论文部分内容阅读
在卷烟的生产过程中,预测并控制有害物质的释放量是一个很重要的课题。企业在生产中经常需要根据烟叶供应等情况对卷烟产品的叶组配方进行调整,以期保持产品风格、成本以及烟气指标(焦油、烟气烟碱、一氧化碳)的稳定。然而,对于调整配方后的指标的变动情况,只有等产品生产完成后,经实际检测才能知道,但为时已晚,因为一旦焦油等指标超标,该批产品将被判为不符合国家标准,会给企业造成严重的经济损失。因此卷烟企业在投入生产之前,往往需要预测成品卷烟的烟气指标含量。由于烟气指标预测问题具有非线性、高维度和随机性等特点,以精确数学模型为基础的传统预测方法在预测准确率上很难达到为企业生产提供依据的标准。因此,本文采用支持向量机(Support Vector Machine, SVM)方法。支持向量机作为一种基于统计学理论的机器学习方法,对于具有非线性、高维度和小样本等特点的实际问题的解决有着其他预测方法难以比拟的优越性。本文的主要研究工作及成果如下:首先,列出了对烟气指标影响较大的主要因素,对比不同预测方法的优缺点及适合解决何种类型问题,总结了卷烟烟气指标预测的研究现状。对烟草的物理指标、化学指标、卷烟辅助材料与卷烟烟气指标之间的相关性进行分析,以此为依据选择支持向量机算法的输入变量。在此基础上,提出了基于支持向量机的烟气指标预测方法。在相关性分析的基础上对单料烟的烟气指标进行预测,通过整理来自于烟草企业的单料烟数据形成训练集和检验集,建立支持向量机预测模型,在此基础上通过网格法进行三项烟气指标的预测模型参数寻优,利用所得参数进行烟气指标预测并将其与BP神经网络的预测结果进行比较。实验结果表明基于网格法寻优的支持向量机预测结果良好,误差指标均达到要求并且要优于BP神经网络的预测效果。焦油、一氧化碳、烟气烟碱的平均绝对误差分别是0.175%,0.3%,1.71%。以单料烟烟气指标预测为基础,进一步对成品烟的烟气指标进行预测,它与单料烟在烟丝与辅助材料方面的差别造成了预测难度的增加。本文在建立烟气指标预测模型的基础上使用遗传算法对支持向量机的参数进行寻优。设计交叉、变异算子并通过实验选择合适的交叉、变异率。最后利用寻优得到的参数进行成品烟烟气指标预测并将预测结果与基于网格法寻优的支持向量机进行比较,实验结果表明了GA_SVM预测结果的各个预测指标与网格法寻优的支持向量机相比均有所提升,焦油、一氧化碳、烟气烟碱的平均相对误差分别是3.09%,4.9%,3.85%。GA_SVM方法具有较高的准确性、稳定性以及较强的泛化性能。最后,针对成品烟的烟气指标预测又提出了过滤效率的方法,并将其与常规的预测方法进行比较,结果表明利用过滤效率方法可以使焦油的预测效果有一定程度的改善。过滤效率方法拓宽了烟气指标预测的研究方向,为卷烟企业的设计及生产提供了一定的帮助。