基于BP神经网络的烟叶回潮加水量预测模型

　　摘要
　　烟叶回潮工序加水量的多少对烘丝工序炉壁温度和出口水分控制有直接影响。目前，操作工需要凭借经验预测加水量，预测结果因人而异。本文利用生产过程中记录的数据，研制基于BP神经网络的烟叶回潮加水量预测模型，提高加水量预测的合格率。
　　【关键词】烟叶回潮 加水量 BP 神经网络
　　1 前言
　　烟叶回潮的主要工艺任务是对片烟进行连续均匀的增温增湿，保证后续工序的生产要求。回潮加水量的多少将直接影响烘丝工序炉壁温度的控制，为了保证炉壁温度的稳定性，操作工需要严格控制回潮加水量。目前，加水量预测主要依靠操作工的工作经验，预测结果因人而异，合格率较低。
　　2 BP神经网络
　　BP神经网络分为两个过程：
　　（1）信号正向传递过程;
　　（2）误差信号反向传递过程。
　　在BP神经网络中，输入层和输出层之间通常有若干个隐含层。
　　2.1 隐含层设计
　　在BP神经网络中，隐含层节点个数可通过以下公式计算得出：
　　其中h为隐含层节点数，m为输入层节点数目，n为输出层节点数目，a为之间的调节常数。
　　2.2 正向传递过程
　　设输入节点i和隐藏节点i之间的权值为w_ij，节点j的阀值为b_j，每个节点的输出值为x_j，而每个节点的输出值是根据上层所有节点的输出值、当前节点与上一层所有节点的权值和当前节点的阀值还有激活函数来实现的。计算方法如下：
　　其中f為激活函数，一般选取s型函数或者线性函数。
　　2.3 反向传递过程
　　误差信号反向传递的过程是基于Widrow-Hoff学习规则的·设输出层的结果d_j，误差函数如下：
　　BP神经网络通过反复修正权值和阀值，使得误差函数值达到最小。
　　3 烟叶回潮加水量预测模型的构建
　　3.1 样本选择及处理
　　车间运行数据记录在《重点牌别数据记录表）），选取某品牌其从2015年3月到2017年3月的720条原始数据为样本，剔除掉20条异常数据，得到有效数据700条作为样本，其中600条作为模型训练样本，100条作为测试数据。
　　3.2 模型构建
　　回潮加水量的合格率通过烘丝工序炉壁温度反应出来，因此预测回潮加水量是否合适可转换为预测炉壁温度，而将回潮加水量作为输入层，炉壁温度作为输出层。影响烘丝工序炉壁温度的主要因素有：生产日期、回潮加水量、回潮出口含水率。
　　（1）输入600条训练样本;
　　（2）设定隐层神经元个数为6，网络隐层激励函数为tansig函数，输出层激励函数为logsig函数，网络训练函数为traingdx，网络性能函数为mse;
　　（3）网络迭代次数为6000次，期望误差为0.0000001，学习速率为0.01。
　　参数设置完成后，即可进行网络训练，如图1所示。
　　4 模型应用
　　BP神经网络网络训练完成后，用另外100条样本进行验证，部分验证结果如图2所示。经过统计分析该模型预测误差为0.19，达到了我们的预期目标。操作工在使用该预测模型时输入通过经验预测加水量查看对应的炉壁温度是否准确。
　　5 结语
　　本文通过构建基于BP神经网络的烟叶回潮加水量预测模型，为操作工预测加水量提供了重要的理论依据，效果显著，为企业提质增效做出了一定的贡献。
　　参考文献
　　[1]常明彬.基于环境温湿度条件的松散回潮加水量预测模型研究[J].海峡科学，2016.

相关热词搜索：回潮 神经网络 烟叶 水量 模型