基于LSTM的环境温湿度在烟丝过程中的水份连续实时预测方法技术

本发明专利技术公开了一种基于LSTM的环境温湿度在烟丝过程中的水份连续实时预测方法，为了保障多批次、连续生产环境下，加香后的烟丝出口水分的稳定性，实现基于LSTM的深度学习迭代预测方法，分析环境温湿度在烟丝过程中的水份分析和预测对加香后烟丝出口水分的影响，建立加香后烟丝含水率实时预测模型；通过模型求解，得出预测的环境温湿度对加香后烟丝出水率的影响趋势，最后采用模型预测值与实测值对比的方法进行检验。本发明专利技术能实现对制丝水分的预测，从而提高预测的准备性和效率。

Continuous and real time prediction method of moisture content in cut tobacco process based on LSTM

【技术实现步骤摘要】
基于LSTM的环境温湿度在烟丝过程中的水份连续实时预测方法
本专利技术涉及智能制造实时预测领域，具体针对烟丝生产过程中，在连续、多批次、反馈滞后性的环境下，基于LSTM的环境温湿度实时预测方法。
技术介绍
随着工业现代化和科学技术的进步，作为我国经济收入的重要组成部分，我国烟草行业也步入了一个新的发展阶段。卷烟生产是一个相对比较复杂的过程，其每一环节都对卷烟的品质与材料的消耗等具有重大的影响。而作为烟草加工工艺过程中的重要环节，烟草制丝加工由于具有较强的连续性和相关性，以及具备多种多样的工艺设备因素，使得其在加工过程中能够有效的保证卷烟质量的稳定性。制丝过程作为卷烟生产的一个重要阶段，其过程控制对后段工序的生产乃至烟支成品的质量都有显著影响。在整个制丝过程，烟丝水分都伴随着烟丝生产的始终，因此对于制丝线烟丝水分的控制，显得尤为重要。烟丝水分的把握是否得当，直接影响着烟丝的柔韧性和耐加工性，从而关系到生产过程烟丝的消耗、烟支的感官舒适度，甚至对卷烟的生产成本和销售收益造成影响。烘丝和加香是制丝过程的关键环节，这一流程的烟丝含水率控制自然而然成为精准化管理的重点。加香后环境温湿度数据具有时间序列特征。近年来，随着深度学习技术的不断发展，一些深度学习模型逐渐被应用到时序数据的研究中。在深度学习模型中，循环神经网络(RecurrentNeuralNetwork，RNN)将时序的概念引入到网络结构设计中，使其在时序数据分析中表现出更强的适应性。长短期记忆(longshorttermmemory，LSTM)模型弥补了梯度消失和梯度爆炸、长期记忆能力不足等问题。与传统的RNN相比，LSTM能够学习时间序列的隐在联系，并根据时间序列的相关性，从而得出最优化的模型。传统LSTM模型的研究成果表明LSTM在时间序列数据预测中的可行性，并已经取得了显著的效果。但是在烟草制丝生产环节，多批次的烟叶，需要在连续生产环境下的实时预测，每个批次的控制参数，各个参数都在实时变化，同时，加香后烟丝含水率的控制研究主要集中在智能控制和PID控制以及两者相结合的方式，由于控制效果有一定的滞后性，无法考虑环境温湿度存在的潜在影响，容易导致加香后的烟丝含水率稳定率下降。因此传统LSTM算法，很难实现这种滞后性、连续、多批次下的实时准确预测。
技术实现思路
本专利技术为克服现有技术的不足之处，提出一种基于LSTM的环境温湿度在烟丝过程中的水份连续实时预测方法，以期能实现对制丝水分的预测，从而提高预测的准备性和效率。本专利技术为达到上述专利技术目的，采用如下技术方案：本专利技术一种基于LSTM的环境温湿度在烟丝过程中的水份连续实时预测方法的特点包括以下步骤：S1:收集烟厂车间环境的温湿度数据，并对温湿度数据进行标准化处理后，划分为训练集Ttr和测试集Tte；S2:构建基于环境温湿度对加香后烟丝出口水分的LSTM预测模型；S3:基于所述训练集训练LSTM预测模型的隐藏层，并得到预测输出值；S4:对比实际输出值和预测输出值的损失函数值，通过降低损失函数值不断优化训练后的LSTM预测模型，从而得到最优LSTM预测模型用于实现水份分析和预测。本专利技术所述的基于LSTM的环境温湿度在烟丝过程中的水份连续实时预测方法的特点也在于，利用式(1)对S1中的温湿度数据进行标准化处理：Xnorm＝(X-Xmin)(Xmax-Xmin)(1)式(1)中：Xnorm为标准化后的温湿度数据；X为原始的温湿度数据；Xmax、Xmin分别为原始的温湿度数据中的最大值和最小值。S2中建立的LSTM预测模型的结构包括：输入层、隐藏层、输出层；所述输入层的输入数据为：制丝车间环境温湿度和加香车间环境温湿度；所述输出层的输出数据为：加香机机出口含水率。利用式(2)得到所述LSTM预测模型中的隐藏层第t个时刻xt的输出Pt：Pt＝LSTM(xt,c＜t-1＞,h＜t-1＞)(2)式(2)中，c＜t-1＞、h＜t-1＞分别为第t-1个时刻的细胞状态和隐藏层状态。S4中LSTM预测模型优化过程中，利用式(3)定义训练过程的损失函数loss：式(3)中，Yi表示第i个实际值，Fi表示第i个预测值，Fi-Yi表示第i个误差；应用Adam优化算法不断更新LSTM预测网络，从而降低损失函数loss的值，并得到最终的LSTM预测网络；采用迭代预测的方法对最终的LSTM预测网络进行预测，得到L个理论输出数据Yp＝(x′m-L+1,x′m-L+2,...,x′m)，其中，x′m-L+2表示前L+2个理论输出数据；将L个理论输出数据Yp输入最终的LSTM预测模型中，从而利用式(4)得到第m+1时刻的预测输出值将第m+1时刻的输出值输入最终的LSTM预测模型网络，从而得到m+2时刻的输出为同理得到最终的预测序列对预测序列进行反归一化处理，得到与测试集对应的预测序列Pte；通过计算训练集Ttr与对应的拟合数据以及测试集Tte与对应的预测序列Pte的偏差，得到训练集Ttr的拟合精度和测试集Tte的预测精度。与已有技术相比，本专利技术的有益效果体现在：1、本专利技术通过构建多批次，连续生产环境下的数据模型，实现了多批次环境下的预测，解决了传统制丝预测不适应于分段预测的问题，实现了对批次的建模，且不需要中断。2、本专利技术通过对LSTM算法的通过控制模型的层数和参数量，实现了对LSTM内含隐藏层的迭代训练，克服了该算法在连续性、多批次、滞后性和实时性上的缺陷，有效提高了预测精度和训练速度。3、本专利技术能够连续性对多批次复杂环境下的持续实时预测，提高了方法的适用性和实时性。4、本专利技术能够实现端到端的训练与预测，与传统的预测算法相比，训练部分能够实时进行，针对每个批次都能进行训练，使每个批次的模型都不一样，每个批次的预测都有不同的模型，所以可以大幅提升预测的精度。5、本专利技术使用LSTM网络进行预测，其对时间序列有很好的表达能力，同时采用权重复用，拟合较好，从而能较好地应用在数据不稳定的场景。附图说明图1为本专利技术预测方法的流程图；图2为本专利技术基于LSTM的环境变量预测模型图；图3为本专利技术网络训练流程图；图4为本专利技术LSTM模型参数量；图5为本专利技术LSTM模型MAE和MSE值；图6a为本专利技术LSTM模型的拟合曲线；图6b为本专利技术LSTM模型的loss曲线。具体实施方式本实施中，一种基于LSTM的环境温湿度在烟丝过程中的水份连续实时预测方法，为了保障多批次、连续生产环境下，加香后的烟丝出口水分的稳定性，实现基于LSTM的深度学习迭代预测方法，分析环境温湿度在烟丝过程中的水份分析和预测对加香后烟丝出口水分的影响，建立加香后烟丝含水率实时预测模型；通过模型求解，得出预测的环境温湿度对加香后烟丝出水率的影响趋势，最后采用模型预测值与实测值对本文档来自技高网...

【技术保护点】
1.一种基于LSTM的环境温湿度在烟丝过程中的水份连续实时预测方法，其特征包括以下步骤：/nS1:收集烟厂车间环境的温湿度数据，并对温湿度数据进行标准化处理后，划分为训练集T

【技术特征摘要】
1.一种基于LSTM的环境温湿度在烟丝过程中的水份连续实时预测方法，其特征包括以下步骤：
S1:收集烟厂车间环境的温湿度数据，并对温湿度数据进行标准化处理后，划分为训练集Ttr和测试集Tte；
S2:构建基于环境温湿度对加香后烟丝出口水分的LSTM预测模型；
S3:基于所述训练集训练LSTM预测模型的隐藏层，并得到预测输出值；
S4:对比实际输出值和预测输出值的损失函数值，通过降低损失函数值不断优化训练后的LSTM预测模型，从而得到最优LSTM预测模型用于实现水份分析和预测。


2.根据权利要求1所述的基于LSTM的环境温湿度在烟丝过程中的水份连续实时预测方法，其特征是，利用式(1)对S1中的温湿度数据进行标准化处理：
Xnorm＝(X-Xmin)(Xmax-Xmin)(1)
式(1)中：Xnorm为标准化后的温湿度数据；X为原始的温湿度数据；Xmax、Xmin分别为原始的温湿度数据中的最大值和最小值。


3.根据权利要求1所述的基于LSTM的环境温湿度在烟丝过程中的水份连续实时预测方法，其特征是，S2中建立的LSTM预测模型的结构包括：输入层、隐藏层、输出层；
所述输入层的输入数据为：制丝车间环境温湿度和加香车间环境温湿度；所述输出层的输出数据为：加香机机出口含水率。


4.根据权利要求3所述的基于LSTM的环境温湿度在烟丝过程中的水份连续实时预测方法，其特征...

【专利技术属性】
技术研发人员：李国龙，薛训明，徐永虎，许默为，文良奎，李亚，陆琨，汪飞，张超，孔兴，
申请(专利权)人：安徽中烟工业有限责任公司，
类型：发明
国别省市：安徽;34