技术摘要：
本发明公开了一种基于深度学习的烟支吸阻智能控制系统及其控制方法，通过使用单支烟高速数采方法，充分利用烟支生产过程中的数据，尤其是烟丝数据，提升烟支吸阻预测的准确性以及设定目标重量数值的准确性，通过离线预训练的方法，将人工经验知识纳入控制网络中，以人  全部
背景技术：
成品烟支的吸阻值是最终产品的质量考核指标，而在烟支吸阻只有在卷烟机生产 时是可控的，后续的输送和包装过程都是不可控的，因此在卷烟机处控制烟支吸阻的稳定 性是关键。当前通过调整目标重量来稳定烟支吸阻的主要依据是质检员的多次抽样检测结 果与经验。但人工采样检测反馈周期长，另外，质检员检测的是长支烟的烟支吸阻，进行目 标重量的调整是直接作用于短支烟的，其中滤棒的烟支吸阻与重量是一个不可控因素，现 有操作流程并未对其数据进行跟踪关联，在烟丝换批的过程中，并未对烟丝的不同批次数 据特性进行综合考虑设定目标重量值。
技术实现要素：
本发明的目的是提供一种利用单支烟实时数据以及烟丝批次历史数据，建立特征 自动选择模型，通过深度学习方法，建立实时智能控制模型，通过调节目标重量来实现批间 烟支吸阻的稳定性的烟支吸阻智能控制系统及其控制方法。 为实现上述目的，本发明采用的技术方案如下： 一种基于深度学习的烟支吸阻智能控制系统，包括卷烟机、高速数采系统、卷包数 采服务器、企业管理网、应用服务器、应用备份服务器、卷包智能控制服务器、卷包智能控制 备份服务器、深度学习模型训练服务器、数据库服务器；其特征在于：所述高速数采系统设 置在所述卷包数采服务器上，通过以太网与卷烟机相连接，用于采集卷烟机数据；所述卷包 数采服务器，将数据上传给应用服务器； 所述应用服务器，用于与深度学习模型训练服务器、数据库服务器、卷包数采服务 器和卷包智能控制服务器进行通信； 所述应用服务器设置有物联网平台，所述物联网平台将卷包数采服务器采集的卷 烟机数据进行实例化，并通过自定义协议与卷包智能控制服务器中的数据整流模块进行通 信，同时将数据保存到数据库服务器中； 应用服务器将于深度学习模型训练服务器获取的数据分析结果进行可视化展示， 将于卷包智能控制服务器获取的目标重量值传给卷包数采服务器； 所述卷包智能控制服务器包括烟支吸阻预测模型、目标重量决策模型、数据整流 模块和控制参量变换模块； 所述数据整流模块，通过自定义协议与应用服务器通信，获取应用服务器传来的 数据，并通过所述控制参量变换模块，将应用服务器传来的数据变换后输出至烟支吸阻模 型； 所述烟支吸阻预测模型将预测结果和整流数据，输出至目标重量决策模型； 7 CN 111612427 A 说　明　书 2/12 页 所述目标重量决策模型将目标重量值输出到数据整流模块，经过控制参量变换模 块变换后，通过自定义协议将数据传给应用服务器； 所述数据库服务器，用于提供数据存储服务；所述数据库服务器可扩展为多个； 所述深度学习模型训练服务器，用于对烟支吸阻预测模型进行预训练，并对数据 进行分析，将数据处理后的结果输出至应用服务器； 所述卷包智能控制备份服务器，用于对卷包智能控制服务器的灾备； 所述应用备份服务器，用于对应用服务器的灾备。 优选的，所述烟支吸阻预测模型，采用了特殊隐式单元的LSTM： 其中M称为记忆细胞的特殊单元累加器和I、O、F门控神经元，它在下一个时间步长 将拥有一个权值并联结到自身，copy自身状态的真实值和累积的外部信号，这种自联结是 由另一个单元学习并决定何时清除记忆内容的乘法门控制的； 首先使用LSTM的当前输入xt和上一个状态传递下来的ht-1拼接训练得到四个状 态： 其中：Zi表示I门，Zf表示F门，Zo表示O门； 由于其展开是一个深度前馈网络，其中细胞状态则有： Ct＝Zf ⊙ Ct-1 Zi ⊙ Z Ht＝Z0 ⊙ tanh(Ct) 输出，也就是烟支吸阻预测值则有： yt＝σ(W'Ht) 其中： F门：主要功能是决定应丢弃或保留哪些信息，具体操作是将上一层隐藏状态的信 息与当前层的输入进行sigmoid变换，输出值越接近于0，信息就会越容易被删除； I门：输入门用于更新细胞状态，首先将前一层隐藏状态的信息和当前输入的信息 进行sigmoid变换，将值调整到0～1之间来决定要更新哪些信息，0表示不重要，1表示重要， 其次还要将前一层隐藏状态的信息和当前输入的信息进行tanh变换，创造一个新的侯选值 向量，最后将sigmoid的输出值与tanh的输出值相乘，sigmoid的输出值将决定tanh的输出 8 CN 111612427 A 说　明　书 3/12 页 值中哪些信息是重要且需要保留下来的； M记忆细胞：前一层的M与F向量逐点相乘，如果它乘以接近0的值，意味着在新的细 胞状态中，这些信息是需要丢弃掉的，然后再将该值与I门的输出值逐点相加，将神经网络 发现的新信息更新到细胞状态中去，至此，就得到了更新后的细胞状态； O门：用来确定下一个隐藏状态的值，隐藏状态包含了先前输入的信息，首先，将前 一个隐藏状态和当前输入进行sigmoid变换，然后将新得到的细胞状态进行tanh变换，最后 将tanh的输出与sigmoid的输出相乘，以确定隐藏状态应携带的信息，再将隐藏状态作为当 前细胞的输出，把新的细胞状态和新的隐藏状态传递到下一个时间步长中去。 优选的，所述卷包智能控制备份服务器的运行环境与所述卷包智能控制服务器一 样，当卷包智能控制出现故障时，可以实时切换到卷包智能控制备份服务器；所述应用备份 服务器的运行环境与所述应用服务器一样，当应用服务器出现故障时，可以实时切换到应 用备份服务器。 优选的，所述自定义协议，采用UDP或者TCP通信协议。 优选的，所述卷烟机数据包括：吸丝带位置，B8M状态，ve大风机，ve小风机，ve吸丝 带压力，se布带张紧压力，max大风机压力，烙铁1实际温度，烙铁2实际温度，搓板实际温度， 水松纸实际温度，生产速度，当前车速，重量校正mg，吸阻校准系数，针辊供丝补偿量，针辊 供丝量系数％，吸阻设定值，SRM重量表征数据，重量偏差当前值，重量短期标准差偏差当前 值，重量长期标准偏差当前值，重量偏差校准值，过轻烟支重量极限mg，过重烟支重量极限 mg，吸阻，通风度，漏气，松头，烟丝温度，重量，压实端量当前值，压实端位置当前值，烟丝水 分，烟支第1段重量，烟支第2段重量，烟支第3段重量，烟支第4段重量，烟支第5段重量，目标 重量mg，内部目标重量mg，给KIK的测量值，单周圆周值，圆周偏差值，圆周修正，圆周最大 值，圆周最小值，烟支直径mm，烟支长度mm，圆周值，光学外观，前排CIS废品状态，后排CIS废 品状态。 一种上述的基于深度学习的烟支吸阻智能控制系统的控制方法，包括以下步骤： 步骤1：由高速数采系统采集卷烟机的7200支/分的单支烟毫秒级数据； 步骤2：将高速数采系统采集的数据上传到应用服务器中的物联网平台，物联网平 台将采集的卷烟机数据进行实例化，同时将数据保存到到数据库服务器中； 步骤3：应用服务器中的物联网平台通过自定义协议与卷包智能控制服务器中的 数据整流模块进行通信； 步骤4：将历史生产数据集合在深度学习模型训练服务器上通过深度学习算法 LSTM进行烟支吸阻预测模型的预训练，并将预测结果通过应用服务器输出至卷包智能控制 服务器中的烟支吸阻预测模型； 步骤5：将步骤3得到的整流数据经过卷包智能控制服务器中的控制参量变换模块 变换后，输出至卷包智能控制服务器中的烟支吸阻预测模型； 步骤6：卷包智能控制服务器中的烟支吸阻预测模型将预测结果和整流数据输出 至卷包智能控制服务器中的目标重量决策模型，在预测结果的基础上结合整流数据预测烟 支吸阻的变化状态，决策控制器接收到的烟支吸阻下一时刻的变化状态后，会根据接收到 的下一时刻的烟支吸阻变化状态调整控制，得到目标重量的调整值，将当前的目标重量值 和预测出的烟支吸阻的变化值，重新输入到烟支吸阻预测模型中，如此进行滚动优化，直至 9 CN 111612427 A 说　明　书 4/12 页 找到使得最佳化损失函数J最小的目标重量值； 步骤7：目标重量决策模型将目标重量值输出到数据整流模块，经控制参量变换模 块变换后通过自定义协议返回到物联网平台，再经过卷包数采服务器，下发到卷烟机中，然 后卷烟机的数据变化会重新输入到烟支吸阻预测模型中，进行新一轮的滚动优化，实现了 烟支吸阻的实时在线预测的闭环控制。 优选的，所述步骤1中的高速数采系统运行在卷包数采服务器上，采集的数据包 括：吸丝带位置，B8M状态，ve大风机，ve小风机，ve吸丝带压力，se布带张紧压力，max大风机 压力，烙铁1实际温度，烙铁2实际温度，搓板实际温度，水松纸实际温度，生产速度，当前车 速，重量校正mg，吸阻校准系数，针辊供丝补偿量，针辊供丝量系数％，吸阻设定值，SRM重量 表征数据，重量偏差当前值，重量短期标准差偏差当前值，重量长期标准偏差当前值，重量 偏差校准值，过轻烟支重量极限mg，过重烟支重量极限mg，吸阻，通风度，漏气，松头，烟丝温 度，重量，压实端量当前值，压实端位置当前值，烟丝水分，烟支第1段重量，烟支第2段重量， 烟支第3段重量，烟支第4段重量，烟支第5段重量，目标重量mg，内部目标重量mg，给KIK的测 量值，单周圆周值，圆周偏差值，圆周修正，圆周最大值，圆周最小值，烟支直径mm，烟支长度 mm，圆周值，光学外观，前排CIS废品状态，后排CIS废品状态。 优选的，步骤2所述将高速数采系统采集的数据上传到应用服务器中的物联网平 台，包括以下步骤： 步骤2.1：卷烟机把运行数据写入若干文件，把存放这些文件的文件夹共享给物联 网平台数据采集程序，数据采集程序通过读取共享文件将数据上传给物联网平台； 步骤2.2：卷烟机和卷包数采程序接口约定： 1)卷烟机要将数据以秒级或更短时间写入磁盘中而不是驻留在文件写入缓冲区， 以便物联网平台能实时从文件中获取新数据； 2)卷烟机每次写入的数据量为“一个时间点完整运行数据”的整数倍； 3)卷烟机每次只写一个文件，写完一个文件后再写下一个文件； 4)物联网平台数据采集程序会不间断的读取文件中出现的新数据，当读取速度大 于写入速度时，采集程序会以1秒为间隔轮询文件中的新数据； 5)卷烟机创建文件后不能给文件改名，由于物联网平台会同时打开该文件进行读 取，因此改名操作会失败； 步骤2.3：程序启动后首先建立对共享文件夹的监听，然后打开最新的数据文件并 开始读取数据，如果有新数据，首先将其加入待上传队列，然后判断自上次上传后数据累计 时间是否超过一秒，如果超过一秒则上传整批次数据并清空待上传队列，如果没有超过一 秒则继续读取新数据；如果没有读取到新数据，首先要查看待上传队列中是否有之前累积 的数据，如果有，要先上传这部分数据，然后继续读取新数据；如果没有，要检查文件监控是 否给出了新创建的文件，如果有，则打开这个新文件并开始读取数据，否则等待100毫秒再 去读取数据并继续作后续判断。 优选的，步骤4所述烟支吸阻预测模型，采用了特殊隐式单元的LSTM： 其中M称为记忆细胞的特殊单元累加器和I、O、F门控神经元，它在下一个时间步长 将拥有一个权值并联结到自身，copy自身状态的真实值和累积的外部信号，这种自联结是 由另一个单元学习并决定何时清除记忆内容的乘法门控制的； 10 CN 111612427 A 说　明　书 5/12 页 首先使用LSTM的当前输入xt和上一个状态传递下来的ht-1拼接训练得到四个状 态： 其中：Zi表示I门，Zf表示F门，Zo表示O门； 由于其展开是一个深度前馈网络，其中细胞状态则有： Ct＝Zf ⊙ Ct-1 Zi ⊙ Z Ht＝Z0 ⊙ tanh(Ct) 输出，也就是烟支吸阻预测值则有： yt＝σ(W'Ht) 其中： F门：主要功能是决定应丢弃或保留哪些信息，具体操作是将上一层隐藏状态的信 息与当前层的输入进行sigmoid变换，输出值越接近于0，信息就会越容易被删除； I门：输入门用于更新细胞状态，首先将前一层隐藏状态的信息和当前输入的信息 进行sigmoid变换，将值调整到0～1之间来决定要更新哪些信息，0表示不重要，1表示重要， 其次还要将前一层隐藏状态的信息和当前输入的信息进行tanh变换，创造一个新的侯选值 向量，最后将sigmoid的输出值与tanh的输出值相乘，sigmoid的输出值将决定tanh的输出 值中哪些信息是重要且需要保留下来的； M记忆细胞：前一层的M与F向量逐点相乘，如果它乘以接近0的值，意味着在新的细 胞状态中，这些信息是需要丢弃掉的，然后再将该值与I门的输出值逐点相加，将神经网络 发现的新信息更新到细胞状态中去，至此，就得到了更新后的细胞状态； O门：用来确定下一个隐藏状态的值，隐藏状态包含了先前输入的信息，首先，将前 一个隐藏状态和当前输入进行sigmoid变换，然后将新得到的细胞状态进行tanh变换，最后 将tanh的输出与sigmoid的输出相乘，以确定隐藏状态应携带的信息，再将隐藏状态作为当 前细胞的输出，把新的细胞状态和新的隐藏状态传递到下一个时间步长中去。 优选的，步骤6所述最佳化损失函数J，包括： 非线性最佳损失函数为： 11 CN 111612427 A 说　明　书 6/12 页 其中： χi：表示第i个受控变数(例如，短支烟实际重量) γi：表示第i个参考变数(例如，烟支吸阻) ui：表示第i个输出控制变数(例如，目标重量设定值) ωxi：反应χi相对重要性的加权系数 ωui：惩罚ui相对大幅变化的加权系数。 本发明的有益效果是： 使用单支烟高速数采方法，充分利用烟支生产过程中的数据，尤其是烟丝数据，提 升烟支吸阻预测的准确性以及设定目标重量数值的准确性，通过离线预训练的方法，将人 工经验知识纳入控制网络中，以人工专家经验为前提，进行模型的预训练，然后通过结合实 时在线训练方式，在原有人工经验基础上，对控制策略进行修正，实现控制得实时在线，解 决从烟支吸阻检测到控制的长周期，通过基于循环神经网络的烟支吸阻预测方法，通过运 用循环神经网络的记忆功能，将人工经验与现有实时数据进行集合，对长期的烟支吸阻变 化趋势进行预测，掌握合适的调整时机，提升烟支吸阻的稳定性。 附图说明 图1为本发明的基于深度学习的烟支吸阻智能控制系统架构图； 图2为本发明的基于深度学习的烟支吸阻智能控制系统的控制方法流程图； 图3为本发明的烟支吸阻智能控制流程图； 图4为本发明的高速数采流程框图； 图5为本发明的目标重量决策模型原理框图。