原烟作为一种高价值生产原料,在养护过程中需要对仓储堆垛内部的温度变化进行严格的监控和预测,以降低火灾发生导致巨额经济损失的风险.基于粒子群算法的混合长短记忆模型(PSO-SOM-LSTM),首先对数据进行预处理,将数据归一化再采用SOM聚类分别构建各类数据集;其次构建LSTM神经网络结构,输入训练数据进行训练;随后,基于PSO算法优化SOM-LSTM的网络权重,带入神经网络进行数据预测,并与四种不同的预测方法进行对比,证明了PSO-SOM-LSTM算法的优越性;最后通过均方根误差(RMSE)等指标来衡量实验结果,计算出均方根误差为0.0435左右.实验结果表明,在RMS指标下,PSO-SOM-LSTM比SOM-LSTM减少了2.46％,比单一神经网络减少了8.94％,具有较优的预测效果.该算法可以实现较为精确的原烟仓储堆垛内部温度预测.

尽管我国烟草企业投入了大量人力、物力和资金进行仓储烟叶防霉工作,但是仓储烟叶霉变严重的状况仍未得到有效控制,烟叶损耗仍然十分严重,现已成为烟叶仓储工作亟待解决的一大难题.近年来,广大科技人员对仓储烟叶霉变防治技术进行了大量研究.为此,综述了核辐射和微波技术防霉、密封降氧技术防霉、生物防霉剂和植物提取物防霉、化学防霉剂和熏蒸剂防霉等防霉技术的研究进展,以期为烟草行业仓储烟叶防霉技术的研究和应用提供参考.

为减少储存期间原烟霉变现象的发生,确保烟叶质量的安全性.在昆明市郊对556个露天储存的原烟烟垛和38个大棚储存的原烟烟垛内部温度进行系统监测,并在投复烤时观察测温烟垛内烟叶的霉变情况,分析烟垛内部温度与烟叶霉变的关系.结果表明,在发生霉变及存在霉变风险的烟垛中,内部温度在25℃以上的烟垛占比高达75.00％;当烟垛内部温度降到20～ 25℃时,发生霉变及存在霉变风险的烟垛占比大幅降低(占9.76％);当烟垛内部温度降至10 ～ 15℃时,发生霉变及存在霉变风险的烟垛占比最低(占4.76％).因此,控制好烟垛内部温度,可大幅降低烟叶霉变率.