一种制丝车间松散回潮工序出口水分智能调节方法及系统与流程

阅读：评论：0

1.本发明涉及卷烟技术领域，更具体地，涉及一种制丝车间松散回潮工序出口水分智能调节方法及系统。

背景技术：

2.制丝部松散回潮工序是卷烟生产的关键环节，可增加烟片的含水率和温度，提高烟片的耐加工性，使切片后烟片松散，改善烟片的感官质量。
3.但现有制丝工艺中，松散回潮来料均为真空回潮出口处的片烟，其来料水分均衡性、稳定性较差，水分波动大，松散回潮工序难以通过常用的固定加水、负反馈调节等方式实现出口水分稳定控制，松散回潮出口水分稳定性提升工作一直是制丝车间的重难点工作。
4.因此，如何提供一种制丝车间松散回潮工序出口水分智能调节方法及系统成为本领域亟需解决的技术难题。

技术实现要素：

5.本发明的目的是提供一种制丝车间松散回潮工序出口水分智能调节方法及系统。
6.本发明第一方面公开了一种制丝车间松散回潮工序出口水分智能调节方法。所述方法包括：
7.步骤s1、使用url路径访问的手段对spc系统进行网络追踪，获取松散回潮数据的传输路径，再根据所述传输路径和爬虫技术，得到松散回潮历史数据；
8.步骤s2、对得到的松散回潮历史数据进行数据清洗，得到完整的批次不同时刻过程参数的数据表；
9.步骤s3、应用所述数据表中的数据训练预测瞬时加水量的长短期记忆网络，得到松散回潮出口水分模型；
10.步骤s4、将实时采集的松散回潮输入数据输入所述松散回潮出口水分模型，得到实时预测的瞬时加水量；
11.步骤s5、将所述实时预测的瞬时加水量下发至可编程控制器，所述可编程控制器根据所述实时预测的瞬时加水量，进行松散回潮出口水分的控制。
12.根据本发明第一方面的方法，在所述步骤s1中，所述松散回潮历史数据包括：历史输入数据和历史输出数据：所述历史输入数据包括：入口物料含水率、回风温度、滚筒转速和出口物料含水率；所述历史输出数据为瞬时加水量。
13.根据本发明第一方面的方法，在所述步骤s2中，所述对得到的松散回潮历史数据进行数据清洗的方法包括：
14.对所述松散回潮历史数据中的尾料和头料数据进行剔除；
15.对剔除尾料和头料数据的松散回潮历史数据，使用时间参数和牌号参数关联各独立的过程数据，得到完整的批次不同时刻过程参数的数据表。
16.根据本发明第一方面的方法，在所述步骤s3中，所述应用所述数据表中的数据训练预测瞬时加水量的长短期记忆网络的方法包括：
17.以所述历史输入数据为长短期记忆网络的输入，以瞬时加水量为长短期记忆网络的输出训练长短期记忆网络。
18.根据本发明第一方面的方法，在所述步骤s3中，所述方法还包括：松散回潮出口水分模型的自学习参数优化，具体包括：
19.应用网络爬虫技术实时查询spc系统中各生产牌号的预定义天批次质量情况，监测到标准偏差超过预设值的批次数大于预定义批次时或者更新周期到期，触发所述松散回潮出口水分模型的更新，自动捕获spc系统中该牌号的预设置批次的松散回潮历史数据，进行所述松散回潮出口水分模型的训练。
20.根据本发明第一方面的方法，所述预定义天为3天；所述预设值为0.25；所述预定义批次为4批次；所述预设置批次为50个批次。
21.根据本发明第一方面的方法，在所述步骤s5中，所述可编程控制器根据所述实时预测的瞬时加水量，进行松散回潮出口水分的控制的方法包括：
22.以所述实时预测的瞬时加水量为设定值，控制松散回潮加水阀门开度。
23.本发明第二方面公开了一种制丝车间松散回潮工序出口水分智能调节系统，所述系统包括：
24.第一处理模块，被配置为，使用url路径访问的手段对spc系统进行网络追踪，获取松散回潮数据的传输路径，再根据所述传输路径和爬虫技术，得到松散回潮历史数据；
25.第二处理模块，被配置为，对得到的松散回潮历史数据进行数据清洗，得到完整的批次不同时刻过程参数的数据表；
26.第三处理模块，被配置为，应用所述数据表中的数据训练预测瞬时加水量的长短期记忆网络，得到松散回潮出口水分模型；
27.第四处理模块，被配置为，将实时采集的松散回潮输入数据输入所述松散回潮出口水分模型，得到实时预测的瞬时加水量；
28.第五处理模块，被配置为，将所述实时预测的瞬时加水量下发至可编程控制器，所述可编程控制器根据所述实时预测的瞬时加水量，进行松散回潮出口水分的控制。
29.本发明第三方面公开了一种电子设备。电子设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时，实现本公开第一方面中任一项的一种制丝车间松散回潮工序出口水分智能调节方法中的步骤。
30.本发明第四方面公开了一种计算机可读存储介质。计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时，实现本公开第一方面中任一项的一种制丝车间松散回潮工序出口水分智能调节方法中的步骤。
31.根据本发明公开的技术内容，具有如下有益效果：在不增加松散回潮生产工序硬件成本的基础上，通过使用软件技术改进的方法实现松散回潮工序在入口水分大范围波动的情况下仍能够稳定地控制出口水分，提高松散回潮工序出口含水率的稳定性，提升松散回潮工序质量得分。
32.通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得清楚。
附图说明
33.被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例，并且连同其说明一起用于解释本发明的原理。
34.图1为根据实施例提供的一种制丝车间松散回潮工序出口水分智能调节方法的流程图；
35.图2为根据本发明实施例的一种制丝车间松散回潮工序出口水分智能调节系统的结构图；
36.图3为根据本发明实施例的一种电子设备的结构图。
具体实施方式
37.现在将参照附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
38.以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。
39.对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
40.在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。
41.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
42.实施例1：
43.本发明公开了一种制丝车间松散回潮工序出口水分智能调节方法。图1为根据本发明实施例的一种制丝车间松散回潮工序出口水分智能调节方法的流程图，如图1所示，所述方法包括：
44.步骤s1、使用url路径访问的手段对spc系统进行网络追踪，获取松散回潮数据的传输路径，再根据所述传输路径和爬虫技术，得到松散回潮历史数据；
45.步骤s2、对得到的松散回潮历史数据进行数据清洗，得到完整的批次不同时刻过程参数的数据表；
46.步骤s3、应用所述数据表中的数据训练预测瞬时加水量的长短期记忆网络，得到松散回潮出口水分模型；
47.步骤s4、将实时采集的松散回潮输入数据输入所述松散回潮出口水分模型，得到实时预测的瞬时加水量；
48.步骤s5、将所述实时预测的瞬时加水量下发至可编程控制器，所述可编程控制器根据所述实时预测的瞬时加水量，进行松散回潮出口水分的控制。
49.在步骤s1，使用url路径访问的手段对spc系统进行网络追踪，获取松散回潮数据的传输路径，再根据所述传输路径和爬虫技术，得到松散回潮历史数据。
50.在一些实施例中，在所述步骤s1中，所述松散回潮历史数据包括：历史输入数据和历史输出数据：所述历史输入数据包括：入口物料含水率、回风温度、滚筒转速和出口物料
含水率；所述历史输出数据为瞬时加水量。
51.具体地，internet开发者工具对spc系统进行网络追踪，发现spc系统中入口物料含水率、回风温度、滚筒转速、出口物料含水率和瞬时加水量等数据的传输路径，随后利用分析出来的传输路径，编写spc系统数据下载程序(使用requests爬虫技术)，支持按时间段进行下载，得到松散回潮历史数据。
52.在步骤s2，对得到的松散回潮历史数据进行数据清洗，得到完整的批次不同时刻过程参数的数据表。
53.在一些实施例中，在所述步骤s2中，所述对得到的松散回潮历史数据进行数据清洗的方法包括：
54.对所述松散回潮历史数据中的尾料和头料数据进行剔除；
55.对剔除尾料和头料数据的松散回潮历史数据，使用时间参数和牌号参数关联各独立的过程数据，得到完整的批次不同时刻过程参数的数据表。
56.具体地，使用爬虫技术自动下载归类的松散回潮历史数据为工序生产的原始数据，入口物料含水率、回风温度、滚筒转速、出口物料含水率等生产数据并未按照批次和时间进行数据关联，且生产数据中尾料、头料数据并未进行剔除，会对模型建立造成干扰。
57.为解决此类数据不规整问题，使用pandas工具包对获取的spc系统的数据进行归类整理。对所述松散回潮历史数据中的尾料和头料数据进行剔除；对剔除尾料和头料数据的松散回潮历史数据，使用时间参数和牌号参数关联各独立的过程数据，得到完整的批次不同时刻过程参数的数据表。
58.在步骤s3，应用所述数据表中的数据训练预测瞬时加水量的长短期记忆网络，得到松散回潮出口水分模型。
59.在一些实施例中，在所述步骤s3中，所述应用所述数据表中的数据训练预测瞬时加水量的长短期记忆网络的方法包括：
60.以所述历史输入数据为长短期记忆网络的输入，以瞬时加水量为长短期记忆网络的输出训练长短期记忆网络。
61.在一些实施例中，在所述步骤s3中，所述方法还包括：松散回潮出口水分模型的自学习参数优化，具体包括：
62.应用网络爬虫技术实时查询spc系统中各生产牌号的预定义天批次质量情况，监测到标准偏差超过第一预设值的批次数大于预定义批次时或者更新周期到达第二预设值，触发所述松散回潮出口水分模型的更新，自动捕获spc系统中该牌号的预设置批次的松散回潮历史数据，进行所述松散回潮出口水分模型的训练。
63.所述预定义天为3天；所述第一预设值为0.25；所述预定义批次为4批次；所述预设置批次为50个批次。
64.具体地，以所述历史输入数据为长短期记忆网络的输入，以瞬时加水量为长短期记忆网络的输出训练长短期记忆网络。
65.模型建立主要使用谷歌的tensorflow深度学习框架，训练中将数据表中的数据按8：2的比例划分为训练集与测试集两大类。其中训练集用于基础模型的训练过程，而测试集用于对模型结果进行评估。
66.训练成功的松散回潮出口水分模型使用np.save方法导出，并安装部署到内部服
务器中。
67.考虑到随着时间的推移，设备的运行状态将发生变化，且一年四季气候变化对生产温湿度有一定程度的影响，松散回潮出口水分模型随着时间推移将发生精度偏差，为保证模型一直准确有效，需建立模型自动学习流程，编写模型自动学习和修正程序。
68.应用网络爬虫技术实时查询spc系统中各生产牌号的3天批次质量情况，监测到标准偏差超过0.25的批次数大于4批次时或者更新周期到达第二预设值，触发所述松散回潮出口水分模型的更新，自动捕获spc系统中该牌号的50批次的松散回潮历史数据，进行所述松散回潮出口水分模型的训练，然后再效果验证和更新模型。
69.在步骤s4，将实时采集的松散回潮输入数据输入所述松散回潮出口水分模型，得到实时预测的瞬时加水量。
70.具体地，使用snap7协议将松散回潮工序的采集的松散回潮输入数据传入松散回潮出口水分模型。
71.在步骤s5，将所述实时预测的瞬时加水量下发至可编程控制器，所述可编程控制器根据所述实时预测的瞬时加水量，进行松散回潮出口水分的控制。
72.在一些实施例中，在所述步骤s5中，所述可编程控制器根据所述实时预测的瞬时加水量，进行松散回潮出口水分的控制的方法包括：
73.以所述实时预测的瞬时加水量为设定值，控制松散回潮加水阀门开度。
74.具体地，通过snap7协议将实时预测的瞬时加水量传回可编程控制器的db数据块中。随后使用实时预测的瞬时加水量编写可编程控制器的自动控制程序，以实时预测的瞬时加水量为设定值，使用可编程控制器的fb41pid功能块控制松散回潮加水阀门开度，实现松散回潮出口水分的精准控制。
75.综上，本发明提出的方案能够在不增加松散回潮生产工序硬件成本的基础上，通过使用软件技术改进的方法实现松散回潮工序在入口水分大范围波动的情况下仍能够稳定地控制出口水分，提高松散回潮工序出口含水率的稳定性，提升松散回潮工序质量得分。
76.实施例2：
77.为方便模型系统的操作和运行，同时使用tkinter作为项目人机交互界面，将系统数据采集、清洗、分析、建模和自学习等功能进行集成，随后使用pyinstaller工具包将编写的系统程序打包成exe可执行文件。
78.本发明公开了一种制丝车间松散回潮工序出口水分智能调节系统。图2为根据本发明实施例的一种制丝车间松散回潮工序出口水分智能调节系统的结构图；如图2所示，所述系统100包括：
79.第一处理模块101，被配置为，使用url路径访问的手段对spc系统进行网络追踪，获取松散回潮数据的传输路径，再根据所述传输路径和爬虫技术，得到松散回潮历史数据；
80.第二处理模块102，被配置为，对得到的松散回潮历史数据进行数据清洗，得到完整的批次不同时刻过程参数的数据表；
81.第三处理模块103，被配置为，应用所述数据表中的数据训练预测瞬时加水量的长短期记忆网络，得到松散回潮出口水分模型；
82.第四处理模块104，被配置为，将实时采集的松散回潮输入数据输入所述松散回潮出口水分模型，得到实时预测的瞬时加水量；
83.第五处理模块105，被配置为，将所述实时预测的瞬时加水量下发至可编程控制器，所述可编程控制器根据所述实时预测的瞬时加水量，进行松散回潮出口水分的控制。
84.根据本发明第二方面的系统，所述第一处理模块101具体被配置为，所述松散回潮历史数据包括：历史输入数据和历史输出数据：所述历史输入数据包括：入口物料含水率、回风温度、滚筒转速和出口物料含水率；所述历史输出数据为瞬时加水量。
85.具体地，internet开发者工具对spc系统进行网络追踪，发现spc系统中入口物料含水率、回风温度、滚筒转速、出口物料含水率和瞬时加水量等数据的传输路径，随后利用分析出来的传输路径，编写spc系统数据下载程序(使用requests爬虫技术)，支持按时间段进行下载，得到松散回潮历史数据。
86.根据本发明第二方面的系统，所述第二处理模块102具体被配置为，所述对得到的松散回潮历史数据进行数据清洗的方法包括：
87.对所述松散回潮历史数据中的尾料和头料数据进行剔除；
88.对剔除尾料和头料数据的松散回潮历史数据，使用时间参数和牌号参数关联各独立的过程数据，得到完整的批次不同时刻过程参数的数据表。
89.具体地，使用爬虫技术自动下载归类的松散回潮历史数据为工序生产的原始数据，入口物料含水率、回风温度、滚筒转速、出口物料含水率等生产数据并未按照批次和时间进行数据关联，且生产数据中尾料、头料数据并未进行剔除，会对模型建立造成干扰。
90.为解决此类数据不规整问题，使用pandas工具包对获取的spc系统的数据进行归类整理。对所述松散回潮历史数据中的尾料和头料数据进行剔除；对剔除尾料和头料数据的松散回潮历史数据，使用时间参数和牌号参数关联各独立的过程数据，得到完整的批次不同时刻过程参数的数据表。
91.根据本发明第二方面的系统，所述第三处理模块103具体被配置为，所述应用所述数据表中的数据训练预测瞬时加水量的长短期记忆网络的方法包括：
92.以所述历史输入数据为长短期记忆网络的输入，以瞬时加水量为长短期记忆网络的输出训练长短期记忆网络。
93.在一些实施例中，所述系统还包括：松散回潮出口水分模型的自学习参数优化，具体包括：
94.应用网络爬虫技术实时查询spc系统中各生产牌号的预定义天批次质量情况，监测到标准偏差超过第一预设值的批次数大于预定义批次时或者更新周期到达第二预设值，触发所述松散回潮出口水分模型的更新，自动捕获spc系统中该牌号的预设置批次的松散回潮历史数据，进行所述松散回潮出口水分模型的训练。
95.所述预定义天为3天；所述第一预设值为0.25；所述预定义批次为4批次；所述预设置批次为50个批次。
96.具体地，以所述历史输入数据为长短期记忆网络的输入，以瞬时加水量为长短期记忆网络的输出训练长短期记忆网络。
97.模型建立主要使用谷歌的tensorflow深度学习框架，训练中将数据表中的数据按8：2的比例划分为训练集与测试集两大类。其中训练集用于基础模型的训练过程，而测试集用于对模型结果进行评估。
98.训练成功的松散回潮出口水分模型使用np.save方法导出，并安装部署到内部服
务器中。
99.考虑到随着时间的推移，设备的运行状态将发生变化，且一年四季气候变化对生产温湿度有一定程度的影响，松散回潮出口水分模型随着时间推移将发生精度偏差，为保证模型一直准确有效，需建立模型自动学习流程，编写模型自动学习和修正程序。
100.应用网络爬虫技术实时查询spc系统中各生产牌号的3天批次质量情况，监测到标准偏差超过0.25的批次数大于4批次时或者更新周期到达第二预设值，触发所述松散回潮出口水分模型的更新，自动捕获spc系统中该牌号的50批次的松散回潮历史数据，进行所述松散回潮出口水分模型的训练，然后再效果验证和更新模型。
101.根据本发明第二方面的系统，所述第四处理模块104具体被配置为，使用snap7协议将松散回潮工序的采集的松散回潮输入数据传入松散回潮出口水分模型。
102.根据本发明第二方面的系统，所述第五处理模块105具体被配置为，所述可编程控制器根据所述实时预测的瞬时加水量，进行松散回潮出口水分的控制的方法包括：
103.以所述实时预测的瞬时加水量为设定值，控制松散回潮加水阀门开度。
104.具体地，通过snap7协议将实时预测的瞬时加水量传回可编程控制器的db数据块中。随后使用实时预测的瞬时加水量编写可编程控制器的自动控制程序，以实时预测的瞬时加水量为设定值，使用可编程控制器的fb41pid功能块控制松散回潮加水阀门开度，实现松散回潮出口水分的精准控制。
105.实施例3：
106.本发:公开了一种电子设备。电子设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时，实现本发明公开实施例1中任一项的一种制丝车间松散回潮工序出口水分智能调节方法中的步骤。
107.图3为根据本发明实施例的一种电子设备的结构图，如图3所示，电子设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、运营商网络、近场通信(nfc)或其他技术实现。该电子设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该电子设备的输入装置可以是显示屏上覆盖的触摸层，也可以是电子设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
108.本领域技术人员可以理解，图3中示出的结构，仅仅是与本公开的技术方案相关的部分的结构图，并不构成对本技术方案所应用于其上的电子设备的限定，具体的电子设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
109.实施例4：
110.本发明公开了一种计算机可读存储介质。计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时，实现本发明的实施例1中任一项的一种制丝车间松散回潮工序出口水分智能调节方法中的步骤。
111.请注意，以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不
存在矛盾，都应当认为是本说明书记载的范围。以上实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。
112.本说明书中描述的主题及功能操作的实施例可以在以下中实现：数字电子电路、有形体现的计算机软件或固件、包括本说明书中公开的结构及其结构性等同物的计算机硬件、或者它们中的一个或多个的组合。本说明书中描述的主题的实施例可以实现为一个或多个计算机程序，即编码在有形非暂时性程序载体上以被数据处理装置执行或控制数据处理装置的操作的计算机程序指令中的一个或多个模块。可替代地或附加地，程序指令可以被编码在人工生成的传播信号上，例如机器生成的电、光或电磁信号，该信号被生成以将信息编码并传输到合适的接收机装置以由数据处理装置执行。计算机存储介质可以是机器可读存储设备、机器可读存储基板、随机或串行存取存储器设备、或它们中的一个或多个的组合。
113.本说明书中描述的处理及逻辑流程可以由执行一个或多个计算机程序的一个或多个可编程计算机执行，以通过根据输入数据进行操作并生成输出来执行相应的功能。所述处理及逻辑流程还可以由专用逻辑电路—例如fpga(现场可编程门阵列)或asic(专用集成电路)来执行，并且装置也可以实现为专用逻辑电路。
114.适合用于执行计算机程序的计算机包括，例如通用和/或专用微处理器，或任何其他类型的中央处理单元。通常，中央处理单元将从只读存储器和/或随机存取存储器接收指令和数据。计算机的基本组件包括用于实施或执行指令的中央处理单元以及用于存储指令和数据的一个或多个存储器设备。通常，计算机还将包括用于存储数据的一个或多个大容量存储设备，例如磁盘、磁光盘或光盘等，或者计算机将可操作地与此大容量存储设备耦接以从其接收数据或向其传送数据，抑或两种情况兼而有之。然而，计算机不是必须具有这样的设备。此外，计算机可以嵌入在另一设备中，例如移动电话、个人数字助理(pda)、移动音频或视频播放器、游戏操纵台、全球定位系统(gps)接收机、或例如通用串行总线(usb)闪存驱动器的便携式存储设备，仅举几例。
115.适合于存储计算机程序指令和数据的计算机可读介质包括所有形式的非易失性存储器、媒介和存储器设备，例如包括半导体存储器设备(例如eprom、eeprom和闪存设备)、磁盘(例如内部硬盘或可移动盘)、磁光盘以及cd rom和dvd-rom盘。处理器和存储器可由专用逻辑电路补充或并入专用逻辑电路中。
116.虽然本说明书包含许多具体实施细节，但是这些不应被解释为限制任何发明的范围或所要求保护的范围，而是主要用于描述特定发明的具体实施例的特征。本说明书内在多个实施例中描述的某些特征也可以在单个实施例中被组合实施。另一方面，在单个实施例中描述的各种特征也可以在多个实施例中分开实施或以任何合适的子组合来实施。此外，虽然特征可以如上所述在某些组合中起作用并且甚至最初如此要求保护，但是来自所要求保护的组合中的一个或多个特征在一些情况下可以从该组合中去除，并且所要求保护的组合可以指向子组合或子组合的变型。
117.类似地，虽然在附图中以特定顺序描绘了操作，但是这不应被理解为要求这些操
作以所示的特定顺序执行或顺次执行、或者要求所有例示的操作被执行，以实现期望的结果。在某些情况下，多任务和并行处理可能是有利的。此外，上述实施例中的各种系统模块和组件的分离不应被理解为在所有实施例中均需要这样的分离，并且应当理解，所描述的程序组件和系统通常可以一起集成在单个软件产品中，或者封装成多个软件产品。
118.由此，主题的特定实施例已被描述。其他实施例在所附权利要求书的范围以内。在某些情况下，权利要求书中记载的动作可以以不同的顺序执行并且仍实现期望的结果。此外，附图中描绘的处理并非必需所示的特定顺序或顺次顺序，以实现期望的结果。在某些实现中，多任务和并行处理可能是有利的。
119.以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。
120.虽然已经通过例子对本发明的一些特定实施例进行了详细说明，但是本领域的技术人员应该理解，以上例子仅是为了进行说明，而不是为了限制本发明的范围。本领域的技术人员应该理解，可在不脱离本发明的范围和精神的情况下，对以上实施例进行修改。本发明的范围由所附权利要求来限定。

技术特征：

1.一种制丝车间松散回潮工序出口水分智能调节方法，其特征在于，所述方法包括：步骤s1、使用url路径访问的手段对spc系统进行网络追踪，获取松散回潮数据的传输路径，再根据所述传输路径和爬虫技术，得到松散回潮历史数据；步骤s2、对得到的松散回潮历史数据进行数据清洗，得到完整的批次不同时刻过程参数的数据表；步骤s3、应用所述数据表中的数据训练预测瞬时加水量的长短期记忆网络，得到松散回潮出口水分模型；步骤s4、将实时采集的松散回潮输入数据输入所述松散回潮出口水分模型，得到实时预测的瞬时加水量；步骤s5、将所述实时预测的瞬时加水量下发至可编程控制器，所述可编程控制器根据所述实时预测的瞬时加水量，进行松散回潮出口水分的控制。2.根据权利要求1所述的一种制丝车间松散回潮工序出口水分智能调节方法，其特征在于，在所述步骤s1中，所述松散回潮历史数据包括：历史输入数据和历史输出数据：所述历史输入数据包括：入口物料含水率、回风温度、滚筒转速和出口物料含水率；所述历史输出数据为瞬时加水量。3.根据权利要求1所述的一种制丝车间松散回潮工序出口水分智能调节方法，其特征在于，在所述步骤s2中，所述对得到的松散回潮历史数据进行数据清洗的方法包括：对所述松散回潮历史数据中的尾料和头料数据进行剔除；对剔除尾料和头料数据的松散回潮历史数据，使用时间参数和牌号参数关联各独立的过程数据，得到完整的批次不同时刻过程参数的数据表。4.根据权利要求2所述的一种制丝车间松散回潮工序出口水分智能调节方法，其特征在于，在所述步骤s3中，所述应用所述数据表中的数据训练预测瞬时加水量的长短期记忆网络的方法包括：以所述历史输入数据为长短期记忆网络的输入，以瞬时加水量为长短期记忆网络的输出训练长短期记忆网络。5.根据权利要求1所述的一种制丝车间松散回潮工序出口水分智能调节方法，其特征在于，在所述步骤s3中，所述方法还包括：松散回潮出口水分模型的自学习参数优化，具体包括：应用网络爬虫技术实时查询spc系统中各生产牌号的预定义天的批次质量情况，监测到标准偏差超过第一预设值的批次数大于预定义批次时或者更新周期到达第二预设值，触发所述松散回潮出口水分模型的更新，自动捕获spc系统中该牌号的预设置批次的松散回潮历史数据，进行所述松散回潮出口水分模型的训练。6.根据权利要求5所述的一种制丝车间松散回潮工序出口水分智能调节方法，其特征在于，所述预定义天为3天；所述第一预设值为0.25；所述预定义批次为4批次；所述预设置批次为50个批次。7.根据权利要求1所述的一种制丝车间松散回潮工序出口水分智能调节方法，其特征在于，在所述步骤s5中，所述可编程控制器根据所述实时预测的瞬时加水量，进行松散回潮出口水分的控制的方法包括：以所述实时预测的瞬时加水量为设定值，控制松散回潮加水阀门开度。
8.一种制丝车间松散回潮工序出口水分智能调节系统，其特征在于，所述系统包括：第一处理模块，被配置为，使用url路径访问的手段对spc系统进行网络追踪，获取松散回潮数据的传输路径，再根据所述传输路径和爬虫技术，得到松散回潮历史数据；第二处理模块，被配置为，对得到的松散回潮历史数据进行数据清洗，得到完整的批次不同时刻过程参数的数据表；第三处理模块，被配置为，应用所述数据表中的数据训练预测瞬时加水量的长短期记忆网络，得到松散回潮出口水分模型；第四处理模块，被配置为，将实时采集的松散回潮输入数据输入所述松散回潮出口水分模型，得到实时预测的瞬时加水量；第五处理模块，被配置为，将所述实时预测的瞬时加水量下发至可编程控制器，所述可编程控制器根据所述实时预测的瞬时加水量，进行松散回潮出口水分的控制。9.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时，实现权利要求1至7中任一项所述的一种制丝车间松散回潮工序出口水分智能调节方法中的步骤。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，实现权利要求1至7中任一项所述的一种制丝车间松散回潮工序出口水分智能调节方法中的步骤。

技术总结

本发明公开了一种制丝车间松散回潮工序出口水分智能调节方法及系统。方法包括：获取松散回潮数据的传输路径，根据传输路径和爬虫技术，得到松散回潮历史数据并进行数据清洗，得到完整的批次不同时刻过程参数的数据表；应用数据表中的数据训练预测瞬时加水量的长短期记忆网络，得到松散回潮出口水分模型；将实时采集的松散回潮输入数据输入松散回潮出口水分模型，得到实时预测的瞬时加水量；可编程控制器根据实时预测的瞬时加水量，进行松散回潮出口水分的控制。本发明能够实现松散回潮工序在入口水分大范围波动的情况下能够稳定地控制出口水分，提高松散回潮工序出口含水率的稳定性，提升松散回潮工序质量得分。提升松散回潮工序质量得分。提升松散回潮工序质量得分。