摘要
　　煙葉回潮工序加水量的多少對烘絲工序爐壁溫度和出口水分控制有直接影響。目前，操作工需要憑借經(jīng)驗預測加水量，預測結果因人而異。本文利用生產(chǎn)過程中記錄的數(shù)據(jù)，研制基于BP神經(jīng)網(wǎng)絡的煙葉回潮加水量預測模型，提高加水量預測的合格率。
　　【關鍵詞】煙葉回潮 加水量 BP 神經(jīng)網(wǎng)絡
　　1 前言
　　煙葉回潮的主要工藝任務是對片煙進行連續(xù)均勻的增溫增濕，保證后續(xù)工序的生產(chǎn)要求�；爻奔铀�量的多少將直接影響烘絲工序爐壁溫度的控制，為了保證爐壁溫度的穩(wěn)定性，操作工需要嚴格控制回潮加水量。目前，加水量預測主要依靠操作工的工作經(jīng)驗，預測結果因人而異，合格率較低。
　　2 BP神經(jīng)網(wǎng)絡
　　BP神經(jīng)網(wǎng)絡分為兩個過程：
　�。�1）信號正向傳遞過程;
　　（2）誤差信號反向傳遞過程。
　　在BP神經(jīng)網(wǎng)絡中，輸入層和輸出層之間通常有若干個隱含層。
　　2.1 隱含層設計
　　在BP神經(jīng)網(wǎng)絡中，隱含層節(jié)點個數(shù)可通過以下公式計算得出：
　　其中h為隱含層節(jié)點數(shù)，m為輸入層節(jié)點數(shù)目，n為輸出層節(jié)點數(shù)目，a為之間的調(diào)節(jié)常數(shù)。
　　2.2 正向傳遞過程
　　設輸入節(jié)點i和隱藏節(jié)點i之間的權值為w_ij，節(jié)點j的閥值為b_j，每個節(jié)點的輸出值為x_j，而每個節(jié)點的輸出值是根據(jù)上層所有節(jié)點的輸出值、當前節(jié)點與上一層所有節(jié)點的權值和當前節(jié)點的閥值還有激活函數(shù)來實現(xiàn)的。計算方法如下：
　　其中f為激活函數(shù)，一般選取s型函數(shù)或者線性函數(shù)。
　　2.3 反向傳遞過程
　　誤差信號反向傳遞的過程是基于Widrow-Hoff學習規(guī)則的·設輸出層的結果d_j，誤差函數(shù)如下：
　　BP神經(jīng)網(wǎng)絡通過反復修正權值和閥值，使得誤差函數(shù)值達到最小。
　　3 煙葉回潮加水量預測模型的構建
　　3.1 樣本選擇及處理
　　車間運行數(shù)據(jù)記錄在《重點牌別數(shù)據(jù)記錄表）），選取某品牌其從2015年3月到2017年3月的720條原始數(shù)據(jù)為樣本，剔除掉20條異常數(shù)據(jù)，得到有效數(shù)據(jù)700條作為樣本，其中600條作為模型訓練樣本，100條作為測試數(shù)據(jù)。
　　3.2 模型構建
　　回潮加水量的合格率通過烘絲工序爐壁溫度反應出來，因此預測回潮加水量是否合適可轉換為預測爐壁溫度，而將回潮加水量作為輸入層，爐壁溫度作為輸出層。影響烘絲工序爐壁溫度的主要因素有：生產(chǎn)日期、回潮加水量、回潮出口含水率。
　�。�1）輸入600條訓練樣本;
　　（2）設定隱層神經(jīng)元個數(shù)為6，網(wǎng)絡隱層激勵函數(shù)為tansig函數(shù)，輸出層激勵函數(shù)為logsig函數(shù)，網(wǎng)絡訓練函數(shù)為traingdx，網(wǎng)絡性能函數(shù)為mse;
　　（3）網(wǎng)絡迭代次數(shù)為6000次，期望誤差為0.0000001，學習速率為0.01。
　　參數(shù)設置完成后，即可進行網(wǎng)絡訓練，如圖1所示。
　　4 模型應用
　　BP神經(jīng)網(wǎng)絡網(wǎng)絡訓練完成后，用另外100條樣本進行驗證，部分驗證結果如圖2所示。經(jīng)過統(tǒng)計分析該模型預測誤差為0.19，達到了我們的預期目標。操作工在使用該預測模型時輸入通過經(jīng)驗預測加水量查看對應的爐壁溫度是否準確。
　　5 結語
　　本文通過構建基于BP神經(jīng)網(wǎng)絡的煙葉回潮加水量預測模型，為操作工預測加水量提供了重要的理論依據(jù)，效果顯著，為企業(yè)提質增效做出了一定的貢獻。
　　參考文獻
　　[1]常明彬.基于環(huán)境溫濕度條件的松散回潮加水量預測模型研究[J].海峽科學，2016.

相關熱詞搜索：回潮 神經(jīng)網(wǎng)絡 煙葉 水量 模型