[发明专利]滚筒式烘丝机烘丝工序干尾过程的建模方法

权利要求书

1.一种滚筒式烘丝机烘丝工序干尾过程的建模方法，其特征在于，包括以下步骤：

1)采集烟草烘丝干尾过程中的工艺变量，构建建模数据集；

2)利用所述建模数据集拟合函数型系数，建立烘丝干尾过程的WNN-VC模型结构；烘丝干尾过程的WNN-VC模型结构如下：

其中：m为WNN-VC模型的阶次，y_t为t采样时刻的出口烟丝含水率，为t采样时刻的入口烟丝流量，为t采样时刻的入口烟丝含水率，为t采样时刻的滚筒旋转频率，为t采样时刻的滚筒筒温，为t采样时刻的排潮风门开度，ξ_t为t采样时刻的高斯白噪声；为WNN-VC模型的状态量；φ₀(w_t-1)，φ_y,i(w_t-1)，和均为关于状态量w_t-1的小波神经网络系数；为偏移量，为权系数；均为小波神经网络的基函数

3)对所述WNN-VC模型结构进行全局优化，对于优化后的WNN-VC模型结构，利用最小信息量准则选择最终的烟草烘丝干尾过程WNN-VC模型阶次m。

2.根据权利要求1所述的滚筒式烘丝机烘丝工序干尾过程的建模方法，其特征在于，步骤1)中，当入口烟丝流量由正常设定值下降至其40％时，开始以采样周期2秒采集N个工艺变量数据，直至出口烟丝含水率下降至2.5％时，采集过程结束；整个过程采集得到的N个工艺变量数据集为：入口烟丝流量的数据集入口烟丝含水率的数据集滚筒旋转频率的数据集滚筒筒温的数据集排潮风门开度的数据集和出口烟丝含水率的数据集{y₁...y_n}。

3.根据权利要求1所述的滚筒式烘丝机烘丝工序干尾过程的建模方法，其特征在于，小波神经网络的基函数具体结构如下：

其中，为小波基函数的伸缩因子，为小波基函数的平移因子，||·||表示2范数运算。

4.根据权利要求1所述的滚筒式烘丝机烘丝工序干尾过程的建模方法，其特征在于，步骤3)中，对所述WNN-VC模型结构进行全局优化的具体实现过程包括：

1)定义t时刻WNN-VC模型中的待估计参数集θ_t为状态向量，即构造自组织状态空间模型结构如下：其中：且其中，j＝0,...,n_p，且当l＝j-i≤0时，Φ_t+1为系统噪声，Υ_t为观测噪声；定义则为考虑观察噪声Υ_t后的烘丝干尾过程WNN-VC模型的预测输出序列；

2)初始化粒子状态x(0)、噪声项Φ_t+1和Υ_t为相互独立的高斯分布，即x(0)～N(μ₀,θ₀)，Φ_t+1～N(0,Q)，Υ_t～N(0,R)；

3)在t时刻，根据WNN-VC模型和构造的自组织状态空间模型计算其多步向前预测误差项：定义优化算法的目标函数为：其中，n为辨识数据长度，n_p为预测时域，m为WNN-VC模型的阶次；

4)将待优化的参数x(t)作为粒子按顺序编码，采用蒙特卡罗粒子滤波算法计算各个体针对目标函数V(x^*)的适应值，选择适应值较低即最优个体保留到下一代，并定义为优秀群体，将其他粒子进行交叉、变异运算，并产生相应的备选群体；比较备选群体中个体的适应度，选择最优个体加入到优秀群体中，重复步骤3)，直至得到最优的粒子集x^*，并令WNN-VC模型的参数集θ_t＝x^*。

5.根据权利要求1所述的滚筒式烘丝机烘丝工序干尾过程的建模方法，其特征在于，最小信息量准则AIC＝(n-m)log(V(x^*))+4(4m+1)。