基于随机森林回归的烘丝出口水分影响因素分析

为解决烘丝出口水分过程控制波动、精确度不高的问题,以“云烟（A）”牌卷烟烟丝烘丝工序生产数据为样本,对过程数据进行清洗,截取稳态数据,建立数据间准确的时间对应关系,采用Pearson相关性分析筛选得到13个解释变量,通过随机森林回归方法建立烘丝出口水分预测模型。研究表明,工作热风流量、筒壁温度、烘丝出口温度、烘丝片区湿度对烘丝出口水分的影响度较大,预测模型的决定系数（R²）为0.71,均方根误差（RMSE）为0.052,总相对误差为-0.023%,预测精度P为99.80%,模型拟合效果较好。该方法可以有效提高烘丝出口水分控制的稳定性和精确度,提升烟丝感官质量,为烘丝机智能控制系统的研发提供重要的理论依据。     

基于机器学习的切丝后含水率预测及控制方法

选取云烟(A)牌号制丝生产过程稳态数据样本,采用递归特征消除法分析模型的影响变量。基于车间温湿度SARIMAX预测模型,利用蒙特卡洛仿真、神经网络算法和XGBoost算法建立切丝后含水率控制模型,通过预测值与实际值对比的方法进行模型检验。结果表明,在工艺标准值±0.15%的误差范围内,切丝后含水率准确率由62.57%提升至86.49%;切丝后含水率的过程能力指数达标率由91.44%提升至97.30%。该方法实现了前后工序参数协同和精准控制,有效保证了制丝过程中切丝后含水率的稳定性。     

AHP-模糊算法在卷烟制丝过程质量评价中的应用

目的为解决现有制丝评价系统粗放,只注重质量结果的评价,忽略控制过程本身的问题,建立适应当前工艺现状和过程控制数据分布特点的综合评价与管控方法。方法通过在工段、工序、工艺参数多层级间构建科学的评价结构,采用层次分析法计算各层级间指标权重,基于模糊算法建立百分制质量指数表征函数,最终通过批次综合得分Sbatch模型进行工艺质量评估。结果新构建的评价模型精准科学地评估了批次全工序过程控制水平,根据综合得分,可以实时追溯批次弱项指标并改进,批次优秀率(批次综合得分大于95分)达91.2%。结论构建了集约的制丝评价体系,从工艺参数到工序深入挖掘分析生产过程控制情况,实现了由结果评价向过程评价的转变,给生产操作工和工艺管理员提供实时借鉴,不断提高过程控制水平。