CN110673490A - 烘丝干尾过程的长期预测建模及优化设定控制方法 - Google Patents

烘丝干尾过程的长期预测建模及优化设定控制方法 Download PDF

Info

Publication number
CN110673490A
CN110673490A CN201911083452.XA CN201911083452A CN110673490A CN 110673490 A CN110673490 A CN 110673490A CN 201911083452 A CN201911083452 A CN 201911083452A CN 110673490 A CN110673490 A CN 110673490A
Authority
CN
China
Prior art keywords
tail
cut tobacco
drying
arx model
drying process
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201911083452.XA
Other languages
English (en)
Other versions
CN110673490B (zh
Inventor
周锋
朱培栋
于佳琪
郭文明
左毅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changsha University
Original Assignee
Changsha University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Changsha University filed Critical Changsha University
Priority to CN201911083452.XA priority Critical patent/CN110673490B/zh
Publication of CN110673490A publication Critical patent/CN110673490A/zh
Application granted granted Critical
Publication of CN110673490B publication Critical patent/CN110673490B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Manufacture Of Tobacco Products (AREA)
  • Drying Of Solid Materials (AREA)

Abstract

本发明公开了一种烘丝干尾过程的长期预测建模及优化设定控制方法。该方法从烟草烘丝干尾过程的生产要求出发，建立了以模型多步向前预测输出和不同工况下多段实际数据的拟合度为优化目标的干尾过程长期预测MQ‑ARX模型。并基于优化出的MQ‑ARX模型，设计了在控制量设定曲线输入情况下，可使MQ‑ARX模型预测的干尾过程烟丝出***水率与其设定值之间的误差最小的优化设定控制方法。该方法可使烟丝干尾过程中的出口烟丝水分尽可能稳定在设定值上。

Description

烘丝干尾过程的长期预测建模及优化设定控制方法
技术领域
本发明涉及烘丝机烘丝加工工序的建模和控制技术领域，尤其涉及一种针对烘丝机烟草烘丝干尾过程的建模和控制方法。
背景技术
烘丝过程是卷烟制丝工艺中的最重要工序之一，根据工艺要求，整个烘丝过程可分为三个阶段：干头段，中间段和干尾段。当检测到入口烟丝流量时，烘丝干头过程开始，当检测到的出口烟丝含水率基本稳定在设定值时，烘丝干头过程结束。然后，进入一段相对较长的烘丝中间过程。当入口烟丝流量由正常值变为零时，标志着烘丝干尾过程开始，直到烟丝排出机体时，整个烘丝过程结束。在烟丝干尾过程中，由于烟丝入口流量骤然减少，而烘丝机滚筒具有较大热容，筒壁内部温度难以按规定的速率下降等问题，极易造成干尾过程出口水分控制性能低且干料多。
在烟草烘丝干尾过程中，烟丝断流之后，***检测不到入口烟丝流量和入口烟丝含水率，但此时依然有出口烟丝含水率检测值。因此，无法采用机理建模方法建立烘丝干尾过程的精确数学模型。此外，由于入口烟丝流量骤然减少，而烘丝机滚筒具有较大热容，筒壁内部温度难以按规定的速率下降等问题，也极易造成干尾过程出口水分控制性能低且干料多。目前，已有技术主要采用基于数据驱动的辨识模型来建立该过程的数学模型。专利“201210376264.8”提出了一种“基于模型预测的烘丝机出口水分控制方法”，该方法采用一种基于高斯基函数的状态相依模型来描述烘丝过程的干尾过程。专利“201310659839.1”提出了“一种烘丝机头尾段工艺变量优化控制方法”，该方法采用一种基于三次函数的状态相依模型来描述烘丝过程的干尾过程。但上述方法均为基于某一次烟草烘丝过程的运行检测数据建立的干尾过程一步向前预测模型，其均是基于辨识出的一步向前预测模型设计的干尾过程设定控制方法。而在实际的烟草烘丝过程中，出口烟丝含水率极易受到外界气温、湿度和工况条件等的影响。考虑到实际烘丝干尾过程的特殊性，如何充分利用不同工况下采集的多段输入输出数据来建立干尾过程的长期预测模型，并基于该长期预测模型进行控制器设计仍是亟待解决的关键技术难题。
发明内容
本发明所要解决的技术问题是，针对现有技术的不足，提供一种烘丝干尾过程的长期预测建模及优化设定控制方法。该方法设计了以MQ-ARX模型多步向前预测输出和实际数据集的拟合度为优化目标的参数优化方法；并基于优化出的MQ-ARX模型，设计了在控制量设定曲线输入情况下，可使MQ-ARX模型预测的干尾过程烟丝出***水率与其设定值之间的误差最小的优化设定控制方法。
为解决上述技术问题，本发明所采用的技术方案是：一种烘丝干尾过程的长期预测建模及优化设定控制方法，包括以下步骤：
1)建立用于对烟草烘丝干尾过程进行预测的MQ-ARX模型结构为：
Figure BDA0002264651830000021
上式中，yt为烘丝干尾过程t时刻的出口烟丝含水率，为烘丝干尾过程t时刻的排潮风门开度，
Figure BDA0002264651830000023
为t时刻的滚筒筒温，
Figure BDA0002264651830000024
为t时刻的滚筒旋转频率，
Figure BDA0002264651830000025
为t时刻的入口烟丝流量，
Figure BDA0002264651830000026
为t时刻的入口烟丝含水率，ξt为t时刻的建模误差；xt-1为MQ-ARX模型的状态量，且
Figure BDA0002264651830000027
φ0(xt-1)和
Figure BDA0002264651830000028
均为关于xt-1的多二次(Multi-Quadratic，MQ)函数型系数，且具体结构为：
Figure BDA0002264651830000029
Figure BDA00022646518300000211
上式中，
Figure BDA00022646518300000212
为MQ-ARX模型的非线性参数集；
Figure BDA00022646518300000213
为MQ-ARX模型的线性参数集。
2)在不同工况下以采样周期2秒分别采集总共M组烘丝干尾过程数据集，具体的第q组数据集包括：排潮风门开度的数据集
Figure BDA00022646518300000214
滚筒筒温的数据集
Figure BDA00022646518300000215
滚筒旋转频率的数据集
Figure BDA00022646518300000216
入口烟丝流量的数据集
Figure BDA00022646518300000217
入口烟丝含水率的数据集
Figure BDA0002264651830000031
出口烟丝含水率的数据集
Figure BDA0002264651830000032
其中n为干尾过程数据长度，且q＝1,2...,M。
3)建立烘丝干尾过程基于第q组数据集和MQ-ARX模型的第p步向前预测输出
Figure BDA0002264651830000033
具体结构如下：
Figure BDA0002264651830000034
上式中，
Figure BDA0002264651830000035
Figure BDA0002264651830000036
4)对建立的干尾过程MQ-ARX模型中的参数集θL和θN进行优化，具体方法如下：
定义以MQ-ARX模型多步向前预测输出和实际数据集的拟合度为优化目标的目标函数如下：
Figure BDA0002264651830000037
上式中，
Figure BDA0002264651830000038
为第q组烘丝干尾过程采样数据集对应的MQ-ARX模型多步向前预测的建模误差向量，且τ＝4，n为干尾过程数据集的长度。然后，采用梯度下降法求解如下非线性优化问题：
Figure BDA0002264651830000039
上述梯度下降法优化过程的终止条件为：且ε＝0.0001。当满足终止条件时，可得到烘丝干尾过程MQ-ARX模型的参数
Figure BDA00022646518300000311
和
Figure BDA00022646518300000312
5)设计用于拟合烘丝干尾过程的控制量：排潮风门开度
Figure BDA00022646518300000313
滚筒筒温
Figure BDA00022646518300000314
和滚筒旋转频率
Figure BDA00022646518300000315
的设定曲线结构如下：
Figure BDA0002264651830000041
其中，f1(t)、f2(t)和f3(t)分别为控制量
Figure BDA0002264651830000042
和的设定曲线；
Figure BDA0002264651830000044
分别为设定曲线fg(t)中的待优化参数集，并定义
Figure BDA0002264651830000045
6)优化排潮风门开度
Figure BDA0002264651830000046
滚筒筒温和滚筒旋转频率
Figure BDA0002264651830000048
的最优设定曲线f1(t)、f2(t)和f3(t)的参数集θx，具体优化方法如下：
(1)将设定曲线f1(t)、f2(t)和f3(t)代入已建立的干尾过程MQ-ARX模型，可得在该输入曲线情况下的MQ-ARX模型的预测输出为：
Figure BDA0002264651830000049
则基于采集的第q组烘丝干尾过程数据序列，得到的相应MQ-ARX模型的预测输出为：
Figure BDA00022646518300000420
(2)定义优化参数集θx的目标函数如下：
上式中，
Figure BDA00022646518300000411
yr为烘丝干尾过程的出口烟丝含水率设定值，
Figure BDA00022646518300000412
是基于采集的第q组烘丝干尾过程数据序列，在第τ时刻的基于MQ-ARX模型的预测输出。
(3)采用梯度下降法求解如下非线性优化问题：
Figure BDA00022646518300000413
上述梯度下降法优化过程的终止条件为：
Figure BDA00022646518300000414
且
Figure BDA00022646518300000415
当满足终止条件时，可得到此时f1(t)，f2(t)和f3(t)中具体的参数集
Figure BDA00022646518300000416
最终，得到烘丝干尾过程的排潮风门开度
Figure BDA00022646518300000417
滚筒筒温和滚筒旋转频率最优设定曲线。在实际控制中，通过将烘丝干尾过程的排潮风门开度、滚筒筒温和滚筒旋转频率设置成优化出的设定曲线，可最大限度的使干尾过程中的出口烟丝水分稳定在设定值上，有效避免了出口烟丝水分的过早下降，可大大减少烘丝干尾过程中的“干烟丝”的量。
与现有技术相比，本发明所具有的有益效果为：本专利采用MQ-ARX建模方法建立了以模型多步向前预测输出和不同工况下多段实际数据的拟合度为优化目标的干尾过程高精度长期预测模型。并基于优化出的MQ-ARX模型，设计了在控制量设定曲线输入情况下，可使MQ-ARX模型预测的干尾过程烟丝出***水率与其设定值之间的误差最小的优化设定控制方法。该方法在烘丝干尾过程前期，可尽量使烟丝水分稳定在设定值上，有效避免了烟丝出***水率的过早下降，可显著减少干尾部分“干烟丝”的量。
附图说明
图1为本发明针对的烟草烘丝干尾过程工艺示意图。
具体实施方式
本发明所针对的烘丝机烘丝干尾过程工艺示意图如图1所示，需要烘丝加工的烟丝经传送带进入滚筒，经烘烤后传出滚筒。图1中，1为排潮风门开度检测点；2为滚筒筒温检测点；3为滚筒旋转频率检测点；4为入口烟丝流量检测点；5为入口烟丝含水率检测点；6为出口烟丝含水率检测点。
针对图1所示烘丝干尾过程，本发明所述烘丝干尾过程的长期预测建模及优化设定控制方法的具体实施方式如下：
步骤1：建立用于对烟草烘丝干尾过程进行预测的MQ-ARX模型结构为：
Figure BDA0002264651830000051
上式中，yt为烘丝干尾过程t时刻的出口烟丝含水率，
Figure BDA0002264651830000052
为烘丝干尾过程t时刻的排潮风门开度，为t时刻的滚筒筒温，
Figure BDA0002264651830000054
为t时刻的滚筒旋转频率，
Figure BDA0002264651830000055
为t时刻的入口烟丝流量，为t时刻的入口烟丝含水率，ξt为t时刻的建模误差；xt-1为MQ-ARX模型的状态量，且
Figure BDA0002264651830000057
φ0(xt-1)和
Figure BDA0002264651830000058
均为关于xt-1的多二次(Multi-Quadratic，MQ)函数型系数，且具体结构如下：
Figure BDA0002264651830000061
上式中，
Figure BDA0002264651830000062
为MQ-ARX模型的非线性参数集；
Figure BDA0002264651830000063
为MQ-ARX模型的线性参数集。
步骤2：在不同工况下以采样周期2秒分别采集总共M＝15组烘丝干尾过程数据集，具体的第q组数据集包括：排潮风门开度的数据集
Figure BDA0002264651830000064
滚筒筒温的数据集
Figure BDA0002264651830000065
滚筒旋转频率的数据集
Figure BDA0002264651830000066
入口烟丝流量的数据集
Figure BDA0002264651830000067
入口烟丝含水率的数据集
Figure BDA0002264651830000068
出口烟丝含水率的数据集
Figure BDA0002264651830000069
其中n＝900为干尾过程数据长度，且q＝1,2...,15。
步骤3：建立烘丝干尾过程基于第q组数据集和MQ-ARX模型的第p步向前预测输出
Figure BDA00022646518300000610
具体结构如下：
Figure BDA00022646518300000611
上式中，且p>3。
步骤4：对建立的干尾过程MQ-ARX模型中的参数集θL和θN进行优化，具体方法如下：
定义以MQ-ARX模型多步向前预测输出和实际数据集的拟合度为优化目标的目标函数如下：
Figure BDA0002264651830000073
上式中，
Figure BDA0002264651830000074
为第q组烘丝干尾过程采样数据集对应的MQ-ARX模型多步向前预测的建模误差向量，且τ＝4，n＝900为干尾过程数据集的长度。然后，采用梯度下降法求解如下非线性优化问题：
Figure BDA0002264651830000075
上述梯度下降法优化过程的终止条件为：
Figure BDA0002264651830000076
且ε＝0.0001。当满足终止条件时，可得到烘丝干尾过程MQ-ARX模型的参数
Figure BDA0002264651830000077
和
Figure BDA0002264651830000078
步骤5：设计用于拟合烘丝干尾过程的控制量：排潮风门开度
Figure BDA0002264651830000079
滚筒筒温
Figure BDA00022646518300000710
和滚筒旋转频率
Figure BDA00022646518300000711
的设定曲线结构如下：
Figure BDA00022646518300000712
其中，f1(t)、f2(t)和f3(t)分别为控制量
Figure BDA0002264651830000081
和
Figure BDA0002264651830000082
的设定曲线；
Figure BDA0002264651830000083
分别为设定曲线fg(t)中的待优化参数集，并定义
Figure BDA0002264651830000084
步骤6：优化排潮风门开度
Figure BDA0002264651830000085
滚筒筒温和滚筒旋转频率的设定曲线f1(t)、f2(t)和f3(t)的参数集θx，具体优化方法如下：
Step1:将设定曲线f1(t)、f2(t)和f3(t)代入已建立的干尾过程MQ-ARX模型，可得在该输入曲线情况下的MQ-ARX模型的预测输出为：
Figure BDA0002264651830000088
则基于采集的第q组烘丝干尾过程数据序列，得到的相应MQ-ARX模型的预测输出为：
Figure BDA0002264651830000089
Step2:定义优化参数集θx的目标函数如下：
Figure BDA00022646518300000810
上式中，yr为烘丝干尾过程的出口烟丝含水率设定值，
Figure BDA00022646518300000812
是基于采集的第q组烘丝干尾过程数据序列，在第τ时刻的基于MQ-ARX模型的预测输出。
Step3:采用梯度下降法求解如下非线性优化问题：
Figure BDA00022646518300000813
上述梯度下降法优化过程的终止条件为：
Figure BDA00022646518300000814
且
Figure BDA00022646518300000815
当满足终止条件时，可得到此时f1(t)，f2(t)和f3(t)中具体的参数集
Figure BDA00022646518300000816
最终，可得到烘丝干尾过程的排潮风门开度
Figure BDA00022646518300000817
滚筒筒温
Figure BDA00022646518300000818
和滚筒旋转频率
Figure BDA00022646518300000819
最优设定曲线。在实际控制中，通过将烘丝干尾过程的排潮风门开度、滚筒筒温和滚筒旋转频率设置成优化出的设定曲线，使干尾过程中的出口烟丝水分尽可能稳定在设定值上。

Claims (2)

1.一种烘丝干尾过程的长期预测建模及优化设定控制方法，其特征在于，包括以下步骤：
1)建立如下结构MQ-ARX模型用于对烟草烘丝干尾过程进行预测：
上式中，yt为烘丝干尾过程t时刻的出口烟丝含水率，为烘丝干尾过程t时刻的排潮风门开度，
Figure FDA0002264651820000013
为t时刻的滚筒筒温，为t时刻的滚筒旋转频率，
Figure FDA0002264651820000015
为t时刻的入口烟丝流量，
Figure FDA0002264651820000016
为t时刻的入口烟丝含水率，ξt为t时刻的建模误差；xt-1为MQ-ARX模型的状态量，且
Figure FDA0002264651820000017
φ0(xt-1)和
Figure FDA0002264651820000018
均为关于xt-1的多二次(Multi-Quadratic，MQ)函数型系数，且具体结构为：
Figure FDA0002264651820000019
Figure FDA00022646518200000110
Figure FDA00022646518200000111
Figure FDA00022646518200000112
上式中，为MQ-ARX模型的非线性参数集；
Figure FDA00022646518200000114
为MQ-ARX模型的线性参数集。
2)在不同工况下以采样周期2秒分别采集总共M组烘丝干尾过程数据集，具体的第q组数据集包括：排潮风门开度的数据集
Figure FDA00022646518200000115
滚筒筒温的数据集
Figure FDA00022646518200000116
滚筒旋转频率的数据集
Figure FDA00022646518200000117
入口烟丝流量的数据集
Figure FDA0002264651820000021
入口烟丝含水率的数据集
Figure FDA0002264651820000022
出口烟丝含水率的数据集
Figure FDA0002264651820000023
其中n为干尾过程数据长度，且q＝1,2...,M。
3)建立烘丝干尾过程基于第q组数据集和MQ-ARX模型的第p步向前预测输出
Figure FDA0002264651820000024
具体结构如下：
上式中，
Figure FDA0002264651820000026
Figure FDA0002264651820000027
Figure FDA0002264651820000028
Figure FDA0002264651820000029
Figure FDA00022646518200000210
Figure FDA00022646518200000211
且p>3。
4)对建立的干尾过程MQ-ARX模型中的参数集θL和θN进行优化。首先，定义以MQ-ARX模型多步向前预测输出和实际数据集的拟合度为优化目标的目标函数：
Figure FDA00022646518200000213
其中，
Figure FDA00022646518200000214
为第q组烘丝干尾过程采样数据集对应的MQ-ARX模型多步向前预测的建模误差向量，且τ＝4，n为干尾过程数据集的长度。然后，采用梯度下降法求解非线性优化问题：
Figure FDA00022646518200000215
该通过梯度下降法优化求解过程的终止条件为：
Figure FDA00022646518200000216
且ε＝0.0001。当满足终止条件时，可得到烘丝干尾过程MQ-ARX模型的参数
Figure FDA00022646518200000217
和
Figure FDA00022646518200000218
5)设计用于拟合烘丝干尾过程的控制量：排潮风门开度
Figure FDA0002264651820000031
滚筒筒温
Figure FDA0002264651820000032
和滚筒旋转频率
Figure FDA0002264651820000033
的设定曲线结构如下：
Figure FDA0002264651820000034
上式中，f1(t)、f2(t)和f3(t)分别为控制量
Figure FDA0002264651820000035
和
Figure FDA0002264651820000036
的设定曲线；
Figure FDA0002264651820000037
分别为设定曲线fg(t)中的待优化参数集，并定义
Figure FDA0002264651820000038
6)优化排潮风门开度
Figure FDA0002264651820000039
滚筒筒温
Figure FDA00022646518200000310
和滚筒旋转频率
Figure FDA00022646518200000311
的最优设定曲线f1(t)、f2(t)和f3(t)的参数集θx。
2.根据权利要求1所述的烘丝干尾过程的长期预测建模及优化设定控制方法，其特征在于，步骤6)中，用于优化排潮风门开度
Figure FDA00022646518200000312
滚筒筒温
Figure FDA00022646518200000313
和滚筒旋转频率
Figure FDA00022646518200000314
的最优设定曲线f1(t)、f2(t)和f3(t)的参数集θx的具体方法如下：
(1)将设定曲线f1(t)、f2(t)和f3(t)代入已建立的步骤1)中干尾过程MQ-ARX模型，可得在该输入曲线情况下的MQ-ARX模型的预测输出为：
Figure FDA00022646518200000315
则基于采集的第q组烘丝干尾过程数据序列，得到的相应MQ-ARX模型的预测输出为：
Figure FDA00022646518200000316
(2)定义优化参数集θx的目标函数：
Figure FDA00022646518200000317
其中，
Figure FDA00022646518200000318
yr为烘丝干尾过程的出口烟丝含水率设定值，
Figure FDA00022646518200000319
是基于采集的第q组烘丝干尾过程数据序列，在第τ时刻的基于MQ-ARX模型的预测输出。
(3)采用梯度下降法求解如下非线性优化问题：
Figure FDA00022646518200000320
该梯度下降法优化过程的终止条件为：
Figure FDA00022646518200000321
且
Figure FDA00022646518200000322
当满足终止条件时，可得到此时f1(t)，f2(t)和f3(t)中具体的参数集
Figure FDA00022646518200000323
CN201911083452.XA 2019-11-07 2019-11-07 烘丝干尾过程的长期预测建模及优化设定控制方法 Active CN110673490B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911083452.XA CN110673490B (zh) 2019-11-07 2019-11-07 烘丝干尾过程的长期预测建模及优化设定控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911083452.XA CN110673490B (zh) 2019-11-07 2019-11-07 烘丝干尾过程的长期预测建模及优化设定控制方法

Publications (2)

Publication Number Publication Date
CN110673490A true CN110673490A (zh) 2020-01-10
CN110673490B CN110673490B (zh) 2022-04-15

Family

ID=69086365

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911083452.XA Active CN110673490B (zh) 2019-11-07 2019-11-07 烘丝干尾过程的长期预测建模及优化设定控制方法

Country Status (1)

Country Link
CN (1) CN110673490B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103610227A (zh) * 2013-12-09 2014-03-05 中南大学 一种烘丝机头尾段工艺变量优化控制方法
CN110109344A (zh) * 2019-05-20 2019-08-09 长沙学院 一种滚筒式烘丝机烘丝中间过程控制方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103610227A (zh) * 2013-12-09 2014-03-05 中南大学 一种烘丝机头尾段工艺变量优化控制方法
CN110109344A (zh) * 2019-05-20 2019-08-09 长沙学院 一种滚筒式烘丝机烘丝中间过程控制方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
FENG ZHOU等: "Cubic-RBF-ARX modeling and model-based optimal setting control in head and tail stages of cut tobacco drying process", 《NEURAL COMPUTING AND APPLICATIONS》 *
XIAOYING TIAN等: "A synthesis approach of fast robust MPC with RBF-ARX model to nonlinear system with uncertain steady status information", 《APPLIED INTELLIGENCE 》 *
王小飞等: "基于RBF-ARX模型的烘丝机出***水率优化控制方法", 《烟草科技》 *
甘敏等: "不同基函数对RBF-ARX模型的影响", 《中南大学学报(自然科学版)》 *
胡宇航等: "烘丝过程出口水分控制数据分析方法应用研究", 《电脑与信息技术》 *

Also Published As

Publication number Publication date
CN110673490B (zh) 2022-04-15

Similar Documents

Publication Publication Date Title
CN103610227B (zh) 一种烘丝机头尾段工艺变量优化控制方法
CN101356992B (zh) 顺流式烘丝机出口烟丝水分控制方法
CN111045326B (zh) 一种基于递归神经网络的烘丝过程水分预测控制方法及***
CN102871214B (zh) 基于模型预测的烘丝机出口水分控制方法
CN103082390B (zh) 一种滚筒式烘丝机三级调节的控制方法
CN106773657B (zh) 一种滚筒干燥非稳态加工过程头料和尾料阶段的调控优化方法
CN102488308A (zh) 烘丝机水分先进协调控制***
CN112790418B (zh) 一种叶丝超级回潮的加水控制方法及***
CN110826229B (zh) 基于长期预测的烘丝干头过程建模和优化设定控制方法
CN101480271B (zh) 一种对烟丝进行滚筒式干燥精确性加工的方法及其装置
CN110673490B (zh) 烘丝干尾过程的长期预测建模及优化设定控制方法
CN114403487B (zh) 一种松散回潮的加水控制方法
CN111414029A (zh) 一种基于pid温度分级控制方法
CN113566557B (zh) 一种基于深度神经网络的粮食干燥机智能控制方法
CN111728253B (zh) 一种烟草气流干燥强度的控制方法及***
CN106072745B (zh) 卸料罩负压稳定控制方法和***、滚筒烘丝机
CN116076765A (zh) 一种基于传递函数的烘丝机出口水分预测方法
CN105595395A (zh) 一种薄板烘丝机脱水量的计算方法
CN112471572B (zh) 烟草隧道式增温设备加工强度一致性的控制方法及***
CN110580326B (zh) 烘丝机烟草烘丝中间过程的建模方法
CN105941616B (zh) 一种真空粮食烘干机及烘干方法
CN113925190B (zh) 一种烘丝机水分调节的控制方法
CN114747794B (zh) 基于累计和策略的梗丝干燥机出***水率控制方法
CN110558598B (zh) 基于数据驱动的烟草烘丝干头过程fnn-arx建模方法
CN110506790A (zh) 一种基于微波检测的谷物干燥方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant