阅读说明：本技术 基于隐马尔科夫模型与粒子群优化的木材含水率控制方法 (Wood moisture content control method based on hidden Markov model and particle swarm optimization ) 是由 张冬妍 蒋大鹏 李丹丹 李鸿博 曹军 于 2020-04-26 设计创作，主要内容包括：基于隐马尔科夫模型与粒子群优化的木材含水率控制方法,它属于木材干燥过程控制技术领域。本发明解决了采用现有方法在减速干燥阶段对木材含水率的控制精度低的问题。本发明首先测量出当前时刻木材的含水率、温度和湿度数据,再将测量的当前时刻数据输入隐马尔科夫模型,获得模型输出的下一时刻木材的含水率、温度和湿度数据。将当前时刻的木材温度、湿度数据、模型输出的下一时刻木材含水率、温度和湿度数据以及含水率基准数据代入适应度函数,对适应度函数进行优化得到当前时刻干燥系统需要设定的最佳温度和湿度,实现对干燥过程中木材含水率的控制,且通过本发明方法可以显著提高减速干燥阶段中对木材含水率的控制精度。本发明可以应用于木材干燥过程含水率控制。(A method for controlling the moisture content of wood based on hidden Markov model and particle swarm optimization belongs to the technical field of wood drying process control. The invention solves the problem that the control precision of the water content of the wood is low in the deceleration drying stage by adopting the existing method. The method comprises the steps of firstly measuring the moisture content, temperature and humidity data of the wood at the current moment, inputting the measured current moment data into a hidden Markov model, and obtaining the moisture content, temperature and humidity data of the wood at the next moment output by the model. The wood temperature and humidity data at the current moment, the wood moisture content, the temperature and humidity data at the next moment output by the model and the moisture content reference data are substituted into the fitness function, the fitness function is optimized to obtain the optimal temperature and humidity required to be set by the drying system at the current moment, the control of the wood moisture content in the drying process is realized, and the control precision of the wood moisture content in the deceleration drying stage can be obviously improved by the method. The invention can be applied to the control of the water content in the wood drying process.)

基于隐马尔科夫模型与粒子群优化的木材含水率控制方法

技术领域

本发明属于木材干燥过程控制技术领域，具体涉及一种基于隐马尔科夫模型与粒子群优化的木材含水率控制方法。

背景技术

木材干燥是改善木材物理力学性能、合理使用木材、减少木材降等损失、提高木材利用率的重要技术措施，也是保证木制品质量的关键技术之一。由于我国对木材需求的不断加大，对木材干燥设备的需求也不断增长，而我国现有干燥设备大多陈旧简陋，需要操作人员按照工艺参数凭经验控制，干燥降等损失严重。部分生产各类干燥设备的厂家已经可以生产自动控制干燥设备，产品质量能基本满足生产要求。与国外的先进设备相比，主要存在检测与控制精度不高、可靠性不足、木材干燥设备能耗高等问题。在设计自动控制设备时，不仅离线的仿真实验需要精确的模型，自适应、鲁棒及预测控制效果也都依赖于模型的性能，因此，在解决木材干燥自动控制应用中首先考虑的就是建立木材干燥的数学模型。目前对线性系统建模的理论和方法已经比较成熟，但实际的被控对象大多是时变、非线性的动态系统，其动态行为非常丰富，这使得需要依靠精确数学模型的传统控制方法难以取得良好的控制效果。如何建立能准确反映系统输入输出关系的模型，成为提高非线性系统控制水平的关键。

木材是一种复杂的含湿多孔粘弹性生物体，干燥过程中其内部结构和特性会发生很大的变化，这使木材干燥复杂多变，即木材干燥是一个复杂的强耦合非线性动力系统，在干燥过程中存在着外界的干扰和模型的不确定性，使得建立理想的木材干燥模型变得比较困难。因此，选择有效的建模方法来建立能准确反映木材干燥过程的模型，是研究木材干燥机理、实现全自动控制、全面提高木材干燥设备性能的首要问题。

木材干燥属于超微细结构的非稳态传热传质过程，木材结构复杂又具有多样性和变异性，因而所建模型往往由于太复杂而难以实现或因过多的条件简化而造成偏差，难以应用于实际控制。利用基于数据的机器学习方法对木材干燥进行建模，只需要根据实际可测量的木材干燥系统的输入输出量，即可得到能反映木材干燥宏观特性的模型。学习数据的确定是利用机器学习理论建立木材干燥系统模型的第一步。影响木材干燥的外部因素很多，主要包括介质温度、介质湿度和木材表面空气流动速度。对风机全速运行的干燥窑，在建模时可以窑内实测温湿度数据作为输入量，输出量则为木材含水率。然后选择合适的建模方法，利用两窑或多窑实测数据中的一窑(随机)作为学习样本训练模型，其他数据验证模型的准确性。

由于木材干燥系统是一个动态系统，在干燥过程中，木材含水率可以看作是一个非线性递减的非平稳时间序列，当前时刻木材含水率不仅与窑内环境干预(主要为温度、湿度、木材表面空气流速)有关，还与上一时刻或一段时间内的含水率有关。

木材含水率在纤维饱和点(30％左右)以下时，木材在空气中会发生干缩与湿胀现象，极大的影响了木材的使用。为了保证木材与木制品的质量、延长使用寿命，必须采取适当措施使木材中的水分(含水率)降低到一定的程度。要降低木材的含水率，须提高木材的温度，使木材中的水分蒸发和向外移动，在一定流动速度的空气中，使水分迅速地离开木材，达到干燥的目的。

以木材含水率为基准，将干燥过程划分成若干阶段，并确定各个阶段所对应的温度、湿度。

木材干燥过程大致可分为预热、等速干燥和减速干燥三个阶段。在等速干燥阶段木材含水率随时间变化大致呈线性，控制模型相对简单，而现有的减速干燥阶段控制模型则较为复杂，导致在减速干燥阶段的木材含水率控制精度较低，因此，简化减速干燥阶段控制模型对提高木材干燥过程中的含水率控制精度十分必要。

发明内容

本发明的目的是为解决采用现有方法在减速干燥阶段对木材含水率的控制精度低的问题，而提出了基于隐马尔科夫模型与粒子群优化的木材含水率控制方法。

本发明为解决上述技术问题采取的技术方案是：一种基于隐马尔科夫模型与粒子群优化的木材含水率控制方法，该方法包括以下步骤：

步骤一、利用测量仪器测得t时刻的木材含水率M_t、t时刻的木材温度T_t、t时刻的木材湿度H_t以及t+1时刻的木材含水率M_t+1、t+1时刻的木材温度T_t+1、t+1时刻的木材湿度H_t+1；

以t时刻的木材含水率M_t、t时刻的木材温度T_t和t时刻的木材湿度H_t为自变量，以t+1时刻的木材含水率M_t+1、t+1时刻的木材温度T_t+1和t+1时刻的木材湿度H_t+1为因变量，建立由自变量和因变量组成的样本集；

利用建立的样本集训练HMM预测模型，直至前后连续两次迭代获得的HMM预测模型参数的差值小于阈值Q时停止训练，获得训练好的HMM预测模型；

步骤二、建立适应度函数F；

步骤三、对于待进行干燥的木材，测量出当前时刻木材的含水率、温度和湿度后，将当前时刻木材的含水率、温度和湿度数据输入步骤一训练好的HMM预测模型，获得HMM预测模型输出的下一时刻木材的含水率、温度和湿度数据；

将测量出的当前时刻木材温度和湿度数据，模型输出的下一时刻木材含水率、温度和湿度数据以及下一时刻的木材含水率基准值代入适应度函数F，根据适应度函数F计算出当前时刻木材干燥系统需要设定的最佳温度和湿度；

步骤四、将当前时刻木材干燥系统的温度和湿度分别设置为步骤三获得的最佳温度和最佳湿度后，经过干燥后再测量出下一时刻木材的含水率、温度和湿度数据；

步骤五、将步骤三中的当前时刻木材含水率、温度和湿度数据与步骤四中的下一时刻木材的含水率、温度和湿度数据添加到样本集中，不断更新样本集；

步骤六、若步骤四测量的下一时刻木材含水率数据与步骤三中HMM预测模型输出的下一时刻木材含水率数据的差值大于等于阈值δ，则将步骤一训练好的HMM预测模型的参数作为初始化输入参数，利用更新后的样本集重新训练HMM预测模型，并利用重新训练好的HMM预测模型来执行步骤七；

否则，继续利用步骤一训练好的HMM预测模型来执行步骤七；

步骤七、重复执行步骤三至步骤六的过程，实现对木材干燥过程中含水率的控制。

本发明的有益效果是：本发明提出了一种基于隐马尔科夫模型与粒子群优化的木材含水率控制方法，本发明首先测量出当前时刻木材的含水率、温度和湿度数据，再将测量的当前时刻数据输入隐马尔科夫模型，获得模型输出的下一时刻木材的含水率、温度和湿度数据。将当前时刻的木材温度、湿度数据、模型输出的下一时刻木材含水率、温度和湿度数据以及含水率基准数据代入适应度函数，对适应度函数进行优化得到当前时刻干燥系统需要设定的最佳温度和湿度，实现对干燥过程中木材含水率的控制，且通过本发明方法可以显著提高减速干燥阶段中对木材含水率的控制精度。

通过实验发现，采用本发明方法获得的含水率实际值与标准值的最大差值为1.5左右，采用现有SVM预测方法获得的含水率实际值与标准值的最大差值为2.5左右，采用本发明方法获得的含水率实际值与标准值的差值明显小于SVM预测方法，控制精度大大提高。

附图说明

图1是采用本发明方法获得的含水率与时间关系曲线图；

图2是采用SVM方法获得的含水率与时间关系曲线图；

图3是采用本发明方法获得的含水率差值(实际值与标准值之差)与时间关系曲线图；

图4是采用SVM方法获得的含水率差值(实际值与标准值之差)与时间关系曲线图。

具体实施方式

具体实施方式一：本实施方式所述的一种基于隐马尔科夫模型与粒子群优化的木材含水率控制方法，该方法包括以下步骤：

步骤一、对整套木材干燥系统施加足够丰富的激励信号，利用测量仪器测得t时刻的木材含水率M_t、t时刻的木材温度T_t、t时刻的木材湿度H_t以及t+1时刻的木材含水率M_t+1、t+1时刻的木材温度T_t+1、t+1时刻的木材湿度H_t+1；

以t时刻的木材含水率M_t、t时刻的木材温度T_t和t时刻的木材湿度H_t为自变量，以t+1时刻的木材含水率M_t+1、t+1时刻的木材温度T_t+1和t+1时刻的木材湿度H_t+1为因变量，建立由自变量和因变量组成的样本集；

利用建立的样本集训练HMM预测模型(隐马尔科夫模型)，直至前后连续两次迭代获得的HMM预测模型参数的差值小于阈值Q时停止训练，获得训练好的HMM预测模型；

将自变量作为HMM预测模型的输入，将因变量作为HMM预测模型的输出，对HMM预测模型进行训练；以t时刻测量仪器所显示的含水率M_t、温度T_t与湿度H_t为自变量、t+1时刻测量仪器所显示的温度T_t+1、湿度H_t+1与含水率M_t+1为因变量，建立样本集。以样本集作为训练集训练HMM预测模型，训练过程中使用EM算法对HMM预测模型进行迭代优化。建立HMM模型利用当前时刻数据预测下一时刻温度，湿度与含水率。

步骤二、建立PSO模型的适应度函数F；

步骤三、对于待进行干燥的木材，测量出当前时刻木材的含水率、温度和湿度后，将当前时刻木材的含水率、温度和湿度数据输入步骤一训练好的HMM预测模型，获得HMM预测模型输出的下一时刻木材的含水率、温度和湿度数据；

将测量出的当前时刻木材温度和湿度数据，模型输出的下一时刻木材含水率、温度和湿度数据以及下一时刻的木材含水率基准值代入适应度函数F，根据适应度函数F计算出当前时刻木材干燥系统需要设定的最佳温度和湿度；

例如，测量出当前t时刻木材温度和湿度数据，则将测量出的数据、模型输出的t+1时刻木材含水率、温度和湿度数据以及t+1时刻的木材含水率基准值代入适应度函数F；

步骤四、将当前时刻木材干燥系统的温度和湿度分别设置为步骤三获得的最佳温度和最佳湿度后，经过干燥后再测量出下一时刻木材的含水率、温度和湿度数据；

步骤五、将步骤三中的当前时刻木材含水率、温度和湿度数据与步骤四中的下一时刻木材的含水率、温度和湿度数据添加到样本集中，不断更新样本集；

步骤六、若步骤四测量的下一时刻木材含水率数据与步骤三中HMM预测模型输出的下一时刻木材含水率数据的差值大于等于阈值δ，则将步骤一训练好的HMM预测模型的参数作为初始化输入参数，利用更新后的样本集重新训练HMM预测模型，并利用重新训练好的HMM预测模型来执行步骤七；

否则，继续利用步骤一训练好的HMM预测模型来执行步骤七；

步骤七、重复执行步骤三至步骤六的过程，实现对木材干燥过程中含水率的控制。

步骤七中，将步骤四测量出的数据赋值为步骤三中的当前时刻数据，来重复步骤三至步骤六的过程，实现木材干燥过程中含水率的连续控制。本发明主要应用于木材的减速干燥阶段。

具体实施方式二：本实施方式与具体实施方式一不同的是：所述步骤一中，HMM预测模型所采用的训练算法为EM算法。

根据国标，木材含水率处于30％到9％之间，木材含水率在30％到9％之间每1％设置一个隐藏状态。

为了实时迅速获得含水率数据，木材含水率需通过电测法进行测量，但电测法误差较大，电测法所获得的含水量数据无法作为真实含水量直接使用，因此HMM预测目标为根据当前t时刻仪表测量的含水率与温湿度，推测t+1时刻的含水率与温湿度数据。

使用从木材干燥系统收集的样本集训练HMM模型，估计隐含状态{G₁…G_n}的转移矩阵参数与初始概率参数，使用EM算法作为HMM模型的训练算法。

EM算法迭代流程如下所述：

输入：观测数据X＝(X₁,X₂,...,X_n)

输出：隐马尔科夫模型状态转移矩阵

设m为迭代次数，由G_i状态转移到G_j状态的状态转移矩阵参数的估计量为a_ij，由G_j观测到k的估计量为b_j(k)，α_t(G)为t时刻状态值为g，前t-1时刻的观测序列为(X₁,X₂...X_n)的联合概率，β_t(G)为t时刻的观测值为x_t的联合概率，G₁为时间t＝1时的状态转移矩阵的概率向量。

第一步m＝0时，使用随机数初始化

第二步迭代循环，每次迭代m加1：

第三步当 与 的差值小于0.01时，迭代结束

隐马尔科夫模型用于处理时间序列数据，此模型能够根据给出的观测变量序列，估计对应的隐藏变量序列，并对未来的观测变量进行预测。如图1至图4所示，通过实验对比发现，本发明的隐马尔科夫模型对含水率控制的准确率明显优于SVM模型。

具体实施方式三：本实施方式与具体实施方式二不同的是：所述步骤二中，建立的适应度函数F具体为：

F＝(T′_t+1-T_t)²+(H′_t+1-H_t)²+(M_r(t+1)-M′_t+1)²

式中，T_t为测得的t时刻木材温度，H_t为测得的t时刻木材湿度，M_r(t+1)为t+1时刻木材含水率基准值，T′_t+1为HMM预测模型输出的t+1时刻木材温度，H′_t+1为HMM预测模型输出的t+1时刻木材湿度，M′_t+1为HMM预测模型输出的t+1时刻木材含水率。

当前t时刻木材干燥系统设定的最佳温度和湿度符合以下原则：

原则一，t时刻与t+1时刻的温湿度变化值较小。

原则二，t+1时刻木材含水率基准值与HMM模型预测的含水率真实值差值较小。

因此，干燥系统参数优化目标应为使系统t时刻的温湿度、t+1时刻的木材含水率基准值与HMM模型所预测的t+1时刻木材温湿度、木材含水量真实值差值的平方和最小。

具体实施方式四：本实施方式与具体实施方式三不同的是：所述步骤三中，根据适应度函数F计算出当前时刻木材干燥系统需要设定的最佳温度和湿度，其具体过程为：

使用PSO模型(粒子群优化模型)优化适应度函数F，计算出令适应度函数F取值最小时对应的干燥系统温度T*和干燥系统湿度H*，T*和H*分别为当前时刻木材干燥系统需要设定的最佳温度和湿度。

PSO模型的优化过程具体为：

第一步 确定含水率、温度、湿度三个维度的控制量数据(T,H,M)的适应值函数。

F＝[T(t+1)-T(t)]²+[H(t+1)-H(t)]²+[M_r(t+1)-M(t+1)]²

第二步 根据适应值函数构建粒子群，设当前搜索空间的维度为D维；空间中粒子的个数是N，则粒子的位置可以表示为一个向量：

设每次更新迭代速度为：

第三步 设粒子自身最优机值为p_best(t)，粒子历史极值为g_best，其中c₁和c₂为学习因子，r₁、r₂为[0,1]范围内均匀分布的随机数，按照下式更新粒子位置与速度，当连续三次|p_best(t)-p_best(t-1)|与|g_best-p_best|的值均小于0.001时，终止迭代，将p_best(t)所对应的位置作为最终迭代结果。

v_ij(t)＝v_ij(t-1)+c₁r₁(p_best(t-1)-x_ij(t-1))+c₂r₂(g_best-x_ij(t-1))

x_ij(t)＝x_ij(t-1)+v_ij(t)

在未使用粒子群算法优化温湿度之前，由于SVM算法与LSSVM算法精度较低，在干燥过程中调整含水率逼近含水率基准的过程中，温湿度时间曲线会出现剧烈震荡现象，采用粒子群算法优化后的温湿度时间曲线能够震荡现象几乎消失不见。

具体实施方式五：本实施方式与具体实施方式一不同的是：所述步骤一中，HMM预测模型参数是指观测状态矩阵参数、初始隐藏状态矩阵参数以及状态转移矩阵参数。

训练过程中，当前后两次迭代训练获得的观测状态矩阵参数的差值小于阈值Q、初始隐藏状态矩阵参数的差值小于阈值Q且状态转移矩阵参数的差值也小于阈值Q时停止训练，获得训练好的模型。

具体实施方式六：本实施方式与具体实施方式五不同的是：所述步骤一中，阈值Q的取值为0.01。

本发明的上述算例仅为详细地说明本发明的计算模型和计算流程，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。