基于Elman神经网络的卷烟制丝松散回潮出口含水率控制方法.docx

《基于Elman神经网络的卷烟制丝松散回潮出口含水率控制方法.docx》由会员分享，可在线阅读，更多相关《基于Elman神经网络的卷烟制丝松散回潮出口含水率控制方法.docx（7页珍藏版）》请在优知文库上搜索。

1、基于E1.man神经网络的卷烟制丝松散回潮出口含水率控制方法作者：陈晓杜郭天文曹琦来源：安徽农学通报2016年第08期摘要：为提高制丝生产过程中松散回潮机出口含水率控制效果，利用历史生产数据，采用基于E1.man神经网络建立松散回潮出口叶片含水率预测模型，通过逼近法给出当前生产环境温湿度下，指定出口叶片含水率对应的最佳加水比例。结果表明，通过E1.man神经网络预估加水比例后，提高了出口含水率的控制效果。关键词：EIman神经网络；松散回潮；出口含水率；预测中图分类号S572文献标识码A文章编号1007-7731(2016)08-118-031引言在卷烟制造过程中，制叶丝的过程含水率控制是制丝

2、生产中的关键参数，在烘丝前的含水率控制主要通过松散回潮工序中加水比例调节。不同的加水比例下松散回潮机的出口片烟含水率不同，最终将导致烘丝入口叶丝含水率的差异。因此，调节松散回潮加水比例控制松散回潮出口含水率在制丝过程中具有重要意义。董伟等川采用PID反馈控制修正加水量，曹正良将反馈控制改进为前馈控制方式，二者均从控制的角度出发，优化控制算法，调节加水比例。李秀芳等目5则采用过程参数优化的方式，通过过程参数优化，调节加水比例。以上2种方法均对松散回潮机出口片烟含水率的调节作出了一定优化，但2种方法均从内部角度考虑，而忽略了环境温湿度等外部条件对出口片烟含水率的影响。为此，本研究通过对历史生产数据

3、的分析，采用基于双隐含层的EIman神经网络建立松散回潮机加水比例预测模型，然后再获取当前环境温湿度下，通过大量模拟加水比例输入，找出相应输出中与设定出口含水率设定值最接近的加水比例作为生产过程参考加水比例，利用该加水比例进行生产，保障出口片烟含水率与设定值的误差得到改善。2E1.man神经网络算法EIman神经网络是J1.臼man于1990年首先提出来一种典型的局部回归网络。EIman网络是一个具有局部记忆单元和局部反馈连接的前向神经网络。E1.man神经网络的网络结构如图1所示，由输入层、中间层(隐含层)、承接层和输出层构成，其中输入层、中间层和输出层和传统BP神经网络相同，但E1.man

4、神经网络多了一个承接层，用于保存上次输入后中间层的状态连同输出数据17-9。增加承接层后，E1.man网络比传统BP神经网络具有更复杂的动力学特性，因而具有更强的计算能力，稳定性也优于BP神经网络。隐层的传递函数仍为某种非线性函数，一般为Sigmoid函数，输出层为线性函数，承接层也为线性函数10。3基于双隐含层E1.man神经网络的松散回潮出口含水率控制预测模型3.1 网络参数选择以松散回潮加水比例、相应环境温湿度为输入，出口烟叶含水率为输出，设定训练目标。5,训练速度0.01,最大训练步数100,以SigmOid函数为传递函数，进行神经网络训练。对于EIman神经网络的神经元个数及隐含层个

5、数的确定，首先通过对不同神经元个数分别进行10次运行，结果如表1,选取10次运行对应的决定系数平均值作为评价标准，从结果可知选取8个隐含节点的测试集决定系数平均值最大。再对不同层数的隐含层各进行10次运行，结果如表2,同样采用10次运行对应的决定系数平均值作为评价标准，从结果可知选取2个隐含层的测试集决定系数平均值最大。3.2 模型预测效果检验采用该神经网络对松散回潮机出口烟叶含水率进行预测，预测结果如图3。由图3可知，采用该神经网络模型预测120个样本的松散回潮机出口烟叶含水率预测曲线和实际数据曲线吻合度较高。且从误差数据计算可知，预测误差为0149%所有预测结果误差均控制在05%以内，准确

6、预测（误差在0.3%）比例为89.171%,能满足松散回潮工序出口含水率为（设定值05）%的允差要求。3.3 与多元回归分析拟合模型相比较图4为采用多元回归分析方法建立的松散回潮机出口片烟含水率线性模型，用于预测的效果。预测误差为0268%,大于本文方法的0149%,存在个别预测误差大于0.5%,且准确预测比例为77.5%低于本方法的89.I71%o3.4 松散回潮加水比例预估方法建立松散回潮出口含水率预测模型后，由于神经网络模型为非显性模型，因此可以考虑采用逼近法，不断尝试不同加水比例输入，比较输出与设定值的误塞取满足要求的加水比例作为加水比例预测结果即可，方法如图5。4结论采用基于E1.m

7、an神经网络模型建立松散回潮机出口片烟含水率预测模型，该方法建立的预测模型预测效果优于传统多元回归分析建立线性模型的预测效果。再通过逼近法给出了当前环境温湿度下，指定松散回潮机出口含水率所对应的加水比例预测值。采用该方法所确定的松散回潮加水比例生产，提高了松散回潮机片烟出口含水率的控制效果。参考文献“董伟，李坤，王健，等.HAUNI松散回潮滚筒含水率控制系统的改进J1.烟草科技，2012(11)：20-22.曹正良.片烟松散回潮含水率控制方式的改进C2010年中国烟草学会工业专业委员会烟草工艺学术研讨会论文集，2010.3李秀芳.烟片松散回潮关键工艺参数过程控制系统的优化设计J中国烟草学报，2

8、015(3)：34-41.4俞仁皓，宋家海，王建，等.松散回潮工序回风温度P1.D控制参数的优化J.烟草科技，2010(7)：8-10.5赵国庆，米强，钟青，等.因素筛选试验在松散回潮和筛分加料工序质量评价中的应用J.烟草科技，2007(11)：24-27.6王俊松.基于EIman神经网络的网络流量建模及预测J.计算机工程，2009.35(9)：190-191.7钱家忠，吕纯，赵卫东，等.E1.man与BP神经网络在矿井水源判别中的应用J.系统工程理论与实践，2010,30(1)：145-150.8周云龙，陈飞，文IJ川，等.基于图像处理和EIman神经网络的气液两相流流型识别J.中国电机工程

9、学报，2007,27(29)：108-112.9王宏伟，杨先一，金文标，等.基于EIman网络的时延预测及其改进J.计算机工程与应用，2008,44(6):136-138.10范燕，申东日，陈义俊，等.基于改进EIman神经网络的非线性预测控制J.河南科技大学学报(自然科学版)，2007,28(1)：41-45.11史峰，王辉，郁磊，等.Mat1.ab智能算法30个案例分析M.北京：北京航空航天出版社，2013.(责编张宏民)y(k)图1E1.man神经网络结构表1不同神经元个数的10次运行结果神经元个数决定系数R2最小值最大值平均值30.51220.85920.637740.47210.8890.654150.54170.8110.660860.37460.8540.67237().50880.94350.682480.58590.91070.706590.4830.84420.7004100.4938().8530.6757表2不同隐含层个数的10次运行结果隐含层个数一最小值决定系数R2最大值平均值10.58590.91070.706520.51781.23720.751730.61910.95190.71328sueEJ0七d图2神经网络训练结果4多元19归分析模型愦利效JR衣哈含JKBPQ经网络懵舞候差*V-1E徉*M量 XJKC