【技术实现步骤摘要】
本专利技术涉及一种润叶机出口含水率预测方法，尤其涉及一种基于深度学习和信号分解结合的润叶含水率预测方法。
技术介绍
1、润叶机是打叶复烤线的关键设备，主要对烟叶进行润化增湿、加料加温，使其满足下一道打叶工序的加工要求。由于加水控制系统入口烟叶流量及其含水率的随机性以及润叶过程的不确定性，导致出口润后烟叶含水率波动大，偏离工艺要求范围，影响烟叶烘烤质量；此外润叶需要一定的时间，当检测到的润后烟叶含水率偏大或偏小时，再调节时已经滞后。在二次润叶过程中，及时掌握当前的含水率数据有助于判断样品的质量，并能有针对性地采取相应措施，进一步提升样品质量。
2、然而，由于缺乏可靠在线检测仪器，目前出口含水率主要依赖工程人员定期离线化验(每30min采样一次)，这导致检测结果具有一定的滞后性，无法及时反馈给操作人员，从而影响了生产工况的稳定性，增加了能耗和物耗损失。因此，有必要建立准确的润叶机出口含水率预测模型，以实现含水率即时反馈和更稳定的生产工况。
技术实现思路
1、为解决现有技术中存在的不足，本专利技术的目的在于，提供一种基于深度学习和信号分解结合的润叶含水率预测方法。
2、为实现本专利技术的目的，本专利技术所采用的技术方案是：
3、一种基于深度学习和信号分解结合的润叶含水率预测方法，包括步骤：
4、(1)确定含水率预测模型的输入变量和输出变量；
5、(2)构建基于vmd的并行cgru-gru润叶机出口含水率预测模型；
6
7、(4)利用训练好的出口含水率预测模型进行实时出口含水率预测。
8、进一步地，步骤(1)中，确定含水率预测模型的输入变量和输出变量，具体为，利用relieff算法从多源数据中筛选出与含水率最相关的特征x和历史含水率数据作为模型的初始输入变量，以润叶机出口含水率作为模型的输出变量y。
9、对变量数据进行归一化等预处理。对预处理后的数据根据批次划分训练集和测试集。之后以时间间隔τ为样本选取间隔长度，以滑窗方式选取集合，对预测含水率yt+1，输入数据为xt,xt-1,...,xt-τ-1,yt,yt-1,...,yt-τ-1，其中，x是选取的最优的m个过程变量时间序列数据，y是指含水率数据，n是采集数据样本个数，t是当前时刻，指实数集合。
10、进一步地，步骤(2)中，构建基于vmd的并行cgru-gru润叶机出口含水率预测模型，具体为，利用时间注意力机制对输入变量赋予动态权重，通过卷积神经网络cnn对输入数据进行处理并提取有效特征作为门控循环单元gru的输入，用于捕捉输入数据的长期时序依赖特征；同时，另外构建一个并行gru，使用vmd对历史含水率数据进行分解作为gru的输入，用于捕捉与含水率相关的非线性动态特征；最后，使用拼接层concatenate将两个并行特征信息融合为深层时空表征，并输入到全连接层网络中实现出口含水率的预测。
11、进一步地，时间注意力机制针对不同的输入变量赋予各个时刻的隐含状态不同的注意力权重ai，并计算加权和，则时间注意力的输出时序特征o可以表示为：
12、o＝xe a
13、其中，代表输入t时刻的数据信息，τ为时间序列长度，m为特征向量维度，其中e代表哈达玛乘积；
14、cnn用于提取局部有效特征如下：
15、hk＝relu(o*wk+bk)
16、其中，hk是卷积运算输出的有效特征，wk是一维卷积核，bk是偏置，relu是激活函数。
17、进一步地，gru通过基于输入数据和先前的隐藏状态来更新隐藏状态，从而捕捉输入数据的长期时序依赖特征；gru神经元包括：两个输入，分别为上一时刻的神经元输出ht-1与上一层神经元输出hk；两个门，分别是更新门zt和重置门rt；
18、一个状态，即t时刻神经元的内部状态，表达为：
19、
20、式中，w，u分别代表循环权重和输入权重，是候选隐藏状态；
21、一个输出，即gru输出特征，即：
22、
23、其中，ht是时间t的隐藏状态；ht-1是前一个时间步骤的隐藏状态。
24、进一步地，vmd通过迭代搜寻变分模型将原始时间序列f(t)分解为不同的具有有限带宽的分量uk(t)，对应的中心频率为ωt；出口含水率数据vmd由下式表示：
25、
26、式中，表示求偏导；δ(t)为dirac分布函数；*表示卷积运算；k为分量总数；f(t)为原始的出口含水率。
27、进一步地，并联gru挖掘质量变量之间的自相关特性，将vmd分解过后一定时期的过去采样瞬间的滞后质量变量数据其中yt＝[u1t,k,ukt]，k为vmd分解个数，引入模型作为并联gru的输入，输出动态特征hy。
28、进一步地，通过拼接层将cnn-gru对x提取的特征ht和gru对y提取的特征hy相结合，得到最终的深层时空表征h：
29、
30、进一步地，全连接层网络将前一层的输出作为当前层的输入通过权重和偏置进行线性变换，并通过非线性激活函数进行处理，计算出当前层的输出，如下公式：
31、y＝f(wh+b)
32、其中，y是输出出口含水率，w是权重矩阵，b是偏置向量，f是relu激活函数。
33、进一步地，步骤(3)中，还包括，构建数据采集模块和数据预处理模块，用于采集润叶机相关数据，并进行数据预处理，得到原始数据集；将原始数据集划分为训练集和测试集。
34、本专利技术的有益效果在于，与现有技术相比，本专利技术针对目前二次润叶出口含水率使用人员定期离线化验手段检测的周期长，导致检测结果具有一定的滞后性，无法及时反馈给操作人员的问题，建立基于vmd的并行cgru-gru润叶机出口含水率软测量模型，实现了含水率实时检测及趋势预测。
35、本专利技术针对传统神经网络，出口含水率检测精度低，实时性差的问题，提出的基于vmd的并行cgru-gru网络具有很好的逼近能力，检测精度高，速度快。
36、本专利技术方法能够实现准确可靠的含水率预测，为操作人员提供有效的决策参考，满足工业生产的需求，并有助于提升复烤过程的智能化水平。
本文档来自技高网...【技术保护点】
1.一种基于深度学习和信号分解结合的润叶含水率预测方法，其特征在于，包括步骤：
2.根据权利要求1所述的基于深度学习和信号分解结合的润叶含水率预测方法，其特征在于，步骤(1)中，确定含水率预测模型的输入变量和输出变量，具体为，利用ReliefF算法从多源数据中筛选出与含水率最相关的特征作为模型的初始输入变量X，以润叶机出口含水率作为模型的输出变量y。
3.根据权利要求1所述的基于深度学习和信号分解结合的润叶含水率预测方法，其特征在于，步骤(2)中，构建基于VMD的并行CGRU-GRU润叶机出口含水率预测模型，具体为，利用时间注意力机制对输入变量赋予动态权重，通过卷积神经网络CNN对输入数据进行处理并提取有效特征作为门控循环单元GRU的输入，用于捕捉输入数据的长期时序依赖特征；同时，另外构建一个并行GRU，使用VMD对历史含水率数据进行分解作为GRU的输入，用于捕捉与含水率相关的非线性动态特征；最后，使用拼接层Concatenate将两个并行特征信息融合为深层时空表征，并输入到全连接层网络中实现出口含水率的预测。
4.根据权利要求3所述的基于深度
5.根据权利要求3所述的基于深度学习和信号分解结合的润叶含水率预测方法，其特征在于，GRU通过基于输入数据和先前的隐藏状态来更新隐藏状态，从而捕捉输入数据的长期时序依赖特征；GRU神经元包括：两个输入，分别为上一时刻的神经元输出ht-1与上一层神经元输出Hk；两个门，分别是更新门zt和重置门rt；
6.根据权利要求3所述的基于深度学习和信号分解结合的润叶含水率预测方法，其特征在于，VMD通过迭代搜寻变分模型将原始时间序列f(t)分解为不同的具有有限带宽的分量uk(t)，对应的中心频率为ωt；出口含水率数据VMD由下式表示：
7.根据权利要求3所述的基于深度学习和信号分解结合的润叶含水率预测方法，其特征在于，并联GRU挖掘质量变量之间的自相关特性，将VMD分解过后一定时期的过去采样瞬间的滞后质量变量数据其中yt＝[u1t,K,ukt]，K为VMD分解个数，引入模型作为并联GRU的输入，输出动态特征hy。
8.根据权利要求3所述的基于深度学习和信号分解结合的润叶含水率预测方法，其特征在于，通过拼接层将CNN-GRU对X提取的特征ht和GRU对Y提取的特征hy相结合，得到最终的深层时空表征H：
9.根据权利要求3所述的基于深度学习和信号分解结合的润叶含水率预测方法，其特征在于，全连接层网络将前一层的输出作为当前层的输入通过权重和偏置进行线性变换，并通过非线性激活函数进行处理，计算出当前层的输出，如下公式：
10.根据权利要求1所述的基于深度学习和信号分解结合的润叶含水率预测方法，其特征在于，步骤(3)中，还包括，构建数据采集模块和数据预处理模块，用于采集润叶机相关数据，并进行数据预处理，得到原始数据集；将原始数据集划分为训练集和测试集。
...【技术特征摘要】
1.一种基于深度学习和信号分解结合的润叶含水率预测方法，其特征在于，包括步骤：
2.根据权利要求1所述的基于深度学习和信号分解结合的润叶含水率预测方法，其特征在于，步骤(1)中，确定含水率预测模型的输入变量和输出变量，具体为，利用relieff算法从多源数据中筛选出与含水率最相关的特征作为模型的初始输入变量x，以润叶机出口含水率作为模型的输出变量y。
3.根据权利要求1所述的基于深度学习和信号分解结合的润叶含水率预测方法，其特征在于，步骤(2)中，构建基于vmd的并行cgru-gru润叶机出口含水率预测模型，具体为，利用时间注意力机制对输入变量赋予动态权重，通过卷积神经网络cnn对输入数据进行处理并提取有效特征作为门控循环单元gru的输入，用于捕捉输入数据的长期时序依赖特征；同时，另外构建一个并行gru，使用vmd对历史含水率数据进行分解作为gru的输入，用于捕捉与含水率相关的非线性动态特征；最后，使用拼接层concatenate将两个并行特征信息融合为深层时空表征，并输入到全连接层网络中实现出口含水率的预测。
4.根据权利要求3所述的基于深度学习和信号分解结合的润叶含水率预测方法，其特征在于，时间注意力机制针对不同的输入变量赋予各个时刻的隐含状态不同的注意力权重ai，并计算加权和，则时间注意力的输出时序特征o可以表示为：
5.根据权利要求3所述的基于深度学习和信号分解结合的润叶含水率预测方法，其特征在于，gru通过基于输入数据和先前的隐藏状态来更新隐藏状态，从而捕捉输入数据的长期时...
【专利技术属性】
技术研发人员：张雷，李善莲，张二强，苏子淇，任国峰，徐大勇，姚思愚，堵劲松，李银华，
申请(专利权)人：郑州轻工业大学，
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。