[发明专利]一种基于梯度提升树的烟草回潮机出料含水率预测方法

说明书

本发明公开了一种基于梯度提升树的烟草回潮机出料含水率预测方法，属于烟草领域，所述的基于梯度提升树的烟草回潮机出料含水率预测方法，该方法使用回潮机的完整的工艺参数和环境参数作为自变量，利用梯度提升树算法建立起回潮预测模型，充分考虑了不同的影响因子对烟草回潮机的出料含水率的影响，同时增强了预测模型对回潮过程的非线性特点的预测和解读能力。该模型在实际回潮过程的工作环境下无需人为经验干预即可完成出料含水率的预测，预测结果精度高，计算速度快。该预测方法能够自动计算回潮机的出料含水率和需要的加水量，进而对烟叶的温湿度进行更有效的控制从而提高烟丝的品质。

技术领域

本发明属于烟草领域，更具体的说涉及一种基于梯度提升树的烟草回潮机出料含水率预测方法。

背景技术

松散回潮是烟草生产工艺的重要组成部分，对卷烟的品质和口感起着关键影响。随着烟草行业自动化和智能化水平的提高，对于松散回潮机的出料温湿度控制的要求进一步提高。但是在实际操作中，由于变量数量多且相互关系复杂，因此难以建立起有效的出料含水率控制方法回潮的出料含水率依赖于操作人员利用经验或者简单的预测模型进行手动调节，比如基于经验将产品分组，以及使用基于线性回归或神经网络的预测方法。安徽中烟通过对烟叶分组改进了加水策略，福建中烟和河南中烟分别利用环境温湿度和部分工艺参数，建立起多元回归模型预测出松散回潮加水量。贵州中烟的工程师利用Peleg提出的二参数非指数经验模型方程，基于物料的初始含水量和加水量预测出了回潮机出料含水率。福建龙岩烟草工业有限责任公司的工程师则使用了Elman神经网络，充分利用其动力学特征和优良的稳定性的特点，山东中烟利用基于径向基函数的神经网络模型，向模型中输入制叶段实时数据松散回潮出料含水率、润叶加料出料含水率，预测烘丝机的叶丝生丝含水率值。根据实践结果，利用线性回归和神经网络的方法进行预测指导加水量的控制，具有较好的效果，并在实际生产中可以有效的提高产品的质量。

但是基于线性回归的方法未能充分考虑和整合烟草回潮实际生产过程的复杂性，使用传统的工艺组合改进或者线性回归等较为简单的预测方法，对系统的复杂性的处理能力不足，同时未能充分的考虑环境参数和生产工艺对出料含水率的共同影响。计算得到的结果精度有限，不能可靠的使用到回潮机的出料含水率预测中。

在早期的回潮机研究中，受限于硬件条件和数据采集能力，用于模型计算和拟合的参数的种类、数据数量和颗粒度不足，不利于建立起复杂可靠的回潮模型。同时数学理论特别是机器学习理论的成熟度和面向工业生产流程的研究水平比较低，缺乏将复杂的机器学习模型和回潮过程相结合的解决方案。

发明内容

本发明方法使用回潮机的完整的工艺参数和环境参数作为自变量，利用梯度提升树算法建立起回潮预测模型，充分考虑了不同的影响因子对烟草回潮机的出料含水率的影响，同时增强了预测模型对回潮过程的非线性特点的预测和解读能力。该模型在实际回潮过程的工作环境下无需人为经验干预即可完成出料含水率的预测，预测结果精度高，计算速度快。该预测方法能够自动计算回潮机的出料含水率和需要的加水量，进而对烟叶的温湿度进行更有效的控制从而提高烟丝的品质。

为了实现上述目的，本发明是采用以下技术方案实现的：所述的基于梯度提升树的烟草回潮机出料含水率预测方法，采用以下步骤实现：

步骤1.获取生产流程工艺和环境参数的数据；

步骤2.对数据实施预处理，删除异常值并对不同参数实施时间点对齐；

步骤3.将数据分割为训练集和测试集；

步骤4.训练集被用来训练不同的出料含水率预测模型，分别利用回归、支持向量机、神经网络和梯度提升树四种算法来生成预测模型；

步骤5.在测试集上验证和对比模型的预测结果和真实值的差异，根据业务要求和统计指标的对比，选择出最佳的预测算法。