[发明专利]一种卷烟滤棒成型机生产过程的吸阻预测方法及存储介质

说明书

本发明公开了一种卷烟滤棒成型机生产过程的吸阻预测方法及存储介质，包括使用改进熵PCA对成型机操作参数数据集进行降维；利用改进后的萤火虫优化算法FA调节Elman神经网络阈值以弥补其易陷入局部最优的不足；将训练后的最优权值应用到预测模型中对滤棒成型机下一时刻的吸阻进行预测。本发明基于卷烟厂滤棒成型机中蕴藏的海量生产操作及检测信息，为将数据有效汇聚利用，采用人工智能方法对滤棒成型机生产信息训练学习，进而提出一种基于PCA‑FA‑Elman神经网络的滤棒成型吸阻预测方法，以指导操作工对吸阻控制参数的超前调节，达到降低滤棒次品率的目的。本发明提出的预测方法为控制滤棒吸阻质量参数提供了重要的参考方法。

技术领域

本发明涉及卷烟滤棒成型吸阻预测方法，具体涉及一种基于PCA-FA-Elman神经网络的卷烟滤棒成型机生产过程的吸阻预测方法及存储介质。

背景技术

由于滤棒的吸阻直接影响到消费者吸食烟支的体验和烟支充分燃烧的质量，故作为滤棒关键质量参数，吸阻的预测控制显得十分重要。滤棒成型机吸阻质量人工离线抽检普遍存在着效率低、质量测试台离线检测滞后等问题，不能很好地满足当前生产的要求。

滤棒吸阻预测可以指导机台操作工提前对各控制参数进行干预，可以稳定生产指标、降低次品率，从而减少剔除量，进而可以有效地提高滤棒生产的经济效益，并可替代人工离线抽检，以降低劳动强度。

发明内容

本发明目的是针对滤棒成型机吸阻质量人工离线抽检效率低、质量测试台离线检测滞后等问题，提出一种滤棒成型机生产过程的吸阻预测方法，以提升滤棒生产智能实时控制水平，从而提高滤棒的合格率。

为了达到上述效果，本发明的技术方案是：

一种卷烟滤棒成型机生产过程的吸阻预测方法，通过基于改进局部熵的PCA算法，降低Elman神经网络的输入维度，并使用引进了不含参数的填充函数后的FA优化Elman神经网络，提高预测模型精度，从而较为准确地预测吸阻数据，以提高滤棒质量，降低次品率。具体包括以下步骤：

Step1、改进局部熵算法对成型机操作参数数据集进行降维；

Step1.1、对滤棒成型机历史生产数据进行局部熵改进；

Step1.2、将改进局部熵之后的数据作为PCA算法的输入，对其进行标准化，计算标准化后数据集的协方差矩阵，以及协方差矩阵的特征值和对应的特征向量；

对于系统的输入(稳定辊压、开松比、回速比、螺纹辊压、塑化剂喷洒率等)，其样本集表示为X＝[X₁,X₂,...,X_n],n为样本序号。

本发明中使用的香农熵定义如下：

其中，p(x)为x处的概率密度。通常情况下使用概率密度估计代替无法实际得出的概率密度进行计算。

在概率密度估计中使用核密度估计：

本发明在核密度估计中使用泛化的统一切比雪夫多项式核函数(GUCK)，它是一种向量形式的核密度，其表达式为：

滤棒成型机在进行生产的过程可以有多个不同的运行模态，不同的运行模块需要使用不同的数据处理方式。使用对应的核密度才能更好地进行后续的预测。为了提高精度，本发明引用了加入了KNN思想的核密度估计函数。如下：

h＝[h₁,h₂,h₃,...,h_d]

其中i为采样时刻，h为窗口宽度，d为空间维度，n为观测器的数量。