[发明专利]基于局部峰值编码循环网络的气流式烘丝机智能控制方法

说明书

本发明公开了一种基于局部峰值编码循环网络的气流式烘丝机智能控制方法，包括以下步骤：步骤1、气流式烘丝机监测数据采集；步骤2、数据分析和处理，对监测数据进行标准化、序列化处理；步骤3、构建局部峰值编码循环网络模型作为出口水分预测模型；步骤4、预训练出口水分预测模型；步骤5、模型再训练及出口水分实时预测；步骤6、构建出口水分预测值和标准值的偏差与每个参数的线性回归模型，构建优化函数对每个线性回归模型的参数进行优化求解，获得参数调整方案。本发明将深度学习的思想与工业控制相结合，设计局部峰值编码循环网络对气流式烘丝机的历史监测数据建模，通过预测值和标准值的偏差计算出控制参数和工艺参数的调整方案。

技术领域

本发明属于烟草加工控制领域，特别涉及一种基于局部峰值编码循环网络的气流式烘丝机智能控制方法。

背景技术

气流式烘丝机是烟丝生产过程中的一个重要设备，其出口水分是评价烟丝质量的关键指标。目前，对气流式烘丝机的控制依赖于PID控制和操作工对来料流量等参数的手动调节，这种方法滞后性大，对操作工的经验要求较高，难以保证出口水分的稳定性。并且烘丝机的工艺参数具有维度高、耦合性强等特点，任何参数的调整都可能导致出口水分产生较大的误差。随着卷烟工业的发展和传感器技术的广泛应用，设备监测数据实现了实时获取，对烟丝质量的要求也越来越高，传统的控制方法已经不具备对高维、强耦合数据的处理能力，难以适应实际生产的需求。

近年来，深度学习技术在图像识别、自然语言处理、自动驾驶等领域成功应用，对复杂数据的处理能力强、对实际问题的适应性好等优势使其在工业控制领域得到了广泛关注。因此，利用深度学习算法处理气流式烘丝机的实时监测数据，探索设备参数、控制变量与出口水分间的内在联系，对烟丝出口水分进行提前预测，根据预测值和标准值的差距对控制参数和工艺参数进行调整，形成智能控制系统提高出口水分的稳定性，降低批次间质量差异，对提高烟丝质量、减少人工干预具有重要意义。

烟丝出口水分的预测可以看成是一个多元时间序列预测问题，研究和实践表明循环神经网络(Recurrent Neural Network，RNN)在时间序列问题上具有显著的优势，门控循环单元(Gated Recurrent Unit，GRU)作为RNN的变体，能够缓解梯度爆炸和梯度弥散问题，并且有效解决了长时依赖问题。气流式烘丝机的烟丝出口水分数据具长期内稳定性强、变化幅度小，而局部波动性强、变化频率快的特点。使用GRU模型对出口水分进行预测，能够拟合数据的长期特点，对出口水分的整体趋势预测较为准确，但是对局部波动的预测效果很差，而依据预测值进行参数调整的关键就在于对未来短期时间内的出口水分进行精准预测，所以本发明提出一种局部峰值编码循环网络，解决了GRU模型对数据短期波动预测效果差的问题，快速准确地预测了烟丝出口水分，实现了气流式烘丝机的智能控制。

发明内容

本发明的目的在于克服现有技术的不足，提供一种将深度学习的思想与工业控制相结合，设计局部峰值编码循环网络对气流式烘丝机的历史监测数据建模，探索运行参数和工艺参数与出口水分之间的内在联系，进而在实时监测数据上利用训练好的模型对出口水分进行预测，通过预测值和标准值的偏差计算出控制参数和工艺参数的调整方案的气流式烘丝机智能控制方法。

本发明的目的是通过以下技术方案来实现的：基于局部峰值编码循环网络的气流式烘丝机智能控制方法，包括以下步骤：

步骤1、气流式烘丝机监测数据采集，采集气流式烘丝机的历史监测数据和实时监测数据，采集的数据包括烘丝机控制和烘丝工艺参数、出口水分；

步骤2、数据分析和处理，对监测数据进行标准化、序列化处理；

步骤3、构建局部峰值编码循环网络，根据检测数据的特点和气流式烘丝机的运行原理，构建出局部峰值编码循环网络模型，作为出口水分预测模型；

步骤4、预训练出口水分预测模型，实例化局部峰值编码循环网络，利用历史监测数据对其进行预训练，初步获得烘丝机控制参数和工艺参数与出口水分端到端的对应关系；