[0001]
本发明属于面向卷烟的薄板干燥过程单元的自动控制技术领域，特别是指一种薄板干燥工序精准控制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]
薄板干燥过程是卷烟加工的主要组成部分，也是提高信息化和智能化水平的关键。薄板干燥工序对卷烟产品感官质量的影响较大，如何保证薄板干燥工序的质量的稳定性和一致性，是本领域的重点研究方向。
技术实现要素：
[0004]
本发明的目的是提供一种薄板干燥工序精准控制智能预测模型及应用，以解决现薄板干燥工序中，烟丝的质量稳定性和一致性较差的问题。
[0005]
本发明是通过以下技术方案实现的：
[0006]
一种薄板干燥工序精准控制智能预测模型，包括以下步骤：
[0007]
s1、确定预测模型的因变量，薄板干燥工序预测模型的因变量为烘丝出料含水率；
[0008]
s2、选取薄板干燥工序多个设定时间段的历史数据作为待选样本；
[0009]
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；
[0010]
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；
[0011]
s5、对步骤s4得到的样本数据库，运用scad方法筛选出影响烘丝出料含水率的关键参数；
[0012]
s6、以样本数据库为基础，运用前馈神经网络方法或支持向量机大数据方法构建薄板干燥关键参数智能预测模型；
[0013]
s7、重复步骤s2至步骤s6，直至对待选样本均得到对应的关键参数智能预测模型，再对得到的关键参数智能预测模型通过五折交叉验证筛选最优的关键参数智能预测模型，即为薄板干燥工序精准控制智能预测模型。
[0014]
优选的，设定时间段的时间长度为一年或一年以上。
[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]
一种薄板干燥工序精准控制智能预测模型的应用，在保障感官质量的关键参数范围和上述任一项的烘丝出料含水率的中心值的前提下，在上述任一项的薄板干燥工序精准
控制智能预测模型的基础上加入遗传算法，得到不同环境条件下切叶丝含水率的中心值范围。
[0017]
优选的，所述感官质量的关键参数范围，是通过数据挖掘方法确定叶丝干燥工序影响感官质量的关键参数及关键参数的设计范围。
[0018]
本发明的有益效果是：
[0019]
本技术方案针对卷烟产品内在质量的稳定性和一致性，结合数据和感官品吸验证数据，利用简单移动平均方法及遗传算法等对历史数据的感官致性的研究，挖掘薄板干燥工序对卷烟产品感官质量影响较大的关键参数，逐步确定感官类参数的设计范围，建立与之相适应的薄板干燥调控模式。
具体实施方式
[0020]
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。
[0021]
本申请提供一种薄板干燥工序精准控制智能预测模型，包括以下步骤：
[0022]
s1、确定预测模型的因变量，薄板干燥工序预测模型的因变量为烘丝出料含水率；本技术方案均是以烘丝出料含水率为因变量的模型建立。
[0023]
s2、选取薄板干燥工序多个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。设定时间段的时间长度为一年或一年以上。
[0024]
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。
[0025]
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；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为对下一批烘丝含水率的预测值，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，以此来实现计算烘丝含水率的中心值。
[0026]
s5、对步骤s4得到的样本数据库，运用scad方法筛选出影响烘丝出料含水率的关键参数；所述scad方法为常规方法，本领域技术人员根据需要进行使用，为此，申请人不对该方法进行详细的说明。
[0027]
s6、以样本数据库为基础，运用前馈神经网络方法或支持向量机大数据方法构建薄板干燥关键参数智能预测模型。
[0028]
s7、重复步骤s2至步骤s6，直至对待选样本均得到对应的关键参数智能预测模型，再对得到的关键参数智能预测模型通过五折交叉验证筛选最优的关键参数智能预测模型，
即为薄板干燥工序精准控制智能预测模型。
[0029]
通过数据挖掘方法确定叶丝干燥工序影响感官质量的关键参数及关键参数的设计范围。
[0030]
将通过感官质量得到的关键参数与通过薄板干燥工序精准控制智能预测模型进行对比，在保障感官质量的基础上，得到感官质量一致的薄板干燥工序精准控制智能预测模型。
[0031]
本申请还提供一种薄板干燥工序精准控制智能预测模型的应用，在保障感官质量的关键参数范围和上述任一项的烘丝出料含水率的中心值的前提下，在上述任一项的薄板干燥工序精准控制智能预测模型的基础上加入遗传算法，得到不同环境条件下切叶丝含水率的中心值范围。
[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。