[发明专利]一种复烤机配方参数库的构建方法

说明书

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。

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：