基于BP神經網絡的烘梗絲料頭參數設置

摘 要：本文針對提高烘梗絲料頭參數設置的準確性來縮短料頭時間，提升烘梗絲出口水分QI。通過對歷史數據的收集及分析，再基于BP神經網絡的非線性函數擬合算法計算出相對穩定料頭參數，替代原有的經驗值。

關鍵詞：烘梗絲機KLD-1;BP神經網絡;操作手法

前言

隨著企業的降本增效，梗絲在成品煙絲中的比例逐步加大，梗絲的質量也越加重要。烘梗絲是制絲車間制梗絲的最后一道工序，通過烘絲機對梗絲進行干燥、卷曲、定型，并且去除煙梗中的雜氣。目前車間主要通過填充值及出口水分QI對烘梗絲質量進行監測。料頭時間的長短對出口水分QI有著重大的影響，且料頭時間越長產生的水分不達標的梗絲越多，影響產品質量。

1 現狀分析

我廠制絲車間一區在2012年進行技改，烘梗絲機由原來的流化床升級為HAUNI公司的KLD-1烘絲機。滾筒式KLD-1是一臺蒸汽加熱的滾筒式烘絲機，被加熱的熱風沿著煙絲流的方向流過旋轉的滾筒（順流運行方式）。通過供料生產線，煙絲以均勻地質量流量被輸送到滾筒式KLD中。在此處煙絲被烘干至下一步加工所需的水分。滾筒式KLD的溫度根據煙絲質量流量、進料水分、出料水分以及給定的調節參數不斷地得到調節，自動化程度高。不足之處在于料頭自動調節時間過長，需人工進行干預。而人工干預對參數的調整依靠的是操作人員的經驗值，不同的操作人員操作手法及經驗值不同，穩定性較差。

2 操作手法分析

當前操作手法：根據來料水分和經驗設置干燥機啟動時的筒溫，從設備由準備轉入啟動后大約270S，將干燥機筒溫設置為轉入生產所需的溫度。初始筒溫及何時調整轉入生產的筒溫，不同批次不同操作人員均存在一定的差異。

3 改進措施

通過對歷史數據的收集及分析，再基于BP神經網絡[1]的非線性函數擬合算法計算出料頭相關參數。具體流程可以分為BP神經網絡構建、BP神經網絡訓練和BP神經網絡預測三步，如圖2所示。

輸入X1：加料前物料水分

輸入X2：料頭KLD出口水分拐點的水分

輸出Y：啟動階段的筒溫

將X1、X2作為輸入參數，Y作為輸出參數，所以BP神經網絡結構為2-5-1，即輸入層有2個節點，隱含層有5個節點，輸出層有1個節點。

BP神經網絡訓練用收集的數據訓練神經網絡，使訓練后的網絡能夠預測系統的輸出。從收集的數據中隨機選取95%的數據作為訓練數據，用于網絡訓練，剩下的5%作為預測數據，用于預測網絡的擬合性能。

根據BP神經網絡理論，用MATLAB[2]軟件編程實現基于BP神經網絡的非線性擬合算法。

1.newff：BP神經網絡參數設置函數

函數功能：構建一個BP神經網絡。

函數形式：net = newff（P，T，S，TF，BTF，BLF，PF，IPF，OPF，DDF）

P：輸入數據矩陣? ? T：輸出數據矩陣? ? S：隱含層節點數? ?TF：節點傳遞函數? ?BTF：訓練函數? ? BLF：網絡學習函數PF：性能分析函數IPF：輸入處理函數

OPF：輸出處理函數? DDF：驗證數據劃分函數

一般在使用過程中設置前面6個參數，后面4個參數采用系統默認參數。

2.train：BP神經網絡訓練函數

函數功能：用訓練數據訓練BP神經網絡

函數形式：[net，tr]=train（NET，X，T，Pi，Ai）

NET：待訓練網絡? ?X：輸入數據矩陣T：輸出數據矩陣? ? Pi：初始化輸入層條件

Ai：初始化輸出層條件? ? net：訓練好的網絡? ? ? ? ? tr：訓練過程記錄

一般在使用的過程中設置前面3個參數，后面2個參數采用系統默認參數。

3.sim：BP神經網絡預測函數

函數功能：用訓練好的BP神經網絡預測函數輸出。

函數形式：y=sim（net，x）

net：訓練好的網絡? ? ?x：輸入數據? ? y：網絡預測數據

將收集的數據存儲在data.mat文件中input是函數輸入數據，output是函數輸出數據。從輸入輸出數據中隨機選取1900組數據作為網絡訓練數據，100組數據作為網絡測試數據，并對訓練數據進行歸一化處理。

4 總結

本文針對提高烘梗絲料頭參數設置的準確性來縮短料頭時間，提升烘梗絲出口水分QI。通過對歷史數據的收集及分析，再基于BP神經網絡的非線性函數擬合算法計算出相對穩定料頭參數，替代原有的經驗值。從改造前烘梗絲料頭平均時間300s，縮短為167s。

參考文獻

[1]郝中華.《BP神經網絡的非線性思想》.洛陽師范學院學報，2008.3（4）.

[2]巨軍讓，卓戎.《BP神經網絡在Matlab中的方便實現》.新疆石油學院學報，2008，2（1）.

作者簡介：

林俊棟（1988-），男，福建龍巖，廈門煙草工業有限責任公司，助理工程師，學士，研究方向：人工智能、機器學習。