基于機(jī)器學(xué)習(xí)與含水率影響因子的葉絲烘干參數(shù)自適應(yīng)控制算法

摘"要：為提升煙絲生產(chǎn)質(zhì)量，使不同批次間葉絲含水率均符合標(biāo)準(zhǔn)，研究了基于機(jī)器學(xué)習(xí)與含水率影響因子的葉絲烘干參數(shù)自適應(yīng)控制算法。選取包括加料流量及出口含水率、烘絲機(jī)筒壁溫度等13個(gè)葉絲烘干含水率影響因子，經(jīng)遞歸特征消除法完成影響因子篩選后，構(gòu)建篩選后葉絲烘干含水率影響因子的樣本數(shù)據(jù)集，作為以卷積神經(jīng)網(wǎng)絡(luò)LeNet5構(gòu)建葉絲出口含水率預(yù)測(cè)模型的輸入樣本，預(yù)測(cè)葉絲出口含水率；在PID反饋控制中輸入預(yù)測(cè)含水率與標(biāo)準(zhǔn)含水率之間的差值，輸出最佳葉絲烘干參數(shù)，實(shí)現(xiàn)葉絲出口含水率控制；并利用雙層EWMA控制模型平穩(wěn)控制葉絲批次內(nèi)的出口含水率、協(xié)同控制批次間的出口含水率。實(shí)驗(yàn)表明：該算法可準(zhǔn)確預(yù)測(cè)葉絲烘干含水率，增加葉絲烘干含水率控制穩(wěn)定性，提高卷煙制絲生產(chǎn)過程中葉絲烘干含水率的均質(zhì)化水平。

關(guān)鍵詞：機(jī)器學(xué)習(xí)；含水率；影響因子；葉絲烘干參數(shù)；自適應(yīng)控制；卷積神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)：TS432"""""""文獻(xiàn)標(biāo)識(shí)碼：A

Adaptive"Control"Algorithm"of"Leaf"Drying"Parameters"Based"

on"Machine"Learning"and"Water"Content"Influencing"Factor

FAN"Shengjiong，"QIU"Xiaofeng

（Shanghai"Tobacco"Factory"of"Shanghai"Tobacco"Group"Co.，Ltd.，Shanghai"200082，China）

Abstract：In"order"to"improve"the"quality"of"tobacco"production"and"make"the"water"content"of"leaf"silk"in"different"batches"meet"the"standard，"an"adaptive"control"algorithm"of"leaf"silk"drying"parameters"based"on"machine"learning"and"water"content"influencing"factor"was"studied."Thirteen"influencing"factors"of"leaf"drying"moisture"content，"including"feed"flow"and"outlet"moisture"content"of"moistening"leaves，"temperature"in"cuttobacco"drier""moisture"reclaimed"area，"were"selected."After"the"selection"of"influencing"factors"by"recursive"feature"elimination"method，"sample"data"sets"of"influencing"factors"of"leaf"drying"moisture"content"after"screening"were"constructed，"which"were"used"as"input"samples"for"the"prediction"model"of"leaf"drying"moisture"content"of"leaf"filaments"constructed"by"convolutional"neural"network"LeNet5，"to"predict"leaf"wire"outlet"water"content."The"difference"between"the"predicted"moisture"content"and"the"standard"moisture"content"is"input"in"PID"feedback"control，"and"the"optimal"drying"parameters"are"output"to"realize"the"moisture"content"control"at"the"outlet"of"the"filament."The"doublelayer"EWMA"control"model"is"used"to"control"the"export"water"content"of"the"fillet"batch"smoothly"and"coordinate"the"export"water"content"of"the"batch."Experiments"show"that"the"algorithm"can"accurately"predict"the"drying"moisture"content"of"leaf"silk，"increase"the"control"stability"of"drying"moisture"content"of"leaf"silk，"and"improve"the"homogenization"level"of"drying"moisture"content"in"the"process"of"cigarette"silk"production.

Key"words：machine"learning;"moisture"content;"impact"factors;"drying"parameters"of"leaf"silk;"adaptive"control;"convolutional"neural"network

卷煙制絲過程中的重要工序是葉絲烘干，其可對(duì)葉絲內(nèi)的多余水分進(jìn)行過濾，確保煙絲具有較高的感官質(zhì)量，增強(qiáng)煙絲填充性能。烘干含水率的影響因子則是葉絲烘干過程的重要參數(shù)，其決定了卷煙制絲的質(zhì)量指標(biāo)。我國對(duì)于控制葉絲烘干含水率仍采用人工估算法[1]，估算葉絲烘干含水率，但因葉絲存儲(chǔ)環(huán)境溫濕度和時(shí)間、筒壁溫度、蒸汽閥門控制器參數(shù)、料頭料尾相關(guān)參數(shù)、工人操作習(xí)慣等影響因素，人工估算法無法滿足卷煙制絲各工序前后的一致性，更無法精準(zhǔn)控制其烘干含水率，遂提出自適應(yīng)控制算法以穩(wěn)定卷煙制絲烘干過程的工藝參數(shù)[2，3]，調(diào)整葉絲烘干工序前后的葉絲含水率，保持葉絲烘干含水率的一致性。

劉雅君等通過拋擲指數(shù)理論優(yōu)化高頻振槽參數(shù)，降低葉絲出口含水率標(biāo)準(zhǔn)偏差[4]，但此方法沒有在葉絲進(jìn)料階段進(jìn)行含水率預(yù)測(cè)，無法保證葉絲烘干后續(xù)生產(chǎn)工序的穩(wěn)定性。卓鳴等篩選葉絲烘干過程中的工藝參數(shù)，采用平均影響值法建立葉絲烘干質(zhì)量預(yù)測(cè)模型[5]，但此方法沒有控制含水率，導(dǎo)致葉絲批次間烘干含水率無法協(xié)同，從而影響葉絲烘干含水率的質(zhì)量一致性和穩(wěn)定性。劉穗君等針對(duì)當(dāng)前葉絲烘干含水率控制不穩(wěn)定的問題，利用滑窗法預(yù)測(cè)葉絲烘干過程中的整體含水率波動(dòng)情況，利用指數(shù)加權(quán)平均法對(duì)含水率進(jìn)行優(yōu)化控制，生成葉絲烘干控制模型，強(qiáng)化葉絲烘干機(jī)出口含水率控制[6]。但在葉絲烘干過程中，預(yù)測(cè)含水率與實(shí)際含水率之間的差值較大，含水率預(yù)測(cè)精度不高。陳然等通過分析葉絲載水量與填充值，在預(yù)測(cè)葉絲出口含水率的基礎(chǔ)上，設(shè)計(jì)葉絲含水率自動(dòng)控制系統(tǒng)，控制葉絲出口含水率，提高葉絲干燥質(zhì)量。但該方法無法有效兼顧含水率預(yù)測(cè)精度與效率，含水率預(yù)測(cè)效果較差[7]。

近年來，機(jī)器學(xué)習(xí)已成為人工智能的核心，其包含統(tǒng)計(jì)學(xué)、概率學(xué)等眾多領(lǐng)域，通過計(jì)算機(jī)模擬、人類學(xué)習(xí)行為能力獲取新的知識(shí)與技能，并加以改善。為此可利用機(jī)器學(xué)習(xí)依據(jù)含水率影響因子預(yù)測(cè)葉絲出口含水率。因此，針對(duì)上述葉絲出口含水率準(zhǔn)確性不高、預(yù)測(cè)含水率與實(shí)際含水率之間的差值較大、葉絲干燥含水率控制穩(wěn)定性較差等問題，本文提出基于機(jī)器學(xué)習(xí)與含水率影響因子的葉絲烘干參數(shù)自適應(yīng)控制算法，選取卷積神經(jīng)網(wǎng)絡(luò)LeNet5構(gòu)建葉絲出口含水率預(yù)測(cè)模型，解決了葉絲烘干批次間控制含水率的問題，提升葉絲出口含水率準(zhǔn)確性。通過雙層指數(shù)加權(quán)移動(dòng)平均方法，構(gòu)建葉絲出口含水率控制模型，控制葉絲含水率達(dá)到設(shè)置葉絲含水率并保證批次的一致性，提升卷煙制絲的生產(chǎn)質(zhì)量。

1"葉絲烘干參數(shù)自適應(yīng)控制

葉絲烘干含水率自適應(yīng)控制需建立數(shù)學(xué)模型，分段建模包括：（1）投料段模型，建立卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行葉絲出口含水率預(yù)測(cè)；（2）烘干段模型，建立雙層EWMA控制器模型，進(jìn)行葉絲烘干參數(shù)自適應(yīng)控制。只有葉絲烘干后的含水率具有穩(wěn)定性，才能保證葉絲生產(chǎn)的后續(xù)工序平穩(wěn)進(jìn)行。

1.1"選取葉絲烘干含水率影響因子樣本數(shù)據(jù)

葉絲烘干參數(shù)為調(diào)節(jié)烘絲工藝參數(shù)提供參考，并為實(shí)現(xiàn)烘絲起始階段的自動(dòng)控制打下基礎(chǔ)[8]，但葉絲烘干參數(shù)受葉絲烘干含水率影響因子影響。

葉絲烘干含水率影響因子包含潤(rùn)葉加料流量及出口含水率、潤(rùn)葉加料片區(qū)溫濕度等（詳見表1），其數(shù)據(jù)可從生產(chǎn)制造系統(tǒng)中采集。為避免葉絲烘干含水率影響因子樣本數(shù)據(jù)過多，影響機(jī)器學(xué)習(xí)效率，采用遞歸特征消除法刪減煩冗的影響因子。其中，葉絲烘干影響因子系數(shù)A的計(jì)算過程用式（1）描述：

A=ι1ξ1+ι2ξ2+…+ιΦξΦ（1）

式中，ι1，ι2，…，ιΦ代表樣本數(shù)據(jù)特征的權(quán)重系數(shù)，ξ1，ξ2，…，ξΦ代表樣本數(shù)據(jù)特征值，Φ表示樣本特征總量。

各葉絲烘干含水率影響因子的影響系數(shù)如表1所示。

對(duì)表1內(nèi)容進(jìn)行統(tǒng)計(jì)分析，通過顯著性檢驗(yàn)葉絲烘干影響因子系數(shù)，明確不同影響因子系數(shù)對(duì)機(jī)器學(xué)習(xí)效率的影響。由于影響系數(shù)過小會(huì)影響機(jī)器學(xué)習(xí)效率，因此結(jié)合表1統(tǒng)計(jì)分析結(jié)果，將0.36設(shè)置為影響系數(shù)閾值。保留表1中所示影響系數(shù)≥0.36的葉絲烘干含水率影響因子，分別是編號(hào)A1、A4、A5、A8、A9、A11、A12、A13共8個(gè)影響系數(shù)較大的含水率影響因子，利用篩選后的葉絲烘干含水率影響因子相關(guān)樣本數(shù)據(jù)構(gòu)建樣本數(shù)據(jù)集，進(jìn)行葉絲出口含水率預(yù)測(cè)，增加預(yù)測(cè)模型的精度，提高效率。

1.2"基于卷積神經(jīng)網(wǎng)絡(luò)LeNet5的葉絲出口含水

率預(yù)測(cè)

選取卷積神經(jīng)網(wǎng)絡(luò)LeNet5構(gòu)建葉絲出口含水率預(yù)測(cè)模型，以上述獲取的8個(gè)葉絲出口含水率影響因子相關(guān)樣本數(shù)據(jù)為輸入進(jìn)行葉絲出口含水率預(yù)測(cè)，較好地解決了葉絲烘干批次間控制含水率的難題。LeNet5的結(jié)構(gòu)如圖1所示。

圖1"卷積神經(jīng)網(wǎng)絡(luò)LeNet5結(jié)構(gòu)圖

大小歸一化處理輸入的由8個(gè)葉絲烘干含水率影響因子相關(guān)樣本數(shù)據(jù)構(gòu)建的輸入樣本數(shù)據(jù)集，神經(jīng)元的錄入是由上一層的局部鄰域和附加的權(quán)值共同選擇。神經(jīng)元將上層獲取的特征在下層進(jìn)行深度融合。次抽樣層均分上一層的特征。

用于葉絲出口含水率預(yù)測(cè)的卷積神經(jīng)網(wǎng)絡(luò)LeNet5共有七層（不包括輸入），七層中都包含權(quán)值。C、S層的網(wǎng)絡(luò)層分別由卷積層、抽樣層的神經(jīng)元構(gòu)建[9]。其中C1、S2、C3、S4、C5、F6網(wǎng)絡(luò)層的神經(jīng)元個(gè)數(shù)分別為6、6、16、16、120、84。

輸出層含有1個(gè)與葉絲出口含水率預(yù)測(cè)結(jié)果相應(yīng)的神經(jīng)元[10，11]，即徑向基函數(shù)單元（RBF），式（2）用來描述RBF單元輸出的葉絲出口含水率預(yù)測(cè)結(jié)果：

yi=∑j（xj－wij）2"（2）

式中，yi為葉絲出口含水率預(yù)測(cè)結(jié)果；xj為輸入的包含8個(gè)葉絲出口含水率影響因子相關(guān)樣本數(shù)據(jù)；wij為權(quán)值。

1.2.1"卷積層

卷積前一層的特征與用于學(xué)習(xí)的卷積核是卷積層的主要作用。輸出的特征與前一層的某些特征的卷積關(guān)系可用式（3）描述。

xlj=f（∑i∈Mjxl-1i·klij+clj）（3）

式中，l、k、Mj、c分別代表層數(shù)、卷積核、輸入特征的選擇結(jié)果和偏置。

1.2.2"次抽樣層

通過次抽樣層對(duì)輸入的包含8個(gè)葉絲烘干影響因子相關(guān)樣本數(shù)據(jù)進(jìn)行抽樣，如需錄入數(shù)據(jù)有n個(gè)特征，輸出后的特征數(shù)量不變，但是維度會(huì)變小。用式（4）描述次抽樣層：

xlj=f（δljdown（xl－1j）+clj）"（4）

式中，次抽樣函數(shù)用down（·）描述，通常是對(duì)本層錄入特征進(jìn)行求和[12]，所以，輸出特征=輸入特征×1n。δ和c專屬于每一個(gè)輸出特征。

1.3"基于雙層EWMA控制器的烘干參數(shù)自適應(yīng)

控制

1.3.1"雙層EWMA控制器原理

雙層指數(shù)加權(quán)移動(dòng)平均方法（EWMA）是一種普遍的反饋控制方法[13]。通過EWMA控制方法構(gòu)建葉絲出口含水率控制模型，實(shí)現(xiàn)卷煙制絲的控制能力提升，即提高葉絲質(zhì)量，控制葉絲含水率達(dá)到設(shè)置葉絲含水率并保證批次的一致性。

下述模型表示EWMA控制過程：

yt=αt+fβ（ut－1）+εt（5）

式中，ut－1、yt分別用于描述控制模型在t－1時(shí)刻輸入的控制參數(shù)（如筒體溫度、熱風(fēng)風(fēng)量、排潮風(fēng)量等）、t時(shí)刻輸出的出口含水率；αt、fβ（·）、εt分別用于描述截距項(xiàng)、系數(shù)β的增益函數(shù)、過程擾動(dòng)。EWMA控制器通過的EWMA濾波對(duì)截距項(xiàng)進(jìn)行更替操作：

αt=λ（yt－fb（ut－1））+（1－λ）αt－1（6）

式中，λ∈0，1是EWMA預(yù)測(cè)權(quán)重；fβ（·）是系數(shù)β的函數(shù)，b則是其函數(shù)的估算值，通過回歸分析過程控制模型后得到的fb（·）。

根據(jù)式（5）的反向計(jì)算，可得到時(shí)刻t的控制輸入，即得到時(shí)刻t+1近似出口含水率目標(biāo)值的控制輸出，用式（7）表示：

ut=f－1b（yT－αt）（7）

式中，f－1b（·）是fb（·）的反函數(shù)；yT是控制輸出的目標(biāo)值，即設(shè)定的葉絲出口含水率。

盡管采用EWMA控制方法可補(bǔ)償葉絲烘干過程中的出口含水率偏差，但是葉絲烘干過程中可能出現(xiàn)設(shè)備的偏移，如機(jī)器設(shè)備老化等問題，受到時(shí)間的影響而出現(xiàn)不同批次間的葉絲出口含水率持續(xù)性偏移控制目標(biāo)值的狀況，其控制效果差強(qiáng)人意。為防止上述狀況，遂在生產(chǎn)過程的模型中添加趨勢(shì)項(xiàng)dt進(jìn)行自適應(yīng)控制，改寫式（5）可得式（8）：

yt=αt－1+fβ（ut－1）+dt+εt"（8）

運(yùn)用式（6）估算截距項(xiàng)αt后，再利用EWMA方法估算趨勢(shì)項(xiàng)dt，可得式（9）：

αt=λ1（yt－fb（ut－1））+（1－λ1）αt－1dt=λ2（yt－fb（ut－1）－αt－1）+（1－λ2）dt－1（9）

式中，λ1代表截距項(xiàng)的EWMA預(yù)測(cè)權(quán)重，λ2代表趨勢(shì)項(xiàng)的EWMA預(yù)測(cè)權(quán)重，0≤λ1，λ2≤1。為了使該情況能代表普遍情況，而非特例，可設(shè)λ1=λ2=λ。由式（9）構(gòu)建的雙層EWMA自適應(yīng)控制器，用式（10）描述在時(shí)刻t的控制輸入：

ut=f-1b（yT-αt-dt）（10）

1.3.2"建立葉絲烘干參數(shù)自適應(yīng)控制模型

葉絲烘干時(shí)通常有兩種控制方式，一種恒定風(fēng)溫、風(fēng)量和排潮，利用控制筒體溫度控制含水率；另一種恒定筒溫和風(fēng)溫，用熱風(fēng)風(fēng)量和排潮風(fēng)量聯(lián)動(dòng)的模式調(diào)節(jié)含水率[14，15]。為降低多影響因子協(xié)同產(chǎn)生的不穩(wěn)現(xiàn)象，應(yīng)只需改變一個(gè)量值即可調(diào)控含水率。

以卷積神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)模型獲取的葉絲烘干含水率預(yù)測(cè)值與葉絲烘干含水率標(biāo)準(zhǔn)值之間的誤差為輸入，利用PID反饋控制輸出最佳葉絲烘干參數(shù)。PID控制器將輸入預(yù)測(cè)含水率與標(biāo)準(zhǔn)含水率之間的差值作為其輸入，然后根據(jù)比例、積分和微分三個(gè)部分的權(quán)重進(jìn)行計(jì)算，輸出最佳的葉絲烘干參數(shù)，以使葉絲出口含水率達(dá)到期望值。在雙層EWMA控制器中，啟用兩層EWMA控制，第一層用于控制葉絲批次內(nèi)的出口含水率，第二層則用于協(xié)同控制批次間的出口含水率。由此可知，PID控制器負(fù)責(zé)根據(jù)實(shí)際與期望含水率的差異來調(diào)整葉絲烘干參數(shù)，而雙層EWMA控制器負(fù)責(zé)實(shí)現(xiàn)平穩(wěn)控制以及批次間的協(xié)同控制，因此，將PID控制器輸出的最佳葉絲烘干參數(shù)作為雙層EWMA控制器的輸入之一，即在滿足PID控制的條件下引入雙層EWMA控制器，實(shí)現(xiàn)葉絲含水率控制。這樣可以使同一葉絲批次的葉絲含水率維持在一定波動(dòng)范圍，并保障不同葉絲生產(chǎn)批次間的葉絲含水率保持一致[15]?？刂颇Ｐ腿鐖D2所示。

圖2"PID控制模型圖

2"實(shí)驗(yàn)分析

本文實(shí)驗(yàn)選取某卷煙廠提供的煙草，采用PSC公司提供的MCT30在線水分儀（平均測(cè)試精度可達(dá)0.1%-0.5%）。測(cè)試精度標(biāo)準(zhǔn)要求干燥含水率為（13.2±0.5）%。物料流量（5500"kg/h）、熱風(fēng)溫度（110"℃）、蒸汽流量（680"kg/h）等運(yùn)行參數(shù)可按照雙層EWMA控制模型的要求保留原有數(shù)據(jù)。采集某卷煙廠薄板式烘絲機(jī)數(shù)據(jù)，設(shè)定采集間隔時(shí)間為8"min。

為了對(duì)比本文算法應(yīng)用前后對(duì)葉絲含水率的控制效果，隨機(jī)選取本文算法應(yīng)用前后的3批葉絲在不同含水率控制時(shí)間的情況下，進(jìn)行含水率數(shù)據(jù)分析，對(duì)比分析結(jié)果如圖3所示。

根據(jù)圖3可知，本文算法應(yīng)用前3個(gè)批次間的葉絲含水率差異較大；本文算法應(yīng)用后3個(gè)批次間葉絲含水率差異明顯減少，葉絲含水率波動(dòng)范圍較小。在相同控制時(shí)間內(nèi)，本文算法應(yīng)用后的含水率控制效果明顯優(yōu)于本文算法應(yīng)用前。當(dāng)控制時(shí)間為0-6分鐘，本文控制算法應(yīng)用后可將第一批次葉絲含水率控制在12.89%-13.06%。而在同一控制時(shí)間內(nèi)，本文控制算法應(yīng)用前僅能將第一批次葉絲含水率控制在12.97%-13.15%。當(dāng)控制時(shí)間為6-14"min，本文算法應(yīng)用前，第二批葉絲含水率僅能被控制在12.94%-13.08%間。本文方法應(yīng)用后可將第二批葉絲含水率控制在12.91%-13.02%間。當(dāng)控制時(shí)間為14-20"min，本文方法應(yīng)用前，第三批葉絲含水率為12.94%-13.13%。本文方法應(yīng)用后，第三批葉絲含水率為12.89%-12.98%，說明使用本文算法可以在相同控制時(shí)間內(nèi)，有效降低不同批次葉絲含水率以及批次間含水率的差異，提升葉絲含水率控制穩(wěn)定性。

圖3"葉絲含水率預(yù)測(cè)值與真實(shí)值差值圖

為了驗(yàn)證本文算法預(yù)測(cè)葉絲含水率準(zhǔn)確性，統(tǒng)計(jì)本文算法利用卷積神經(jīng)網(wǎng)絡(luò)LeNet5進(jìn)行葉絲含水率預(yù)測(cè)的結(jié)果與真實(shí)值之間的差值，結(jié)果如圖4所示。

圖4"干燥含水率對(duì)比分析圖

卷積神經(jīng)網(wǎng)絡(luò)LeNet5預(yù)測(cè)結(jié)果準(zhǔn)確的標(biāo)準(zhǔn)是烘干葉絲含水率與預(yù)測(cè)值的誤差在－0.15%，0.15%范圍內(nèi)，由圖4可知，本文算法應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)LeNet5預(yù)測(cè)含水率與實(shí)際含水率之間的差值均在標(biāo)準(zhǔn)范圍內(nèi)，實(shí)驗(yàn)結(jié)果表明：本文算法使用卷積神經(jīng)網(wǎng)絡(luò)LeNet5進(jìn)行含水率預(yù)測(cè)的偏差較小，可準(zhǔn)確預(yù)測(cè)葉絲烘干含水率，為含水率精準(zhǔn)控制提供數(shù)據(jù)基礎(chǔ)。

為了進(jìn)一步驗(yàn)證本文算法的葉絲含水率預(yù)測(cè)誤差，分別采集200批葉絲，對(duì)比分析葉絲烘干含水率影響因子降維前后的含水率預(yù)測(cè)誤差分布，結(jié)果如表2所示。

根據(jù)表2可得出，利用降維后的含水率影響因子預(yù)測(cè)葉絲烘干含水率的誤差范圍在－0.15%，0.15%之內(nèi)的占比85%，而利用降維前含水率影響因子進(jìn)行含水率預(yù)測(cè)的誤差占比則為58%，降維后相比降維前上升27%。由此可見本文算法結(jié)合影響系數(shù)進(jìn)行葉絲烘干含水率影響因子降維可以顯著提升葉絲烘干含水率預(yù)測(cè)精度，為葉絲后續(xù)烘干提供保障。

為了驗(yàn)證本文算法應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)LeNet5進(jìn)行含水率預(yù)測(cè)時(shí)，LeNet5中C5層特征圖個(gè)數(shù)對(duì)含水率預(yù)測(cè)準(zhǔn)確率及預(yù)測(cè)時(shí)間的影響，采集大量制造執(zhí)行系統(tǒng)（MES）中葉絲烘干含水率影響因子相關(guān)樣本數(shù)據(jù)，并建立可測(cè)試數(shù)據(jù)庫，作為不同C5層特征個(gè)數(shù)的LeNet5的輸入進(jìn)行葉絲含水率預(yù)測(cè)。預(yù)測(cè)結(jié)果見表3。

從表3中可看出，C5層特征數(shù)量與出口含水率預(yù)測(cè)精度呈正比例關(guān)系，當(dāng)特征數(shù)量遞增，出口含水率預(yù)測(cè)準(zhǔn)確率隨之提高。表明增加C5層特征數(shù)量，可提高卷積神經(jīng)網(wǎng)絡(luò)LeNet5預(yù)測(cè)準(zhǔn)確率，但是在提高到一定數(shù)值后，即使增加C5層特征數(shù)量，準(zhǔn)確率也保持不變。C5層特征數(shù)量的增加會(huì)加大卷積神經(jīng)網(wǎng)絡(luò)LeNet5預(yù)測(cè)難度，C5層特征圖個(gè)數(shù)與卷積神經(jīng)網(wǎng)絡(luò)LeNet5預(yù)測(cè)速度呈反比例關(guān)系。說明本文算法可采用減少C5層特征數(shù)量，提高葉絲出口含水率預(yù)測(cè)速度。為兼顧含水率預(yù)測(cè)精度與效率，本文將120作為卷積神經(jīng)網(wǎng)絡(luò)LeNet5中C5層特征圖個(gè)數(shù)，以便獲取良好的葉絲含水率預(yù)測(cè)效果。

為了驗(yàn)證本文算法對(duì)批次不相同的葉絲干燥含水率控制具有一致性，選取其中8批干燥葉絲，對(duì)比分析雙層EWMA控制模型應(yīng)用前后數(shù)據(jù)，包括干燥含水率均值、方差、極差、均方誤差等質(zhì)量指標(biāo)，再求取平均值。表4中雙層EWMA控制模型應(yīng)用前數(shù)據(jù)采集于2022年2月，雙層EWMA控制模型應(yīng)用后數(shù)據(jù)采集于2022年4月。

由表4可得，本文算法應(yīng)用后葉絲干燥含水率均值12.958%、方差0.006%、極差0.472%、均方誤差0.025均低于本文算法應(yīng)用前。對(duì)比分析數(shù)據(jù)可知，本文算法采用雙層EWMA控制模型可以增加葉絲干燥含水率控制穩(wěn)定性，保證不同批次葉絲之間的干燥含水率的一致性。

3"結(jié)"論

研究了基于機(jī)器學(xué)習(xí)與含水率影響因子的葉絲烘干參數(shù)自適應(yīng)控制算法，在投料階段利用卷積神經(jīng)網(wǎng)絡(luò)LeNet5預(yù)測(cè)葉絲含水率，基于葉絲投料階段含水率自動(dòng)反饋的控制，在烘干階段結(jié)合PID和雙層EWMA控制器建立葉絲烘干參數(shù)自適應(yīng)控制模型，精準(zhǔn)控制葉絲含水率并保證不同批次葉絲含水率的一致性，從而提升葉絲烘干含水率的質(zhì)量控制能力。

參考文獻(xiàn)

［１］"李金蘭，王道銓，羅登炎，等.不同部位煙葉的葉絲烘焙特性[J].食品與機(jī)械，2021，37（4）：195-199+211.

[2]"程思凡，吳慕遙，秦琳琳，等.基于自適應(yīng)遺傳算法的氣化爐氧碳比控制[J].計(jì)算機(jī)仿真，2022，39（7）：281-286.

[3]"陳翠玲，賴燕華，王滔，等.葉絲在增溫增濕與滾筒烘絲工序中香味組分變化分析[J].分析測(cè)試學(xué)報(bào)，2020，39（5）：604-611.

[4]"劉雅君，李鵬超，徐建燎，等.煙絲干燥過程中高頻振槽的參數(shù)優(yōu)化[J].煙草科技，2020，53（3）：97-101+112.

[5]"金發(fā)崗，王雅琳，張鵬程，等.隨機(jī)森林和DEELM的烘絲機(jī)入口含水率預(yù)測(cè)[J].控制工程，2020，27（3）：532-539.

[6]"劉穗君，劉穎，趙萬瑩，等."薄板烘絲機(jī)出口含水率穩(wěn)定性控制方法研究[J]."中國煙草學(xué)報(bào)，2022，28（5）：41-46.

[7]"陳然，林利明，陳振業(yè)，等."HDT氣流烘絲機(jī)工藝氣體載水量自動(dòng)控制系統(tǒng)的設(shè)計(jì)與應(yīng)用[J]."煙草科技，2022，55（9）：89-94.

[8]"肖榮和，吳玉生，舒強(qiáng)，等.膨脹煙絲加工過程的模糊PID控制系統(tǒng)[J].食品工業(yè)，2022，43（11）：70-73.

[9]"王濟(jì)民，魏怡，周宇，等.基于LeNet5卷積神經(jīng)網(wǎng)絡(luò)和顏色特征的限速標(biāo)志識(shí)別[J].計(jì)算機(jī)科學(xué)，2021，48（S2）：345-350.

[10]卓鳴，汪鵬，望開奎.基于MIVBP神經(jīng)網(wǎng)絡(luò)的成品煙絲質(zhì)量預(yù)測(cè)模型構(gòu)建[J].食品與機(jī)械，2021，37（12）：161-166+214.

[11]范麗麗，趙宏偉，趙浩宇，等.基于深度卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)研究綜述[J].光學(xué)精密工程，2020，28（5）：1152-1164.

[12]湯磊，丁博，何勇軍.基于卷積神經(jīng)網(wǎng)絡(luò)的高效三維模型檢索方法[J].電子學(xué)報(bào)，2021，49（1）：64-71.

[13]李文偉，靳毅，王海宇，等.基于雙層EWMA方法的葉絲干燥出口含水率質(zhì)量一致性控制[J].煙草科技，2020，53（5）：93-98.

[14]陳龍，吳斌方，張耀，等.基于模糊PID控制的步進(jìn)驅(qū)動(dòng)系統(tǒng)研究[J].組合機(jī)床與自動(dòng)化加工技術(shù)，2020，553（3）：99-102.

[15]朱敏，臧昭宇，胥子豪，等.氣動(dòng)調(diào)節(jié)閥最優(yōu)分?jǐn)?shù)階PID控制器設(shè)計(jì)[J].振動(dòng)與沖擊，2022，41（22）：267-274.