CN111045326A - 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 - Google Patents

Abstract

本发明涉及烘丝过程水分控制技术领域，公开了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，包括：A）采集烘丝过程相关数据；B）对采集到的牌号信息进行自动识别，得到控制参数；C）对相关数据进行判定，建立非线性预测控制模型；D）将非线性预测模型转化为基于递归神经网络的非线性预测控制模型，更新递归神经网络的权重，获得出口含水率预测值；E）构建性能指标J，获得使性能指标J最优的排潮风门开度。本发明改进了非线性预测控制模型，提高了神经网络训练速度和稳定性，增加了出口含水率的稳定性。

Description

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

技术领域

本发明涉及烘丝过程水分控制技术领域，尤其是涉及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。

背景技术

烘丝过程是烟草行业中制丝线物料水分控制的重要加工工序。出口含水率是烘丝过程的重要工艺指标，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，对于烘丝过程中出口水分控制存在诸多问题，最为突出的有三点：其一，由于烘丝过程本身存在时延，导致烘丝控制系统不能根据实时测量得到的出口含水率调节操纵变量值，使得出口含水率的稳定性差；其二，由于制丝生产线上叶丝的物理特性能力不完全一致，即使是同一批次的叶丝的物理特性也存在差异，使得烘丝过程水分控制系统不能根据烘丝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操纵变量值，出口含水率的稳定性差；其三，烘丝过程中入口含水率、工艺热风温度、排潮风门开度、蒸汽压力和来料质量流量也会影响出口含水率的稳定性。

例如，一种在中国专利文献上公开的“一种烘丝过程控制方法”，其公告号CN101254020A，该发明公开了一种烘丝过程控制方法，该发明整个烘丝过程控制分为头部、中部、尾部三个阶段：头部阶段，即烘丝工序开始但烟丝未到达烘丝工序出口水分检测点的生产阶段：采用自适应学习升温控制方式，由控制系统根据前一次水分控制的效果自动调整下一次升温的温度，并在该阶段采用低筒体转速；中部阶段，即烘丝工序出口水分检测点检测到烟丝后到该批烟丝全部进入烘丝机的生产阶段：将出口水分参数引入到控制系统，采用预测PID控制进行反馈校正以实现对烘丝筒壁温度的自动控制；尾部阶段，即烟丝全部进入烘丝机到烘丝工序出口水分检测点检测不到烟丝的生产阶段。

该发明烘丝水分控制采用传统PID控制算法并加以一些顺序逻辑进行控制，但是此种控制方法只有在被控对象具有线性特性并且参数匹配良好的情况下才具有良好的控制效果，一旦发生干扰使其偏离工作点较远或参数发生变化，控制器都不能随之调整，控制效果就会变差。相比较传统PID控制方式对模型精度的需求，广义预测控制以预测模型、滚动优化和反馈校正三个环节为基础，其可根据实时测量得到的过程变量，实时对预测模型进行调整，通过对出口含水率进行预测，得出最优的操纵变量值，并由于烘丝过程存在非线性，使用递归神经网络(RNN)代替广义预测控制中的带遗忘因子的递推最小二乘法，实时对神经网络中各节点的权重进行更新，预测未来时刻出口含水率，求出最优的操纵变量值。

发明内容

本发明是为了解决烘丝过程中出口含水率的稳定性差的问题，提供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，本发明通过建立非线性预测控制模型，并将非线性预测控制模型转化为基于递归神经网络的非线性预测控制模型，使用递归神经网络(RNN)代替广义预测控制中的带遗忘因子的递推最小二乘法，根据实时测量得到的过程变量实时地对预测模型进行调整，通过对出口含水率进行预测得出最优的排潮风门开度，增加出口含水率的稳定性。

为了实现上述目的，本发明采用以下技术方案：

一种基于递归神经网络的烘丝过程水分预测控制方法，包括：

A)采集烘丝过程叶丝的相关数据；

B)对采集到的牌号信息进行自动识别，得到相应批次叶丝的控制参数，控制参数包括目标出口含水率与排潮风门开度范围；

C)对采集到的烘丝过程叶丝的相关数据进行判定，设定各相关数据的正常工作范围，当相关数据均处于正常工作范围内时，建立非线性预测控制模型；

D)将非线性预测模型转化为基于递归神经网络的非线性预测控制模型，更新递归神经网络的权重，获得出口含水率预测值；

E)根据基于递归神经网络的非线性预测控制模型、实时获取到的相关数据以及未来时刻的出口含水率预测值构建性能指标J，获得使性能指标J最优的排潮风门开度。

烘丝过程存在非线性和滞后等因素，由于神经网络能对任意复杂非线性函数充分逼近，而预测技术可以很好地解决时滞的影响，本发明通过建立非线性预测控制模型，并将非线性预测控制模型转化为基于递归神经网络的非线性预测控制模型，使用递归神经网络(RNN)代替广义预测控制中的带遗忘因子的递推最小二乘法，根据实时测量得到的过程变量实时地对预测模型进行调整，更新神经网络的权重，通过对出口含水率进行预测，构建性能指标J，获得最优的排潮风门开度。

步骤A)中，相关数据包括牌号信息、入口含水率、工艺热风温度、目标出口含水率、排潮风门开度、蒸汽压力和来料质量流量。

进一步地，步骤C)中建立非线性预测控制模型步骤C)中建立非线性预测控制模型y(k)＝f(y,u,a,t,p,h)，

其中y＝{y(k-1),...,y(k-n_y)}表示阶次为n_y的出口含水率输出时间序列；

u＝{u(k-d_u),...,u(k-n_u)}表示阶次为n_u-d_u+1的排潮风门开度输入时间序列；

a＝{a(k-d_a),...,a(k-n_a)}表示阶次为n_a-d_a+1的叶丝入口含水率输入时间序列；

t＝{t(k-d_t),...,t(k-n_t)}表示阶次为n_t-d_t+1的热风温度输入时间序列；

p＝{p(k-d_p),...,p(k-n_p)}表示阶次为n_p-d_p+1的蒸汽压力输入时间序列；

h＝{h(k-d_h),...,h(k-n_h)}表示阶次为n_h-d_h+1的质量流量输入时间序列；

d_u为叶丝由加水流量测定处到出口水分仪所经的时间，d_a为叶丝由入口水分仪处到出口水分仪所经的时间，d_t为叶丝由热风温度测定处到出口水分仪所经的时间，d_p为叶丝由蒸汽压力测定处到出口水分仪所经的时间，d_h为叶丝由电子秤到出口水分仪所经的时间。

(n_y-1)∈Z⁺，(n_a-d_a)∈Z⁺，(n_u-d_u)∈Z⁺，(n_t-d_t)∈Z⁺，(n_p-d_p)∈Z⁺，(n_h-d_h)∈Z⁺,d_a∈Z⁺，d_u∈Z⁺，d_t∈Z⁺，d_p∈Z⁺，d_h∈Z⁺，(n_y-1)为与k时刻的出口含水率相关的出口含水率时刻数目；(n_a-d_a)为与k时刻的出口含水率相关的加水流量时刻数目；(n_u-d_u)为与k时刻的出口含水率相关的入口含水率时刻数目；(n_t-d_t)为与k时刻的出口含水率相关的热风温度时刻数目；(n_p-d_p)为与k时刻的出口含水率相关的蒸汽压力时刻数目；(n_h-d_h)为与k时刻的出口含水率相关的质量流量时刻数目。

烘丝的过程为多变量、大时滞以及非线性系统，非线性预测控制具有很强的自适应性。

进一步地，步骤D)中将非线性预测控制模型转化为基于递归神经网络的非线性预测控制模型，基于递归神经网络的非线性预测控制模型数学表达式为：

其中,n_i＝n_y+n_u+n_a+n_t+n_p+n_h-d_u-d_a-d_t-d_p-d_h+5表示总的输入个数，

[x₁(k),...,x_ni(k)]＝[y(k-1),...,y(k-n_y),u(k-d_u),...,u(k-n_u),a(k-d_a),...a(k-n_a),t(k-d_t),...,t(k-n_t),p(k-d_p),...,p(k-n_p),h(k-d_h),...,h(k-n_h)]

为第k时刻递归神经网络模型的输入，s_j(k)为k时刻隐藏层中第j个节点的值，

为递归神经网络模型输入层权重，

为递归神经网络模型隐藏层权重，

为递归神经网络模型输出层权重。

神经网络能对任意复杂非线性函数充分逼近，有利于建模，并且根据实时测量得到的过程变量实时地对预测模型进行调整，σ(·)表示激活函数，激活函数包括sigmod函数、tanh函数或ReLU函数。

进一步地，计算

更新神经网络的权重，其中

为损失函数，η为学习率。

其中

基于梯度下降法，得出各节点权重的更新方程，根据实时测量得到的过程变量实时地对预测模型进行调整，更新神经网络的权重，根据烘丝过程特点，令学习率η在0～1之间取值，从而使神经网络中各个权重实时更新，完成对模型的实时辨识。

进一步地，计算

获得损失函数，

为模型的预测值。

进一步地，步骤E)中构建性能指标J，获得使性能指标J最优的排潮风门开度，步骤包括：

E1)建立k时刻排潮风门开度最优的性能指标

其中

R(k)＝[y_r(k+N₁),...,y_r(k+N)]，N₁＝d_u，N₁、N分别为优化时域的起始时刻和终止时刻，E{·}表示取数学期望，y_r(k+N)为k+N时刻烘丝出口含水率设定值；

E2)计算Δu(k)＝γG^T(k)(R(k)-Y(k))获得最优排潮风门开度控制量，其中

γ为常数，

E3)根据最优排潮风门开度控制量Δu(k)与上一时刻的排潮风门开度u(k-1)获得k时刻最优的排潮风门开度u(k)＝u(k-1)+Δu(k)。

采用有限时域的滚动优化策略与校正后得到的递归神经网络模型，预测出当前时刻最优的排潮风门开度，其中

为k+N₁时刻烘丝出口含水率设定值。而为求出使性能指标最小的排潮风门开度，对其求Δu的偏导，获得最优排潮风门开度控制量Δu(k)，其中

根据李雅普诺夫定理，γ在

之间取值。

一种烘丝过程水分控制系统，包括通讯模块、PLC控制模块和边缘计算模块；

PLC控制模块，用于将采集的烘丝过程的相关数据传入边缘计算模块，并将边缘计算模块计算出的排潮风门开度传入现场烘丝设备水分控制回路的执行机构中实现烘丝设备的水分控制，相关数据包括牌号信息、入口含水率、工艺热风温度、出口含水率、排潮风门开度、蒸汽压力和来料质量流量；

通讯模块，用于将PLC控制模块获取的烘丝过程的相关数据传入边缘计算模块中，将边缘计算模块计算得到的排潮风门开度传入PLC控制模块；

边缘计算模块，用于根据通讯模块采集到的烘丝过程的相关数据实时计算烘丝设备的排潮风门开度。

进一步地，边缘计算模块包括工况判定单元、自动识别单元、模型建立与辨识单元和优化控制单元；

工况判定单元，用于对采集到的烘丝过程的相关数据进行判定，设定各相关数据的正常工作范围，当相关数据均处于正常工作范围内时对烘丝过程进行控制；

自动识别单元，用于对采集到的叶丝牌号信息进行自动识别，获得相应批次叶丝的物理特性；模型建立与辨识单元，用于根据烘丝过程的相关数据建立烘丝过程的非线性预测控制模型，将非线性预测控制模型转化为基于递归神经网络的非线性预测控制模型，更新神经网络中的权重；

优化控制单元，用于构建性能指标，根据基于递归神经网络的非线性预测控制模型、实时获取到的相关数据以及出口含水率预测值获得当前时刻使性能指标最优的排潮风门开度。

建立烘丝过程的基于递归神经网络的非线性预测控制模型，并实时辨识基于递归神经网络的非线性预测控制模型中各节点的权重，最后通过校正后的基于递归神经网络的非线性预测控制模型预测未来时刻的出口含水率，运用有限时域的滚动优化策略求出最优排潮风门开度，最终实现稳定叶丝出口含水率、提高叶丝合格率和降低卷烟生产成本的目标。

因此，本发明具有如下有益效果：建立烘丝过程的基于递归神经网络的非线性预测控制模型，并实时辨识基于递归神经网络的非线性预测控制模型中各节点的权重，最后通过建好的基于递归神经网络的非线性预测控制模型预测未来时刻的出口含水率，运用有限时域的滚动优化策略求出最优排潮风门开度，最终实现稳定叶丝出口含水率、提高叶丝合格率和降低卷烟生产成本的目标。

附图说明

图1是本发明的烘丝过程水分预测控制方法流程示意图。

图2是本发明的系统示意图。

具体实施方式

下面结合附图与具体实施方式对本发明做进一步的描述。

实施例一，一种基于递归神经网络的烘丝过程水分预测控制方法，如图1所示，包括：

A)采集烘丝过程叶丝的相关数据，相关数据包括牌号信息、入口含水率、工艺热风温度、目标出口含水率、排潮风门开度、蒸汽压力和来料质量流量。

B)对采集到的牌号信息进行自动识别，得到相应批次叶丝的控制参数，控制参数包括目标出口含水率与排潮风门开度范围；

C)对采集到的烘丝过程叶丝的相关数据进行判定，设定各相关数据的正常工作范围，当相关数据均处于正常工作范围内时，建立非线性预测控制模型y(k)＝f(y,u,a,t,p,h)，

其中y＝{y(k-1),...,y(k-n_y)}表示阶次为n_y的出口含水率输出时间序列；

u＝{u(k-d_u),...,u(k-n_u)}表示阶次为n_u-d_u+1的排潮风门开度输入时间序列；

a＝{a(k-d_a),...,a(k-n_a)}表示阶次为n_a-d_a+1的叶丝入口含水率输入时间序列；

t＝{t(k-d_t),...,t(k-n_t)}表示阶次为n_t-d_t+1的热风温度输入时间序列；

p＝{p(k-d_p),...,p(k-n_p)}表示阶次为n_p-d_p+1的蒸汽压力输入时间序列；

h＝{h(k-d_h),...,h(k-n_h)}表示阶次为n_h-d_h+1的质量流量输入时间序列；

d_u为叶丝由加水流量测定处到出口水分仪所经的时间，d_a为叶丝由入口水分仪处到出口水分仪所经的时间，d_t为叶丝由热风温度测定处到出口水分仪所经的时间，d_p为叶丝由蒸汽压力测定处到出口水分仪所经的时间，d_h为叶丝由电子秤到出口水分仪所经的时间。

D)将非线性预测模型转化为基于递归神经网络的非线性预测控制模型，基于递归神经网络的非线性预测控制模型数学表达式为：

其中,n_i＝n_y+n_u+n_a+n_t+n_p+n_h-d_u-d_a-d_t-d_p-d_h+5表示总的输入个数，

[x₁(k),...,x_ni(k)]＝[y(k-1),...,y(k-n_y),u(k-d_u),...,u(k-n_u),a(k-d_a),...a(k-n_a),t(k-d_t),...,t(k-n_t),p(k-d_p),...,p(k-n_p),h(k-d_h),...,h(k-n_h)]

为第k时刻递归神经网络模型的输入，s_j(k)为k时刻隐藏层中第j个节点的值，

为递归神经网络模型输入层权重，

为递归神经网络模型隐藏层权重，

为递归神经网络模型输出层权重。

根据烘丝过程特点，为避免神经网络中可能存在的梯度消失现象，使用ReLU函数σ(k)＝max(0,k)。

计算

获得损失函数，

为模型的预测值。

计算

更新神经网络的权重，其中

为损失函数，η为学习率，获得出口含水率预测值；

E)根据基于递归神经网络的非线性预测控制模型、实时获取到的相关数据以及未来时刻的出口含水率预测值构建性能指标J，获得使性能指标J最优的排潮风门开度，步骤包括：

E1)建立k时刻排潮风门开度最优的性能指标

其中

R(k)＝[y_r(k+N₁),...,y_r(k+N)]，N₁＝d_u，N₁、N分别为优化时域的起始时刻和终止时刻，E{·}表示取数学期望，y_r(k+N)为k+N时刻烘丝出口含水率设定值；

E2)计算Δu(k)＝γG^T(k)(R(k)-Y(k))获得最优排潮风门开度控制量，其中

γ为常数，

E3)根据最优排潮风门开度控制量Δu(k)与上一时刻的排潮风门开度u(k-1)获得k时刻最优的排潮风门开度u(k)＝u(k-1)+Δu(k)。

一种烘丝过程水分控制系统，如图2所示，包括通讯模块、PLC控制模块和边缘计算模块；

PLC控制模块，用于将采集的烘丝过程的相关数据传入边缘计算模块，并将边缘计算模块计算出的排潮风门开度传入现场烘丝设备水分控制回路的执行机构中实现烘丝设备的水分控制，相关数据包括牌号信息、入口含水率、工艺热风温度、出口含水率、排潮风门开度、蒸汽压力和来料质量流量；

通讯模块，用于将PLC控制模块获取的烘丝过程的相关数据传入边缘计算模块中，将边缘计算模块计算得到的排潮风门开度传入PLC控制模块；

边缘计算模块，用于根据通讯模块采集到的烘丝过程的相关数据实时计算烘丝设备的排潮风门开度。

边缘计算模块包括工况判定单元、自动识别单元、模型建立与辨识单元和优化控制单元；

工况判定单元，用于对采集到的烘丝过程的相关数据进行判定，设定各相关数据的正常工作范围，当相关数据均处于正常工作范围内时对烘丝过程进行控制；

自动识别单元，用于对采集到的叶丝牌号信息进行自动识别，获得相应批次叶丝的物理特性；

模型建立与辨识单元，用于根据烘丝过程的相关数据建立烘丝过程的非线性预测控制模型，将非线性预测控制模型转化为基于递归神经网络的非线性预测控制模型，更新神经网络中的权重；

优化控制单元，用于构建性能指标，根据基于递归神经网络的非线性预测控制模型、实时获取到的相关数据以及出口含水率预测值获得当前时刻使性能指标最优的排潮风门开度。

本发明建立了烘丝过程的基于递归神经网络的非线性预测控制模型，并实时辨识基于递归神经网络的非线性预测控制模型中各节点的权重，最后通过校正后的基于递归神经网络的非线性预测控制模型预测未来时刻的出口含水率，运用有限时域的滚动优化策略求出最优排潮风门开度，最终实现稳定叶丝出口含水率、提高叶丝合格率和降低卷烟生产成本的目标。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明保护范围以内。

Claims (10)

1.一种基于递归神经网络的烘丝过程水分预测控制方法，其特征在于，包括：

A)采集烘丝过程叶丝的相关数据；

B)对采集到的牌号信息进行自动识别，得到相应批次叶丝的控制参数，所述控制参数包括目标出口含水率与排潮风门开度范围；

C)对采集到的烘丝过程叶丝的相关数据进行判定，设定各相关数据的正常工作范围，当相关数据均处于正常工作范围内时，建立非线性预测控制模型；

D)将非线性预测模型转化为基于递归神经网络的非线性预测控制模型，更新递归神经网络的权重，获得出口含水率预测值；

E)根据基于递归神经网络的非线性预测控制模型、实时获取到的相关数据以及出口含水率预测值构建性能指标J，获得使性能指标J最优的排潮风门开度。

2.根据权利要求1所述的一种基于递归神经网络的烘丝过程水分预测控制方法，其特征在于，步骤A)中，所述相关数据包括牌号信息、入口含水率、工艺热风温度、目标出口含水率、排潮风门开度、蒸汽压力和来料质量流量。

3.根据权利要求1所述的一种基于递归神经网络的烘丝过程水分预测控制方法，其特征在于，步骤C)中建立非线性预测控制模型y(k)＝f(y,u,a,t,p,h)，

其中y＝{y(k-1),...,y(k-n_y)}表示阶次为n_y的出口含水率输出时间序列；

u＝{u(k-d_u),...,u(k-n_u)}表示阶次为n_u-d_u+1的排潮风门开度输入时间序列；

a＝{a(k-d_a),...,a(k-n_a)}表示阶次为n_a-d_a+1的叶丝入口含水率输入时间序列；

t＝{t(k-d_t),...,t(k-n_t)}表示阶次为n_t-d_t+1的热风温度输入时间序列；

p＝{p(k-d_p),...,p(k-n_p)}表示阶次为n_p-d_p+1的蒸汽压力输入时间序列；

h＝{h(k-d_h),...,h(k-n_h)}表示阶次为n_h-d_h+1的质量流量输入时间序列；

d_u为叶丝由加水流量测定处到出口水分仪所经的时间，d_a为叶丝由入口水分仪处到出口水分仪所经的时间，d_t为叶丝由热风温度测定处到出口水分仪所经的时间，d_p为叶丝由蒸汽压力测定处到出口水分仪所经的时间，d_h为叶丝由电子秤到出口水分仪所经的时间。

4.根据权利要求1或3所述的一种基于递归神经网络的烘丝过程水分预测控制方法，其特征在于，步骤D)中将非线性预测控制模型转化为基于递归神经网络的非线性预测控制模型，所述基于递归神经网络的非线性预测控制模型数学表达式为：

其中,n_i＝n_y+n_u+n_a+n_t+n_p+n_h-d_u-d_a-d_t-d_p-d_h+5表示总的输入个数，

为第k时刻递归神经网络模型的输入，s_j(k)为k时刻隐藏层中第j个节点的值，

为递归神经网络模型输入层权重，

为递归神经网络模型隐藏层权重，

为递归神经网络模型输出层权重。

5.根据权利要求4所述的一种基于递归神经网络的烘丝过程水分预测控制方法，其特征在于，σ(·)表示激活函数，所述激活函数包括sigmod函数、tanh函数或ReLU函数。

6.根据权利要求4所述的一种基于递归神经网络的烘丝过程水分预测控制方法，其特征在于，计算

更新神经网络的权重，其中

为损失函数，η为学习率。

7.根据权利要求6所述的一种基于递归神经网络的烘丝过程水分预测控制方法，其特征在于，计算

获得损失函数，

为模型的预测值。

8.根据权利要求4所述的一种基于递归神经网络的烘丝过程水分预测控制方法，其特征在于，步骤E)中构建性能指标J，获得使性能指标J最优的排潮风门开度，步骤包括：

E1)建立k时刻排潮风门开度最优的性能指标

其中

R(k)＝[y_r(k+N₁),...,y_r(k+N)]，N₁＝d_u，N₁、N分别为优化时域的起始时刻和终止时刻，E{·}表示取数学期望，y_r(k+N)为k+N时刻烘丝出口含水率设定值；

E2)计算Δu(k)＝γG^T(k)(R(k)-Y(k))获得最优排潮风门开度控制量，其中

γ为常数，

E3)根据最优排潮风门开度控制量Δu(k)与上一时刻的排潮风门开度u(k-1)获得k时刻最优的排潮风门开度u(k)＝u(k-1)+Δu(k)。

9.一种烘丝过程水分控制系统，适用于如权利要求1所述的一种基于递归神经网络的烘丝过程水分预测控制方法，其特征在于，包括通讯模块、PLC控制模块和边缘计算模块；

所述PLC控制模块，用于将采集的烘丝过程的相关数据传入边缘计算模块，并将边缘计算模块计算出的排潮风门开度传入现场烘丝设备水分控制回路的执行机构中实现烘丝设备的水分控制，所述相关数据包括牌号信息、入口含水率、工艺热风温度、出口含水率、排潮风门开度、蒸汽压力和来料质量流量；

所述通讯模块，用于将PLC控制模块获取的烘丝过程的相关数据传入边缘计算模块中，将边缘计算模块计算得到的排潮风门开度传入PLC控制模块；

所述边缘计算模块，用于根据通讯模块采集到的烘丝过程的相关数据实时计算烘丝设备的排潮风门开度。

10.根据权利要求9所述的一种烘丝过程水分控制系统，其特征在于，所述边缘计算模块包括工况判定单元、自动识别单元、模型建立与辨识单元和优化控制单元；

所述工况判定单元，用于对采集到的烘丝过程的相关数据进行判定，设定各相关数据的正常工作范围，当相关数据均处于正常工作范围内时对烘丝过程进行控制；

所述自动识别单元，用于对采集到的叶丝牌号信息进行自动识别，获得相应批次叶丝的物理特性；

所述模型建立与辨识单元，用于根据烘丝过程的相关数据建立烘丝过程的非线性预测控制模型，将非线性预测控制模型转化为基于递归神经网络的非线性预测控制模型，更新神经网络中的权重；

所述优化控制单元，用于构建性能指标，根据所述基于递归神经网络的非线性预测控制模型、实时获取到的相关数据以及出口含水率预测值获得当前时刻使性能指标最优的排潮风门开度。

Images