【技术实现步骤摘要】
本专利技术涉及卷烟制丝，特别是涉及一种烘丝机控制参数增量学习方法及系统。
技术介绍
1、在烟草制丝环节中，烘丝过程对烟草品质起着决定性作用。而非恒温恒湿的生产环境中环境温湿度是影响烘丝效果的关键因素之一，通常起伏变化较大往往直接影响烟草的干燥速度、内部水分分布及最终品质。传统的烘丝机控制参数调整多依赖操作人员的经验和试错，缺乏科学、系统的实时优化方法，导致烟草制丝烘丝生产工序质量的稳定性差，生产成本高。
2、传统的烘丝控制方法主要依赖经验参数，难以对环境温湿度的波动进行有效辨识，从而导致烘丝后烟丝水分控制效果不稳定，烟草制品质量难以保证。pid控制虽然能进行基本的温湿度自适应调节，但控制逻辑简单，难以应对烘丝过程中的复杂变化。人工控制受限于操作人员的经验和技能水平，无法实现精准和稳定的控制。线性模型虽然能对部分过程进行建模，但烟草烘丝涉及的非线性因素较多，导致模型预测精度有限。
3、现有控制方法尽管在一定程度上实现了对烘丝过程的控制，但存在以下局限性：(1)缺乏对烟草特性的差异化处理。不同牌号、批次的烟草具有独特的物理化学特性，其烘丝过程对环境温湿度的响应也各不相同。因此，通用的控制和优化方法在实际应用中效果不佳。(2)现有方法难以根据实时环境温湿度变化进行精准控制。烘丝过程是一个动态变化的过程，环境温湿度的变化会直接影响烘丝效果。然而，现有方法往往无法实时获取和分析环境温湿度数据，导致控制参数无法及时调整，从而影响烘丝效果的稳定性和一致性。
4、因此，提供一种解决上述技术问题的烘丝机控制参数
技术实现思路
1、本专利技术的目的在于提供一种烘丝机控制参数增量学习方法，该方法逻辑清晰，安全、有效、可靠且操作简便，能提高控制和优化在实际应用中效果，实现对烘丝过程的精准控制，确保烘丝效果的稳定与一致性。
2、基于以上目的，本专利技术提供的技术方案如下：
3、一种烘丝机控制参数增量学习方法，包括如下步骤：
4、获取烘丝工况原始数据后按生产时间和批次预处理，得到烘丝工况数据集；
5、从所述烘丝工况数据集中筛选出满足预设条件的第一标准数据集；
6、从所述第一标准数据集中获取当前时刻烘丝参数特征向量，与当前时刻环境参数整合为烘丝控制参数特征向量；
7、将所述烘丝参数特征向量输入至增量学习后的随机森林模型中，以获取当前时刻控制参数值，根据所述当前时刻控制参数值和预设控制参数值确定优化后的控制参数值。
8、优选地，所述获取烘丝工况原始数据后按生产时间和批次预处理，以获取烘丝工况数据集，包括如下步骤：
9、获取烘丝工况原始数据后按生产时间和批次分割，以获取多个批次的烘丝工况数据；
10、数据清洗每个批次的所述烘丝工况数据，以获取多个批次的第一数据；
11、通过基于最大相关系数的平移搜索方法处理所述第一数据，以获取多个批次的第二数据；
12、将多个批次的所述第二数据按批次和牌号进行整理后向量化处理，形成烘丝工况数据集。
13、优选地，所述从所述烘丝工况数据集中筛选出满足预设条件的第一标准数据集，包括如下步骤：
14、分别计算每个批次的所述第二数据在第一预设时间间隔下的过程能力指数；
15、筛选出所述过程能力指数不大于预设过程能力阈值的多个批次的第三数据；
16、按所述过程能力指数从高到低，二次筛选出预设比例的每个批次的第三数据，作为所述第一标准数据集。
17、优选地，所述增量学习后的随机森林模型通过如下步骤确定：
18、获取烘丝工况历史数据后按所述烘丝工况原始数据的预处理方式，得到样本特征集；
19、为初始随机森林模型新增训练后的基础回归树，得到优化后的随机森林模型；
20、根据预设评价指标和所述样本特征集评估所述优化后的随机森林模型是否优于所述初始随机森林模型；
21、若是，则将所述优化后的随机森林模型作为增量学习后的随机森林模型；
22、若否，则调整所述优化后的随机森林模型中的增量学习参数，直至所获取的优化后的随机森林模型优于所述初始随机森林模型为止。
23、优选地，所述获取烘丝工况历史数据后按所述烘丝工况原始数据的预处理方式，得到样本特征集，包括如下步骤：
24、获取多个历史烘丝参数特征向量，与历史环境参数整合为形成历史数据集；
25、按照所述第一标准数据集的筛选方式，从所述历史数据集中筛选出满足预设条件的第二标准数据集；
26、数据清洗所述第二标准数据集后向量化处理，形成所述样本特征集。
27、优选地，所述训练后的基础回归树通过如下步骤获取：
28、根据所述样本特征集中的所述历史环境参数，计算获取分割点父节点分裂后的均方误差衰减值；
29、循环上述步骤，直至获取均方误差衰减最大值，对所述均方误差衰减最大值对应的父节点进行分裂；
30、根据所述样本特征集中的所述历史烘丝参数特征向量，计算获取均方误差值不纯度，将所述均方误差值不纯度最小值对应的父节点划分为左右子节点，递归分裂所述左右子节点，得到所述训练后的基础回归树。
31、优选地，所述根据所述样本特征集中的所述历史环境参数，计算获取分割点父节点分裂后的均方误差衰减值，包括如下步骤：
32、预设分割点，将所述根据所述样本特征集中的所述历史环境参数分割为第一历史环境数据和第二历史环境数据；
33、分别计算所述第一历史环境数据和所述第二历史环境数据对应的第一预测值和第二预测值；
34、根据所述第一预测值和所述第二预测值以及所述第一历史环境数据和所述第二历史环境数据，计算所述分割点子节点的均方误差值；
35、根据分割点父节点的均方误差值与所述分割点子节点的均方误差值，获取所述分割点父节点分裂后的均方误差衰减值。
36、优选地，所述根据预设评价指标和所述样本特征集评估所述优化后的随机森林模型是否优于所述初始随机森林模型，包括如下步骤：
37、选择均方误差值作为评价指标；
38、根据所述均方误差值和所述样本特征集，对所述初始随机森林模型进行评估，得到第一性能评分；
39、根据所述均方误差值和所述样本特征集，对所述所述优化后的随机森林模型进行评估，得到第二性能评分；
40、判断所述第二性能评分是否大于所述第一性能评分。
41、优选地，所述根据所述当前时刻控制参数值和预设控制参数值确定优化后的控制参数值，具体通过如下公式确定：
42、；
43、0,1]
44、其中，为优化后的控制参数值，为当前时刻控制参数值，为预设控制参数值，为控制参数权重。
45、一种烘丝机控制参数增量学习系统，包括：
【技术保护点】
1.一种烘丝机控制参数增量学习方法，其特征在于，包括如下步骤：
2.如权利要求1所述的烘丝机控制参数增量学习方法，其特征在于，所述获取烘丝工况原始数据后按生产时间和批次预处理，以获取烘丝工况数据集，包括如下步骤：
3.如权利要求2所述的烘丝机控制参数增量学习方法，其特征在于，所述从所述烘丝工况数据集中筛选出满足预设条件的第一标准数据集，包括如下步骤：
4.如权利要求2所述的烘丝机控制参数增量学习方法，其特征在于，所述增量学习后的随机森林模型通过如下步骤确定：
5.如权利要求4所述的烘丝机控制参数增量学习方法，其特征在于，所述获取烘丝工况历史数据后按所述烘丝工况原始数据的预处理方式，得到样本特征集，包括如下步骤：
6.如权利要求4所述的烘丝机控制参数增量学习方法，其特征在于，所述训练后的基础回归树通过如下步骤获取：
7.如权利要求5所述的烘丝机控制参数增量学习方法，其特征在于，所述根据所述样本特征集中的所述历史环境参数，计算获取分割点父节点分裂后的均方误差衰减值，包括如下步骤：
8.如权利要求4所述
9.如权利要求1所述的烘丝机控制参数增量学习方法，其特征在于，所述根据所述当前时刻控制参数值和预设控制参数值确定优化后的控制参数值，具体通过如下公式确定：
10.一种烘丝机控制参数增量学习系统，其特征在于，包括：
...【技术特征摘要】
1.一种烘丝机控制参数增量学习方法，其特征在于，包括如下步骤：
2.如权利要求1所述的烘丝机控制参数增量学习方法，其特征在于，所述获取烘丝工况原始数据后按生产时间和批次预处理，以获取烘丝工况数据集，包括如下步骤：
3.如权利要求2所述的烘丝机控制参数增量学习方法，其特征在于，所述从所述烘丝工况数据集中筛选出满足预设条件的第一标准数据集，包括如下步骤：
4.如权利要求2所述的烘丝机控制参数增量学习方法，其特征在于，所述增量学习后的随机森林模型通过如下步骤确定：
5.如权利要求4所述的烘丝机控制参数增量学习方法，其特征在于，所述获取烘丝工况历史数据后按所述烘丝工况原始数据的预处理方式，得到样本特征集，包括如下步骤：
6.如权利要...
【专利技术属性】
技术研发人员：文广球，吴文强，刘斌，高铁功，毛伟俊，杨兴权，伍先，艾先宏，张秋波，钱东昇，
申请(专利权)人：湖南中烟工业有限责任公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。