[3,3.2]，b3:[3.2,3.4]，c3:[3.4,+∞]。请参阅图6，显示为入库1000个烟箱后各小区间内的烟箱数量示意图。其中1，2，3，4，5，6，7，8，9分别代表着对应的区间为a1，b1，c1，a2，b2，c2，a3，b3，c3。S24，待一批次的产品箱通过在线红外模型入库后，根据细化后小区间对应的调控指标分布区间，令将入库的产品箱暂存于对应的小区间。S25，计算与每一小区间对应的统计参数。在本实施例中，与每一小区间对应的统计参数包括每一小区间内的产品箱的数目KQ_count、每一小区间内的产品箱比例KQ_bili、每一小区间对应的大区间的产品箱比例KQ_bili_da、及每一小区间对应的大区间的产品箱比例极差delt_new。其中，delt_new＝max(KQ_bili_da-min(KQ_bili_da)公式(4)请参阅图7，图8，分别显示为入库1000个烟箱后各小区间内的烟箱比例的示意图，及每一小区间对应的大区间的产品箱比例极差的示意图。S26，通过随机搜索的方式，根据预设的区间合并条件，及小区间对应的统计参数，对形成的小区间进行合并，重新生成调整后的大区间。在本实施例中，所述预设的区间合并条件：只合并相邻的小区间；大区间的产品箱数量大于箱数阈值SS1；调整前的大区间中每一小区间对应的大区间的产品箱比例极差delt_new大于一极差阈值SS2。在本实施例中，箱数阈值SS1＝100，SS2＝10％，维持小区间a1，b1，c1，a2，合并小区间b2，c2到a3小区间；重新生成的大区间的构成为A{a1,b1,c1}；B{a2}；C{b2,c2,a3,b3,c3}。请参阅图9，显示为在100个烟箱入库时重新生成的大区间的最大比例极差的时序图。在本实施例中，整个过程起始于100箱开始调整，中间只是在100箱调整了一次；原始调整前各区间的最大比例差异平均为61.35％，调整后新的区间的最大比例差异平均为3.3％，调整后各个区间内的烟箱比例的均匀性提高了94.62％。请参阅表4，显示为调整前后各大区间比例分部的均匀性。表4：调整前后各区间比例分布的均匀性ABC调整前35.10％62.30％2.60％化学分布[0,2.4][2.4,3][3,+∞]调整后35.10％31.80％33.10％化学分布[0,2.4][2.4,2.6][2.6,+∞]需要注意的是，在合并之后，对调整后的大区间重新生成对应的大区间代码。S27，计算调整后的大区间的产品箱数量，调整后的大区间的产品箱比例极差delt_new_tiaozheng，若调整后的大区间的产品箱比例极差delt_new_tiaozheng大于一极差阈值时，继续对小区间进行合并；若调整后的大区间的产品箱比例极差delt_new_tiaozheng小于等于极差阈值时，结束合并，并等待下一个批次的产品箱入库。S28，循环执行步骤S24至S27，直至所有的产品箱入库。S3，待所有产品箱(烟箱)入库后，按照均质化组批出库原则进行出库；所述均质化组批出库原则为依据所计算与调整后的大区间对应的出库参数出库。所述出库参数包括：调整后的大区间的产品箱的数目；调整后的大区间的产品箱比例Tk；调整后的大区间内产品箱的实际出库量，即每个生产单元G*Tk个产品箱；多次出库后实际出库量的均值，计算j次出库后出库量的均值；和/或实际出库的产品箱中调控指标的变异系数MTj,。本实施例所述的平库均质化动态区间的管理方法，具有以下有益效果：第一，从均质化调控指标的选择上，所述的平库均质化动态区间的管理方法清晰的阐述了如何选择均质化的调控指标，选择调控指标的依据，为均质化控制由表及里，由浅入深做了良好的铺垫；第二，从均质化控制的流程上，所述的平库均质化动态区间的管理方法比较巧妙地运用了分区间入库的方式，把原本既定的固定的划分区间变成了动态的划分区间，传统的平库区间划分方法很难估计出化学值得分布，必须预留足够的空间为将要进来的烟叶进行划分区域，本方法极大的节省了库存的压力，避免了由于一成不变的化学值区间划分造成的仓库的周转上的浪费；由于最后区间内烟箱数量比例的均等又为出库较少了压力，保证区间内烟箱数量的均等与区间内调控指标的一致性，提高了效率，增加了整个均质化控制的前后的衔接性。实施例二本实施例提供一种平库均质化动态区间的管理系统，所述的平库均质化动态区间的管理方法用于管理原料仓库，所述原料仓库包括若干具有化学信息的原料的产品箱。所述原料仓库在本实施例中为原烟仓库。所述化学信息为原烟的常规化学指标。所述常规化学指标尼古丁(烟碱)，总糖，还原糖，总氮，钾，氯，和/或PH值。在执行本实施例所述的平库均质化动态区间的管理方法之前，即在原烟卸车进原烟仓库之后，需在所有产品箱入库之前需对其进行原料抽样，以形成原料样本集。具体地，在原烟卸车进仓库之后，通过对仓库待加工原烟进行抽样检测，抽样的方式为按产地，等级，车等属性对仓库中的原料进行抽样，抽样的方法为，从每个等级中抽取m个样本，每个样本的形成方式为在一个取样点不同的地方，按照分层取样取20个样本，形成一个混合样，并进行挂标识牌，标识牌要醒目，每个小区之间需要留有间隔；把获取的原烟样本，去除烟叶上的细土和泥沙，抽去主脉及直径超过2mm的支脉，将烟叶剪成片或切成丝，放入烘箱中，在45℃的温度下烘4h左右，直至可用手指捻碎。将烘好的烟叶取出，用粉碎机粉碎，粉碎时间不能太长，以免样品焦糊，粉碎后的烟末过40目的筛网，进行实验室近红外快速检测，设置近红外光谱仪参数分辨率为8cm-1，扫描次数为72次；获取原料样本的近红外光谱，以及常规的化学成分尼古丁，总糖，还原糖，总氮，钾，氯等化学指标。请参阅图10，显示为平库均质化动态区间的管理系统于一实施例中的原理结构示意图。如图10所示，所述平库均质化动态区间的管理系统1包括选取模块11、处理模块12、及调控模块13。所述选取模块11用于获取原料样本集中产品箱的原料常规化学指标，并从所述常规化学指标中选取用于在区间划分时所依据的调控指标。在本实施例中，所述原料常规化学指标包括尼古丁，总糖，还原糖，总氮，钾，氯。所述选取模块11从所述常规化学指标中选取用于在区间划分时所依据的调控指标的具体功能如下：根据预存的感官评吸数据与常规化学指标之间的关联关系确定一候选调控指标集。由于化学成分是烟草品质的物质基础，不同的质量必定具有不同的成分，类似的质量必定有类似的物质基础。所以本实施例通过预存的(历史的)感官评吸数据g与常规化学指标x之间的关联关系，可以用相关系数来衡量。所述一候选调控指标集包括但不限于以下参数，如皮尔逊相关系数，等级相关系数，和/或积差相关系数等。从中找出感官评吸数据与常规化学指标关联系较大的作为调控指标。在本实施例中，选取关联阈值大于0.4的化学指标，筛选出糖碱比，总糖，还原糖，尼古丁，两糖比为影响感官的候选调控指标。根据在线近红外模型进行预测，以确定另一候选调控指标集。在本实施例中，根据在线近红外模型的构建过程为：光谱的采集，化学指标的检测(流动或实验室近红外)，光谱的预处理，异常样本的剔除，波长的选择，模型的构建，模型的内部验证，模型的外部验证，外部验证一般通过在线对不同产地不同批次的烟叶进行取样后，获取在线的红外图谱，根据在线近红外模型预测图谱的常规化学指标，然后与标准的流动值进行对比；评价不同红外模型中常规化学指标的预测绝对误差，相对误差，相关系数，以相关系数与相对/绝对误差的比值作为另一候选调控指标集的依据，该另一候选调控指标集中相关系数与相对/绝对误差的比值命名为RWB，作为候选调控指标。所述选取模块11筛选出RWB大于10的尼古丁，总糖，还原糖为模型准确度较高的另一候选调控指标集。根据原料常规化学指标的变异系数，以确定又一候选调控指标集。从变异系数中筛选出还原糖，尼古丁，总糖为波动较大的调控指标。依据实际生产需要，按照调控指标重要程度，从三种候选调控指标集中选取一所依据的调控指标。在本实施例中，调控指标的重要程度为原料常规化学指标的变异系数CV大于相关系数与相对/绝对误差的比值RWB大于感官评吸数据与常规化学指标关联系数。在本实施例中，选择原料常规化学指标的变异系数CV中的尼古丁为区间划分时所依据的调控指标C。与所述选取模块11连接的处理模块12用于根据预定划分规则，对原料样本集中的产品箱进行区间划分，并按照已划分好的区间，以将所述原料仓库中所有产品箱进行调控。所述处理模块12具体用于计算原料样本集中所依据的调控指标的平均值MC。所述处理模块12还用于按照预定的大区间设置块数m，及调控指标的设置间隔Δ，以[调控指标的平均值MC，调控指标的平均值+调控指标的设置间隔]中心区域，对原料样本集进行大区间划分，形成数目与预定的大区间设置块数一致的大区间。在本实施例中，中心区域的化学调控指标分布区间为[MC,MC+Δ]，中心区域相邻的两端区域分别化学值的分布区间为[MC-Δ,MC]，[MC+Δ,MC+2Δ]，[MC-Δ,MC]的下一个调控指标分布区间为[MC-2Δ,MC-Δ]，[MC+Δ,MC+2Δ]的下一个调控指标分布区间为[MC+2Δ,MC+3Δ]，依次类推，以Δ作为调控指标的设置间隔，直到划分完成所有的调控指标的大区间。所述处理模块12还用于按照预定的小区间设置块数k，对划分的大区间继续细化，形成数目与预定的小区间设置块数一致的小区间。在本实施例中，在每个划分的大区间中，全部等分成k个小区间，k个小区间分别命名为A1,B1,,...M1,A2,B2,...M2,Ak,Bk,...Mk。所述处理模块12还用于待一批次的产品箱通过在线红外模型入库后，根据细化后小区间对应的调控指标分布区间，令将入库的产品箱暂存于对应的小区间。所述处理模块12还用于计算与每一小区间对应的统计参数。在本实施例中，与每一小区间对应的统计参数包括每一小区间内的产品箱的数目KQ_count、每一小区间内的产品箱比例KQ_bili、每一小区间对应的大区间的产品箱比例KQ_bili_da、及每一小区间对应的大区间的产品箱比例极差delt_new。所述处理模块12还用于通过随机搜索的方式，根据预设的区间合并条件，及小区间对应的统计参数，对形成的小区间进行合并，重新生成调整后的大区间。在本实施例中，所述预设的区间合并条件：只合并相邻的小区间；大区间的产品箱数量大于箱数阈值SS1；调整前的大区间中每一小区间对应的大区间的产品箱比例极差delt_new大于极差阈值SS2。所述处理模块12还用于计算调整后的大区间的产品箱数量，调整后的大区间的产品箱比例极差delt_new_tiaozheng，若调整后的大区间的产品箱比例极差delt_new_tiaozheng大于一极差阈值SS2时，继续对小区间进行合并，若若调整后的大区间的产品箱比例极差delt_new_tiaozheng小于或等于极差阈值SS2时，结束合并，并等待下一批次的产品箱入库。与所述处理模块12连接的调控模块13用于待所有产品箱入库后，按照均质化组批出库原则进行出库；所述均质化组批出库原则为依据所计算与调整后的大区间对应的出库参数出库。所述出库参数包括：调整后的大区间的产品箱的数目；调整后的大区间的产品箱比例Tk；调整后的大区间内产品箱的实际出库量，即每个生产单元G*Tk个产品箱；多次出库后实际出库量的均值，计算j次出库后出库量的均值；和/或实际出库的产品箱中调控指标的变异系数MTj,。本实施例还提供一种服务器2，请参阅图11，显示为服务器于一实施例中的原理结构示意图。如图11所示，所述服务器2包括上述的平库均质化动态区间的管理系统1。综上所述，本发明所述的平库均质化动态区间的管理方法、系统及服务器，具有以下有益效果：第一，从均质化调控指标的选择上，所述的平库均质化动态区间的管理方法、系统及服务器清晰的阐述了如何选择均质化的调控指标，选择调控指标的依据，为均质化控制由表及里，由浅入深做了良好的铺垫；第二，从均质化控制的流程上，所述的平库均质化动态区间的管理方法、系统及服务器比较巧妙地运用了分区间入库的方式，把原本既定的固定的划分区间变成了动态的划分区间，传统的平库区间划分方法很难估计出化学值得分布，必须预留足够的空间为将要进来的烟叶进行划分区域，本方法极大的节省了库存的压力，避免了由于一成不变的化学值区间划分造成的仓库的周转上的浪费；由于最后区间内烟箱数量比例的均等又为出库较少了压力，保证区间内烟箱数量的均等与区间内调控指标的一致性，提高了效率，增加了整个均质化控制的前后的衔接性。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属
技术领域：
中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。当前第1页1 2 3