CN113048777A - 基于出料水分含量的烘干机控制方法、装置和计算机设备 - Google Patents
基于出料水分含量的烘干机控制方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN113048777A CN113048777A CN202110389036.3A CN202110389036A CN113048777A CN 113048777 A CN113048777 A CN 113048777A CN 202110389036 A CN202110389036 A CN 202110389036A CN 113048777 A CN113048777 A CN 113048777A
- Authority
- CN
- China
- Prior art keywords
- dryer
- moisture
- value
- drying
- moisture content
- 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.)
- Withdrawn
Links
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F26—DRYING
- F26B—DRYING SOLID MATERIALS OR OBJECTS BY REMOVING LIQUID THEREFROM
- F26B21/00—Arrangements or duct systems, e.g. in combination with pallet boxes, for supplying and controlling air or gases for drying solid materials or objects
- F26B21/001—Drying-air generating units, e.g. movable, independent of drying enclosure
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F26—DRYING
- F26B—DRYING SOLID MATERIALS OR OBJECTS BY REMOVING LIQUID THEREFROM
- F26B21/00—Arrangements or duct systems, e.g. in combination with pallet boxes, for supplying and controlling air or gases for drying solid materials or objects
- F26B21/004—Nozzle assemblies; Air knives; Air distributors; Blow boxes
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F26—DRYING
- F26B—DRYING SOLID MATERIALS OR OBJECTS BY REMOVING LIQUID THEREFROM
- F26B21/00—Arrangements or duct systems, e.g. in combination with pallet boxes, for supplying and controlling air or gases for drying solid materials or objects
- F26B21/06—Controlling, e.g. regulating, parameters of gas supply
- F26B21/08—Humidity
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F26—DRYING
- F26B—DRYING SOLID MATERIALS OR OBJECTS BY REMOVING LIQUID THEREFROM
- F26B25/00—Details of general application not covered by group F26B21/00 or F26B23/00
- F26B25/22—Controlling the drying process in dependence on liquid content of solid materials or objects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N5/00—Analysing materials by weighing, e.g. weighing small particles separated from a gas or liquid
- G01N5/04—Analysing materials by weighing, e.g. weighing small particles separated from a gas or liquid by removing a component, e.g. by evaporation, and weighing the remainder
- G01N5/045—Analysing materials by weighing, e.g. weighing small particles separated from a gas or liquid by removing a component, e.g. by evaporation, and weighing the remainder for determining moisture content
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Drying Of Solid Materials (AREA)
Abstract
本申请涉及一种基于出料水分含量的烘干机控制方法、装置和计算机设备。所述方法通过获取用于烘干机控制的必要数据,从而确定对应的出料水分含量预测模型,并根据烘干区的湿度增加量,由出料水分含量预测模型得到烘干机出料口处的物料水分值,并在烘干机出料口处的物料水分值与目标水分值之间的差值不满足要求时,获取烘干机运行参数的优化目标值,进而基于该优化目标值自动调整烘干机的运行参数,使得最终烘干产品的水分值能够满足要求,不仅避免了传统技术中通过抽检的方式评估产品的水分含量需要耗费大量的时间和人力以及物料浪费的问题,且通过智能化的方式控制烘干机,还降低了对烘干机的操作复杂度,以及对经验操作工人的依赖程度。
Description
技术领域
本申请涉及物料烘干技术,特别是涉及一种基于出料水分含量的烘干机控制方法、装置和计算机设备。
背景技术
目前,市面上烘干产品的水分要求通常需要达到一个规定值。以宠物粮、饲料为例,如果物料水分值过大,则物料在存储、运输过程中极易发霉;相反如果物料水分值过小,物料适口性降低(动物不喜欢吃),且生产成本增加。
又由于烘干机上游设备(例如膨化机、制粒机等)的产量不平稳,导致进入烘干机内部的物料薄厚不均匀,烘干后的物料水分含量也会有较大差异。而市面上用于饲料、食品烘干的连续型烘干机需要操作人员根据经验设定烘干机内部各分区目标温度、风扇转速、排湿风机转速、排湿风门开合度、传送带转速等参数。且这些参数都在影响产品的烘干速率,并最终影响到成品的水分含量。因此,为了保证生产出来的产品满足产品水分要求,且使得烘干机能够在最好的状态下工作,操作人员需要根据经验调试所有参数,从而使得操作烘干机变的极为复杂。
发明内容
基于此,有必要针对上述由操作人员根据经验调试参数使得操作烘干机较复杂的问题,提供一种基于出料水分含量的烘干机控制方法、装置和计算机设备。
一种基于出料水分含量的烘干机控制方法,所述方法包括:
获取待烘干物料的目标水分值、待烘干物料的配方信息,以及烘干机进料口处的物料水分值、物料质量流量、对所述物料进行烘干时进入所述烘干机烘干区空气的水分含量、从所述烘干区排出空气的水分含量和所述烘干机的运行参数;
根据所述待烘干物料的配方信息确定对应的出料水分含量预测模型;
根据进入所述烘干机烘干区空气的水分含量以及从所述烘干区排出空气的水分含量,确定所述烘干区的湿度增加量;
将所述湿度增加量、所述烘干机进料口处的物料水分值和物料质量流量输入所述出料水分含量预测模型,得到所述烘干机出料口处的物料水分值;
若所述烘干机出料口处的物料水分值与所述目标水分值之间的差值不满足要求,则基于所述差值以及所述烘干机的运行参数,获取所述烘干机运行参数的优化目标值;
基于所述烘干机运行参数的优化目标值调整所述烘干机的运行参数。
在其中一个实施例中,所述出料水分含量预测模型通过如下方法得到:获取若干个配方信息分别对应的样本物料的训练数据集,所述样本物料的训练数据集包括烘干机进料口处的样本物料水分值、样本物料质量流量、对所述样本物料进行烘干时进入所述烘干机烘干区空气的水分含量、从所述烘干区排出空气的水分含量以及烘干机出料口处的样本物料水分标签;对每个配方信息所对应的样本物料的训练数据集进行标准化处理,得到所述配方信息对应的标准化后的训练数据;采用所述配方信息对应的标准化后的训练数据,通过反向传播训练深度神经网络,直到损失函数达到最小值时,得到与所述配方信息对应的出料水分含量预测模型。
在其中一个实施例中,所述通过反向传播训练深度神经网络,直到损失函数达到最小值,包括:通过反向传播训练深度神经网络,并采用梯度下降法、共轭梯度法、拟牛顿法中的任一种迭代求解所述损失函数,直到所述损失函数达到最小值时结束训练过程。
在其中一个实施例中,所述根据进入所述烘干机烘干区空气的水分含量以及从所述烘干区排出空气的水分含量,确定所述烘干区的湿度增加量,包括:计算从所述烘干区排出空气的水分含量与进入所述烘干机烘干区空气的水分含量之间的差值;将所述差值确定为所述烘干区的湿度增加量。
在其中一个实施例中,所述将所述湿度增加量、所述烘干机进料口处的物料水分值和物料质量流量输入所述出料水分含量预测模型,得到所述烘干机出料口处的物料水分值,包括:当有多个所述烘干区时,则将每个烘干区的湿度增加量、对应烘干区进料口处的物料水分值和物料质量流量输入与所述烘干区对应的出料水分含量预测模型,得到所述烘干区出料口处的物料水分值,且预测的上游烘干区出料口处的物料水分值为相邻下游烘干区进料口处的物料水分值,预测的最后一个烘干区出料口处的物料水分值为所述烘干机出料口处的物料水分值。
在其中一个实施例中,所述基于所述差值以及所述烘干机的运行参数,获取所述烘干机运行参数的优化目标值,包括:基于所述差值以及所述烘干机的运行参数,采用梯度下降法获取所述烘干机运行参数的优化目标值。
在其中一个实施例中,所述方法还包括:若所述差值满足要求,则基于所述要求将所述烘干机的运行参数限制在对应的范围内。
一种基于出料水分含量的烘干机控制装置,所述装置包括:
数据获取模块,用于获取待烘干物料的目标水分值、待烘干物料的配方信息,以及烘干机进料口处的物料水分值、物料质量流量、对所述物料进行烘干时进入所述烘干机烘干区空气的水分含量、从所述烘干区排出空气的水分含量和所述烘干机的运行参数;
模型确定模块,用于根据所述待烘干物料的配方信息确定对应的出料水分含量预测模型;
湿度增加量确定模块,用于根据进入所述烘干机烘干区空气的水分含量以及从所述烘干区排出空气的水分含量,确定所述烘干区的湿度增加量;
出料水分预测模块,用于将所述湿度增加量、所述烘干机进料口处的物料水分值和物料质量流量输入所述出料水分含量预测模型,得到所述烘干机出料口处的物料水分值;
烘干机运行参数优化模块,用于若所述烘干机出料口处的物料水分值与所述目标水分值之间的差值不满足要求,则基于所述差值以及所述烘干机的运行参数,获取所述烘干机运行参数的优化目标值;
烘干机控制模块,用于基于所述烘干机运行参数的优化目标值调整所述烘干机的运行参数。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现如上所述方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述方法的步骤。
上述基于出料水分含量的烘干机控制方法、装置和计算机设备,通过获取用于烘干机控制的必要数据,并根据待烘干物料的配方信息确定对应的出料水分含量预测模型,根据进入烘干机烘干区空气的水分含量以及从烘干区排出空气的水分含量,确定烘干区的湿度增加量,进而将湿度增加量、烘干机进料口处的物料水分值和物料质量流量输入出料水分含量预测模型,得到烘干机出料口处的物料水分值,并在烘干机出料口处的物料水分值与目标水分值之间的差值不满足要求时,基于该差值以及烘干机的运行参数,获取烘干机运行参数的优化目标值,进而基于烘干机运行参数的优化目标值自动调整烘干机的运行参数,使得最终烘干产品的水分值能够满足要求,不仅避免了传统技术中通过抽检的方式评估产品的水分含量需要耗费大量的时间和人力以及物料浪费的问题,且通过智能化的方式控制烘干机,还降低了对烘干机的操作复杂度,以及对经验操作工人的依赖程度。
附图说明
图1为一个实施例中基于出料水分含量的烘干机控制方法的应用环境图;
图2为一个实施例中基于出料水分含量的烘干机控制方法的流程示意图;
图3为一个实施例中获取出料水分含量预测模型步骤的流程示意图;
图4为另一个实施例中基于出料水分含量的烘干机控制方法的流程示意图;
图5为一个实施例中基于出料水分含量的烘干机控制装置的结构框图;
图6为一个实施例中基于出料水分含量的烘干机控制装置的原理示意图;
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请的烘干机是用于对饲料、食品等产品进行干燥,以达到去除产品中水分目的的机械设备。而通常为了满足存储需求,烘干产品的水分要求需要处于一个规定值范围。以宠物粮、饲料为例,如果物料水分值过大,则物料在存储、运输过程中极易发霉;相反如果物料水分值过小,物料适口性则会降低(动物不喜欢吃),且过度干燥会导致生产成本增加。而为了保证生产出来的产品满足产品水分要求,质检员工需要定期测量和评估产品的水分含量。如通过抽检烘干完成后的产品,检测水分是否达标,然而,从产品烘干到检测,整个过程需要1小时左右,若检测产品不合格,则该1小时内的物料都变成了不合格产品。因此,目前通过抽检的方式评估产品的水分含量不仅需要耗费大量的时间和人力,且还会造成大量的物料浪费。
又由于烘干机上游设备(例如膨化机、制粒机等)的产量不平稳,导致进入烘干机内部的物料薄厚不均匀,而当前的烘干机一般是基于这些机器的输出恒定的假设,而一旦这些机器的输出变化时,应去除的水分总量也会变化,由于烘干机不能识别到这种变化,导致烘干后的物料水分含量也会有较大差异。目前市面上用于饲料、食品烘干的连续型烘干机需要操作人员根据经验设定烘干机内部各分区目标温度、风扇转速、排湿风机转速、排湿风门开合度、传送带转速等参数。且这些参数都在影响产品的烘干速率,并最终影响到成品的水分含量。因此,为了保证生产出来的产品满足产品水分要求,且使得烘干机能够在最好的状态下工作,操作人员需要根据经验调试所有参数,从而使得操作烘干机变的极为复杂。
基于此,本申请提出了一种基于出料水分含量的烘干机控制方法,可以应用于如图1所示的应用环境中。其中,终端102与烘干机104进行通信连接。终端102通过获取烘干机104的运行参数以及烘干机的各种状态数据(包括进入烘干机烘干区空气的水分含量、从所述烘干区排出空气的水分含量等)和烘干机上物料的状态数据(包括待烘干物料的目标水分值、待烘干物料的配方信息,以及烘干机进料口处的物料水分值、物料质量流量等),并根据待烘干物料的配方信息确定对应的出料水分含量预测模型,根据进入烘干机烘干区空气的水分含量以及从烘干区排出空气的水分含量,确定烘干区的湿度增加量,进而将湿度增加量、烘干机进料口处的物料水分值和物料质量流量输入出料水分含量预测模型,得到烘干机出料口处的物料水分值,并在烘干机出料口处的物料水分值与目标水分值之间的差值不满足要求时,基于该差值以及烘干机的运行参数,获取烘干机运行参数的优化目标值,进而基于烘干机运行参数的优化目标值自动调整烘干机104的运行参数,使得最终烘干产品的水分值能够满足要求。其中,终端102可以但不限于是各种服务器、个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备等。
在一个实施例中,如图2所示,提供了一种基于出料水分含量的烘干机控制方法,以该方法应用于图1中的终端为例进行说明,包括以下步骤:
步骤202,获取用于烘干机控制的必要数据。
其中,用于烘干机控制的必要数据包括:待烘干物料的目标水分值、待烘干物料的配方信息,以及烘干机进料口处的物料水分值、物料质量流量、对物料进行烘干时进入烘干机烘干区空气的水分含量、从烘干区排出空气的水分含量和烘干机的运行参数。具体地,待烘干物料的目标水分值是指对物料进行烘干后其合格的水分值,其可以根据需要烘干的物料的目标数据得到。待烘干物料的配方信息是指基于不同目的对各种原材料进行组合的配比,其可以根据具体需要烘干的物料得到。烘干机进料口处的物料水分值是指物料烘干前的水分,其可以通过设置在烘干机上游设备出口处或烘干机入口处的水分检测仪检测得到,也可以通过上游设备的相关数据计算得到,例如,若上游设备是膨化机,则可以通过膨化机物料质量流量、调制器加水量、调制器加蒸汽量、膨化机加蒸汽量等数据,并结合相应的计算公式间接计算获得。物料质量流量是指单位时间里物料通过烘干机有效截面的物料质量,其可以通过上游设备运行数据直接或间接得到,例如,若上游设备是膨化机,则质量流量可以通过膨化机调制器喂料器的频率进行换算得到,也可以通过安装在膨化机出口处或烘干机入口处的流量传感器检测得到。进入烘干机烘干区空气的水分含量是指进入烘干区的空气的湿度,从烘干区排出空气的水分含量则是指从烘干机提出空气的湿度,其可以通过设置在烘干机进气口处和排气口处的湿度传感器检测得到。烘干机的运行参数则包括烘干机烘干区内的空气温度、物料传送带转速、风扇电机转速、排湿风机转速以及排湿风门开关度等,其具体可以通过相应的传感器件检测得到。在本实施例中,当要对烘干机进行自动控制,以降低对烘干机操作的复杂度,使得最终烘干产品的水分值能够满足要求时,则首先需要获取上述必要数据。
以下举例来说通过计算公式间接计算烘干机进料口处的物料水分值以及物料质量流量的具体过程,具体地,首先采集上游设备的参数如下:对于调整器部分,采集其最大干混率MR、干混湿度M、蒸汽量SP、水量WP以及注入脂肪量FatP,其单位均为百分比;对于膨化机部分,则采集其蒸汽量SE以及水量WE,其单位均为百分比;对于其他部分,则还需要采集融点Tmelt、蒸发温度Teva、汽化散热Hva以及比热调节系数Δ。则通过上述参数间接计算得到烘干机进料口处的物料水分值为:其中,为计算得到的结果,即定义为烘干机进料口处的物料水分值,MM为融化水分,为每千克挤出蒸发的水分估计值。具体地,MM=TWR/TMR,其中,TWR为总水量,通过如下公式计算得到:TWR=MR×(M+SP+WP+SE+WE),TMR为膨化总物质流量,通过如下公式计算得到:TMR=MR+MR×(SP+WP+FatP+SE+WE)。则通过如下公式计算得到:其中,Hloss为挤出物每千克的热量损失,通过如下公式计算得到:而为挤出机桶中的比热估计值,物料质量流量的估计值则通过如下公式计算得到:
步骤204,根据待烘干物料的配方信息确定对应的出料水分含量预测模型。
其中,出料水分含量预测模型是基于神经网络训练得到,用于预测烘干机出料口物料的水分含量,即预测物料烘干后的水分。又由于对于不同配方信息的待烘干物料,其对应的各种原材料的组合配比不同,因此其对应于相同烘干条件下的干燥程度也不同。基于此,对于不同配方信息的待烘干物料,可以分别训练对应的出料水分含量预测模型,从而使得对烘干后物料的水分预测更加准确。在本实施例中,则可以根据待烘干物料的配方信息而确定对应的出料水分含量预测模型,以通过后续步骤对烘干后物料的水分进行预测。
步骤206,根据进入烘干机烘干区空气的水分含量以及从烘干区排出空气的水分含量,确定烘干区的湿度增加量。
由于烘干机是用于对饲料、食品等产品进行干燥,以达到去除产品中水分的目的。则基于物料平衡支配方程可知,物料流失的水分应等于烘干区中空气增加的水分。因此,在本实施例中,基于进入烘干机烘干区空气的水分含量以及从烘干区排出空气的水分含量,通过计算即可确定烘干区的湿度增加量(即烘干区中空气增加的水分)。具体地,通过将从烘干区排出空气的水分含量减去进入烘干机烘干区空气的水分含量,即得到烘干区中空气增加的水分。
步骤208,将湿度增加量、烘干机进料口处的物料水分值和物料质量流量输入出料水分含量预测模型,得到烘干机出料口处的物料水分值。
由于出料水分含量预测模型是通过对神经网络进行训练后得到的,因此基于一定的输入,模型即可输出预测的烘干后物料的水分值。具体地,通过将上述得到的湿度增加量以及烘干机进料口处的物料水分值和物料质量流量输入出料水分含量预测模型,即得到模型输出的烘干机出料口处的物料水分值。
步骤210,若烘干机出料口处的物料水分值与目标水分值之间的差值不满足要求,则基于差值以及烘干机的运行参数,获取烘干机运行参数的优化目标值。
由于烘干产品的水分要求(即目标水分值)需要处于一个规定值范围,且对于不同的产品其水分要求可能也存在不同。而无论烘干产品的最终水分是过大还是过小都会带来一系列的问题,因此,在本实施例中,为了避免烘干产品的最终水分过大或过小,通过上述步骤对烘干产品的水分值进行预测,并将预测的水分值与目标水分值进行比较,若预测的水分值不满足目标水分值要求,即预测的水分值与目标水分值之间的差值不满足预设值要求时,则表示预测的水分值不满足目标水分值要求。则基于该差值以及烘干机的运行参数,获取烘干机运行参数的优化目标值。其中,优化目标值是指对烘干机运行参数进行优化调整后得到的控制烘干机的新运行参数。
步骤212,基于烘干机运行参数的优化目标值调整烘干机的运行参数。
具体地,上述优化目标值是指对烘干机的运行参数进行优化调整,从而得到控制烘干机的新运行参数,进而基于该新运行参数对烘干机进行控制,可以使得烘干后物料的实际水分值满足目标水分值要求。
上述基于出料水分含量的烘干机控制方法,通过获取用于烘干机控制的必要数据,并根据待烘干物料的配方信息确定对应的出料水分含量预测模型,根据进入烘干机烘干区空气的水分含量以及从烘干区排出空气的水分含量,确定烘干区的湿度增加量,进而将湿度增加量、烘干机进料口处的物料水分值和物料质量流量输入出料水分含量预测模型,得到烘干机出料口处的物料水分值,并在烘干机出料口处的物料水分值与目标水分值之间的差值不满足要求时,基于该差值以及烘干机的运行参数,获取烘干机运行参数的优化目标值,进而基于烘干机运行参数的优化目标值自动调整烘干机的运行参数,使得最终烘干产品的水分值能够满足要求,不仅避免了传统技术中通过抽检的方式评估产品的水分含量需要耗费大量的时间和人力以及物料浪费的问题,且通过智能化的方式控制烘干机,还降低了对烘干机的操作复杂度,以及对经验操作工人的依赖程度。
在一个实施例中,如图3所示,上述出料水分含量预测模型可以通过如下方法得到:
步骤302,获取若干个配方信息分别对应的样本物料的训练数据集。
其中,样本物料的训练数据集包括烘干机进料口处的样本物料水分值、样本物料质量流量、对样本物料进行烘干时进入烘干机烘干区空气的水分含量、从烘干区排出空气的水分含量以及烘干机出料口处的样本物料水分标签。可以理解的是,上述样本物料的训练数据集可以是在对物料进行烘干过程中采集的真实数据,其主要用于对神经网络进行训练,使得神经网络可以从大量的训练数据中学习到相应的特征,进而可以用于对烘干物料的水分进行预测。需要说明的是,在对神经网络进行训练时,为了使得训练后得到的模型的预测准确度更高,则其训练数据集中还可以包括更多的训练数据,例如,除上述训练数据外,还可以包括烘干区热交换器后的空气温度、烘干区内排湿风管内的空气温度、烘干区内的风扇转速、物料传送带的电机转速、烘干区的设定温度、烘干区传送带上不同位置(如传送带的左侧、中部以及右侧等)的物料厚度等。
又由于对于不同配方信息的物料,其对应的各种原材料的组合配比不同,因此其对应于相同烘干条件下的干燥程度也会存在不同。基于此,对于不同配方信息的样本物料,可以分别构建对应的训练数据集,用于训练并得到与配方信息对应的出料水分含量预测模型,从而使得模型对烘干后物料的水分预测更加准确。
步骤304,对每个配方信息所对应的样本物料的训练数据集进行标准化处理,得到配方信息对应的标准化后的训练数据。
其中,标准化处理是指对数据进行同趋化处理,主要解决不同性质数据问题,由于对不同性质指标直接加总不能正确反映不同作用力的综合结果,从而须先考虑改变逆指标数据性质,使所有指标对测评方案的作用力同趋化,再加总才能得出正确结果。在本实施例中,可以采用标准化处理的转化函数对每个配方信息所对应的样本物料的训练数据集中的数据进行标准化处理,具体地,标准化处理的转化函数如下式所示:
其中x*为标准化处理之后的数据,x为原始数据,包括上述训练数据集中的烘干机进料口处的样本物料水分值、样本物料质量流量、对样本物料进行烘干时进入烘干机烘干区空气的水分含量、从烘干区排出空气的水分含量以及烘干机出料口处的样本物料水分标签,μ为用于模型训练的历史数据的均值,σ为用于模型训练的历史数据的标准差。以烘干机进料口处的样本物料水分值H为例来说,假设用于模型训练的某一配方信息所对应的样本物料的训练数据集中有N组训练数据,则转化后的数据为:其中,据此对训练数据集中所有数据进行标准化处理,从而得到标准化处理后的训练数据。
步骤306,采用配方信息对应的标准化后的训练数据,通过反向传播训练深度神经网络,直到损失函数达到最小值时,得到与配方信息对应的出料水分含量预测模型。
其中,神经网络由输入层、隐藏层、输出层组成。其中,输入层与隐藏层之间、隐藏层与隐藏层之间、隐藏层与输出层之间均为全连接。本实施例中所采用的神经网络为深度神经网络,其共有3层隐藏层,1层输入层,1层输出层。神经网络中的每一层都是由若干个神经元组成,其中输入层神经元的个数由模型输入特征数据的个数决定,输出层神经元则输出预测的出料水分含量。
具体地,在本实施例中,采用配方信息对应的标准化后的训练数据,首先执行前向传播,对于输入的任意训练数据,由左向右计算,进而将其结果向量进行反向传播,以训练深度神经网络,并结合梯度下降法或更高级的共轭梯度法或拟牛顿法(BFGS)迭代求解损失函数,直到损失函数达到最小值时结束训练过程,从而得到与配方信息对应的出料水分含量预测模型。其中,损失函数可以采用均方差损失函数或绝对误差损失函数实现。
上述实施例中,通过获取若干个配方信息分别对应的样本物料的训练数据集,对每个配方信息所对应的样本物料的训练数据集进行标准化处理,得到配方信息对应的标准化后的训练数据,进而采用配方信息对应的标准化后的训练数据,通过反向传播训练深度神经网络,直到损失函数达到最小值时,得到与配方信息对应的出料水分含量预测模型,从而在实际应用时基于待烘干物料的配方信息选择对应的出料水分含量预测模型,使得模型对烘干后物料的水分预测更加准确。
在一个实施例中,基于差值以及烘干机的运行参数,获取烘干机运行参数的优化目标值,包括:基于差值以及烘干机的运行参数,采用梯度下降法获取烘干机运行参数的优化目标值。
具体地,若待烘干物料的目标水分值为MTarget,通过模型预测的烘干机出料口处的物料水分值为则通过计算可以得到烘干机出料口处的物料水分值与目标水分值之间的差值为如果预先设定|ΔM|≤ε(0<ε<<1)表示烘干机出料口处的物料水分值满足要求,而当|ΔM|>ε时则不满足要求。在本实施例,假设烘干机出料口处的物料水分值与目标水分值之间的差值不满足要求,即当|ΔM|>ε时,则需要根据ΔM的大小对烘干机的运行参数进行优化,以通过优化后的运行参数进行烘干,从而使得最终烘干产品的水分值能够满足要求。其中,可进行优化的运行参数包括但不限于烘干机烘干区内的空气温度、物料传送带转速、风扇电机转速、排湿风机转速以及排湿风门开关度等。
本实施例中以优化烘干机烘干区内的空气温度为例来进行说明,在本实施例中,可通过梯度下降法进行优化,其优化公式如下:
在一个实施例中,上述基于出料水分含量的烘干机控制方法还包括如下步骤:若差值满足要求,则基于所述要求将烘干机的运行参数限制在对应的范围内。具体地,当烘干机出料口处的物料水分值与目标水分值之间的差值|ΔM|≤ε(0<ε<<1)时,则表示烘干机出料口处的物料水分值满足要求,即通过当前的运行参数对物料进行烘干就可以使得最终烘干产品的水分值满足要求。因此,只需要控制当前的运行参数相对稳定即可,基于此,本实施例可以通过引入极小极大值限制器进行控制,使得运行参数可以控制在一个相对稳定的范围内,进而使得最终烘干产品的水分值能够满足要求。
在一个实施例中,当有多个烘干区时,则可以基于每一个烘干区设置一个对应的出料水分含量预测模型,进而将每个烘干区的湿度增加量、对应烘干区进料口处的物料水分值和物料质量流量输入与该烘干区对应的出料水分含量预测模型,以得到对应烘干区出料口处的物料水分值,且预测的上游烘干区出料口处的物料水分值为相邻下游烘干区进料口处的物料水分值,预测的最后一个烘干区出料口处的物料水分值则为烘干机出料口处的物料水分值,即为预测的烘干产品的水分值。
以下通过一个具体的实施例进一步说明本申请的方法,如图4所示,包括如下步骤:
步骤402,通过训练神经网络,得到与配方信息对应的出料水分含量预测模型。
其中,模型的训练过程可以参照如图3所示的方法,本实施例中不再对此进行赘述。
步骤404,获取用于烘干机控制的必要数据。
其中,用于烘干机控制的必要数据包括但不限于:待烘干物料的目标水分值、待烘干物料的配方信息,以及烘干机进料口处的物料水分值、物料质量流量、对物料进行烘干时进入烘干机烘干区空气的水分含量、从烘干区排出空气的水分含量和烘干机的运行参数等。
步骤406,根据待烘干物料的配方信息确定对应的出料水分含量预测模型。
步骤408,根据进入烘干机烘干区空气的水分含量以及从烘干区排出空气的水分含量,确定烘干区的湿度增加量。
步骤410,将湿度增加量、烘干机进料口处的物料水分值和物料质量流量输入出料水分含量预测模型,得到烘干机出料口处的物料水分值。
步骤412,计算烘干机出料口处的物料水分值与目标水分值之间的差值。
步骤414,判断差值是否满足要求。若不满足要求则执行步骤416,若满足要求则执行步骤420。
步骤416,若差值不满足要求,则基于差值以及烘干机的运行参数,采用梯度下降法获取烘干机运行参数的优化目标值。
步骤418,基于烘干机运行参数的优化目标值调整烘干机的运行参数。
步骤420,若差值满足要求,则基于所述要求将烘干机的运行参数限制在对应的范围内。
上述基于出料水分含量的烘干机控制方法,可以使得最终烘干产品的水分值能够满足要求,不仅避免了传统技术中通过抽检的方式评估产品的水分含量需要耗费大量的时间和人力以及物料浪费的问题,且通过智能化的方式控制烘干机,还降低了对烘干机的操作复杂度,以及对经验操作工人的依赖程度。
应该理解的是,虽然图1-图4的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1-图4中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图5所示,提供了一种基于出料水分含量的烘干机控制装置,包括:数据获取模块502、模型确定模块504、湿度增加量确定模块506、出料水分预测模块508、烘干机运行参数优化模块510和烘干机控制模块512,其中:
数据获取模块502,用于获取待烘干物料的目标水分值、待烘干物料的配方信息,以及烘干机进料口处的物料水分值、物料质量流量、对所述物料进行烘干时进入所述烘干机烘干区空气的水分含量、从所述烘干区排出空气的水分含量和所述烘干机的运行参数;
模型确定模块504,用于根据所述待烘干物料的配方信息确定对应的出料水分含量预测模型;
湿度增加量确定模块506,用于根据进入所述烘干机烘干区空气的水分含量以及从所述烘干区排出空气的水分含量,确定所述烘干区的湿度增加量;
出料水分预测模块508,用于将所述湿度增加量、所述烘干机进料口处的物料水分值和物料质量流量输入所述出料水分含量预测模型,得到所述烘干机出料口处的物料水分值;
烘干机运行参数优化模块510,用于若所述烘干机出料口处的物料水分值与所述目标水分值之间的差值不满足要求,则基于所述差值以及所述烘干机的运行参数,获取所述烘干机运行参数的优化目标值;
烘干机控制模块512,用于基于所述烘干机运行参数的优化目标值调整所述烘干机的运行参数。
在一个实施例中,还包括出料水分含量预测模型获取模块,用于获取若干个配方信息分别对应的样本物料的训练数据集,所述样本物料的训练数据集包括烘干机进料口处的样本物料水分值、样本物料质量流量、对所述样本物料进行烘干时进入所述烘干机烘干区空气的水分含量、从所述烘干区排出空气的水分含量以及烘干机出料口处的样本物料水分标签;对每个配方信息所对应的样本物料的训练数据集进行标准化处理,得到所述配方信息对应的标准化后的训练数据;采用所述配方信息对应的标准化后的训练数据,通过反向传播训练深度神经网络,直到损失函数达到最小值时,得到与所述配方信息对应的出料水分含量预测模型。
在一个实施例中,出料水分含量预测模型获取模块还用于,通过反向传播训练深度神经网络,并采用梯度下降法、共轭梯度法、拟牛顿法中的任一种迭代求解所述损失函数,直到所述损失函数达到最小值时结束训练过程。
在一个实施例中,湿度增加量确定模块具体用于,计算从所述烘干区排出空气的水分含量与进入所述烘干机烘干区空气的水分含量之间的差值;将所述差值确定为所述烘干区的湿度增加量。
在一个实施例中,出料水分预测模块还用于,当有多个所述烘干区时,则将每个烘干区的湿度增加量、对应烘干区进料口处的物料水分值和物料质量流量输入与所述烘干区对应的出料水分含量预测模型,得到所述烘干区出料口处的物料水分值,且预测的上游烘干区出料口处的物料水分值为相邻下游烘干区进料口处的物料水分值,预测的最后一个烘干区出料口处的物料水分值为所述烘干机出料口处的物料水分值。
在一个实施例中,烘干机运行参数优化模块具体用于,基于所述差值以及所述烘干机的运行参数,采用梯度下降法获取所述烘干机运行参数的优化目标值。
在一个实施例中,烘干机控制模块还用于,若所述差值满足要求,则基于所述要求将所述烘干机的运行参数限制在对应的范围内,其具体可以通过极小极大值限制器实现。
在一个实施例中,为了进一步说明本申请的原理,基于出料水分含量的烘干机控制装置的控制原理如图6所示,其包括数据采集层、预测优化层以及烘干机控制层,其中,数据采集层又包括进料口物料数据采集及处理模块(主要用于采集烘干机进料口处的物料水分值、物料质量流量等数据等)、烘干机数据采集模块(主要用于采集进入所述烘干机烘干区空气的水分含量、从所述烘干区排出空气的水分含量和所述烘干机的运行参数等)以及信息输入模块(主要用于输入待烘干物料的目标水分值、待烘干物料的配方信息等)。预测优化层则包括特征生成模块、模型选择模块、预测模块以及优化模块等,烘干机控制层则包括极大极小值限制器以及温度控制器、风扇转速控制器、排湿风门开度控制器、排湿风机转速控制器以及传送带转速控制器等。
具体地,烘干机进口物料数据采集及处理模块直接使用传感器检测或间接计算出进料口处的物料水分值并将该水分值发送至预测优化层(直接检测法:进料口处安装微波水分仪或近红外传感器,直接检测物料水分;间接计算法:假设烘干机上游设备为膨化机,则通过调制器加水量、调制器加蒸汽量、膨化腔加蒸汽量以及物料质量流量估算出的物料进烘干机时的水分含量)。同时,烘干机数据采集模块将烘干机运行参数、运行状态信息等传输至预测优化层的特征生成模块。通过信息输入模块将待烘干物料的主要配方信息、目标水分值等输入至系统中,并将信息发送至预测优化层的模型选择模块。模型选择模块根据物料主要配方信息,自动选择最优模型,并将模型参数发送至预测模块。
特征生成模块通过K最邻近回归法计算烘干区的湿度增加量当有多个烘干区时,以烘干机具有3个烘干区为例来说,则其中,分别为3个烘干区的湿度增加量,具体地, 其中进入烘干机各温区的空气湿度为各温区排出的空气水分含量为其中,下标i为对应的烘干区。
若预测模块(出料水分含量预测模型)预测的出料口物料水分值为(可以理解的是,当有多个烘干区时,为预测的最后一个烘干区出料口处的物料水分值),则计算预测值与目标值之间的差值,即进而判断是否满足要求,若|ΔM|≤ε(0<ε<<1),表示烘干机出料口处的物料水分值满足要求,则通过极小极大值限制器进行控制,使得运行参数可以控制在一个相对稳定的范围内。若|ΔM|>ε,则优化模块根据预测结果,烘干机的运行参数进行优化,输出执行器优化后的目标值或者是满足要求的运行参数到烘干机控制层。极小极大值限制器将处理执行器的优化后的目标值,将其限制在相对稳定的正常工作区间内。最后将处理后的执行器目标值发送至烘干机各执行器控制模块,使得最终烘干产品的水分值能够满足要求。
关于基于出料水分含量的烘干机控制装置的具体限定可以参见上文中对于基于出料水分含量的烘干机控制方法的限定,在此不再赘述。上述基于出料水分含量的烘干机控制装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种基于出料水分含量的烘干机控制方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取待烘干物料的目标水分值、待烘干物料的配方信息,以及烘干机进料口处的物料水分值、物料质量流量、对所述物料进行烘干时进入所述烘干机烘干区空气的水分含量、从所述烘干区排出空气的水分含量和所述烘干机的运行参数;
根据所述待烘干物料的配方信息确定对应的出料水分含量预测模型;
根据进入所述烘干机烘干区空气的水分含量以及从所述烘干区排出空气的水分含量,确定所述烘干区的湿度增加量;
将所述湿度增加量、所述烘干机进料口处的物料水分值和物料质量流量输入所述出料水分含量预测模型,得到所述烘干机出料口处的物料水分值;
若所述烘干机出料口处的物料水分值与所述目标水分值之间的差值不满足要求,则基于所述差值以及所述烘干机的运行参数,获取所述烘干机运行参数的优化目标值;
基于所述烘干机运行参数的优化目标值调整所述烘干机的运行参数。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取若干个配方信息分别对应的样本物料的训练数据集,所述样本物料的训练数据集包括烘干机进料口处的样本物料水分值、样本物料质量流量、对所述样本物料进行烘干时进入所述烘干机烘干区空气的水分含量、从所述烘干区排出空气的水分含量以及烘干机出料口处的样本物料水分标签;对每个配方信息所对应的样本物料的训练数据集进行标准化处理,得到所述配方信息对应的标准化后的训练数据;采用所述配方信息对应的标准化后的训练数据,通过反向传播训练深度神经网络,直到损失函数达到最小值时,得到与所述配方信息对应的出料水分含量预测模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:通过反向传播训练深度神经网络,并采用梯度下降法、共轭梯度法、拟牛顿法中的任一种迭代求解所述损失函数,直到所述损失函数达到最小值时结束训练过程。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:计算从所述烘干区排出空气的水分含量与进入所述烘干机烘干区空气的水分含量之间的差值;将所述差值确定为所述烘干区的湿度增加量。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:当有多个所述烘干区时,则将每个烘干区的湿度增加量、对应烘干区进料口处的物料水分值和物料质量流量输入与所述烘干区对应的出料水分含量预测模型,得到所述烘干区出料口处的物料水分值,且预测的上游烘干区出料口处的物料水分值为相邻下游烘干区进料口处的物料水分值,预测的最后一个烘干区出料口处的物料水分值为所述烘干机出料口处的物料水分值。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:基于所述差值以及所述烘干机的运行参数,采用梯度下降法获取所述烘干机运行参数的优化目标值。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:若所述差值满足要求,则基于所述要求将所述烘干机的运行参数限制在对应的范围内。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取待烘干物料的目标水分值、待烘干物料的配方信息,以及烘干机进料口处的物料水分值、物料质量流量、对所述物料进行烘干时进入所述烘干机烘干区空气的水分含量、从所述烘干区排出空气的水分含量和所述烘干机的运行参数;
根据所述待烘干物料的配方信息确定对应的出料水分含量预测模型;
根据进入所述烘干机烘干区空气的水分含量以及从所述烘干区排出空气的水分含量,确定所述烘干区的湿度增加量;
将所述湿度增加量、所述烘干机进料口处的物料水分值和物料质量流量输入所述出料水分含量预测模型,得到所述烘干机出料口处的物料水分值;
若所述烘干机出料口处的物料水分值与所述目标水分值之间的差值不满足要求,则基于所述差值以及所述烘干机的运行参数,获取所述烘干机运行参数的优化目标值;
基于所述烘干机运行参数的优化目标值调整所述烘干机的运行参数。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取若干个配方信息分别对应的样本物料的训练数据集,所述样本物料的训练数据集包括烘干机进料口处的样本物料水分值、样本物料质量流量、对所述样本物料进行烘干时进入所述烘干机烘干区空气的水分含量、从所述烘干区排出空气的水分含量以及烘干机出料口处的样本物料水分标签;对每个配方信息所对应的样本物料的训练数据集进行标准化处理,得到所述配方信息对应的标准化后的训练数据;采用所述配方信息对应的标准化后的训练数据,通过反向传播训练深度神经网络,直到损失函数达到最小值时,得到与所述配方信息对应的出料水分含量预测模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:通过反向传播训练深度神经网络,并采用梯度下降法、共轭梯度法、拟牛顿法中的任一种迭代求解所述损失函数,直到所述损失函数达到最小值时结束训练过程。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:计算从所述烘干区排出空气的水分含量与进入所述烘干机烘干区空气的水分含量之间的差值;将所述差值确定为所述烘干区的湿度增加量。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:当有多个所述烘干区时,则将每个烘干区的湿度增加量、对应烘干区进料口处的物料水分值和物料质量流量输入与所述烘干区对应的出料水分含量预测模型,得到所述烘干区出料口处的物料水分值,且预测的上游烘干区出料口处的物料水分值为相邻下游烘干区进料口处的物料水分值,预测的最后一个烘干区出料口处的物料水分值为所述烘干机出料口处的物料水分值。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:基于所述差值以及所述烘干机的运行参数,采用梯度下降法获取所述烘干机运行参数的优化目标值。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:若所述差值满足要求,则基于所述要求将所述烘干机的运行参数限制在对应的范围内。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于出料水分含量的烘干机控制方法,其特征在于,所述方法包括:
获取待烘干物料的目标水分值、待烘干物料的配方信息,以及烘干机进料口处的物料水分值、物料质量流量、对所述物料进行烘干时进入所述烘干机烘干区空气的水分含量、从所述烘干区排出空气的水分含量和所述烘干机的运行参数;
根据所述待烘干物料的配方信息确定对应的出料水分含量预测模型;
根据进入所述烘干机烘干区空气的水分含量以及从所述烘干区排出空气的水分含量,确定所述烘干区的湿度增加量;
将所述湿度增加量、所述烘干机进料口处的物料水分值和物料质量流量输入所述出料水分含量预测模型,得到所述烘干机出料口处的物料水分值;
若所述烘干机出料口处的物料水分值与所述目标水分值之间的差值不满足要求,则基于所述差值以及所述烘干机的运行参数,获取所述烘干机运行参数的优化目标值;
基于所述烘干机运行参数的优化目标值调整所述烘干机的运行参数。
2.根据权利要求1所述的方法,其特征在于,所述出料水分含量预测模型通过如下方法得到:
获取若干个配方信息分别对应的样本物料的训练数据集,所述样本物料的训练数据集包括烘干机进料口处的样本物料水分值、样本物料质量流量、对所述样本物料进行烘干时进入所述烘干机烘干区空气的水分含量、从所述烘干区排出空气的水分含量以及烘干机出料口处的样本物料水分标签;
对每个配方信息所对应的样本物料的训练数据集进行标准化处理,得到所述配方信息对应的标准化后的训练数据;
采用所述配方信息对应的标准化后的训练数据,通过反向传播训练深度神经网络,直到损失函数达到最小值时,得到与所述配方信息对应的出料水分含量预测模型。
3.根据权利要求2所述的方法,其特征在于,所述通过反向传播训练深度神经网络,直到损失函数达到最小值,包括:
通过反向传播训练深度神经网络,并采用梯度下降法、共轭梯度法、拟牛顿法中的任一种迭代求解所述损失函数,直到所述损失函数达到最小值时结束训练过程。
4.根据权利要求1所述的方法,其特征在于,所述根据进入所述烘干机烘干区空气的水分含量以及从所述烘干区排出空气的水分含量,确定所述烘干区的湿度增加量,包括:
计算从所述烘干区排出空气的水分含量与进入所述烘干机烘干区空气的水分含量之间的差值;
将所述差值确定为所述烘干区的湿度增加量。
5.根据权利要求1所述的方法,其特征在于,所述将所述湿度增加量、所述烘干机进料口处的物料水分值和物料质量流量输入所述出料水分含量预测模型,得到所述烘干机出料口处的物料水分值,包括:
当有多个所述烘干区时,则将每个烘干区的湿度增加量、对应烘干区进料口处的物料水分值和物料质量流量输入与所述烘干区对应的出料水分含量预测模型,得到所述烘干区出料口处的物料水分值,且预测的上游烘干区出料口处的物料水分值为相邻下游烘干区进料口处的物料水分值,预测的最后一个烘干区出料口处的物料水分值为所述烘干机出料口处的物料水分值。
6.根据权利要求1所述的方法,其特征在于,所述基于所述差值以及所述烘干机的运行参数,获取所述烘干机运行参数的优化目标值,包括:
基于所述差值以及所述烘干机的运行参数,采用梯度下降法获取所述烘干机运行参数的优化目标值。
7.根据权利要求1至6任一项所述的方法,其特征在于,所述方法还包括:
若所述差值满足要求,则基于所述要求将所述烘干机的运行参数限制在对应的范围内。
8.一种基于出料水分含量的烘干机控制装置,其特征在于,所述装置包括:
数据获取模块,用于获取待烘干物料的目标水分值、待烘干物料的配方信息,以及烘干机进料口处的物料水分值、物料质量流量、对所述物料进行烘干时进入所述烘干机烘干区空气的水分含量、从所述烘干区排出空气的水分含量和所述烘干机的运行参数;
模型确定模块,用于根据所述待烘干物料的配方信息确定对应的出料水分含量预测模型;
湿度增加量确定模块,用于根据进入所述烘干机烘干区空气的水分含量以及从所述烘干区排出空气的水分含量,确定所述烘干区的湿度增加量;
出料水分预测模块,用于将所述湿度增加量、所述烘干机进料口处的物料水分值和物料质量流量输入所述出料水分含量预测模型,得到所述烘干机出料口处的物料水分值;
烘干机运行参数优化模块,用于若所述烘干机出料口处的物料水分值与所述目标水分值之间的差值不满足要求,则基于所述差值以及所述烘干机的运行参数,获取所述烘干机运行参数的优化目标值;
烘干机控制模块,用于基于所述烘干机运行参数的优化目标值调整所述烘干机的运行参数。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110389036.3A CN113048777A (zh) | 2021-04-12 | 2021-04-12 | 基于出料水分含量的烘干机控制方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110389036.3A CN113048777A (zh) | 2021-04-12 | 2021-04-12 | 基于出料水分含量的烘干机控制方法、装置和计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113048777A true CN113048777A (zh) | 2021-06-29 |
Family
ID=76519240
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110389036.3A Withdrawn CN113048777A (zh) | 2021-04-12 | 2021-04-12 | 基于出料水分含量的烘干机控制方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113048777A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114287649A (zh) * | 2021-12-07 | 2022-04-08 | 江苏丰尚智能科技有限公司 | 裂缝压差式饲料生产装置、方法、计算机设备和存储介质 |
CN114812130A (zh) * | 2022-05-11 | 2022-07-29 | 佛山市顺德区旺海饲料实业有限公司 | 一种水产饲料生产用智能高效循环烘干设备 |
CN117329788A (zh) * | 2023-12-01 | 2024-01-02 | 山东艾琳智能科技有限公司 | 一种基于互联网的智能烘干系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1995002858A1 (de) * | 1993-07-13 | 1995-01-26 | Krieger Gmbh & Co. Kg | Schaltungsanordnung zur regelung der leistung eines heizelements einer heizeinrichtung zum trocknen einer laufenden bahn |
CN102270265A (zh) * | 2010-06-07 | 2011-12-07 | 鞍钢股份有限公司 | 一种混合料水分在线检测方法 |
CN106017049A (zh) * | 2016-05-12 | 2016-10-12 | 广东省现代农业装备研究所 | 一种卤水槟榔的热泵干燥方法 |
CN111766910A (zh) * | 2020-07-06 | 2020-10-13 | 江苏丰尚智能科技有限公司 | 一种基于人工智能的烘干机控制方法及控制系统 |
CN111887460A (zh) * | 2019-05-05 | 2020-11-06 | 贵州中烟工业有限责任公司 | 烟草烘丝水分和温度控制预测系统及方法 |
-
2021
- 2021-04-12 CN CN202110389036.3A patent/CN113048777A/zh not_active Withdrawn
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1995002858A1 (de) * | 1993-07-13 | 1995-01-26 | Krieger Gmbh & Co. Kg | Schaltungsanordnung zur regelung der leistung eines heizelements einer heizeinrichtung zum trocknen einer laufenden bahn |
CN102270265A (zh) * | 2010-06-07 | 2011-12-07 | 鞍钢股份有限公司 | 一种混合料水分在线检测方法 |
CN106017049A (zh) * | 2016-05-12 | 2016-10-12 | 广东省现代农业装备研究所 | 一种卤水槟榔的热泵干燥方法 |
CN111887460A (zh) * | 2019-05-05 | 2020-11-06 | 贵州中烟工业有限责任公司 | 烟草烘丝水分和温度控制预测系统及方法 |
CN111766910A (zh) * | 2020-07-06 | 2020-10-13 | 江苏丰尚智能科技有限公司 | 一种基于人工智能的烘干机控制方法及控制系统 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114287649A (zh) * | 2021-12-07 | 2022-04-08 | 江苏丰尚智能科技有限公司 | 裂缝压差式饲料生产装置、方法、计算机设备和存储介质 |
CN114812130A (zh) * | 2022-05-11 | 2022-07-29 | 佛山市顺德区旺海饲料实业有限公司 | 一种水产饲料生产用智能高效循环烘干设备 |
CN117329788A (zh) * | 2023-12-01 | 2024-01-02 | 山东艾琳智能科技有限公司 | 一种基于互联网的智能烘干系统 |
CN117329788B (zh) * | 2023-12-01 | 2024-03-22 | 山东科技职业学院 | 一种基于互联网的智能烘干系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113048777A (zh) | 基于出料水分含量的烘干机控制方法、装置和计算机设备 | |
CN113157018B (zh) | 烘干机温度的控制方法、装置、计算机设备和存储介质 | |
CN112859977A (zh) | 基于人工智能的烘干机控制方法、控制系统和计算机设备 | |
Zhang et al. | Ae—automation and emerging technologies: prediction of performance indices and optimal parameters of rough rice drying using neural networks | |
US9534840B2 (en) | Method and device for moisture determination and control | |
Taheri et al. | Optimised ANN and SVR models for online prediction of moisture content and temperature of lentil seeds in a microwave fluidised bed dryer | |
CN113048780A (zh) | 烘干机的控制方法、装置、计算机设备和存储介质 | |
US20190391096A1 (en) | Methods for measuring real-time dew-point value and total moisture content of material to be molded or extruded | |
WO2022037500A1 (zh) | 一种基于料层厚度预测的布料控制系统及方法 | |
Abeykoon et al. | A new model based approach for the prediction and optimisation of thermal homogeneity in single screw extrusion | |
CN113156807A (zh) | 烘干机的控制方法、装置、计算机设备和存储介质 | |
CZ20013416A3 (cs) | Způsob a zařízení k optimalizaci řízení procesu, jakoľ i monitorování procesu, v soustavě na výrobu těstovin | |
CN113566557B (zh) | 一种基于深度神经网络的粮食干燥机智能控制方法 | |
CN113096747A (zh) | 烘干机出料水分含量预测方法、装置和计算机设备 | |
CN113110324A (zh) | 烘干机参数优化模型的训练方法、装置和计算机设备 | |
Chokphoemphun et al. | Evaluation of drying behavior and characteristics of potato slices in multi–stage convective cabinet dryer: Application of artificial neural network | |
CN113053469B (zh) | 烘干物料水分预测方法、装置、计算机设备和存储介质 | |
CN113299352B (zh) | 一种烧结台车的料层厚度动态预测系统及方法 | |
Shankar et al. | Prediction of extrudate properties using artificial neural networks | |
CN112179111A (zh) | 烘干机控制方法、装置、控制设备和存储介质 | |
CN113074543A (zh) | 基于出料水分含量的烘干机控制方法、装置和计算机设备 | |
Hosseini et al. | Tomography-assisted control for the microwave drying process of polymer foams | |
Satpati et al. | Nonlinear model of pneumatic conveying dryer for economic process control | |
Zhang et al. | Parameters online detection and model predictive control during the grain drying process | |
Thant et al. | ANN modelling for prediction of moisture content and drying characteristics of paddy in fluidized bed |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210629 |