一种基于模式识别的萎凋机控制方法

摘要

本发明提供了一种基于模式识别的萎凋机控制方法，包括如下步骤：a.建立模型；b.获取数据；c.对比最优可能结果；d.获取最佳控制参数；e.对比控制参数；f.调整控制参数。本发明通过实时的模式识别并调整控制参数，能有效的对茶叶萎凋过程进行调整，及时将萎凋机的控制参数调整为最合适的结果，从而极大的提升成品品质。

权利要求

1.一种基于模式识别的萎凋机控制方法，其特征在于：包括如下步骤：a.建立模型：通过历史数据，建立气味成分→品质分级和控制参数→品质结果的数据模型，并对每一品质分级下可能的气味成分建立品质分级数据库；

b.获取数据：从设置在萎凋机里的多组气体传感器中获取当前茶叶气味数据，并附当前控制参数；

c.对比最优可能结果：对当前茶叶气味数据用气味成分→品质分级的数据模型进行模式识别，并将识别出来的品质对比品质分级数据库，判断最有可能达到的最高品质分级；

d.获取最佳控制参数：根据控制参数→品质结果的数据模型，逆运算得到对应上述可能达到的最高品质分级的控制参数，控制参数包括萎凋机的输送速度、风机工作功率和发热管的发热功率；

e.对比控制参数：将步骤d中得到的控制参数，与步骤b中的当前控制参数进行对比；

f.调整控制参数：根据对比结果对萎凋机进行控制调整，并重新进入步骤b，直至手动关闭结束。

2.如权利要求1所述的基于模式识别的萎凋机控制方法，其特征在于：所述步骤a中建立气味成分→品质分级和控制参数→品质结果的数据模型，是在电脑上进行，并将建立好的数据模型写入单片机以完成之后的步骤。

3.如权利要求1所述的基于模式识别的萎凋机控制方法，其特征在于：所述气味成分→品质分级的数据模型由三个隐含层的BP神经网络算法经过5次训练建立。

4.如权利要求1所述的基于模式识别的萎凋机控制方法，其特征在于：所述控制参数→品质结果的数据模型为多元一次线性方程。

说明书

一种基于模式识别的萎凋机控制方法

技术领域

[0001] 本发明涉及一种基于模式识别的萎凋机控制方法。

背景技术

[0002] 现有技术中，萎凋机的控制大多是人为的设定控制参数，这种方式需要大量尝试，并根据经验来判断调整，这种方式一方面调整不及时容易导致次品率高，另一方面也容易将品质很好的原材料当成较次的材料加工。

发明内容

[0003] 为解决上述技术问题，本发明提供了一种基于模式识别的萎凋机控制方法，该基于模式识别的萎凋机控制方法通过实时的模式识别并调整控制参数，能有效的对茶叶萎凋过程进行调整，及时将萎凋机的控制参数调整为最合适的结果，从而极大的提升成品品质。

[0004] 本发明通过以下技术方案得以实现。

[0005] 本发明提供的一种基于模式识别的萎凋机控制方法，包括如下步骤：

[0006] a.建立模型：通过历史数据，建立气味成分→品质分级和控制参数→品质结果的数据模型，并对每一品质分级下可能的气味成分建立品质分级数据库；

[0007] b.获取数据：从设置在萎凋机里的多组气体传感器中获取当前茶叶气味数据，并附当前控制参数；

[0008] c.对比最优可能结果：对当前茶叶气味数据用气味成分→品质分级数据模型进行模式识别，并将识别出来的品质对比品质分级数据库，判断最有可能达到的最高品质分级；

[0009] d.获取最佳控制参数：根据控制参数→品质结果模型，逆运算得到对应上述可能达到的最高品质分级的控制参数，控制参数包括萎凋机的输送速度、风机工作功率和发热管的发热功率；

[0010] e.对比控制参数：将步骤d中得到的控制参数，与步骤b中的当前控制参数进行对比；

[0011] f.调整控制参数：根据对比结果对萎凋机进行控制调整，并重新进入步骤b，直至手动关闭结束。

[0012] 所述步骤a中建立气味成分→品质分级和控制参数→品质结果的数据模型，是在电脑上进行，并将建立好的数据模型写入单片机以完成之后的步骤。

[0013] 所述气味成分→品质分级的数据模型由三个隐含层的BP神经网络算法经过5次训练建立。

[0014] 所述控制参数→品质结果模型为多元一次线性方程。

[0015] 本发明的有益效果在于：通过实时的模式识别并调整控制参数，能有效的对茶叶萎凋过程进行调整，及时将萎凋机的控制参数调整为最合适的结果，从而极大的提升成品品质。

附图说明

[0016] 图1是本发明的流程示意图。

具体实施方式

[0017] 下面进一步描述本发明的技术方案，但要求保护的范围并不局限于所述。

[0018] 如图1所示的一种基于模式识别的萎凋机控制方法，包括如下步骤：

[0019] a.建立模型：通过历史数据，建立气味成分→品质分级和控制参数→品质结果的数据模型，并对每一品质分级下可能的气味成分建立品质分级数据库；

[0020] b.获取数据：从设置在萎凋机里的多组气体传感器中获取当前茶叶气味数据，并附当前控制参数；

[0021] c.对比最优可能结果：对当前茶叶气味数据用气味成分→品质分级数据模型进行模式识别，并将识别出来的品质对比品质分级数据库，判断最有可能达到的最高品质分级；

[0022] d.获取最佳控制参数：根据控制参数→品质结果模型，逆运算得到对应上述可能达到的最高品质分级的控制参数，控制参数包括萎凋机的输送速度、风机工作功率和发热管的发热功率；

[0023] e.对比控制参数：将步骤d中得到的控制参数，与步骤b中的当前控制参数进行对比；

[0024] f.调整控制参数：根据对比结果对萎凋机进行控制调整，并重新进入步骤b，直至手动关闭结束。

[0025] 由此，通过气体数据的模式识别，并将识别结果进行对比，从而对控制进行及时的优化，最终能够快速有效的对茶叶萎凋过程进行调整。

[0026] 所述步骤a中建立气味成分→品质分级和控制参数→品质结果的数据模型，是在电脑上进行，并将建立好的数据模型写入单片机以完成之后的步骤。

[0027] 所述气味成分→品质分级的数据模型由三个隐含层的BP神经网络算法经过5次训练建立。

[0028] 所述控制参数→品质结果模型为多元一次线性方程。