基于神經(jīng)網(wǎng)絡(luò)的煙絲填充值預(yù)測(cè)模型研究

陸玉浩，王彬彬，萬(wàn)云飛，王廣超，牛汝萍，張　娟，楊　瑩，冀海波

（1.山東中煙工業(yè)有限責(zé)任公司滕州卷煙廠，山東 滕州 277500； 2.山東中煙工業(yè)有限責(zé)任公司技術(shù)中心 濟(jì)南 250013）

基于神經(jīng)網(wǎng)絡(luò)的煙絲填充值預(yù)測(cè)模型研究

陸玉浩1，王彬彬1，萬(wàn)云飛1，王廣超1，牛汝萍1，張娟1，楊瑩1，冀海波2

（1.山東中煙工業(yè)有限責(zé)任公司滕州卷煙廠，山東 滕州 277500； 2.山東中煙工業(yè)有限責(zé)任公司技術(shù)中心 濟(jì)南 250013）

填充值是煙絲的一項(xiàng)重要物理指標(biāo)。在卷煙制絲生產(chǎn)中，葉組配方和工藝流程一般較為固定，所以制絲工藝參數(shù)對(duì)煙絲填充值的影響更為直接、突出，但工藝參數(shù)對(duì)填充值的影響為非線性的，難以根據(jù)工藝參數(shù)直接推算出煙絲填充值。針對(duì)此問(wèn)題，選取了7個(gè)影響較大的工藝參數(shù)，采用BP神經(jīng)網(wǎng)絡(luò)對(duì)7個(gè)工藝參數(shù)和煙絲填充值間的數(shù)量關(guān)系進(jìn)行了初步建模。通過(guò)BP神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)和大數(shù)據(jù)量的訓(xùn)練后，該模型具備了通過(guò)工藝參數(shù)預(yù)測(cè)煙絲填充值的能力，預(yù)測(cè)結(jié)果的相對(duì)誤差為4%左右，這為工藝參數(shù)和填充值之間的相互調(diào)整提供了理論依據(jù)和仿真方法。

BP神經(jīng)網(wǎng)絡(luò)；工藝參數(shù)；填充值

煙絲填充力是指單位重量的煙絲在一定壓力下，經(jīng)過(guò)一定時(shí)間后所保持的體積［1］。煙絲填充值不僅影響卷煙的外觀與吸食品質(zhì)，而且是一個(gè)反映卷煙生產(chǎn)成本與原料消耗的經(jīng)濟(jì)指標(biāo)，是卷煙加工煙絲的一個(gè)重要物理指標(biāo)［2-3］。影響煙絲填充值的主要因素有物理因素和化學(xué)因素，劉建軍［4］又將影響因素細(xì)分為農(nóng)藝措施、工藝措施、生物活動(dòng)、物理特性和化學(xué)成分。而在卷煙制絲生產(chǎn)中，影響填充值的主要因素則可以概括為葉組配方、工藝流程和工藝參數(shù)。一般來(lái)說(shuō)，在某牌號(hào)卷煙的生產(chǎn)過(guò)程中，葉組配方和工藝流程較為固定，所以制絲工藝參數(shù)對(duì)煙絲填充值的影響顯得更為直接、突出。然而，工藝參數(shù)對(duì)填充值的影響為非線性的，難以根據(jù)工藝參數(shù)直接推算出煙絲填充值。BP神經(jīng)網(wǎng)絡(luò)是最為成熟的一種人工神經(jīng)網(wǎng)絡(luò)模型，能有效地解決非線性問(wèn)題，得到了廣泛的應(yīng)用［5］。BP神經(jīng)網(wǎng)絡(luò)屬于多層前向反饋的有導(dǎo)師學(xué)習(xí)網(wǎng)絡(luò)，與普通正向傳播神經(jīng)網(wǎng)絡(luò)相比，增加了誤差反饋環(huán)節(jié)，通過(guò)不斷調(diào)整所有層的權(quán)值，達(dá)到減小誤差的目的［6-7］。本文將采用BP神經(jīng)網(wǎng)絡(luò)對(duì)工藝參數(shù)和煙絲填充值間的數(shù)量關(guān)系進(jìn)行初步建模，并通過(guò)BP神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)和大數(shù)據(jù)量的訓(xùn)練后，使模型具備通過(guò)工藝參數(shù)預(yù)測(cè)煙絲填充值的能力，以為工藝參數(shù)和填充值之間的相互調(diào)整提供理論依據(jù)和仿真方法。

1　材料與方法

1.1材料與設(shè)備

滕州卷煙廠某牌號(hào)完整葉組配方原料。WQ392a滾筒式煙片回潮機(jī)、SJ1106a熱風(fēng)加料機(jī)、WQ314A型滾筒式葉片增濕增濕機(jī)、SH92氣流干燥設(shè)備。

1.2煙絲取樣與填充值測(cè)定

待生產(chǎn)正常后，在煙絲干燥工序出口處，用取樣盤(pán)隨機(jī)取樣100 g，置于樣品盒中。樣品在空氣溫度（20±1） ℃、相對(duì)濕度（60±5）%條件下平衡24 h。煙絲填充值測(cè)定參照煙草行業(yè)標(biāo)準(zhǔn)方法（YC/T 152—2001）［8］。

1.3樣本數(shù)據(jù)的確定

根據(jù)試驗(yàn)和日常生產(chǎn)數(shù)據(jù)積累，得到了176組原始數(shù)據(jù)。為了便于給神經(jīng)網(wǎng)絡(luò)提供樣本，將其提取成輸入樣本P和輸出樣本T，其中輸入樣本包括松散回潮出口物料含水率、切絲寬度、葉絲增溫增濕熱風(fēng)溫度、葉絲增溫增濕出口物料含水率、葉絲氣流干燥燃燒爐溫度、葉絲氣流干燥混合風(fēng)溫和、葉絲氣流干燥出口物料含水率7個(gè)對(duì)填充值影響較大的工藝參數(shù)［9-13］，輸出樣本包括煙絲填充值1個(gè)參數(shù)。

由于樣本中含有不同的物理量，且數(shù)值差別很大，樣本數(shù)據(jù)沒(méi)有可比性，嚴(yán)重影響模型的收斂可靠性及收斂速度，所以在進(jìn)行訓(xùn)練之前，必須對(duì)樣本數(shù)據(jù)進(jìn)行歸一化處理，即將所有數(shù)據(jù)換算成為［0，1］之內(nèi)的數(shù)。歸一化處理如下式所示：

式中：

X——真實(shí)值；

Xmax、Xmin——真實(shí)值的最大值和最小值；

X*——?dú)w一化后的值。

經(jīng)過(guò)數(shù)據(jù)處理，輸入樣本均勻地分布在0到1之間，構(gòu)成了可用的神經(jīng)網(wǎng)絡(luò)樣本。將數(shù)據(jù)處理后的原始樣本P和T分別分成兩組，一組為訓(xùn)練樣本p_tr和t_tr，另一組為檢驗(yàn)樣本p_te和t_te，其中：訓(xùn)練樣本為7×150和1×150的矩陣，輸入與輸出對(duì)應(yīng)，共150個(gè)樣本；檢驗(yàn)樣本為7×26和1×26的矩陣，共26個(gè)樣本。

1.4BP神經(jīng)網(wǎng)絡(luò)模型的確定

BP神經(jīng)網(wǎng)絡(luò)模型的確定就是對(duì)層數(shù)、每層的神經(jīng)元數(shù)、初始權(quán)值和閾值、訓(xùn)練函數(shù)、學(xué)習(xí)速率等網(wǎng)絡(luò)參數(shù)進(jìn)行選擇。目前，網(wǎng)絡(luò)參數(shù)的選擇雖有一些指導(dǎo)原則，但更多的是靠經(jīng)驗(yàn)和試驗(yàn)。

1.4.1網(wǎng)絡(luò)層數(shù)的確定 為簡(jiǎn)化網(wǎng)絡(luò)并降低訓(xùn)練網(wǎng)絡(luò)權(quán)值的時(shí)間，根據(jù)煙絲填充值預(yù)測(cè)問(wèn)題的特點(diǎn)將網(wǎng)絡(luò)結(jié)構(gòu)定為3層，即網(wǎng)絡(luò)的隱含層數(shù)為1層，結(jié)構(gòu)如圖1所示。本研究以7個(gè)工藝參數(shù)為神經(jīng)網(wǎng)絡(luò)的輸入層，以煙絲填充值作為神經(jīng)網(wǎng)絡(luò)的輸出層，即輸入層的神經(jīng)元個(gè)數(shù)為7個(gè)，輸出層的神經(jīng)元個(gè)數(shù)為1個(gè)。

圖1　三層BP網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 Structure of the three layer BP network

1.4.2網(wǎng)絡(luò)隱含層神經(jīng)元數(shù)的確定 隱含層神經(jīng)元數(shù)是BP網(wǎng)絡(luò)的一個(gè)關(guān)鍵參數(shù)，神經(jīng)元個(gè)數(shù)過(guò)多將導(dǎo)致神經(jīng)網(wǎng)絡(luò)歸納能力下降，神經(jīng)元個(gè)數(shù)過(guò)少將導(dǎo)致神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力不夠。隱含層神經(jīng)元數(shù)的一般選擇原則是：在能正確反映輸入輸出關(guān)系的基礎(chǔ)上盡可能選取較少的神經(jīng)元數(shù)，從而使網(wǎng)絡(luò)更為簡(jiǎn)單。目前，隱含層神經(jīng)元數(shù)目的選取尚缺少結(jié)論性的方案，諸多選取公式也只是根據(jù)經(jīng)驗(yàn)總結(jié)出來(lái)的，隱含層神經(jīng)元數(shù)最終的確定仍然需要通過(guò)反復(fù)測(cè)試和結(jié)果分析獲得。綜合諸多因素，本研究使用統(tǒng)計(jì)多次循環(huán)測(cè)試結(jié)果的方法進(jìn)行分析，即采用隨機(jī)初始化網(wǎng)絡(luò)，選用固定的訓(xùn)練樣本和訓(xùn)練函數(shù)，測(cè)試并記錄隱層節(jié)點(diǎn)數(shù)分別為3，4，5，6，7，8，9，10，11，12時(shí)的訓(xùn)練結(jié)果，對(duì)參數(shù)取平均值，最終分析相關(guān)指標(biāo)綜合確定最佳隱層節(jié)點(diǎn)數(shù)。

1.4.3初始權(quán)值和閾值的確定 BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的第一步就是對(duì)權(quán)值和閾值進(jìn)行合適的初始化。訓(xùn)練BP網(wǎng)絡(luò)時(shí)，如果對(duì)權(quán)值和閾值進(jìn)行的初始化不適宜，可能導(dǎo)致訓(xùn)練時(shí)間的增長(zhǎng)，特別是當(dāng)初始權(quán)值相等時(shí)，可能使誤差曲面陷于局部最小。由于系統(tǒng)是非線性的，初始值對(duì)學(xué)習(xí)是否達(dá)到局部最小，是否能夠收斂以及訓(xùn)練時(shí)間長(zhǎng)短的影響很大。本研究采取隨機(jī)賦值方式確定初始權(quán)值和閾值，為避免局部極值問(wèn)題，要選取多組初始權(quán)值，最后選用最好的一種。

1.4.4傳遞函數(shù)的選擇 BP神經(jīng)網(wǎng)絡(luò)存在非線性傳遞函數(shù)使其具有很強(qiáng)的非線性映射能力。傳遞函數(shù)能限制神經(jīng)網(wǎng)絡(luò)運(yùn)行的動(dòng)態(tài)范圍，避免輸出數(shù)據(jù)產(chǎn)生大量極端值。在非線性傳遞函數(shù)中，Sigmoid函數(shù)用得最為廣泛，其與真正的神經(jīng)元較為相似，且是可微函數(shù)，導(dǎo)數(shù)較易計(jì)算，因此非常適合BP神經(jīng)元。常用的Sigmoid函數(shù)有對(duì)數(shù)S型傳遞函數(shù)和雙曲正切S型傳遞函數(shù)。根據(jù)需要，本研究隱含層選擇雙曲正切S型傳遞函數(shù)，而輸出層選擇對(duì)數(shù)S型傳遞函數(shù)。

1.4.5訓(xùn)練函數(shù)的選擇 訓(xùn)練函數(shù)對(duì)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練精度、收斂速度等產(chǎn)生直接影響，是神經(jīng)網(wǎng)絡(luò)性能的重要影響因素。在本研究中，我們通過(guò)試驗(yàn)對(duì)比選擇合適的訓(xùn)練函數(shù)。首先設(shè)定好隱含層神經(jīng)元數(shù)、最大訓(xùn)練次數(shù)、網(wǎng)絡(luò)目標(biāo)誤差精度、學(xué)習(xí)速率等參數(shù)，然后再采用不同的訓(xùn)練函數(shù)對(duì)相同的訓(xùn)練樣本進(jìn)行訓(xùn)練，最后對(duì)比訓(xùn)練過(guò)程。通過(guò)分析各種訓(xùn)練函數(shù)的訓(xùn)練過(guò)程發(fā)現(xiàn)，trainlbr函數(shù)在所有的訓(xùn)練函數(shù)中收斂速度最快（即達(dá)到極小值的速度是最快），而且訓(xùn)練步數(shù)也最少，所以本研究選擇trainbr函數(shù)作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練函數(shù)。

1.4.6學(xué)習(xí)速率的選擇 在BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)時(shí)，我們需要選擇合適的學(xué)習(xí)速率來(lái)控制網(wǎng)絡(luò)學(xué)習(xí)過(guò)程中網(wǎng)絡(luò)權(quán)值變化幅值的大小，學(xué)習(xí)速率太小則會(huì)使得收斂變慢，學(xué)習(xí)時(shí)間變長(zhǎng)；學(xué)習(xí)速率太大，網(wǎng)絡(luò)達(dá)到全局最小的可能性將增大，但可能會(huì)出現(xiàn)網(wǎng)絡(luò)來(lái)回振蕩和過(guò)度收斂現(xiàn)象。學(xué)習(xí)速率一般在0.01～0.7之間選取。對(duì)于學(xué)習(xí)速率選擇只能進(jìn)行試選，然后根據(jù)訓(xùn)練情況選擇一個(gè)合適的學(xué)習(xí)速率反復(fù)訓(xùn)練。結(jié)合實(shí)際要求，通過(guò)仿真試驗(yàn)討論，初選學(xué)習(xí)速率為0.01。

通過(guò)神經(jīng)網(wǎng)絡(luò)的隱層節(jié)點(diǎn)數(shù)、傳遞函數(shù)、訓(xùn)練函數(shù)和學(xué)習(xí)速率等結(jié)構(gòu)參數(shù)的仿真試驗(yàn)，最終確定神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)如表1所示。

表1　神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)Table1　Structural parameters of the neural network

1.5程序設(shè)計(jì)及學(xué)習(xí)

根據(jù)上文所建神經(jīng)網(wǎng)絡(luò)模型，設(shè)定學(xué)習(xí)速率為0.01，誤差e＜0.02，訓(xùn)練最大次數(shù)10000次，利用Matlab軟件編制BP神經(jīng)網(wǎng)絡(luò)程序［14-15］，主要程序如下∶

Net=newff（minmax（pt），［7，4］，｛'tansig'，'logsig'｝，'trainbr'）；

net.trainparam.epochs=10000；

net.trainparam.goal=0.002；

LP.lr=0.01；

net=train（net，pt，tt）；

y=sim（net，pte）；

error=y-tte；

sum=norm（error）；

BP神經(jīng)網(wǎng)絡(luò)程序按照算法對(duì)訓(xùn)練樣本進(jìn)行學(xué)習(xí)，不斷修正權(quán)值，直至程序達(dá)到了誤差要求或雖未達(dá)到誤差要求但達(dá)到了最大學(xué)習(xí)次數(shù)。當(dāng)學(xué)習(xí)完成后，神經(jīng)網(wǎng)絡(luò)就具有了通過(guò)7個(gè)工藝參數(shù)預(yù)測(cè)煙絲填充值的能力。隨后，可以利用檢驗(yàn)樣本對(duì)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行檢驗(yàn)，并進(jìn)一步將模型應(yīng)用到實(shí)際生產(chǎn)中。

2　結(jié) 果

2.1樣本檢驗(yàn)結(jié)果

當(dāng)BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練完畢后，利用26個(gè)檢驗(yàn)樣本進(jìn)行檢驗(yàn)，并將得到的神經(jīng)網(wǎng)絡(luò)輸出值與檢驗(yàn)樣本值進(jìn)行比較。由于神經(jīng)網(wǎng)絡(luò)的輸出值和檢驗(yàn)樣本值均在0到1之間，不利于觀察比較，所以均需進(jìn)行反歸一化，得到煙絲填充值，再將兩者進(jìn)行對(duì)比，如圖2所示。

由圖2可知，樣本值折線和預(yù)測(cè)值折線基本吻合，兩者的最大相對(duì)誤差3.6%，最小相對(duì)誤差1.41%。對(duì)樣本值和預(yù)測(cè)值兩組數(shù)據(jù)進(jìn)行配對(duì)T檢驗(yàn)，平均差95%置信區(qū)間（-0.0472，0.0449），區(qū)間包含0；平均差=0（與≠0）的T檢驗(yàn)p值為0.959，無(wú)法拒絕原假設(shè)，即平均差=0，說(shuō)明兩組數(shù)據(jù)無(wú)顯著差異。

圖2　檢驗(yàn)結(jié)果統(tǒng)計(jì)分析圖Fig. 2　Statistical analysis of tested results

2.2模型應(yīng)用預(yù)測(cè)結(jié)果

當(dāng)BP神經(jīng)網(wǎng)絡(luò)檢驗(yàn)完畢后，應(yīng)用該預(yù)測(cè)模型對(duì)正常生產(chǎn)的10批次煙絲進(jìn)行填充值預(yù)測(cè)，并與實(shí)際檢測(cè)值進(jìn)行比較。同樣，需先對(duì)神經(jīng)網(wǎng)絡(luò)的輸出值進(jìn)行反歸一化，得到煙絲填充值，再與檢測(cè)值進(jìn)行對(duì)比，如圖3所示。

由圖3可知，預(yù)測(cè)值與檢測(cè)值吻合度較高，兩者的最大相對(duì)誤差3.12%，最小相對(duì)誤差1.22%，相對(duì)誤差較檢驗(yàn)時(shí)有下降趨勢(shì)。對(duì)檢測(cè)值和預(yù)測(cè)值兩組數(shù)據(jù)進(jìn)行配對(duì)T檢驗(yàn)，平均差95% 置信區(qū)間（-0.0933，0.0833），區(qū)間包含0；平均差= 0 （與≠0）的T檢驗(yàn)p值為0.901，無(wú)法拒絕原假設(shè)，即平均差=0，說(shuō)明兩組數(shù)據(jù)無(wú)顯著差異。

圖3　預(yù)測(cè)結(jié)果統(tǒng)計(jì)分析Fig. 3　Statistical analysis of predicted results

3　討 論

由填充值預(yù)測(cè)模型的檢驗(yàn)和運(yùn)用結(jié)果分析可知，預(yù)測(cè)值和實(shí)際值的相對(duì)誤差小于4%，相對(duì)誤差在合理范圍內(nèi)，且有下降趨勢(shì)，結(jié)果較理想，這說(shuō)明預(yù)測(cè)模型的預(yù)測(cè)能力較好，已具備了一定的實(shí)用性。研究表明［16-18］，隨著樣本的不斷豐富，神經(jīng)網(wǎng)絡(luò)模型還能通過(guò)樣本進(jìn)行再學(xué)習(xí)，從而產(chǎn)生新的權(quán)值分布和閾值，不斷提高預(yù)測(cè)能力。因此，隨著煙絲填充值預(yù)測(cè)模型的不斷應(yīng)用，預(yù)測(cè)值和實(shí)際值的相對(duì)誤差有進(jìn)一步減小的可能性。

本研究中選取了氣流烘絲線對(duì)煙絲填充值影響最大的7個(gè)工藝參數(shù)（松散回潮出口物料含水率、切絲寬度、葉絲增溫增濕熱風(fēng)溫度、葉絲增溫增濕出口物料含水率、葉絲氣流干燥燃燒爐溫度、葉絲氣流干燥混合風(fēng)溫、葉絲氣流干燥出口物料含水率）作為神經(jīng)網(wǎng)絡(luò)的輸入。在實(shí)際運(yùn)用中，可根據(jù)需求適當(dāng)減少工藝參數(shù)個(gè)數(shù)，以簡(jiǎn)化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)；在條件允許的情況下，也可以引入更多的工藝參數(shù)作為神經(jīng)網(wǎng)絡(luò)的輸入，從而達(dá)到提高模型預(yù)測(cè)能力的目的。本文雖然只針對(duì)氣流烘絲線建立了煙絲填充值預(yù)測(cè)模型，但滾筒烘絲線預(yù)測(cè)模型的原理和方法是一致的，只需將神經(jīng)網(wǎng)絡(luò)輸入層替換為滾筒烘絲筒壁溫度、熱風(fēng)溫度、滾筒轉(zhuǎn)速等工藝參數(shù)。

4　結(jié) 論

本研究選取了7個(gè)對(duì)煙絲填充值影響較大的工藝參數(shù)，采用BP神經(jīng)網(wǎng)絡(luò)對(duì)工藝參數(shù)和煙絲填充值間的數(shù)量關(guān)系進(jìn)行了初步建模，并經(jīng)過(guò)MATLAB編程和訓(xùn)練后使該模型具備了通過(guò)工藝參數(shù)預(yù)測(cè)煙絲填充值的能力，預(yù)測(cè)結(jié)果的相對(duì)誤差為4%左右，預(yù)測(cè)能力較好，為工藝參數(shù)和填充值之間的相互調(diào)整提供了理論依據(jù)和仿真方法。

［1］ 荊聰瑩，杜詠梅，侯小東，等. 烤煙填充值與主要理化指標(biāo)的關(guān)系研究［J］. 中國(guó)農(nóng)學(xué)通報(bào)，2013，29（30）：202-205.

［2］ 于建軍. 卷煙工藝學(xué)［M］. 北京：中國(guó)農(nóng)業(yè)出版社，2009.

［3］ 劉新民，杜詠梅，程森，等. 烤煙煙絲填充值與其理化指標(biāo)和感官品質(zhì)的關(guān)系［J］. 中國(guó)煙草科學(xué)，2012，33（5）：74-78.

［4］ 劉建軍. 煙葉填充值的研究進(jìn)展［J］. 安徽農(nóng)業(yè)科學(xué)，2015，43（1）：244-245，297.

［5］ 梁瑞海，崔源. 使用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)膨脹煙絲的填充值［J］. 煙草科技，2008（4）：9-10.

［6］ 王彥闖. 農(nóng)產(chǎn)品檢測(cè)電子鼻的模式識(shí)別算法和軟件編程的實(shí)現(xiàn)［D］. 杭州：杭州電子科技大學(xué)，2010.

［7］ 李麗霞，王彤，范逢曦. BP神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)探討［J］. 現(xiàn)代預(yù)防醫(yī)學(xué)，2005，32（2）：128-130.

［8］ 國(guó)家煙草專(zhuān)賣(mài)局. YC/T152—2001卷煙煙絲填充值的測(cè)定［S］. 北京：標(biāo)準(zhǔn)出版社，2001

［9］ 魏玉玲，陰耕云，李紹臣，等. 幾個(gè)重要制絲工序?qū)緹煙熃z填充值和碎絲率的影［J］. 云南大學(xué)學(xué)報(bào)：自然科學(xué)版，2010，32（S1）：183-186.

［10］ 李艷，楊雷. 運(yùn)用六西格瑪方法提高葉絲填充值［J］. 工業(yè)工程與管理，2010，15（6）：131-136.

［11］ 劉國(guó)棟，王旭鋒，李向陽(yáng). 制絲工藝參數(shù)對(duì)煙葉葉絲耐加工性和填充值的影響［J］. 河南農(nóng)業(yè)科學(xué)，2015，44（8）：145-148.

［12］ 姚光明，喬學(xué)義，申玉軍，等. 烤煙葉片在不同葉絲干燥工序中葉絲填充值和整絲率的變化［J］. 河南農(nóng)業(yè)科學(xué)，2011，40（2）：9-73.

［13］ 楊美麗. 不同工藝參數(shù)對(duì)煙絲質(zhì)量影響的研究［J］. 科學(xué)之友，2012（4）：144-145.

［14］ 涂春霞，劉小俊. VB與HATLAB混合編程原理概述［J］. 可編程控制器與工廠自動(dòng)化，2008（7）：32-35.

［15］ 李善姬，蘆成剛. 采用VB與MATLAB混合編程的數(shù)字濾波器設(shè)計(jì)［J］. 計(jì)算機(jī)工程與設(shè)計(jì)，2006，27（18）：3487-3490.

［16］ 周澤弘，曹淋海，王昌全，等. 基于RBF神經(jīng)網(wǎng)絡(luò)建立庫(kù)存煙葉香型的預(yù)測(cè)模型［J］. 中國(guó)煙草科學(xué)，2016，37（2）：65-70.

［17］ YIN Yan， BAO Jiusheng， YANG Lei. Tribological properties prediction of brake lining for automobiles based on BP neural network［C］//Proceeding of the 22nd Chinese Control and Decision Conference （2010 CCDC）， Xuzhou，China∶ IEEE， 2010∶ 2678-2682.

［18］ 肖協(xié)忠，王放，賀英，等. 烤煙致香成分與香氣質(zhì)量的相關(guān)性分析［J］. 中國(guó)煙草科學(xué)，2008，29（6）：1-6.

Study on the Forecasting Model of Cut Tobacco Filling Value Based on the Neural Network

LU Yuhao1， WANG Binbin1， WAN Yunfei1， WANG Guangchao， NIU Ruping1，ZHANG Juan1， YANG Ying1， JI Haibo2
（1. Tengzhou Cigarette Factories of Shandong Tobacco Industrial Co.， Ltd.， Tengzhou， Shandong 277500， China； 2. Technology Center of Shandong Tobacoo Industrial Co.， Ltd.， Jinan 250013， China）

The filling property is a vitally important physical index of cut tobacco. Due to the similar cigarette blending formulation and fixed technological process in cigarette production， relevant technological parameters have direct and significant influence on the filling value of cut tobacco. However， the relationship between the parameters and filling value is nonlinear， which makes it difficult to calculate filling values of cut tobacco directly based on the parameters. Therefore， seven most important technological parameters were selected， and the quantitative relation model between various parameters and the filling value was established with the BP neural network. Further， the model was designed with the BP neural network and trained through a large amount of data， so it could forecast the filling value according to the seven technological parameters and the relative error of forecasting results was about 4%. The establishment of the forecasting model provides a theoretical basis and simulation method for the mutual adjustment between the technological parameters and the filling value of cut tobacco.

BP neural network； technological parameter； filling value

TS41+1

1007-5119（2016）05-0082-05

10.13496/j.issn.1007-5119.2016.05.015

陸玉浩（1989-），男，碩士，主要從事煙草工藝研究。E-mail：luyuhao19890629@163.com

2016-03-10

2016-07-04