基于烟草激光打孔设备的烟支通风率控制方法及系统与流程

摘要: 本技术涉及烟草,尤其涉及一种基于烟草激光打孔设备的烟支通风率控制方法及系统。背景技术:1、烟草激光打孔是卷烟生产中调控烟支通风率的关键工序,通过激光束在烟支成型...
基于烟草激光打孔设备的烟支通风率控制方法及系统与流程

本技术涉及烟草,尤其涉及一种基于烟草激光打孔设备的烟支通风率控制方法及系统。

背景技术:

1、烟草激光打孔是卷烟生产中调控烟支通风率的关键工序,通过激光束在烟支成型纸表面加工微孔实现空气渗入,直接影响烟支的通风率与感官品质。

2、激光打孔设备的控制参数与烟支通风率之间存在复杂的非线性耦合关系,激光扫描轨迹间距、功率密度分布及打孔相位偏移量等参数的微小波动均会导致通风率偏离目标值。

3、现有技术中,针对激光打孔设备的参数调控通常采用线性回归模型建立打孔参数与烟支物理指标的关系,并结合模型预测控制算法预测未来偏差后计算参数调整量。

4、然而线性回归模型对高维非线性耦合关系的拟合能力有限,难以捕捉设备参数与通风率之间的复杂映射特征,导致参数调控精度不足;同时,模型预测控制依赖对未来偏差的预测准确性,当模型偏差累积时控制效果显著下降。

技术实现思路

1、本技术的主要目的在于提供一种烟草激光打孔设备的烟支通风率控制方法及系统,以解决现有技术中基于激光打孔设备对于烟支通风率的参数调控不准确的问题。

2、为了实现上述目的,本技术提供了如下技术方案:

3、一种基于烟草激光打孔设备的烟支通风率控制方法,所述烟支通风率控制方法包括:

4、步骤s1,同步采集烟草激光打孔设备的激光扫描轨迹间距参数、激光束功率密度分布参数、打孔相位偏移量参数,以及在线通风率检测装置的烟支通风率采样数据,进行时序对齐后得到多维度时序耦合数据集;

5、步骤s2,通过变分自编码器网络将所述多维度时序耦合数据集高维输入映射至低维潜在空间并计算kl散度重构损失,并将得到的重构残差向量中残差值超出动态阈值的采样点标记为异常点并予以剔除,得到纯净潜在特征向量;

6、步骤s3,将所述纯净潜在特征向量输入高斯过程回归模型,以径向基函数核与马顿核的加性核函数计算设备参数与通风率之间的非参数化映射关系,得到通风率预测后验分布,所述通风率预测后验分布包含预测均值与预测方差;

7、步骤s4,以所述通风率预测后验分布的预测均值与目标通风率之间的偏差构建期望改进acquisition函数,并通过贝叶斯优化算法在设备参数搜索空间内迭代采样使所述期望改进acquisition函数最大化,得到当前控制周期内的最优扫描轨迹间距、最优功率密度分布参数、最优打孔相位偏移量,再封装为单周期参数配置策略集;

8、步骤s5,将所述单周期参数配置策略集转换为参数配置描述文件并写入共享内存映射区,通过烟草激光打孔设备控制器从所述共享内存映射区读取参数配置描述文件并执行参数调节;

9、步骤s6,采集参数调节后烟草激光打孔设备的实际扫描轨迹间距、实际功率密度分布参数、实际打孔相位偏移量参数,以及调节后在线通风率检测装置的烟支通风率采样数据,将调节后数据回传至步骤s1的多维度时序耦合数据集与步骤s3的高斯过程回归模型进行联合更新。

10、步骤s1至步骤s6有益效果:

11、本方法针对现有技术中线性回归模型对激光打孔设备参数与烟支通风率之间高维非线性耦合关系拟合能力不足的问题,采用变分自编码器将多维度时序耦合数据集映射至低维潜在空间并基于重构残差动态阈值剔除异常采样点,得到纯净潜在特征向量,再以径向基函数核与马顿核的加性核函数构建高斯过程回归模型建立设备参数与通风率之间的非参数化映射关系,输出包含预测均值与预测方差的通风率预测后验分布,并通过贝叶斯优化算法以期望改进acquisition函数在设备参数搜索空间内迭代采样求解最优扫描轨迹间距、最优功率密度分布参数与最优打孔相位偏移量,实现了对烟支通风率的精准闭环控制,相较传统线性回归结合模型预测控制的方案,非参数化建模有效捕捉了设备参数间的复杂非线性交互特征,贝叶斯优化避免了预测偏差累积导致的控制效果下降。

12、其中,步骤s1通过振镜控制器接口、光电探测器与编码器接口分别采集扫描轨迹间距、功率密度分布与打孔相位偏移量三类设备参数并完成时序对齐,为后续建模提供多维度同步数据基础;步骤s2通过变分自编码器潜在空间重构与动态阈值残差剔除实现异常采样点的高精度识别与分离,提升了输入数据质量;步骤s3通过加性核函数高斯过程回归建立设备参数与通风率之间的非参数化映射关系,输出预测均值与预测方差以同时表征映射关系的期望值与不确定性;步骤s4通过期望改进acquisition函数在参数搜索空间内迭代采样寻优,利用预测方差引导探索、预测均值引导利用,求解出当前控制周期内的最优设备参数配置;步骤s5通过共享内存映射区写入参数配置描述文件并经事件通知机制触发控制器读取执行,降低了参数下发的通讯延迟;步骤s6将调节后实际设备参数与通风率采样数据联合更新至数据集与高斯过程回归模型,实现了控制基准的动态自适应。

13、作为本技术的进一步改进,步骤s1,同步采集烟草激光打孔设备的激光扫描轨迹间距参数、激光束功率密度分布参数、打孔相位偏移量参数,以及在线通风率检测装置的烟支通风率采样数据,进行时序对齐后得到多维度时序耦合数据集,包括:

14、步骤s1.1,通过振镜控制器接口读取烟草激光打孔设备的振镜偏转角序列,根据振镜偏转角序列与激光束扫描速率计算相邻扫描线之间的垂直间距,得到激光扫描轨迹间距参数序列;

15、步骤s1.2,通过光电探测器采集激光束经过光束整形镜组后的功率密度分布信号,对功率密度分布信号进行空间网格化采样并记录各网格点功率密度值,得到功率密度分布参数矩阵;

16、步骤s1.3,通过编码器接口读取烟草激光打孔设备的打孔触发脉冲与烟支传送基准脉冲之间的相位差计数值,得到打孔相位偏移量参数序列;

17、步骤s1.4,通过在线通风率检测装置采集烟支通风率采样数据,得到通风率采样数据序列;

18、步骤s1.5,以统一采样频率对所述激光扫描轨迹间距参数序列、所述功率密度分布参数矩阵、所述打孔相位偏移量参数序列与所述通风率采样数据序列进行重采样,得到重采样后参数序列集合;

19、步骤s1.6,以通风率采样时间戳为基准对所述重采样后参数序列集合进行线性插值对齐,得到对齐后多维参数序列;

20、步骤s1.7,将所述对齐后多维参数序列与所述通风率采样数据序列按时间窗口拼接,得到多维度时序耦合数据集。

21、步骤s1.1至步骤s1.7有益效果:

22、本系列步骤针对激光打孔设备多源参数采集缺乏统一时空基准导致数据融合困难的问题,通过振镜控制器接口、光电探测器与编码器接口分别独立采集扫描轨迹间距、功率密度分布与打孔相位偏移量三类设备参数,并以统一采样频率重采样后以通风率采样时间戳为基准进行线性插值对齐,实现了多源异构设备参数与通风率检测数据的高精度时序同步,为后续变分自编码器网络输入提供时空一致的多维度数据基础。

23、其中,步骤s1.1通过振镜偏转角序列与激光束扫描速率计算相邻扫描线垂直间距,获取了前案未涉及的扫描轨迹间距维度参数;步骤s1.2通过光电探测器对光束整形镜组后的功率密度分布信号进行空间网格化采样,获取了功率密度分布维度的精细参数表征;步骤s1.3通过打孔触发脉冲与烟支传送基准脉冲的相位差计数量化打孔相位偏移量,获取了相位同步维度参数;步骤s1.4通过在线通风率检测装置采集烟支通风率采样数据,提供了控制目标的实时反馈信号;步骤s1.5以统一采样频率对四组参数序列进行重采样,消除了多源数据采样率不一致带来的时间错位;步骤s1.6以通风率采样时间戳为基准进行线性插值对齐,保证了各参数序列在时间轴上的严格对应;步骤s1.7将对齐后多维参数序列与通风率采样数据序列按时间窗口拼接,形成了结构完整的多维度时序耦合数据集。

24、作为本技术的进一步改进,步骤s2,通过变分自编码器网络将所述多维度时序耦合数据集高维输入映射至低维潜在空间并计算kl散度重构损失,并将得到的重构残差向量中残差值超出动态阈值的采样点标记为异常点并予以剔除,得到纯净潜在特征向量,包括:

25、步骤s2.1,将所述多维度时序耦合数据集按滑窗切分为等长数据窗口,得到窗口化数据序列;

26、步骤s2.2,将所述窗口化数据序列输入变分自编码器编码器网络,通过多层全连接层映射输出潜在均值向量与潜在方差向量,得到潜在分布参数;

27、步骤s2.3,基于所述潜在分布参数的重参数化采样生成潜在特征向量,并通过变分自编码器解码器网络对所述潜在特征向量进行重构,得到重构数据窗口;

28、步骤s2.4,计算所述窗口化数据序列与所述重构数据窗口之间的逐元素差值,得到重构残差向量;

29、步骤s2.5,基于所述重构残差向量的滑动窗口均值与标准差计算动态阈值,将所述重构残差向量中超出所述动态阈值的采样点标记为异常点并予以剔除,得到纯净潜在特征向量。

30、步骤s2.1至步骤s2.5有益效果:

31、本系列步骤针对多维度时序耦合数据集中混杂异常采样点导致后续建模精度下降的问题,通过变分自编码器网络将高维输入映射至低维潜在空间并以kl散度重构损失驱动模型学习数据正常分布特征,再基于重构残差向量的滑动窗口统计量计算动态阈值对异常采样点进行自适应标记与剔除,实现了无需标注数据的无监督异常检测,相较传统孤立森林与固定阈值方法能够更精确地识别高维非线性数据中的隐性异常模式。

32、其中,步骤s2.1通过滑窗切分将连续数据流转化为等长数据窗口,为变分自编码器提供结构化输入;步骤s2.2通过多层全连接层映射输出潜在均值向量与潜在方差向量,构建了潜在空间的分布参数表征;步骤s2.3基于重参数化采样生成潜在特征向量并经解码器重构还原数据窗口,通过kl散度损失约束潜在空间分布的规整性;步骤s2.4通过逐元素差值计算量化原始数据与重构数据之间的偏差程度,为异常判定提供数值依据;步骤s2.5基于滑动窗口均值与标准差计算动态阈值,使异常判定标准随数据分布变化自适应调整,提升了异常检测的鲁棒性。

33、作为本技术的进一步改进,步骤s3,将所述纯净潜在特征向量输入高斯过程回归模型,以径向基函数核与马顿核的加性核函数计算设备参数与通风率之间的非参数化映射关系,得到通风率预测后验分布,所述通风率预测后验分布包含预测均值与预测方差,包括:

34、步骤s3.1,构建径向基函数核与马顿核的加性核函数作为高斯过程回归模型的协方差核函数,得到初始化核函数;

35、步骤s3.2,将所述纯净潜在特征向量输入高斯过程回归模型,通过所述初始化核函数计算训练样本之间的协方差矩阵,得到先验协方差矩阵;

36、步骤s3.3,基于所述先验协方差矩阵与训练标签向量求解高斯过程后验分布,得到后验均值向量与后验方差向量;

37、步骤s3.4,通过对所述后验均值向量与所述后验方差向量的核函数超参数进行极大似然估计优化,得到优化后核函数超参数;

38、步骤s3.5,基于所述优化后核函数超参数对所述后验均值向量与所述后验方差向量进行更新,得到通风率预测后验分布。

39、步骤s3.1至步骤s3.5有益效果:

40、本系列步骤针对线性回归模型对设备参数与通风率之间高维非线性耦合关系拟合能力不足的问题,通过构建径向基函数核与马顿核的加性核函数作为高斯过程回归模型的协方差核函数,以非参数化方式建立设备参数与通风率之间的映射关系,输出同时包含预测均值与预测方差的通风率预测后验分布,相较传统线性回归不仅提升了复杂映射关系的拟合精度,还为后续贝叶斯优化提供了不确定性量化依据。

41、其中,步骤s3.1通过径向基函数核与马顿核的加性组合构建协方差核函数,兼顾了平滑全局趋势与局部精细结构的建模能力;步骤s3.2通过初始化核函数计算训练样本之间的协方差矩阵,建立了设备参数空间的相关性度量基础;步骤s3.3基于先验协方差矩阵与训练标签向量求解高斯过程后验分布,得到后验均值向量与后验方差向量以表征映射关系的期望值与不确定性;步骤s3.4通过极大似然估计优化核函数超参数,使模型自适应拟合当前数据分布特征;步骤s3.5基于优化后超参数更新后验均值向量与后验方差向量,输出最终的通风率预测后验分布供后续优化环节使用。

42、作为本技术的进一步改进,步骤s4,以所述通风率预测后验分布的预测均值与目标通风率之间的偏差构建期望改进acquisition函数,并通过贝叶斯优化算法在设备参数搜索空间内迭代采样使所述期望改进acquisition函数最大化,得到当前控制周期内的最优扫描轨迹间距、最优功率密度分布参数、最优打孔相位偏移量,再封装为单周期参数配置策略集,包括:

43、步骤s4.1,计算所述通风率预测后验分布的预测均值与目标通风率之间的偏差,得到当前通风率偏差值;

44、步骤s4.2,基于所述当前通风率偏差值与所述通风率预测后验分布的预测方差构建期望改进acquisition函数,得到初始化acquisition函数值;

45、步骤s4.3,在设备参数搜索空间内生成候选参数采样点集,得到候选参数集合;

46、步骤s4.4,通过贝叶斯优化算法对所述候选参数集合中每个候选参数采样点计算所述期望改进acquisition函数值,选取函数值最大的候选参数采样点作为最优采样点,得到当前迭代最优参数;

47、步骤s4.5,将所述当前迭代最优参数代入高斯过程回归模型更新通风率预测后验分布,以更新后的通风率预测后验分布重新计算期望改进acquisition函数值,重复迭代直至期望改进acquisition函数值收敛,得到收敛后最优扫描轨迹间距、最优功率密度分布参数、最优打孔相位偏移量;

48、步骤s4.6,将所述收敛后最优扫描轨迹间距、所述最优功率密度分布参数、所述最优打孔相位偏移量按预设策略集格式封装,得到单周期参数配置策略集。

49、步骤s4.1至步骤s4.6有益效果:

50、本系列步骤针对模型预测控制依赖预测准确性、模型偏差累积时控制效果下降的问题,以通风率预测后验分布的预测均值与目标通风率之间的偏差构建期望改进acquisition函数,通过贝叶斯优化算法在设备参数搜索空间内迭代采样寻优,利用预测方差引导探索与预测均值引导利用的平衡机制求解最优设备参数配置,相较传统二次规划求解避免了预测偏差累积导致的调整量发散。

51、其中,步骤s4.1通过预测均值与目标通风率的偏差计算量化了当前控制周期的通风率偏离程度;步骤s4.2基于偏差值与预测方差构建期望改进acquisition函数,将不确定性信息纳入寻优决策以平衡探索与利用;步骤s4.3在设备参数搜索空间内生成候选参数采样点集,为迭代寻优提供候选解集;步骤s4.4通过对每个候选采样点计算acquisition函数值并选取最大值点作为最优采样点,实现了参数空间的定向搜索;步骤s4.5将最优参数代回高斯过程回归模型更新后验分布并重新计算acquisition函数值,通过迭代收敛求解出最优扫描轨迹间距、最优功率密度分布参数与最优打孔相位偏移量;步骤s4.6将收敛后最优参数按预设格式封装为单周期参数配置策略集,为下游参数执行提供标准化输入。

52、作为本技术的进一步改进,步骤s5,将所述单周期参数配置策略集转换为参数配置描述文件并写入共享内存映射区,通过烟草激光打孔设备控制器从所述共享内存映射区读取参数配置描述文件并执行参数调节,包括:

53、步骤s5.1,按预设序列化格式将所述单周期参数配置策略集转换为参数配置描述文件;

54、步骤s5.2,在系统内存空间中分配固定大小的共享内存区域并建立内存映射句柄,得到共享内存映射区;

55、步骤s5.3,将所述参数配置描述文件写入所述共享内存映射区,并通过事件通知机制向烟草激光打孔设备控制器发送读取就绪信号,得到写入完成状态;

56、步骤s5.4,烟草激光打孔设备控制器响应所述读取就绪信号,从所述共享内存映射区读取所述参数配置描述文件,得到待执行参数配置;

57、步骤s5.5,将所述待执行参数配置解析为设备控制寄存器写入值,写入激光打孔设备执行机构完成参数调节,得到参数调节执行结果。

58、步骤s5.1至步骤s5.5有益效果:

59、本系列步骤针对传统socket通讯协议下发控制指令存在握手延迟与协议开销导致参数调节实时性不足的问题,通过将单周期参数配置策略集序列化为参数配置描述文件并写入共享内存映射区,再经事件通知机制触发设备控制器读取执行,实现了进程间零拷贝参数传递,相较传统网络通讯大幅降低了参数下发的传输延迟。

60、其中,步骤s5.1通过预设序列化格式将参数配置策略集转换为结构化描述文件,保证了参数信息的完整性与可解析性;步骤s5.2在系统内存空间中分配固定大小共享内存区域并建立内存映射句柄,为参数传递提供了低延迟传输通道;步骤s5.3将参数配置描述文件写入共享内存映射区并通过事件通知机制发送读取就绪信号,实现了写入与读取的异步协调;步骤s5.4通过设备控制器响应就绪信号从共享内存映射区读取参数配置描述文件,避免了网络协议栈的握手与重传开销;步骤s5.5将待执行参数配置解析为设备控制寄存器写入值并写入执行机构,完成了从参数配置到设备动作的闭环执行。

61、作为本技术的进一步改进,步骤s6,采集参数调节后烟草激光打孔设备的实际扫描轨迹间距、实际功率密度分布参数、实际打孔相位偏移量参数,以及调节后在线通风率检测装置的烟支通风率采样数据,将调节后数据回传至步骤s1的多维度时序耦合数据集与步骤s3的高斯过程回归模型进行联合更新,包括:

62、步骤s6.1,通过振镜控制器接口采集参数调节后烟草激光打孔设备的实际振镜偏转角序列,计算输出实际扫描轨迹间距参数序列;

63、步骤s6.2,通过光电探测器采集参数调节后的实际功率密度分布信号,经空间网格化采样输出实际功率密度分布参数矩阵;

64、步骤s6.3,通过编码器接口采集参数调节后的实际打孔触发脉冲与烟支传送基准脉冲之间的相位差计数值,得到实际打孔相位偏移量参数序列;

65、步骤s6.4,通过在线通风率检测装置采集调节后烟支通风率采样数据,得到调节后通风率采样数据序列;

66、步骤s6.5,将所述实际扫描轨迹间距参数序列、所述实际功率密度分布参数矩阵、所述实际打孔相位偏移量参数序列与所述调节后通风率采样数据序列按时间窗口拼接,得到调节后多维参数序列;

67、步骤s6.6,将所述调节后多维参数序列追加至步骤s1的所述多维度时序耦合数据集,并将所述调节后多维参数序列作为新训练样本输入步骤s3的所述高斯过程回归模型重新求解后验分布,完成联合更新。

68、步骤s6.1至步骤s6.6有益效果:

69、本系列步骤针对参数调节后缺乏对设备实际执行状态与通风率改善效果的联合反馈导致控制基准逐渐偏离实际工况的问题,通过同步采集调节后实际设备参数与通风率采样数据,将调节后数据同时追加至多维度时序耦合数据集与高斯过程回归模型进行联合更新,实现了数据基准与模型参数的协同自适应刷新,相较传统仅回传数据至采集环节的单路反馈机制,避免了模型参数随工况漂移而逐渐失配。

70、其中,步骤s6.1通过振镜控制器接口采集调节后实际振镜偏转角序列并计算实际扫描轨迹间距,验证了轨迹间距参数的执行保真度;步骤s6.2通过光电探测器采集调节后实际功率密度分布信号,验证了功率密度参数的实际执行效果;步骤s6.3通过编码器接口采集调节后实际打孔相位偏移量,验证了相位参数的调节精度;步骤s6.4通过在线通风率检测装置采集调节后通风率采样数据,量化了参数调节对通风率的实际改善效果;步骤s6.5将四组调节后参数序列按时间窗口拼接,形成了结构与s1一致的调节后多维参数序列以便于后续更新;步骤s6.6将调节后多维参数序列同时追加至数据集与高斯过程回归模型,实现了数据积累与模型更新的双路闭环。

71、为了实现上述目的,本技术还提供了如下技术方案:

72、一种基于烟草激光打孔设备的烟支通风率控制系统,所述烟支通风率控制系统应用于如上述的烟支通风率控制方法,所述烟支通风率控制系统包括:

73、多维度时序耦合数据集获取模块,用于同步采集烟草激光打孔设备的激光扫描轨迹间距参数、激光束功率密度分布参数、打孔相位偏移量参数,以及在线通风率检测装置的烟支通风率采样数据,进行时序对齐后得到多维度时序耦合数据集;

74、纯净潜在特征向量获取模块,用于通过变分自编码器网络将所述多维度时序耦合数据集高维输入映射至低维潜在空间并计算kl散度重构损失,并将得到的重构残差向量中残差值超出动态阈值的采样点标记为异常点并予以剔除,得到纯净潜在特征向量;

75、通风率预测后验分布获取模块,用于将所述纯净潜在特征向量输入高斯过程回归模型,以径向基函数核与马顿核的加性核函数计算设备参数与通风率之间的非参数化映射关系,得到通风率预测后验分布,所述通风率预测后验分布包含预测均值与预测方差;

76、单周期参数配置策略集获取模块,用于以所述通风率预测后验分布的预测均值与目标通风率之间的偏差构建期望改进acquisition函数,并通过贝叶斯优化算法在设备参数搜索空间内迭代采样使所述期望改进acquisition函数最大化,得到当前控制周期内的最优扫描轨迹间距、最优功率密度分布参数、最优打孔相位偏移量,再封装为单周期参数配置策略集;

77、烟草激光打孔设备调节模块,用于将所述单周期参数配置策略集转换为参数配置描述文件并写入共享内存映射区,通过烟草激光打孔设备控制器从所述共享内存映射区读取参数配置描述文件并执行参数调节;

78、数据集与模型联合更新模块,用于采集参数调节后烟草激光打孔设备的实际扫描轨迹间距、实际功率密度分布参数、实际打孔相位偏移量参数,以及调节后在线通风率检测装置的烟支通风率采样数据,将调节后数据回传至多维度时序耦合数据集获取模块的多维度时序耦合数据集与通风率预测后验分布获取模块的高斯过程回归模型进行联合更新。

79、为了实现上述目的,本技术还提供了如下技术方案:

80、一种电子设备,包括处理器,以及与所述处理器耦接的存储器,所述存储器存储有可被所述处理器执行的程序指令;所述处理器执行所述存储器存储的所述程序指令时实现如上述的基于烟草激光打孔设备的烟支通风率控制方法。

81、为了实现上述目的,本技术还提供了如下技术方案:

82、一种计算机可读存储介质,所述计算机可读存储介质内存储有程序指令,所述程序指令被处理器执行时能够实现如上述的基于烟草激光打孔设备的烟支通风率控制方法。‌