基于Elman神經網絡的卷煙制絲松散回潮出口含水率控制方法

陳曉杜 郭天文 曹琦

摘 要：為提高制絲生產過程中松散回潮機出口含水率控制效果，利用歷史生產數據，采用基于Elman神經網絡建立松散回潮出口葉片含水率預測模型，通過逼近法給出當前生產環(huán)境溫濕度下，指定出口葉片含水率對應的最佳加水比例。結果表明，通過Elman神經網絡預估加水比例后，提高了出口含水率的控制效果。

關鍵詞：Elman神經網絡；松散回潮；出口含水率；預測

中圖分類號 S572 文獻標識碼 A 文章編號 1007-7731（2016）08-118-03

1 引言

在卷煙制造過程中，制葉絲的過程含水率控制是制絲生產中的關鍵參數，在烘絲前的含水率控制主要通過松散回潮工序中加水比例調節(jié)。不同的加水比例下松散回潮機的出口片煙含水率不同，最終將導致烘絲入口葉絲含水率的差異。因此，調節(jié)松散回潮加水比例控制松散回潮出口含水率在制絲過程中具有重要意義。董偉等[1]采用PID反饋控制修正加水量，曹正良[2]將反饋控制改進為前饋控制方式，二者均從控制的角度出發(fā)，優(yōu)化控制算法，調節(jié)加水比例。李秀芳等[3-5]則采用過程參數優(yōu)化的方式，通過過程參數優(yōu)化，調節(jié)加水比例。以上2種方法均對松散回潮機出口片煙含水率的調節(jié)作出了一定優(yōu)化，但2種方法均從內部角度考慮，而忽略了環(huán)境溫濕度等外部條件對出口片煙含水率的影響。

為此，本研究通過對歷史生產數據的分析，采用基于雙隱含層的Elman神經網絡建立松散回潮機加水比例預測模型，然后再獲取當前環(huán)境溫濕度下，通過大量模擬加水比例輸入，找出相應輸出中與設定出口含水率設定值最接近的加水比例作為生產過程參考加水比例，利用該加水比例進行生產，保障出口片煙含水率與設定值的誤差得到改善。

2 Elman神經網絡算法

Elman神經網絡是J.L. Elman于1990年首先提出來一種典型的局部回歸網絡[6]。Elman網絡是一個具有局部記憶單元和局部反饋連接的前向神經網絡。Elman神經網絡的網絡結構如圖1所示，由輸入層、中間層（隱含層）、承接層和輸出層構成，其中輸入層、中間層和輸出層和傳統BP神經網絡相同，但Elman神經網絡多了一個承接層，用于保存上次輸入后中間層的狀態(tài)連同輸出數據[7-9]。增加承接層后，Elman網絡比傳統BP神經網絡具有更復雜的動力學特性，因而具有更強的計算能力，穩(wěn)定性也優(yōu)于BP神經網絡。隱層的傳遞函數仍為某種非線性函數，一般為Sigmoid函數，輸出層為線性函數，承接層也為線性函數[10]。

3 基于雙隱含層Elman神經網絡的松散回潮出口含水率控制預測模型

3.1 網絡參數選擇 以松散回潮加水比例、相應環(huán)境溫濕度為輸入，出口煙葉含水率為輸出，設定訓練目標0.05，訓練速度0.01，最大訓練步數100，以Sigmoid函數為傳遞函數，進行神經網絡訓練。對于Elman神經網絡的神經元個數及隱含層個數的確定，首先通過對不同神經元個數分別進行10次運行，結果如表1，選取10次運行對應的決定系數平均值作為評價標準，從結果可知選取8個隱含節(jié)點的測試集決定系數平均值最大。再對不同層數的隱含層各進行10次運行，結果如表2，同樣采用10次運行對應的決定系數平均值作為評價標準，從結果可知選取2個隱含層的測試集決定系數平均值最大。

3.2 模型預測效果檢驗 采用該神經網絡對松散回潮機出口煙葉含水率進行預測，預測結果如圖3。由圖3可知，采用該神經網絡模型預測120個樣本的松散回潮機出口煙葉含水率預測曲線和實際數據曲線吻合度較高。且從誤差數據計算可知，預測誤差為0.149%。所有預測結果誤差均控制在0.5%以內，準確預測（誤差在±0.3%）比例為89.171%，能滿足松散回潮工序出口含水率為（設定值±0.5）%的允差要求。

3.3 與多元回歸分析擬合模型相比較 圖4為采用多元回歸分析方法建立的松散回潮機出口片煙含水率線性模型，用于預測的效果。預測誤差為0.268%，大于本文方法的0.149%，存在個別預測誤差大于0.5%，且準確預測比例為77.5%低于本方法的89.171%。

3.4 松散回潮加水比例預估方法 建立松散回潮出口含水率預測模型后，由于神經網絡模型為非顯性模型，因此可以考慮采用逼近法，不斷嘗試不同加水比例輸入，比較輸出與設定值的誤差，取滿足要求的加水比例作為加水比例預測結果即可，方法如圖5。

4 結論

采用基于Elman神經網絡模型建立松散回潮機出口片煙含水率預測模型，該方法建立的預測模型預測效果優(yōu)于傳統多元回歸分析建立線性模型的預測效果。再通過逼近法給出了當前環(huán)境溫濕度下，指定松散回潮機出口含水率所對應的加水比例預測值。采用該方法所確定的松散回潮加水比例生產，提高了松散回潮機片煙出口含水率的控制效果。

參考文獻

[1]董偉，李坤，王健，等.HAUNI松散回潮滾筒含水率控制系統的改進[J].煙草科技，2012（11）：20-22.

[2]曹正良.片煙松散回潮含水率控制方式的改進[C]//2010年中國煙草學會工業(yè)專業(yè)委員會煙草工藝學術研討會論文集，2010.

[3]李秀芳.煙片松散回潮關鍵工藝參數過程控制系統的優(yōu)化設計[J].中國煙草學報，2015（3）：34-41.

[4]俞仁皓，宋家海，王建，等.松散回潮工序回風溫度PID控制參數的優(yōu)化[J].煙草科技，2010（7）：8-10.

[5]趙國慶，米強，鐘青，等.因素篩選試驗在松散回潮和篩分加料工序質量評價中的應用[J].煙草科技，2007（11）：24-27.

[6]王俊松.基于Elman神經網絡的網絡流量建模及預測[J].計算機工程，2009，35（9）：190-191.

[7]錢家忠，呂純，趙衛(wèi)東，等.Elman與BP神經網絡在礦井水源判別中的應用[J].系統工程理論與實踐，2010，30（1）：145-150.

[8]周云龍，陳飛，劉川，等.基于圖像處理和Elman神經網絡的氣液兩相流流型識別[J].中國電機工程學報，2007，27（29）：108-112.

[9]王宏偉，楊先一，金文標，等.基于Elman網絡的時延預測及其改進[J].計算機工程與應用，2008，44（6）：136-138.

[10]范燕，申東日，陳義俊，等.基于改進Elman神經網絡的非線性預測控制[J].河南科技大學學報（自然科學版），2007，28（1）：41-45.

[11]史峰，王輝，郁磊，等.Matlab智能算法30個案例分析[M].北京：北京航空航天出版社，2013.

（責編：張宏民）