基于RBF神經(jīng)網(wǎng)絡(luò)的葉絲生絲含水率預(yù)測

王龍柱 馬洪晶 孫欽蘭 段三青 孟科峰

（山東中煙工業(yè)有限責(zé)任公司濟(jì)南卷煙廠）

基于RBF神經(jīng)網(wǎng)絡(luò)的葉絲生絲含水率預(yù)測

王龍柱 馬洪晶 孫欽蘭 段三青 孟科峰*

（山東中煙工業(yè)有限責(zé)任公司濟(jì)南卷煙廠）

葉絲生絲含水率決定煙絲的感官質(zhì)量及內(nèi)在品質(zhì)，是煙絲加工過程中的一項(xiàng)重要指標(biāo)。介紹RBF神經(jīng)網(wǎng)絡(luò)的基本原理和算法；給出建立RBF神經(jīng)網(wǎng)絡(luò)模型的具體過程；并將模型應(yīng)用于預(yù)測葉絲生絲含水率。預(yù)測結(jié)果與實(shí)際值誤差小于3%，表明了該模型預(yù)測葉絲生絲含水率的可行性和有效性。

煙絲加工；含水率；RBF神經(jīng)網(wǎng)絡(luò)

0 引言

葉絲生絲是切絲后未經(jīng)增溫增濕烘烤的葉

絲。烘絲機(jī)出口葉絲含水率是影響卷煙感官質(zhì)量的重要指標(biāo)[1]。葉絲生絲含水率偏高或偏低會(huì)影響烘絲機(jī)出口葉絲含水率的穩(wěn)定，給煙絲加工帶來困難，影響煙絲產(chǎn)品質(zhì)量。葉絲生絲含水率偏高，即便烘絲機(jī)筒壁溫度調(diào)到最高值，也可能無法使烘絲機(jī)出口含水率達(dá)到工藝指標(biāo)要求。為保證烘絲機(jī)出口葉絲含水率達(dá)到工藝要求，在煙絲加工過程中對葉絲生絲含水率有較嚴(yán)格的要求。目前，葉絲生絲含水率主要通過控制制葉段松散回潮、潤葉加料工序加水量來實(shí)現(xiàn)[2-4]。由于制葉段與制絲段生產(chǎn)時(shí)間間隔數(shù)小時(shí)，生產(chǎn)操作人員在制葉生產(chǎn)過程中無法實(shí)時(shí)獲取制絲段葉絲生絲含水率值，僅憑借個(gè)人經(jīng)驗(yàn)預(yù)測。預(yù)測結(jié)果因人而異，偏差較大，導(dǎo)致葉絲生絲含水率波動(dòng)也較大。因此，為確保葉絲生絲含水率穩(wěn)定，本文利用RBF神經(jīng)網(wǎng)絡(luò)模型以制葉段實(shí)時(shí)數(shù)據(jù)松散回潮出口含水率、潤葉加料出口含水率為輸入，預(yù)測葉絲生絲含水率值。

1 基于RBF神經(jīng)網(wǎng)絡(luò)的葉絲生絲含水率預(yù)測模型

1.1 RBF神經(jīng)網(wǎng)絡(luò)

徑向基函數(shù)（radialbasis function，RBF）神經(jīng)網(wǎng)絡(luò)[5]是三層前向型網(wǎng)絡(luò)：第一層為輸入層，節(jié)點(diǎn)個(gè)數(shù)等于輸入數(shù)據(jù)的維數(shù)；第二層為隱含層，節(jié)點(diǎn)個(gè)數(shù)因問題復(fù)雜度而異；第三層為輸出層，節(jié)點(diǎn)個(gè)數(shù)等于輸出數(shù)據(jù)的維數(shù)。其中，隱含層是非線性的，以徑向基函數(shù)為基礎(chǔ)函數(shù)，將輸入向量空間轉(zhuǎn)換到隱含層空間，使原來線性不可分的問題變?yōu)榫€性可分，輸出層為線性的。RBF神經(jīng)網(wǎng)絡(luò)應(yīng)用時(shí)需要大量的神經(jīng)元，但其訓(xùn)練時(shí)間短，對函數(shù)的逼近是最優(yōu)的，可以以任意精度逼近任意連續(xù)函數(shù)，隱含層中的神經(jīng)元越多，逼近越精確。RBF神經(jīng)網(wǎng)絡(luò)與其他前向型網(wǎng)絡(luò)相比，具有結(jié)構(gòu)簡單、訓(xùn)練簡潔、收斂速度快、局部逼近性能好、設(shè)置參數(shù)少等優(yōu)點(diǎn)，廣泛應(yīng)用于非線性優(yōu)化、時(shí)間序列預(yù)測和模式識別等領(lǐng)域。RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖1所示。

RBF神經(jīng)網(wǎng)絡(luò)隱含層基函數(shù)常用高斯函數(shù)：

1.2 葉絲生絲含水率預(yù)測指標(biāo)的遴選

葉絲加工工藝中（如圖2所示），葉絲生絲含水率主要受制葉段松散回潮和潤葉加料工序加水量的影響。為此，選定松散回潮和潤葉加料2個(gè)工序煙絲出口含水率為預(yù)測指標(biāo)，作為模型的輸入。

圖2 葉絲加工工藝流程

2 葉絲生絲含水率預(yù)測模型的構(gòu)建

2.1 數(shù)據(jù)樣本選擇及處理

從制造執(zhí)行系統(tǒng)（manufacturing execution system，MES）中，選取某品牌2015年3月至2016年3月的原始數(shù)據(jù)390條，經(jīng)篩選，剔除信息不完整等異常樣本數(shù)據(jù)，得到有效樣本360條。

2.2 模型建立步驟

用RBF神經(jīng)網(wǎng)絡(luò)算法按以下步驟對葉絲生絲含水率建模[5]：

1)輸入樣本集；

2)基于K-均值聚類方法求取基函數(shù)的中心；

3)采用非監(jiān)督式的學(xué)習(xí)方式訓(xùn)練RBF層的權(quán)值；

4)采用監(jiān)督式的學(xué)習(xí)方式訓(xùn)練輸出層的權(quán)值；

5)根據(jù)訓(xùn)練的網(wǎng)絡(luò)進(jìn)行模擬預(yù)測。

模型以松散回潮出口含水率、潤葉加料出口含水率為輸入，葉絲生絲含水率為輸出，進(jìn)行RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練，RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型如圖3所示。

圖3 RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型

3 模型應(yīng)用

針對構(gòu)建的模型，隨機(jī)選取樣本中340條數(shù)據(jù)信息，利用Matlab的RBF工具箱對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，以另外20條數(shù)據(jù)信息進(jìn)行神經(jīng)網(wǎng)絡(luò)驗(yàn)證，結(jié)果如圖4所示。其中“*”表示葉絲生絲含水率實(shí)際值，“·”表示葉絲生絲含水率預(yù)測值?？梢钥闯?，該模型能夠根據(jù)松散回潮、潤葉加料出口含水率較好地預(yù)測出葉絲生絲含水率，絕對誤差在0.3%以內(nèi)。生產(chǎn)過程中操作人員可利用葉絲生絲含水率預(yù)測值來調(diào)整松散回潮、潤葉加料控制。

圖4 BRF神經(jīng)網(wǎng)絡(luò)模型預(yù)測效果

4 結(jié)語

通過利用制葉段生產(chǎn)過程中實(shí)時(shí)數(shù)據(jù)，經(jīng)RBF神經(jīng)網(wǎng)絡(luò)預(yù)測出葉絲生絲含水率值。檢驗(yàn)表明模型預(yù)測結(jié)果與實(shí)際值誤差小于0.3%，預(yù)測效果良好。通過本方法，在制葉段生產(chǎn)過程中提前預(yù)測葉絲生絲含水率值，為調(diào)整制葉段松散回潮、潤葉加料生產(chǎn)控制提供了依據(jù)，對實(shí)現(xiàn)產(chǎn)品精益加工、提高產(chǎn)品質(zhì)量有重大意義。

[1]郗繼忠,孟廣宇,郝廷亮,等.HXD制絲過程對在制品感官質(zhì)量的影響[C].北京:中國煙草學(xué)會(huì),2005:237-241.

[2]俞仁皓,宋家海,王建.松散回潮工序回風(fēng)溫度PID控制參數(shù)的優(yōu)化[J].煙草科技,2010(7):8-10,16.

[3]熊安言,于建春,王二彬,等.葉絲加料工藝參數(shù)對加料效果的影響[J].煙草科技,2016,49(1):66-71.

[4]趙國慶,米強(qiáng),鐘青,等.因素篩選試驗(yàn)在松散回潮和篩分加料工序質(zhì)量評價(jià)中的應(yīng)用[J].煙草科技,2007(11):24-27.

[5]陳明.MATLAB神經(jīng)網(wǎng)絡(luò)原理與實(shí)例精解[M].北京:清華大學(xué)出版社,2013:196-237.

M oisture Contentof Raw Cut Tobacco Forecasting Based on RBFNeuralNetwork

Wang Longzhu Ma Hongjing Sun Qinlan Duan Sanqing Meng Kefeng
(Ji’nan Cigarette Factory of China Tobacco Shandong IndustrialCo.,Ltd.)

Moisture content isan important index in tobacco processing,which determines the sensory and internalquality of cut tobacco.This paper introduces the basic principle and algorithm of RBF neural network,also gives the specific process of establishing RBF neural networkmodel,and applied themethod to forecast themoisture content.The error between the predicted and actualvalues is less than 3%.Itindicates that themodel is feasible and effective formoisture content forecast.

Tobacco Processing;Moisture Content;RBFNeuralNetwork

王龍柱，男，1989年生，工學(xué)學(xué)士，主要研究方向：煙草制絲線設(shè)備維修、加工工藝等。E-mail:longzhuw@163.com

孟科峰（通信作者），1980年生，管理學(xué)碩士，主要研究方向：煙草制絲設(shè)備管理、加工工藝等。E-mail: mengkefeng@sina.com