基于RBF神经网络的叶丝生丝含水率预测

王龙柱 马洪晶 孙钦兰 段三青 孟科峰

（山东中烟工业有限责任公司济南卷烟厂）

基于RBF神经网络的叶丝生丝含水率预测

王龙柱 马洪晶 孙钦兰 段三青 孟科峰*

（山东中烟工业有限责任公司济南卷烟厂）

叶丝生丝含水率决定烟丝的感官质量及内在品质，是烟丝加工过程中的一项重要指标。介绍RBF神经网络的基本原理和算法；给出建立RBF神经网络模型的具体过程；并将模型应用于预测叶丝生丝含水率。预测结果与实际值误差小于3%，表明了该模型预测叶丝生丝含水率的可行性和有效性。

烟丝加工；含水率；RBF神经网络

0 引言

叶丝生丝是切丝后未经增温增湿烘烤的叶

丝。烘丝机出口叶丝含水率是影响卷烟感官质量的重要指标[1]。叶丝生丝含水率偏高或偏低会影响烘丝机出口叶丝含水率的稳定，给烟丝加工带来困难，影响烟丝产品质量。叶丝生丝含水率偏高，即便烘丝机筒壁温度调到最高值，也可能无法使烘丝机出口含水率达到工艺指标要求。为保证烘丝机出口叶丝含水率达到工艺要求，在烟丝加工过程中对叶丝生丝含水率有较严格的要求。目前，叶丝生丝含水率主要通过控制制叶段松散回潮、润叶加料工序加水量来实现[2-4]。由于制叶段与制丝段生产时间间隔数小时，生产操作人员在制叶生产过程中无法实时获取制丝段叶丝生丝含水率值，仅凭借个人经验预测。预测结果因人而异，偏差较大，导致叶丝生丝含水率波动也较大。因此，为确保叶丝生丝含水率稳定，本文利用RBF神经网络模型以制叶段实时数据松散回潮出口含水率、润叶加料出口含水率为输入，预测叶丝生丝含水率值。

1 基于RBF神经网络的叶丝生丝含水率预测模型

1.1 RBF神经网络

径向基函数（radialbasis function，RBF）神经网络[5]是三层前向型网络：第一层为输入层，节点个数等于输入数据的维数；第二层为隐含层，节点个数因问题复杂度而异；第三层为输出层，节点个数等于输出数据的维数。其中，隐含层是非线性的，以径向基函数为基础函数，将输入向量空间转换到隐含层空间，使原来线性不可分的问题变为线性可分，输出层为线性的。RBF神经网络应用时需要大量的神经元，但其训练时间短，对函数的逼近是最优的，可以以任意精度逼近任意连续函数，隐含层中的神经元越多，逼近越精确。RBF神经网络与其他前向型网络相比，具有结构简单、训练简洁、收敛速度快、局部逼近性能好、设置参数少等优点，广泛应用于非线性优化、时间序列预测和模式识别等领域。RBF神经网络的结构如图1所示。

RBF神经网络隐含层基函数常用高斯函数：

1.2 叶丝生丝含水率预测指标的遴选

叶丝加工工艺中（如图2所示），叶丝生丝含水率主要受制叶段松散回潮和润叶加料工序加水量的影响。为此，选定松散回潮和润叶加料2个工序烟丝出口含水率为预测指标，作为模型的输入。

图2 叶丝加工工艺流程

2 叶丝生丝含水率预测模型的构建

2.1 数据样本选择及处理

从制造执行系统（manufacturing execution system，MES）中，选取某品牌2015年3月至2016年3月的原始数据390条，经筛选，剔除信息不完整等异常样本数据，得到有效样本360条。

2.2 模型建立步骤

用RBF神经网络算法按以下步骤对叶丝生丝含水率建模[5]：

1)输入样本集；

2)基于K-均值聚类方法求取基函数的中心；

3)采用非监督式的学习方式训练RBF层的权值；

4)采用监督式的学习方式训练输出层的权值；

5)根据训练的网络进行模拟预测。

模型以松散回潮出口含水率、润叶加料出口含水率为输入，叶丝生丝含水率为输出，进行RBF神经网络训练，RBF神经网络训练模型如图3所示。

图3 RBF神经网络训练模型

3 模型应用

针对构建的模型，随机选取样本中340条数据信息，利用Matlab的RBF工具箱对神经网络进行训练，以另外20条数据信息进行神经网络验证，结果如图4所示。其中“*”表示叶丝生丝含水率实际值，“·”表示叶丝生丝含水率预测值。可以看出，该模型能够根据松散回潮、润叶加料出口含水率较好地预测出叶丝生丝含水率，绝对误差在0.3%以内。生产过程中操作人员可利用叶丝生丝含水率预测值来调整松散回潮、润叶加料控制。

图4 BRF神经网络模型预测效果

4 结语

通过利用制叶段生产过程中实时数据，经RBF神经网络预测出叶丝生丝含水率值。检验表明模型预测结果与实际值误差小于0.3%，预测效果良好。通过本方法，在制叶段生产过程中提前预测叶丝生丝含水率值，为调整制叶段松散回潮、润叶加料生产控制提供了依据，对实现产品精益加工、提高产品质量有重大意义。

[1]郗继忠,孟广宇,郝廷亮,等.HXD制丝过程对在制品感官质量的影响[C].北京:中国烟草学会,2005:237-241.

[2]俞仁皓,宋家海,王建.松散回潮工序回风温度PID控制参数的优化[J].烟草科技,2010(7):8-10,16.

[3]熊安言,于建春,王二彬,等.叶丝加料工艺参数对加料效果的影响[J].烟草科技,2016,49(1):66-71.

[4]赵国庆,米强,钟青,等.因素筛选试验在松散回潮和筛分加料工序质量评价中的应用[J].烟草科技,2007(11):24-27.

[5]陈明.MATLAB神经网络原理与实例精解[M].北京:清华大学出版社,2013:196-237.

M oisture Contentof Raw Cut Tobacco Forecasting Based on RBFNeuralNetwork

Wang Longzhu Ma Hongjing Sun Qinlan Duan Sanqing Meng Kefeng
(Ji’nan Cigarette Factory of China Tobacco Shandong IndustrialCo.,Ltd.)

Moisture content isan important index in tobacco processing,which determines the sensory and internalquality of cut tobacco.This paper introduces the basic principle and algorithm of RBF neural network,also gives the specific process of establishing RBF neural networkmodel,and applied themethod to forecast themoisture content.The error between the predicted and actualvalues is less than 3%.Itindicates that themodel is feasible and effective formoisture content forecast.

Tobacco Processing;Moisture Content;RBFNeuralNetwork

王龙柱，男，1989年生，工学学士，主要研究方向：烟草制丝线设备维修、加工工艺等。E-mail:longzhuw@163.com

孟科峰（通信作者），1980年生，管理学硕士，主要研究方向：烟草制丝设备管理、加工工艺等。E-mail: mengkefeng@sina.com