基于AE重构误差和SVDD的滚筒叶丝干燥异常工况检测

【目的】为保证烘丝过程安全稳定运行,研究滚筒叶丝干燥过程异常工况检测具有重大价值。【方法】本文提出基于自动编码器(Auto encoder,AE)和支持向量数据描述(Support vector data description,SVDD)的AE-SVDD算法。首先,使用深度学习自动编码器提取数据深层特征,构建重构误差,利用重构误差训练SVDD分类模型得到超球体半径阈值,建立检测率指标。通过工业实际生产案例进行模型验证,并应用PCA、SVDD算法分别建立异常检测模型作对比实验。【结果】基于AE-SVDD的算法模型检测率可提高约63%,并能预测4~8min后即将发生的质量异常,明显优于其他算法模型。【结论】与传统方法相比,AE-SVDD异常工况检测方法不仅显著提高了检测率,而且具有良好的异常工况预警作用,有助于及时发现、控制滚筒叶丝干燥过程潜在异常工况,降低质量异常的产生几率。

基于标准靶向控制的打叶复烤批次质量评价

为强化打叶复烤生产过程控制,促进烟叶加工质量提升,以工艺标准的控制要求为基础,通过实际值与标准要求的定量比较以及多元参数指标的赋权计算,建立了基于标准靶向控制的打叶复烤批次质量评价方法,并以2020烤季分批次数据为例进行实证分析。结果表明:该评价方法可以对批次及过程参数指标的质量管控水平进行量化评价,及时地发现管控薄弱的工序过程或参数指标并加以改进,显著增强了打叶复烤过程的管控能力,提升了烟叶加工质量。

基于DGRU网络的烘丝机筒壁温度动态预测

针对烘丝机干燥过程中筒壁温度难以准确进行在线检测的问题,提出基于深度门控循环单元(Deep Gated Recurrent Unit,DGRU)网络的筒壁温度动态预测方法。该方法先对现场工业数据进行小波去噪、归一化等预处理;然后采用互信息理论选择与筒壁温度相关性最强的特征作为模型初始输入变量;最后通过堆叠门控循环单元网络提取工业数据中深层非线性动态特征,输入全连接层中用于估计筒壁温度。基于某烟厂烘丝机工业数据的实验结果表明:DGRU算法预测误差箱体图中的误差中值及均值非常接近零刻度线,且造成的异常点较少。该方法的预测精度较高,能够实现筒壁温度精确动态预测。

切丝宽度对细支烟卷制质量、主流烟气及感官质量的影响

在其他制丝工序加工参数和卷制参数相同的条件下,分别按0.6,0.7,0.8,0.9,1.0 mm切丝宽度制丝并卷制细支烟,探索切丝宽度对细支烟烟丝结构、卷制质量、烟气成分及感官质量的影响。结果表明:①切丝宽度为0.6~1.0 mm时,整丝率与切丝宽度显著正相关,碎丝率与切丝宽度显著负相关。②吸阻、总通风率、焦油量与切丝宽度间均呈显著负相关关系。切丝宽度为0.6~0.8 mm时,细支烟单支重、吸阻、硬度、总通风率及焦油量与设计值的相对残差较接近于0。③随切丝宽度降低,细支烟感官质量整体表现逐渐向好。综合不同切丝宽度细支烟卷制质量、烟气成分和感官质量,兼顾烟丝结构,细支烟适宜切丝宽度为0.7~0.8 mm。