CN106579532B - 一种密集烤房烟叶烘烤工艺曲线的在线生成方法 - Google Patents

Abstract

本发明公开了一种密集烤房烟叶烘烤工艺曲线的在线生成方法，该方法首先设置初始阶段的烘烤工艺曲线，在该阶段结束前的5小时启动下一个阶段的烘烤工艺曲线参数预测，每隔1小时采集一次烤房气体信号并提取出气味特征，将该特征输入到训练好的RBF神经网络，预测输出下一阶段的烘烤工艺曲线参数，从而形成下一阶段的烘烤工艺曲线，重复以上步骤直到烘烤结束，实现了密集烤房烟叶烘烤工艺曲线的在线生成。本发明把人工判断烤烟烘烤状态的过程转换为机器的智能识别，在线实时地生成烘烤工艺曲线，烘烤过程随之展开，系统无需预设烘烤工艺曲线，全程无人工参与，减少了烘烤系统的人工成本，避免了人为主观因素干扰。

Description

一种密集烤房烟叶烘烤工艺曲线的在线生成方法

技术领域

本发明涉及烤烟烘烤工艺技术领域，具体指一种用于密集烤房烟叶烘烤工艺曲线的在线生成方法。

背景技术

我国大部分地区的密集烤房烟叶烘烤方式是遵循烤烟三段式理论，即通过烘烤工艺曲线去控制烤房内的温度和湿度，按照曲线要求的干球温度、湿球温度以及烘烤持续时间来控制烤房的温度和湿度，从而实现将新鲜绿色的烟叶烘烤成干燥橙黄色的烤烟。烘烤工艺曲线的横坐标为烘烤时间，纵坐标为干球温度或湿球温度，根据各个烘烤阶段的烘烤工艺曲线参数：干球温度T_d，湿球温度T_w，以及烘烤阶段持续时间t_c，可确定整个烘烤过程的烘烤工艺曲线。烘烤工艺曲线有两条，一条是控制烤房温度的干球温度曲线，一条是控制烤房湿度的湿球温度曲线。

传统的密集烤房烟叶烘烤方式中，烘烤工艺曲线是预先设定好的，在烘烤过程中，根据烟叶实际烘烤情况，烘烤工艺曲线会被人为地调整，这个修改过程需要人工参与，造成系统成本增加。同时人工的经验判断，会存在一定的主观因素，这难免影响烤烟的烘烤质量。

根据烟叶三段式烘烤理论，在不同的烘烤阶段烟叶会释放不同成分的挥发性气体，以此理论可以通过检测当前阶段烤房烟叶释放的气体，提取并分析该气体特征，由此预测下一阶段烘烤工艺曲线参数，烘烤过程随之展开，直到烘烤结束，烟叶的烘烤工艺曲线也就随之生成，这种一边进行烘烤控制一边生成烘烤工艺曲线的方法是全新且可行的。

中国专利CN201510178892.9公开了一种自动学习功能的电子鼻智能烘烤控制系统及控制方法，该方法对预先设定的烘烤工艺曲线进行智能调节，但是该方法无法实现烘烤工艺曲线的在线生成。

发明内容

针对现有技术存在的不足，本发明的目的是提出一种密集烤房烟叶烘烤工艺曲线的在线生成的方法。

为了解决上述问题，本发明采用了以下的技术方案。

一种密集烤房烟叶烘烤工艺曲线的在线生成方法，其特征在于，按以下步骤进行：

步骤一：开始烘烤，设置初始阶段烘烤工艺曲线参数：干球温度T_d，湿球温度T_w，当前阶段持续时长t_c，生成该阶段的烘烤工艺曲线；

步骤二：实时检测当前烘烤时间t_h是否等于t_c-5，如果是则进入步骤三，否则在t_h+1时刻重复步骤二；

步骤三：启动下一阶段烘烤工艺曲线参数的预测，从当前时刻开始到本阶段烘烤阶段结束前5小时内，每隔1小时采集一次烤房气体信号并提取出气味特征，将该特征输入到训练好的RBF神经网络，预测输出下一阶段的烘烤工艺曲线参数值T_dn，T_wn和t_cn，一共得到6组输出结果，分别是：{T_dn1，T_wn1，t_cn1，T_dn2，T_wn2，t_cn2，T_dn3，T_wn3，t_cn3，T_dn4，T_wn4，t_cn4，T_dn5，T_wn5，t_cn5，T_dn6，T_wn6，t_cn6}；

步骤四：对以上6组输出结果采用截尾均值方法，求得RBF神经网络模型预测的下一阶段烘烤工艺曲线参数平均值：干球温度平均值T_dnf，湿球温度平均值T_wnf，以及烘烤阶段结束时间平均值t_cnf；

步骤五：根据T_dnf，T_wnf和t_cnf不同的取值，设置下一阶段烘烤曲线参数：T_d，T_w和t_c，并生成该阶段的烘烤工艺曲线；

步骤六：检测当前烘烤时间t_h是否达到最大烘烤时长t_over，如果达到最大烘烤时长则结束烘烤，同时生成完整的烘烤工艺曲线，否则重复步骤二。

进一步的，所述步骤三具体包括以下子步骤：

3-1：对获取的烤房空气的气味数据进行预处理，包括中值滤波以及数据归一化处理；

3-2：对步骤3-1中得到的信号进行气味特征提取，包括傅里叶变换和PCA主成分分析特征降维；

3-3：对步骤3-2提取的气味特征，输入到RBF神经网络预测输出烘烤工艺曲线的参数T_dn,T_wn,和t_cn。

进一步的，所述步骤五具体包括以下子步骤：

5-1：如果干球温度平均值T_dnf大于当前阶段干球温度T_d与干球温度调节阈值T_{d_th}之和，则下一阶段的干球温度为T_dN＝T_d+T_{d_th}；如果湿球温度平均值T_wnf大于当前阶段湿球温度T_w与湿球温度调节阈值T_{w_th}之和，则下一阶段的湿球温度为T_wN＝T_w+T_{w_th}；如果烘烤阶段结束时间平均值t_cnf大于当前阶段持续时长t_c与持续时长调节阈值t_{c_th}之和，则下一烘烤阶段结束时间为t_cN＝t_c+t_{c_th}；

5-2：如果干球温度平均值T_dnf小于当前干球温度T_d与干球温度调节阈值T_{d_th}之差，则下一阶段的干球温度为T_dN＝T_d-T_{d_th}；如果湿球温度平均值T_wnf小于当前阶段湿球温度T_w与湿球温度调节阈值T_{w_th}之差，则下一阶段的湿球温度为T_wN＝T_w-T_{w_th}；如果烘烤阶段结束时间平均值t_cnf小于当前阶段持续时长t_c，则下一烘烤阶段结束时间为t_cN＝t_c+1h；

5-3：其他情况下，下一阶段的干球温度为T_dN＝T_dnf，下一阶段的湿球温度为T_wN＝T_wnf，下一烘烤阶段结束时间为t_cN＝t_cnf。

更进一步的，本发明所述烤房是装烟三层的密集烤房，规格为13m×2.6m，其装烟量为5000kg，烟叶放置方式为散叶堆积式。

本发明所述烟叶的品种是南江3号。

本发明具有如下有益效果：

1、本方法为全新的烟叶烘烤工艺曲线生成方法，在烟叶烘烤的过程中，根据烟叶烘烤的实际状况，在线实时地生成下一阶段的烘烤工艺曲线，一边烘烤一边生成，直到烘烤结束，整个烘烤工艺曲线生成完毕，在本方法指导下烘烤的烟叶效果良好；

2、本方法把人工判断烤烟烘烤状态的过程转换为机器的智能识别，在线实时地生成烘烤工艺曲线，烘烤过程随之展开，系统无需预设烘烤工艺曲线，且全程无人工参与，减少了烘烤系统的人工成本，避免了人为主观因素干扰；

3、本方法的实施灵活方便，可以适用于烟叶生物特性相类似的农产品的烘烤工艺曲线的生成。

附图说明

图1：本发明的总体流程图；

图2：本发明的RBF神经网络输出烘烤工艺曲线参数的原理框图；

图3：本发明的密集烤房烟叶气味特征提取原理框图。

具体实施方式

以下结合具体实施例，对本发明进行详细说明。

本发明首先设置初始阶段的烘烤工艺曲线，在该阶段要结束前的5小时启动下一个阶段的烘烤工艺曲线参数预测，每隔1小时采集一次烤房气体信号并提取出气味特征，将该特征输入到训练好的RBF神经网络，预测输出烘烤工艺曲线参数，并根据他们不同的取值范围，设置下一阶段烘烤曲线参数，从而形成下一阶段的烘烤工艺曲线，重复以上步骤直到烘烤结束，实现了密集烤房烟叶烘烤工艺曲线的在线生成。

图1是本发明的在线生成烘烤工艺曲线方法的总流程，具体步骤说明如下：

步骤一：开始烘烤，设置初始阶段烘烤工艺曲线参数：干球温度T_d，湿球温度T_w，以及烘烤阶段结束时间t_c，形成初始阶段的烘烤工艺曲线；

步骤二：检测当前烘烤时间t_h是否达到本阶段烘烤阶段结束前5小时，如果是则进入步骤三，否则1小时后重复步骤二；

步骤三：启动下一阶段烘烤工艺曲线参数的预测。从当前时刻开始到本阶段烘烤阶段结束前5小时内，每隔1小时采集烤一次房气体信号并提取出气味特征，将该特征输入到训练好的RBF神经网络，预测输出下一阶段的烘烤工艺曲线参数值T_dn，T_wn和t_cn，一共得到6组输出结果，分别是：{T_dn1，T_wn1，t_cn1，T_dn2，T_wn2，t_cn2，T_dn3，T_wn3，t_cn3，T_dn4，T_wn4，t_cn4，T_dn5，T_wn5，t_cn5，T_dn6，T_wn6，t_cn6}；

步骤四：对6组输出结果按照截尾均值方法，得到下一阶段烘烤工艺曲线参数平均值：干球温度平均值T_dnf，湿球温度平均值T_wnf，以及烘烤阶段结束时间平均值t_cnf；

步骤五：根据T_dnf，T_wnf和t_cnf不同的取值，设置下一阶段烘烤曲线参数T_d，T_w和t_c，从而生成下一阶段的烘烤工艺曲线；

步骤六：检测当前烘烤时间是否达到最大烘烤时长t_over，如果达到最大时长则结束烘烤并形成完整的烘烤工艺曲线，否则重复步骤二。

进一步，步骤三所述采集烤房气体信号并运用RBF神经网络预测输出烘烤工艺曲线参数，原理框图如图2及图3所示，具体包括以下子步骤：

3-1：对获取的烤房空气的气味数据进行预处理；

烤房气体经采集后可获得原始传感器响应数据，在气体采集过程中易造成高频干扰等问题，因此在气味特征提取前对原始传感器响应数据进行预处理，预处理步骤具体包括中值滤波处理和数据归一化；

本发明使用的中值滤波方式为：

式(1)中，x_i(n)为第i个传感器在第n个采样点上的原始气味响应值，本发明一共使用了10个气体传感器进行气味采集，x_{i_flt}(n)为第i个传感器的气味响应经滤波处理后得到数据，N为一个气味数据采集周期内的总采样点数，在本发明中一共有6555个；

本发明使用的数据归一化公式为：

式(2)中，x_{i_norm}(n)为x_{i_flt}(n)归一化后的气味数据，和分别为x_{i_fl}t(n)数据中的最小值和最大值；

3-2：对步骤3-1中得到的信号进行气味特征提取；

首先将预处理后的信号x_{i_norm}(n)经过傅里叶变换，本发明使用的傅里叶变换公式如下所示：

公式(3)为本发明采用的傅里叶变换公式，其中Y_i(k)为x_{i_norm}(n)通过傅里叶变换后得到的信号。本发明选取Y_i(k)信号的直流分量和第1阶至第7阶谐波分量的系数作为气味特征，即取k＝1，2，...，8的Y_i(k)分量的系数，这样，经过傅里叶变换后，在每个传感器的响应曲线上提取了8个原始气味特征；

本发明中，每个样本由10个传感器采集数据，而每个传感器响应数据提取8个气味特征，这样每个样本就有80个原始气味特征。然而80维的特征不利于可视化表达，故对原始特征进行了PCA主成分分析降维处理，本发明中PCA特征降维过程如下：

如前所述，每个样本提取到的原始气味特征为一个80维的随机变量，表示为：X＝(X₁，X₂，...，X_m)^T m＝80，求其协方差矩阵A如下：

其中a_ij＝E[X_iX_j]为X_i与X_j的协方差，A为半正定对称矩阵。计算矩阵A的m个特征值，分别表示为λ₁，λ₂，...，λ_m且λ₁≥λ₂≥…≥λ_m≥0，要求满足以下条件：存在正交矩阵P使得P^TAP＝diag(λ₁，λ₂，...，λ_m)为对角矩阵。根据特征值计算出特征向量X的各主成分公式如下：

β_i描述了原始气味特征向量X的第i个主成分，本发明选取原始气味特征向量的前四个主成分分量β₁，β₂，β₃和β₄作为每个样本的气味特征。

3-3：对步骤3-2提取的气味特征，输入到RBF神经网络预测输出烘烤工艺曲线的参数T_dn,T_wn,和t_cn；具体步骤为：

3-3-1：确定数据集，训练样本数，RBF神经网络的学习算法，以及输入层，隐含层和输出层结构；

数据集的组成：选取烤烟烘烤成功的5炕数据，记录烘烤过程中每个烘烤阶段的烘烤工艺曲线参数，即每个阶段的干球温度T_d、湿球温度T_w和烘烤阶段结束时间t_c，一共有705个样本；

学习算法：本发明中RBF神经网络采用“K-means聚类，LMS最小均方”的学习算法，将K-means聚类算法用于训练隐含层神经元，LMS算法来训练输出层神经元；

输入层：输入层神经元的个数由输入向量的维数决定，如前所述，本发明网络的输入向量为气味特征，记为U＝{u_p} p＝1，2，...，M，M为训练样本的总数，本发明中为490，每个输入样本包含了4个气味特征，故输入层的大小为4；

隐含层：隐含层神经元的个数是由给定的聚类数K决定的，本发明K选择为20。在隐含层，每个神经元的输出都由径向基函数描述，本发明采用高斯函数作为径向基函数：

式(6)中，u_p为第p个训练样本的输入，c_r为高斯函数的第r个聚类中心，||u_p-c_r||为u_p到c_r的欧氏距离，σ为基函数的扩展常数，其值为：其中θ_max为K个聚类中心之间的最大距离；

输出层：输出层的神经元数与烘烤工艺曲线参数个数相同，即输出层的神经元数为3。对于输入样本u_p，输出层第q个神经元的输出值为：

其中ω_rq为隐含层第r个神经元与输出层第q个神经元之间的权值；

3-3-2：训练RBF神经网络，具体步骤如下：

(1)应用K-means聚类算法确定聚类中心c_r，具体过程如下：

1)初始化。选择K个互不相同的向量作为初始聚类中心c_r(0)，r＝1，2，...，K；

2)计算输入空间各样本点与聚类中心点的欧式距离||u_p-c_r(n)||，c_r(n)表示第n次迭代时的聚类中心；

3)相似匹配。令r^*代表竞争获胜隐含点的下标，对每一个输入样本u_p根据其与聚类中心的最小欧式距离确定其归类r^*(u_p)，即满足以下条件的u_p被归类为r^*类:r^*(u_p)＝min_r||u_p-c_r(n)||，经过相似匹配后全部样本被划分为K个子集；

4)更新各类的聚类中心。采用竞争学习规则进行调整：

上式η₁取0.1，将n值加1，转到第2)步。重复上述过程直到满足以下条件:|c_r(n+1)-c_r(n)|＜ε(ε＝0.01)，或是迭代次数达到最大值，聚类过程结束，聚类中心c_r确定。

(2)用LMS算法求解隐含层与输出层之间的权值，具体过程如下：

1)定义目标函数G如下：其中e_p为第p个训练样本的误差，其值为：e_p＝d_p-Y(u_p)，d_p为期望输出，Y(u_p)为网络预测输出；

2)利用LMS算法计算权值：W(n+1)＝W(n)+η₂Ue(n)；其中η₂＝0.05,W(n)为第n次迭代的权值向量:W(n)＝{ω_rq(n)}，r＝1，2，...，K；q＝1，2，3；

3)计算目标函数G，检查G是否达到最小要求0.001，如果没有则重复第2)步，直到目标函数达到最小要求或是迭代次数达到最大值，则权值学习结束，即RBF网络训练结束。

3-3-3：测试阶段：用总体样本中剩下的215个样本对训练后的RBF神经网络进行预测，输出烘烤工艺曲线参数T_dn,T_wn,和t_cn。

进一步，本发明所述步骤四截尾平均法计算网络预测的烘烤工艺曲线参数平均值采用如下公式：

上述式子中，T_dnf，T_wnf和t_cnf为网络输出数据的截尾平均值，和分别为T_dnz(z＝1，2，...，6)数据中的最小值和最大值，和分别为T_wnz(z＝1，2，...，6)数据中的最小值和最大值，和分别为t_cnz(z＝1，2，...，6)数据中的最小值和最大值；

进一步，所述步骤五具体包括以下子步骤：

5-1：如果干球温度平均值T_dnf大于当前阶段干球温度T_d与干球温度调节阈值T_{d_th}之和，则下一阶段的干球温度为T_d＝T_d+T_{d_th}；如果湿球温度平均值T_wnf大于当前阶段湿球温度T_w与干球温度调节阈值T_{w_th}之和，则下一阶段的干球温度为T_w＝T_w+T_{w_th}；如果烘烤阶段结束时间平均值t_cnf大于当前阶段持续时长t_c与持续时长调节阈值t_{c_th}之和，则下一阶段的烘烤持续时长为t_c＝t_c+t_{c_th}；

5-2：如果干球温度平均值T_dnf小于当前干球温度T_d与干球温度调节阈值T_{d_th}之差，则下一阶段的干球温度为T_d＝T_d-T_{d_th}；如果湿球温度平均值T_wnf小于当前阶段湿球温度T_w与湿球温度调节阈值T_{w_th}之差，则下一阶段的湿球温度为T_w＝T_w-T_{w_th}；如果烘烤阶段结束时间平均值t_cnf小于当前烘烤阶段结束时间t_c，则下一烘烤阶段结束时间为t_c＝t_c+1h；

5-3：其他情况下，下一阶段的干球温度为T_d＝T_dnf，下一阶段的湿球温度为T_w＝T_wnf，下一烘烤阶段结束时间为t_c＝t_cnf。

所述烤房是装烟三层的密集烤房，规格为13m×2.6m，其装烟量为5000kg，烟叶放置方式为散叶堆积式。

所述烟叶的品种是南江3号。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (5)

1.一种密集烤房烟叶烘烤工艺曲线的在线生成方法，其特征在于，按以下步骤进行：

步骤一：开始烘烤，设置初始阶段烘烤工艺曲线参数：干球温度T_d，湿球温度T_w，当前阶段持续时长t_c，生成该阶段的烘烤工艺曲线；

步骤二：实时检测当前烘烤时间t_h是否等于t_c-5，如果是则进入步骤三，否则在t_h+1时刻重复步骤二；

步骤三：启动下一阶段烘烤工艺曲线参数的预测，从当前时刻开始到本阶段烘烤阶段结束前5小时内，每隔1小时采集一次烤房气体信号并提取出气味特征，将该特征输入到训练好的RBF神经网络，预测输出下一阶段的烘烤工艺曲线参数值T_dn，T_wn和t_cn，一共得到6组输出结果，分别是：{T_dn1，T_wn1，t_cn1，T_dn2，T_wn2，t_cn2，T_dn3，T_wn3，t_cn3，T_dn4，T_wn4，t_cn4，T_dn5，T_wn5，t_cn5，T_dn6，T_wn6，t_cn6}；

步骤四：对以上6组输出结果采用截尾均值方法，求得RBF神经网络模型预测的下一阶段烘烤工艺曲线参数平均值：干球温度平均值T_dnf，湿球温度平均值T_wnf，以及烘烤阶段结束时间平均值t_cnf；

步骤五：根据T_dnf，T_wnf和t_cnf不同的取值，设置下一阶段烘烤曲线参数：T_d，T_w和t_c，并生成该阶段的烘烤工艺曲线；

步骤六：检测当前烘烤时间t_h是否达到最大烘烤时长t_over，如果达到最大烘烤时长则结束烘烤，同时生成完整的烘烤工艺曲线，否则重复步骤二。

2.根据权利要求1所述的密集烤房烟叶烘烤工艺曲线的在线生成方法，其特征在于：所述步骤三具体包括以下子步骤：

3-1：对获取的烤房空气的气味数据进行预处理，包括中值滤波以及数据归一化处理；

3-2：对步骤3-1中得到的信号进行气味特征提取，包括傅里叶变换和PCA主成分分析特征降维；

3-3：对步骤3-2提取的气味特征，输入到RBF神经网络预测输出烘烤工艺曲线的参数T_dn,T_wn,和t_cn。

3.根据权利要求1或者2所述的密集烤房烟叶烘烤工艺曲线的在线生成方法，其特征在于：所述步骤五具体包括以下子步骤：

5-1：如果干球温度平均值T_dnf大于当前阶段干球温度T_d与干球温度调节阈值T_{d_th}之和，则下一阶段的干球温度为T_dN＝T_d+T_{d_th}；如果湿球温度平均值T_wnf大于当前阶段湿球温度T_w与湿球温度调节阈值T_{w_th}之和，则下一阶段的湿球温度为T_wN＝T_w+T_{w_th}；如果烘烤阶段结束时间平均值t_cnf大于当前阶段持续时长t_c与持续时长调节阈值t_{c_th}之和，则下一烘烤阶段结束时间为t_cN＝t_c+t_{c_th}；

5-2：如果干球温度平均值T_dnf小于当前干球温度T_d与干球温度调节阈值T_{d_th}之差，则下一阶段的干球温度为T_dN＝T_d-T_{d_th}；如果湿球温度平均值T_wnf小于当前阶段湿球温度T_w与湿球温度调节阈值T_{w_th}之差，则下一阶段的湿球温度为T_wN＝T_w-T_{w_th}；如果烘烤阶段结束时间平均值t_cnf小于当前阶段持续时长t_c，则下一烘烤阶段结束时间为t_cN＝t_c+1h；

5-3：其他情况下，下一阶段的干球温度为T_dN＝T_dnf，下一阶段的湿球温度为T_wN＝T_wnf，下一烘烤阶段结束时间为t_cN＝t_cnf。

4.根据权利要求1或者2所述的密集烤房烟叶烘烤工艺曲线的在线生成方法，其特征在于：所述烤房是装烟三层的密集烤房，规格为13m×2.6m，其装烟量为5000kg，烟叶放置方式为散叶堆积式。

5.根据权利要求1或者2所述的密集烤房烟叶烘烤工艺曲线的在线生成方法，其特征在于：所述烟叶的品种是南江3号。