一种基于BP-PID的烟草薄片涂布率控制方法及装置制造方法及图纸

本发明专利技术公开了一种基于BP‑PID的烟草薄片涂布率控制方法及装置，包括建立适用于烟草薄片涂布率的BPNN模型；将BPNN模型的输出作为PID模型的输入，建立BP‑PID控制模型；获取BPNN模型的训练参数，对BP‑PID控制模型进行优化训练；利用完成训练的BP‑PID控制模型对烟草薄片涂布率进行实时控制。本发明专利技术采用具有BP神经网络的PID控制策略（BP‑PID），PID的控制参数通过BP神经网络进行实时调节，使得系统具有自适应性和自学习能力，在经过合理的自适应学习之后，能够在线控制烟草薄片生产过程的涂布率，从而实现最佳控制效果。

【技术实现步骤摘要】
一种基于BP-PID的烟草薄片涂布率控制方法及装置
本专利技术涉及烟草薄片涂布率控制
，特别是涉及一种基于BP-PID的烟草薄片涂布率控制方法及装置。
技术介绍
BPNN：BP神经网络（BPNN，BackPropagationNeuralNetwork），即对非线性可微分函数进行权值训练的多层网络。PID：PID控制器（PID即：Proportional(比例)、Integral(积分)、Differential(微分)的缩写），即结合比例、积分和微分三者环节与一体的控制算法，其实质为根据输入的偏差值，按照比例、积分、微分的函数关系进行运算，运算结果用以控制输出。烟草薄片是以烟卷生产浪费的烟草杂质为原料生产而得到的。质量高的烟草薄片燃烧后的吸味和天然烟叶相似，采用烟草薄片替代一部分天然烟草，可以减少原材料消耗。涂布率越高，烟草薄片对烟草涂布液的吸收能力越强，燃烧后的吸味更接近天然的烟叶，质量越好。与此同时，涂布率不可能太高，一是烟草基片不可能做到100%吸收涂布液，另一方面是处于生产成本考虑，需要在味道和成本之间寻求平衡。如何将烟草薄片的涂布率控制在一个理想设定值，是当前烟卷厂关心的问题。针对烟草薄片生产过程中涂布率呈现非线性以及时变性等特点，考虑到传统PID控制器自适应性差、鲁棒性不强等缺陷，本专利技术提供了一种具有BP神经网络的PID控制策略（BP-PID）。在控制过程中，PID的控制参数可通过BP神经网络进行实时调节，使得系统具有自适应性和自学习能力，以实现最佳控制效果。<br>
技术实现思路
为解决现有技术中存在的问题，本专利技术提供了基于BP-PID的烟草薄片涂布率控制方法，解决了以往方法自适应差、鲁棒性不强，无法对烟草薄片生产过程涂布率进行在线控制的问题。根据本专利技术的第一方面，提供了一种基于BP-PID的烟草薄片涂布率控制方法，包括：建立适用于烟草薄片涂布率的BPNN模型；将BPNN模型的输出作为PID模型的输入，建立BP-PID控制模型；获取BPNN模型的训练参数，对BP-PID控制模型进行优化训练；利用完成训练的BP-PID控制模型对烟草薄片涂布率进行实时控制。进一步的，建立适用于烟草薄片涂布率的BPNN模型包括：确定BPNN模型的参数，即确定输入层和隐藏层的节点个数，输出变量为3，学习速率和惯性系数；将烟草薄片的涂布率的设定值、误差、输出值及整定后的涂布量定义为BPNN模型的输入变量；建立三层的BPNN模型，即输入层、隐藏层、输出层，其核心计算公式如下：输入层计算公式为：；隐藏层的输入的输出计算公式为：其中，为隐藏层的权值；输出层的输出计算公式为：其中，为输出层的权值。进一步的，将BPNN模型的输出作为PID模型的输入，建立BP-PID控制模型具体包括：将BPNN模型的三个输出分别作为PID模型的三个参数、、、输入到PID控制器中；利用BP-PID控制模型的输出结果控制烟草薄片生产过程的涂布率。进一步的，获取BPNN模型的训练参数包括：采集烟草薄片工厂涂布量、涂布率的数据；剔除采样数据中的零值，剔除[μ+3σ，μ-3σ]以外的数据，其中，μ为均值，σ为标准差；对经过剔除操作后的数据序列进行数据填补，数据填补的计算公式为：其中，，为的导数，；将填补后的数据作为BPNN模型的训练参数。进一步的，对BP-PID控制模型进行优化训练包括：根据烟草薄片厂的实际涂布工艺建立涂布率传递函数；所述传递函数的输入为BP-PID控制模型的输出，所述传递函数的输出即为涂布率；当烟草薄片的涂布率稳定在一定范围内波动时，BP-PID控制模型完成训练。进一步的，利用完成训练的BP-PID控制模型对烟草薄片涂布率进行实时控制之后还包括：计算烟草薄片的涂布率，制作曲线；判断BP-PID控制模型的控制效果是否满足需求。进一步的，当烟草薄片涂布率满足需求时：计算完成训练的BP-PID控制模型实时控制的烟草薄片涂布率的均值、波动范围；将所述均值定义为烟草薄片涂布率的调节档次。根据本专利技术的第二方面，提供了一种基于BP-PID的烟草薄片涂布率控制装置，包括：模型建立模块，建立BPNN模型、建立BP-PID控制模型；数据获取模块，获取BPNN模型的训练参数，用以对所述BP-PID控制模型进行训练；训练模块，利用训练参数对BP-PID控制模型进行训练；涂布率控制模块，利用完成训练的BP-PID控制模型对烟草薄片涂布率进行实时控制。根据本专利技术的第三方面，提供了一种电子设备，包括处理器和存储器：所述存储器，用于存储操作指令；所述处理器，用于通过调用所述操作指令，执行上述第一方面中任何一项所述的基于BP-PID的烟草薄片涂布率控制方法的步骤。根据本专利技术的第二方面，提供了一种计算机可读存储介质，所述计算机存储介质用于存储计算机指令，当其在计算机上运行时，使得计算机可以执行上述第一方面中任一项所述的基于BP-PID的烟草薄片涂布率控制方法的步骤。本专利技术的有益效果为：1.根据烟草薄片涂布率的核心参数建立BPNN模型，通过对核心参数的清洗、剔除和填补以获取能够用以训练BPNN模型的训练参数，以BPNN模型的输出作为PID控制器的输入建立BP-PID控制模型，BPNN模型可以对PID控制器进行实时调节，根据训练参数对具有自适应能力和自学习能力的BPNN模型进行训练，使得BP-PID控制模型在对烟草薄片生产过程的涂布率进行实时调节时，具有良好的自适应性能，以实现最佳控制效果。2.可以计算实时涂布率并曲线，能够直观的显示涂布率的波动情况及控制效果。计算涂布率的均值及波动范围，以均值作为此训练参数下完成训练的BP-PID控制模型的涂布率实时控制档次，根据涂布率对烟草薄片进行等级划分，以满足不同的需求。附图说明图1为本专利技术实施例的一种基于BP-PID的烟草薄片涂布率控制方法的流程图；图2为本专利技术实施例的一种基于BP-PID的烟草薄片涂布率控制装置的框图；图3为本专利技术实施例的一种基于BP-PID的烟草薄片涂布率控制方法的BP-PID控制结构图；图4为本专利技术实施例的一种基于BP-PID的烟草薄片涂布率控制方法的MATLAB仿真图；图5为本专利技术实施例的一种基于BP-PID的烟草薄片涂布率控制方法的实际在线控制结果图；图6为本专利技术实施例提供的一种电子设备的实体结构示意图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术的一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没本文档来自技高网...

【技术保护点】
1.一种基于BP-PID的烟草薄片涂布率控制方法，其特征在于，包括：/n建立适用于烟草薄片涂布率的BPNN模型；/n将BPNN模型的输出作为PID模型的输入，建立BP-PID控制模型；/n获取BPNN模型的训练参数，对BP-PID控制模型进行优化训练；/n利用完成训练的BP-PID控制模型对烟草薄片涂布率进行实时控制。/n

【技术特征摘要】
1.一种基于BP-PID的烟草薄片涂布率控制方法，其特征在于，包括：
建立适用于烟草薄片涂布率的BPNN模型；
将BPNN模型的输出作为PID模型的输入，建立BP-PID控制模型；
获取BPNN模型的训练参数，对BP-PID控制模型进行优化训练；
利用完成训练的BP-PID控制模型对烟草薄片涂布率进行实时控制。


2.根据权利要求1所述的方法，其特征在于，建立适用于烟草薄片涂布率的BPNN模型包括：
确定BPNN模型的参数，即确定输入层和隐藏层的节点个数，输出变量为3，学习速率和惯性系数；
将烟草薄片的涂布率的设定值、误差、输出值及整定后的涂布量定义为BPNN模型的输入变量；
建立三层的BPNN模型，即输入层、隐藏层、输出层，其核心计算公式如下：
输入层计算公式为：

；
隐藏层的输入的输出计算公式为：



其中，为隐藏层的权值；
输出层的输出计算公式为：



其中，为输出层的权值。


3.根据权利要求2所述的方法，其特征在于，将BPNN模型的输出作为PID模型的输入，建立BP-PID控制模型具体包括：
将BPNN模型的三个输出分别作为PID模型的三个参数、、、输入到PID控制器中；
利用BP-PID控制模型的输出结果控制烟草薄片生产过程的涂布率。


4.根据权利要求1所述的方法，其特征在于，获取BPNN模型的训练参数包括：
采集烟草薄片工厂涂布量、涂布率的数据；
剔除采样数据中的零值，剔除[μ+3σ，μ-3σ]以外的数据，其中，μ为均值，σ为标准差；
对经过剔除操作后的数据序列进行数据填补，数据填补的计算公式为：



其中，，为的导数，

；
将填补后的数据作为BP...

【专利技术属性】
技术研发人员：许国齐，王水明，李鹏飞，刘良才，刘建华，
申请(专利权)人：湖北中烟工业有限责任公司，湖北新业烟草薄片开发有限公司，
类型：发明
国别省市：湖北;42