[发明专利]基于神经网络模型和双重参数修正的松散回潮加水控制方法

权利要求书

1.基于神经网络模型和双重参数修正的松散回潮加水控制方法，其特征在于：包括：

S1，基于神经网络的松散回潮加水量预测模型

利用历史生产数据，以松散回潮工序的入口水分、出口水分设定值为输入值，加水量为输出值，进行神经网络训练，建立基于神经网络的松散回潮加水量预测模型；

S2，总加水量预测与分配

采集当前生产条件下的参数，基于S1预测模型得出出口水分设定值对应最佳总加水量；再根据入口端、出口端的加水分配系数，对入口端前加水量和出口端后加水量进行分配；

S3，基于物料衡算与偏差的模型修正

S3.1，定义

所述物料衡算是指通过松散回潮工序投入产出质量守恒原则预测采样周期T内的总加水量TotalWater(T)，计算公式：

TotalWater(T)＝F×T×M_C+C-(Q+F×T×M_R)

＝F×T×(M_C-M_R)-(Q-C)

式中，Q为采样周期T内蒸汽注入量，kg；

F为电子秤流量，kg/h；

T表示一个采样周期，s；

C为水分消耗，kg；

M_C表示采样周期T内出口水分平均值，％；

M_R表示入口水分平均值，％；

所述偏差是指出口水分实际值偏离设定值的大小，该偏差值定义为ΔS，计算公式：

ΔS＝M_C-M_S

式中，M_C为出口水分实际值，％；M_S为出口水分设定值，％；

S3.2，采样周期

采样周期T设定值是系统调整加水流量的频次，其根据物料从后加水泵到出口水分仪这段路程所用时间进行设定；

S3.3，物料衡算修正

在一个采样周期T内，基于松散回潮工序物料投入和产出的物料衡算修正的加水流量ΔFlowRate(1)为：

S3.4，偏差修正

在一个采样周期T内，通过出口水分偏差修正的加水流量ΔFlowRate(2)为：

式中：F(T)为电子秤流量，kg/h；

S3.5，双重修正参数的选择

依据出口水分偏差的大小选择通过物料衡算修正或偏差修正；

当出口水分的偏差≥0.5％时，采用物料衡算的数值进行修正，反馈到总加水量上，进行修正；当出口水分的偏差＜0.5％时，采用偏差数值进行修正，反馈到出口端加水量上，进行修正。

2.根据权利要求1所述的基于神经网络模型和双重参数修正的松散回潮加水控制方法，其特征在于：

S1中，设定模型的训练目标为0.05，训练的速度为0.01，最大的步数为100。