CN111045326B - 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
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 Download PDFInfo
- Publication number
- CN111045326B CN111045326B CN201911008566.8A CN201911008566A CN111045326B CN 111045326 B CN111045326 B CN 111045326B CN 201911008566 A CN201911008566 A CN 201911008566A CN 111045326 B CN111045326 B CN 111045326B
- Authority
- CN
- China
- Prior art keywords
- moisture
- cut tobacco
- neural network
- outlet
- drying process
- 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
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)
- Manufacture Of Tobacco Products (AREA)
- Drying Of Solid Materials (AREA)
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
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CN101254020 A,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-ny)}表示阶次为ny的出口含水率输出时间序列;
u={u(k-du),...,u(k-nu)}表示阶次为nu-du+1的排潮风门开度输入时间序列;
a={a(k-da),...,a(k-na)}表示阶次为na-da+1的叶丝入口含水率输入时间序列;
t={t(k-dt),...,t(k-nt)}表示阶次为nt-dt+1的热风温度输入时间序列;
p={p(k-dp),...,p(k-np)}表示阶次为np-dp+1的蒸汽压力输入时间序列;
h={h(k-dh),...,h(k-nh)}表示阶次为nh-dh+1的质量流量输入时间序列;
du为叶丝由加水流量测定处到出口水分仪所经的时间,da为叶丝由入口水分仪处到出口水分仪所经的时间,dt为叶丝由热风温度测定处到出口水分仪所经的时间,dp为叶丝由蒸汽压力测定处到出口水分仪所经的时间,dh为叶丝由电子秤到出口水分仪所经的时间。
(ny-1)∈Z+,(na-da)∈Z+,(nu-du)∈Z+,(nt-dt)∈Z+,(np-dp)∈Z+,(nh-dh)∈Z+,da∈Z+,du∈Z+,dt∈Z+,dp∈Z+,dh∈Z+,(ny-1)为与k时刻的出口含水率相关的出口含水率时刻数目(nu-du)为与k时刻的出口含水率相关的加水流量时刻数目;(na-da)为与k时刻的出口含水率相关的入口含水率时刻数目;(nt-dt)为与k时刻的出口含水率相关的热风温度时刻数目;(np-dp)为与k时刻的出口含水率相关的蒸汽压力时刻数目;(nh-dh)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,ni=ny+nu+na+nt+np+nh-du-da-dt-dp-dh+5表示总的输入个数,
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。
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,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
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
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-ny)}表示阶次为ny的出口含水率输出时间序列;
u={u(k-du),...,u(k-nu)}表示阶次为nu-du+1的排潮风门开度输入时间序列;
a={a(k-da),...,a(k-na)}表示阶次为na-da+1的叶丝入口含水率输入时间序列;
t={t(k-dt),...,t(k-nt)}表示阶次为nt-dt+1的热风温度输入时间序列;
p={p(k-dp),...,p(k-np)}表示阶次为np-dp+1的蒸汽压力输入时间序列;
h={h(k-dh),...,h(k-nh)}表示阶次为nh-dh+1的质量流量输入时间序列;
du为叶丝由加水流量测定处到出口水分仪所经的时间,da为叶丝由入口水分仪处到出口水分仪所经的时间,dt为叶丝由热风温度测定处到出口水分仪所经的时间,dp为叶丝由蒸汽压力测定处到出口水分仪所经的时间,dh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,ni=ny+nu+na+nt+np+nh-du-da-dt-dp-dh+5表示总的输入个数,
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)。
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
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 (6)
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;
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;
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-ny)}表示阶次为ny的出口含水率输出时间序列;
u={u(k-du),...,u(k-nu)}表示阶次为nu-du+1的排潮风门开度输入时间序列;
a={a(k-da),...,a(k-na)}表示阶次为na-da+1的叶丝入口含水率输入时间序列;
t={t(k-dt),...,t(k-nt)}表示阶次为nt-dt+1的热风温度输入时间序列;
p={p(k-dp),...,p(k-np)}表示阶次为np-dp+1的蒸汽压力输入时间序列;
h={h(k-dh),...,h(k-nh)}表示阶次为nh-dh+1的质量流量输入时间序列;
du为叶丝由加水流量测定处到出口水分仪所经的时间,da为叶丝由入口水分仪处到出口水分仪所经的时间,dt为叶丝由热风温度测定处到出口水分仪所经的时间,dp为叶丝由蒸汽压力测定处到出口水分仪所经的时间,dh为叶丝由电子秤到出口水分仪所经的时间;
ny为与k时刻的出口含水率相关的出口含水率时刻数目;(nu-du)为与k时刻的出口含水率相关的加水流量时刻数目;(na-da)为与k时刻的出口含水率相关的入口含水率时刻数目;(nt-dt)为与k时刻的出口含水率相关的热风温度时刻数目;(np-dp)为与k时刻的出口含水率相关的蒸汽压力时刻数目;(nh-dh)为与k时刻的出口含水率相关的质量流量时刻数目;
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,σ(·)表示激活函数;
ni=ny+nu+na+nt+np+nh-du-da-dt-dp-dh+5表示总的输入个数,
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)=[yr(k+N1),...,yr(k+N)],N1=du,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,yr(k+N)为k+N时刻烘丝出口含水率设定值;为模型的预测值;
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)。
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,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。
5.一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。
6.根据权利要求5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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911008566.8A CN111045326B (zh) | 2019-10-22 | 2019-10-22 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911008566.8A CN111045326B (zh) | 2019-10-22 | 2019-10-22 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111045326A CN111045326A (zh) | 2020-04-21 |
CN111045326B true CN111045326B (zh) | 2022-12-06 |
Family
ID=70231931
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911008566.8A Active CN111045326B (zh) | 2019-10-22 | 2019-10-22 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111045326B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111443680B (zh) * | 2020-04-24 | 2021-03-05 | 龙岩烟草工业有限责任公司 | 控制方法、控制装置和卷烟加工设备 |
CN112162522A (zh) * | 2020-09-14 | 2021-01-01 | 浙江中烟工业有限责任公司 | 一种以数据为导向的除尘排潮除异味设备风险防控方法 |
CN112034809A (zh) * | 2020-09-21 | 2020-12-04 | 杭州和利时自动化有限公司 | 一种淀粉水分控制方法及系统 |
CN112263012B (zh) * | 2020-10-15 | 2022-03-25 | 中国烟草总公司郑州烟草研究院 | 一种基于配方参数库的复烤机含水率控制方法 |
CN113017132A (zh) * | 2021-04-09 | 2021-06-25 | 红云红河烟草(集团)有限责任公司 | 一种基于烘丝机工艺参数预测的烟丝质量优化的方法 |
CN114027539B (zh) * | 2021-11-04 | 2023-01-13 | 湖北中烟工业有限责任公司 | 一种基于模型预测控制的松散回潮定量加水控制方法 |
CN114304709B (zh) * | 2021-12-30 | 2023-03-31 | 云南烟叶复烤有限责任公司 | 打叶复烤设备运行参数自动控制方法、存储介质及系统 |
CN114967780B (zh) * | 2022-06-14 | 2024-01-12 | 国能龙源环保有限公司 | 一种基于预测控制的脱硫系统pH值控制方法及系统 |
CN115381122A (zh) * | 2022-07-11 | 2022-11-25 | 杭州安脉盛智能技术有限公司 | 一种基于遗忘因子递推最小二乘的烘丝入口含水率控制方法 |
CN115251446A (zh) * | 2022-08-10 | 2022-11-01 | 湖北中烟工业有限责任公司 | 一种基于边缘计算单元的烘丝机动态调优控制方法及装置 |
CN115517392A (zh) * | 2022-08-29 | 2022-12-27 | 杭州安脉盛智能技术有限公司 | 一种卷烟制丝线制叶片段出口水分预测方法 |
CN116880219B (zh) * | 2023-09-06 | 2023-12-01 | 首域科技(杭州)有限公司 | 一种松散回潮自适应模型预测控制系统和方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102871214A (zh) * | 2012-10-08 | 2013-01-16 | 秦皇岛烟草机械有限责任公司 | 基于模型预测的烘丝机出口水分控制方法 |
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 |
CN109674080A (zh) * | 2019-03-07 | 2019-04-26 | 山东中烟工业有限责任公司 | 烟叶回潮加水量预测方法、存储介质及终端设备 |
-
2019
- 2019-10-22 CN CN201911008566.8A patent/CN111045326B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102871214A (zh) * | 2012-10-08 | 2013-01-16 | 秦皇岛烟草机械有限责任公司 | 基于模型预测的烘丝机出口水分控制方法 |
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 |
CN109674080A (zh) * | 2019-03-07 | 2019-04-26 | 山东中烟工业有限责任公司 | 烟叶回潮加水量预测方法、存储介质及终端设备 |
Non-Patent Citations (4)
Title |
---|
基于广义预测控制的对角递归神经网络控制器;张阿卜;《厦门大学学报(自然科学版)》;19970131;第36卷(第1期);第22-26页 * |
烘丝机出口含水率智能控制方法研究;陈传通 等;《制造业自动化》;20160731;第38卷(第7期);第37-40页 * |
烟丝处理过程的广义预测控制;薛美盛 等;《自动化仪表》;20011231;第22卷(第12期);第49-53页 * |
烟草烘丝过程的水分控制;王艳红 等;《北京工业大学学报》;20001231;第26卷(第4期);第90-95页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111045326A (zh) | 2020-04-21 |
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 | |
CN109674080B (zh) | 烟叶回潮加水量预测方法、存储介质及终端设备 | |
CN108932567B (zh) | 一种基于卷积神经网络的水泥烧成过程多能耗指标预测方法 | |
CN110101106B (zh) | 基于模糊前馈反馈算法的回潮加湿过程水分控制方法及系统 | |
JP2656637B2 (ja) | プロセス制御システム及び発電プラントプロセス制御システム | |
CN108809167A (zh) | 一种基于模糊控制的bp神经网络pid调速控制算法 | |
CN106227038A (zh) | 基于神经网络和模糊控制的粮食烘干塔智能控制方法 | |
CN111887460A (zh) | 烟草烘丝水分和温度控制预测系统及方法 | |
CN111109643B (zh) | 一种薄板烘丝的烟丝含水量的控制方法及系统 | |
CN110597070B (zh) | 火电机组系统模型参数的辨识方法 | |
CN109254530A (zh) | 基于磨矿过程基础回路的无模型自适应控制方法 | |
CN108595803B (zh) | 基于递归神经网络的页岩气井生产压力预测方法 | |
CN113325721B (zh) | 一种工业系统无模型自适应控制方法及系统 | |
CN114115393A (zh) | 一种制丝线薄板烘丝机出口水分和温度的控制方法 | |
CN114721263B (zh) | 基于机器学习和智能优化算法的水泥分解炉智慧调控方法 | |
CN112263012B (zh) | 一种基于配方参数库的复烤机含水率控制方法 | |
CN113204918B (zh) | 水泥窑生产能耗的建模方法 | |
US20050137995A1 (en) | Method for regulating a thermodynamic process by means of neural networks | |
KR20050059064A (ko) | 신경망에 의해 열역학적 프로세스를 조절하는 방법 | |
CN116880191A (zh) | 一种基于时序预测的过程工业生产系统的智能控制方法 | |
CN111077771A (zh) | 一种自整定模糊pid控制方法 | |
CN111695300A (zh) | 一种汽轮机阀门流量拟合方法及系统 | |
CN112925207A (zh) | 一种基于参数辨识的温室环境温度自适应方法 | |
CN112615364A (zh) | 一种新型的电网稳控装置广域智能协同控制方法 | |
CN117519042B (zh) | 基于ai技术的水泥生产智能控制方法、系统及存储介质 |
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 |