本發(fā)明屬于卷煙制絲，具體涉及一種切絲段倉(cāng)式喂料機(jī)物料存量預(yù)估方法。

背景技術(shù)：

1、倉(cāng)式喂料機(jī)是卷煙行業(yè)制絲工序主要的輔聯(lián)設(shè)備,如圖1所示，包括進(jìn)料往復(fù)行車1、倉(cāng)柜柜體2、柜體底部輸送帶3、提升機(jī)4、計(jì)量管5。其中進(jìn)料往復(fù)行車為進(jìn)料裝置，倉(cāng)柜柜體作為生產(chǎn)流程的緩沖,在確保生產(chǎn)連續(xù)作業(yè)的前提下,由提升機(jī)4將物料提升到高處經(jīng)落料斗落入計(jì)量管5,并由計(jì)量管5控制提升機(jī)4的停啟,以確保后續(xù)設(shè)備皮帶秤來(lái)料流量的穩(wěn)定保證皮帶秤6的計(jì)量準(zhǔn)確,同時(shí)旋轉(zhuǎn)清潔刷不斷旋轉(zhuǎn)清潔提升帶。只有在流量準(zhǔn)確的前提下才能保證潤(rùn)葉、加料、烘絲、參配、加香等工序中濕度、溫度加香、加料、摻配等各項(xiàng)指標(biāo)的準(zhǔn)確,所以倉(cāng)式喂料機(jī)是皮帶秤6所必須的前置設(shè)備。

2、切絲段切絲后倉(cāng)式喂料機(jī)主要分為進(jìn)料控制和出料控制兩個(gè)部分,如圖1所示。其中進(jìn)料控制主要是配合切絲機(jī)7工作，包括生產(chǎn)前切絲后后倉(cāng)式喂料機(jī)的預(yù)填充和生產(chǎn)過程中對(duì)切絲后后倉(cāng)式喂料機(jī)物料的補(bǔ)充；出料控制能夠?qū)崿F(xiàn)倉(cāng)式喂料機(jī)與皮帶秤6的配合運(yùn)行，實(shí)現(xiàn)均勻連續(xù)的煙絲輸出功能，穩(wěn)定提供給烘絲設(shè)備。制絲工藝中，尤其是烘絲設(shè)備對(duì)與物料供給要求非常高，不允許批內(nèi)出現(xiàn)多次物料斷供情況，會(huì)嚴(yán)重影響烘絲后煙絲的質(zhì)量品質(zhì)，因此保證切絲后倉(cāng)式喂料機(jī)內(nèi)物料始終處于物料存量可估計(jì)、前后物料流量智能匹配可控是保證烘絲質(zhì)量的關(guān)鍵。

3、由于倉(cāng)式喂料機(jī)物料存量限制于現(xiàn)有設(shè)備設(shè)計(jì)結(jié)構(gòu)，始終無(wú)法進(jìn)行測(cè)量，只能依靠進(jìn)料往復(fù)行車前后兩側(cè)的前高、前低、后高、后低四個(gè)光電管進(jìn)行預(yù)估，從而控制行車往復(fù)進(jìn)行布料。由于煙草物料倉(cāng)式喂料機(jī)內(nèi)部呈現(xiàn)多個(gè)“小山坡”形狀，在行業(yè)上也未有精確檢測(cè)物料存量的檢測(cè)裝置和方法。而切絲段切絲后倉(cāng)式喂料機(jī)的存量對(duì)于切絲、烘絲段生產(chǎn)至關(guān)重要，如能精準(zhǔn)測(cè)量其存量，可通過增加或降低進(jìn)料或出料物料的流量來(lái)匹配前后工藝的產(chǎn)量，可使產(chǎn)線減少停機(jī)次數(shù)，并提升物料柔性加工能力，提升工藝可視性和質(zhì)量可控性。

4、對(duì)于上述要精準(zhǔn)預(yù)測(cè)切絲后倉(cāng)式喂料機(jī)物料存量存在的問題，急需一種制絲倉(cāng)式喂料機(jī)內(nèi)部煙草物料存量的動(dòng)態(tài)預(yù)測(cè)方法，通過智能算法擬合物料存量值，以保證烘絲設(shè)備基于預(yù)測(cè)的持續(xù)、穩(wěn)定、智能供絲。

技術(shù)實(shí)現(xiàn)思路

1、為解決現(xiàn)有技術(shù)存在的上述技術(shù)問題，本發(fā)明提供一種切絲段倉(cāng)式喂料機(jī)物料存量預(yù)估方法，對(duì)預(yù)估結(jié)果進(jìn)行準(zhǔn)確性判斷。本發(fā)明基于制絲切絲、烘絲段工藝原理與上下游設(shè)備運(yùn)行規(guī)律，結(jié)合多種可推測(cè)性因素，通過前后工段物料流量積分值擬合出預(yù)測(cè)倉(cāng)式喂料機(jī)物料存量。同時(shí)，本發(fā)明能在辨識(shí)出人為不可推測(cè)或預(yù)估偏差較大的因素對(duì)預(yù)測(cè)時(shí)間的影響，通過多個(gè)輸入因子進(jìn)行機(jī)器學(xué)習(xí)xgboost算法修正人為不可推測(cè)或預(yù)估偏差較大的因素對(duì)預(yù)測(cè)存量在時(shí)間軸上累加的影響，減少預(yù)測(cè)值受時(shí)間誤差，由此通過提高預(yù)測(cè)存量的精度。

2、本發(fā)明采用的技術(shù)方案是：

3、一種切絲段倉(cāng)式喂料機(jī)物料存量預(yù)估方法，其特征在于，所述方法包括如下步驟：

4、步驟s101，建立基于前后工段物料流量積分值擬合的線性回歸預(yù)測(cè)算法g1；

5、步驟s102，建立xgboost算法預(yù)測(cè)倉(cāng)式喂料機(jī)存量模型g2；

6、步驟s103，根據(jù)xgboost算法g2的訓(xùn)練結(jié)果不斷調(diào)整g1固定算法的參數(shù)，使得動(dòng)態(tài)算法不斷優(yōu)化固定算法，防止xgboost算法陷入局部?jī)?yōu)化，同時(shí)也能局部提高預(yù)測(cè)準(zhǔn)確性。

7、進(jìn)一步的，在步驟s101中，建立基于前后工段物料流量積分值擬合的線性回歸預(yù)測(cè)算法g1的具體流程如下：

8、步驟s101-1，定義線性回歸預(yù)測(cè)算法g1的相關(guān)因子；

9、在倉(cāng)式喂料機(jī)側(cè)面臨時(shí)等距安裝m列n行檢測(cè)光電管矩陣；其中倉(cāng)式喂料機(jī)一個(gè)側(cè)面安裝檢測(cè)光電管矩陣發(fā)射器，另一個(gè)側(cè)面安裝檢測(cè)光電管矩陣接收器；m列n行檢測(cè)光電管矩陣為臨時(shí)安裝，用于機(jī)器學(xué)習(xí)算法訓(xùn)練模型，待模型擬合后，可撤除檢測(cè)光電管矩陣，再安裝到其他倉(cāng)式喂料機(jī)上，進(jìn)行再次訓(xùn)練；

10、通過m列n行檢測(cè)光電管矩陣被照亮的光電管數(shù)量為u，則標(biāo)記測(cè)得倉(cāng)式喂料機(jī)物料存量占比值y1的方法如下：

11、

12、將切絲段倉(cāng)式喂料機(jī)前端設(shè)備切絲機(jī)實(shí)際生產(chǎn)過程中測(cè)得的物料流量定義為s1(t)，并將切絲段倉(cāng)式喂料機(jī)后端設(shè)備稱重皮帶秤實(shí)際生產(chǎn)過程中測(cè)得的物料流量定義為s2(t)；通過實(shí)物試車測(cè)得前端設(shè)備切絲機(jī)至倉(cāng)式喂料機(jī)物料輸送所需時(shí)間為δ1，同樣的方法測(cè)得倉(cāng)式喂料機(jī)至稱重皮帶秤物料輸送所需時(shí)間為δ2；

13、以切絲段倉(cāng)式喂料機(jī)為參照，物料進(jìn)料流量即為s1(t+δ1)，物料出料流量即為s2(t-δ2)，則進(jìn)料物料累計(jì)重量為單位kg，出料物料累計(jì)重量為單位kg；

14、假定倉(cāng)柜內(nèi)實(shí)際存料量為g，單位kg，輸送設(shè)備上累計(jì)物料為θ，單位kg，則推導(dǎo)出：

15、

16、上式中，輸送設(shè)備上累計(jì)物料值與切絲段倉(cāng)式喂料機(jī)前段輸送線物料呈正相關(guān)，假定比例系數(shù)為k1；輸送設(shè)備上累計(jì)物料值又與切絲段倉(cāng)式喂料機(jī)后段輸送線物料呈正相關(guān)，假定比例系數(shù)為k2，則輸送設(shè)備上累計(jì)物料值的計(jì)算公式為：

17、

18、因此，要預(yù)測(cè)的倉(cāng)柜內(nèi)實(shí)際存料量g即為：

19、

20、假定切絲段倉(cāng)式喂料機(jī)實(shí)際最大可存儲(chǔ)物料為z，單位kg，則實(shí)際倉(cāng)式喂料機(jī)存量占比值y為：

21、

22、由上式可得出，k1、k2值為未知數(shù)，但所有參數(shù)均與y值呈線性規(guī)律，因此采用線性回歸算法擬合出k1、k2值；

23、假定實(shí)際倉(cāng)式喂料機(jī)存量占比值y約等于標(biāo)記測(cè)得倉(cāng)式喂料機(jī)物料存量占比值y1，則有：

24、

25、步驟s101-2，線性回歸預(yù)測(cè)算法g1的擬合出k1、k2值；

26、根據(jù)歷史數(shù)據(jù)計(jì)算出多個(gè)時(shí)刻的u值、的值、的值，其中m、n、z為固定值，并根據(jù)多組歷史數(shù)據(jù)組擬合出k1、k2值；

27、步驟s101-3，根據(jù)擬合出的k1、k2值，建立線性回歸預(yù)測(cè)算法g1，得出g1算法中的倉(cāng)式喂料機(jī)預(yù)測(cè)值y2，則y2計(jì)算公式為：

28、

29、式中，系數(shù)k1*、k2*為確定值，已由線性回歸擬合求得。

30、進(jìn)一步的，在步驟s102中，建立xgboost算法預(yù)測(cè)倉(cāng)式喂料機(jī)存量模型g2的具體流程如下：

31、步驟s102-1，定義算法的所有x輸入和y輸出因子的定義和計(jì)算公式；

32、g2中x1定義為進(jìn)料往復(fù)行車在倉(cāng)柜頂部行進(jìn)位置；

33、g2中x2-x5定義為進(jìn)料往復(fù)行車前后兩側(cè)的前高、前低、后高、后低四個(gè)光電管的檢測(cè)狀態(tài)；高位光電管檢測(cè)有料說明此時(shí)行車前端或后端物料為高位，低位光電管檢測(cè)有料說明此時(shí)行車前端或后端物料為低位，x2-x5為離散量，1代表檢測(cè)到物料，0代表未檢測(cè)到物料；若前高x2為1，前低x3為0，代表檢測(cè)錯(cuò)誤，擬合算法中x2、x3賦值為nan，代表前端物料高低狀態(tài)未知；同理，若前后x4為1，后低x5為0，也代表檢測(cè)錯(cuò)誤，擬合算法中x4、x5賦值為nan，代表后端物料高低狀態(tài)未知；

34、g2中x6定義為進(jìn)料往復(fù)行車輸送帶送料方向；往復(fù)行車輸送帶向提升出料方向前進(jìn)時(shí)，代表向前布料；往復(fù)行車輸送帶向提升出料反方向前進(jìn)時(shí)，代表向后布料；x6為1代表向前布料，0代表向后布料，2代表停止；

35、g2中x7定義為柜體底部輸送帶前進(jìn)距離；

36、g2中新增變量x8，定義為g1固定算法的輸出倉(cāng)式喂料機(jī)存量占比預(yù)測(cè)值y2，即x8＝y(tǒng)2，其中y2由上式(7)求得；

37、g2中使用g1算法中標(biāo)記測(cè)得倉(cāng)式喂料機(jī)物料存量占比值y1，由上式(1)求得；

38、步驟s102-2，按數(shù)據(jù)格式導(dǎo)出歷史數(shù)據(jù)；

39、以煙草制絲生產(chǎn)固定時(shí)間間隔采集的數(shù)據(jù)為數(shù)據(jù)行，按固定時(shí)間間隔導(dǎo)出x1-x8、y1值，所有歷史數(shù)據(jù)以時(shí)間t作為數(shù)據(jù)行的標(biāo)識(shí)，導(dǎo)出歷史數(shù)據(jù)；

40、步驟s102-3，對(duì)于輸入變量x1-x7做相關(guān)性分析；

41、利用皮爾遜公式進(jìn)行相關(guān)性分析，繪制相關(guān)性矩陣，去除輸入變量x1-x7中與y1值相關(guān)性系數(shù)小于0.2的變量，最終將輸入變量x1-x7中與y1值相關(guān)性系數(shù)大于0.2的變量以及x8變量作為xgboost算法的輸入變量；

42、步驟s102-4，基于歷史數(shù)據(jù)x和y1值，訓(xùn)練xgboost算法。

43、進(jìn)一步的，在步驟s103中，根據(jù)xgboost算法g2的訓(xùn)練結(jié)果不斷調(diào)整g1固定算法的參數(shù)的具體流程如下：

44、步驟s103-1，實(shí)際存量占比大于預(yù)測(cè)結(jié)果的參數(shù)優(yōu)化；

45、若y1>y且|y1-y|＞ε1，則實(shí)際存量占比大于預(yù)測(cè)結(jié)果，同時(shí)減小k1*與k2*的值，使得：

46、

47、上式中，參數(shù)ε1為大于0的固定閾值1，參數(shù)β為梯度參數(shù)，合理范圍為0＜β＜0.01，普遍地可使β＝0.001；

48、若上式(8)執(zhí)行以后y1與y依然無(wú)法擬合且偏差范圍增大，即|y1-y|＞ε2且ε2＞ε1，則撤銷上式(8)賦值，進(jìn)行反向賦值：

49、

50、若上式(9)執(zhí)行以后y1與y依然無(wú)法擬合且偏差范圍減小，即|y1-y|＞ε2且ε2＜ε1，則只選擇下式(10)或式(11)中的一條進(jìn)行優(yōu)化：

51、k1*＝k1*-β·k1*????(10)

52、k2*＝k2*-β.k2*???(11)

53、其中ε2為大于0的固定閾值2；

54、步驟s103-2，實(shí)際存量占比小于預(yù)測(cè)結(jié)果的參數(shù)優(yōu)化；

55、若y1<y且|y1-y|＞ε1，則實(shí)際存量占比大于預(yù)測(cè)結(jié)果，同時(shí)增大k1*與k2*的值，使得：

56、

57、上式中，參數(shù)ε1為大于0的固定閾值1，參數(shù)β為梯度參數(shù)，合理范圍為0＜β＜0.01，普遍地可使β＝0.001；

58、若上式(12)執(zhí)行以后y1與y依然無(wú)法擬合且偏差范圍增大，即|y1-y|＞ε2且ε2＞ε1，則撤銷上式(12)賦值，進(jìn)行反向賦值：

59、

60、若上式(13)執(zhí)行以后y1與y依然無(wú)法擬合且偏差范圍減小，即|y1-y|＞ε2且ε2＜ε1，則只選擇下式(14)或式(15)中的一條進(jìn)行優(yōu)化：

61、k1*＝k1*+β·k1*????(14)

62、k2*＝k2*+β·k2*???(15)

63、其中ε2為大于0的固定閾值2；

64、計(jì)算得出的預(yù)測(cè)倉(cāng)式喂料機(jī)物料存量即為最終預(yù)測(cè)的倉(cāng)式喂料機(jī)物料存量值；y值為連續(xù)型歸一化類型數(shù)據(jù)，代表物料占整個(gè)倉(cāng)式喂料機(jī)的比值，范圍為0％-100％。

65、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果體現(xiàn)在：

66、1、本發(fā)明基于通用型倉(cāng)式喂料機(jī)原理與上下游設(shè)備運(yùn)行規(guī)律，結(jié)合多種可推測(cè)性因素，通過線性回歸邏輯擬合出倉(cāng)式喂料機(jī)存量占比，基于設(shè)備機(jī)理性的邏輯進(jìn)行大預(yù)估，使得整體算法從較為精準(zhǔn)的數(shù)據(jù)開始搜索，大大降低了數(shù)據(jù)搜索的計(jì)算開銷，同時(shí)也提高了模型收斂的效果，防止數(shù)據(jù)在其他非精確數(shù)據(jù)范圍內(nèi)陷入局部最優(yōu)。

67、2、本方法控制方法能在辨識(shí)出人為不可推測(cè)或預(yù)估偏差較大的因素對(duì)預(yù)測(cè)存量的影響，通過機(jī)器學(xué)習(xí)xgboost算法修正人為不可推測(cè)或預(yù)估偏差較大的因素對(duì)預(yù)測(cè)倉(cāng)式喂料機(jī)存量的影響，減少預(yù)測(cè)時(shí)間誤差，由此通過提高預(yù)測(cè)精度。

68、3、本發(fā)明通過構(gòu)造m列n行檢測(cè)光電管矩陣來(lái)標(biāo)記y值，從而用于線性回歸擬合算法確定參數(shù)和xgboost算法訓(xùn)練模型，其精確性和科學(xué)性高于人工視力估算，使得算法擬合地更快、更高效，且這種訓(xùn)練方法比較節(jié)省成本，又能使得每個(gè)倉(cāng)式喂料機(jī)都能建立獨(dú)立的模型，避免模型的復(fù)制效應(yīng)帶來(lái)的精度下降。

69、4、本發(fā)明的g1固定算法和g2動(dòng)態(tài)算法相互迭代優(yōu)化，防止xgboost算法陷入局部?jī)?yōu)化，同時(shí)也能局部提高預(yù)測(cè)準(zhǔn)確性。