[发明专利]烟草加工中工艺参数预测方法及系统

说明书

本发明公开了一种烟草加工中工艺参数预测方法及系统，该方法包括：在烟草加工相关因素发生变化后，实时采集少量当前生产数据作为目标域数据集；从历史数据库中选出源域数据集；在目标域数据集与源域数据集的分布差异小于设定的差异下限、并且目标域数据集中各特征参数与源域数据集中相应的特征参数的分布差异均小于对应该特征的分布差异阈值时，将源域数据集对应的预测模型作为当前预测模型；在目标域数据集与源域数据集的分布差异小于设定的差异上限时，通过迁移学习得到目标域迁移模型，并将目标域迁移模型作为当前预测模型。利用本发明，在烟草加工相关因素发生变化后，可以快速提升预测系统的性能及适应性，保证预测效果。

技术领域

本发明涉及生产工艺领域，具体涉及一种烟草加工中工艺参数预测方法及系统。

背景技术

工艺参数优化是提高产品质量、实现生产“零”次品的重要技术手段，在烟草、化工、先进制造等行业领域存在工艺参数优化的旺盛需求。在现有技术中，数据驱动的工艺参数优化方法通常是利用预测模型建立工艺相关变量与质量指标之间的关系，对质量指标进行预测，并寻求在当前环境参数、来料信息的情况下，使质量指标最优的控制参数组合，从而实现工艺参数的优化。

在烟草工艺优化系统中，烟草生产参数如温湿度预测是关键性先决环节。目前，烟草工艺优化场景中通常会涉及到多条产线及多种牌号的烟丝的生产参数预测。不同产线及不同牌号的烟丝工艺参数及生产参数变量分布可能存在一定的差异，而同时又具有一定的相似性。同时，随着时间的变化，同种牌号烟丝的工艺参数及生产参数变量分布同样可能产生变迁。在线上运行过程中，当出现这种数据变迁时，如果不对预测模型做任何调整，模型的预测性能可能会无法满足要求，从而导致后续优化流程失效。而现有的基于传统数据驱动预测技术的参数预测模型虽然可以在单一领域的预测问题上取得比较好的效果，但是无法适应数据分布变迁的问题。一旦随着时间变化或者牌号产线的变化，数据分布发生变化，预测性能很可能无法满足要求而导致整个工艺参数优化系统失效。

发明内容

本发明实施例提供一种烟草加工中工艺参数预测方法及系统，在产线及针对不同牌号烟丝的工艺参数及生产参数发生变化的情况下，可以快速提升预测系统的性能及适应性，保证预测效果。

为此，本发明提供如下技术方案：

一种烟草加工中工艺参数预测方法，所述方法包括：

在烟草加工相关因素发生变化后，实时采集少量当前生产数据，并将其作为目标域数据集，所述烟草加工相关因素包括以下任意一项或多项：烟丝产线、牌号、生产月份；

确定所述目标域数据集与历史数据库中记录的各历史生产数据样本子集的分布差异；所述历史数据库中保存有一个或多个历史生产数据样本子集，每个样本子集对应一个用于对烟草加工中工艺参数进行预测的预测模型；

选出分布差异最小的历史生产数据样本子集作为源域数据集；

确定所述目标域数据集与所述源域数据集的分布差异是否小于设定的差异下限；

如果是，并且所述目标域数据集中各特征参数与所述源域数据集中相应的特征参数的分布差异均小于对应该特征的分布差异阈值，则将所述源域数据集对应的预测模型作为当前预测模型对烟草加工中工艺参数进行预测；

否则，确定所述目标域数据集与所述源域数据集的分布差异是否小于设定的差异上限；

如果是，则利用源域数据集或者源域数据集对应的预测模型, 结合目标域数据进行迁移学习训练，得到目标域迁移模型，并将所述目标域迁移模型作为当前预测模型对烟草加工中工艺参数进行预测。

可选地，所述确定所述目标域数据集与历史数据库中记录的各历史生产数据样本子集的分布差异包括：

通过JS散度、或者KL散度、或者Wasserstein距离确定所述目标域数据集与历史数据库中记录的各历史生产数据样本子集的分布差异。