摘要:以单隐层前向神经网络为基础，对纤维板热压传热传质过程中的相对湿度进行参数识别。分析纤维板热压传热传质过程中混合气体相对湿度这一影响因子，利用多项式神经网络逼近定理及筛减原理，给出识别这一影响因子的专门算法及仿真结果。仿真结果与Engelhardt(1979)给出的榉木试件的等湿线比较可以看出，实验值与实测值曲线十分接近，表明该方法是行之有效的。本结果对纤维板热压过程中的产品质量控制有一定的指导作用。
0引言
在纤维板生产过程中，热压过程是影响产品质量和产量的一项重要工序。热压过程影响因素众多，涉及力学过程、物理过程、化学反应过程，且三者相互联系，再加上原料本身的变异性，要从本质上理解这一过程是非常困难的，而合理地简化热压过程，建立模型的方式为此提供了可能。目前，国内外纤维板热压模型的研究主要有:谢力生在理想条件下建立的一维热压传热模型，该模型推导了理想条件下板坯中心层达到胶黏剂固化温度所需的时间函数关系式，为纤维板热压过程中控制热压时间提供了参考;Zhou等建立的垂直密度分布模型，通过分析板坯切面密度模型，不仅能够快速判断出热压工艺控制是否适当，还能够直观显示板材的内在质量;施静波、保昆雁、王东林等建立的热压传热传质模型，主要由控制容积热量平衡方程以及空气和水蒸气组分的连续方程构成，可以用来分析纤维板热压过程中板坯内部发生的传热传质过程，探讨板坯内部的环境发展。这些模型的建立，大多采用的是能量守恒法、回归分析法、统计假设参数估计法等，本文在这些研究的基础上，利用近年来发展迅速的神经网络进行建模。
神经网络是人脑思维系统的一个简单的结构模拟，可模仿人脑神经元的基本功能。实质上，神经网络是一个不依赖于模型的自适应函数估计器，能直接从样本数据中构造数学模型，以逼近任意的非线性函数。它突出的优点是能够进行并行处理，并且具有学习能力、适应能力和很强的容错能力。神经网络已经在工程、计算机、物理、生物等学科中得到了广泛的应用，大多数应用都被转化为利用神经网络逼近多元函数的问题，主要原因是:多项式函数是一种较为简单且容易计算的函数，也是实际问题中较为广泛使用的函数之一，它在神经网络逼近问题的研究中起到十分重要的作用。
文献 研究了非线性热传导方程中未知系数的反演问题，采用中心差分离散方程得到迭代矩阵，通过建立牛顿迭代格式求解迭代增量，反演出方程中未知系数。文献运用分离变量法、齐次化原理、定义算子的方法，求解了微波加热过程中木材内部温度的热传导模型中热源的近似解析解。本文利用多输入单隐层神经网络逼近多项式方法及文献的理论，参考中密度纤维板热压干燥过程中的温度及湿度传递规律，结合中密度纤维板的构造特点以及与纤维板传热相关的物理性质，通过训练已有的实验数据，利用单隐层前向神经网络对纤维板热压过程中木材内部温度、湿度以及含水率之间的函数关系进行参数识别，该模型能够直观地反映纤维板热压干燥过程中相对湿度与热压温度及含水率之间的函数关系，实现对板坯含水率的定量分析，因此对纤维板干燥过程中的质量控制有一定的指导作用;在分析纤维板热压过程中纤维板内部传热传质规律的基础上，建立相关的热湿模型，从定量的角度去分析问题，为实际应用提供数值化直观数学模型。
1影响纤维板热压过程因素—相对湿度影响纤维板热压质量的因素很多，以热压温度、热压压力、热压时间、板坯含水率、板坯铺装质量这五个因素为主。本文对纤维板热压过程中板坯的含水率这一影响因子展开研究，因为在热压过程中，板坯的含水率是非常重要的因素，它直接影响到热压后产品的性质，如鼓泡、分层、翘曲、内结合强度。由于实际生产中板坯含水率难以测量，因此希望借助于热压过程中的内部温度以及混合气体相对湿度对其定性分析。根据文献中的分析，由于假设纤维细胞和相邻空隙之间处于吸湿解析平衡状态，控制容积内的相对湿度可由对应的温度和平衡含水率确定，因此可以表示为φ=f(x,t),
其中:φ为混合气体的相对湿度，x为板坯含水率，t为温度。
2热压传热传质过程中混合气体相对湿度的参数识别
2．1理论基础
单隐层前向神经网络作为较简单的神经网络，是一个逼近器，它逼近的本质是以非线性参数展开来表达近似一元或多元函数，即:任何一个定义在Ｒd上的连续函数，可以通过一个具有单一隐层的三层前向神经网络任意逼近。一个具有单一隐层，含d个输入、一个输出的三层前向神经网络数学上可表示为
逼近定理［7］设φ在Ｒ上具有p+1阶连续有界导数，并对任意的k(0"k"p)，存在θ∈Ｒ，使得φ(k)(θ)≠0，p∈Πdp，则对任意的ε＞0，可以构造d个输入、一个输出及隐层节点个数为Ndn的单隐层前向神经网络
2．2算法设计
在纤维板热压传热传质过程中，变量间的关系常常用数学上的函数来刻画，而函数的表达式往往是未知的，只能通过试验和观察得到有限个离散的点，所以希望借助简单的函数来近似表达目标函数，从而间接地得到目标函数的一些性质。本节给出基于温度、含水率的相对湿度神经网络模型，利用该模型实现对混合气体相对湿度的函数逼近。具体步骤如下:
步骤1确定输入样本和输出样本
基于Engelhardt(1979)所测数据，纤维板热压传热传质过程中木材平衡含水率和内部温度两个影响因素作为输入因子，相对湿度作为输出样本，参见表1。
步骤2确定激活函数及隐神经元数激活函数是神经网络的重要组成部分，单隐层前向神经网络一般采用如下形式的二元多项式函数:
仿真结果表明，通过与Engelhardt(1979)给出的榉木试件的等湿线比较可以看出，基于多输入单隐层前向神经网络对纤维板热压传热传质过程中的相对湿度进行参数识别是合理并且可行的。
3结论
本文主要研究纤维板热压传热传质过程中相对湿度的参数识别问题，可以看出，采用基于单隐层前向神经网络来进行纤维板相对湿度的系统辨识是可行的，所建神经网络模型能够有效地对纤维板热压传热传质过程中相对湿度与板坯含水率及热压温度进行计算机仿真。实验结果表明，采用多输入单隐层前向神经网络作为被辨识对象的模型，在纤维板热压过程中的传热传质研究对于提高精度、降低生产成本、提高生产效率、保证产品质量具有重要的意义。
