基于RBF神经网络的烘丝入口含水率预测模型

成帅帅焦雷

山东中烟工业有限责任公司青岛卷烟厂制丝车间山东青岛266101

摘要：由于烘丝生产前操作工需要根据生产经验预测入口含水率，然而车间内环境温湿度、烘丝前工序设备状态等条件的变化，导致烘前含水率变化较大，仅靠经验预测烘前含水率，预测结果误差较大，导致操作工设置参数不合理，出口含水率波动较大，影响产品的感观质量。因此，本文通过对历史数据进行分析处理后，采用RBF神经网络，建立烘前含水率预测模型，并在烘丝工序操作终端增加人机交互界面，操作工选择工单信息、输入相应的参数即可完成烘丝入口含水率的预测，预测结果误差为，可以满足生产要求。

关键词：RBF神经网络；烘前水分；数据处理

前言

卷烟厂制丝车间烘丝工序的工艺任务是将烟丝干燥去湿，同时使烟丝卷曲、松散，提高烟丝的感官质量。目前，烘丝机主要控制方式为：PID控制、智能控制，两种方法都需要将出口含水率参与反馈调节，实时调节设备参数。然而，当烘前水分波动较大时，由于控制过程的滞后性，导致烘后物料含水率的稳定性下降，特别是料头料尾环节。因此，预知来料含水率有利于调节烘丝过程参数，提高烘后物料含水率的稳定性，提高烟丝的感观质量。烘丝工序生产前操作工需要根据工作经验预测烘前含水率，设置相关的设备参数及工艺参数，如炉壁温度、热风速度、烘前流量等，由于车间内环境温湿度、烘丝前工序设备状态等条件的变化，导致烘前含水率变化较大，如果操作工不能及时察觉水分的变化，可能导致出口含水率不符合工艺要求，影响产品的感官质量。为了准确的预测烘前物料含水率，利用RBF神经网络建立烘前含水率预测模型，将模型嵌入现场的操作终端，操作工输入相关的参数即可实现烘前含水率的预测。

1、数据处理

1.1确定输入、输出变量

根据制丝车间生产工艺流程，烘丝前的工序为出库验证、松散回潮、加料、储叶柜、切丝，虽然出库验证、切丝为制丝线的重要工序，但其对烘前水分的影响较小，因此选取松散回潮、加料、储叶柜的相关参数作为输入变量。其中，松散回潮工序的输入变量为入口水分均值、加水流量均值、热风温度均值、出口水分均值，加料工序的输入变量为入口水分均值、热风温度均值、出口水分，叶柜的输入变量为压柜时间。因此，网络的输入层神经元个数为8，由于这8个参数的单位不统一且量值差别大，将数据进行归一化后作为RBF神经网络的输入向量。

由于本论文的结果为预测烘丝入口含水率，因此，将烘丝入口含水率作为RBF神经网络的输出向量。

1.2数据收集及处理

2018年12月1日-2019年5月3日五千线“泰山（华贵）”牌号的生产数据535批，将数据从MES中导出存储在Excel表格中，提取相关变量的数据，剔除不完整样本，剔除含水率异常、温度异常、时间异常样本，最终形成分析样本后对数据进行归一化处理。

2、数学建模

2.1建立RBF神经网络模型

根据上述确定的输入层变量和输出层变量，建立如图所示RBF神经网络预测模型。RBF神经网络从输入层到隐藏层相当于是把低维空间的数据映射到高维空间，输入层神经元个数为样本的维度，隐藏层神经元个数一定要比输入层神经元个数多，本设计设置隐含层神经元个数为12。

图1RBF神经网络模型

RBF神经网络是一种结构简单、收敛速度快、能够逼近任意非线性函数的网络，它由输入层、输出层和隐含层组成。其中，输入层到隐含层的权值为1，隐含层到输出层的权值向量为,隐含层输出依靠输入向量与径向基函数中心的距离，基函数选用高斯函数，距离用欧式范数表示。当网络输入为时，隐含层的输出为

式中:是第ｉ个隐含层节点的输出；是第ｉ个隐含层节点高斯函数的中心向量；是第ｉ个隐含层节点的标准化常数。输出层的输出为：

其中：是第ｉ个隐含层节点的输出；是输出层第ｋ个节点的输出;Ｗ是隐含层到输出层的加权系数;是隐含层的阈值;ｑ是隐含层节点数。

2.2matlab实现过程

MATLAB是美国MathWorks公司出品的数学软件，用于算法开发、数据可视化、数据分析以及数值计算的高级技术计算语言和交互式环境，在Matlab中可直接调用RBF神经网络模块，简化计算过程，图1为在Matlab中创建的神经网络。

图2RBF神经网络

3、RBF神经网络模型应用

为了将训练好的网络模型应用到实际生产中，在操作终端添加方便操作工使用的人机界面，实现数据的交互和显示。现场操作终端采用IFIX编程，RBF神经网络模型的训练和使用平台为Matlab。我们将数据库作为媒介，采用开放数据库连接（ODBC），实现两个平台数据的交互及RBF神经网络模型应用。现场生产人员，只需按照提示选择对应的工单信息，输入相应的参数，即可实现烘前水分的预测。预测结果误差，达到了预期目标。

图3预测界面

4、总结

通过RBF神经网络建立烘丝工序入口含水率预测模型，提高了烘前含水率预测的准确率，便于烘丝工序操作工设置初始参数，减少了生产过程中操作工人为干预次数，提升了烘丝出口含水率的稳定性和产品的感观质量。

参考文献

[1]吕科东.基于RBF神经网络PID控制在加热炉温度控制系统中的应用[A].天津市电子工业协会.天津市电子工业协会2019年年会论文集[C].天津市电子工业协会:天津市电子工业协会,2019:6.

[2]韩宇星,丁刚毅.基于粒子滤波与神经网络的目标遮挡跟踪[J/OL].计算机集成制造系统:1-14[2019-06-28].