融合深度时间序列预测与智能控制的烟草干燥过程优化
《Engineering Applications of Artificial Intelligence》:Integrating deep time series prediction and intelligent control for optimization of tobacco drying process
【字体:
大
中
小
】
时间:2026年09月22日
来源:Engineering Applications of Artificial Intelligence 9.0
编辑推荐:
- 我们提出了一种将深度时间序列预测与反馈控制相结合的智能控制系统。
- 我们结合基于神经网络的特征重要性和皮尔逊分析,进行关键干燥参数的选择。
- 我们在真实的卷烟生产环境中验证了该智能控制方法的有效性。
**引言**
近年来,大数据、物联网和人工智能等信息技术的快速发
- 我们提出了一种将深度时间序列预测与反馈控制相结合的智能控制系统。
- 我们结合基于神经网络的特征重要性和皮尔逊分析,进行关键干燥参数的选择。
- 我们在真实的卷烟生产环境中验证了该智能控制方法的有效性。
**引言**
近年来,大数据、物联网和人工智能等信息技术的快速发展,使流程制造车间发生了深刻变革,显著提升了其自动化程度和智能化能力。然而,如何在生产过程中精确控制工艺质量仍是当前研究的热点话题。在烟草行业中,干燥工序是卷烟制造中不可或缺的关键环节。其主要目的是通过加热和除湿来调控烟叶的含水率,从而确保最终产品在风味、燃烧性能和储存稳定性方面的一致性(Wang et al., 2014, Zhu et al., 2016)。然而,精确控制含水率面临着多重挑战,包括烟叶初始状态的不确定性、环境条件的波动以及工艺参数的复杂性。
传统的含水率控制主要依赖于PID控制器调节、操作员经验以及预设工艺参数。然而,当遇到烟叶特性变化和外部环境波动时,这种控制策略表现出有限的适应性,导致含水率控制精度不足,可能影响产品质量稳定性。在实际生产中,操作员通常根据个人经验手动调整设备参数,尤其是在干燥过程的开始和结束阶段。在这一过程中,干燥滚筒出口的烟叶含水率被实时监测。基于反馈,PID控制器调节干燥滚筒的壁温以维持所需的含水率水平(Skogestad, 2003, ?str?m and H?gglund, 2000)。然而,在实际生产中,操作员往往难以根据烟叶含水率和外部环境条件的变化实时调整设备参数,难以持续实现目标出口含水率。此外,尽管PID控制器根据出口处测得的含水率值来调节温度,但获取测量值和实施调整的过程存在固有延迟。这通常导致温度变化滞后于实际工艺需求,从而造成出口含水率控制精度不足。
针对上述问题,Zhou等人(2018)引入了一种基于多采样率RBF-ARX(MSR-RBF-ARX)结构的建模方法。该模型与最优设定控制策略相结合,为输入变量生成一系列优化的参考轨迹,以最小化干燥过程初始和结束阶段切丝的过度干燥。然而,他们仅进行了模拟实验,并未在真实生产环境中验证模型的有效性。类似地,Pang等人(2021)开发了一种基于数学模型、预测仿真模块和决策控制模块的智能控制系统。该系统利用工业互联网(IIoT)技术实现烟草干燥机运行状态的实时监测,并对出口含水率进行精确调控。然而,该控制系统严重依赖数学模型,干燥工艺条件的变化可能会影响控制效果。
为实现控制过程的优化,研究人员采用了机器学习方法来预测干燥过程中的动态因素,认为这些因素是优化控制的关键(Zhu et al., 2021, Jiang and Luo, 2023, Yanchao et al., 2024)。例如,含水率和温度是典型参数,这些参数可以作为反馈在一定程度上优化干燥过程的控制。然而,这些方法通常依赖手动特征选择或简单的方法,如基本相关性分析,这可能无法捕获变量之间复杂的非线性关系和相互作用。相比之下,我们的方法利用基于神经网络的特征选择,系统地确定最相关且最具影响力的变量,从而提高模型的预测精度和整体鲁棒性。此外,虽然这些研究主要集中在预测方面,但未将这些预测模型完全集成到控制策略中。通过将预测模型集成到控制回路中,我们可以实现更具适应性和响应性的控制系统。这种集成允许基于关键参数的预测变化进行实时调整,从而提高工艺稳定性和增强产品质量。
受上述研究的启发,为克服烟草干燥过程中人工干预的局限性和PID控制适应性不足的缺点,本文提出了一种智能控制策略,以实现干燥过程的实时精确控制。该策略基于卷积神经网络(CNN)(Lea et al., 2016)、长短期记忆(LSTM)网络(Hochreiter and Schmidhuber, 1997)和注意力机制(Qin et al., 2017),旨在控制干燥过程中烟叶的含水率。首先,利用基于CNN-LSTM-Attention网络的滚筒壁温预测模型(CWTPM-CLA)来预测干燥滚筒壁的理想温度。然后,通过分析实际含水率与标准值之间的偏差,计算滚筒壁温所需的调整量,从而确定干燥滚筒壁的最终设定温度,以实现出口含水率的精确控制。本工作的主要贡献如下:
- 基于预处理的历史生产数据,选择影响干燥机滚筒壁温的工艺参数作为预测模型的输入特征,排除了对模型构建不利的参数,从而降低了原始数据集的维度。
- 利用基于CNN-LSTM-Attention的神经网络构建了干燥机滚筒壁温预测模型(CWTPM-CLA),该模型能够在不同品牌和不同生产状态下提供滚筒壁温的实时反馈。
- 设计了一种将CNN-LSTM-Attention预测与含水率比例反馈相结合的主站控制策略,并在真实卷烟生产线上进行了实验验证。结果表明,所提出的方法在实现与现有手动-PID控制相当的产品质量的同时,显著减少了生产过程中的人工干预需求。
**章节摘录**
**时间序列预测**
时间序列通常涉及对按时间顺序排列的数据点进行分析,以识别潜在的规律,包括趋势、季节变化和噪声,旨在构建预测模型以估计未来值。时间序列建模因其从历史数据中提取有意义洞察的能力,已成为众多学科不可或缺的工具。时间序列的典型应用包括智能交通系统中的交通流量预测(Lv et al., 2025)。
**方法**
本研究旨在通过智能调节烟草干燥机的滚筒壁温来控制出口含水率。本节提出的基于深度学习的智能控制策略架构如图1所示。总体而言,该方法实施了一个与现有PID系统协同运行的主站智能控制框架。通过可编程逻辑控制器与烟草干燥机进行通信……
**实验设置**
为评估所提出智能控制方法的性能,本节进行了专门的实验。实验使用的数据集如表1所示。该数据集是从真实的烟草干燥生产线上收集的,时间跨度为三个月,涵盖春季和夏季两个季节以反映季节性变化。在此期间,环境温度约为15°C至30°C,相对湿度为20%至45%。
**结论**
时间序列预测在工业过程中发挥着至关重要的作用。本文介绍了一种针对烟草干燥过程的智能控制方法,采用了CNN-LSTM-Attention网络架构。通过分析多个品牌的历史生产数据,该方法旨在准确表征不同工况下滚筒壁温的变化规律。该方法采用CNN-LSTM-Attention模型进行温度预测,并将……
**CRediT作者贡献声明**
李锦涛:文章审阅与编辑、初稿撰写、方法论、调查。尤金国:文章审阅与编辑。高强:文章审阅与编辑。王文才:文章审阅与编辑。张运伟:文章审阅与编辑。杨伟:数据整理。秦存金:数据整理。
**基金资助**
本工作得到了国家智能科技股份有限公司研发项目的资助(KKK0202403051)。
**利益冲突声明**
作者声明不存在已知的可能影响本论文所报告工作的竞争性经济利益或个人关系。
李锦涛|尤金国|高强|王文才|张运伟|杨伟|秦存金
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号