[發明專利]滾筒式烘絲機烘絲工序干尾過程的建模方法

有效

• 申請號: 201910842040.3
• 申請日: 2019-09-06
• 公開（公告）號: CN110876480B
• 公開（公告）日: 2021-08-13
• 發明（設計）人: 周鋒;朱培棟;謝明華;曹麗華;左毅;陳俊東
• 申請（專利權）人: 長沙學院
• 主分類號: A24B3/04
• 分類號: A24B3/04;G06N3/04;G06N3/08;G06N3/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種滾筒式烘絲機烘絲工序干尾過程的建模方法，其特征在于，包括以下步驟：

1)采集煙草烘絲干尾過程中的工藝變量，構建建模數據集；

2)利用所述建模數據集擬合函數型系數，建立烘絲干尾過程的WNN-VC模型結構；烘絲干尾過程的WNN-VC模型結構如下：

其中：m為WNN-VC模型的階次，y_t為t采樣時刻的出口煙絲含水率，為t采樣時刻的入口煙絲流量，為t采樣時刻的入口煙絲含水率，為t采樣時刻的滾筒旋轉頻率，為t采樣時刻的滾筒筒溫，為t采樣時刻的排潮風門開度，ξ_t為t采樣時刻的高斯白噪聲；為WNN-VC模型的狀態量；φ₀(w_t-1)，φ_y,i(w_t-1)，和均為關于狀態量w_t-1的小波神經網絡系數；為偏移量，為權系數；均為小波神經網絡的基函數

3)對所述WNN-VC模型結構進行全局優化，對于優化后的WNN-VC模型結構，利用最小信息量準則選擇最終的煙草烘絲干尾過程WNN-VC模型階次m。

2.根據權利要求1所述的滾筒式烘絲機烘絲工序干尾過程的建模方法，其特征在于，步驟1)中，當入口煙絲流量由正常設定值下降至其40％時，開始以采樣周期2秒采集N個工藝變量數據，直至出口煙絲含水率下降至2.5％時，采集過程結束；整個過程采集得到的N個工藝變量數據集為：入口煙絲流量的數據集入口煙絲含水率的數據集滾筒旋轉頻率的數據集滾筒筒溫的數據集排潮風門開度的數據集和出口煙絲含水率的數據集{y₁...y_n}。

3.根據權利要求1所述的滾筒式烘絲機烘絲工序干尾過程的建模方法，其特征在于，小波神經網絡的基函數具體結構如下：

其中，為小波基函數的伸縮因子，為小波基函數的平移因子，||·||表示2范數運算。

4.根據權利要求1所述的滾筒式烘絲機烘絲工序干尾過程的建模方法，其特征在于，步驟3)中，對所述WNN-VC模型結構進行全局優化的具體實現過程包括：

1)定義t時刻WNN-VC模型中的待估計參數集θ_t為狀態向量，即構造自組織狀態空間模型結構如下：其中：且其中，j＝0,...,n_p，且當l＝j-i≤0時，Φ_t+1為系統噪聲，Υ_t為觀測噪聲；定義則為考慮觀察噪聲Υ_t后的烘絲干尾過程WNN-VC模型的預測輸出序列；

2)初始化粒子狀態x(0)、噪聲項Φ_t+1和Υ_t為相互獨立的高斯分布，即x(0)～N(μ₀,θ₀)，Φ_t+1～N(0,Q)，Υ_t～N(0,R)；

3)在t時刻，根據WNN-VC模型和構造的自組織狀態空間模型計算其多步向前預測誤差項：定義優化算法的目標函數為：其中，n為辨識數據長度，n_p為預測時域，m為WNN-VC模型的階次；

4)將待優化的參數x(t)作為粒子按順序編碼，采用蒙特卡羅粒子濾波算法計算各個體針對目標函數V(x^*)的適應值，選擇適應值較低即最優個體保留到下一代，并定義為優秀群體，將其他粒子進行交叉、變異運算，并產生相應的備選群體；比較備選群體中個體的適應度，選擇最優個體加入到優秀群體中，重復步驟3)，直至得到最優的粒子集x^*，并令WNN-VC模型的參數集θ_t＝x^*。

5.根據權利要求1所述的滾筒式烘絲機烘絲工序干尾過程的建模方法，其特征在于，最小信息量準則AIC＝(n-m)log(V(x^*))+4(4m+1)。