摘要
　　煙葉回潮工序加水量的多少對(duì)烘絲工序爐壁溫度和出口水分控制有直接影響。目前，操作工需要憑借經(jīng)驗(yàn)預(yù)測(cè)加水量，預(yù)測(cè)結(jié)果因人而異。本文利用生產(chǎn)過(guò)程中記錄的數(shù)據(jù)，研制基于BP神經(jīng)網(wǎng)絡(luò)的煙葉回潮加水量預(yù)測(cè)模型，提高加水量預(yù)測(cè)的合格率。
　　【關(guān)鍵詞】煙葉回潮 加水量 BP 神經(jīng)網(wǎng)絡(luò)
　　1 前言
　　煙葉回潮的主要工藝任務(wù)是對(duì)片煙進(jìn)行連續(xù)均勻的增溫增濕，保證后續(xù)工序的生產(chǎn)要求�；爻奔铀�量的多少將直接影響烘絲工序爐壁溫度的控制，為了保證爐壁溫度的穩(wěn)定性，操作工需要嚴(yán)格控制回潮加水量。目前，加水量預(yù)測(cè)主要依靠操作工的工作經(jīng)驗(yàn)，預(yù)測(cè)結(jié)果因人而異，合格率較低。
　　2 BP神經(jīng)網(wǎng)絡(luò)
　　BP神經(jīng)網(wǎng)絡(luò)分為兩個(gè)過(guò)程：
　�。�1）信號(hào)正向傳遞過(guò)程;
　�。�2）誤差信號(hào)反向傳遞過(guò)程。
　　在BP神經(jīng)網(wǎng)絡(luò)中，輸入層和輸出層之間通常有若干個(gè)隱含層。
　　2.1 隱含層設(shè)計(jì)
　　在BP神經(jīng)網(wǎng)絡(luò)中，隱含層節(jié)點(diǎn)個(gè)數(shù)可通過(guò)以下公式計(jì)算得出：
　　其中h為隱含層節(jié)點(diǎn)數(shù)，m為輸入層節(jié)點(diǎn)數(shù)目，n為輸出層節(jié)點(diǎn)數(shù)目，a為之間的調(diào)節(jié)常數(shù)。
　　2.2 正向傳遞過(guò)程
　　設(shè)輸入節(jié)點(diǎn)i和隱藏節(jié)點(diǎn)i之間的權(quán)值為w_ij，節(jié)點(diǎn)j的閥值為b_j，每個(gè)節(jié)點(diǎn)的輸出值為x_j，而每個(gè)節(jié)點(diǎn)的輸出值是根據(jù)上層所有節(jié)點(diǎn)的輸出值、當(dāng)前節(jié)點(diǎn)與上一層所有節(jié)點(diǎn)的權(quán)值和當(dāng)前節(jié)點(diǎn)的閥值還有激活函數(shù)來(lái)實(shí)現(xiàn)的。計(jì)算方法如下：
　　其中f為激活函數(shù)，一般選取s型函數(shù)或者線性函數(shù)。
　　2.3 反向傳遞過(guò)程
　　誤差信號(hào)反向傳遞的過(guò)程是基于Widrow-Hoff學(xué)習(xí)規(guī)則的·設(shè)輸出層的結(jié)果d_j，誤差函數(shù)如下：
　　BP神經(jīng)網(wǎng)絡(luò)通過(guò)反復(fù)修正權(quán)值和閥值，使得誤差函數(shù)值達(dá)到最小。
　　3 煙葉回潮加水量預(yù)測(cè)模型的構(gòu)建
　　3.1 樣本選擇及處理
　　車間運(yùn)行數(shù)據(jù)記錄在《重點(diǎn)牌別數(shù)據(jù)記錄表）），選取某品牌其從2015年3月到2017年3月的720條原始數(shù)據(jù)為樣本，剔除掉20條異常數(shù)據(jù)，得到有效數(shù)據(jù)700條作為樣本，其中600條作為模型訓(xùn)練樣本，100條作為測(cè)試數(shù)據(jù)。
　　3.2 模型構(gòu)建
　　回潮加水量的合格率通過(guò)烘絲工序爐壁溫度反應(yīng)出來(lái)，因此預(yù)測(cè)回潮加水量是否合適可轉(zhuǎn)換為預(yù)測(cè)爐壁溫度，而將回潮加水量作為輸入層，爐壁溫度作為輸出層。影響烘絲工序爐壁溫度的主要因素有：生產(chǎn)日期、回潮加水量、回潮出口含水率。
　�。�1）輸入600條訓(xùn)練樣本;
　　（2）設(shè)定隱層神經(jīng)元個(gè)數(shù)為6，網(wǎng)絡(luò)隱層激勵(lì)函數(shù)為tansig函數(shù)，輸出層激勵(lì)函數(shù)為logsig函數(shù)，網(wǎng)絡(luò)訓(xùn)練函數(shù)為traingdx，網(wǎng)絡(luò)性能函數(shù)為mse;
　�。�3）網(wǎng)絡(luò)迭代次數(shù)為6000次，期望誤差為0.0000001，學(xué)習(xí)速率為0.01。
　　參數(shù)設(shè)置完成后，即可進(jìn)行網(wǎng)絡(luò)訓(xùn)練，如圖1所示。
　　4 模型應(yīng)用
　　BP神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)訓(xùn)練完成后，用另外100條樣本進(jìn)行驗(yàn)證，部分驗(yàn)證結(jié)果如圖2所示。經(jīng)過(guò)統(tǒng)計(jì)分析該模型預(yù)測(cè)誤差為0.19，達(dá)到了我們的預(yù)期目標(biāo)。操作工在使用該預(yù)測(cè)模型時(shí)輸入通過(guò)經(jīng)驗(yàn)預(yù)測(cè)加水量查看對(duì)應(yīng)的爐壁溫度是否準(zhǔn)確。
　　5 結(jié)語(yǔ)
　　本文通過(guò)構(gòu)建基于BP神經(jīng)網(wǎng)絡(luò)的煙葉回潮加水量預(yù)測(cè)模型，為操作工預(yù)測(cè)加水量提供了重要的理論依據(jù)，效果顯著，為企業(yè)提質(zhì)增效做出了一定的貢獻(xiàn)。
　　參考文獻(xiàn)
　　[1]常明彬.基于環(huán)境溫濕度條件的松散回潮加水量預(yù)測(cè)模型研究[J].海峽科學(xué)，2016.

相關(guān)熱詞搜索：回潮 神經(jīng)網(wǎng)絡(luò) 煙葉 水量 模型