基于BP神经网络的烘梗丝料头参数设置

2020-10-20林俊栋

锦绣·中旬刊 2020年4期

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。