一种中药饮片自动干燥过程湿度神经网络预测控制方法技术

一种中药饮片自动干燥过程湿度神经网络预测控制方法，针对中药饮片干燥过程热风风速不能根据实际的药材流量和药材湿度调节热风风速的问题，采用Levenberg–Marquardt算法训练中药饮片自动干燥过程药材湿度与热风风速神经网络预测模型，通过差分进化算法极小化未来一段时间内的药材湿度跟踪偏差与热风风速变化量的一个累积函数，实时计算中药饮片自动干燥过程热风风速的大小，实现中药饮片自动干燥过程湿度跟踪设定值的优化自动控制。本发明专利技术提供一种理解直观、设计简单、易于实现的中药饮片自动干燥过程湿度神经网络预测控制方法。

【技术实现步骤摘要】
一种中药饮片自动干燥过程湿度神经网络预测控制方法
本专利技术属于中药饮片生产过程自动控制领域，涉及一种中药饮片自动干燥过程湿度神经网络预测控制方法。
技术介绍
中药饮片是中药材经过按中医药理论、中药炮制方法，经过加工炮制后可直接用于中医临床的中药，比服用西药在人体内产生的副作用更小，中药饮片在治疗慢性病、免疫性疾病以及养生保健、延年益寿等方面具有独特的疗效。由于不同品种和产地的中药，其采收时间、采收方法、预处理手段以及清洗时间、润药程度、切片形状的不同，不同的药材进行的工序不同，包括炒制、炙制和蒸煮等，干燥特性的不同，造成了最终干燥过程药材的湿度差异很大，在中药饮片制作过程中饮片成品湿度指数是影响中药饮片质量的一个重要因素。在中药饮片干燥过程中，调节热风干燥器中对流风速的大小，可以改变干燥箱中空气的水汽含量、药材的温度和药材中水分的蒸发速率，进而改变药材的湿度。通过对现有中药饮片自动干燥过程湿度控制方法的文献的检索发现，目前中药饮片干燥过程热风风速大多是固定不可控的，现有的各种干燥设备更多的注重设备结构设计，采用旋转干燥盘式或者滚筒搅拌式等结构设计对药材进行批量干燥，以及采用热风对流干燥结合真空冷冻、红外加热或者微波干燥的结构设计等，但是现有的各种干燥设备结构复杂多样，维护维修成本高，且不能随着中药饮片数量的变化及饮片药材湿度的变化自动调节热风风速，造成能源的浪费、干燥效率低和干燥质量不确定等问题，而且采用旋转干燥盘式、滚筒搅拌式以及热风干燥结合真空冷冻的结构设计都只能采用批量干燥的方式，在一定程度上会降低中药饮片干燥过程的效率，真空冷冻机价格昂贵且冷冻周期较长，采用滚筒搅拌式结构设计会对药材结构形状完整性造成破坏，导致中药饮片成品的卖相不佳以及存放过程中药效的流失，而红外干燥设备中的红外发射元件发射出的红外光频谱无法控制，不同药材对红外线区内的吸收带宽窄不一，造成干燥过程的热效率无法保证，而微波干燥会使药材中的矿物质、维生素减少，甚至可能变成为致癌物或者其他不能为身体所分解的合成物，长期摄入微波干燥的饮片，会使人体免疫系统出问题以及癌变的发生。在中药饮片干燥过程中，饮片数量以及饮片药材湿度并不是一成不变的，因此，中药饮片自动干燥过程湿度神经网络预测控制方法是针对中药饮片干燥过程提出的一种新的优化控制方法，可以满足在保证干燥质量的前提下实现低能耗的需要。
技术实现思路
为了克服现有中药饮片干燥设备不能自动根据实际情况优化热风风速、能源浪费和干燥质量不可控的不足，本专利技术提供一种理解直观、设计简单、易于实现的中药饮片自动干燥过程湿度神经网络预测控制方法。本专利技术解决其技术问题所采用的技术方案是：一种中药饮片自动干燥过程湿度神经网络预测控制方法，所述方法包括如下步骤：1)、记录当前中药饮片干燥过程干燥箱出料口饮片药材的湿度与进入干燥箱热风的风速的值；2)、建立神经网络预测模型，采用两层的列文伯格-马夸特(Levenberg–Marquardt)神经网络模型，参见式(1)：其中，时间变量k表示当前时刻，x(k)、x(k+1)、…、x(k+p)分别为第k、k+1、…、k+p时刻神经网络预测模型的输入矢量，控制量u(k-1)、u(k-2)、…、u(k-m)分别为第k-1、k-2、…、k-m时刻记录的实际热风风速，y(k-1)、y(k-2)、…、y(k-n)分别为第k-1、k-2、…、k-n时刻记录的实际饮片药材湿度，输出量ym(k)、ym(k+1)、…、ym(k+p)分别为神经网络预测模型预测在第k、k+1、…、k+p时刻的饮片药材湿度，m和n分别为神经网络预测模型输入矢量中控制量和输出量的长度，p为预测步长；3)、设在k时刻之后的j个时刻中控制量维持不变，u(k+j)＝u(k+j-1)＝…＝u(k+1)＝u(k)，x(k+j)＝[u(k),…,u(k),u(k-1),…,u(k+j-m),ym(k+j-1),…,ym(k),y(k-1),…,y(k+j-n)]；设神经网络连接权参数矢量w＝[w1,w2,…,wm+n]T，则第k+j时刻模型预测输出参见式(2)：ym(k+j)＝g[x(k+j)·w]，j＝1，2，…，p(2)其中，符号“T”表示向量的转置，x(k+j)为第k+j时刻模型的输入矢量，g(x)为激活函数，取单极性sigmoid函数，4)、训练神经网络预测模型，首先给定输入量u(k)，采集控制对象的阶跃响应yr(i)，i＝1，2，…，p；然后根据预测模型输出计算式(2)计算输出ym(k+i)，i＝0，1，…，p；采用Levenberg–Marquardt算法来修正连接权参数矢量w，设误差指标函数，参见式(3)：其中，第i个训练误差ei＝ym(k+i)-yr(i)，若E(w)＜ε，则连接权参数矢量w可用，训练结束，其中ε为训练误差允许值；否则，连接权参数矢量进行迭代修正，迭代公式参见式(4)：wl+1＝wl+Δwl，l＝1，2，…，L(4)其中，l为当前迭代次数，L为迭代次数上限，Δwl为修正增量，参见式(5)：Δwl＝[JT(wl)J(wl)+μI]-1JT(wl)e(wl)(5)其中，I为m+n维度单位矩阵，μ为学习率常数，J(wl)为雅可比矩阵连接权参数矢量w迭代规则：将计算式(5)得到的Δwl代入式(4)得到wl+1，将得到的wl+1代入式(2)，再用式(3)计算E(wl+1)，若E(wl+1)<E(wl)，则令μ＝μ·β，l＝l+1，完成该次迭代；若E(wl+1)>E(wl)，则令μ＝μ÷β，重新用式(5)计算Δwl，计算式(4)、(2)、(3)得到E(wl+1)并与E(wl)比较，重复此计算，直至E(wl+1)<E(wl)，令l＝l+1，完成该次迭代；当E(wl)＜ε或迭代次数达到设定上限L时迭代结束，保存当前连接权参数矢量w，得到神经网络预测模型(1)，其中，β为自适应因子常数；5)、反馈校正：设预测模型输出与实际输出之间校正误差为d(k)＝y(k)-ym(k)，修正后的输出参见式(6)：yc(k+j)＝ym(k+j)+h·d(k)，j＝1，2，…p，(6)其中，h为修正因子；6)、滚动优化：设定饮片药材湿度的目标值ys，设性能指标函数其中，qj为误差加权系数，ri为控制增量加权系数，M为控制时域，p为预测时域，将性能指标函数写成矢量形式，参见式(7)：C(k)＝[Yc(k)-Ys]TQ[Yc(k)-Ys]+ΔUT(k)RΔU(k)(7)其中，Yc(k)＝[yc(k+1)，yc(k+2)，…，yc(k+P)]T，Q和R分别称为误差加权矩阵和控制增量加权矩阵采用差分进化算法对性能指标(7)进行优化计算，将性能指标函数(7)作为适应度函数，控制增量作为个体；差分进化算法由初始化种群、变异、交叉和选择组成；初始化过程：随机均匀产生N个个体构成种群，个体ΔUa(0)＝[Δua,1(0),Δua,2(0),…,Δua,M(0)]，a＝1，2，…，N，第a个个体中的第b维取值参见式(8)：Δua,b(0)＝Δumin+rand(0,1)·(Δumax-Δumin)(8)其中，序号b＝1，2，…，M，rand(0,1)为0～1之间的随机数，Δumin为风速控制增量变化的最小幅值，Δu本文档来自技高网...

【技术保护点】
1.一种中药饮片自动干燥过程湿度神经网络预测控制方法，其特征在于，所述方法包括如下步骤：1)、记录当前中药饮片干燥过程干燥箱出料口饮片药材的湿度与进入干燥箱热风的风速的值；2)、建立神经网络预测模型，采用两层的列文伯格‑马夸特神经网络模型，参见式(1)：

【技术特征摘要】
1.一种中药饮片自动干燥过程湿度神经网络预测控制方法，其特征在于，所述方法包括如下步骤：1)、记录当前中药饮片干燥过程干燥箱出料口饮片药材的湿度与进入干燥箱热风的风速的值；2)、建立神经网络预测模型，采用两层的列文伯格-马夸特神经网络模型，参见式(1)：其中，时间变量k表示当前时刻，x(k)、x(k+1)、…、x(k+p)分别为第k、k+1、…、k+p时刻神经网络预测模型的输入矢量，控制量u(k-1)、u(k-2)、…、u(k-m)分别为第k-1、k-2、…、k-m时刻记录的实际热风风速，y(k-1)、y(k-2)、…、y(k-n)分别为第k-1、k-2、…、k-n时刻记录的实际饮片药材湿度，输出量ym(k)、ym(k+1)、…、ym(k+p)分别为神经网络预测模型预测在第k、k+1、…、k+p时刻的饮片药材湿度，m和n分别为神经网络预测模型输入矢量中控制量和输出量的长度，p为预测步长；3)、设在k时刻之后的j个时刻中控制量维持不变，u(k+j)＝u(k+j-1)＝…＝u(k+1)＝u(k)，x(k+j)＝[u(k),…,u(k),u(k-1),…,u(k+j-m),ym(k+j-1),…,ym(k),y(k-1),…,y(k+j-n)]；设神经网络连接权参数矢量w＝[w1,w2,…,wm+n]T，则第k+j时刻模型预测输出参见式(2)：ym(k+j)＝g[x(k+j)·w]，j＝1，2，…，p(2)其中，符号“T”表示向量的转置，x(k+j)为第k+j时刻模型的输入矢量，g(x)为激活函数，取单极性sigmoid函数，4)、训练神经网络预测模型，首先给定输入量u(k)，采集控制对象的阶跃响应yr(i)，i＝1，2，…，p；然后根据预测模型输出计算式(2)计算输出ym(k+i)，i＝0，1，…，p；采用Levenberg–Marquardt算法来修正连接权参数矢量w，设误差指标函数，参见式(3)：其中，第i个训练误差ei＝ym(k+i)-yr(i)，若E(w)＜ε，则连接权参数矢量w可用，训练结束，其中ε为训练误差允许值；否则，连接权参数矢量进行迭代修正，迭代公式参见式(4)：wl+1＝wl+Δwl，l＝1，2，…，L(4)其中，l为当前迭代次数，L为迭代次数上限，Δwl为修正增量，参见式(5)：Δwl＝[JT(wl)J(wl)+μI]-1JT(wl)e(wl)(5)其中，I为m+n维度单位矩阵，μ为学习率常数，J(wl)为雅可比矩阵连接权参数矢量w迭代规则：将计算式(5)得到的Δwl代入式(4)得到wl+1，将得到的wl+1代入式(2)，再用式(3)计算E(wl+1)，若E(wl+1)<E(wl)，则令μ＝μ·β，l＝l+1，完成该次迭代；若E...

【专利技术属性】
技术研发人员：何德峰，周龙，俞立，张文安，仇翔，朱俊威，杨永祥，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江,33