[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

说明书

本发明公开了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，包括步骤S1基于神经网络的松散回潮打水量预测模型；S2，总加水量预测与分配；S3，基于物料衡算与偏差的模型修正。本申请以制丝工序生产线的松散回潮设备为对象，将现有的打水量计算公式，以及“前后加水调整”改进为借助神经网络预测模型对加水量进行预测的控制方法，以及出口水分出现较大偏差时，利用物料衡算和水分偏差相结合的双重修正控制系统进行修正，来提高松散回潮工序出口水分的稳定性和精控性。

技术领域

本发明涉及烟草制丝领域，特别是涉及一种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。

背景技术

松散回潮工序是制丝生产过程中的关键工序之一，其主要工艺任务是松散烟片，增加烟片的水分和温度，提高烟叶耐加工性。目前卷烟行业使用的松散回潮机，都具有松散效果好、耐加工性好的特点，但普遍存在出口水分稳定性差、打水控制系统反馈滞后等问题。

针对这些问题，烟草工作者进行了大量的研究，从系统改进、参数优化、模型建立等方面，来提高松散回潮机出口水分控制的稳定性。段荣华采用了专业(模糊处理)+常规PID的控制方法，实现了松散回潮出口水分的自动化控制，提高松散回潮出口水分的稳定性；李秀芳对松散回潮机的回风系统和水分控制的方式进行了改进，降低了出口水分、出口温度的波动；吴玉生等以设计优化参数组合，提高松散回潮出口水分CPK值；张玉和等以改进松散回潮筒内的耙钉结构方式，提高了物料的受热和回潮均匀性，改善松散回潮加工品质等。

以上的研究均以松散回潮机对出口水分的精准控制和松散回潮机加水系统为出发点，虽然松散回潮出口水分的稳定性均有了一定程度的提升，但在松散回潮的打水自适应控制，以及出口水分控制能力的提高方面，仍存在欠缺。

图1为现有的松散回潮加水控制方式。打水量计算公式采用的是入口水分实际值、出口水分设定值、入口秤的实际流量以及汽水系数计算而得；汽水系数的设定采用的方式是设备人员根据每个牌号卷烟的出口水分设定值，给出一个经验值，然后根据出口水分实际情况，进行调整，最后确定出汽水系数，进行固化；系统采用入口端、出口端前后同时加水的控制方式，物料从回潮喷嘴到松散回潮出口水分仪处的运行时间约为180s，系统反馈的滞后时间较长。生产运行过程中，需要通过人工调整入口端加水量、出口端加水量来实现出口水分的调节，当出口水分实际值与出口水分的设定值偏差较小时，调整出口端加水量；当偏差较大时，调整入口端加水量；大多数情况下，以调整出口加水量为主。在松散回潮打水控制系统中，出口水分的实际值不参与打水量的计算，经常作为人工调节幅度大小的参考依据，因此该系统为经典的开环控制。打水量由于受来料烟叶的水分、等级、产地和生产环境等因素的影响较大，可见现有的控制方式对出口水分的精准、智能控制还无法实现。

发明内容

为克服上述不足，本申请以制丝工序生产线的松散回潮设备为对象，将现有的打水量计算公式，以及“前后加水调整”改进为借助神经网络预测模型对加水量进行预测的控制方法，以及出口水分出现较大偏差时，利用物料衡算和水分偏差相结合的双重修正控制系统进行修正，来提高松散回潮工序出口水分的稳定性和精控性。

本发明解决其技术问题所采用的技术方案为：

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，包括：

S1，基于神经网络的松散回潮打水量预测模型

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，打水量为输出值，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，进行神经网络训练，建立基于神经网络的松散回潮打水量预测模型；

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