基于隐马尔科夫模型与粒子群优化的木材含水率控制方法技术

基于隐马尔科夫模型与粒子群优化的木材含水率控制方法，它属于木材干燥过程控制技术领域。本发明专利技术解决了采用现有方法在减速干燥阶段对木材含水率的控制精度低的问题。本发明专利技术首先测量出当前时刻木材的含水率、温度和湿度数据，再将测量的当前时刻数据输入隐马尔科夫模型，获得模型输出的下一时刻木材的含水率、温度和湿度数据。将当前时刻的木材温度、湿度数据、模型输出的下一时刻木材含水率、温度和湿度数据以及含水率基准数据代入适应度函数，对适应度函数进行优化得到当前时刻干燥系统需要设定的最佳温度和湿度，实现对干燥过程中木材含水率的控制，且通过本发明专利技术方法可以显著提高减速干燥阶段中对木材含水率的控制精度。本发明专利技术可以应用于木材干燥过程含水率控制。

【技术实现步骤摘要】
基于隐马尔科夫模型与粒子群优化的木材含水率控制方法
本专利技术属于木材干燥过程控制
，具体涉及一种基于隐马尔科夫模型与粒子群优化的木材含水率控制方法。
技术介绍
木材干燥是改善木材物理力学性能、合理使用木材、减少木材降等损失、提高木材利用率的重要技术措施，也是保证木制品质量的关键技术之一。由于我国对木材需求的不断加大，对木材干燥设备的需求也不断增长，而我国现有干燥设备大多陈旧简陋，需要操作人员按照工艺参数凭经验控制，干燥降等损失严重。部分生产各类干燥设备的厂家已经可以生产自动控制干燥设备，产品质量能基本满足生产要求。与国外的先进设备相比，主要存在检测与控制精度不高、可靠性不足、木材干燥设备能耗高等问题。在设计自动控制设备时，不仅离线的仿真实验需要精确的模型，自适应、鲁棒及预测控制效果也都依赖于模型的性能，因此，在解决木材干燥自动控制应用中首先考虑的就是建立木材干燥的数学模型。目前对线性系统建模的理论和方法已经比较成熟，但实际的被控对象大多是时变、非线性的动态系统，其动态行为非常丰富，这使得需要依靠精确数学模型的传统控制方法难以取得良好的控制效果。如何建立能准确反映系统输入输出关系的模型，成为提高非线性系统控制水平的关键。木材是一种复杂的含湿多孔粘弹性生物体，干燥过程中其内部结构和特性会发生很大的变化，这使木材干燥复杂多变，即木材干燥是一个复杂的强耦合非线性动力系统，在干燥过程中存在着外界的干扰和模型的不确定性，使得建立理想的木材干燥模型变得比较困难。因此，选择有效的建模方法来建立能准确反映木材干燥过程的模型，是研究木材干燥机理、实现全自动控制、全面提高木材干燥设备性能的首要问题。木材干燥属于超微细结构的非稳态传热传质过程，木材结构复杂又具有多样性和变异性，因而所建模型往往由于太复杂而难以实现或因过多的条件简化而造成偏差，难以应用于实际控制。利用基于数据的机器学习方法对木材干燥进行建模，只需要根据实际可测量的木材干燥系统的输入输出量，即可得到能反映木材干燥宏观特性的模型。学习数据的确定是利用机器学习理论建立木材干燥系统模型的第一步。影响木材干燥的外部因素很多，主要包括介质温度、介质湿度和木材表面空气流动速度。对风机全速运行的干燥窑，在建模时可以窑内实测温湿度数据作为输入量，输出量则为木材含水率。然后选择合适的建模方法，利用两窑或多窑实测数据中的一窑(随机)作为学习样本训练模型，其他数据验证模型的准确性。由于木材干燥系统是一个动态系统，在干燥过程中，木材含水率可以看作是一个非线性递减的非平稳时间序列，当前时刻木材含水率不仅与窑内环境干预(主要为温度、湿度、木材表面空气流速)有关，还与上一时刻或一段时间内的含水率有关。木材含水率在纤维饱和点(30％左右)以下时，木材在空气中会发生干缩与湿胀现象，极大的影响了木材的使用。为了保证木材与木制品的质量、延长使用寿命，必须采取适当措施使木材中的水分(含水率)降低到一定的程度。要降低木材的含水率，须提高木材的温度，使木材中的水分蒸发和向外移动，在一定流动速度的空气中，使水分迅速地离开木材，达到干燥的目的。以木材含水率为基准，将干燥过程划分成若干阶段，并确定各个阶段所对应的温度、湿度。木材干燥过程大致可分为预热、等速干燥和减速干燥三个阶段。在等速干燥阶段木材含水率随时间变化大致呈线性，控制模型相对简单，而现有的减速干燥阶段控制模型则较为复杂，导致在减速干燥阶段的木材含水率控制精度较低，因此，简化减速干燥阶段控制模型对提高木材干燥过程中的含水率控制精度十分必要。
技术实现思路
本专利技术的目的是为解决采用现有方法在减速干燥阶段对木材含水率的控制精度低的问题，而提出了基于隐马尔科夫模型与粒子群优化的木材含水率控制方法。本专利技术为解决上述技术问题采取的技术方案是：一种基于隐马尔科夫模型与粒子群优化的木材含水率控制方法，该方法包括以下步骤：步骤一、利用测量仪器测得t时刻的木材含水率Mt、t时刻的木材温度Tt、t时刻的木材湿度Ht以及t+1时刻的木材含水率Mt+1、t+1时刻的木材温度Tt+1、t+1时刻的木材湿度Ht+1；以t时刻的木材含水率Mt、t时刻的木材温度Tt和t时刻的木材湿度Ht为自变量，以t+1时刻的木材含水率Mt+1、t+1时刻的木材温度Tt+1和t+1时刻的木材湿度Ht+1为因变量，建立由自变量和因变量组成的样本集；利用建立的样本集训练HMM预测模型，直至前后连续两次迭代获得的HMM预测模型参数的差值小于阈值Q时停止训练，获得训练好的HMM预测模型；步骤二、建立适应度函数F；步骤三、对于待进行干燥的木材，测量出当前时刻木材的含水率、温度和湿度后，将当前时刻木材的含水率、温度和湿度数据输入步骤一训练好的HMM预测模型，获得HMM预测模型输出的下一时刻木材的含水率、温度和湿度数据；将测量出的当前时刻木材温度和湿度数据，模型输出的下一时刻木材含水率、温度和湿度数据以及下一时刻的木材含水率基准值代入适应度函数F，根据适应度函数F计算出当前时刻木材干燥系统需要设定的最佳温度和湿度；步骤四、将当前时刻木材干燥系统的温度和湿度分别设置为步骤三获得的最佳温度和最佳湿度后，经过干燥后再测量出下一时刻木材的含水率、温度和湿度数据；步骤五、将步骤三中的当前时刻木材含水率、温度和湿度数据与步骤四中的下一时刻木材的含水率、温度和湿度数据添加到样本集中，不断更新样本集；步骤六、若步骤四测量的下一时刻木材含水率数据与步骤三中HMM预测模型输出的下一时刻木材含水率数据的差值大于等于阈值δ，则将步骤一训练好的HMM预测模型的参数作为初始化输入参数，利用更新后的样本集重新训练HMM预测模型，并利用重新训练好的HMM预测模型来执行步骤七；否则，继续利用步骤一训练好的HMM预测模型来执行步骤七；步骤七、重复执行步骤三至步骤六的过程，实现对木材干燥过程中含水率的控制。本专利技术的有益效果是：本专利技术提出了一种基于隐马尔科夫模型与粒子群优化的木材含水率控制方法，本专利技术首先测量出当前时刻木材的含水率、温度和湿度数据，再将测量的当前时刻数据输入隐马尔科夫模型，获得模型输出的下一时刻木材的含水率、温度和湿度数据。将当前时刻的木材温度、湿度数据、模型输出的下一时刻木材含水率、温度和湿度数据以及含水率基准数据代入适应度函数，对适应度函数进行优化得到当前时刻干燥系统需要设定的最佳温度和湿度，实现对干燥过程中木材含水率的控制，且通过本专利技术方法可以显著提高减速干燥阶段中对木材含水率的控制精度。通过实验发现，采用本专利技术方法获得的含水率实际值与标准值的最大差值为1.5左右，采用现有SVM预测方法获得的含水率实际值与标准值的最大差值为2.5左右，采用本专利技术方法获得的含水率实际值与标准值的差值明显小于SVM预测方法，控制精度大大提高。附图说明图1是采用本专利技术方法获得的含水率与时间关系曲线图；图2是采用SVM方法获得的含水率与时间关系曲线图；图3是采用本专利技术方法获得的含水本文档来自技高网...

【技术保护点】
1.基于隐马尔科夫模型与粒子群优化的木材含水率控制方法，其特征在于，该方法包括以下步骤：/n步骤一、利用测量仪器测得t时刻的木材含水率M

【技术特征摘要】
1.基于隐马尔科夫模型与粒子群优化的木材含水率控制方法，其特征在于，该方法包括以下步骤：
步骤一、利用测量仪器测得t时刻的木材含水率Mt、t时刻的木材温度Tt、t时刻的木材湿度Ht以及t+1时刻的木材含水率Mt+1、t+1时刻的木材温度Tt+1、t+1时刻的木材湿度Ht+1；
以t时刻的木材含水率Mt、t时刻的木材温度Tt和t时刻的木材湿度Ht为自变量，以t+1时刻的木材含水率Mt+1、t+1时刻的木材温度Tt+1和t+1时刻的木材湿度Ht+1为因变量，建立由自变量和因变量组成的样本集；
利用建立的样本集训练HMM预测模型，直至前后连续两次迭代获得的HMM预测模型参数的差值小于阈值Q时停止训练，获得训练好的HMM预测模型；
步骤二、建立适应度函数F；
步骤三、对于待进行干燥的木材，测量出当前时刻木材的含水率、温度和湿度后，将当前时刻木材的含水率、温度和湿度数据输入步骤一训练好的HMM预测模型，获得HMM预测模型输出的下一时刻木材的含水率、温度和湿度数据；
将测量出的当前时刻木材温度和湿度数据，模型输出的下一时刻木材含水率、温度和湿度数据以及下一时刻的木材含水率基准值代入适应度函数F，根据适应度函数F计算出当前时刻木材干燥系统需要设定的最佳温度和湿度；
步骤四、将当前时刻木材干燥系统的温度和湿度分别设置为步骤三获得的最佳温度和最佳湿度后，经过干燥后再测量出下一时刻木材的含水率、温度和湿度数据；
步骤五、将步骤三中的当前时刻木材含水率、温度和湿度数据与步骤四中的下一时刻木材的含水率、温度和湿度数据添加到样本集中，不断更新样本集；
步骤六、若步骤四测量的下一时刻木材含水率数据与步骤三中HMM预测模型输出的下一时刻木材含水率数据的差值大于等于阈值δ，则将步骤一训练好的HMM预测模型的参数作为初始化输入参数，利用更新后的样本集重新训练HMM预测模...

【专利技术属性】
技术研发人员：张冬妍，蒋大鹏，李丹丹，李鸿博，曹军，
申请(专利权)人：东北林业大学，
类型：发明
国别省市：黑龙江;23