一种复烤机配方参数库的构建方法

摘要

本发明属于烟草加工过程控制的相关技术领域，涉及一种复烤机配方参数库的构建方法，具体地说是一种针对烟草复烤设备干燥环节配方参数库的构建及其实现方法。其特征在于：针对复烤设备干燥环节控制因素众多，机理复杂且耦合性强的特点，采用结合遗传算法的改进BP算法构建基于神经网络模型的配方参数库，首先确定合适的干燥模式，在此基础上进行神经网络建模，并在混合BP算法中加入动量项和自适应学习率提高算法收敛速度和模型预测准确性，进一步利用模式识别方法和历史数据对模型不断更新优化，得到适合复烤干燥环节的配方参数库，为复烤含水率过程的智能控制奠定基础。

说明书

技术领域

本发明涉及烟草加工过程控制的相关技术领域，具体地说是一种针对烟草复烤设备干燥环节配方参数库的构建及其实现方法。

背景技术

复烤机含水率控制是打叶复烤过程最复杂和关键的控制环节，其控制质量直接影响后续加工环节的加工质量，是加工企业重点关注和监控的控制环节。配方参数库是实现复烤机含水率智能化控制的基础，如何构建适合复烤设备过程控制特点并满足智能化控制要求的配方参数库是实现其智能精确控制的关键。

复烤设备干燥环节具有控制参数众多，控制机理复杂且耦合性强的特点，可采用神经网络建模方法，通过对输入输出参数样本的大量训练得到较好预测能力的配方参数库，在此基础上进行智能控制的设计完成。这种构建方法在实际应用上存在以下几个问题：一是干燥模式没有合理优化设计，训练样本都是经验操作数据，二是神经网络训练大多采用单一BP算法，收敛速度慢，训练时间长且容易陷入局部最小，影响了配方参数库的实用性和准确性。

发明内容

本发明的目的正是为改进上述构建配方参数库方法的不足，而提供一种复烤机配方参数库的构建方法，为复烤含水率的智能控制奠定基础。

本发明的目的是提供以下技术方案来实现的：

一种复烤机配方参数库的构建方法，首先对复烤干燥模式进行分析优化，得到合适的干燥模式，在此基础上对生产数据样本采用结合遗传算法的BP算法，并在BP算法中加入动量项和自适应学习率以提高算法收敛速度和精度，得到预测和泛化能力更好的配方数据库，进一步采用基于模式识别的方法对数据库进行优化和维护。其具体步骤如下：

(1)分析干燥模式对复烤质量的影响，具体方法是在保证总干燥强度和冷房含水率基本一致的前提下，通过调整干燥区一～六区干燥温度，形成不同的干燥模式，考察不同干燥模式对复烤质量的影响，确定最优干燥模式。

(2)在实际生产中采用优化的干燥模式对片烟进行处理，通过生产过程的分析以及来料条件和等级等，确定配方参数库的输入输出参数变量。

(3)确定采集规则：包括采样时间和训练数据范围。根据烟草加工过程的特点，采样时间为5-15秒；评价数据范围选取生产过程稳定运行的数据段(除去料头、料尾以及故障阶段的生产数据)；

(4)数据预处理：若数据样本满足神经网络训练要求，则进一步对数据进行预处理，包括异常值剔除和归一化处理，若不满足训练要求，则通过模式识别方法增加相似的邻近样本数据扩充样本范围。

(5)确定神经网络拓扑结构：针对复烤加工过程特点，从简单、有效实用的角度考虑，通常选用单个隐层结构的BP神经网络，即三层BP神经网络结构进行训练构建。

(6)采用结合遗传算法的BP神经网络算法，并在BP算法中加入动量项和自适应学习率来对数据样本进行训练建模，提高算法的收敛速度和模型准确性。

(7)对大量训练后的神经网络模型进行数据库的构建，方便模型分析和数据调用，并通过历史生产数据不断对模型进行优化和维护，提高模型的泛化能力和预测准确性，从而构建可不断更新优化的配方参数库。

步骤(4)中异常值剔除采用莱以特准则对粗大误差数据进行剔除，即若测量值的残余误差大于标准差的三倍，则剔除。归一化处理将数据控制在[-1,1]的范围内，其公式如下：

这里j表示数据p的行数，同时也表示输入神经元的个数，p

步骤(6)中在BP算法中加入动量项和自适应学习率来提高算法收敛速度，其权值调整公式为：

w(k+1)＝w(k)+(1-a)η(k)d(k)+a(w(k)-w(k-1)) (2)

式中w(k+1)、w(k)、w(k-1)分别为k+1、k、k-1时刻的权向量，η(k)为k时刻的学习率，d(k)为k时刻的负梯度，α为动量因子。

考虑复烤加工过程受控因素众多，且控制机理复杂，耦合性强，本发明采用结合遗传算法的BP算法对输入输出参数进行神经网络建模，并在BP算法中加入动量项和自适应学习率提高算法收敛速度和模型精度，进一步通过模式识别方法增加训练样本数并通过历史生产数据不断更新优化模型，增加了模型的实用性，为复烤含水率的智能控制奠定基础。

附图说明

图1为复烤机配方参数库构建步骤；

图2为复烤干燥环节不同干燥模式设置；

图3为配方参数库神经网络拓扑结构；

图4为结合遗传算法的改进神经网络训练算法。

具体实施方式

下面结合附图和实施例对本发明作进一步的描述：

以某打叶复烤厂复烤设备(前电子秤流量9000kg/h)为实施对象，采用河南中烟C3F为主配方的复烤烟叶生产数据对干燥环节进行配方参数库的构建，具体实施步骤如下(图1)：

(1)在保证总干燥强度和冷房含水率基本一致的前提下，调整干燥区一～六区干燥温度，形成不同的干燥模式(图2)，考察不同干燥模式对复烤质量的影响。通过对批次片烟的脱水速率和出口片烟收缩率进行分析比较，适合采用干燥模式一，其干燥效率高，经冷却回潮后烟叶含水率均匀性好，烟片舒展，收缩率较小。

(2)结合复烤设备生产实际中的原料状况和过程特点，确定入口含水率、入口流量、环境温湿度、出口含水率5个参数为配方参数库输入变量；干燥区一～六区热风温度设定值为配方参数库输出变量。

(3)当某批次片烟完全进入复烤后(即正常生产阶段)，待系统稳定运行5分钟后，对入口含水率、入口流量、环境温湿度、出口含水率5个参数以及干燥区一～六区热风温度设定值同时进行采样(采样时间为10秒)，采样至生产结束前5分钟。

(4)若满足神经网络训练要求(样本容量大于9000)，则对输入输出样本数据进行异常值剔除和归一化处理，并随机选取其中的70％作为训练数据，30％作为测试数据。若不满足样本训练要求，则通过模式识别增加相似输入输出样本数。

(5)根据复烤干燥环节建模实际和生产特点，采用单个隐层结构的BP神经网络，即三层BP神经网络结构进行训练构建(图3)。f1，f2和f3分别代表网络结构中的输入层、隐含层和输出层，xi，i＝[1,2,3,4,5]代表了神经网络的输入变量(对应电子秤瞬时流量、进料含水率、环境温度，环境湿度以及出料含水率)，yi，i＝[1,2,3,4,5,6]则为整个系统的输出，即对应干燥1～6区的热风温度设定值。隐层神经元设计为5个。

(6)设定种群规模NT＝20、交叉概率Pc＝0.4、变异概率Pm＝0.05、最大迭代次数T＝100；并在BP算法中加入动量项和自适应学习率(式(2)-(3))，其中初始学习率为0.24，α＝0.8，k

(7)完成数据训练后进行相关数据库的构建，方便参数调用和数据分析，并开放模型训练窗口，方便后期对其进行不断更新训练和优化。

与单一的BP算法相比，本发明提出的方法平均收敛速度提高30％，且在收敛过程中没有出现训练振荡，较好解决了复烤设备干燥环节配方参数库的构建难点，为进一步的复烤智能控制奠定关键基础。