CN110673490B - 烘丝干尾过程的长期预测建模及优化设定控制方法 - Google Patents

烘丝干尾过程的长期预测建模及优化设定控制方法 Download PDF

Info

Publication number
CN110673490B
CN110673490B CN201911083452.XA CN201911083452A CN110673490B CN 110673490 B CN110673490 B CN 110673490B CN 201911083452 A CN201911083452 A CN 201911083452A CN 110673490 B CN110673490 B CN 110673490B
Authority
CN
China
Prior art keywords
drying
tail
cut tobacco
arx model
tobacco
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201911083452.XA
Other languages
English (en)
Other versions
CN110673490A (zh
Inventor
周锋
朱培栋
于佳琪
郭文明
左毅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changsha University
Original Assignee
Changsha University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Changsha University filed Critical Changsha University
Priority to CN201911083452.XA priority Critical patent/CN110673490B/zh
Publication of CN110673490A publication Critical patent/CN110673490A/zh
Application granted granted Critical
Publication of CN110673490B publication Critical patent/CN110673490B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Drying Of Solid Materials (AREA)
  • Manufacture Of Tobacco Products (AREA)

Abstract

本发明公开了一种烘丝干尾过程的长期预测建模及优化设定控制方法。该方法从烟草烘丝干尾过程的生产要求出发，建立了以模型多步向前预测输出和不同工况下多段实际数据的拟合度为优化目标的干尾过程长期预测MQ‑ARX模型。并基于优化出的MQ‑ARX模型，设计了在控制量设定曲线输入情况下，可使MQ‑ARX模型预测的干尾过程烟丝出口含水率与其设定值之间的误差最小的优化设定控制方法。该方法可使烟丝干尾过程中的出口烟丝水分尽可能稳定在设定值上。

Description

烘丝干尾过程的长期预测建模及优化设定控制方法
技术领域
本发明涉及烘丝机烘丝加工工序的建模和控制技术领域，尤其涉及一种针对烘丝机烟草烘丝干尾过程的建模和控制方法。
背景技术
烘丝过程是卷烟制丝工艺中的最重要工序之一，根据工艺要求，整个烘丝过程可分为三个阶段：干头段，中间段和干尾段。当检测到入口烟丝流量时，烘丝干头过程开始，当检测到的出口烟丝含水率基本稳定在设定值时，烘丝干头过程结束。然后，进入一段相对较长的烘丝中间过程。当入口烟丝流量由正常值变为零时，标志着烘丝干尾过程开始，直到烟丝排出机体时，整个烘丝过程结束。在烟丝干尾过程中，由于烟丝入口流量骤然减少，而烘丝机滚筒具有较大热容，筒壁内部温度难以按规定的速率下降等问题，极易造成干尾过程出口水分控制性能低且干料多。
在烟草烘丝干尾过程中，烟丝断流之后，系统检测不到入口烟丝流量和入口烟丝含水率，但此时依然有出口烟丝含水率检测值。因此，无法采用机理建模方法建立烘丝干尾过程的精确数学模型。此外，由于入口烟丝流量骤然减少，而烘丝机滚筒具有较大热容，筒壁内部温度难以按规定的速率下降等问题，也极易造成干尾过程出口水分控制性能低且干料多。目前，已有技术主要采用基于数据驱动的辨识模型来建立该过程的数学模型。专利“201210376264.8”提出了一种“基于模型预测的烘丝机出口水分控制方法”，该方法采用一种基于高斯基函数的状态相依模型来描述烘丝过程的干尾过程。专利“201310659839.1”提出了“一种烘丝机头尾段工艺变量优化控制方法”，该方法采用一种基于三次函数的状态相依模型来描述烘丝过程的干尾过程。但上述方法均为基于某一次烟草烘丝过程的运行检测数据建立的干尾过程一步向前预测模型，其均是基于辨识出的一步向前预测模型设计的干尾过程设定控制方法。而在实际的烟草烘丝过程中，出口烟丝含水率极易受到外界气温、湿度和工况条件等的影响。考虑到实际烘丝干尾过程的特殊性，如何充分利用不同工况下采集的多段输入输出数据来建立干尾过程的长期预测模型，并基于该长期预测模型进行控制器设计仍是亟待解决的关键技术难题。
发明内容
本发明所要解决的技术问题是，针对现有技术的不足，提供一种烘丝干尾过程的长期预测建模及优化设定控制方法。该方法设计了以MQ-ARX模型多步向前预测输出和实际数据集的拟合度为优化目标的参数优化方法；并基于优化出的MQ-ARX模型，设计了在控制量设定曲线输入情况下，可使MQ-ARX模型预测的干尾过程烟丝出口含水率与其设定值之间的误差最小的优化设定控制方法。
为解决上述技术问题，本发明所采用的技术方案是：一种烘丝干尾过程的长期预测建模及优化设定控制方法，包括以下步骤：
1)建立用于对烟草烘丝干尾过程进行预测的MQ-ARX模型结构为：
Figure BDA0002264651830000021
上式中，yt为烘丝干尾过程t时刻的出口烟丝含水率，
Figure BDA0002264651830000022
为烘丝干尾过程t时刻的排潮风门开度，
Figure BDA0002264651830000023
为t时刻的滚筒筒温，
Figure BDA0002264651830000024
为t时刻的滚筒旋转频率，
Figure BDA0002264651830000025
为t时刻的入口烟丝流量，
Figure BDA0002264651830000026
为t时刻的入口烟丝含水率，ξt为t时刻的建模误差；xt-1为MQ-ARX模型的状态量，且
Figure BDA0002264651830000027
φ0(xt-1)和
Figure BDA0002264651830000028
均为关于xt-1的多二次(Multi-Quadratic，MQ)函数型系数，且具体结构为：
Figure BDA0002264651830000029
Figure BDA00022646518300000210
Figure BDA00022646518300000211
上式中，
Figure BDA00022646518300000212
为MQ-ARX模型的非线性参数集；
Figure BDA00022646518300000213
为MQ-ARX模型的线性参数集。
2)在不同工况下以采样周期2秒分别采集总共M组烘丝干尾过程数据集，具体的第q组数据集包括：排潮风门开度的数据集
Figure BDA00022646518300000214
滚筒筒温的数据集
Figure BDA00022646518300000215
滚筒旋转频率的数据集
Figure BDA00022646518300000216
入口烟丝流量的数据集
Figure BDA00022646518300000217
入口烟丝含水率的数据集
Figure BDA0002264651830000031
出口烟丝含水率的数据集
Figure BDA0002264651830000032
其中n为干尾过程数据长度，且q＝1,2...,M。
3)建立烘丝干尾过程基于第q组数据集和MQ-ARX模型的第p步向前预测输出
Figure BDA0002264651830000033
具体结构如下：
Figure BDA0002264651830000034
上式中，
Figure BDA0002264651830000035
Figure BDA0002264651830000036
4)对建立的干尾过程MQ-ARX模型中的参数集θL和θN进行优化，具体方法如下：
定义以MQ-ARX模型多步向前预测输出和实际数据集的拟合度为优化目标的目标函数如下：
Figure BDA0002264651830000037
上式中，
Figure BDA0002264651830000038
为第q组烘丝干尾过程采样数据集对应的MQ-ARX模型多步向前预测的建模误差向量，且τ＝4，n为干尾过程数据集的长度。然后，采用梯度下降法求解如下非线性优化问题：
Figure BDA0002264651830000039
上述梯度下降法优化过程的终止条件为：
Figure BDA00022646518300000310
且ε＝0.0001。当满足终止条件时，可得到烘丝干尾过程MQ-ARX模型的参数
Figure BDA00022646518300000311
和
Figure BDA00022646518300000312
5)设计用于拟合烘丝干尾过程的控制量：排潮风门开度
Figure BDA00022646518300000313
滚筒筒温
Figure BDA00022646518300000314
和滚筒旋转频率
Figure BDA00022646518300000315
的设定曲线结构如下：
Figure BDA0002264651830000041
其中，f1(t)、f2(t)和f3(t)分别为控制量
Figure BDA0002264651830000042
和
Figure BDA0002264651830000043
的设定曲线；
Figure BDA0002264651830000044
分别为设定曲线fg(t)中的待优化参数集，并定义
Figure BDA0002264651830000045
6)优化排潮风门开度
Figure BDA0002264651830000046
滚筒筒温
Figure BDA0002264651830000047
和滚筒旋转频率
Figure BDA0002264651830000048
的最优设定曲线f1(t)、f2(t)和f3(t)的参数集θx，具体优化方法如下：
(1)将设定曲线f1(t)、f2(t)和f3(t)代入已建立的干尾过程MQ-ARX模型，可得在该输入曲线情况下的MQ-ARX模型的预测输出为：
Figure BDA0002264651830000049
则基于采集的第q组烘丝干尾过程数据序列，得到的相应MQ-ARX模型的预测输出为：
Figure BDA00022646518300000420
(2)定义优化参数集θx的目标函数如下：
Figure BDA00022646518300000410
上式中，
Figure BDA00022646518300000411
yr为烘丝干尾过程的出口烟丝含水率设定值，
Figure BDA00022646518300000412
是基于采集的第q组烘丝干尾过程数据序列，在第τ时刻的基于MQ-ARX模型的预测输出。
(3)采用梯度下降法求解如下非线性优化问题：
Figure BDA00022646518300000413
上述梯度下降法优化过程的终止条件为：
Figure BDA00022646518300000414
且
Figure BDA00022646518300000415
当满足终止条件时，可得到此时f1(t)，f2(t)和f3(t)中具体的参数集
Figure BDA00022646518300000416
最终，得到烘丝干尾过程的排潮风门开度
Figure BDA00022646518300000417
滚筒筒温
Figure BDA00022646518300000418
和滚筒旋转频率
Figure BDA00022646518300000419
最优设定曲线。在实际控制中，通过将烘丝干尾过程的排潮风门开度、滚筒筒温和滚筒旋转频率设置成优化出的设定曲线，可最大限度的使干尾过程中的出口烟丝水分稳定在设定值上，有效避免了出口烟丝水分的过早下降，可大大减少烘丝干尾过程中的“干烟丝”的量。
与现有技术相比，本发明所具有的有益效果为：本专利采用MQ-ARX建模方法建立了以模型多步向前预测输出和不同工况下多段实际数据的拟合度为优化目标的干尾过程高精度长期预测模型。并基于优化出的MQ-ARX模型，设计了在控制量设定曲线输入情况下，可使MQ-ARX模型预测的干尾过程烟丝出口含水率与其设定值之间的误差最小的优化设定控制方法。该方法在烘丝干尾过程前期，可尽量使烟丝水分稳定在设定值上，有效避免了烟丝出口含水率的过早下降，可显著减少干尾部分“干烟丝”的量。
附图说明
图1为本发明针对的烟草烘丝干尾过程工艺示意图。
具体实施方式
本发明所针对的烘丝机烘丝干尾过程工艺示意图如图1所示，需要烘丝加工的烟丝经传送带进入滚筒，经烘烤后传出滚筒。图1中，1为排潮风门开度检测点；2为滚筒筒温检测点；3为滚筒旋转频率检测点；4为入口烟丝流量检测点；5为入口烟丝含水率检测点；6为出口烟丝含水率检测点。
针对图1所示烘丝干尾过程，本发明所述烘丝干尾过程的长期预测建模及优化设定控制方法的具体实施方式如下：
步骤1：建立用于对烟草烘丝干尾过程进行预测的MQ-ARX模型结构为：
Figure BDA0002264651830000051
上式中，yt为烘丝干尾过程t时刻的出口烟丝含水率，
Figure BDA0002264651830000052
为烘丝干尾过程t时刻的排潮风门开度，
Figure BDA0002264651830000053
为t时刻的滚筒筒温，
Figure BDA0002264651830000054
为t时刻的滚筒旋转频率，
Figure BDA0002264651830000055
为t时刻的入口烟丝流量，
Figure BDA0002264651830000056
为t时刻的入口烟丝含水率，ξt为t时刻的建模误差；xt-1为MQ-ARX模型的状态量，且
Figure BDA0002264651830000057
φ0(xt-1)和
Figure BDA0002264651830000058
均为关于xt-1的多二次(Multi-Quadratic，MQ)函数型系数，且具体结构如下：
Figure BDA0002264651830000061
上式中，
Figure BDA0002264651830000062
为MQ-ARX模型的非线性参数集；
Figure BDA0002264651830000063
为MQ-ARX模型的线性参数集。
步骤2：在不同工况下以采样周期2秒分别采集总共M＝15组烘丝干尾过程数据集，具体的第q组数据集包括：排潮风门开度的数据集
Figure BDA0002264651830000064
滚筒筒温的数据集
Figure BDA0002264651830000065
滚筒旋转频率的数据集
Figure BDA0002264651830000066
入口烟丝流量的数据集
Figure BDA0002264651830000067
入口烟丝含水率的数据集
Figure BDA0002264651830000068
出口烟丝含水率的数据集
Figure BDA0002264651830000069
其中n＝900为干尾过程数据长度，且q＝1,2...,15。
步骤3：建立烘丝干尾过程基于第q组数据集和MQ-ARX模型的第p步向前预测输出
Figure BDA00022646518300000610
具体结构如下：
Figure BDA00022646518300000611
Figure BDA0002264651830000071
上式中，
Figure BDA0002264651830000072
且p>3。
步骤4：对建立的干尾过程MQ-ARX模型中的参数集θL和θN进行优化，具体方法如下：
定义以MQ-ARX模型多步向前预测输出和实际数据集的拟合度为优化目标的目标函数如下：
Figure BDA0002264651830000073
上式中，
Figure BDA0002264651830000074
为第q组烘丝干尾过程采样数据集对应的MQ-ARX模型多步向前预测的建模误差向量，且τ＝4，n＝900为干尾过程数据集的长度。然后，采用梯度下降法求解如下非线性优化问题：
Figure BDA0002264651830000075
上述梯度下降法优化过程的终止条件为：
Figure BDA0002264651830000076
且ε＝0.0001。当满足终止条件时，可得到烘丝干尾过程MQ-ARX模型的参数
Figure BDA0002264651830000077
和
Figure BDA0002264651830000078
步骤5：设计用于拟合烘丝干尾过程的控制量：排潮风门开度
Figure BDA0002264651830000079
滚筒筒温
Figure BDA00022646518300000710
和滚筒旋转频率
Figure BDA00022646518300000711
的设定曲线结构如下：
Figure BDA00022646518300000712
其中，f1(t)、f2(t)和f3(t)分别为控制量
Figure BDA0002264651830000081
和
Figure BDA0002264651830000082
的设定曲线；
Figure BDA0002264651830000083
分别为设定曲线fg(t)中的待优化参数集，并定义
Figure BDA0002264651830000084
步骤6：优化排潮风门开度
Figure BDA0002264651830000085
滚筒筒温
Figure BDA0002264651830000086
和滚筒旋转频率
Figure BDA0002264651830000087
的设定曲线f1(t)、f2(t)和f3(t)的参数集θx，具体优化方法如下：
Step1:将设定曲线f1(t)、f2(t)和f3(t)代入已建立的干尾过程MQ-ARX模型，可得在该输入曲线情况下的MQ-ARX模型的预测输出为：
Figure BDA0002264651830000088
则基于采集的第q组烘丝干尾过程数据序列，得到的相应MQ-ARX模型的预测输出为：
Figure BDA0002264651830000089
Step2:定义优化参数集θx的目标函数如下：
Figure BDA00022646518300000810
上式中，
Figure BDA00022646518300000811
yr为烘丝干尾过程的出口烟丝含水率设定值，
Figure BDA00022646518300000812
是基于采集的第q组烘丝干尾过程数据序列，在第τ时刻的基于MQ-ARX模型的预测输出。
Step3:采用梯度下降法求解如下非线性优化问题：
Figure BDA00022646518300000813
上述梯度下降法优化过程的终止条件为：
Figure BDA00022646518300000814
且
Figure BDA00022646518300000815
当满足终止条件时，可得到此时f1(t)，f2(t)和f3(t)中具体的参数集
Figure BDA00022646518300000816
最终，可得到烘丝干尾过程的排潮风门开度
Figure BDA00022646518300000817
滚筒筒温
Figure BDA00022646518300000818
和滚筒旋转频率
Figure BDA00022646518300000819
最优设定曲线。在实际控制中，通过将烘丝干尾过程的排潮风门开度、滚筒筒温和滚筒旋转频率设置成优化出的设定曲线，使干尾过程中的出口烟丝水分尽可能稳定在设定值上。

Claims (2)

1.一种烘丝干尾过程的长期预测建模及优化设定控制方法，其特征在于，包括以下步骤：
1）建立如下结构MQ-ARX模型用于对烟草烘丝干尾过程进行预测：
Figure DEST_PATH_IMAGE001
上式中，
Figure DEST_PATH_IMAGE002
为烘丝干尾过程
Figure DEST_PATH_IMAGE003
时刻的出口烟丝含水率，
Figure DEST_PATH_IMAGE004
为烘丝干尾过程
Figure DEST_PATH_IMAGE005
时刻的排潮风门开度，
Figure DEST_PATH_IMAGE006
为
Figure DEST_PATH_IMAGE007
时刻的滚筒筒温，
Figure DEST_PATH_IMAGE008
为
Figure DEST_PATH_IMAGE009
时刻的滚筒旋转频率，
Figure DEST_PATH_IMAGE010
为
Figure DEST_PATH_IMAGE011
时刻的入口烟丝流量，
Figure DEST_PATH_IMAGE012
为
Figure DEST_PATH_IMAGE013
时刻的入口烟丝含水率，
Figure DEST_PATH_IMAGE014
为
Figure DEST_PATH_IMAGE015
时刻的建模误差；
Figure DEST_PATH_IMAGE016
为MQ-ARX模型的状态量，且
Figure DEST_PATH_IMAGE017
；
Figure DEST_PATH_IMAGE018
和
Figure DEST_PATH_IMAGE019
均为关于
Figure DEST_PATH_IMAGE020
的多二次函数型系数，且具体结构为：
Figure DEST_PATH_IMAGE021
，
Figure DEST_PATH_IMAGE022
，
Figure DEST_PATH_IMAGE023
，
Figure DEST_PATH_IMAGE024
；上式中，
Figure DEST_PATH_IMAGE025
为MQ-ARX模型的非线性参数集；
Figure DEST_PATH_IMAGE026
为MQ-ARX模型的线性参数集；
2）在不同工况下以采样周期2秒分别采集总共
Figure DEST_PATH_IMAGE027
组烘丝干尾过程数据集，具体的第
Figure DEST_PATH_IMAGE028
组数据集包括：排潮风门开度的数据集
Figure DEST_PATH_IMAGE029
、滚筒筒温的数据集
Figure DEST_PATH_IMAGE030
、滚筒旋转频率的数据集
Figure DEST_PATH_IMAGE031
、入口烟丝流量的数据集
Figure DEST_PATH_IMAGE032
、入口烟丝含水率的数据集
Figure DEST_PATH_IMAGE033
、出口烟丝含水率的数据集
Figure DEST_PATH_IMAGE034
，其中
Figure DEST_PATH_IMAGE035
为干尾过程数据集的长度，且
Figure DEST_PATH_IMAGE036
；
3）建立烘丝干尾过程基于第
Figure DEST_PATH_IMAGE037
组数据集和MQ-ARX模型的第
Figure DEST_PATH_IMAGE038
步向前预测输出
Figure DEST_PATH_IMAGE039
，具体结构如下：
Figure DEST_PATH_IMAGE040
上式中，
Figure DEST_PATH_IMAGE041
，
Figure DEST_PATH_IMAGE042
，
Figure DEST_PATH_IMAGE043
，
Figure DEST_PATH_IMAGE044
，
Figure DEST_PATH_IMAGE045
，
Figure DEST_PATH_IMAGE046
，
Figure DEST_PATH_IMAGE047
，且
Figure DEST_PATH_IMAGE048
；
4）对建立的干尾过程MQ-ARX模型中的参数集
Figure DEST_PATH_IMAGE049
和
Figure DEST_PATH_IMAGE050
进行优化；首先，定义以MQ-ARX模型多步向前预测输出和实际数据集的拟合度为优化目标的目标函数：
Figure DEST_PATH_IMAGE051
，其中，
Figure DEST_PATH_IMAGE052
为第
Figure DEST_PATH_IMAGE053
组烘丝干尾过程采样数据集对应的MQ-ARX模型多步向前预测的建模误差向量，且
Figure DEST_PATH_IMAGE054
；然后，采用梯度下降法求解非线性优化问题：
Figure DEST_PATH_IMAGE055
，从而优化出烘丝干尾过程MQ-ARX模型的参数
Figure DEST_PATH_IMAGE056
；
5）设计用于拟合烘丝干尾过程的控制量：
Figure DEST_PATH_IMAGE057
和
Figure DEST_PATH_IMAGE058
的设定曲线结构如下：
Figure DEST_PATH_IMAGE059
上式中，
Figure DEST_PATH_IMAGE060
和
Figure DEST_PATH_IMAGE061
分别为控制量
Figure DEST_PATH_IMAGE062
、和
Figure DEST_PATH_IMAGE063
的设定曲线；
Figure DEST_PATH_IMAGE064
为设定曲线
Figure DEST_PATH_IMAGE065
中的待优化参数集，并定义
Figure DEST_PATH_IMAGE066
；
6）优化
Figure DEST_PATH_IMAGE067
和
Figure DEST_PATH_IMAGE068
的最优设定曲线
Figure DEST_PATH_IMAGE069
和
Figure DEST_PATH_IMAGE070
中的参数集
Figure DEST_PATH_IMAGE071
。
2.根据权利要求1所述的烘丝干尾过程的长期预测建模及优化设定控制方法，其特征在于，步骤6）中，用于优化
Figure DEST_PATH_IMAGE072
和
Figure DEST_PATH_IMAGE073
的最优设定曲线
Figure DEST_PATH_IMAGE074
和
Figure DEST_PATH_IMAGE075
的参数集
Figure DEST_PATH_IMAGE076
的具体方法如下：
(1) 将设定曲线
Figure DEST_PATH_IMAGE077
和
Figure DEST_PATH_IMAGE078
代入已建立的步骤1）中干尾过程MQ-ARX模型，可得在设定曲线
Figure DEST_PATH_IMAGE079
和
Figure DEST_PATH_IMAGE080
为输入情况下的MQ-ARX模型的预测输出为：
Figure DEST_PATH_IMAGE081
；则基于采集的第
Figure DEST_PATH_IMAGE082
组烘丝干尾过程数据序列，得到的相应MQ-ARX模型的预测输出为：
Figure DEST_PATH_IMAGE083
；
(2) 定义优化参数集
Figure DEST_PATH_IMAGE084
的目标函数：
Figure DEST_PATH_IMAGE085
，其中，
Figure DEST_PATH_IMAGE086
，
Figure DEST_PATH_IMAGE087
为烘丝干尾过程的出口烟丝含水率设定值，
Figure DEST_PATH_IMAGE088
是基于采集的第
Figure DEST_PATH_IMAGE089
组烘丝干尾过程数据序列在第
Figure DEST_PATH_IMAGE090
时刻的基于MQ-ARX模型的预测输出；
(3) 采用梯度下降法求解非线性优化问题：
Figure DEST_PATH_IMAGE091
，该梯度下降法优化过程的终止条件为：
Figure DEST_PATH_IMAGE092
，且
Figure DEST_PATH_IMAGE093
，
Figure DEST_PATH_IMAGE094
为优化过程的步长；当满足终止条件时，可得到此时
Figure DEST_PATH_IMAGE095
和
Figure DEST_PATH_IMAGE096
中具体的参数集
Figure DEST_PATH_IMAGE097
。
CN201911083452.XA 2019-11-07 2019-11-07 烘丝干尾过程的长期预测建模及优化设定控制方法 Active CN110673490B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911083452.XA CN110673490B (zh) 2019-11-07 2019-11-07 烘丝干尾过程的长期预测建模及优化设定控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911083452.XA CN110673490B (zh) 2019-11-07 2019-11-07 烘丝干尾过程的长期预测建模及优化设定控制方法

Publications (2)

Publication Number Publication Date
CN110673490A CN110673490A (zh) 2020-01-10
CN110673490B true CN110673490B (zh) 2022-04-15

Family

ID=69086365

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911083452.XA Active CN110673490B (zh) 2019-11-07 2019-11-07 烘丝干尾过程的长期预测建模及优化设定控制方法

Country Status (1)

Country Link
CN (1) CN110673490B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103610227A (zh) * 2013-12-09 2014-03-05 中南大学 一种烘丝机头尾段工艺变量优化控制方法
CN110109344A (zh) * 2019-05-20 2019-08-09 长沙学院 一种滚筒式烘丝机烘丝中间过程控制方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103610227A (zh) * 2013-12-09 2014-03-05 中南大学 一种烘丝机头尾段工艺变量优化控制方法
CN110109344A (zh) * 2019-05-20 2019-08-09 长沙学院 一种滚筒式烘丝机烘丝中间过程控制方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
A synthesis approach of fast robust MPC with RBF-ARX model to nonlinear system with uncertain steady status information;Xiaoying Tian等;《Applied Intelligence 》;20191015;第51卷(第1期);第19-36页全文 *
Cubic-RBF-ARX modeling and model-based optimal setting control in head and tail stages of cut tobacco drying process;Feng Zhou等;《Neural Computing and Applications》;20180801;第30卷(第4期);第1039-1053页全文 *
不同基函数对RBF-ARX模型的影响;甘敏等;《中南大学学报(自然科学版)》;20101231;第41卷(第06期);第2231-2235页全文 *
基于RBF-ARX模型的烘丝机出口含水率优化控制方法;王小飞等;《烟草科技》;20140131(第01期);第26-30页全文 *
烘丝过程出口水分控制数据分析方法应用研究;胡宇航等;《电脑与信息技术》;20160831;第24卷(第04期);第2231-2235页全文 *

Also Published As

Publication number Publication date
CN110673490A (zh) 2020-01-10

Similar Documents

Publication Publication Date Title
CN111045326B (zh) 一种基于递归神经网络的烘丝过程水分预测控制方法及系统
CN103610227B (zh) 一种烘丝机头尾段工艺变量优化控制方法
CN101356992B (zh) 顺流式烘丝机出口烟丝水分控制方法
CN102871214B (zh) 基于模型预测的烘丝机出口水分控制方法
CN106773657B (zh) 一种滚筒干燥非稳态加工过程头料和尾料阶段的调控优化方法
CN105795502A (zh) 一种复烤加料、加香物料含水率和温度控制方法
CN112790418B (zh) 一种叶丝超级回潮的加水控制方法及系统
CN102488308A (zh) 烘丝机水分先进协调控制系统
CN114115393A (zh) 一种制丝线薄板烘丝机出口水分和温度的控制方法
CN110826229B (zh) 基于长期预测的烘丝干头过程建模和优化设定控制方法
CN110673490B (zh) 烘丝干尾过程的长期预测建模及优化设定控制方法
CN105334738B (zh) 一种适用于烟草加工过程pid控制回路的性能评价方法
CN113566557B (zh) 一种基于深度神经网络的粮食干燥机智能控制方法
CN114403487B (zh) 一种松散回潮的加水控制方法
CN111728253B (zh) 一种烟草气流干燥强度的控制方法及系统
CN111838744A (zh) 基于lstm的环境温湿度在烟丝过程中的水份连续实时预测方法
CN116951908A (zh) 一种适用于双向通风干燥机的稻谷变温干燥方法及系统
CN105595395A (zh) 一种薄板烘丝机脱水量的计算方法
CN205962799U (zh) 一种稳定烘丝水分装置
CN113925190B (zh) 一种烘丝机水分调节的控制方法
CN110558598B (zh) 基于数据驱动的烟草烘丝干头过程fnn-arx建模方法
CN110580326B (zh) 烘丝机烟草烘丝中间过程的建模方法
CN101485489A (zh) 烟片松散回潮筒内部湿热空气精确控制的方法及其装置
CN110506790A (zh) 一种基于微波检测的谷物干燥方法
CN110898979B (zh) 立磨粉磨系统热量自动调控方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant