一种卷烟滤棒成型机生产过程的重量预测方法及存储介质

技术领域

本发明涉及滤棒成型技术领域，具体涉及一种卷烟滤棒成型机生产过程的重量预测方法及存储介质。

背景技术

由于滤棒的重量对吸阻、硬度等有直接影响，会影响到消费者吸食烟支的体验、烟支充分燃烧的质量以及生产成本的高低，故作为滤棒关键质量参数，重量的控制显得十分重要。

目前，主要是通过检测生产出的滤棒重量来反应生产质量，尚未见对滤棒重量进行预测的方法。而进行滤棒重量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。

基于此，本发明提出一种滤棒成型机生产过程中重量参数的预测方法，以指导滤棒生产。

随机森林(RF)分类器是一种基于多棵决策树集成学习技术，对非线性问题具有很好的拟合效果且模型泛化能力强。它采用bootstrap采样从原始训练集中得到多个训练子集，对每个子集运用一定的算法进行节点分裂决策树建模，多棵决策树组合构建为随机森林，通过每一棵树的预测投票出最终结果。将滤棒成型机采集到的多个相关变量进行特征重要性分析，算法将每一个特征量对模型结果的影响大小折算为具体数值进行输出，由数值进行排序，进一步挑选出与重量参数呈强相关性的预伸展比、伸展比、松弛比、成束辊速、供给系数、稳定辊压V0、塑化剂喷洒率(甘油)等七种控制变量，从而实现数据降维。

BP神经网络，相对于BP网络来说结构及功能更加完整。它在隐含层增加了一个中间层作为延时算子存储数据，神经网络从而获得了记忆数据的能力，系统具有适应时变的能力更强，网络的全局稳定性能也更加优越。

本发明基于以上三点分析，在国内外对于此类问题研究基础之上，利用随机森林先得出主影响因素，以此作为被JSOA(跳蛛)优化后的BP神经网络的输入，并在此基础上提出一种滤棒成型机生产过程中重量参数的预测方法及存储介质。

发明内容

为解决上述技术问题，本发明提出一种滤棒成型机生产过程中重量参数的预测方法及存储介质。

根据第一方面，本发明提供了一种卷烟滤棒成型机生产过程的重量预测方法，包括以下步骤：

S1：获取滤棒重量相关变量的控制参数，并划分训练集及测试集，利用随机森林算法得出滤棒重量相关变量的高重要性控制参数，得到控制参数数据集；

S2：构建BP神经网络，并利用跳蛛优化算法对BP神经网络进行优化；

S3：利用优化后的BP神经网络对下一时刻的滤棒重量参数进行预测，得出预测结果。

进一步地，步骤S2包括：

S21：使用Tent序列初始化跳蛛种群，个体位置矩阵映射为BP神经网络初始权值矩阵和阈值矩阵，将适应度函数设置为模型预测值和真实值之间的误差函数，由控制参数数据集作为IJSOA-BP神经网络模型训练输入集；

S22：在训练输入集上，计算每个个体的适应度函数值，即预测值和真实值之间的误差；

S23：根据适应度函数值更新种群位置；

S24：判断IJSOA-BP神经网络模型是否达到最大迭代数，若没有达到，则转到S22，若达到，选取最优解作为BP神经网络的各分层权值；

进一步地，步骤S23包括：

S231：根据概率条件p1＝rand(0,1)、p2＝rand(0,1)及p3＝rand(0,1)，选择性以迫害猎物策略或跳上猎物策略或局部搜索策略或局搜索策略更新跳蛛位置，并且进一步利用信息素完成个体优化。

进一步地，步骤S231中，选择性以迫害策略、跳上猎物、局部搜索、全局搜索更新跳蛛位置的条件为：

当p1≤0.5且p2≤0.5时，选择迫害猎物策略；

当p1≤0.5且p2>0.5时，选择跳上猎物策略；

当p1>0.5且p3>0.5时，选择全局搜索策略；

当p1>0.5且p3≤0.5时，选择局部搜索策略。

进一步地，所述信息素的计算公式为：

其中，pe(i)为第i只跳蛛个体感受到的信息素；Fitness(i)为当前跳蛛个体的适应度函数值，即当前迭代次数下的训练后BP神经网络的预测输出和实际输出的差值；Fitness

进一步地，当个体感受到的信息素≤0.3时采用下式进行个体优化：

式中：t为当前迭代次数，x

当个体感受到的信息素>0.3时，选取此时的最优解，并判断是否达到最大迭代数，若没有达到，则转到S22，若达到，则以此时的最优解作为BP神经网络的各分层权值。

进一步地，步骤S1包括：

S11：获取滤棒成型机采集的滤棒重量相关变量的控制参数，并划分训练集及测试集；

S12：针对随机森林算法中的每一颗决策树，用其对应的袋外数据计算袋外数据误差，记为：err1；

S13：随机对袋外数据所有样本的特征X加入噪声干扰，再次计算袋外数据误差，记为err2；所述特征是指滤棒重量相关变量的控制参数；

S14：假设森林中有N棵树，则特征X的重要性＝∑(err2-err1)/N，袋外数据准确率大幅度下降特征重要性程度较高；

S15：在特征重要性的基础上进行特征选择，得到袋外误差率最低的特征集；

S16：对随机森林模型进行可视化分析，从袋外误差率最低的特征集中挑选出相应的控制参数，得到控制参数数据集。

进一步地，步骤S15包括：

S151：计算每个特征的重要性，并按降序进行排序；

S152：确定要剔除的比例，依据特征重要性剔除相应比例的特征，得到一个新的特征集；

S153：用新的特征集重复上述过程，直到剩下所设定的m个特征；

S154：根据上述过程中得到的各个特征集和特征集对应的袋外误差率，选择袋外误差率最低的特征集。

进一步地，所述滤棒重量相关变量所对应的控制参数包括：预伸展比、伸展比、松弛比、成束辊速、供给系数、稳定辊压和塑化剂喷洒率。

根据第二方面，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序能够被处理器执行以实现上述方法的步骤。

相比现有技术，本发明的有益效果：

本发明采用RF算法降低数据维度作为预测模型的输入。以模型训练中预测值和实际值的误差作为目标函数，使用跳蛛优化算法对BP神经网络进行优化得到最优权值及阈值，进而实现滤棒成型重量预测，该方法可以克服重量离线检测的滞后性，指导操作工实时改变控制量，提升滤棒生产智能实时控制水平，以提高滤棒合格率。

附图说明

图1为本发明的步骤流程图；

图2为本发明的算法流程图；

图3为本发明的预测模型结构图；

图4为实施例2的预测曲线图。

具体实施方式

下面通过具体实施方式对本发明作进一步详细说明。

实施例1

成型机生产出来的滤棒重量与纤维材料规格及机器控制参数设置等都有直接关系，本实施例提供了一种滤棒成型机生产过程中重量参数的预测方法，降通过RF算法(随机森林)进行特征的重要性度量，选择重要性较高的特征，降低BP神经网络的输入维度，以模型训练中预测值和实际值的误差作为目标函数，使用JSOA(跳蛛优化算法)对BP神经网络进行优化得到最优权值及阈值，进而实现滤棒成型重量预测。可以克服重量离线检测的滞后性，指导操作工实时改变控制量，以提高滤棒合格率。

如图1-2所示，该预测方法包括：

S1：获取滤棒重量相关变量的控制参数，并划分训练集及测试集，利用随机森林算法得出滤棒重量相关变量的高重要性控制参数，得到控制参数数据集。控制参数数据集为降维数据集，以缩减BP神经网络的输入特征维度，即缩减模型特征数，提高精度。具体过程为：

S11：获取滤棒成型机采集的滤棒重量相关变量的控制参数，并划分训练集及测试集；

S12：针对随机森林算法中的每一颗决策树，用其对应的袋外数据计算袋外数据误差，记为：err1；

S13：随机对袋外数据所有样本的特征X(此处特征X指输入的控制参数)加入噪声干扰，再次计算袋外数据误差，记为err2；

S14：假设森林中有N棵树，则特征X的重要性＝∑(err2-err1)/N，袋外数据准确率大幅度下降特征重要性程度较高；

S15：在特征重要性的基础上进行特征选择，得到袋外误差率最低的特征集.具体为：

S151：计算每个特征的重要性，并按降序进行排序；

S152：确定要剔除的比例，依据特征重要性剔除相应比例的特征，得到一个新的特征集；

S153：用新的特征集重复上述过程，直到剩下所设定的m个特征；

S154：根据上述过程中得到的各个特征集和特征集对应的袋外误差率，选择袋外误差率最低的特征集。

S16：评价随机森林模型精度，输出RMSE和R，并进行随机森林模型可视化分析，从袋外误差率最低的特征集中挑选出相应的控制参数，得到控制参数数据集，控制参数数据集为降维后的数据集，该数据集包含的相关控制参数为：预伸展比、伸展比、松弛比、成束辊速、供给系数、稳定辊压和塑化剂喷洒率(甘油)。

S2：构建BP神经网络，并利用跳蛛优化算法对BP神经网络进行优化。BP神经网络的输入特征的维度为步骤S1中所得的控制参数数据集的维度。

BP神经网络构建过程为：

确定网络拓扑结构，初始化各层权值、阈值；输入样本值并计算各层的输出值；将误差作为网络目标函数。

在利用BP神经网络实现预测前，要先应用相关控制参数对网络进行训练，使其具备联想记忆和预测能力。具体步骤如下：

①对神经网络进行初始化。根据给定的输入输出(i，o)来确定网络输入层节点数n、隐含层节点数l、输出层节点数m；初始化输入层、隐含层和输出层神经元之间的连接权值w

②隐含层输出计算。根据输入变量i，输入层和隐含层间连接权值w

net

③输出层输出计算。根据隐含层输出out

net

④误差计算。根据网络预测输出out

E

⑤权值更新。根据网络预测误差E更新网络连接权值w。

⑥阈值更新。根据网络预测误差E更新网络节点阈值b。

⑦判断算法迭代是否结束，若没有结束，返回步骤②。

BP神经网络训练完成后，使用跳蛛优化算法对其进行优化。优化过程为：S21：使用Tent序列初始化跳蛛种群，个体位置矩阵映射为BP神经网络初始权值矩阵和阈值矩阵，将适应度函数设置为模型预测值和真实值之间的误差函数，由控制参数数据集作为IJSOA-BP神经网络模型训练输入集。利用Tent混沌序列代替随机初始化种群，可使种群分布更加均匀，加快算法搜索速率，其公式如下：

X＝LB+(UB-LB)×z(t)

式中：X为跳蛛种群，LB、UB分别为搜索范围最小值、最大值，t为当前迭代次数，z(t)为第t次迭代时，使用Tent初始化后的种群。

S22：在训练输入集上，计算每个个体的适应度函数值，即预测值和真实值之间的误差；

S23：根据适应度函数值更新种群位置；具体为：

S231：根据概率条件p1＝rand(0,1)、p2＝rand(0,1)及p3＝rand(0,1)，选择性以迫害猎物策略或跳上猎物策略或局部搜索策略或局搜索策略更新跳蛛位置，并且进一步利用信息素完成个体优化。

步骤S231中，选择性以迫害策略、跳上猎物、局部搜索、全局搜索更新跳蛛位置的条件为：

当p1≤0.5且p2≤0.5时，选择迫害猎物策略；迫害猎物：若猎物距跳蛛较远，不能通过跳跃捕捉时，它会隐秘地走近，直至可实现的距离。其位置更新方程为：

式中：t为当前迭代次数；x

当p1≤0.5且p2>0.5时，选择跳上猎物策略；跳上猎物：跳蛛以抛射运动方式跳上猎物。其位置更新方程为：

式中：V

当p1>0.5且p3>0.5时，选择全局搜索策略；全局搜索：跳蛛在周围环境中进行大范围搜索以便寻到猎物所在区域。其位置更新方程为：

x

式中：x

当p1>0.5且p3≤0.5时，选择局部搜索策略。局部搜索：跳蛛对猎物所在区域完成小步长精细搜索以确定猎物具体位置。其位置更新方程为：

式中：walk为[-2,2]间的随机数；ε为[0,1]间的随机数。

跳蛛产生信息素并分泌到外部，其他个体通过嗅觉感知并在行为上做出相应改变，信息素的计算公式为：

其中，pe(i)为第i只跳蛛个体感受到的信息素；Fitness(i)为当前跳蛛个体的适应度函数值，即当前迭代次数下的训练后BP神经网络的预测输出和实际输出的差值；Fitness

进一步地，当个体感受到的信息素≤0.3时采用下式进行个体优化：

式中：t为当前迭代次数，x

当个体感受到的信息素>0.3时，选取此时的最优解，并判断是否达到最大迭代数，若没有达到，则转到S22，若达到，则以此时的最优解作为BP神经网络的各分层权值。

S24：判断IJSOA-BP神经网络模型是否达到最大迭代数，若没有达到，则转到S22，若达到，选取最优解作为BP神经网络的各分层权值，最终得到如图3所示的预测模型。

S3：利用优化后的BP神经网络对下一时刻的滤棒重量参数进行预测，得出预测结果。利用训练集所有数据训练IJSOA优化后的BP神经网络，当误差函数值达到一个理想状态或者设定状态时，利用训练好的BP神经网络对下一时刻滤棒成型机生产过程的重量参数进行计算，得出预测结果，进而指导操作工实时改变控制参数，且实现重量超限报警。

实施例2

滤棒成型机控制参数包含预伸展比、伸展比、松弛比、成束辊速、供给系数、稳定辊压、塑化剂喷洒率(甘油)、启动后输送空气、烟枪入口舌空气、封口器调节装置偏量、鼓负压、真空风机转速、松紧调节辊的纸拉力、加热器温度、真空风机转速、切刀进给等以及人工离线抽检、质检台离线抽检吸阻，共有数据15000组。

根据随机森林模型可视化分析，得到降维数据集，包括参数如供给系数、预伸展比、伸展比、松弛比、成束辊速、稳定辊压V0、塑化剂喷洒率(甘油)。

根据随机森林模型得到的降维输入特征以及对应的滤棒重量，得到样本数据集，按照7:3的比例划分为训练集和测试集。

迭代训练IJSOA-BP模型，得到最优权值、最优阈值。

利用IJSOA优化后的BP神经网络对下一时刻的滤棒重量参数进行计算，得出预测结果，所得结果如图4所示，算法优化效果明显，预测输出与实际输出的跟随效果较好。利用均方根误差RMSE、平均绝对误差MAE、平均绝对百分比误差MAPE和决定系数对其评价。

均方根误差RMSE、平均绝对误差MAE、平均绝对百分比误差MAPE和决定系数R

式中：m为样本的个数，y

可得预测均方根误差为1.9965，预测平均绝对误差MAE为1.2425，平均绝对误差MAPE为0.0037798，决定系数为0.93555，总体误差小，基本满足生产需求。

以上应用了具体个例对本发明进行阐述，只是用于帮助理解本发明，并不用以限制本发明。对于本发明所属技术领域的技术人员，依据本发明的思想，还可以做出若干简单推演、变形或替换。