干燥过程中目标对象含水率与干燥能耗预测方法和装置制造方法及图纸

本申请提供了一种干燥过程中目标对象含水率与干燥能耗预测方法和装置，其中，该方法包括：获取训练集数据和测试集数据；根据训练集数据建立初始预测模型；根据训练集数据对初始预测模型进行优化和训练，得到目标预测模型；根据目标预测模型和测试集数据，得到目标对象含水率和干燥能耗的预测结果。通过本申请，解决了相关技术中存在方法普适性较差、需要进行大量的实验和理论推导，操作繁琐且容易出现较大误差，无法同时预测含水率和干燥能耗的问题。的问题。的问题。

【技术实现步骤摘要】
干燥过程中目标对象含水率与干燥能耗预测方法和装置


[0001]本专利技术涉及干燥加工
，尤其涉及一种干燥过程中目标对象含水率与干燥能耗预测方法和装置。

技术介绍

[0002]干燥过程中水分含量与能耗的监测与控制对物料的加工生产具有重大意义。近年来，在研究物料微波干燥过程中发现物料的含水率及单位能耗变化都存在非线性强耦合的现象，以被测样品干燥特性的研究结果为基础，依靠神经网络的非线性、自学习、自适应等优势，将神经网络与先进干燥技术相结合，在干燥过程中准确预测物料的水分含量和单位能耗值，为提高物料的干燥加工品质提供有力保障。
[0003]当前，有三种方法针对干燥过程中对物料含水率和能耗进行预测，第一种方法，经验和半经验干燥模型预测方法。该方法属于干燥特性曲线拟合方法，普适性较差，需要大量的干燥实验和理论推导，分析干燥失水曲线的变化趋势。第二种方法，直接或间接检测方法。在物质干燥过程中测定水分含量，但当干燥到一定程度时大部分样品导电性能减弱，导致测量点含水率会出现较大误差，因此该方法操作繁琐且容易出现较大误差。第三种方法，通过神经网络或支持向量机等智能信息处理方法建立干燥过程水分预测模型，但现有技术中尚未发现能够同时预测含水率和干燥能耗的方法。
[0004]因此，现有技术中存在方法普适性较差、需要进行大量的实验和理论推导，操作繁琐且容易出现较大误差，无法同时预测含水率和干燥能耗的问题。

技术实现思路

[0005]本申请提供了一种干燥过程中目标对象含水率与干燥能耗预测方法和装置，以至少解决相关技术中存在方法普适性较差、需要进行大量的实验和理论推导，操作繁琐且容易出现较大误差，无法同时预测含水率和干燥能耗的问题。
[0006]根据本申请实施例的一个方面，提供了一种干燥过程中目标对象含水率与干燥能耗预测方法，该方法包括：
[0007]获取训练集数据和测试集数据；
[0008]根据所述训练集数据建立初始预测模型；
[0009]根据所述训练集数据对所述初始预测模型进行优化和训练，得到目标预测模型；
[0010]根据所述目标预测模型和所述测试集数据，得到目标对象含水率和干燥能耗的预测结果。
[0011]根据本申请实施例的另一个方面，还提供了一种干燥过程中目标对象含水率与干燥能耗预测装置，该装置包括：
[0012]第一获取模块，用于获取训练集数据和测试集数据；
[0013]建立模块，用于根据所述训练集数据建立初始预测模型；
[0014]第一得到模块，用于根据所述训练集数据对所述初始预测模型进行优化和训练，
得到目标预测模型；
[0015]第二得到模块，用于根据所述目标预测模型和所述测试集数据，得到目标对象含水率和干燥能耗的预测结果。
[0016]根据本申请实施例的又一个方面，还提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器、通信接口和存储器通过通信总线完成相互间的通信；其中，存储器，用于存储计算机程序；处理器，用于通过运行所述存储器上所存储的所述计算机程序来执行上述任一实施例中的方法步骤。
[0017]根据本申请实施例的又一个方面，还提供了一种计算机可读的存储介质，该存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一实施例中的方法步骤。
[0018]在本申请实施例中，通过获取训练集数据和测试集数据；根据训练集数据建立初始预测模型；根据训练集数据对初始预测模型进行优化和训练，得到目标预测模型；根据目标预测模型和测试集数据，得到目标对象含水率和干燥能耗的预测结果。通过上述方法，利用训练集数据建立并训练神经网络，得到目标预测模型，再利用该目标预测模型根据测试集数据对目标对象含水率和干燥能耗进行预测，得到预测结果。该方法应用范围广，利用目标预测模型能够对含水率和干燥能耗同时进行预测，且方法简单，预测过程中无需进行试验和理论推导，实现了在对目标对象进行干燥处理过程中，对含水率和干燥能耗实时监测与评估。解决了相关技术中存在方法普适性较差、需要进行大量的实验和理论推导，操作繁琐且容易出现较大误差，无法同时预测含水率和干燥能耗的问题。
附图说明
[0019]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本专利技术的实施例，并与说明书一起用于解释本专利技术的原理。
[0020]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0021]图1是根据本申请实施例的一种可选的干燥过程中目标对象含水率与干燥能耗预测方法的流程示意图；
[0022]图2是根据本申请实施例的一种可选的目标对象干燥试验的设备示意图；
[0023]图3是根据本申请实施例的一种可选的基于改进BP神经网络的初始预测模型的结构图；
[0024]图4是根据本申请实施例的一种可选的隐含层节点自寻优算法流程图；
[0025]图5是根据本申请实施例的一种可选的训练集变频采样数据预处理流程图；
[0026]图6是根据本申请实施例的另一种可选的干燥过程中目标对象含水率与干燥能耗预测方法的流程示意图；
[0027]图7是根据本申请实施例的一种可选的干燥过程中目标对象含水率与干燥能耗预测装置的结构框图；
[0028]图8是根据本申请实施例的一种可选的电子设备的结构框图。
具体实施方式
[0029]为了使本
的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
[0030]需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0031]根据本申请实施例的一个方面，提供了一种干燥过程中目标对象含水率与干燥能耗预测方法，如图1所示，该方法的流程可以包括以下步骤：
[0032]步骤S101，获取训练集数据和测试集数据。
[0033]可选地，获取训练集数据和测试集数据，其中，训练集数据和测试数据可包括：对目标对象进行干燥过程中含水率、微波能耗(即干燥能耗)、干燥速率等特本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种干燥过程中目标对象含水率与干燥能耗预测方法，其特征在于，所述方法包括：获取训练集数据和测试集数据；根据所述训练集数据建立初始预测模型；根据所述训练集数据对所述初始预测模型进行优化和训练，得到目标预测模型；根据所述目标预测模型和所述测试集数据，得到目标对象含水率和干燥能耗的预测结果。2.根据权利要求1所述的方法，其特征在于，在所述获取训练集数据和测试集数据之前，所述方法还包括：获取目标对象干燥试验的试验数据；根据所述试验数据，计算所述试验数据中不同特征之间的相关性系数；根据所述相关性系数，确定输入变量和输出变量，其中，所述输入变量和所述输出变量用于得到所述训练集数据和所述测试集数据。3.根据权利要求2所述的方法，其特征在于，所述根据所述训练集数据建立初始预测模型，包括：根据所述训练集数据中的所述输入变量和所述输出变量，确定所述初始预测模型的输入层神经元数值和输出层神经元数值；根据所述输入层神经元数值、所述输出层神经元数值以及第一预设公式，得到隐含层神经元数值的取值范围；从所述取值范围内选取出目标隐含层神经元数值；调整所述初始预测模型的初始训练函数和初始传递函数组合，分别得到目标训练函数和目标传递函数组合；根据所述输入层神经元数值、输出层神经元数值、目标隐含层节点数量、目标训练函数以及目标传递函数组合，建立所述初始预测模型。4.根据权利要求3所述的方法，其特征在于，所述从所述取值范围内选取出目标隐含层神经元数值，包括：确定训练误差阈值；根据预设循环语句构建嵌套神经网络；从所述取值范围获取第一预设数量个数值作为所述隐含层神经元数值，并获取每个所述隐含层神经元数值对应的所述嵌套神经网络的第一训练误差；将小于所述训练误差阈值的所述第一训练误差对应的所述隐含层神经元数值作为所述目标隐含层神经元数值。5.根据权利要求3所述的方法，其特征在于，所述调整所述初始预测模型的初始训练函数和初始传递函数组合，分别得到目标训练函数和目标传递函数组合，包括：获取第二预设数量个初始训练函数；获取每个所述初始训练函数对应的所述初始预测模型的第二训练误差和训练迭代次数；将使所述第二训练误差和所述训练迭代次数均最小的所述初始训练函数作为所述目标训练函数；获取第三预设数量个所述初始传递函数组合；
获取每个所述初始传递函数组合对应的所述初始预测模型的第三训练误差；将使所述第三训练误差最小的所述初始传递函数组合作为所述目标传递函数组合。6.根据权利要求1所述的方法，其特征在于，所述根据所述训练集数据对所述初始预测模型进行优化和训练，得到目标预测模型，包括：初始化所述初始预测模型的权值和阈值；根据所述权值、所述阈值以及预设优化算法，对所述初始预测模型进行优化，得到目标权值和目标阈值；将所述初始预测模型的权值更新为所述目标权值，将所述初始预测模型的阈值更新为所述目标阈值，得到更新后的初始预测模型；根据所述训练集数据对所述更新后的初始...

【专利技术属性】
技术研发人员：凌菁，吴庭，向丹，刘世安，封斌，
申请(专利权)人：广州航海学院，
类型：发明
国别省市：