【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 ...
【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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。