基于偏最小二乘法的烟叶切丝后含水率的预测及应用

基于偏最小二乘法对影响切丝后含水率的12个因素进行建模分析,结果表明,各因素对切丝后含水率的影响程度不同:松散回潮出口含水率加料出口含水率贮叶柜温度车间相对湿度(切丝时)车间温度(切丝时)加料出口温度松散回潮出口温度松散回潮热风温度贮叶时间加料前HT蒸汽流量贮叶柜相对湿度加料流量;偏最小二乘法回归模型的拟合相关性较强;通过实际生产验证,通过预测切丝含水率来预判其是否满足指标范围要求的准确度较高。此方法可以为制丝生产过程切丝后含水率的预测和控制提供理论依据和生产指导。     

基于统计回归分析的松散回潮出口含水率精准控制系统

为解决松散回潮工序片烟出口含水率控制精度低、过程控制能力弱等问题,通过对松散回潮工序历史数据进行统计回归分析,建立了松散回潮出口含水率精准控制模型,并采用自学习算法对控制模型进行了自适应优化调整。选取南阳卷烟厂"红旗渠(天行健)"牌卷烟松散回潮的在线监测样本数据,对该控制系统的应用效果进行验证,结果表明:改进后出口含水率的控制精度显著提高,过程偏移量减少0.24%,标准偏差和极差分别减小0.078%、0.34%,过程能力指数提高0.54,有效提高了生产过程控制水平。该方法为提高制丝生产过程批次内质量稳定性提供了支持。     

基于多因素分析的烘丝机入口含水率预测模型的建立与应用

为了保障制丝过程中烘丝机入口含水率的稳定性,采用Pearson相关分析的方法,确定烘丝机入口含水率的主要影响因素,并用神经网络算法和多元回归分析方法建立含水率预测模型。通过模型求解,实现给定烘丝机入口含水率计算松散回潮机回潮加水比例参考值的目的。采用模型预测值与实测值对比的方法进行检验。结果表明:烘丝机入口含水率设定值为19.2%时,采用本方法得到的烘丝机入口含水率均值为19.21%,优于改进前的19.09%,且误差标准偏差由0.43%降到0.26%,批次间烘丝机入口含水率的波动得到改善。      

基于模型预测控制的松散回潮自适应控制系统

为解决松散回潮的传统控制自适应差、控制不稳定等问题。根据松散回潮机工作原理与烟叶吸湿性机理,筛选出物料入口含水率、加水量、回风温度3个关键变量,以物料出口含水率为目标值,建立预测模型,针对因模型偏差导致的控制误差,在模型预测控制的基础上,运用神经网络模型中反向传播算法,根据松散回潮生产特性优化损失函数,使预测模型在控制过程中自迭代、自适应,提高了模型的自适应速率。系统优化后,松散回潮出口水分平均标准偏差由原0.29下降至0.20,同比下降32%,平均cpk由1.132提升至1.479,同比提升30%。有效提高了松散回潮过程控制能力。     

造纸法再造烟叶单独制丝关键工序加工条件对加工质量的影响

为分析造纸法再造烟叶单独制丝关键工序加工条件对加工质量的影响情况,研究了造纸法再造烟叶切丝和烘丝工序加工条件对加工质量的影响。结果表明:①随切丝机刀门压力增大,再造烟叶丝跑片比例减少、粘连并条比例增加;切丝宽度与刀门压力无明显线性关系,刀门压力过低,切丝合格率下降;②随切丝过程物料含水率增加,再造烟叶丝跑片比例略有减少、粘连并条比例增加,飞灰情况逐渐减轻;切丝宽度和宽度合格率与物料含水率无明显线性关系;③随烘丝加工强度的增加,烘后再造烟叶丝卷曲度增加、填充值略有增加。     

薄板烘丝机出口含水率稳定性控制方法研究

  目的  解决薄板烘丝机出口含水率控制精度较低、波动较大问题。  方法  采用滑窗法监测入口含水率的整体性波动并进行相应的准确控制,采用指数加权移动平均（Exponentially Weighted Moving Average,EWMA）法对出口含水率的波动及时调整,建立前馈和反馈相结合的出口含水率整合控制模型,并采用自学习算法对模型进行自动优化和修正。  结果  控制方法改进后,出口含水率控制精度显著提高,过程偏移量、标准差和极差分别降低50.0%、37.5%和14.3%,过程能力指数提高57.1%。  结论  基于滑窗预测和EWMA调整的薄板烘丝出口含水率稳定性控制方法能有效提升该工序的质量控制能力。      

基于双层EWMA方法的叶丝干燥出口含水率质量一致性控制

为解决叶丝干燥工序出口含水率波动大、批次质量不稳定等问题,采用双层指数加权移动平均(EWMA,Exponentially Weighted Moving Average)方法建立了叶丝出口含水率质量一致性控制模型,并采用自适应算法对该模型进行自动优化和修正。选取安阳卷烟厂"黄金叶(硬红旗渠)"牌卷烟叶丝干燥工序出口含水率在线监测数据,对双层EWMA控制系统进行测试,结果表明:改进后批次间出口含水率质量差异显著降低,出口含水率的平均偏移量、极差、均方误差等质量指标分别降低29%、2%和32%,过程能力指数提升18%,有效提高了出口含水率批次一致性。该方法可为提高卷烟生产均质化水平提供技术支持。     

润叶加料工序含水率控制及相关算法研究

制丝生产线润叶加料工序在含水率控制过程中,采用传统的单闭环控制方式,仅凭操作人员的经验设定喷水量对物料进行加水,导致出口片烟含水率波动较大、控制失调,影响成品烟丝的内在质量.为此,采用带前馈-串级双闭环控制方式,对润叶加料工序的含水率控制及其控制算法进行了优化改进.该控制方式将来料含水率波动、加料比例、直喷蒸汽和温度等影响因素进行了精确的量化处理,并对其控制算法进行了改进完善,较好地解决了出口片烟含水率波动大的问题.实际运行效果表明,带前馈-串级控制系统是制丝生产过程中改善和提高片烟加工含水率稳定性的一种有效控制方案,改进后该工序点含水率控制合格率由原来的80％提高到99.8％以上,保证了成品烟丝质量.     

基于RBF-ARX模型的烘丝机出口含水率优化控制方法

烘丝机出口烟丝含水率采用PID算法以及前馈补偿等控制方案,各控制回路之间相对独立,协调性差,控制精度低,难以实现完全的闭环自动控制。采用RBF-ARX模型对烘丝过程动态特性进行建模,提出了一种基于模型预测的烘丝机出口含水率控制方法。根据生产过程及生产工艺模式,将烘丝过程分为干头、中间及干尾3个阶段分别采用基于模型的优化设定或预测控制方法进行控制,并综合考虑了筒温、排潮等工艺参数同时变化时对出口含水率的影响,以获得工艺参数的最佳配置。应用效果表明:①实现了烘丝过程的自动化控制,避免了在生产过程中人工干预。②头尾段出口含水率在设定值±0.5%内,中间段出口含水率在设定值±0.2%内且标准偏差≤0.10%,可快速抑制各种干扰引起的含水率波动。③头部干烟丝量小于来料流量的0.27%,尾部干烟丝量小于来料流量的0.28%,降低了烟丝浪费和造碎。基于模型预测控制方法能够获得比筒温和排潮独立调节模式更好的控制效果,满足了工业应用的要求。     

基于分段预测前馈与EWMA反馈整合的松散回潮加水控制系统

  目的  为解决松散回潮工序出口含水率控制精度低,质量波动大等问题。  方法  根据入口含水率的变化采用分段预测的方法对加水阀门进行前馈控制,根据出口含水率实际值与目标值的偏差采用指数加权移动平均法（Exponentially Weighted Moving Average,EWMA）进行反馈控制,建立前馈和反馈整合的加水控制模型,并采用自学习算法对模型进行自动优化设计。  结果  改进后出口含水率控制精度和质量稳定性显著提高,均值与目标值的偏差和过程标准差分别减少62.8%和16.1%,过程能力指数提高31%。  结论  该方法有效提高了该生产过程的质量控制水平。      

卷烟制丝环节关键工序水分预测模型的建立与检验

以卷烟制丝环节的松散回潮工序、加料回潮工序、热风润叶工序以及制丝全线为研究对象,利用人工神经网络及多元回归建模方法,考察不同建模方法对各工序水分预测精度的影响,并对其进行运行测试。结果表明:松散回潮工序水分预测选择多元回归方法建模,其预测误差绝对值的均值为0.24%;加料回潮工序水分预测选择人工神经网络方法建模,其预测误差绝对值的均值为0.20%;热风润叶工序水分预测选择人工神经网络方法建模,其预测误差绝对值的均值为0.10%;制丝全线水分预测选择人工神经网络方法建模,其预测误差绝对值的均值为0.05%;模型运算系统基于C#语言开发,使用SQLSERVER数据库存储数据;开发的模型运算系统具有很强的数据分析能力和生产预测能力,可用于卷烟制丝环节各关键工序的水分预测。     

基于时序数据库与深度学习的制丝实时数据应用研究

  目的  研究气流烘丝机叶丝干燥工序出口叶丝含水率实时趋势预测的解决方案,提高产品工艺质量稳定性。  方法  基于时序数据库InfluxDB对实时生产数据进行存储、查询统计、分析告警,使用三次指数平滑算法、长短期记忆网络（LSTM）和序列到序列学习（Seq2Seq）对生产过程数据建模预测。  结果  ① 三次指数平滑算法集成在时序数据库中,可实现精度良好、准实时的叶丝出口含水率趋势预测;②在料头生产关键参数模仿学习方面,LSTM模型在整体性能上具有显著优势。  结论  采用时序数据库和深度学习算法结合的实时数据应用框架,横向集成最优算法模型,预测精度和应用效果良好。      

基于LSTM网络的粮食干燥机水分预测与优化

粮食干燥机的出机粮食水分预测有助于实现干燥机的智能化控制,从而可以减少干燥过程中的粮食损耗,对于粮食产后干燥环节有着重大意义。通过机器学习的方式进行预测,可以规避传统数学模型所存在的一系列缺陷。本文根据连续式谷物干燥机所提取的数据特征,提出了一种基于优化长短期记忆神经网络（LSTM）的稻谷出机水分预测模型。试验结果表明,出机水分与Min、To2、To3、Td1、Td2、Td3具有十分明显的相关性,通过设定不同的网络参数,确立了批尺寸50,学习率0.001,迭代次数50,时间步长50,神经元数100*100时效果最佳,此外还发现增加训练数据量,可以有效提高LSTM网络预测性能。将本研究建立的LSTM模型与BP、ELMAN、NARX等算法以及普通LSTM网络（无dropout,单隐藏层）进行比较。结果发现,相较于其他网络模型,本文所采用的LSTM模型可以更好的预测稻谷出机水分,其平均绝对误差（MAE）、均方根误差（RMSE）和决定系数（R2）分别为0.12%、0.20%和0.94。本研究所采用的优化LSTM模型具有较高预测精度,稳定性以及泛化性,可以为粮食干燥机的水分预测控制提供参考。     

基于MIV-BP神经网络的成品烟丝质量预测模型构建

目的：构建卷烟制丝过程成品烟丝质量模拟预测模型。方法：使用平均影响值法（the Mean Impact Value, MIV）对制丝加工过程工艺参数进行筛选,然后通过反向传播（Back-Propagation,BP）神经系统构建起制丝关键工艺参数和成品烟丝质量的模拟模型。结果：通过模拟数据与实测数据比较,填充值的模拟预测平均相对误差为3.16%;整丝率的模拟预测平均相对误差为0.67%;碎丝率的模拟预测平均相对误差为5.33%。结论：该模型预测值与实测值之间相对误差较小,精确性高,该模型适用于卷烟制丝生产过程工艺参数仿真优化。     

基于不同颜色模型定量预测永川秀芽在制品含水率

为定量预测永川秀芽在制品的含水率,基于不同颜色模型探究在制品的色泽变化,并结合偏最小二乘（partial least square,PLS）法建立含水率的定量预测模型。结果表明：在永川秀芽初制过程中,在制品的红绿度、蓝色通道均值增高,含水率和亮度、黄蓝度、红色通道均值、绿色通道均值、色调均值等15 个颜色模型分量降低,即色泽表现为变暗、变黄;通过热图与聚类分析,可将在制品分为2 个大类、4 个亚类,且理条工序对在制品含水率、色泽的影响最为显著;利用17 个颜色模型分量和PLS方法建立了含水率的定量预测模型,以校正集相关系数（Rc）、交互验证均方根误差（root-mean-square error of cross-validation,RMSECV）、预测集相关系数（Rp）、预测均方根误差（root-mean-square error of prediction,RMSEP）、相对分析误差（relative percent deviation,RPD）为评价指标。模型的Rc、Rp、RMSECV、RMSEP分别为0.979、0.980、0.044 7、0.044 3。RMSECV、RMSEP的差值仅为0.000 4,且RPD达到5.04,表明模型具有极好的预测能力和泛化能力,为实现永川秀芽在制品含水率的在线监测提供了一种新方法。     

Prediction of moisture in cheese of commercial production using neural networks

Control of cheese moisture is paramount to maximizing yield and profitability of a cheesemaking operation. Modeling and prediction of cheese moisture prior to pressing from a large industrial database for stirred-curd Cheddar cheese made with non-standardized and standardized milk was carried out using neural networks (NN). The number of model input variables was reduced by removing or combining some of them, based on cheesemaking knowledge and on the results of two tests estimating the impact of each model input. Input removal was carried out until the validation mean absolute prediction error (MAPE) increased. An initial NN cheese moisture model with 38 input process variables, coded as 57 NN inputs, was reduced to one with 21 input process variables, coded as 34 NN inputs. For the latter, the validation MAPE was 0.53% cheese moisture in a range of cheese moisture of 13.2%, and 0.51% for the best 25% of models (out of 100). For the range of operating conditions of the process in this study, four main groups of variables were found to be the most influential on the prediction of cheese moisture: cutting and subsequent stirring of the curd, curd rinsing temperature, starter quantity, activity and strain, and seasonal variation of milk composition. The NN model with the selected input variables and optimized number of hidden neurons was then used to predict cheese moisture for ranges of these variables. This study showed that NN models can successfully extract input–output variable relationships from industrial production data in spite of the inherent error in these data. The resulting NN models can be used both for research to develop the base of knowledge on production variables and their complex interactions, as well as for the prediction of cheese moisture.     

醋醅中不同的含水量对山西老陈醋熏醅品质的影响

通过对比含水量为60%、50%和40%的醋醅在熏醅前后的变化,分析醋醅不同含水量对总酸、蛋白质、不挥发酸、氨基酸态氮、还原糖、总酯、淀粉、总黄酮及丙二醛等的影响。结果表明,氨基酸态氮和淀粉在含水量40%的醋醅中含量降低速度最快,熏醅第1天分别由0.49%和10.00%降低至0.13%和4.75%,含水量50%的醋醅次之,分别降至0.34%和7.49%;还原糖在含水量50%的醋醅中含量降低速度最快,熏醅第1天由4.50%降至1.67%;含水量60%和50%的醋醅更有利于酯类和黄酮类成分的保留,其中酯类由1.70%分别升高至3.42%和3.78%,总黄酮由7.77 mg/100 g分别升高至9.93 mg/100 g和12.10 mg/100 g。丙二醛生成量在含水量60%、50%和40%醋醅中分别达到0.41 mg/kg、0.74 mg/kg和1.14 mg/kg。在3种不同含水量的醋醅中,含水量50%的醋醅中各类物质的变化最为均衡。