[发明专利]一种基于递归神经网络的烘丝过程水分预测控制方法及系统

权利要求书

1.一种基于递归神经网络的烘丝过程水分预测控制方法，其特征在于，包括：

A)采集烘丝过程叶丝的相关数据；

B)对采集到的牌号信息进行自动识别，得到相应批次叶丝的控制参数，所述控制参数包括目标出口含水率与排潮风门开度范围；

C)对采集到的烘丝过程叶丝的相关数据进行判定，设定各相关数据的正常工作范围，当相关数据均处于正常工作范围内时，建立非线性预测控制模型；

D)将非线性预测模型转化为基于递归神经网络的非线性预测控制模型，更新递归神经网络的权重，获得出口含水率预测值；

E)根据基于递归神经网络的非线性预测控制模型、实时获取到的相关数据以及出口含水率预测值构建性能指标J，获得使性能指标J最优的排潮风门开度；

步骤A)中，所述相关数据包括牌号信息、入口含水率、工艺热风温度、目标出口含水率、排潮风门开度、蒸汽压力和来料质量流量；

步骤C)中建立非线性预测控制模型y(k)＝f(y，u，a，t，p，h)，

其中y＝{y(k-1)，...，y(k-n_y)}表示阶次为n_y的出口含水率输出时间序列；

u＝{u(k-d_u)，...，u(k-n_u)}表示阶次为n_u-d_u+1的排潮风门开度输入时间序列；

a＝{a(k-d_a)，...，a(k-n_a)}表示阶次为n_a-d_a+1的叶丝入口含水率输入时间序列；

t＝{t(k-d_t)，...，t(k-n_t)}表示阶次为n_t-d_t+1的热风温度输入时间序列；

p＝{p(k-d_p)，...，p(k-n_p)}表示阶次为n_p-d_p+1的蒸汽压力输入时间序列；

h＝{h(k-d_h)，...，h(k-n_h)}表示阶次为n_h-d_h+1的质量流量输入时间序列；

d_u为叶丝由加水流量测定处到出口水分仪所经的时间，d_a为叶丝由入口水分仪处到出口水分仪所经的时间，d_t为叶丝由热风温度测定处到出口水分仪所经的时间，d_p为叶丝由蒸汽压力测定处到出口水分仪所经的时间，d_h为叶丝由电子秤到出口水分仪所经的时间；

n_y为与k时刻的出口含水率相关的出口含水率时刻数目；(n_u-d_u)为与k时刻的出口含水率相关的加水流量时刻数目；(n_a-d_a)为与k时刻的出口含水率相关的入口含水率时刻数目；(n_t-d_t)为与k时刻的出口含水率相关的热风温度时刻数目；(n_p-d_p)为与k时刻的出口含水率相关的蒸汽压力时刻数目；(n_h-d_h)为与k时刻的出口含水率相关的质量流量时刻数目；

步骤D)中将非线性预测控制模型转化为基于递归神经网络的非线性预测控制模型，所述基于递归神经网络的非线性预测控制模型数学表达式为：

其中，σ(·)表示激活函数；

n_i＝n_y+n_u+n_a+n_t+n_p+n_h-d_u-d_a-d_t-d_p-d_h+5表示总的输入个数，

为第k时刻递归神经网络模型的输入，s_j(k)为k时刻隐藏层中第j个节点的值，为递归神经网络模型输入层权重，为递归神经网络模型隐藏层权重，为递归神经网络模型输出层权重；

步骤E)中构建性能指标J，获得使性能指标J最优的排潮风门开度，步骤包括：

E1)建立k时刻排潮风门开度最优的性能指标

其中R(k)＝[y_r(k+N₁)，...，y_r(k+N)]，N₁＝d_u，N₁、N分别为优化时域的起始时刻和终止时刻，E{·}表示取数学期望，y_r(k+N)为k+N时刻烘丝出口含水率设定值；为模型的预测值；

E2)计算Δu(k)＝γG^T(k)(R(k)-Y(k))获得最优排潮风门开度控制量，其中γ为常数，

E3)根据最优排潮风门开度控制量Δu(k)与上一时刻的排潮风门开度u(k-1)获得k时刻最优的排潮风门开度u(k)＝u(k-1)+Δu(k)。