以卷煙制絲環(huán)節(jié)的松散回潮工序、加料回潮工序、熱風潤葉工序以及制絲全線為研究對象,利用人工神經(jīng)網(wǎng)絡及多元回歸建模方法,考察不同建模方法對各工序水分預測精度的影響,并對其進行運行測試。結(jié)果表明:松散回潮工序水分預測選擇多元回歸方法建模,其預測誤差絕對值的均值為0.24%;加料回潮工序水分預測選擇人工神經(jīng)網(wǎng)絡方法建模,其預測誤差絕對值的均值為0.20%;熱風潤葉工序水分預測選擇人工神經(jīng)網(wǎng)絡方法建模,其預測誤差絕對值的均值為0.10%;制絲全線水分預測選擇人工神經(jīng)網(wǎng)絡方法建模,其預測誤差絕對值的均值為0.05%;模型運算系統(tǒng)基于C#語言開發(fā),使用SQLSERVER數(shù)據(jù)庫存儲數(shù)據(jù);開發(fā)的模型運算系統(tǒng)具有很強的數(shù)據(jù)分析能力和生產(chǎn)預測能力,可用于卷煙制絲環(huán)節(jié)各關(guān)鍵工序的水分預測。 

【文章來源】：食品與機械. 2020,36(10)北大核心

【文章頁數(shù)】：7 頁

【部分圖文】：

烘絲前工藝流程

建模數(shù)據(jù)非線性情況下，使用神經(jīng)網(wǎng)絡方法建立預測模型的預測精度要高于多元回歸法，反之，數(shù)據(jù)為線性的情況下，模型應選擇多元回歸法。松散回潮工序使用多元回歸法建模，而加料回潮工序、熱風潤葉工序以及整線均采用神經(jīng)網(wǎng)絡法建模，利用各預測模型對生產(chǎn)過程數(shù)據(jù)進行預測，其誤差分別為0.24%,0.20%,0.10%,0.046%，精度滿足工藝要求，可被用于流水線智能化控制的前端分析模塊。經(jīng)研究系統(tǒng)預測精度還可以進一步提升，神經(jīng)網(wǎng)絡本身具備自學能力，能夠自我提升預測準確度，因此，需不斷收集數(shù)據(jù)，對模型進行不斷訓練，提升其預測精度。圖3 各階段含水率預測流程

各階段含水率預測流程

【參考文獻】：
期刊論文
[1]基于電子舌及一維深度CNN-ELM模型的普洱茶貯藏年限快速檢測[J]. 楊正偉,張鑫,李慶盛,繆楠,王志強,李彩虹,袁文浩,馬云霞,周智.  食品與機械. 2020(08)
[2]基于模糊神經(jīng)網(wǎng)絡PID控制的粉體包裝計量控制系統(tǒng)[J]. 王艷,陳靜,王志山,李昆祥,徐蕓,徐雪萌.  食品與機械. 2020(01)
[3]優(yōu)化煙草制絲設備提高煙絲質(zhì)量[J]. 普紹清,高長江.  山東工業(yè)技術(shù). 2018(13)
[4]制絲烘絲工序關(guān)鍵工藝參數(shù)批間穩(wěn)定性控制分析[J]. 劉炳軍,李江,邱琳,謝玲玲,陸雪云.  大眾科技. 2017(12)
[5]大數(shù)據(jù)技術(shù)在烘絲出口水分預測與控制中的應用[J]. 張輝.  通訊世界. 2017(06)
[6]烘絲過程出口水分控制數(shù)據(jù)分析方法應用研究[J]. 胡宇航,何毅,李凡,陳之輝,曲鋒,楊進國,王哲.  電腦與信息技術(shù). 2016(04)
[7]基于在線煙堿預測模型的煙葉復烤均質(zhì)化加工[J]. 王宏鋁,王筑臨,許小雙,石超,劉鵬.  煙草科技. 2015(06)
[8]基于多因素分析的烘絲機入口含水率預測模型的建立與應用[J]. 鐘文焱,陳曉杜,馬慶文,郭天文.  煙草科技. 2015(05)
[9]基于料液施加效果的加料工序關(guān)鍵工藝參數(shù)優(yōu)化[J]. 劉澤,何邦華,陳林,周冰,龍明海,周芳芳,資文華.  煙草科技. 2015(04)
[10]微波膨脹梗制絲關(guān)鍵工藝參數(shù)的優(yōu)化[J]. 董高峰,殷沛沛,和智君,楊威,盧偉,張強,余賀龍.  中國農(nóng)學通報. 2014(30)

碩士論文
[1]基于BP神經(jīng)網(wǎng)絡的烘絲控制模型的研究與應用[D]. 曹陽.湖南大學 2016



本文編號：3549565