基于RBF神經網絡的葉絲生絲含水率預測

王龍柱 馬洪晶 孫欽蘭 段三青 孟科峰

（山東中煙工業有限責任公司濟南卷煙廠）

基于RBF神經網絡的葉絲生絲含水率預測

王龍柱 馬洪晶 孫欽蘭 段三青 孟科峰*

（山東中煙工業有限責任公司濟南卷煙廠）

葉絲生絲含水率決定煙絲的感官質量及內在品質，是煙絲加工過程中的一項重要指標。介紹RBF神經網絡的基本原理和算法；給出建立RBF神經網絡模型的具體過程；并將模型應用于預測葉絲生絲含水率。預測結果與實際值誤差小于3%，表明了該模型預測葉絲生絲含水率的可行性和有效性。

煙絲加工；含水率；RBF神經網絡

0 引言

葉絲生絲是切絲后未經增溫增濕烘烤的葉

絲。烘絲機出口葉絲含水率是影響卷煙感官質量的重要指標[1]。葉絲生絲含水率偏高或偏低會影響烘絲機出口葉絲含水率的穩定，給煙絲加工帶來困難，影響煙絲產品質量。葉絲生絲含水率偏高，即便烘絲機筒壁溫度調到最高值，也可能無法使烘絲機出口含水率達到工藝指標要求。為保證烘絲機出口葉絲含水率達到工藝要求，在煙絲加工過程中對葉絲生絲含水率有較嚴格的要求。目前，葉絲生絲含水率主要通過控制制葉段松散回潮、潤葉加料工序加水量來實現[2-4]。由于制葉段與制絲段生產時間間隔數小時，生產操作人員在制葉生產過程中無法實時獲取制絲段葉絲生絲含水率值，僅憑借個人經驗預測。預測結果因人而異，偏差較大，導致葉絲生絲含水率波動也較大。因此，為確保葉絲生絲含水率穩定，本文利用RBF神經網絡模型以制葉段實時數據松散回潮出口含水率、潤葉加料出口含水率為輸入，預測葉絲生絲含水率值。

1 基于RBF神經網絡的葉絲生絲含水率預測模型

1.1 RBF神經網絡

徑向基函數（radialbasis function，RBF）神經網絡[5]是三層前向型網絡：第一層為輸入層，節點個數等于輸入數據的維數；第二層為隱含層，節點個數因問題復雜度而異；第三層為輸出層，節點個數等于輸出數據的維數。其中，隱含層是非線性的，以徑向基函數為基礎函數，將輸入向量空間轉換到隱含層空間，使原來線性不可分的問題變為線性可分，輸出層為線性的。RBF神經網絡應用時需要大量的神經元，但其訓練時間短，對函數的逼近是最優的，可以以任意精度逼近任意連續函數，隱含層中的神經元越多，逼近越精確。RBF神經網絡與其他前向型網絡相比，具有結構簡單、訓練簡潔、收斂速度快、局部逼近性能好、設置參數少等優點，廣泛應用于非線性優化、時間序列預測和模式識別等領域。RBF神經網絡的結構如圖1所示。

RBF神經網絡隱含層基函數常用高斯函數：

1.2 葉絲生絲含水率預測指標的遴選

葉絲加工工藝中（如圖2所示），葉絲生絲含水率主要受制葉段松散回潮和潤葉加料工序加水量的影響。為此，選定松散回潮和潤葉加料2個工序煙絲出口含水率為預測指標，作為模型的輸入。

圖2 葉絲加工工藝流程

2 葉絲生絲含水率預測模型的構建

2.1 數據樣本選擇及處理

從制造執行系統（manufacturing execution system，MES）中，選取某品牌2015年3月至2016年3月的原始數據390條，經篩選，剔除信息不完整等異常樣本數據，得到有效樣本360條。

2.2 模型建立步驟

用RBF神經網絡算法按以下步驟對葉絲生絲含水率建模[5]：

1)輸入樣本集；

2)基于K-均值聚類方法求取基函數的中心；

3)采用非監督式的學習方式訓練RBF層的權值；

4)采用監督式的學習方式訓練輸出層的權值；

5)根據訓練的網絡進行模擬預測。

模型以松散回潮出口含水率、潤葉加料出口含水率為輸入，葉絲生絲含水率為輸出，進行RBF神經網絡訓練，RBF神經網絡訓練模型如圖3所示。

圖3 RBF神經網絡訓練模型

3 模型應用

針對構建的模型，隨機選取樣本中340條數據信息，利用Matlab的RBF工具箱對神經網絡進行訓練，以另外20條數據信息進行神經網絡驗證，結果如圖4所示。其中“*”表示葉絲生絲含水率實際值，“·”表示葉絲生絲含水率預測值。可以看出，該模型能夠根據松散回潮、潤葉加料出口含水率較好地預測出葉絲生絲含水率，絕對誤差在0.3%以內。生產過程中操作人員可利用葉絲生絲含水率預測值來調整松散回潮、潤葉加料控制。

圖4 BRF神經網絡模型預測效果

4 結語

通過利用制葉段生產過程中實時數據，經RBF神經網絡預測出葉絲生絲含水率值。檢驗表明模型預測結果與實際值誤差小于0.3%，預測效果良好。通過本方法，在制葉段生產過程中提前預測葉絲生絲含水率值，為調整制葉段松散回潮、潤葉加料生產控制提供了依據，對實現產品精益加工、提高產品質量有重大意義。

[1]郗繼忠,孟廣宇,郝廷亮,等.HXD制絲過程對在制品感官質量的影響[C].北京:中國煙草學會,2005:237-241.

[2]俞仁皓,宋家海,王建.松散回潮工序回風溫度PID控制參數的優化[J].煙草科技,2010(7):8-10,16.

[3]熊安言,于建春,王二彬,等.葉絲加料工藝參數對加料效果的影響[J].煙草科技,2016,49(1):66-71.

[4]趙國慶,米強,鐘青,等.因素篩選試驗在松散回潮和篩分加料工序質量評價中的應用[J].煙草科技,2007(11):24-27.

[5]陳明.MATLAB神經網絡原理與實例精解[M].北京:清華大學出版社,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

王龍柱，男，1989年生，工學學士，主要研究方向：煙草制絲線設備維修、加工工藝等。E-mail:longzhuw@163.com

孟科峰（通信作者），1980年生，管理學碩士，主要研究方向：煙草制絲設備管理、加工工藝等。E-mail: mengkefeng@sina.com