基于人工神經(jīng)網(wǎng)絡(luò)的燃油烘絲機(jī)出口水分預(yù)測(cè)

劉 博，尹 航，孫 嘉

(1.張家口卷煙廠有限責(zé)任公司，河北 張家口 075000；2.張家口經(jīng)開(kāi)區(qū)食品和市場(chǎng)監(jiān)督管理局，河北 張家口 075000）

燃油烘絲機(jī)是煙草行業(yè)使用的一種煙絲烘干設(shè)備，其具有加工能力強(qiáng)、煙絲膨脹率高等特點(diǎn)[1]，但是該設(shè)備也存在控制參數(shù)多、調(diào)控難度大的不足，反映到煙絲制品上為出口水分波動(dòng)大。為穩(wěn)定燃油烘絲機(jī)出口煙絲水分，滿(mǎn)足設(shè)備加工均質(zhì)化要求，提升產(chǎn)品工藝質(zhì)量，將采用BP 神經(jīng)網(wǎng)絡(luò)針對(duì)燃油烘絲機(jī)構(gòu)建控制模型。

BP 神經(jīng)網(wǎng)絡(luò)[2-4]是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。BP 網(wǎng)絡(luò)能學(xué)習(xí)和存貯大量的輸入-輸出模式映射關(guān)系，而無(wú)需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程，現(xiàn)廣泛應(yīng)用于生物領(lǐng)域、智能制造和醫(yī)學(xué)領(lǐng)域等，是一種被廣泛應(yīng)用的先進(jìn)建模方法。

1 方法及數(shù)據(jù)收集

1.1 建模方法

BP 神經(jīng)網(wǎng)絡(luò)：隱藏層1 層；激活函數(shù)：雙曲正切。

1.2 試驗(yàn)方法

1.2.1 因子篩選

試驗(yàn)將燃油烘絲機(jī)變量分為工藝變量以及設(shè)備變量，因設(shè)備變量為操作不可調(diào)變量，故不作為建模因子，針對(duì)工藝變量又進(jìn)一步細(xì)分，可分為工藝固定參數(shù)以及工藝可調(diào)參數(shù)。試驗(yàn)針對(duì)工藝可調(diào)參數(shù)進(jìn)行建模，本次試驗(yàn)共篩選出工藝可調(diào)參數(shù)8 個(gè)，分別是RCC 出口水分、燃燒爐實(shí)際溫度、主工藝氣體溫度、HXD 進(jìn)料口負(fù)壓、HXD 注入蒸汽流量、主工藝氣體流量、HXD 控制水流量和HXD 出口水分。

1.2.2 異常數(shù)據(jù)剔除

本試驗(yàn)數(shù)據(jù)篩分原則為：批次生產(chǎn)過(guò)程無(wú)超出生產(chǎn)工藝范圍情況，生產(chǎn)無(wú)異常批次，非試驗(yàn)批次，工藝判定合格批次。

1.2.3 數(shù)據(jù)歸一化

為歸納統(tǒng)一樣本的統(tǒng)計(jì)分布性，提高模型精度，對(duì)樣本數(shù)據(jù)進(jìn)行歸一化。常用歸一化方法有兩種，分別為min-max 標(biāo)準(zhǔn)化以及Z-score 標(biāo)準(zhǔn)化，因本試驗(yàn)參數(shù)有工藝規(guī)定的上限，所以選用較為簡(jiǎn)單的minmax 標(biāo)準(zhǔn)化方法，該方法以參數(shù)標(biāo)準(zhǔn)上限為系數(shù)，用采集的各參數(shù)數(shù)據(jù)除以標(biāo)準(zhǔn)上限，實(shí)現(xiàn)數(shù)據(jù)的歸一化。

2 BP 人工神經(jīng)網(wǎng)絡(luò)模型

2.1 工作原理

BP 網(wǎng)絡(luò)具有三層感知器，由輸入層、隱含層和輸出層組成。同層神經(jīng)元之間不進(jìn)行連接，每一個(gè)神經(jīng)元與非同層神經(jīng)元一一連接，構(gòu)成前饋式神經(jīng)網(wǎng)絡(luò)系統(tǒng)。系統(tǒng)通過(guò)非線(xiàn)性計(jì)算，生成輸出信號(hào)，使輸入的信號(hào)數(shù)據(jù)作用于輸出層面節(jié)點(diǎn)，通過(guò)調(diào)整輸入層面與隱含層面聯(lián)接強(qiáng)度及闕值，降低誤差[5]。BP 神經(jīng)網(wǎng)絡(luò)經(jīng)過(guò)信號(hào)前傳和誤差反傳的反復(fù)學(xué)習(xí)訓(xùn)練，確定與最小誤差相對(duì)應(yīng)的連接權(quán)值和闕值，同時(shí)儲(chǔ)存輸入和輸出間的映射規(guī)律，從而達(dá)到對(duì)實(shí)際問(wèn)題進(jìn)行模擬的目的[6]。

2.2 模型結(jié)構(gòu)

本試驗(yàn)采用三層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，即輸入層、隱含層以及輸出層，且每層層數(shù)都為1，因三層BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)具有強(qiáng)非線(xiàn)性映射能力，滿(mǎn)足實(shí)驗(yàn)的需要。輸入層面設(shè)置7 個(gè)神經(jīng)元，輸出層面設(shè)置1 個(gè)神經(jīng)元，隱含層神經(jīng)元個(gè)數(shù)由式（1）計(jì)算得出，并對(duì)比不同隱含層神經(jīng)元個(gè)數(shù)預(yù)測(cè)結(jié)果偏差值，擇優(yōu)選擇隱含層神經(jīng)元個(gè)數(shù)。

式中：y 為隱含層神經(jīng)元個(gè)數(shù)，a、b 分別為輸入層、輸出層神經(jīng)元個(gè)數(shù)，c 為常數(shù)。

3 結(jié)果與分析

3.1 不同隱含層神經(jīng)元數(shù)量對(duì)預(yù)測(cè)精度的影響

本試驗(yàn)對(duì)隱含層神經(jīng)元數(shù)量為3～6 個(gè)的燃油烘絲機(jī)出口水分模型的預(yù)測(cè)精度進(jìn)行對(duì)比，擇優(yōu)選擇精度最高的神經(jīng)元數(shù)量的模型，預(yù)測(cè)精度如表1 所示。

表1 不同隱含層神經(jīng)元數(shù)量構(gòu)建的模型預(yù)測(cè)精度

經(jīng)試驗(yàn)證明，其隱含層神經(jīng)元6 個(gè)時(shí)，模型的預(yù)測(cè)精度較高且預(yù)測(cè)偏差極差值較小，預(yù)測(cè)偏差收斂性較好，所以使用隱含層神經(jīng)元6 個(gè)作為預(yù)測(cè)模型結(jié)構(gòu)設(shè)定。神經(jīng)元數(shù)與模型預(yù)測(cè)偏差分析圖如圖1。

圖1 神經(jīng)元數(shù)與模型預(yù)測(cè)偏差分析圖

a 為隱含層3 個(gè)神經(jīng)元預(yù)測(cè)偏差，b 為隱含層4 個(gè)神經(jīng)元預(yù)測(cè)偏差，c 為隱含層5 個(gè)神經(jīng)元預(yù)測(cè)偏差，d為隱含層6 個(gè)神經(jīng)元預(yù)測(cè)偏差。

3.2 關(guān)鍵參數(shù)反推預(yù)測(cè)

為了提高燃油烘絲機(jī)出口水分控制精度，控制方法由經(jīng)驗(yàn)控制變?yōu)榫珳?zhǔn)控制，將模型應(yīng)用于燃油烘絲機(jī)關(guān)鍵控制指標(biāo)——控制水流量，即模型參數(shù)的反推，模型反推可應(yīng)用于燃油烘絲機(jī)預(yù)判加水量，能夠穩(wěn)定出口水分，減少出口水分波動(dòng)，預(yù)測(cè)偏差如表2 所示。

表2 控制水流量預(yù)測(cè)偏差

經(jīng)試驗(yàn)可知，模型對(duì)三個(gè)牌號(hào)控制水流量進(jìn)行預(yù)測(cè)，預(yù)測(cè)偏差在3.8%～5.6%之間，預(yù)測(cè)精度滿(mǎn)足生產(chǎn)實(shí)際需要。

4 結(jié)語(yǔ)

本試驗(yàn)提出了一種采用BP 人工神經(jīng)網(wǎng)絡(luò)技術(shù)方法，對(duì)煙草行業(yè)常用的燃油烘絲機(jī)出口水分預(yù)測(cè)以及對(duì)控制水流量預(yù)測(cè)的建模，本方法采用三層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，其隱含層神經(jīng)元數(shù)量為6 個(gè)，激發(fā)函數(shù)為雙曲正切，模型預(yù)測(cè)能力良好，出口水分預(yù)測(cè)偏差為0.0074，控制水流量預(yù)測(cè)偏差在3.8%～5.6%之間。本方法符合精益生產(chǎn)要求，轉(zhuǎn)變了控制方法，提高了控制精度，減少了批次間差異，提升了批次間均質(zhì)化水平。