CN111781904B - 基于bp神经网络的植物提取的生产过程控制系统 - Google Patents

Abstract

一种基于BP神经网络的植物提取的生产过程控制系统，包括植物清洗模块、植物粉碎模块、浸泡提取模块、杂质分离模块和蒸发浓缩模块，所述植物清洗模块用于对待提取的植物进行清洗，所述植物粉碎模块用于将清洗后的植物进行粉碎，所述浸泡提取模块用于将有效成分从粉碎后的植物中提取出来，获取包含有效成分的提取液，所述杂质分离模块用于去除所述提取液中的杂质，所述蒸发浓缩模块用于将提取液中的一部分溶剂气化并除去。所述蒸发浓缩模块用于将浸泡提取模块得到的提取液进一步蒸发使提取液的浓度达到预设的浓度值，所述蒸发浓缩模块包括蒸发器和浓度检测系统，所述浓度检测系统采用BP神经网络对蒸发器内提取液的浓度进行在线检测。

Description

基于BP神经网络的植物提取的生产过程控制系统

技术领域

本发明创造涉及植物提取领域，具体涉及一种基于BP神经网络的植物提取的生产过程控制系统。

背景技术

植物提取是以植物为原料，经过物理或化学的提取和分离，获得植物中的某一种或多种有效成分，而不改变其有效成分结构形成的一种提取方法。植物中通常含有热敏性物质，目前在植物提取中使用较多的提取工艺是温浸动态提取，温浸动态提取是使提取液的温度保持在接近沸点温度的“亚沸腾”状态，具有提取率高、减少有效成分的破坏和杂质浸出的优点，但对提取温度的控制精度要求较高，传统的控制方法难以达到温浸动态提取工艺的温度精确控制要求，因此，采用适合的控制方法对植物提取过程的提取温度进行精确控制是保证动态提取效果的关键。

此外，在植物提取的过程中，浓缩工段是对植物提取液进行浓缩，是植物提取的一个重要环节。浓度检测在浓缩控制中很关键，一般在浓缩后期进行检测作为出料标准，由于浓缩器内部工况比较恶劣，缺乏有效的传感器检测手段，要准确判断浓度比较困难。

发明内容

针对上述问题，本发明旨在提供一种用于植物提取的生产过程控制系统。

本发明创造的目的通过以下技术方案实现：

一种用于植物提取的生产过程控制系统，包括植物清洗模块、植物粉碎模块、浸泡提取模块、杂质分离模块和蒸发浓缩模块，所述植物清洗模块用于对待提取的植物进行清洗，所述植物粉碎模块用于将清洗后的植物进行粉碎，所述浸泡提取模块用于将有效成分从粉碎后的植物中提取出来，获取包含有效成分的提取液，所述杂质分离模块用于去除所述提取液中的杂质，所述蒸发浓缩模块用于将浸泡提取模块得到的提取液进一步蒸发使提取液的浓度达到预设的浓度值。

本发明创造的有益效果：提供一种用于植物提取的生产过程控制系统，系统的浸泡提取模块中设置加热控制单元，采用PID控制器对提取罐内的提取液温度进行控制，实现了温度的精确控制；蒸发浓缩模块采用BP神经网络对蒸发器内的提取液浓度进行在线检测，实现了提取液浓度的实时检测，具有较好的提取效果和提取质量。

附图说明

利用附图对发明创造作进一步说明，但附图中的实施例不构成对本发明创造的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。

图1是本发明结构示意图。

附图标记：

植物清洗模块1；植物粉碎模块2；浸泡提取模块3；杂质分离模块4；蒸发浓缩模块5。

具体实施方式

结合以下实施例对本发明作进一步描述。

参见图1，本实施例的一种用于植物提取的生产过程控制系统，包括植物清洗模块1、植物粉碎模块2、浸泡提取模块3、杂质分离模块4和蒸发浓缩模块5，所述植物清洗模块1用于对待提取的植物进行清洗，所述植物粉碎模块2用于将清洗后的植物进行粉碎，所述浸泡提取模块3用于将有效成分从粉碎后的植物中提取出来，获取包含有效成分的提取液，所述杂质分离模块4用于去除所述提取液中的杂质，所述蒸发浓缩模块5用于将浸泡提取模块得到的提取液进一步蒸发使提取液的浓度达到预设的浓度值。

本优选实施例提供一种用于植物提取的生产过程控制系统，系统的浸泡提取模块中设置加热控制单元，采用PID控制器对提取罐内的提取液温度进行控制，实现了温度的精确控制；蒸发浓缩模块采用BP神经网络对蒸发器内的提取液浓度进行在线检测，实现了提取液浓度的实时检测，具有较好的提取效果和提取质量。

优选地，所述浸泡提取模块3包括浸泡提取装置和加热控制系统，所述浸泡提取装置包括冷却器、提取罐和外壳体，所述提取罐和外壳体之间形成夹层，所述加热控制系统包括控制器、夹层蒸汽阀门、罐内蒸汽阀门、冷却水阀门和传感检测单元，所述夹层蒸汽阀门用于向提取罐夹层内注入蒸汽，所述罐内蒸汽阀门用于向提取罐内注入蒸汽，所述冷却水阀门用于向冷却器中注入冷却水，所述传感检测单元包括设于提取罐内用于检测提取罐内压力的第一压力传感器、设于提取罐夹层内用于检测提取罐夹层内蒸汽压力的第二压力传感器和设于提取罐内用于检测提取罐内提取液温度的温度传感器，所述控制器通过调节夹层蒸汽阀门、罐内蒸汽阀门和冷却水阀门的开度来控制提取罐内提取液的温度。

优选地，所述加热控制系统的控制器采用PID控制器对提取罐内提取液的温度进行控制，给定温度值T_r，利用温度传感器对提取罐内提取液的温度进行采集，并对采集得到的温度值进行修正，将修正后的温度值与给定的温度值T_r进行比较，并将比较结果反馈给PID控制器，PID控制器根据反馈的偏差值的大小生成控制量，所述控制量用于控制夹层蒸汽阀门、罐内蒸汽阀门和冷却水阀门的开度，设温度传感器t时刻采集的提取罐内提取液的温度值为y(t)，对温度值y(t)进行修正，具体为：

(1)设X¹＝{x¹(t-l+1)，x¹(t-l+2)，...，x¹(t)}为第一压力传感器采集得到的提取罐内压力值序列，X²＝{x²(t-l+1)，x²(t-l+2)，...，x²(t)}为第二压力传感器采集得到的夹层蒸汽压力值序列，Y＝{y(t-l+1)，y(t-l+2)，...，y(t)}为温度传感器采集得到的提取罐内提取液的温度值序列，其中，l为序列X¹、X²和Y的长度，t为当前时刻，定义提取液的温度值和压力值的关联步长

则

的计算公式为：

式中，

为压力值序列X¹中提取罐内压力值均值，

为压力值序列X²中夹层蒸汽压力值均值，

为压力值序列Xⁱ的压力值均值，当i＝1时，则

当i＝2时，则

x¹(j)为压力值序列X¹中的第j个数据，x²(j)为压力值序列X²中的第j个数据，xⁱ(j)为压力值序列Xⁱ中的第j个数据，

为温度值序列Y中的温度值均值，

为温度值序列Y中的第

个数据；

(2)设Y(d)＝{y(d+1)，y(d+2)，...，y(d+m)}和

分别为温度值序列Y和压力值序列X1中由相邻元素构成的子序列，且d＝t-l，t-l+1，...，t-m，定义提取液的温度值和提取罐内压力值的关联趋势指数为δ₁，则δ₁的计算公式为：

式中，t为当前时刻，r₁(d)为子序列Y(d)和子序列X¹(d)的关联系数，且r₁(d)的计算公式为：

式中，y(i)为子序列Y(d)中的第i个数据，

为子序列X¹(d)中的第

个数据，m为子序列Y(d)和X¹(d)的长度；

根据上述计算方法计算提取液的温度值和夹层蒸汽压力值的关联趋势指数δ₂，根据关联趋势指数δ₁和δ₂确定综合趋势指数ρ，则ρ的表达式为：

(3)设y′(t)为温度值y(t)修正后的值，则y′(t)的计算公式为：

式中，y(t)为t时刻温度传感器采集得到的提取罐内提取液的温度值，x¹(t)和x²(t)分别为t时刻采集得到的提取罐内压力值和夹层蒸汽压力值，x¹(0)为预设的提取罐内压力值的阈值，x²(0)为预设的夹层蒸汽压力值的阈值。

本优选实施例利用温度传感器对提取罐内提取液的温度进行采集，由于PID控制器的控制过程中存在着时滞特性，使得当前时刻采集得到的温度值和控制器生成的控制量存在着不对应的现象，从而严重影响系统的控制性能；因此，本优选实施例对采集得到的温度值进行修正以缓解时滞特性对温度控制精度的影响，在对温度值进行修正时，考虑到提取罐内压力值和夹层蒸汽压力值直接影响着提取罐内提取液的温度值，因此，提出一种提取液的温度值和提取罐内压力值的关联趋势指数δ₁的计算方法，关联趋势指数δ₁直接反映了提取液的温度和提取罐内压力值的关联趋势，同理可计算得到提取液的温度值和夹层蒸汽压力值的关联趋势指数δ₂，关联趋势指数δ₂直接反映了提取液的温度值和夹层蒸汽压力值的关联趋势，利用关联趋势指数δ₁和δ₂确定提取液温度值和提取罐内压力值和夹层蒸汽压力值的综合趋势指数ρ，利用综合趋势指数ρ和当前时刻采集得到的提取罐内压力值和夹层蒸汽压力值对当前时刻采集的温度值进行修正，从而能够有效的避免时差放缓控制系统的响应过程，消除时滞特性对温度控制精度的影响；此外，因为PID控制器存在的时滞特性，本优选实施例在计算提取液的温度值和蒸汽压力值的关联趋势指数时，首先确定关联步长

使得确定关联趋势指数的压力值序列和提取液的温度值序列时间上相对应，从而克服时滞特性影响温度值修正的准确性。

优选地，蒸发浓缩模块5用于将浸泡提取模块3得到的提取液进一步蒸发使提取液的浓度达到预设的浓度值，所述蒸发浓缩模块5包括蒸发器和浓度检测系统，所述浓度检测系统采用BP神经网络对蒸发器内提取液的浓度进行在线检测，当检测到蒸发器内提取液的浓度达到预设的浓度值时令蒸发器停止工作，所述BP神经网络包括输入层、隐含层和输出层，所述输入层的输入变量包括蒸发器内提取液的当前浓度、提取液的沸点、提取液加入蒸发器的流量、蒸发器内的真空度、蒸发器内的蒸汽压力和蒸发器内提取液的液位，所述输出层的输出值为预测的提取液的浓度。

优选地，采用样本数据集D对浓度检测系统采用的BP神经网络进行训练，所述BP神经网络采用单隐含层结构，所述BP神经网络隐含层的节点数采用下列步骤进行确定：

(1)设样本数据集D＝{D^j，j＝1，2，...，6}，其中，{D^j，j＝1，2，...，6}分别代表蒸发器内提取液的当前浓度、提取液的沸点、提取液加入蒸发器的流量、蒸发器内的真空度、蒸发器内的蒸汽压力和蒸发器内提取液的液位的样本数据集，对样本数据集D^j进行预处理，具体为：

式中，x^j为样本数据集D^j中的样本数据，y^j为x^j预处理后的样本数据，

和

为样本数据集D^j中样本数据的最大值和最小值；

(2)设样本数据集D^j经预处理后表示为H^j，对样本数据集H^j中的样本数据进行数据筛选，去除样本数据集H^j中的异常值，将去除异常值后的样本数据集H^j表示为K^j；

(3)统计样本数据集K^j中样本数据出现过的数值，令

表示样本数据集K^j中数据出现过的数值，q表示样本数据集K^j中出现过的数值个数，分别统计样本数据集K^j中数值为

的数据个数，令

表示样本数据集K^j中数值为

的数据个数，构建集合

其中，

为集合F^j中的数据点，q为集合F^j中的数据点数，将集合F^j中的q个数据点

分别标注在坐标轴上，其中，

为坐标轴上的横坐标，

为坐标轴上的纵坐标，并将坐标轴的q个数据点相连形成折现图，统计折现图中的峰值数p_j，则神经网络的隐含层的节点数β为：

式中，l_j为样本数据集K^j中数据的属性值，且当p_j-1＞0时，令l_j＝p_j，当p_j-1＜0时，令l_j＝1，n为满足{p_j-1＞0，j＝1，2，...，6}的峰值的个数。

本优选实施例根据蒸发浓缩模块的输入变量的数据特性确定BP神经网络隐含层的节点数，使得确定的隐含层节点数适应于蒸发浓缩模块的输入变量的数据特性，相较于传统的隐含层节点的确定方法，采用本优选实施例的隐含层节点确定方法，使得BP神经网络更加适应于蒸发浓缩模块的提取液浓度的在线检测；此外，采用本优选实施例的隐含层节点数的确定方法具有较快的运算速度和精度，从而提高了提取液浓度的在线检测的实时性和精度。

最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，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实质和范围。

Claims (2)

1.一种基于BP神经网络的植物提取的生产过程控制系统，其特征是，包括植物清洗模块、植物粉碎模块、浸泡提取模块、杂质分离模块和蒸发浓缩模块，所述植物清洗模块用于对待提取的植物进行清洗，所述植物粉碎模块用于将清洗后的植物进行粉碎，所述浸泡提取模块用于将有效成分从粉碎后的植物中提取出来，获取包含有效成分的提取液，所述杂质分离模块用于去除所述提取液中的杂质，所述蒸发浓缩模块用于将浸泡提取模块得到的提取液进一步蒸发使提取液的浓度达到预设的浓度值；

所述浸泡提取模块包括浸泡提取装置和加热控制系统，所述浸泡提取装置包括冷却器、提取罐和外壳体，所述提取罐和外壳体之间形成夹层，所述加热控制系统包括控制器、夹层蒸汽阀门、罐内蒸汽阀门、冷却水阀门和传感检测单元，所述夹层蒸汽阀门用于向提取罐夹层内注入蒸汽，所述罐内蒸汽阀门用于向提取罐内注入蒸汽，所述冷却水阀门用于向冷却器中注入冷却水，所述传感检测单元包括设于提取罐内用于检测提取罐内压力的第一压力传感器、设于提取罐夹层内用于检测提取罐夹层内蒸汽压力的第二压力传感器和设于提取罐内用于检测提取罐内提取液温度的温度传感器，所述控制器通过调节夹层蒸汽阀门、罐内蒸汽阀门和冷却水阀门的开度来控制提取罐内提取液的温度；

所述蒸发浓缩模块用于将浸泡提取模块得到的提取液进一步蒸发使提取液的浓度达到预设的浓度值，所述蒸发浓缩模块包括蒸发器和浓度检测系统，所述浓度检测系统采用BP神经网络对蒸发器内提取液的浓度进行在线检测，当检测到蒸发器内提取液的浓度达到预设的浓度值时令蒸发器停止工作，所述BP神经网络包括输入层、隐含层和输出层，所述输入层的输入变量包括蒸发器内提取液的当前浓度、提取液的沸点、提取液加入蒸发器的流量、蒸发器内的真空度、蒸发器内的蒸汽压力和蒸发器内提取液的液位，所述输出层的输出值为预测的提取液的浓度；

采用样本数据集D对浓度检测系统采用的BP神经网络进行训练，所述BP神经网络采用单隐含层结构，所述BP神经网络隐含层的节点数采用下列步骤进行确定：

(1)设样本数据集D＝{D^j，j＝1，2，...，6}，其中，{D^j，j＝1，2，...，6}分别代表蒸发器内提取液的当前浓度、提取液的沸点、提取液加入蒸发器的流量、蒸发器内的真空度、蒸发器内的蒸汽压力和蒸发器内提取液的液位的样本数据集，对样本数据集D^j进行预处理，具体为：

式中，x^j为样本数据集D^j中的样本数据，y^j为x^j预处理后的样本数据，

和

为样本数据集D^j中样本数据的最大值和最小值；

(2)设样本数据集D^j经预处理后表示为H^j，对样本数据集H^j中的样本数据进行数据筛选，去除样本数据集H^j中的异常值，将去除异常值后的样本数据集H^j表示为K^j；

(3)统计样本数据集K^j中样本数据出现过的数值，令

表示样本数据集K^j中数据出现过的数值，q表示样本数据集K^j中出现过的数值个数，分别统计样本数据集K^j中数值为

的数据个数，令

表示样本数据集K^j中数值为

的数据个数，构建集合

其中，

为集合F^j中的数据点，q为集合F^j中的数据点数，将集合F^j中的q个数据点

分别标注在坐标轴上，并将坐标轴的q个数据点相连形成折现图，统计折现图中的峰值数p_j，则神经网络的隐含层的节点数β为：

式中，l_j为样本数据集K^j中数据的属性值，且当p_j-1＞0时，令l_j＝p_j，当p_j-1＜0时，令l_j＝1，n为满足{p_j-1＞0，j＝1，2，...，6}的峰值的个数。

2.根据权利要求1所述的基于BP神经网络的植物提取的生产过程控制系统，其特征是，所述加热控制系统的控制器采用PID控制器对提取罐内提取液的温度进行控制，给定温度值T_r，利用温度传感器对提取罐内提取液的温度进行采集，并对采集得到的温度值进行修正，将修正后的温度值与给定的温度值T_r进行比较，并将比较结果反馈给PID控制器，PID控制器根据反馈的偏差值的大小生成控制量，所述控制量用于控制夹层蒸汽阀门、罐内蒸汽阀门和冷却水阀门的开度，设温度传感器t时刻采集的提取罐内提取液的温度值为y(t)，对温度值y(t)进行修正，具体为：

(1)设X¹＝{x¹(t-l+1)，x¹(t-l+2)，...，x¹(t)}为第一压力传感器采集得到的提取罐内压力值序列，X²＝{x²(t-l+1)，x²(t-l+2)，...，x²(t)}为第二压力传感器采集得到的提取罐夹层蒸汽压力值序列，Y＝{y(t-l+1)，y(t-l+2)，...，y(t)}为温度传感器采集得到的提取罐内提取液的温度值序列，其中，l为序列X¹、X²和Y的长度，t为当前时刻，定义提取液的温度值和压力值的关联步长为

则

的计算公式为：

式中，

为压力值序列X¹中提取罐内压力值均值，

为压力值序列X²中夹层蒸汽压力值均值，

为压力值序列Xⁱ的压力值均值，当i＝1时，则

当i＝2时，则

x¹(j)为压力值序列X¹中的第j个数据，x²(j)为压力值序列X²中的第j个数据，xⁱ(j)为压力值序列Xⁱ中的第j个数据，

为温度值序列Y中的温度值均值，

为温度值序列Y中的第

个数据；

(2)设Y(d)＝{y(d+1)，y(d+2)，...，y(d+m)}和

分别为温度值序列Y和压力值序列X¹中由相邻元素构成的子序列，且d＝t-l，t-l+1，...，t-m，定义提取液的温度值和提取罐内压力值的关联趋势指数为δ₁，则δ₁的计算公式为：

式中，t为当前时刻，r₁(d)为子序列Y(d)和子序列X¹(d)的关联系数，且r₁(d)的计算公式为：

式中，y(i)为子序列Y(d)中的第i个数据，

为子序列X¹(d)中的第

个数据，m为子序列Y(d)和X¹(d)的长度；

根据上述计算方法计算提取液的温度值和夹层蒸汽压力值的关联趋势指数δ₂，根据关联趋势指数δ₁和δ₂确定综合趋势指数ρ，则ρ的表达式为：

(3)设y′(t)为温度值y(t)修正后的值，则y′(t)的计算公式为：

式中，y(t)为t时刻温度传感器采集得到的提取罐内提取液的温度值，x¹(t)和x²(t)分别为t时刻采集得到的提取罐内压力值和夹层蒸汽压力值，x¹(0)为预设的提取罐内压力值的阈值，x²(0)为预设的夹层蒸汽压力值的阈值。

Images