CN109581879B - 基于广义预测控制的松散回潮控制方法及系统 - Google Patents

Abstract

本发明公开一种基于广义预测控制的松散回潮控制方法，包括以下步骤：获取松散回潮过程烟片的相关数据，所述相关数据至少包括牌号信息、入口含水率、出口含水率、目标出口含水率和烟片质量流量；对采集到的松散回潮过程烟片的入口含水率以及烟片质量流量进行判定，当所述入口含水率以及烟片质量流量处于正常工作状态时，对松散回潮过程进行控制。基于本发明的方法和系统，能够在松散回潮过程中根据过去及当前时刻的过程量，实时辨识松散回潮过程模型参数，并使用Diophantine方程获得预测模型，进而自动的得出最优的加水量，最终实现控制松散回潮过程中烟片出口水分，提高烟片合格率，降低卷烟生产成本的目标。

Description

基于广义预测控制的松散回潮控制方法及系统

技术领域

本发明涉及松散回潮控制的技术领域，具体涉及一种基于广义预测控制的松散回潮控制方法及系统。

背景技术

松散回潮作为烟厂制丝线影响烟丝质量的首道加工工序，松散回潮出口含水率是该工序重要工艺指标，其过程稳定性对后续各工序工艺指标有着直接的影响。目前，对于松散回潮过程中出口水分控制存在诸多问题，最为突出的有两点：其一，由于松散回潮过程本身存在时延，导致松散回潮控制系统不能根据实时测量得到的出口含水率调节加水量的大小，从而影响出口含水率的稳定。其二，由于制丝生产线上烟片的吸水能力是一直在变化的，导致同一批次的烟片物理特性不同，使得松散回潮控制系统不能根据松散回潮过程的数学模型与实时测量得到的变量值，得出此时最优的加水量，影响出口含水率的稳定。

相对于松散回潮过程的重要程度及其影响程度，其烟片出口水分控制精度却一直较低。对于松散回潮工序的加水量，只能依靠现场PLC控制系统设定不变的加水量计算模型得出，但由于烟片的物理特性是变化的，所以在自动得出加水量后，需人工辅助调节，使得烟片出口水分稳定性取决于现场操作人员的水平，控制效果有限。这些现状降低松散回潮过程烟片出口水分的稳定性，从而产生较多的不合格烟丝，对后续各工序工艺指标有很大影响。

而广义预测控制算法是指一种鲁棒性强、能够有效地克服系统滞后、实时辨识被控对象数学模型参数的先进控制算法，基于这种算法，现如今，极有必要研发一套兼备自适应控制和预测控制能力的松散回潮控制方法，并以之为基础开发一套面向烟草控制人员的松散回潮控制方法。

发明内容

本发明针对现有技术中的缺点，提供了一种基于广义预测控制的松散回潮控制方法及系统。

为了解决上述技术问题，本发明通过下述技术方案得以解决：

一种基于广义预测控制的松散回潮控制方法，包括以下步骤：

获取松散回潮过程烟片的相关数据，所述相关数据至少包括牌号信息、入口含水率、出口含水率、目标出口含水率和烟片质量流量；

对采集到的松散回潮过程烟片的入口含水率以及烟片质量流量进行判定，当所述入口含水率以及烟片质量流量处于正常工作状态时，对松散回潮过程进行控制，其中，所述对松散回潮设备的控制过程包括：

对采集到的牌号信息进行自动识别，得到相应批次烟片的物理特性，物理特性至少包含目标含水率，根据所述目标含水率得到加水量的范围；

根据松散回潮过程中各相关数据之间的物理关系以及加水量，建立对应过程的预测模型，通过所述预测模型预测出时延内的出口含水率；

根据具体时刻获得的松散回潮过程中预测的出口含水率以及采集的出口含水率，得到对应的最优加水量，进而实现对烟片出口含水率的控制。

作为一种可实施方式，在进而实现对烟片出口含水率的控制步骤之后，还包括以下步骤：

若具体时刻的生产条件发生变化，则采用在线模型辨识对所述预测模型进行校正处理，得到校正预测模型，通过校正预测模型继续进行预测。

作为一种可实施方式，所述校正处理包括最小二乘法和递推最小二乘法。

作为一种可实施方式，所述根据松散回潮过程中各相关数据之间的物理关系以及加水量，建立对应过程的预测模型，通过所述预测模型预测出时延内的出口含水率，具体步骤为：

根据松散回潮过程中各相关数据之间的物理关系，构建对应过程中的机理模型，并将此机理模型进行线性化处理，得到以下模型：

y(l)＝k(l)Δu(l)+y(l-1)+ε(l)

式中，y(l)表示l时刻的烟片的出口含水率与其对应的入口含水率的差值，Δu(l)表示l时刻的烟片的系统加水量较上一时刻变化量，k(l)表示模型时变参数，ε(l)表示白噪声，y(l-1)表示为l-1时刻的烟片的出口含水率与其对应的入口含水率的差值；

通过在线求解多步Diophantine方程，建立预测模型，通过l时刻烟片入口含水率，模型时变参数，预测系统时延d内的出口含水率与其对应的入口含水率之差Y＝[y(l+1),y(l+2),...,y(l+d)]^T。

作为一种可实施方式，所述根据具体时刻获得的松散回潮过程中预测的出口含水率以及采集的出口含水率，得到对应的最优加水量，进而实现对烟片出口含水率的控制，具体步骤为：

根据最新时刻的出口含水率的变化来更新未来的加水量控制序列，实现滚动优化，采用滚动式的有限时域优化策略，使烟片的出口含水率在未来的采样点上与目标出口含水率方差最小，得到当前l时刻系统的性能指标J，性能指标J表示如下：

其中，y_r(l+j)表示(l+j)时刻目标出口含水率与其对应的入口含水率之差，N₁表示最小预测长度，N₂表示最大预测长度，N_u表示控制长度，Δu表示控制增量，r表示加权系数；

通过所述性能指标求取当前时刻最优加水增量，当性能指标J最小时，则对应的为最优控制增量Δu(l)，最优控制增量Δu(l)表示为：

其中，F₁，F₂，G为多步Diophantine方程系数矩阵，其中，ΔU(l-j)＝[Δu(l-1)，Δu(l-2)，...，Δu(l-n_b)]^T，n_b为多项式B的最高次幂；

求取当前时刻的最优加水量，根据l-1时刻最优加水量u(l-1)与l时刻最优控制增量Δu(l)得到l时刻最优加水量u(l)，l时刻最优加水量u(l)表示为：u(l)＝u(l-1)+Δu(l)，其中，Δu(l)表示l时刻最优控制增量，u(l)表示l时刻最优加水量；u(l-1)表示l-1时刻最优加水量。

作为一种可实施方式，所述获取松散回潮过程烟片的相关数据基于数据通讯软件通过现场PLC控制网络获得的，所述得出此时刻对应的最优加水量后再传回现场PLC控制网络中。

作为一种可实施方式，选用的数据通讯软件包括Matrikon OPC Siemens PLCServer和Factory Suite Gateway。

作为一种可实施方式，所述数据通讯软件选择Matrikon OPC Siemens PLCServer时，采集过程具体为：

根据OPC服务器中各标签对应的地址，从现场PLC系统提取数据到边缘计算模块或从边缘计算模块传输数据到现场PLC。

一种基于广义预测控制的松散回潮控制系统，包括数据获取模块和判定控制模块；

所述数据获取模块，用于获取松散回潮过程烟片的相关数据，所述相关数据至少包括牌号信息、入口含水率、出口含水率、目标出口含水率和烟片质量流量；

所述判定控制模块，用于对采集到的松散回潮过程烟片的入口含水率以及烟片质量流量进行判定，当所述入口含水率以及烟片质量流量处于正常工作状态时，对松散回潮过程进行控制，其中，所述判定控制模块包括自动识别单元、预测模块建立单元和控制单元：

所述自动识别单元，用于对采集到的牌号信息进行自动识别，得到相应批次烟片的物理特性，物理特性至少包含目标含水率，根据所述目标含水率得到加水量的范围；

所述预测模块建立单元，用于根据松散回潮过程中各相关数据之间的物理关系以及加水量，建立对应过程的预测模型，通过所述预测模型预测出时延内的出口含水率；

所述控制单元，用于根据具体时刻获得的松散回潮过程中预测的出口含水率以及采集的出口含水率，得到对应的最优加水量，进而实现对烟片出口含水率的控制。

本发明由于采用了以上技术方案，具有显著的技术效果：

基于本发明的方法和系统，能够在松散回潮过程中根据过去及当前时刻的过程量，实时辨识松散回潮过程模型参数，并使用Diophantine方程获得预测模型，进而自动的得出最优的加水量，最终实现控制松散回潮过程中烟片出口水分，提高烟片合格率，降低卷烟生产成本的目标。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明的整体流程示意图；

图2是本发明的整体系统示意图；

图3是本发明一实施例中某松散回潮设备采用广义预测控制前后对比图。

具体实施方式

下面结合实施例对本发明做进一步的详细说明，以下实施例是对本发明的解释而本发明并不局限于以下实施例。

一种基于广义预测控制的松散回潮控制方法，如图1所示，包括以下步骤：

S100、获取松散回潮过程烟片的相关数据，所述相关数据至少包括牌号信息、入口含水率、出口含水率、目标出口含水率和烟片质量流量；

S200、对采集到的松散回潮过程烟片的入口含水率以及烟片质量流量进行判定，当所述入口含水率以及烟片质量流量处于正常工作状态时，对松散回潮过程进行控制，其中，所述对松散回潮过程进行控制的过程包括：

S210、对采集到的牌号信息进行自动识别，得到相应批次烟片的物理特性，物理特性至少包含目标含水率，根据所述目标含水率得到加水量的范围；

S220、根据松散回潮过程中各相关数据之间的物理关系以及加水量，建立对应过程的预测模型，通过所述预测模型预测出时延内的出口含水率；

S230、根据具体时刻获得的松散回潮过程中预测的出口含水率以及采集的出口含水率，得到对应的最优加水量，进而实现对烟片出口含水率的控制。

广义预测控制(Generalized Predictive Control，GPC)算法，是指一种鲁棒性强、能够有效地克服系统滞后、实时辨识被控对象数学模型参数的先进控制算法。它是一种兼具自适应控制和预测控制能力的控制算法，在保持最小方差自校正控制的在线辨识、输出预测、最小输出方差控制的基础上，吸取了动态矩阵控制(DMC)，模型算法控制(MAC)中的滚动优化策略，自出现以来，就受到工业控制界的重视。但是在烟草控制领域，广义预测控制起步本身较晚，在实际生产中的应用成熟度也相对较差，在松散回潮过程控制领域的应用更是少之又少，所以，目前国内多数烟厂对松散回潮过程烟片出口水分控制仍以开环控制加人工辅助的方式为主。本申请是基于广义预测控制算法实现了一种可以实时预测出口含水率，进而得到对应的最优加水量，最终实现对烟片出口含水率的控制。

本申请基于广义预测控制算法，能够在松散回潮过程中根据过去及当前时刻的过程量，实时辨识松散回潮过程模型参数，并使用Diophantine方程获得预测模型，进而自动的得出最优的加水量，最终实现控制松散回潮过程中烟片出口水分，提高烟片合格率，降低卷烟生产成本的目标。

在步骤S230之后，还包括以下步骤：若具体时刻的生产条件发生变化，则采用在线模型辨识对所述预测模型进行校正处理，得到校正预测模型，通过校正预测模型继续进行预测，此步骤就是对预测模型进行校正的过程。

更进一步地，所述校正处理包括最小二乘法和递推最小二乘法，在本申请中，优选采用的递推最小二乘法进行校正处理。

在步骤S220中，所述根据松散回潮过程中各相关数据之间的物理关系以及加水量，建立对应过程的预测模型，通过所述预测模型预测出时延内的出口含水率，具体步骤为：

根据松散回潮过程中各相关数据之间的物理关系，构建对应过程中的机理模型，并将此机理模型进行线性化处理，得到以下模型：

y(l)＝k(l)Δu(l)+y（l-1)+ε(l)

式中，y(l)表示l时刻的烟片的出口含水率与其对应的入口含水率的差值，Δu(l)表示l时刻的烟片的系统加水量较上一时刻变化量，k(l)表示模型时变参数，ε(l)表示白噪声，y(l-1)表示为l-1时刻的烟片的出口含水率与其对应的入口含水率的差值；

通过在线求解多步Diophantine方程，建立预测模型，通过l时刻烟片入口含水率，模型时变参数，预测系统时延d内的出口含水率与其对应的入口含水率之差Y＝[y(l+1),y(l+2),...,y(l+d)]^T。

在步骤S230中，所述根据具体时刻获得的松散回潮过程中预测的出口含水率以及采集的出口含水率，得到对应的最优加水量，进而实现对烟片出口含水率的控制，具体步骤为：

根据最新时刻的出口含水率的变化来更新未来的加水量控制序列，实现滚动优化，采用滚动式的有限时域优化策略，使烟片的出口含水率在未来的采样点上与目标出口含水率方差最小，得到当前l时刻系统的性能指标J，性能指标J表示如下：

其中，y_r(l+j)表示(l+j)时刻目标出口含水率与其对应的入口含水率之差，N₁表示最小预测长度，N₂表示最大预测长度，N_u表示控制长度，Δu表示控制增量，r表示加权系数；

通过所述性能指标求取当前时刻最优加水增量，当性能指标J最小时，则对应的为最优控制增量Δu(l)，最优控制增量Δu(l)表示为：

其中，F₁，F₂，G为多步Diophantine方程系数矩阵，其中，ΔU(l-j)＝[Δu(l-1)，Δu(l-2)，...，Δu(l-n_b)]^T，n_b为多项式B的最高次幂；

求取当前时刻的最优加水量，根据l-1时刻最优加水量u(l-1)与l时刻最优控制增量Δu(l)得到l时刻最优加水量u(l)，l时刻最优加水量u(l)表示为：u(l)＝u(l-1)+Δu(l)，其中，Δu(l)表示l时刻最优控制增量，u(l)表示l时刻最优加水量；u(l-1)表示l-1时刻最优加水量。

更进一步来说，所述获取松散回潮过程烟片的相关数据基于数据通讯软件通过现场PLC控制网络获得的，所述得出此时刻对应的最优加水量后再传回现场PLC控制网络中。

在步骤S100中，选用的数据通讯软件包括Matrikon OPC Siemens PLC Server和Factory Suite Gateway。

本申请选择的是Matrikon OPC Siemens PLC Server时，采集过程具体为：根据OPC服务器中各标签对应的地址，从现场PLC系统提取数据到边缘计算模块或从边缘计算模块传输数据到现场PLC。

采用本申请的方法，效果图如附图3所示，在使用本申请控制方法的Cpk制程能力指数为3.7692多，而未使用本发明的控制方法的Cpk制程能力指数是0.9774多，不到1，可见，差距很多，足以可见本申请控制方法的效果足够好。

实施例2：

一种基于广义预测控制的松散回潮控制系统，如图2所示，包括数据获取模块100和判定控制模块200；

所述数据获取模块100，用于获取松散回潮过程烟片的相关数据，所述相关数据至少包括牌号信息、入口含水率、出口含水率、目标出口含水率和烟片质量流量；

所述判定控制模块200，用于对采集到的松散回潮过程烟片的入口含水率以及烟片质量流量进行判定，当所述入口含水率以及烟片质量流量处于正常工作状态时，对松散回潮过程进行控制，其中，所述判定控制模块200包括自动识别单元210、预测模块建立单元220和控制单元230：

所述自动识别单元210，用于对采集到的牌号信息进行自动识别，得到相应批次烟片的物理特性，物理特性至少包含目标含水率，根据所述目标含水率得到加水量的范围；

所述预测模块建立单元220，用于根据松散回潮过程中各相关数据之间的物理关系以及加水量，建立对应过程的预测模型，通过所述预测模型预测出时延内的出口含水率；

所述控制单元230，用于根据具体时刻获得的松散回潮过程中预测的出口含水率以及采集的出口含水率，得到对应的最优加水量，进而实现对烟片出口含水率的控制。

本申请基于广义预测控制系统，能够在松散回潮过程中根据过去及当前时刻的过程量，实时辨识松散回潮过程模型参数，并使用Diophantine方程获得预测模型，进而自动的得出最优的加水量，最终实现控制松散回潮过程中烟片出口水分，提高烟片合格率，降低卷烟生产成本的目标。

对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

需要说明的是：

说明书中提到的“一个实施例”或“实施例”意指结合实施例描述的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，说明书通篇各个地方出现的短语“一个实施例”或“实施例”并不一定均指同一个实施例。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

此外，需要说明的是，本说明书中所描述的具体实施例，其零、部件的形状、所取名称等可以不同。凡依本发明专利构思所述的构造、特征及原理所做的等效或简单变化，均包括于本发明专利的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离本发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (8)

1.一种基于广义预测控制的松散回潮控制方法，其特征在于，包括以下步骤：

获取松散回潮过程烟片的相关数据，所述相关数据至少包括牌号信息、入口含水率、出口含水率、目标出口含水率和烟片质量流量；

对采集到的松散回潮过程烟片的入口含水率以及烟片质量流量进行判定，当所述入口含水率以及烟片质量流量处于正常工作状态时，对松散回潮过程进行控制，其中，所述对松散回潮过程进行控制的过程包括：

对采集到的牌号信息进行自动识别，得到相应批次烟片的物理特性，物理特性至少包含目标含水率，根据所述目标含水率得到加水量的范围；

根据松散回潮过程中各相关数据之间的物理关系以及加水量，建立对应过程的预测模型，通过所述预测模型预测出时延内的出口含水率；

根据具体时刻获得的松散回潮过程中预测的出口含水率以及采集的出口含水率，得到对应的最优加水量，进而实现对烟片出口含水率的控制；

所述根据松散回潮过程中各相关数据之间的物理关系以及加水量，建立对应过程的预测模型，通过所述预测模型预测出时延内的出口含水率，具体步骤为：

根据松散回潮过程中各相关数据之间的物理关系，构建对应过程中的机理模型，并将此机理模型进行线性化处理，得到以下模型：

y(l)＝k(l)Δu(l)+y(l-1)+ε(l)

式中，y(l)表示l时刻的烟片的出口含水率与其对应的入口含水率的差值，Δu(l)表示l时刻的烟片的系统加水量较上一时刻变化量，k(l)表示模型时变参数，ε(l)表示白噪声，y(l-1)表示为l-1时刻的烟片的出口含水率与其对应的入口含水率的差值；

通过在线求解多步Diophantine方程，建立预测模型，通过l时刻烟片入口含水率，模型时变参数，预测系统时延d内的出口含水率与其对应的入口含水率之差Y＝[y(l+1)，y(l+2)，...，y(l+d)]^T。

2.根据权利要求1所述的基于广义预测控制的松散回潮控制方法，其特征在于，在进而实现对烟片出口含水率的控制步骤之后，还包括以下步骤：

若具体时刻的生产条件发生变化，则采用在线模型辨识对所述预测模型进行校正处理，得到校正预测模型，通过校正预测模型继续进行预测。

3.根据权利要求2所述的基于广义预测控制的松散回潮控制方法，其特征在于，所述校正处理包括最小二乘法和递推最小二乘法。

4.根据权利要求1所述的基于广义预测控制的松散回潮控制方法，其特征在于，所述根据具体时刻获得的松散回潮过程中预测的出口含水率以及采集的出口含水率，得到对应的最优加水量，进而实现对烟片出口含水率的控制，具体步骤为：

根据最新时刻的出口含水率的变化来更新未来的加水量控制序列，实现滚动优化，采用滚动式的有限时域优化策略，使烟片的出口含水率在未来的采样点上与目标出口含水率方差最小，得到当前l时刻系统的性能指标J，性能指标J表示如下：

其中，y_r(l+j)表示(l+j)时刻目标出口含水率与其对应的入口含水率之差，N₁表示最小预测长度，N₂表示最大预测长度，N_u表示控制长度，Δu表示控制增量，r表示加权系数；

通过所述性能指标求取当前时刻最优加水增量，当性能指标J最小时，则对应的为最优控制增量Δu(l)，最优控制增量Δu(l)表示为：

其中，F₁，F₂，G为多步Diophantine方程系数矩阵，其中，ΔU(l-j)＝[Δu(l-1)，Δu(l-2)，...，Δu(l-n_b)]^T，n_b为多项式B的最高次幂；

求取当前时刻的最优加水量，根据l-1时刻最优加水量u(l-1)与l时刻最优控制增量Δu(l)得到l时刻最优加水量u(l)，l时刻最优加水量u(l)表示为：u(l)＝u(l-1)+Δu(l)，其中，Δu(l)表示l时刻最优控制增量，u(l)表示l时刻最优加水量；u(l-1)表示l-1时刻最优加水量。

5.根据权利要求1所述的基于广义预测控制的松散回潮控制方法，其特征在于，所述获取松散回潮过程烟片的相关数据基于数据通讯软件通过现场PLC控制网络获得的，得出此时刻对应的最优加水量后再传回现场PLC控制网络中。

6.根据权利要求5所述的基于广义预测控制的松散回潮控制方法，其特征在于，选用的数据通讯软件包括Matrikon OPC Siemens PLC Server和Factory Suite Gateway。

7.根据权利要求6所述的基于广义预测控制的松散回潮控制方法，其特征在于，所述数据通讯软件选择Matrikon OPC Siemens PLC Server时，采集过程具体为：

根据OPC服务器中各标签对应的地址，从现场PLC系统提取数据到边缘计算模块或从边缘计算模块传输数据到现场PLC。

8.一种基于广义预测控制的松散回潮控制系统，其特征在于，包括数据获取模块和判定控制模块；

所述数据获取模块，用于获取松散回潮过程烟片的相关数据，所述相关数据至少包括牌号信息、入口含水率、出口含水率、目标出口含水率和烟片质量流量；

所述判定控制模块，用于对采集到的松散回潮过程烟片的入口含水率以及烟片质量流量进行判定，当所述入口含水率以及烟片质量流量处于正常工作状态时，对松散回潮过程进行控制，其中，所述判定控制模块包括自动识别单元、预测模块建立单元和控制单元：

所述自动识别单元，用于对采集到的牌号信息进行自动识别，得到相应批次烟片的物理特性，物理特性至少包含目标含水率，根据所述目标含水率得到加水量的范围；

所述预测模块建立单元，用于根据松散回潮过程中各相关数据之间的物理关系以及加水量，建立对应过程的预测模型，通过所述预测模型预测出时延内的出口含水率；

所述控制单元，用于根据具体时刻获得的松散回潮过程中预测的出口含水率以及采集的出口含水率，得到对应的最优加水量，进而实现对烟片出口含水率的控制；

所述根据松散回潮过程中各相关数据之间的物理关系以及加水量，建立对应过程的预测模型，通过所述预测模型预测出时延内的出口含水率，具体步骤为：

根据松散回潮过程中各相关数据之间的物理关系，构建对应过程中的机理模型，并将此机理模型进行线性化处理，得到以下模型：

y(l)＝k(l)Δu(l)+y(l-1)+ε(l)

式中，y(l)表示l时刻的烟片的出口含水率与其对应的入口含水率的差值，Δu(l)表示l时刻的烟片的系统加水量较上一时刻变化量，k(l)表示模型时变参数，ε(l)表示白噪声，y(l-1)表示为l-1时刻的烟片的出口含水率与其对应的入口含水率的差值；

通过在线求解多步Diophantine方程，建立预测模型，通过l时刻烟片入口含水率，模型时变参数，预测系统时延d内的出口含水率与其对应的入口含水率之差Y＝[y(l+1)，y(l+2)，...，y(l+d)]^T。

Images