[0001]
本发明属于面向卷烟的制丝过程单元自动控制技术领域，特别是指一种叶片段水份智能预测模型及应用。
背景技术：
[0002]
中国是世界烟草第一大国，烟草产量和卷烟产量均为世界第一，烟草行业在我国国民经济中占有重要地位。但是，我国目前的烟草行业信息化、智能化水平较低，缺乏国际竞争力，如何提高我国烟草行业的信息化和智能化水平已经成为重中之重。
[0003]
制丝过程作为卷烟加工的主要组成部分，一直是过程质量和产品质量管控的重中之重，也是提高信息化和智能化水平的关键。制丝过程控制的关键是制丝水分的控制，由于存在机组、人员、外部环境等方面的参差不齐，导致不同批次制丝水分出现显著波动，进而直接影响成品烟丝水份也就是成品烟支含水率的稳定性和一致性。
[0004]
当外界环境温湿度存在季节性差异、水份控制的难度加大时，如何采取科学、有效的方法，进而改变控制方法和模式，有效的保证卷烟质量的稳定性就至关重要。
技术实现要素：
[0005]
本发明的目的是提供一种叶片段水份智能预测模型及应用，以实现科学、有效的控制，保证烟丝的含水率稳定，并进而保证卷烟质量的稳定性的问题。
[0006]
本发明是通过以下技术方案实现的：
[0007]
一种叶片段水份智能预测模型，是通过以下步骤建立的：
[0008]
s1、确定模型的因变量，本模型的因变量为切叶丝含水率；
[0009]
s2、选取多个叶片段各工序设定时间段的历史数据作为待选样本；
[0010]
s3、从步骤s2的待选样本中任选一个设定时间段的历史数据作为样本数据，并确定各工序之间的堆栈延时时间；
[0011]
s4、依据流式数据的特点，并在上述各工序之间的堆栈延时确定的基础上，运用简单移动平均方法计算得到样本数据库；
[0012]
s5、将步骤s4样本数据库中的松散回潮工序出料含水率、润叶加料工序的出料含水率及二级加料工序的出料含水率去除后，对余下的样本数据运用scad方法筛选出影响切叶丝含水率的关键参数；
[0013]
s6、运用神经网络方法构建以切叶丝含水率为因变量的智预测模型；
[0014]
s7、以nmse为目标值，利用步骤s2中其余的待选样本数据，优化智能预测模型的各关键参数，使得各关键参数的精度达到设定的预测精度。
[0015]
优选的，简单移动平均法的计算公式为：ft＝(at-1+at-2+at-3+
……
+at-n)/n，其中ft为对下一批切叶丝含水率的预测值，n为移动平均的时期个数，为自然数，at-1为样本数据中第一批的实际值，at-2、at-3和at-n分别为第二批、第三批和第n批的实际值。
[0016]
优选的，其中，j和k均为自然数，
[0017]
一种叶片段水份智能预测模型的应用，在松散回潮入料含水率和环境温湿度已知的前提下，利用上述任一项的智能预测模型。
[0018]
优选的，在智能预测模型的基础上，结合遗传算法，得到松散回潮工序的固定加水量和二级加料补水量。
[0019]
本发明的有益效果是：
[0020]
本技术方案针对优化的叶片段工艺路径，充分考虑相应的参数变量，建立切叶丝含水率模型的建立，确保切叶丝含水率批间动态调控，批内稳定一致。
具体实施方式
[0021]
以下通过实施例来详细说明本发明的技术方案，以下的实施例仅是示例性的，仅能用来解释和说明本发明的技术方案，而不能解释为是对本发明技术方案的限制。
[0022]
本申请提供一种叶片段水份智能预测模型，是通过以下步骤建立的：
[0023]
s1、确定模型的因变量，本模型的因变量为切叶丝含水率；本申请的技术方案均是以切叶丝含水率为因变量的模型建立。
[0024]
s2、选取多个叶片段各工序设定时间段的历史数据作为待选样本；在本申请的技术方案中，此部分的多个通常至少为3个或以上，若是选取的过少，会导致各关键参数的精度不精确，设定时间段可以根据需要进行设定，可以为一个批次内的某段时间，也可以为某段时间内要包括两个或两个以上批次。
[0025]
s3、从步骤s2的待选样本中任选一个设定时间段的历史数据作为样本数据，并确定各工序之间的堆栈延时时间；在连续生产的情况下，每个批次各工序之间的堆栈延时时间基本差别不大。
[0026]
s4、依据流式数据的特点，在本申请的技术方案中，流式数据是现数据处理方式的一种，计算速度介于实时数据和离线数据之间的数据处理方式。并在上述各工序之间的堆栈延时确定的基础上，运用简单移动平均方法计算得到样本数据库；简单移动平均法的计算公式为：ft＝(at-1+at-2+at-3+
……
+at-n)/n，其中ft为对下一批切叶丝含水率的预测值，n为移动平均的时期个数，为自然数，at-1为样本数据中第一批的实际值，at-2、at-3和at-n分别为第二批、第三批和第n批的实际值。简单移动平均对原序列有修匀或平滑的作用，使得原序列的上下波动被削弱了，而且平均的时期个数n越大，对数列的修匀作用越强，以此来实现计算松散回潮工序的固定加水量。
[0027]
s5、将步骤s4样本数据库中的松散回潮工序出料含水率、润叶加料工序的出料含
水率及二级加料工序的出料含水率去除后，对余下的样本数据运用scad方法筛选出影响切叶丝含水率的关键参数；所述scad方法的计算公式为常规的计算，通过现网络能够根据需要得到，在此不进行详细的说明。
[0028]
s6、运用神经网络方法构建以切丝含水率为因变量的智能预测模型；神经网络法是现常规的数据处理方法，可以使用布尔网络也可以为自我调整网络数据处理方法，在本申请的技术方案中，优先使用自我调整网络数据处理方法。
[0029]
s7、以nmse((归一化后的平均绝对误差)为目标值，利用步骤s2中其余的待选样本数据，优化智能预测模型的各关键参数，使得各关键参数的精度达到设定的预测精度。nmse的计算公式为：其中，j和k均为自然数，
[0030][0031]
本申请还提供一种叶片段水份智能预测模型的应用，在松散回潮入料含水率和环境温湿度已知的前提下，利用上述的智能预测模型，为了使切叶丝含水率更趋近于中心值，在智能预测模型的基础上，结合遗传算法，实现智能预测模型的前馈预测，得到松散回潮工序的固定加水量和二级加料补水量。
[0032]
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变形，本发明的范围由所附权利要求及其等同限定。