1.本发明涉及卷烟相关技术领域，具体涉及一种基于卷烟焦油定量的制备参数预测算法。
背景技术：2.目前的卷烟相关的预测算法，比较流行的是正向预测方式，例如基于现有数据集，基于卷烟纸透气度、接装纸透气度、滤棒压降等参数来预测焦油。如何有效利用机器学习算法，基于给定焦油，如何有效预测出卷烟纸透气度、接装纸透气度、滤棒压降等参数具有重要的研究意义。传统的基于一个参数预测多个参数值，在理论上是存在无穷多解的问题。
技术实现要素：3.本发明的目的在于提供一种基于卷烟焦油定量的制备参数预测算法，以期解决背景技术中存在的技术问题。
4.本发明采用的技术方案如下：
5.一种基于卷烟焦油定量的制备参数预测算法，包括：
6.生成并分别训练预设个数的目标机器学习模型；
7.给定焦油值t；
8.调用目标机器学习模型，并输出焦油值t对应的参数。
9.所述生成并分别训练预设个数的目标机器学习模型，包括：
10.通过已有的数据集生成分别训练4个基础模型，每个模型分别以接装纸透气度，滤棒压降，卷烟纸透气度和焦油值作为目标，另外三个参数作为输入，使用极限梯度提升算法xgboost进行训练，训练结束可以分别得到预测4个参数的机器学习模型即：
11.模型1：
12.参数(焦油值，卷烟纸透气度，滤棒压降)-xgboost
→
目标(接装纸透气度)；
13.模型2：
14.参数(焦油值，卷烟纸透气度，接装纸透气度)-xgboost
→
目标(滤棒压降)；
15.模型3：
16.参数(焦油值，滤棒压降，接装纸透气度)-xgboost
→
目标(卷烟纸透气度)；
17.模型4：
18.参数(卷烟纸透气度，滤棒压降，接装纸透气度)-xgboost
→
目标(焦油值)。
19.所述调用目标机器学习模型，并输出焦油值t对应的参数，包括：
20.s301:在卷烟纸透气度，滤棒压降和接装纸透气度的三个参数中随机生成其中两个的值；
21.s302:利用给定的焦油值t；调用卷烟纸透气度，滤棒压降和接装纸透气度中未知量的参数1所对应的参数机器学习模型计算出该未知量的参数1的值jz0；
22.s303:利用步骤s302计算出未知量的参数1的值替换步骤s301中任一随机生成的
两个参数中的一个；调用被替换的参数2所对应的参数机器学习模型计算出该被替换的参数2的值lb0；
23.s304:利用步骤s303计算出被替换的参数2的值替换步骤s301中剩下的随机生成的参数3；调用被替换的参数3所对应的参数机器学习模型计算出该被替换的参数3的值jy0；
24.s305:利用步骤s302得到的参数1的值jz0、步骤s303得到的参数2的值lb0、步骤s304得到的参数3的值jy0，调用焦油值t所对应的参数机器学习模型计算出新的焦油值t1；
25.s306:计算焦油值t1与给定的焦油值t之间的差值焦油值
△
t；
26.s307:利用焦油值
△
t，重复步骤s301-s304分别计算出参数1的
△
jz、参数2的
△
lb，参数3的
△
jy，输出最终的最终的参数1＝jz0+
△
jz，参数2＝lb0+
△
lb，参数3＝jy0+
△
jy；其中，参数1、参数2和参数3与卷烟纸透气度，滤棒压降，接装纸透气度任意对应。
27.综上所述，由于采用了上述技术方案，本发明的有益效果包括但不限于：
28.现有的技术在已知烟纸透气度，滤棒压降和接装纸透气度,通过机器学习等方式可以预测焦油值。本算法可以在只知道焦油值的情况下，可以预测出焦油值对应的烟纸透气度，滤棒压降和接装纸透气度等参数。
附图说明
29.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
30.图1为本实施例提供的基于卷烟焦油定量的制备参数预测算法的整体流程图。
31.图2为本实施例提供的基于卷烟焦油定量的制备参数预测算法的基础模型训练示意图。
32.图3为本实施例提供的基于卷烟焦油定量的制备参数预测算法的制备参数预测算法单次流程图。
具体实施方式
33.为使本技术的目的、技术方案和优点更加清楚，下面将结合本技术的优选实施例中的附图，对本技术实施例中的技术方案进行更加详细的描述。在附图中，自始至终相同或类似的标号表示相同或类似的部件或具有相同或类似功能的部件。所描述的实施例是本技术一部分实施例，而不是全部的实施例。下面通过参考附图描述的实施例是示例性的，旨在用于解释本技术，而不能理解为对本技术的限制。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
34.下面结合附图对本技术的实施例进行详细说明。
35.本算法在现实环境中，应用在卷烟制备参数智能生成系统。在卷烟制备中，卷烟纸透气度，滤棒压降，接装纸透气度的不同可以获得不同的焦油值。通过本算法，用户输入焦油值t以及指定的预测组数n，可以随机生成多组符合条件的卷烟纸透气度，滤棒压降和接装纸透气度。
36.算法的总体流程如图1所示，用户输入焦油值t以及需要预测的组数n，通过已有的数据集生成分别训练4个基础模型(训练过程及示意图如图2所示)，每个模型分别以接装纸透气度，滤棒压降，卷烟纸透气度和焦油值作为目标，另外三个参数作为输入，使用极限梯度提升算法xgboost进行训练，训练结束可以分别得到预测4个参数的机器学习模型(分别命名为模型1，模型2，模型3，模型4)，然后调用n次参数预测算法，并输出n组参数。
37.这里的数据集可以是生产中已知的100多组已有的合格的生产数据，每组的数据即接装纸透气度，滤棒压降，卷烟纸透气度和焦油值的对应关系。
38.每次参数预测算法流程图如果3所示，主要包含三个阶段
39.s301:在卷烟纸透气度，滤棒压降和接装纸透气度的三个参数中，利用随机函数随机生成其中两个的值；如图2中所示为随机生成的卷烟纸透气度和滤棒压降分别得到jy’和lb’，随机范围依照数据集的合理范围内，即卷烟纸透气度和滤棒压降的范围均在合理的工艺参数范围内。
40.s302:利用给定的焦油值t；然后利用用户给定的焦油值t，随机的这两个参数，调用之前训练好的模型1，从而可以预测出接装纸透气jz0；；
41.s303:然后将预测得到的接装纸透气jz0，随机卷烟纸透气度jy’，以及用户给定的焦油值t，调用之前训练好的模型2，从而可以预测出滤棒压降lb0；
42.s304:然后将预测得到的接装纸透气jz0，滤棒压降lb0，以及用户给定的焦油值t，调用之前训练好的模型3，从而可以预测出卷烟纸透气度jy0；
43.s305:以上步骤完成后，可到了一组初步的卷烟纸透气度jy0，滤棒压降lb0和接装纸透气度jz0，然后调用模型4，预测出新的焦油值t1，
44.s306:计算焦油值t1与给定的焦油值t之间的差值焦油值
△
t；
45.s307:利用差值
△
t，随机的两个参数jy’和lb’，调用之前训练好的模型1，从而可以预测出接装纸透气
△
jz；然后将预测得到的接装纸透气
△
jz，随机卷烟纸透气度jy’，以及焦油值差值
△
t，调用之前训练好的模型2，从而可以预测出滤棒压降
△
lb；然后将预测得到的接装纸透气
△
jz，滤棒压降
△
lb，以及焦油值差值
△
t，调用之前训练好的模型3，从而可以预测出卷烟纸透气度
△
jy；
46.最后阶段，输出最终的卷烟纸透气度jy＝jy0+
△
jy，最终的滤棒压降lb＝lb0+
△
lb，最终的接装纸透气度jz＝jz0+
△
jz。
47.本发明提出一种以极限梯度提升算法(xgboost)作为基础训练模型，组合4参数生成4个基础模型，然后以随机值作为初始预测种子值进行制备参数预测的算法，最后，本算法设计了误差修正流程，可以得到精度更高的制备参数。
48.本文中应用了具体的实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
技术特征：1.一种基于卷烟焦油定量的制备参数预测算法，其特征在于，包括以下步骤：生成并分别训练预设个数的目标机器学习模型；给定焦油值t；调用目标机器学习模型，并输出焦油值t对应的参数。2.根据权利要求1所述的一种基于卷烟焦油定量的制备参数预测算法，其特征在于，所述生成并分别训练预设个数的目标机器学习模型，包括：通过已有的数据集生成分别训练4个基础模型，每个模型分别以接装纸透气度，滤棒压降，卷烟纸透气度和焦油值作为目标，另外三个参数作为输入，使用极限梯度提升算法xgboost进行训练，训练结束可以分别得到预测4个参数的机器学习模型即：模型1：参数(焦油值，卷烟纸透气度，滤棒压降)-xgboost
→
目标(接装纸透气度)；模型2：参数(焦油值，卷烟纸透气度，接装纸透气度)-xgboost
→
目标(滤棒压降)；模型3：参数(焦油值，滤棒压降，接装纸透气度)-xgboost
→
目标(卷烟纸透气度)；模型4：参数(卷烟纸透气度，滤棒压降，接装纸透气度)-xgboost
→
目标(焦油值)。3.根据权利要求2所述的一种基于卷烟焦油定量的制备参数预测算法，其特征在于，所述调用目标机器学习模型，并输出焦油值t对应的参数，包括：s301:在卷烟纸透气度，滤棒压降和接装纸透气度的三个参数中随机生成其中两个的值；s302:利用给定的焦油值t；调用卷烟纸透气度，滤棒压降和接装纸透气度中未知量的参数1所对应的参数机器学习模型计算出该未知量的参数1的值jz0；s303:利用步骤s302计算出未知量的参数1的值替换步骤s301中任一随机生成的两个参数中的一个；调用被替换的参数2所对应的参数机器学习模型计算出该被替换的参数2的值lb0；s304:利用步骤s303计算出被替换的参数2的值替换步骤s301中剩下的随机生成的参数3；调用被替换的参数3所对应的参数机器学习模型计算出该被替换的参数3的值jy0；s305:利用步骤s302得到的参数1的值jz0、步骤s303得到的参数2的值lb0、步骤s304得到的参数3的值jy0，调用焦油值t所对应的参数机器学习模型计算出新的焦油值t1；s306:计算焦油值t1与给定的焦油值t之间的差值焦油值
△
t；s307:利用焦油值
△
t，重复步骤s301-s304分别计算出参数1的
△
jz、参数2的
△
lb，参数3的
△
jy，输出最终的最终的参数1＝jz0+
△
jz，参数2＝lb0+
△
lb，参数3＝jy0+
△
jy；其中，参数1、参数2和参数3与卷烟纸透气度，滤棒压降，接装纸透气度任意对应。
技术总结本发明公开了一种基于卷烟焦油定量的制备参数预测算法，包括以下步骤：生成并分别训练预设个数的目标机器学习模型；给定焦油值T；调用目标机器学习模型，并输出焦油值T对应的参数。本算法可以在只知道焦油值的情况下，可以预测出焦油值对应的烟纸透气度，滤棒压降和接装纸透气度等参数。接装纸透气度等参数。接装纸透气度等参数。
技术研发人员：周建 刘艳菊 黄馨 李晓鹏 张晓林 施丰成 旷鹏 罗万松 舒洪波 张文 李曾 何刚 邹远文
受保护的技术使用者：四川中烟工业有限责任公司
技术研发日：2022.04.22
技术公布日：2022/7/5
