本发明涉及一种叶丝干燥工艺参数优化方法，属于农副产品干燥领域。
背景技术：
叶丝干燥是农副产品干燥过程中一道重要的工序，通过对干燥过程的工艺参数优化设置，使叶丝含水率保持稳定，以改善及控制叶丝的品质。目前，叶丝干燥工艺参数的优化设置主要依靠技术人员的经验，很难采用优化设置方法，其主要原因是由于叶丝干燥过程是一个包含物理、化学等多场多学科耦合的复杂工艺过程，其各项工艺参数与叶丝含水率之间的关系非常复杂，传统方法难以确定其函数关系。
技术实现要素：
为解决传统方法无法建立叶丝干燥工艺函数模型、难以对工艺参数进行优化设置的问题等，本发明提供了一种叶丝干燥工艺参数优化方法。
本发明的技术方案是：一种叶丝干燥工艺参数优化方法，所述方法步骤如下：
步骤1、剔除叶丝干燥工艺参数数据中的异常数据和错误数据，得到待优化工艺参数数据；
步骤2、对待优化工艺参数数据进行降维处理，得到轻量化参数数据；
步骤3、创建初始BP神经网络，将轻量化参数数据、叶丝含水率训练数据代入其中对其进行训练，得到轻量化数据驱动预测模型；
步骤4、对待优化工艺参数数据进行随机筛选，得到叶丝干燥工艺参数种群；
步骤5、对叶丝干燥工艺参数种群中的个体进行降维操作；
步骤6、将降维后的种群个体数据代入轻量化数据驱动预测模型，获取叶丝含水率的预测值yi；
步骤7、收敛判断：将叶丝含水率的预测值yi与叶丝含水率的设定值y0作差，若差值小于或等于收敛精度e，则输出该叶丝含水率的预测值所对应的叶丝干燥工艺参数种群中的个体，否则不输出。
所述降维处理采用主成分分析方法。
所述步骤7中，若不输出，则更新叶丝干燥工艺参数种群，并重新进行步骤5至步骤7，直至|yi-y0|≤e。
本发明的有益效果是：为叶丝干燥工艺参数的优化设置提供了方法，解决了传统方法无法建立叶丝干燥工艺函数模型、难以对工艺参数进行优化设置的问题，同时提高了预测模型的运行效率和预测精度，通过建立轻量化数据驱动预测模型构建叶丝干燥过程中各工艺参数与叶丝含水率之间的映射关系，并依据该映射关系寻求叶丝含水率的最优值和其对应的叶丝干燥最优工艺参数的组合，实现了即使当叶丝干燥工艺参数较多时也可以精确的优化叶丝干燥工艺参数和叶丝含水率。
附图说明
图1为本发明的流程图。
具体实施方式
实施例1：如图1所示，一种叶丝干燥工艺参数优化方法，所述方法步骤如下：
步骤1、剔除叶丝干燥工艺参数数据中的异常数据和错误数据，得到待优化工艺参数数据；
步骤2、对待优化工艺参数数据进行降维处理，得到轻量化参数数据；
步骤3、创建初始BP神经网络，将轻量化参数数据、叶丝含水率训练数据代入其中对其进行训练，得到轻量化数据驱动预测模型；
步骤4、对待优化工艺参数数据进行随机筛选，得到叶丝干燥工艺参数种群；
步骤5、对叶丝干燥工艺参数种群中的个体进行降维操作；
步骤6、将降维后的种群个体数据代入轻量化数据驱动预测模型，获取叶丝含水率的预测值yi；
步骤7、收敛判断：将叶丝含水率的预测值yi与叶丝含水率的设定值y0作差，若差值小于或等于收敛精度e，则输出该叶丝含水率的预测值所对应的叶丝干燥工艺参数种群中的个体，否则不输出。
进一步地，可以设置所述降维处理采用主成分分析方法。
实施例2：如图1所示，一种叶丝干燥工艺参数优化方法，所述方法步骤如下：
步骤1、剔除叶丝干燥工艺参数数据中的异常数据和错误数据，得到待优化工艺参数数据；
步骤2、对待优化工艺参数数据进行降维处理，得到轻量化参数数据；
步骤3、创建初始BP神经网络，将轻量化参数数据、叶丝含水率训练数据代入其中对其进行训练，得到轻量化数据驱动预测模型；
步骤4、对待优化工艺参数数据进行随机筛选，得到叶丝干燥工艺参数种群；
步骤5、对叶丝干燥工艺参数种群中的个体进行降维操作；
步骤6、将降维后的种群个体数据代入轻量化数据驱动预测模型，获取叶丝含水率的预测值yi；
步骤7、收敛判断：将叶丝含水率的预测值yi与叶丝含水率的设定值y0作差，若差值小于或等于收敛精度e，则输出该叶丝含水率的预测值所对应的叶丝干燥工艺参数种群中的个体，否则更新叶丝干燥工艺参数种群，并重新进行步骤5至步骤7，直至|yi-y0|≤e。
进一步地，可以设置所述降维处理采用主成分分析方法。
实施例3：如图1所示，一种叶丝干燥工艺参数优化方法，所述方法步骤如下：
步骤1，剔除叶丝干燥工艺参数数据中的异常数据和错误数据，得到待优化工艺参数数据，如表1所示：
表1：
表1中变量x4的数据从第8行开始不再与之前的数据发生变化，变量x8的数据从第9行开始全为0，故剔除第8行以后的数据；变量x9的数据全为0，故剔除变量x9的所有数据，得到表2所示的待优化工艺参数数据：
表2：
步骤2，对待优化工艺参数数据进行降维处理，得到轻量化参数数据，如：利用主成分分析法建立如下降维公式：
主成分1= 0.050027*x1+0.020110*x2-0.257952*x3-0.035438*x4+0.386489*x5
+0.443235*x6-0.000825*x7+0.144985*x8+0.014484*x10-0.004486*x11-0.027720*x12
-0.051757*x13+0.080297*x14+0.013425*x15-0.018750*x16-0.016826*x17
主成分2= -0.055614*x1-0.030874*x2+0.506334*x3-0.012715*x4-0.103676*x5
-0.210429*x6-0.052316*x7+0.222817*x8+0.015285*x10-0.015888*x11+0.029754*x12
+0.049319*x13+0.310010*x14+0.283559*x15-0.037438*x16-0.005331*x17
主成分3= -0.186842*x1+0.033591*x2-0.069666*x3-0.150656*x4-0.002547*x5
+0.013832*x6+0.018056*x7-0.102104*x8+0.391237*x10-0.316293*x11-0.102645*x12
+0.029974*x13+0.073417*x14+0.137466*x15+0.094621*x16+0.404656*x17
将步骤1中所得待优化工艺参数x1~x17的数据（除x9）分别代入主成分1~主成分3的降维公式，得到表3所示轻量化参数数据、叶丝含水率训练数据：
表3：
步骤3，创建初始BP神经网络，将轻量化参数数据、叶丝含水率训练数据代入其中对其进行训练，得到轻量化数据驱动预测模型，如：将主成分1~主成分3作为输入变量，y作为输出变量代入神经网络进行训练，其构建的主成分1~主成分3与y之间的映射关系即为轻量化数据驱动预测模型；
步骤4，对待优化工艺参数数据进行随机筛选，得到叶丝干燥工艺参数种群，如：从步骤1中所得待优化工艺参数x1~x17的数据（除x9）中分别随机筛选一个数据，得到种群的一个个体，重复该筛选过程5次，得到5个个体，该5个个体组成叶丝干燥工艺参数种群，如表4所示：
表4：
步骤5，对叶丝干燥工艺参数种群中的个体进行降维处理，如：将步骤4中叶丝干燥工艺参数种群的5个个体分别代入步骤2中的降维公式，结果如表5所示：
表5：
步骤6，将降维后的种群个体数据代入轻量化数据驱动预测模型，获取叶丝含水率的预测值yi；如：每输入一组主成分1~主成分3的数据，皆可获得一个叶丝含水率的预测值yi，如表6所示：
表6：
步骤7，收敛判断。具体为将叶丝含水率的预测值yi与叶丝含水率的设定值y0作差，若差值小于或等于收敛精度e，则得到叶丝含水率的最优值，并输出最优值对应的叶丝干燥最优工艺参数的组合，步骤结束；若差值大于收敛精度e，则更新叶丝干燥工艺参数种群，并重新进行步骤5至步骤7，直至|yi -y0|≤e。如：收敛精度取e=0.001，叶丝含水率的设定值取y0= 12.7，当yi = 12.699915时，|yi -y0|=0.000585≤0.001，则yi = 12.699915为叶丝含水率的最优值，且其对应的个体3降维前的叶丝干燥工艺参数x1~x17的数据（除x9）即为最优工艺参数的组合，步骤结束；当|yi -y0|≥0.001时，没有获得叶丝含水率的最优值和最优工艺参数的组合，则利用遗传算法算理对个体1~个体5进行选择、交叉、变异操作，产生新的个体和种群，使用新个体和新种群重复进行步骤5至步骤7，直至满足收敛条件为止。
上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。