论文部分内容阅读
针对木材干燥窑参数检测精度和干燥控制过程自动化程度低的问题,设计了一种智能化木材干燥窑参数测控系统。该系统以ARM嵌入式平台作为下位机对干燥窑的温度、相对湿度、木材的电阻率等参数进行实时采集,并通过WiFi无线网络将采集的数据上传到PC上位机中以实时监测窑内的干燥状态。将采集的参数数据与标准值比较,根据比较后的误差进行反馈控制以调整木材的干燥过程。为改进系统的控制算法,引入深度学习方法,将深度信念网络(Deep Belief Network,DBN)与PID(Proportion Integration Differentiation)进行结合,提出了一种DBN-PID算法。将DBN-PID和传统PID进行了实验比较,对实验测量得到的数据分析可得,DBN-PID算法应用在木材干燥窑参数测控系统中具有较好的控制效果,使得系统的检测精度有所提高。为进一步说明DBN-PID算法的性能,与BP-PID(Back Propagation-PID)算法进行了仿真比较。仿真表明,DBN-PID算法近似非线性对象的性能良好,具有较好的自适应能力。在木材干燥软测量模型的建立上,引入基于模型的预测控制方法,设计了一种以木材含水率为干燥基准的软测量模型。将该模型应用在深度学习预测控制算法中,根据实际测量得到的木材干燥窑内温湿度值及木材电阻率等参数,实现了木材含水率的预测输出。实验以柞木为研究对象,以木材含水率为基准量,在3000组数据中随机选取2600组数据作为DBN的训练数据,选取340组作为验证数据,使用剩余的60组数据来进行测试。仿真结果表明,当测试样本的木材含水率处于6%-30%阶段时,木材含水率的预测值与实际测量值之间的均方根误差为0.636,处于30%-60%阶段时,均方根误差为2.265,木材含水率大于60%时,均方根误差为3.532。以同一样本数据建立一个基于广义回归神经网络(Generalized Regression Neural Network,GRNN)的软测量模型,并将该模型的预测结果与DBN软测量模型的预测结果进行对比分析。分析实验结果可得,基于DBN的软测量模型对木材含水率预测精度较高,该模型的预测值与实际值之间的最小均方根误差为0.025,说明了DBN算法应用于木材含水率预测的可行性。