卷烟制丝环节关键工序水分预测模型的建立与检验

发布时间：2021-12-24 01:30

　　以卷烟制丝环节的松散回潮工序、加料回潮工序、热风润叶工序以及制丝全线为研究对象,利用人工神经网络及多元回归建模方法,考察不同建模方法对各工序水分预测精度的影响,并对其进行运行测试。结果表明:松散回潮工序水分预测选择多元回归方法建模,其预测误差绝对值的均值为0.24%;加料回潮工序水分预测选择人工神经网络方法建模,其预测误差绝对值的均值为0.20%;热风润叶工序水分预测选择人工神经网络方法建模,其预测误差绝对值的均值为0.10%;制丝全线水分预测选择人工神经网络方法建模,其预测误差绝对值的均值为0.05%;模型运算系统基于C#语言开发,使用SQLSERVER数据库存储数据;开发的模型运算系统具有很强的数据分析能力和生产预测能力,可用于卷烟制丝环节各关键工序的水分预测。 

【文章来源】：食品与机械. 2020,36(10)北大核心

【文章页数】：7 页

【部分图文】：

烘丝前工艺流程

建模数据非线性情况下，使用神经网络方法建立预测模型的预测精度要高于多元回归法，反之，数据为线性的情况下，模型应选择多元回归法。松散回潮工序使用多元回归法建模，而加料回潮工序、热风润叶工序以及整线均采用神经网络法建模，利用各预测模型对生产过程数据进行预测，其误差分别为0.24%,0.20%,0.10%,0.046%，精度满足工艺要求，可被用于流水线智能化控制的前端分析模块。经研究系统预测精度还可以进一步提升，神经网络本身具备自学能力，能够自我提升预测准确度，因此，需不断收集数据，对模型进行不断训练，提升其预测精度。图3 各阶段含水率预测流程

各阶段含水率预测流程

【参考文献】：
期刊论文
[1]基于电子舌及一维深度CNN-ELM模型的普洱茶贮藏年限快速检测[J]. 杨正伟,张鑫,李庆盛,缪楠,王志强,李彩虹,袁文浩,马云霞,周智.  食品与机械. 2020(08)
[2]基于模糊神经网络PID控制的粉体包装计量控制系统[J]. 王艳,陈静,王志山,李昆祥,徐芸,徐雪萌.  食品与机械. 2020(01)
[3]优化烟草制丝设备提高烟丝质量[J]. 普绍清,高长江.  山东工业技术. 2018(13)
[4]制丝烘丝工序关键工艺参数批间稳定性控制分析[J]. 刘炳军,李江,邱琳,谢玲玲,陆雪云.  大众科技. 2017(12)
[5]大数据技术在烘丝出口水分预测与控制中的应用[J]. 张辉.  通讯世界. 2017(06)
[6]烘丝过程出口水分控制数据分析方法应用研究[J]. 胡宇航,何毅,李凡,陈之辉,曲锋,杨进国,王哲.  电脑与信息技术. 2016(04)
[7]基于在线烟碱预测模型的烟叶复烤均质化加工[J]. 王宏铝,王筑临,许小双,石超,刘鹏.  烟草科技. 2015(06)
[8]基于多因素分析的烘丝机入口含水率预测模型的建立与应用[J]. 钟文焱,陈晓杜,马庆文,郭天文.  烟草科技. 2015(05)
[9]基于料液施加效果的加料工序关键工艺参数优化[J]. 刘泽,何邦华,陈林,周冰,龙明海,周芳芳,资文华.  烟草科技. 2015(04)
[10]微波膨胀梗制丝关键工艺参数的优化[J]. 董高峰,殷沛沛,和智君,杨威,卢伟,张强,余贺龙.  中国农学通报. 2014(30)

硕士论文
[1]基于BP神经网络的烘丝控制模型的研究与应用[D]. 曹阳.湖南大学 2016



本文编号：3549565