一种基于BP神经网络的烟梗蒸汽爆破化学成分的预测方法

技术领域

本发明涉及一种烟梗蒸汽爆破后化学成分的预测方法，尤其涉及基于BP神经网络的烟梗蒸汽爆破化学成分的预测方法，属于烟草加工领域。

背景技术

烟梗是烟叶中的重要组成部分，大约占烟叶质量的20％-30％，但是由于烟梗主要成分是一些细胞壁物质以及淀粉、蛋白质等大分子物质，而其总糖、总氮、烟碱和焦油量较低，使香烟品质降低，致使烟梗在卷烟中的利用受到了很大的限制。为了能够降解烟梗细胞壁组分，需要对烟梗进行有效的预处理。

烟梗预处理的方法主要有物理法、化学法和生物法等方法。其中，物理法主要是机械粉碎，减小生物质原料的粒度。化学法包括酸/碱预处理、臭氧预处理、有机溶剂预处理和离子溶剂预处理。物理-化学法包括蒸汽爆破、微波膨胀、SO

以物理、化学和生物方法对烟梗进行预处理的过程中，预处理的结果受烟梗样品含水率、处理参数设置的影响较大。因此，当原料变化时，需要重复进行大量试验摸索最佳的预处理工艺，增加生产成本，降低生产效率。

为此提出本发明。

发明内容

本发明的目的是提供一种基于BP神经网络的烟梗蒸汽爆破化学成分的预测方法，该方法通过模型计算，能够快速得出所需要的最佳预处理工艺参数，提高生产效率，节约生产成本。

为了达到上述目的，本发明的技术方案如下：

一种基于BP神经网络的烟梗蒸汽爆破化学成分的预测方法，包括如下步骤：

(1)测量烟梗的含水率；

(2)对烟梗进行蒸汽爆破处理，记录爆破压强和维压时间；

(3)将烟梗的含水率、爆破压强和维压时间输入到训练好的的BP神经网络模型中；

(4)训练好的的BP神经网络模型即可输出烟梗蒸汽爆破化学成分的含量。

优选地，烟梗蒸汽爆破化学成分包括总植物碱、总氮、氯、蛋白质、总糖、纤维素和果胶。

优选地，训练好的的BP神经网络模型的训练步骤如下：

S1：对烟梗进行不同含水率预处理；

S2：将不同含水率的烟梗进行蒸汽爆破处理；

S3：对蒸汽爆破后的烟梗进行化学成分分析；

S4：建立蒸汽爆破参数和蒸汽爆破后烟梗中化学成分的BP神经网络模型；

S5：通过相关实验对模型进行相关修正和改进。

优选地，步骤S4中所述BP神经网络模型层数为三层及以上，隐层数为一层及以上；隐层节点数不少于十个；输入层包括含水率、蒸汽爆破压强、维压时间；输出层包括蒸汽爆破后烟梗中化学成分的含量，烟梗蒸汽爆破化学成分包括总植物碱、总氮、氯、蛋白质、总糖、纤维素和果胶。

优选地，步骤S1中对烟梗进行不同含水率预处理，含水率范围为2％、5％、10％；预处理方法为蒸煮、浸泡、烘干或恒温恒湿箱处理。

优选地，步骤S2中将不同含水率的烟梗进行蒸汽爆破处理的条件为：爆破压强分别为0.2MPa、0.5MPa、0.8MPa、和1.1MPa，维压时间分别为3min、5min或7min。

优选地，步骤S3化学成分分析的方法包括：傅里叶变换红外光谱分析、X射线荧光光谱分析、气相色谱质谱联用仪、液相色谱质谱联用仪、或核磁共振波谱法。

优选地，步骤S5中对模型进行相关修正和改进的要求为：模型训练结果误差值小于10％，R

本发明的有益效果是：

1、本发明将烟梗原材料进行预处理使烟梗具有不同的含水率，综合考虑含水率、压强和维压时间三个因素进行蒸汽爆破。由于考虑了烟梗的含水率，所得试验结果更加可靠。

2、本发明使用多组数据对BP神经网络模型进行训练，所得训练好的BP神经网络模型具有较好的预测结果。

3、本发明的预测方法可以指导生产中进行参数调整，可以节约时间、降低生产试验成本。

附图说明

图1为本发明的基于BP神经网络的烟梗蒸汽爆破化学成分的预测方法步骤示意图。

图2为本发明的BP神经网络训练、结果预测、结果验证及最佳结果示意图。

图3为本发明的训练好的BP神经网络模型R

具体实施方式

为了更好地解释本发明，以便于理解本发明方案，下面结合附图1-3，通过具体实施方式对本发明做进一步的详细说明。

本发明的基于BP神经网络的烟梗蒸汽爆破化学成分的预测方法如图1所示。所述BP神经网络模型层数为三层及以上，隐层数为一层及以上；隐层节点数不少于十个；其中输入层包括含水率、蒸汽爆破压强、维压时间；输出层包括蒸汽爆破后烟梗中化学成分的含量，化学成分总植物碱、总氮、氯、蛋白质、总糖、纤维素和果胶。

实施例1：训练BP神经网络。训练一共36个实验条件；其中压强三个4个水平，含水率三个水平，维压时间3个水平，组合后为4*3*3＝36个实验组合；，每个条件做三组对照实验；烟梗样品为108个。训练BP神经网络包括如下步骤：

S1：对烟梗进行预处理，使烟梗含水率为2％、5％、10％的三个训练样品；预处理方法为蒸煮、浸泡、烘干或恒温恒湿箱处理；

S2：对108个烟梗样品进行蒸汽爆破，以饱和水蒸气为工作介质，压强分别为0.2MPa、0.5MPa、0.8MPa、和1.1MPa，维压时间分别为3min、5min或7min；

S3：对蒸汽爆破后的烟梗样品通过FT-IR、GC/MS等表征手段对样品中的化学成分等性能进行分析。

S4：建立蒸汽爆破参数和蒸汽爆破后烟梗中化学成分的3层BP神经网络模型，隐层节点数为10。

S5：通过相关实验数据对模型进行相关修正和改进；使得模型训练结果误差值小于10％；得出优化模型。

实施例2：使用训练好的BP神经网络模型对烟梗蒸汽爆破化学成分的预测，步骤如下：

(1)对烟梗在25℃、相对湿度为10％的恒温恒湿箱中进行预处理，直至烟梗质量不变；

(2)将经过恒温恒湿预处理的烟梗样品进行蒸汽爆破，以饱和水蒸气为工作介质，压强为0.2MPa，维压时间为3min；

(3)将烟梗的含水率10％、爆破压强为0.2MPa、维压时间为3min输入到训练好的的BP神经网络模型中；

(4)得到训练好的的BP神经网络模型即可输出烟梗蒸汽爆破化学成分的含量。结果如下表1所示。

为了验证输出烟梗蒸汽爆破化学成分的含量可信度，对蒸汽爆破后的烟梗样品通过FT-IR、GC/MS等表征手段对样品中的化学成分等性能进行分析。结果如下表1所示。

表1烟梗样品中化学成分仪器分析结果和模型预测结果(％)

实施例3：使用训练好的BP神经网络模型对烟梗蒸汽爆破化学成分的预测，步骤如下：

(1)对烟梗在25℃、相对湿度为5％的恒温恒湿箱中进行预处理，直至烟梗质量不变；

(2)将经过恒温恒湿预处理的烟梗样品进行蒸汽爆破，以饱和水蒸气为工作介质，压强为0.4MPa，维压时间为5min；

(3)将烟梗的含水率5％、爆破压强为0.4MPa、维压时间为5min输入到训练好的的BP神经网络模型中；

(4)得到训练好的的BP神经网络模型即可输出烟梗蒸汽爆破化学成分的含量。结果如下表2所示.

为了验证输出烟梗蒸汽爆破化学成分的含量可信度，对蒸汽爆破后的烟梗样品通过FT-IR、GC/MS等表征手段对样品中的化学成分等性能进行分析。结果如下表2所示。

表2烟梗样品中化学成分仪器分析结果和模型预测结果(％)

以上实施例中，通过仪器分析结果和模型预测结果的对比可知，以神经网络模型对蒸汽爆破后烟梗样品中化学成分的预测误差较小，均小于10％；可以很好的对实验结果进行预测，从而实现降低生产成本、提高生产效率的目的。

图2为本发明的BP神经网络训练、结果预测、结果验证及最佳结果示意图。从图2可以看出其值越低越好。从图中可以看出在第1次迭代时，训练值、验证值与测试值最接近一致，这说明在此处模型预测结果误差最小。

图3为本发明的训练好的BP神经网络模型R

以上仅是本发明的优选实施方式，应当指出的是，上述优选实施方式不应视为对本发明的限制，本发明的保护范围应当以权利要求所限定的范围为准。对于本技术领域的普通技术人员来说，在不脱离本发明的精神和范围内，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。