论文部分内容阅读
摘 要：本文针对提高烘梗丝料头参数设置的准确性来缩短料头时间，提升烘梗丝出口水分QI。通过对历史数据的收集及分析，再基于BP神经网络的非线性函数拟合算法计算出相对稳定料头参数，替代原有的经验值。
关键词：烘梗丝机KLD-1;BP神经网络;操作手法
前言
随着企业的降本增效，梗丝在成品烟丝中的比例逐步加大，梗丝的质量也越加重要。烘梗丝是制丝车间制梗丝的最后一道工序，通过烘丝机对梗丝进行干燥、卷曲、定型，并且去除烟梗中的杂气。目前车间主要通过填充值及出口水分QI对烘梗丝质量进行监测。料头时间的长短对出口水分QI有着重大的影响，且料头时间越长产生的水分不达标的梗丝越多，影响产品质量。
1 现状分析
我厂制丝车间一区在2012年进行技改，烘梗丝机由原来的流化床升级为HAUNI公司的KLD-1烘丝机。滚筒式KLD-1是一台蒸汽加热的滚筒式烘丝机，被加热的热风沿着烟丝流的方向流过旋转的滚筒（顺流运行方式）。通过供料生产线，烟丝以均匀地质量流量被输送到滚筒式KLD中。在此处烟丝被烘干至下一步加工所需的水分。滚筒式KLD的温度根据烟丝质量流量、进料水分、出料水分以及给定的调节参数不断地得到调节，自动化程度高。不足之处在于料头自动调节时间过长，需人工进行干预。而人工干预对参数的调整依靠的是操作人员的经验值，不同的操作人员操作手法及经验值不同，稳定性较差。
2 操作手法分析
当前操作手法：根据来料水分和经验设置干燥机启动时的筒温，从设备由准备转入启动后大约270S，将干燥机筒温设置为转入生产所需的温度。初始筒温及何时调整转入生产的筒温，不同批次不同操作人员均存在一定的差异。
3 改进措施
通过对历史数据的收集及分析，再基于BP神经网络[1]的非线性函数拟合算法计算出料头相关参数。具体流程可以分为BP神经网络构建、BP神经网络训练和BP神经网络预测三步，如图2所示。
输入X1：加料前物料水分
输入X2：料头KLD出口水分拐点的水分
输出Y：启动阶段的筒温
将X1、X2作为输入参数，Y作为输出参数，所以BP神经网络结构为2-5-1，即输入层有2个节点，隐含层有5个节点，输出层有1个节点。
BP神经网络训练用收集的数据训练神经网络，使训练后的网络能够预测系统的输出。从收集的数据中随机选取95%的数据作为训练数据，用于网络训练，剩下的5%作为预测数据，用于预测网络的拟合性能。
根据BP神经网络理论，用MATLAB[2]软件编程实现基于BP神经网络的非线性拟合算法。
1.newff：BP神经网络参数设置函数
函数功能：构建一个BP神经网络。
函数形式：net = newff（P，T，S，TF，BTF，BLF，PF，IPF，OPF，DDF）
P：输入数据矩阵 T：输出数据矩阵 S：隐含层节点数 TF：节点传递函数 BTF：训练函数 BLF：网络学习函数PF：性能分析函数IPF：输入处理函数
OPF：输出处理函数 DDF：验证数据划分函数
一般在使用过程中设置前面6个参数，后面4个参数采用系统默认参数。
2.train：BP神经网络训练函数
函数功能：用训练数据训练BP神经网络
函数形式：[net，tr]=train（NET，X，T，Pi，Ai）
NET：待训练网络 X：输入数据矩阵T：输出数据矩阵 Pi：初始化输入层条件
Ai：初始化输出层条件 net：训练好的网络 tr：训练过程记录
一般在使用的过程中设置前面3个参数，后面2个参数采用系统默认参数。
3.sim：BP神经网络预测函数
函数功能：用训练好的BP神经网络预测函数输出。
函数形式：y=sim（net，x）
net：训练好的网络 x：输入数据 y：网络预测数据
将收集的数据存储在data.mat文件中input是函数输入数据，output是函数输出数据。从输入输出数据中随机选取1900组数据作为网络训练数据，100组数据作为网络测试数据，并对训练数据进行归一化处理。
4 总结
本文针对提高烘梗丝料头参数设置的准确性来缩短料头时间，提升烘梗丝出口水分QI。通过对历史数据的收集及分析，再基于BP神经网络的非线性函数拟合算法计算出相对稳定料头参数，替代原有的经验值。从改造前烘梗丝料头平均时间300s，缩短为167s。
参考文献
[1]郝中华.《BP神经网络的非线性思想》.洛阳师范学院学报，2008.3（4）.
[2]巨军让，卓戎.《BP神经网络在Matlab中的方便实现》.新疆石油学院学报，2008，2（1）.
作者简介：
林俊栋（1988-），男，福建龙岩，厦门烟草工业有限责任公司，助理工程師，学士，研究方向：人工智能、机器学习。
关键词：烘梗丝机KLD-1;BP神经网络;操作手法
前言
随着企业的降本增效，梗丝在成品烟丝中的比例逐步加大，梗丝的质量也越加重要。烘梗丝是制丝车间制梗丝的最后一道工序，通过烘丝机对梗丝进行干燥、卷曲、定型，并且去除烟梗中的杂气。目前车间主要通过填充值及出口水分QI对烘梗丝质量进行监测。料头时间的长短对出口水分QI有着重大的影响，且料头时间越长产生的水分不达标的梗丝越多，影响产品质量。
1 现状分析
我厂制丝车间一区在2012年进行技改，烘梗丝机由原来的流化床升级为HAUNI公司的KLD-1烘丝机。滚筒式KLD-1是一台蒸汽加热的滚筒式烘丝机，被加热的热风沿着烟丝流的方向流过旋转的滚筒（顺流运行方式）。通过供料生产线，烟丝以均匀地质量流量被输送到滚筒式KLD中。在此处烟丝被烘干至下一步加工所需的水分。滚筒式KLD的温度根据烟丝质量流量、进料水分、出料水分以及给定的调节参数不断地得到调节，自动化程度高。不足之处在于料头自动调节时间过长，需人工进行干预。而人工干预对参数的调整依靠的是操作人员的经验值，不同的操作人员操作手法及经验值不同，稳定性较差。
2 操作手法分析
当前操作手法：根据来料水分和经验设置干燥机启动时的筒温，从设备由准备转入启动后大约270S，将干燥机筒温设置为转入生产所需的温度。初始筒温及何时调整转入生产的筒温，不同批次不同操作人员均存在一定的差异。
3 改进措施
通过对历史数据的收集及分析，再基于BP神经网络[1]的非线性函数拟合算法计算出料头相关参数。具体流程可以分为BP神经网络构建、BP神经网络训练和BP神经网络预测三步，如图2所示。
输入X1：加料前物料水分
输入X2：料头KLD出口水分拐点的水分
输出Y：启动阶段的筒温
将X1、X2作为输入参数，Y作为输出参数，所以BP神经网络结构为2-5-1，即输入层有2个节点，隐含层有5个节点，输出层有1个节点。
BP神经网络训练用收集的数据训练神经网络，使训练后的网络能够预测系统的输出。从收集的数据中随机选取95%的数据作为训练数据，用于网络训练，剩下的5%作为预测数据，用于预测网络的拟合性能。
根据BP神经网络理论，用MATLAB[2]软件编程实现基于BP神经网络的非线性拟合算法。
1.newff：BP神经网络参数设置函数
函数功能：构建一个BP神经网络。
函数形式：net = newff（P，T，S，TF，BTF，BLF，PF，IPF，OPF，DDF）
P：输入数据矩阵 T：输出数据矩阵 S：隐含层节点数 TF：节点传递函数 BTF：训练函数 BLF：网络学习函数PF：性能分析函数IPF：输入处理函数
OPF：输出处理函数 DDF：验证数据划分函数
一般在使用过程中设置前面6个参数，后面4个参数采用系统默认参数。
2.train：BP神经网络训练函数
函数功能：用训练数据训练BP神经网络
函数形式：[net，tr]=train（NET，X，T，Pi，Ai）
NET：待训练网络 X：输入数据矩阵T：输出数据矩阵 Pi：初始化输入层条件
Ai：初始化输出层条件 net：训练好的网络 tr：训练过程记录
一般在使用的过程中设置前面3个参数，后面2个参数采用系统默认参数。
3.sim：BP神经网络预测函数
函数功能：用训练好的BP神经网络预测函数输出。
函数形式：y=sim（net，x）
net：训练好的网络 x：输入数据 y：网络预测数据
将收集的数据存储在data.mat文件中input是函数输入数据，output是函数输出数据。从输入输出数据中随机选取1900组数据作为网络训练数据，100组数据作为网络测试数据，并对训练数据进行归一化处理。
4 总结
本文针对提高烘梗丝料头参数设置的准确性来缩短料头时间，提升烘梗丝出口水分QI。通过对历史数据的收集及分析，再基于BP神经网络的非线性函数拟合算法计算出相对稳定料头参数，替代原有的经验值。从改造前烘梗丝料头平均时间300s，缩短为167s。
参考文献
[1]郝中华.《BP神经网络的非线性思想》.洛阳师范学院学报，2008.3（4）.
[2]巨军让，卓戎.《BP神经网络在Matlab中的方便实现》.新疆石油学院学报，2008，2（1）.
作者简介：
林俊栋（1988-），男，福建龙岩，厦门烟草工业有限责任公司，助理工程師，学士，研究方向：人工智能、机器学习。