【技術實現步驟摘要】
本專利技術屬于卷煙制絲，尤其涉及一種基于機器學習的切絲工段煙葉累計重量預測方法。
技術介紹
1、在卷煙制絲過程中，從原煙箱出庫到成品煙絲進柜，中間需要經過諸多關鍵工序，整個加工過程工序繁瑣、工藝路線較長，造成損耗點較多，而精準統計與穩定控制切絲工段煙葉流量，以及基于皮帶秤與工藝數據擬合預測煙葉累計重量，是工廠提高切絲工藝質量和出絲率的有效途徑和迫切需求。此外，切絲工段皮帶秤作為制絲工藝過程煙絲稱重控制、煙絲產質量報工的關鍵設備，其設備狀態與測量精度至關重要。
2、因此，如何精準預測切絲工段煙葉累計重量以及在此基礎上監控皮帶秤設備狀態成為本領域亟需解決的技術難題。
技術實現思路
1、本專利技術的目的在于克服現有技術中的不足，提供一種基于機器學習的切絲工段煙葉累計重量預測方法，以解決切絲工段煙葉累計重量預測困難的問題。
2、為解決上述技術問題，本專利技術是采用下述方案實現的：
3、本專利技術提供一種基于機器學習的切絲工段煙葉累計重量預測方法，包括：
4、當切絲工段批生產時，向訓練好的在線預測煙葉累積量線性回歸模型輸入與煙葉累積量相關的因子、氣候相關因子及生產時間段變量，在線預測煙葉累積量線性回歸模型輸出實時在線預測皮帶秤累積量；
5、當切絲工段批生產結束后，向訓練好的離線預測煙葉累積量線性回歸模型輸入與煙葉累積量相關的因子、氣候相關因子及生產時間段變量，離線預測煙葉累積量線性回歸模型輸出離線預測皮帶秤累積量。
6、
7、可選地，在線預測煙葉累積量線性回歸模型和離線預測煙葉累積量線性回歸模型的訓練包括：
8、根據制絲線切片工段、切絲工段的工藝流程圖識別出多組與煙葉累積量相關的因子；
9、以煙草制絲生產批次為單位，按批導出煙葉累積量相關的因子及對應切前潤葉前秤累積量的歷史數據；
10、對導出的歷史數據進行處理，去除離群點；
11、導入氣候相關因子和生產時間段變量，利用皮爾遜公式對每月氣候相關因子、生產時間段變量及去除離散點后煙葉累積量相關的因子及對應切前潤葉前秤累積量的歷史數據進行相關性分析，將每月氣候相關因子、生產時間段變量及去除離散點后煙葉累積量相關的因子中與每月去除離散點后對應切前潤葉前秤累積量相關性系數大于設定值的變量作為每月待訓練線性回歸模型的輸入量，將每月去除離散點后對應切前潤葉前秤累積量作為每月待訓練線性回歸模型的輸出量，按月份訓練生成每月對應的在線預測煙葉累積量線性回歸模型和離線預測煙葉累積量線性回歸模型；
12、其中，在線預測煙葉累積量線性回歸模型訓練時輸入量中切前潤葉入口水分為切絲工段批啟動時切前潤葉入口工藝標準水分及切絲工段批生產時切前潤葉入口水分檢測儀表檢測到的切前潤葉入口水分的歷史數據；離線預測煙葉累積量線性回歸模型訓練時輸入量中切前潤葉入口水分為切絲工段批生產結束后整個批次切前潤葉入口水分的歷史數據均值。
13、可選地，當切絲工段開始批生產時，向訓練好的在線預測煙葉累積量線性回歸模型輸入與煙葉累積量相關的因子、氣候相關因子及生產時間段變量，包括：
14、當切絲工段批生產時，向訓練好的在線預測煙葉累積量線性回歸模型輸入氣候相關因子、生產時間段變量及除切前潤葉入口水分外的與煙葉累積量相關的因子；
15、當切絲工段啟動時，向訓練好的在線預測煙葉累積量線性回歸模型輸入切前潤葉入口工藝標準水分，當切絲工段進行時，間隔讀取切前潤葉入口水分檢測儀表穩定檢測到的多組切前潤葉入口水分，將多組切前潤葉入口水分的均值作為算數平均值輸入訓練好的在線預測煙葉累積量線性回歸模型。
16、可選地，當切絲工段批生產結束后，向訓練好的離線預測煙葉累積量線性回歸模型輸入與煙葉累積量相關的因子、氣候相關因子及生產時間段變量，包括：
17、當切絲工段批生產結束后，向訓練好的離線預測煙葉累積量線性回歸模型輸入氣候相關因子、生產時間段變量及除切前潤葉入口水分外的與煙葉累積量相關的因子；
18、當切絲工段批生產結束后，將當前整個批次切前潤葉入口水分的歷史數據均值輸入訓練好的離線預測煙葉累積量線性回歸模型。
19、可選地，還包括：對實時在線預測皮帶秤累積量、離線預測皮帶秤累積量與皮帶秤測量累積量進行分析，根據分析結果判定是否發出預警，包括：
20、將間隔時間記錄的實時在線預測皮帶秤累積量轉換為時序數組，對時序數組內元素從小到大排序，得到實時在線預測皮帶秤累積量中位數；
21、若皮帶秤測量累積量與實時在線預測皮帶秤累積量中位數的偏差大于第一設定閾值，則發出預警；
22、若皮帶秤測量累積量與離線預測皮帶秤累積量的偏差大于第二設定閾值，則發出預警；
23、若實時在線預測皮帶秤累積量中位數與離線預測皮帶秤累積量的偏差大于第三設定閾值，則發出預警。
24、可選地，還包括：
25、當發出預警時，先校驗皮帶秤是否異失效；
26、若皮帶秤校驗不失效，則比較實時在線預測皮帶秤累積量中位數、離線預測皮帶秤累積量分別與皮帶秤測量累積量之間的差值；
27、若實時在線預測皮帶秤累積量中位數與皮帶秤測量累積量之間的差值大于離線預測皮帶秤累積量分別與皮帶秤測量累積量之間的差值，則判定在線預測煙葉累積量線性回歸模型存在偏差；
28、若離線預測皮帶秤累積量分別與皮帶秤測量累積量之間的差值大于實時在線預測皮帶秤累積量中位數與皮帶秤測量累積量之間的差值，則判定離線預測煙葉累積量線性回歸模型存在偏差。
29、可選地，還包括：
30、若在線預測煙葉累積量線性回歸模型存在偏差，則將離線預測皮帶秤累積量和皮帶秤測量累積量的均值導入在線預測煙葉累積量線性回歸模型進行再訓練；
31、若離線預測煙葉累積量線性回歸模型存在偏差，則將實時在線預測皮帶秤累積量中位數和皮帶秤測量累積量的均值導入離線預測煙葉累積量線性回歸模型進行再訓練。
32、本專利技術還提供一種電子設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執行所述程序時實現前述基于機器學習的切絲工段煙葉累計重量預測方法的步驟。
33、本專利技術還提供一種計算機可讀存儲介質，其上存儲有計算機程序，該計算機程序被處理器執行時實現前述基于機器學習的切絲工段煙葉累計重量預測方法的步驟。
34、有益效果
35、1、本專利技術充分利用了實時在線預測和離線預測的特性，基于兩種模型的結合，得出物料累計重量誤差并對生產線給予狀態預警，起到了煙葉累計重量狀態監控的作用。
36、2、本文檔來自技高網...
【技術保護點】
1.一種基于機器學習的切絲工段煙葉累計重量預測方法，其特征在于，包括：
2.根據權利要求1所述基于機器學習的切絲工段煙葉累計重量預測方法，其特征在于，煙葉累積量相關的因子包括為松散潤葉加水累積量、松散潤葉前秤累計量、松散潤葉出口溫度、松散潤葉出口水分、切前潤葉入口水分、預配柜存柜時間、配葉柜存柜時間和預配柜至配葉柜的換柜時間；氣候相關因子包括大氣溫度和大氣濕度；生產時間段變量為生產時間段。
3.根據權利要求2所述基于機器學習的切絲工段煙葉累計重量預測方法，其特征在于，在線預測煙葉累積量線性回歸模型和離線預測煙葉累積量線性回歸模型的訓練包括：
4.根據權利要求2所述基于機器學習的切絲工段煙葉累計重量預測方法，其特征在于，當切絲工段開始批生產時，向訓練好的在線預測煙葉累積量線性回歸模型輸入與煙葉累積量相關的因子、氣候相關因子及生產時間段變量，包括：
5.根據權利要求2所述基于機器學習的切絲工段煙葉累計重量預測方法，其特征在于，當切絲工段批生產結束后，向訓練好的離線預測煙葉累積量線性回歸模型輸入與煙葉累積量相關的因子、氣候相關因子及生產時
6.根據權利要求1所述基于機器學習的切絲工段煙葉累計重量預測方法，其特征在于，還包括：對實時在線預測皮帶秤累積量、離線預測皮帶秤累積量與皮帶秤測量累積量進行分析，根據分析結果判定是否發出預警，包括：
7.根據權利要求6所述基于機器學習的切絲工段煙葉累計重量預測方法，其特征在于，還包括：
8.根據權利要求7所述基于機器學習的切絲工段煙葉累計重量預測方法，其特征在于，還包括：
9.一種電子設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，其特征在于，處理器執行程序時實現權利要求1至8中任一項所述基于機器學習的切絲工段煙葉累計重量預測方法的步驟。
10.計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，該計算機程序被處理器執行時實現權利要求1至8中任一項所述基于機器學習的切絲工段煙葉累計重量預測方法的步驟。
...【技術特征摘要】
1.一種基于機器學習的切絲工段煙葉累計重量預測方法，其特征在于，包括：
2.根據權利要求1所述基于機器學習的切絲工段煙葉累計重量預測方法，其特征在于，煙葉累積量相關的因子包括為松散潤葉加水累積量、松散潤葉前秤累計量、松散潤葉出口溫度、松散潤葉出口水分、切前潤葉入口水分、預配柜存柜時間、配葉柜存柜時間和預配柜至配葉柜的換柜時間；氣候相關因子包括大氣溫度和大氣濕度；生產時間段變量為生產時間段。
3.根據權利要求2所述基于機器學習的切絲工段煙葉累計重量預測方法，其特征在于，在線預測煙葉累積量線性回歸模型和離線預測煙葉累積量線性回歸模型的訓練包括：
4.根據權利要求2所述基于機器學習的切絲工段煙葉累計重量預測方法，其特征在于，當切絲工段開始批生產時，向訓練好的在線預測煙葉累積量線性回歸模型輸入與煙葉累積量相關的因子、氣候相關因子及生產時間段變量，包括：
5.根據權利要求2所述基于機器學習的切絲工段煙葉累計重量預測方法，其特征在于，當切絲工段批生產結束后...
【專利技術屬性】
技術研發人員：郭奔，吳林岳，王志軍，章軍，許小雙，李淑彪，
申請(專利權)人：浙江中煙工業有限責任公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。