在低温循环热干燥系统中对大米进行在线湿度预测模型的优化,配有人工神经网络

科学领域:

• 农业工程 农业工程
• 数据科学数据科学数据科学
• 过程控制 过程控制

背景情况:

• 准确的水分含量预测对于农产品干燥至关重要.
• 干燥模型的工业规模,高频数据很少.
• 现有的模型往往缺乏现实世界的工业应用性.

研究的目的:

• 开发一种人工神经网络 (ANN) 模型,用于实时预测工业干中的水分含量.
• 优化ANN模型以提高准确性和简化结构.
• 用工业级数据验证模型的性能.

主要方法:

• 使用工业级采集系统收集热低温循环干燥机的多维数据.
• 开发了一个ANN模型,采用K折交叉验证和贝叶斯规范化 (trainbr).
• 使用神经网络权重 (RI) 分析和Sobol方差分析优化了ANN,将拓简化为5-14-1.

主要成果:

• 优化的ANN模型实现了高预测准确度 (R2train=0.969,R2test=0.966) 与较低的平均平方误差 (MSEtrain=5.6×10−3,MSEtest=6.3×10−3).
• 模型优化导致了简化的5-14-1网络结构.
• 其余误差遵循正常分布,由统计测试 (t-测试,F-测试,科尔摩戈罗夫-斯米尔诺夫测试) 证实.

结论:

• 优化的ANN模型提供了一种可靠且准确的方法,用于在工业环境中预测大米的水分含量.
• 简化的模型结构提高了实时干燥过程控制的实际应用性.
• 该研究证明了先进的数据分析技术在农业过程优化方面的有效性.