CN114304709A - 打叶复烤设备运行参数自动控制方法、存储介质及系统 - Google Patents

Abstract

本发明公开了一种打叶复烤设备运行参数自动控制方法、存储介质及系统，其中，方法包括：数据获取步骤：获取设备运行参数及对应的运行环境温湿度值，设备运行参数为烟叶温度和含水率符合工艺基准值时的设备运行参数；建模步骤：基于设备运行参数及对应的运行环境温湿度值建立神经网络预测模型；参数生成步骤：获取当前设备运行环境温湿度值，基于神经网络预测模型生成设备运行参数；控制步骤：基于生成的设备运行参数控制设备运行；该方法通过对不同属性的烟叶采用不同的神经网络预测模型，综合考虑运行环境温湿度值及设备运行参数的变化，从而实现了不同环境下打叶复烤设备的精准自动控制，减少了人工干预，提高了控制的准确度和产品一致性。

Description

打叶复烤设备运行参数自动控制方法、存储介质及系统

技术领域

本发明涉及打叶复烤设备自动控制技术领域，具体涉及一种打叶复烤设备运行参数控制方法、存储介质及系统。

背景技术

目前，打叶复烤设备控制包括可编程控制(PLC)的PID模块的闭环控制和参数化控制两种：可编程控制(PLC)的PID模块控制是通过控制打叶复烤设备的蒸汽阀门开度、热风循环加湿蒸汽压力、热风温度、热加水量、出口水分和温度等参数。环境温度、湿度的变化和来料等级变化时，采用人工修正PID控制的参数值的方式进行调节；参数化控制是分析通过历史数据，建立相应的控制参数模型，通过下发参数值来控制出口水分和温度。环境温度、湿度和来料等级变化时，人工修正参数化控制的参数值。上述的可编程控制(PLC)的PID模块的闭环控制和参数化控制存在以下不足：(一)不能根据环境温度、湿度的变化实时修正PID控制的参数值和参数化控制的参数值；(二)不能根据来料不同实时修正PID控制的参数值和参数化控制的参数值；(三)人工修正得方法操作复杂，短时间难以达到理想的工作状态。(四)控制准确度，产品一致性差，产品质量波动大。

中国专利CN112021626A中公开了一种烟用制丝环节智能化控制系统及方法。通过对历史生产数据挖掘分析，将多元回归分析方法、神经网络算法等运算方法集合，分阶段建立预测模型，再通过模型求解，得出不同因素的影响下关键参数的正向和反向预测，从而实现对烘丝入口水分的精确控制。热风润叶机工段智能控制模型主要是基于历史生产数据和预测值，运用热风润叶入口水分、热风润叶出口水分/烘丝入口水分，通过神经网络算法所构建，以智能控制热风润叶机补偿蒸汽阀开度，使烘丝入口水分稳定。但其存在一定缺陷：打叶复烤企业生产车间处于非恒温恒湿状态，且早中晚温差和空气湿度呈不规律变化，热风润叶过程中会因为环境因素原因导致烟叶实际温度、含水率与期望值不符，上述专利的控制方法未考虑环境温度、环境湿度的影响，所建立的热风润叶设备控制方法均会受环境影响，无法实现精准控制。

发明内容

针对上述问题，发明人提供了一种打叶复烤设备运行参数自动控制方法、存储介质及系统，通过建立不同属性的模型来实时修正设备运行参数，减少人工干预，及时到达设备的理想工作状态。

根据第一方面，本发明提供了一种打叶复烤设备运行参数自动控制方法，所述打叶复烤设备运行参数包括蒸汽阀门开度、热风循环加湿蒸汽压力、热风温度、热加水量、出口水分和温度，其特征在于，包括以下步骤：

数据获取步骤：获取设备运行参数及对应的运行环境温湿度值，所述设备运行参数为烟叶温度和含水率符合工艺基准值时的设备运行参数；

建模步骤：基于设备运行参数及对应的运行环境温湿度值建立神经网络预测模型；

参数生成步骤：获取当前设备运行环境温湿度值，基于神经网络预测模型生成设备运行参数；

控制步骤：基于生成的设备运行参数控制设备运行。

进一步地，所述数据获取步骤包括：

获取烟叶属性，所述烟叶属性包括烟叶等级、产地和品种；

获取不同烟叶属性下的设备运行参数及对应的运行环境温湿度值。

进一步地，所述数据获取步骤包括：

步骤1：确定工艺基准值；

步骤2：实时获取烟叶温度、含水率和设备运行环境温湿度；

步骤3：将实时获取的烟叶温度和含水率与工艺基准值做比对，并通过人工调整方式获取人工调整设备运行参数，直至烟叶温度和含水率符合工艺基准值，记录下此时的人工调整设备运行参数并用于更新所述设备运行参数。

进一步地，所述步骤3包括：

当烟叶含水率高于基准值1.0％时，人工下调补偿蒸汽阀门开度值和热风循环加湿蒸汽压力值；若调整后的烟叶无水渍潮红但表面湿润感强则继续下调补偿蒸汽阀门开度值；若调整后的烟叶含水率高于基准值0.5％以内，出口烟叶形态正常，则上调排潮风门开度值；当烟叶含水率符合工艺基准值，记录下调整后的补偿蒸汽阀门开度值、热风循环加湿蒸汽压力值、排湿风门设定开度值；

当烟叶含水率低于基准值1.0％时，上调补偿补偿蒸汽阀门开度值和热风循环加湿蒸汽压力值，若调整后的烟叶无明显润湿感但松散度差时，则继续上调热风循环加湿蒸汽压力值；当低于基准值0.5％以内时，下调排潮风门设定开度值；当烟叶含水率符合工艺基准值，记录下调整后的补偿蒸汽阀门开度值、热风循环加湿蒸汽压力值、排湿风门设定开度值；

当烟叶温度高于基准值5℃时，人工下调热风温度设定值；若调整后出口烟叶温度无明显降低且烟叶粘结无改善，则下调补偿蒸汽阀门开度设定值、上调排潮风门开度设定值；当烟叶温度符合工艺基准值时，记录调整后的热风温度设定值、补偿蒸汽阀门开度值、排潮风门设定开度值；

当烟叶温度低于基准值5℃时，人工上调热风温度设定值；若出口烟叶温度无明显提高，稳定在基准值±2％范围内，则下调排潮风门开度设定值5-15％，若出口烟叶温度无明显提高，烟叶柔韧性、松散度无改善，则上调补偿蒸汽阀门开度值，下调排潮风门设定开度值；当烟叶温度符合工艺基准值，记录下调整后的热风温度设定值、补偿蒸汽阀门开度值、排潮风门设定开度值；

重复上述步骤，得到多组不同烟叶属性对应的设备运行参数和设备运行环境温湿度值。

进一步地，所述建模步骤包括：基于不同烟叶属性下的设备运行参数及对应的运行环境温湿度值建立神经网络预测模型，每一烟叶属性对应一个神经网络预测模型。

进一步地，所述参数生成步骤包括：获取当前设备运行环境温湿度值及烟叶属性，基于当前烟叶属性调取对应的神经网络预测模型，并基于当前设备运行环境温湿度值生成设备运行参数。

根据第二方面，本发明提供了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，所述程序能够被处理器执行以实现如上所述的方法的步骤。

根据第三方面，本发明还提供了一种打叶复烤设备运行参数自动控制系统，包括控制PLC，所述控制PLC与打叶复烤设备连接，其特征在于，还包括：温湿度感应模块、模型建立模块和模型收发PLC；

所述控制PLC内置有设备运行参数；所述温湿度感应模块用于获取运行环境温湿度值；

所述模型建立模块用于根据设备运行参数及对应的运行环境温湿度值建立神经网络预测模型；

所述神经网络预测模型用于根据当前设备运行环境温湿度值生成相应的设备运行参数；

所述模型收发PLC分别与所述温湿度感应模块、模型建立模块和控制PLC连接，用于收发运行环境温湿度值和设备运行参数。

进一步地，该系统还包括：属性变化模块，所述模型收发PLC与属性变化模块连接，所述属性变化模块与生产系统的烟叶属性数据库连接，用于获取烟叶属性，所述烟叶属性包括烟叶等级、产地和品种；

所述模型建立模块还用于烟叶属性、与烟叶属性相对应的设备运行参数及对应的运行环境温湿度值建立神经网络预测模型，每一烟叶属性对应一个神经网络预测模型。

进一步地，所述模型建立模块包括：用于优化神经网络预测模型的优化模块、用于选择模型数据特征的数据特征选定模块、用于评价模型准确度的模型评价模块。

相比现有技术，本发明的有益效果：

(1)可根据环境温湿度来自动调整设备运行参数。

(2)可根据烟叶属性不同采用不同的神经网络预测模型来实时调整不同环境状态下的设备运行参数，减少了人工干预，提高了控制的准确度和产品一致性，产品一致性可达91％以上。

附图说明

图1为实施例1中的打叶复烤设备自动控制系统的系统示意图；

图2为实施例2中的打叶复烤设备自动控制系统的系统示意图；

图3为实施例2中的神经网络预测模型建立示意图；

图4为该系统应用前后设备周围温湿度变化趋势图；

图5为该系统应用前后原烟水分与一润出口水分过程趋势图；

图6为该系统应用前后一二润出口水分过程趋势图；

图7为该系统应用前后一二润出口温度过程趋势图；

图8为实施例3中的打叶复烤设备自动控制系统的系统示意图。

具体实施方式

下面通过具体实施方式结合附图对本发明作进一步详细说明。

实施例1

如图1所示，本发明提供了一种打叶复烤设备自动控制系统，用于打叶复烤热风润叶设备，该系统包括控制PLC、温湿度感应模块、模型建立模块和模型收发PLC，控制PLC内置有设备运行参数(包括补偿蒸汽阀门开度值、热风循环加湿蒸汽压力值、排湿风门设定开度值、热风温度设定值)，且与打叶复烤热风润叶设备连接，用于控制打叶复烤热风润叶设备运行。温湿度感应模块(温湿度传感器)用于获取运行环境温湿度值，模型建立模块用于根据设备运行参数及对应的运行环境温湿度值建立神经网络预测模型。通过神经网络预测模型来实时动态调整设备运行参数，以降低环境温湿度及烟叶不同所带来的含水率偏差，从而保证产品一致性。

具体地，神经网络预测模型的建立过程如下：

步骤1：确定工艺基准值(烟叶温度和含水率)。

步骤2：实时获取烟叶温度、含水率和设备运行环境温湿度；

步骤3：将实时获取的烟叶温度和含水率与工艺基准值做比对，并调整相应参数：

(1)当烟叶含水率高于基准值1.0％时，人工下调补偿蒸汽阀门开度值(1-5％)和热风循环加湿蒸汽压力值(0.01-0.1Mpa)；若调整后的烟叶含水率高于基准值0.8％-1.0％，烟叶少量水渍潮红但表面湿润感强则下调补偿蒸汽阀门开度值(1-3％)和热风循环加湿蒸汽压力值(0.01-0.15Mpa)；若调整后的烟叶含水率高于基准值0.5％-0.8％，烟叶无水渍潮红但表面湿润感强则下调热风循环加湿蒸汽压力值(0.01-0.15Mpa)；若调整后的烟叶含水率高于基准值0.5％以内，出口烟叶形态正常，则上调排潮风门开度值(5-15％)，直至烟叶含水率符合工艺基准值，记录调整后的补偿蒸汽阀门开度值、热风循环加湿蒸汽压力值、排湿风门设定开度值和当前设备运行环境温湿度。

(2)当烟叶含水率低于基准值1.0％时，人工上调补偿补偿蒸汽阀门开度值(1-5％)和热风循环加湿蒸汽压力值(0.01-0.1Mpa)，若调整后的烟叶含水率低于基准值0.8％-1.0％，烟叶无明显润湿感，松散度差时，则继续上调补偿蒸汽阀门开度值(1-3％)和热风循环加湿蒸汽压力值(0.01-0.15Mpa)；若调整后的烟叶含水率低于基准值0.5％-0.8％，湿润感明显但松散度稍差，则继续上调热风循环加湿蒸汽压力值(0.01-0.15Mpa)，当低于基准值0.5％以内时，下调排潮风门设定开度值(5-15％)，直至烟叶含水率符合工艺基准值，记录调整后的补偿蒸汽阀门开度值、热风循环加湿蒸汽压力值、排湿风门设定开度值和当前设备运行环境温湿度。

(3)当烟叶温度高于基准值5℃时，人工下调热风温度设定值(10-20℃)，若调整后烟叶温度高于基准值3-5℃时，则继续下调热风温度设定值(10-15℃)；若调整后烟叶温度高于基准值3℃以内时，则下调热风温度设定值(1-5℃)；若调整后出口烟叶温度无明显降低且烟叶粘结无改善，则人工下调补偿蒸汽阀门开度设定值(1-3％)、上调排潮风门开度设定值(5-15％)，若出口烟叶温度无明显降低，稳定在基准值±2％范围内，则上调排潮风门开度设定值(10-15％)，直至烟叶温度符合工艺基准值时，记录调整后的热风温度设定值、补偿蒸汽阀门开度值、排潮风门设定开度值和当前设备运行环境温湿度。

(4)当烟叶温度低于基准值5℃时，人工上调热风温度设定值(10-30℃)，若调整后的烟叶温度低于基准值3-5℃时，上调热风温度设定值(10-15℃)；若调整后的烟叶温度低于基准值3℃以内时，上调热风温度设定值(1-10℃)；若出口烟叶温度无明显提高，稳定在基准值±2％范围内，则下调排潮风门开度设定值(5-15％)，若出口烟叶温度无明显提高，烟叶柔韧性、松散度无改善，则上调补偿蒸汽阀门开度值(3-10％)，下调排潮风门设定开度值(5-15％)；直至烟叶温度符合工艺基准值，记录调整后的热风温度设定值、补偿蒸汽阀门开度值、排潮风门设定开度值和当前设备运行环境温湿度。

步骤4：重复步骤3，获取到多组设备运行参数，然后对设备运行参数进行统计整理，利用特征选定模块在类库scikit-leam上自动选择用于建立机器学习模型的数据特征，然后依次分析得到补偿蒸汽阀门开度值、热风循环加湿蒸汽压力值、排湿风门设定开度值、热风温度设定值与烟叶温度、烟叶含水率、设备运行环境温湿度之间的相关性。

步骤5：选出相关性最强的K组数据作为建立热风润叶设备神经网络预测模型的数据集，并按8:2的比例划分为两部分，分别作为训练集和验证集。

步骤6：搭建python平台，采用python中的模型建立模块构建热风润叶设备神经网络预测模型，训练集用于模型的训练，并通过验证集数据对所述控制模型的准确性进行验证。即利用模型评价模块在类库scikit-leam中的采样评估办法中分离出评估数据集，便于验证模型，定义模型评估标准，用来评估算法模型，抽样审查线性算法和非线性算法，来评价模型的准确度。

模型收发PLC通过以太网交换机和网络交换机分别与温湿度感应模块、模型建立模块和控制PLC连接，一方面用于将获取到的设备运行参数、运行环境温湿度值通过Python-sna7类库读至到神经网络预测模型中；另一方面用于将神经网络预测模型通过Python-sna7类库写入的设备运行参数同步到控制PLC，以便控制PLC根据该设备运行参数来调整相应参数。

实施例2

如图2-3所示，在实施例1的基础上，增设属性变化模块，属性变化模块与模型收发PLC和生产系统的烟叶属性数据库连接，用于获取烟叶属性，烟叶属性具体包括烟叶等级、产地和品种。模型建立模块根据烟叶属性、与烟叶属性相对应的设备运行参数及对应的运行环境温湿度值建立神经网络预测模型，每一烟叶属性对应一个神经网络预测模型。通过神经网络预测模型来实时动态调整设备运行参数，以降低环境温湿度及烟叶不同所带来的含水率偏差，从而保证产品一致性。

具体地，在实施例1的神经网络模型的建立过程中，同时引入烟叶属性(从生产系统的烟叶属性数据库中获取)，即在不同烟叶属性下，获取多组不同烟叶属性下的设备运行参数和运行环境温湿度值。此外，考虑到在实际生产中，往往存在一些突发情况需要断料，因此，在网络模型的建立过程中，也可考虑突发情况的影响，具体为：

(1)设定蒸汽气压＜3kpa，同时断料，降低流量至9000-10000kg/h，下调排潮风门开度设定值5—10％，降低润叶滚筒旋转速度至75％，增大循环风机频率2-5hz，记录下调整后的运行参数。

(2)设定供水压＜2.5kg/cm³，同时断料，降低流量至9000-10000kg/h，增大补偿蒸汽阀门开度设定值1-3％，降低热风温度设定值1-5℃，降低排潮风门设定开度值2-5％，增大循环风门开度10-15％，记录下调整后的运行参数。

(3)设定来料流量＜11000kg/h，降低电子秤流量至11000kg/h，直到流量平稳后，降低补偿蒸汽阀门开度值1-3％，记录下调整后的运行参数。

以这些设备运行参数结合烟叶属性和设备运行环境温湿度来构建出不同烟叶属性的神经网络预测模型。

该系统投入使用后，还可实时采集正常运行过程和突发情况下的烟叶属性、烟叶温度、烟叶含水率、设备运行参数和运行环境温湿度值，神经网络预测模型可基于这些数据进一步自主学习，以保证准确性。

该系统应用前后，如图4-图7及表1所示，系统应用前后烟叶水分标准偏差润叶前0.4下降至润后0.16，过程均质性值2.75下降至0.91，为二次润叶创造了良好的条件。烟叶经二次润叶后水分的均质性又得到了提升，烟叶水分标准偏差从一润后的0.16下降至润后0.15，过程均质性值0.91下降至0.87，为打叶去梗提供了较为均衡稳定的烟叶水分温度，烟叶经二次润叶后温度的均质性同样得到了提升，烟叶温度标准偏差一润叶后1.03下降至润后0.83，过程均质性值2.03下降至0.83，为打叶去梗提供了较为均衡稳定的烟叶水分温度。该系统的准确率可达94％。

表1

实施例3

如图4所示，本发明提供的打叶复烤设备自动控制系统，还可用于烟片复烤机，在该运用场景下，控制PLC内置的设备运行参数包括：干燥区温度值、循环风机设定值、回潮汽阀门开度值、雾化水调节阀开度值、排潮风机设定值。

通过

适用于烟片复烤机的神经网络预测模型的建立过程如下：

步骤1：确定工艺基准值，例如烟叶含水率11～12，烟叶温度45度～55度。

步骤2：实时获取烟片复烤机出口处温度水分仪检测的烟叶温度和含水率。

步骤3：将实时获取的烟叶温度和含水率与工艺基准值做比对：

(1)当烟叶含水率高于基准值时，人工上调干燥2/3/4/5/6区温度，若调整后烟叶湿度手感稍大、轻微烫手，下调回潮3/4区汽压和水量，若出口水分仪值瞬间增大则上调排潮风机频率。当烟叶含水率符合工艺基准值，记录调整好的设备参数值。

(2)当烟叶含水率低于基准值时，人工下调干燥2/3/4/5/6区温度，若调整后烟叶湿度手感和烟叶柔软性差，上调回潮3/4区汽压和水量，若出口水分仪值瞬间增大则上调排潮风机频率。当烟叶含水率符合工艺基准值，记录调整好的设备参数值。

(3)当烟叶温度高于基准值时，人工下调干燥2/3/4/5/6区温度，若调整后烟叶烫感明显、部分烟叶粘结，下调回潮3/4区汽压和水量，若出口水分仪值瞬间增大则上调排潮风机频率。当烟叶温度符合工艺基准值，记录调整好的设备参数值。

(4)当烟叶温度低于基准值时，人工上调干燥2/3/4/5/6区温度，若调整后烟叶烫感不明显、手握回弹性强，上调回潮3/4区汽压和水量，若出口水分仪值瞬间增大则上调排潮风机频率。当烟叶温度符合工艺基准值，记录调整好的设备参数值。

步骤4：重复上述步骤，获取相同烟叶属性和不同烟叶属性下的同一设备运行环境温湿度下的多组对应的设备运行参数和不同设备运行环境温湿度下的多组对应的设备运行参数，依次分析得到烟叶属性、烟叶温度、烟叶含水率、运行环境温度、运行环境湿度与干燥区温度值、循环风机设定值、回潮汽阀门开度值、雾化水调节阀开度值、排潮风机设定值之间的相关性。

步骤5：选出相关性最强的K组数据作为建立烟片复烤机自动控制模型的数据集，并按8:2的比例划分为两部分，分别作为训练集和验证集。

步骤6：搭建python平台，采用python中的数据分析模块构建热风润叶设备自动控制模型，训练集用于模型的训练，并通过验证集数据对所述控制模型的准确性进行验证。即利用模型评价模块在类库scikit-leam中的采样评估办法中分离出评估数据集，便于验证模型，定义模型评估标准，用来评估算法模型，抽样审查线性算法和非线性算法，来评价算法模型的准确度。

上应用了具体个例对本发明进行阐述，只是用于帮助理解本发明，并不用以限制本发明。对于本发明所属技术领域的技术人员，依据本发明的思想，还可以做出若干简单推演、变形或替换。

Claims (10)

1.一种打叶复烤设备运行参数自动控制方法，所述设备运行参数包括蒸汽阀门开度、热风循环加湿蒸汽压力、热风温度、热加水量、出口水分和温度，其特征在于，包括以下步骤：

数据获取步骤：获取设备运行参数及对应的运行环境温湿度值，所述设备运行参数为烟叶温度和含水率符合工艺基准值时的设备运行参数；

建模步骤：基于设备运行参数及对应的运行环境温湿度值建立神经网络预测模型；

参数生成步骤：获取当前设备运行环境温湿度值，基于神经网络预测模型生成设备运行参数；

控制步骤：基于生成的设备运行参数控制设备运行。

2.如权利要求1所述的方法，其特征在于，所述数据获取步骤包括：

获取烟叶属性，所述烟叶属性包括烟叶等级、产地和品种；

获取不同烟叶属性下的设备运行参数及对应的运行环境温湿度值。

3.如权利要求2所述的方法，其特征在于，所述数据获取步骤包括：

步骤1：确定工艺基准值；

步骤2：实时获取烟叶温度、含水率和设备运行环境温湿度；

步骤3：将实时获取的烟叶温度和含水率与工艺基准值做比对，并通过人工调整方式获取人工调整设备运行参数，直至烟叶温度和含水率符合工艺基准值，记录下此时的人工调整设备运行参数并用于更新所述设备运行参数。

4.如权利要求3所述的方法，其特征在于，所述步骤3包括：

当烟叶含水率高于基准值1.0％时，人工下调补偿蒸汽阀门开度值和热风循环加湿蒸汽压力值；若调整后的烟叶无水渍潮红但表面湿润感强则继续下调补偿蒸汽阀门开度值；若调整后的烟叶含水率高于基准值0.5％以内，出口烟叶形态正常，则上调排潮风门开度值；当烟叶含水率符合工艺基准值，记录下调整后的补偿蒸汽阀门开度值、热风循环加湿蒸汽压力值、排湿风门设定开度值；

当烟叶含水率低于基准值1.0％时，上调补偿补偿蒸汽阀门开度值和热风循环加湿蒸汽压力值，若调整后的烟叶无明显润湿感但松散度差时，则继续上调热风循环加湿蒸汽压力值；当低于基准值0.5％以内时，下调排潮风门设定开度值；当烟叶含水率符合工艺基准值，记录下调整后的补偿蒸汽阀门开度值、热风循环加湿蒸汽压力值、排湿风门设定开度值；

当烟叶温度高于基准值5℃时，人工下调热风温度设定值；若调整后出口烟叶温度无明显降低且烟叶粘结无改善，则下调补偿蒸汽阀门开度设定值、上调排潮风门开度设定值；当烟叶温度符合工艺基准值时，记录调整后的热风温度设定值、补偿蒸汽阀门开度值、排潮风门设定开度值；

当烟叶温度低于基准值5℃时，人工上调热风温度设定值；若出口烟叶温度无明显提高，稳定在基准值±2％范围内，则下调排潮风门开度设定值5-15％，若出口烟叶温度无明显提高，烟叶柔韧性、松散度无改善，则上调补偿蒸汽阀门开度值，下调排潮风门设定开度值；当烟叶温度符合工艺基准值，记录下调整后的热风温度设定值、补偿蒸汽阀门开度值、排潮风门设定开度值；

重复上述步骤，得到多组不同烟叶属性对应的设备运行参数和设备运行环境温湿度值。

5.如权利要求1-4任一项所述的方法，其特征在于，所述建模步骤包括：基于不同烟叶属性下的设备运行参数及对应的运行环境温湿度值建立不同的神经网络预测模型，每一烟叶属性对应一个神经网络预测模型。

6.如权利要求1-4任一项所述的方法，其特征在于，所述参数生成步骤包括：获取当前设备运行环境温湿度值及烟叶属性，基于当前烟叶属性调取对应的神经网络预测模型，并基于当前设备运行环境温湿度值生成设备运行参数。

7.一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，所述程序能够被处理器执行以实现如权利要求1-6中任一项所述的方法的步骤。

8.一种打叶复烤设备运行参数自动控制系统，包括控制PLC，所述控制PLC与打叶复烤设备连接，其特征在于，还包括：温湿度感应模块、模型建立模块和模型收发PLC；

所述控制PLC内置有设备运行参数；所述温湿度感应模块用于获取运行环境温湿度值；

所述模型建立模块用于根据设备运行参数及对应的运行环境温湿度值建立神经网络预测模型；

所述神经网络预测模型用于根据当前设备运行环境温湿度值生成相应的设备运行参数；

所述模型收发PLC分别与所述温湿度感应模块、模型建立模块和控制PLC连接，用于收发运行环境温湿度值和设备运行参数。

9.如权利要求8所述的系统，其特征在于，还包括：属性变化模块，所述模型收发PLC与属性变化模块连接，所述属性变化模块与生产系统的烟叶属性数据库连接，用于获取烟叶属性，所述烟叶属性包括烟叶等级、产地和品种；

所述模型建立模块还用于烟叶属性、与烟叶属性相对应的设备运行参数及对应的运行环境温湿度值建立神经网络预测模型，每一烟叶属性对应一个神经网络预测模型。

10.如权利要求8或9所述的系统，其特征在于，所述模型建立模块包括：用于优化神经网络预测模型的优化模块、用于选择模型数据特征的数据特征选定模块、用于评价模型准确度的模型评价模块。

Images