燃油烘丝机出料气锁的改进及应用

通过在SH963型燃油(气)管道式烘丝机出料气锁的铸件缸体外表镶一层6 mm厚(完成面厚度)的304不锈钢衬套,提高了燃油烘丝机出料气锁的耐磨性,保证了系统处于稳定的负压状态,提高了燃油烘丝机出口水分的均匀性;降低了修理费用,延长了设备更换周期;降低了生产过程中的能源消耗。     

燃油管道式烘丝机检测系统燃油消耗问题的改进

HXD(燃油管道式烘丝机)在实际应用中存在油耗较大问题,主要原因:①混合风温度检测头受模拟水影响检测失真;②设备检测参数少,燃烧器难以调整到最佳状态;③料头含水率偏高.为此,对燃油烘丝机检测系统进行了改进,在温度传感器前安装"V"型导流板,以阻隔模拟水直接喷射到温度传感器上:加装了油料消耗流量计和尾气温度检测装置;修改了料头处理程序.改进后应用结果表明,烟丝出口含水率合格率由改进前的96.58%提高到98.7%,设备预热时间由50.2 min降低至38.8 min,年平均油耗由2.64 L/100 kg下降到2.41 L/100 kg,满足了工艺加工要求,降低了油料消耗.     

燃油管道式烘丝机工艺气体温度控制的改进

燃油管道式烘丝机依靠燃烧炉调节工艺气体温度时,由于燃烧炉温度控制反应较慢,调整过程中存在超调现象,导致叶丝的出口温度和含水率波动较大,影响叶丝质量.改进后的燃油管道式烘丝机增加了工艺气体的旁路风管,采用联动风门调节进入燃烧炉和旁路风管的风量,以快速调节工艺气体温度.应用效果表明,燃油管道式烘丝机增加旁路风管设计后,干燥温度的波动范围由±15℃降低到±1℃,温度调节到系统稳定的时间由180 s减少到40 s,出口叶丝温度波动范围由±3 ℃降低到±1℃,出口叶丝含水率波动范围由1%降低到0.5%.     

燃油管道式烘丝机(HXD)燃烧炉系统的改进

燃油管道式烘丝机燃烧炉系统存在温度控制精度差、故障率高、柴油消耗大等问题,为此,对燃烧炉柴油管路系统进行了改进,将燃烧炉温度由单回路控制改为串级控制,根据柴油流量,通过检测燃烧炉尾气化学成分含量,对助燃空气风量进行自动调节,使助燃风机风量与柴油流量保持在最佳比例.应用效果表明,改进后工艺气流温度的响应速度和控制稳定性均有显著提高,燃烧炉的火焰信号增强且稳定.柴油管路系统运行可靠,点火失败或熄火故障次数由原来的2次/月以上减少为0,生产换牌时降低工艺气流温度30℃所需时间由20 min减少到10min左右,降低了柴油消耗,提高了生产效率.     

基于RBF-ARX模型的烘丝机出口含水率优化控制方法

烘丝机出口烟丝含水率采用PID算法以及前馈补偿等控制方案,各控制回路之间相对独立,协调性差,控制精度低,难以实现完全的闭环自动控制。采用RBF-ARX模型对烘丝过程动态特性进行建模,提出了一种基于模型预测的烘丝机出口含水率控制方法。根据生产过程及生产工艺模式,将烘丝过程分为干头、中间及干尾3个阶段分别采用基于模型的优化设定或预测控制方法进行控制,并综合考虑了筒温、排潮等工艺参数同时变化时对出口含水率的影响,以获得工艺参数的最佳配置。应用效果表明:①实现了烘丝过程的自动化控制,避免了在生产过程中人工干预。②头尾段出口含水率在设定值±0.5%内,中间段出口含水率在设定值±0.2%内且标准偏差≤0.10%,可快速抑制各种干扰引起的含水率波动。③头部干烟丝量小于来料流量的0.27%,尾部干烟丝量小于来料流量的0.28%,降低了烟丝浪费和造碎。基于模型预测控制方法能够获得比筒温和排潮独立调节模式更好的控制效果,满足了工业应用的要求。     

薄板烘丝机出口含水率稳定性控制方法研究

【目的】解决薄板烘丝机出口含水率控制精度较低、波动较大问题。【方法】采用滑窗法监测入口含水率的整体性波动并进行相应的准确控制,采用指数加权移动平均（Exponentially Weighted Moving Average,EWMA）法对出口含水率的波动及时调整,建立前馈和反馈相结合的出口含水率整合控制模型,并采用自学习算法对模型进行自动优化和修正。【结果】控制方法改进后,出口含水率控制精度显著提高,过程偏移量、标准差和极差分别降低50.0%、37.5%和14.3%,过程能力指数提高57.1%。【结论】基于滑窗预测和EWMA调整的薄板烘丝出口含水率稳定性控制方法能有效提升该工序的质量控制能力。     

基于大数据的烘丝出口水分预测与管控调整研究

通过分析大量烘丝生产数据域控制参数,构建烘丝出口水分预测模型,利用大数据技术实现烘丝出口水分自动预测。烘丝出口水分预测模型可提前预测烘丝出口水分,将工艺标准与预测结果相比,并结合预警规则及时发出超标预警信息。以大数据技术为基础,对烘丝出口水分预测与管控调整展开了研究。     

基于DGRU网络的烘丝机筒壁温度动态预测

针对烘丝机干燥过程中筒壁温度难以准确进行在线检测的问题,提出基于深度门控循环单元(Deep Gated Recurrent Unit, DGRU)网络的筒壁温度动态预测方法。该方法先对现场工业数据进行小波去噪、归一化等预处理;然后采用互信息理论选择与筒壁温度相关性最强的特征作为模型初始输入变量;最后通过堆叠门控循环单元网络提取工业数据中深层非线性动态特征,输入全连接层中用于估计筒壁温度。基于某烟厂烘丝机工业数据的实验结果表明：DGRU算法预测误差箱体图中的误差中值及均值非常接近零刻度线,且造成的异常点较少。该方法的预测精度较高,能够实现筒壁温度精确动态预测。     

基于人工神经网络的室内定位算法研究

传统的UWB室内定位技术采用几何算法对标签进行解析定位,但复杂的室内环境和测距误差,可能导致方程组无解从而无法实现定位.针对上述问题,提出一种基于改进BP神经网络的UWB室内定位算法.将输出层输出的标签坐标与真实坐标的差值作为误差信号,利用梯度下降法修正网络的各个权值,使误差达到最小.以BP算法为基础,通过网络训练误差的变化趋势自适应调整学习率,提高收敛速率.通过与传统的定位技术和基于BP神经网络的定位算法进行对比实验,仿真实验结果表明,该算法的迭代次数和定位误差明显较小,输出轨迹与实际运动轨迹基本吻合,具有较高的定位精度.     

基于PSO-GA-BP神经网络的大米水分含量预测

为保障大米质量安全，提出一种基于BP神经网络的大米品质检测方法。方法以大米水分含量作为大米品质指标，通过结合粒子群优化算法(PSO)和遗传算法(GA)优化BP神经网络的阈值和权值，实现了BP神经网络的改进，提高BP神经网络的收敛速度，解决BP神经网络容易陷入局部最优的问题。然后，将改进的BP神经网络应用于大米水分含量预测中，实现了大米水分含量的准确预测。仿真结果表明，所提的改进BP神经网络模型相较于标准BP神经网络模型和LSTM-BP神经网络模型，在预测集和验证集上的均方根误差更小，分别为0.007和0.005,其大米水分含量预测值与真实值接近，可准确检测大米水分含量，为大米品质检测奠定了理论基础。     

滚筒烘丝机控制方法的改进与对比分析

为了解决目前滚筒烘丝机中以筒壁温度控制出口烟丝含水率对产品质量稳定性造成一定影响的问题,对滚筒式烘丝机叶丝干燥去湿控制方法进行了改进:在现有筒壁温度控制模式的基础上增设一套以调节入口热风风量来实现出口含水率自动控制的热风风量控制模式,并且对两种控制模式进行了试验对比,结果表明:①采用热风风量控制模式,出口叶丝含水率和出口叶丝温度的稳定性较好,且含水率和温度的波动范围较小;②采用热风风量控制模式,对叶丝特征尺寸(de)的下降影响程度较小,而叶丝特征尺寸(de)的稳定性较差,且叶丝特征尺寸(de)的波动范围比采用筒壁温度控制模式的波动范围略大;③两种控制模式下的叶丝感官质量差别不大,香气风格一致,在烟气风格特征上略有差别.     

基于MEA-BP神经网络的大米水分含量高光谱技术检测

利用高光谱技术对储藏大米的水分含量进行检测。本实验以120个大米样本为研究对象,采集所有大米样本的高光谱图像,利用多元散射校正的预处理方法对大米样本原始光谱数据进行降噪处理。由于原始高光谱数据量大且冗余性强,故利用逐步线性回归分析方法对预处理后的数据进行特征提取。最后建立BP神经网络的大米水分定量检测模型,由于建模效果没有达到预期目标,因此引入遗传算法(genetic algorithm,GA)和思维进化算法(mind evolutionary algorithm,MEA)优化BP神经网络的权值和阈值。对BP、GA-BP、MEA-BP 3种大米水分预测模型进行比较,3种模型的预测集决定系数都达到0.86以上,其中MEA-BP模型具有最佳的预测效果,预测集决定系数达到0.966 3,且均方根误差为0.81%。     

基于人工神经网络的纱线断裂伸长预测

使用HVI测试原棉指标和USTER TENSOJET 4测试成纱指标.分别用标准BP、LMBP算法建立断裂伸长预测的神经网络模型,进行纱线的断裂伸长预测,结果表明LMBP算法建立的模型预测速度和精度明显高于标准的BP算法.     

流化床梗丝水分综合控制系统的设计与实现

从生产过程实践中发现,用传统的PID控制方法难以解决梗丝水分控制系统的复杂性和鲁棒性等问题.针对流化床梗丝干燥系统大流量大时滞对象的非线性、时变性和不确定性的特点,采用神经网络模糊综合控制的方法,能够有效地解决梗丝水分控制的难题.实践结果表明,用此控制方法来控制梗丝水分效果显著,稳定性好,精度有明显地提高.     

基于灰色BP神经网络模型的文胸压力预测研究

为了更准确地预测文胸压力,以40名在校健康女大学生为研究对象,在其穿着合适尺码的文胸后,对文胸10个重要部位进行压力测试。建立BP神经网络和灰色BP神经网络预测模型,利用人体5个测量参数对文胸10个部位的压力值进行预测。结果表明,通过BP神经网络模型预测的文胸压力值只能达到真实压力值的73.55%,而通过灰色BP神经网络模型预测的文胸压力值可以达到真实压力值的84.70%。灰色BP神经网络模型可以结合BP神经网络模型和灰色模型的优点,发挥两种模型的优势,对文胸压力值做出较为准确的预测。     

基于灰色BP神经网络模型的文胸压力预测研究

为了更准确地预测文胸压力,以40名在校健康女大学生为研究对象,在其穿着合适尺码的文胸后,对文胸10个重要部位进行压力测试。建立BP神经网络和灰色BP神经网络预测模型,利用人体5个测量参数对文胸10个部位的压力值进行预测。结果表明,通过BP神经网络模型预测的文胸压力值只能达到真实压力值的73.55%,而通过灰色BP神经网络模型预测的文胸压力值可以达到真实压力值的84.70%。灰色BP神经网络模型可以结合BP神经网络模型和灰色模型的优点,发挥两种模型的优势,对文胸压力值做出较为准确的预测。     

基于人工神经网络模拟啤酒酿造过程中糖度及乙醇浓度的变化

建立BP神经网络模型模拟啤酒酿造过程中糖度变化和乙醇浓度变化.将啤酒酿造过程中的发酵温度、麦汁浓度、接种量及发酵时间作为输入数据,将糖度变化和乙醇浓度的变化作为输出数据,运用BP神经网络建立啤酒酿造过程的模型.使用此模型模拟了主酵温度8℃、麦汁浓度11°P、接种量为2×107个/mL时糖度变化和乙醇浓度变化,结果糖度预测的均方根误差为2.66％,乙醇浓度预测的均方根误差为14.60％.结果表明,使用此模型能够准确预测啤酒酿造过程糖度变化和乙醇浓度的变化.     

基于BP人工神经网络的纱线毛羽预测研究

研究基于BP人工神经网络的纱线毛羽预测问题.以棉纤维的7项品质指标作为输入参数,以棉纱的毛羽指数H指标作为输出参数,通过使用36组数据分别进行网络模型训练,最终将纱线毛羽指数预测模型的结构选定为7-10-1来进行纱线毛羽的预测,结果表明:BP人工神经网络模型的预测速度和精度较好.     

基于BP神经网络的丝状真菌生长预测研究

本文利用BP神经网络描述了丝状真菌的生长状态,经验证网络模型能够准确地反映丝状真菌的生长状况,与传统的回归建模方式相比,明显的降低了误差,提高了准确度.     

基于BP神经网络的大气中CO浓度的预测

大气污染物浓度的检测是一个复杂的系统,影响因素较多,本文引入非线性分析的有效工具——BP神经网络,利用BP神经网络中的误差反向传递算法对大气中CO浓度进行分析,建立基于BP神经网络的CO浓度预测模型,并利用淮安市环保局和气象局2013年的相关数据对模型进行训练与测试,取得较好结果,证明该模型在预测大气中CO浓度方面具有较好的效果,并误差小。