Moisture content control method duringairflow drying process

Abstract

A moisture content control method during an airflow drying process includes: comparing a reference moisture content of a product with a real-time moisture content of a material to obtain a first error, where the reference moisture content is a moisture content indicator of the product; obtaining a temperature fine-tuning value based on the first error; predicting a compensation temperature based on real-time detected intake and exhaust temperatures, and the real-time moisture content of the material, which is a theoretical exhaust temperature predicted in advance based on real-time operating conditions; adding the temperature fine-tuning value and the compensation temperature to obtain a reference temperature; adjusting a rotation speed of a feeding mechanism based the reference temperature to regulate the real-time moisture content; and repeating the above five steps. This moisture content control method can overcome the time lag in the airflow drying process and improve the accuracy of moisture content control. A control system for executing the moisture content control method is also provided.

Description

MOISTURE CONTENT CONTROL METHOD DURINGAIRFLOW DRYING PROCESSTECHNICAL FIELD

[0001] The present disclosure relates to the field of control technologies for an airflow drying process, and in particular, relates to a method for controlling a moisture content during an airflow drying process, and a control system for performing the method for controlling the moisture content.BACKGROUND

[0002] Airflow drying is a process in which slurries are thrown into a drying tower by rotating the screw of the feeding mechanism, and the slurries are dried by fast flowing hot air introduced into the drying tower. After entering the drying tower, the slurries are taken away by high-speed hot air flow and move towards the outlet of the drying tower. With the heat exchange between the slurries and hot air, slurries are dried to get powders, while the hot air absorbs water and becomes wet air, and its temperature decreases with the heat exchange.

[0003] Airflow drying is usually used to dry various starches, such as corn starch, potato starch, sweet potato starch, or other products that need to be changed from slurry to powder. The moisture contentof powder products has a significant impact on product quality, and therefore moisture control is crucial throughout the entire airflow drying process.

[0004] There is a time lag in moisture content detection during the airflow drying process. On the one hand, the installation position of the moisture content online detection module is usually near the product packaging end, far from the main drying area, whichcauses a pure lag. On the other hand, the drying tower has a large space, which means a large thermal time constant, and causes a lag in the heat conduction process.

[0005] In the existing airflow drying process, without an online moisturecontent detection module, it is common to set an exhaust temperature based on experience, and then manually  adjust the screw rotating speed or use some empirical rules to adjust the screwrotating speed, in order to control the final moisture content of the product. This control method results in lower accuracy in moisture contentcontrol.

[0006] However, some airflow drying processes are equipped with online moisture content detection modules to detect real-time moisture content and compare reference moisture content with real-time moisture content to control the final moisture content of the product. Due to the time lag in the airflow drying process, even online moisture content detection cannot effectively improve the accuracy of moisture content control.SUMMARY

[0007] Embodiments of the present disclosure are intended to provide a method for controlling a moisture content during an airflow drying process and a control system for performing the method for controlling the moisture content during the airflow drying process, which can overcome the time lag of the airflow drying process and improve the accuracy of moisture content control.

[0008] The method for controlling the moisture content during the airflow drying process includes:

[0009] comparing a reference moisture content of a product with a real-time moisture content of a material to obtain a first error, wherein the reference moisture content is a moisture content indicator of the product;

[0010] obtaining a temperature fine-tuning value based on the first error;

[0011] predicting a compensation temperature based on real-time detected intake and exhaust temperatures and the real-time moisture content of the material, wherein the compensation temperature is a theoretical exhaust temperature predicted in advance based on real-time operating conditions;

[0012] adding the temperature fine-tuning value and the compensation temperature to obtain a reference temperature;

[0013] adjusting a rotation speed of a feeding mechanism based on the reference temperature to regulate the real-time moisture content; and

[0014] repeating the above five steps.

[0015] The method for controlling the moisture content during the airflow drying process calculates the compensation temperature based on the intake temperature, the exhaust temperature, and the real-time moisture to regulate the temperature in the airflow drying process in advance, obtains the temperature fine-tuning value by feeding back the real-time moisture content and comparing the same with the reference moisture content, obtains the reference temperature by adding the compensation temperature and the temperature fine-tuning value, and adjust the rotation speed of the feeding mechanism to regulate the feeding amount based on the reference temperature, such that the first error is gradually reduced. The method effectively overcomes the influence of time lag, and effectively improves the accuracy of moisture content control.

[0016] In some exemplary embodiments, the step of predicting the compensation temperature based on the real-time detected intake and exhaust temperatures and the real-time moisture content of the material, wherein the compensation temperature is the theoretical exhaust temperature predicted in advance based on the real-time operating conditions includes: calculating a predicted moisture content by a moisture content prediction model based on the intake and exhaust temperatures, obtaining a delayed moisture content based on the predicted moisture content; comparing the delayed moisture content with the real-time moisture content to obtain a second error; updating parameters of the moisture content prediction model based on the second error; and obtaining the compensation temperature based on the updated parameters of the moisture content prediction model. By converting the predicted moisture content into the delayed moisture content and calculating compensation temperature based on the second error, the time lag effect in the airflow drying process is effectively overcome, which is beneficial for improving the accuracy of moisture content control.

[0017] In some exemplary embodiments, the moisture content prediction model is represented by a function shown in Equation (1) :

[0018] wherein,  represents the predicted moisture content, x1 represents the exhaust temperature, x2represents the intake temperature, w1 represents an exhaust temperature weight, w2 represents an intake temperature weight, and b represents an intercept of the function shown in Equation (1) . The function of this model is simple, and facilitates calculation and  prediction of the moisture content.

[0019] In some exemplary embodiments, the parameters of the moisture content prediction model include the exhaust temperature weight w1, the intake temperature weight w2, and the intercept b of the function shown in Equation (1) , and the exhaust temperature weight w1, the intake temperature weight w2, and the intercept b of the function are updated according to Equations (2) , (3) and (4) , respectively:

[0020] wherein, w′1 represents the updated exhaust temperature weight, w′2 represents the updated intake temperature weight, and b′ represents the updated intercept of the function, y represents the real-time moisture content, α1, α2, and β respectively represents the learning rates for the exhaust temperature, the intake temperature, and the intercept of the function, and are values less than 1. This is conducive to easily and quickly updating the parameters and obtaining the predicted moisture content that approximates the real-time moisture content.

[0021] In some exemplary embodiments, the compensation temperature is calculated by Equation (5) :

[0022] wherein w1 represents the exhaust temperature weight, w2 represents the intake temperature weight, b represents the intercept of the function, Tc, representsthe compensation temperature, and Mref represents the reference moisture content. This is conducive to calculating the compensation temperature using the current parameters of the moisture content prediction model.

[0023] In some exemplary embodiments, the step of adjusting the rotation speed of the feeding mechanism based on the reference temperature to regulate the real-time moisture content includes: comparing the reference temperature with the exhaust temperature to obtain a third error; adjusting the rotation speed of the feeding mechanism to regulate the exhaust temperature and real-time moisture content based on the third error; and repeating the above two steps. By using the third error as the control objective, it is beneficial to eliminate the influence of time lag in the airflow drying process and achieve high detection accuracy. Meanwhile, the temperature  detection module that detects the exhaust temperature has a high response speed, such that the cyclic update speed of the third error is accelerated, and the temperature and moisture content fluctuations caused by air intake and / or material feed are effectively overcome. In this way, the accuracy of moisture content control is effectively improved.

[0024] In some exemplary embodiments, the first error is calculated by a primary loop calculation module, and the third error is calculated by a secondary loop calculation module. Parameters of both the primary loop calculation module and the secondary loop calculation module are acquired by fuzzy inference. The fuzzy inference overcomes the problem of inappropriate parameters of the calculation modules caused by real-time changes in the operating conditions, such that the robustness of control is enhanced.

[0025] Embodiments of the present disclosure further provide a control system for performing the method for controlling the moisture content during the airflow drying process. The control system includes a primary loop calculation module and a prediction apparatus. The primary loop calculation module is capable of receiving a reference moisture content of a product and a real-time moisture content of a material, comparing the reference moisture content with the real-time moisture content to obtain a first error, and obtaining a temperature fine-tuning value based on the first error. The prediction apparatus includes a moisture content prediction model and a delayed queue module. The moisture content prediction model is capable of receiving an intake temperature and an exhaust temperature and thereby obtaining a predicted moisture content. The delayed queue module is capable of receiving the predicted moisture content and obtaining a delayed moisture content, and obtaining a second error based on the delayed moisture content and real-time moisture content. The moisture content prediction model is capable of updating parameters thereof based on the second error, and capable of obtaining a compensation temperature based on the updated parameters.

[0026] The control system can calculate the compensation temperature based on the intake temperature, the exhaust temperature, and the real-time moisture content to adjust the temperature in the airflowdrying process in advance, obtain the temperature fine-tuning value by feeding back the real-time moisture content and comparing the same with the reference moisture content, obtain the reference temperature by adding the compensation temperature and the temperature fine-tuning value to regulate the rotation speed of the feeding mechanism. In this  way, the influence of time lag is effectively overcome, and the accuracy of moisture content control is effectively improved.

[0027] In some exemplary embodiments, the control system further includes a secondary loop calculation module. The secondary loop calculation module is capable of obtaining a reference temperature by adding the temperature fine-tuning value and the compensation temperature, comparing the reference temperature with the exhaust temperature to obtain a third error, and obtaining a rotation speed of the feeding mechanism based on the third error.

[0028] In some exemplary embodiments, the primary loop calculation module is integrated with a first fuzzy inference component, and parameters of the primary loop calculation module are obtained by fuzzy inference. The secondary loop calculation module is integrated with a second fuzzy inference component, and parameters of the secondary loop calculation module are obtained by fuzzy inference. The fuzzy inference overcomes the problem of inappropriate parameters of the calculation modules caused by real-time changes in the operating conditions, such that the robustness of control is enhanced.BRIEF DESCRIPTION OF THE DRAWINGS

[0029] The accompanying drawings are merely for schematic and illustrative description and demonstration of the present disclosure, instead of limiting the scope of the present disclosure.

[0030] FIG. 1 is a flowchart of a method for controlling moisture content during an airflow drying process according to an exemplary embodiment of the present disclosure;

[0031] FIG. 2 is a technical schematic diagram illustrating a method for controlling moisture content during an airflow drying processaccording to an exemplary embodiment of the present disclosure;

[0032] FIG. 3 is a flowchart of some steps of the method for controlling moisture content during the airflow drying process in FIG. 1;

[0033] FIG. 4 is a technical schematic diagram illustrating a method for controlling moisture content during an airflow drying process according to another exemplary embodiment of the present disclosure;

[0034] FIG. 5 is aflowchart of some steps of the method for controlling moisture content during the airflow drying process in FIG. 1; and

[0035] FIG. 6 is a schematic structural diagram of a control system.

[0036] Reference numerals and denotations thereof:

[0037] 10-Primary loop calculation module

[0038] 11-First fuzzy inference component

[0039] 20-Predictionapparatus

[0040] 21-Moisture content prediction model

[0041] 22-Delayed queue module

[0042] 30-Secondaryloop calculation module

[0043] 31-Second fuzzy inference componentDETAILED DESCRIPTION

[0044] For clearer descriptions of the technical features, objects, and the technical effects of the present disclosure, the specific embodiments of the present disclosure are hereinafter described with reference to the accompanying drawings. In the drawings, like reference numerals denote elements having the same structure or having the similar structure but the same function.

[0045] In this text, the term "exemplary" or "schematic" is used herein to mean "serving as an example, instance, or illustration, " and any illustration or embodiment described herein as "exemplary" shall not be necessarily construed as preferred or advantageous over other illustrations or embodiments.

[0046] In this text, the terms "first, " "second, " "third, " and the like do not represent degrees of importance or a sequence, but only for differentiation, and for ease of description.

[0047] For brevity, parts relevant to the present disclosure are merely illustrated in the drawings, and these parts do not denote the actual structure of the product.

[0048] FIG. 1 is a flowchart of a moisture control method during an airflow drying process according to an exemplary embodiment of the present disclosure. FIG. 2 is a technical schematic diagram illustrating a moisture content control method during an airflow drying process according to an exemplary embodiment of the present disclosure. Referring to FIG. 1 and FIG. 2, the moisture content control method during the airflow drying process includes steps S10 to S60.

[0049] In S10, a reference moisture content of a product is compared with a real-time moisture content of a material to obtain a first error. The reference moisture content is a moisture  content indicator of the product. The real-time moisture content of the material can be obtained by feedback from a moisture content detection module, such as a moisture content sensor, mounted near a product packaging end of a drying tower. Due to the distance of the product packaging end from a main drying area, the real-time moisture content of the materials lags behind real-time operating conditions in terms of time.

[0050] In an exemplary embodiment, as shown in FIG. 2, the reference moisture content of the product and the real-time moisture content of the material are input into a node 1, for example, a PID. A difference between the reference moisture content of the product and the real-time moisture content of the material, namely, the first error (not shown in FIG. 2) is calculated by taking the reference moisture content of the product as a positive value and the fed back real-time moisture content of the material as a negative value.

[0051] In S20, a temperature fine-tuning value is obtained based on the first error. In an exemplary embodiment, in the node 1, the temperature fine-tuning value is calculated based on the first error, and the temperature fine-tuning value is input into a node 2, for example, a PID.

[0052] In S30, a compensation temperature is obtained based on real-time detected intake and exhaust temperatures, and a real-time moisture content of the materials. The compensation temperature is a theoretical exhaust temperature predicted in advance based on real-time operating conditions, and is obtained by a node 3. The node 3 may be a model that is capable of predicting a moisture content and calculating a compensation temperature.

[0053] The intake temperature is obtained by a temperature detection module mounted at the bottom of the drying tower, such as a temperature sensor. The exhaust temperature is fed back from the temperature detection module mounted in the main drying area of the drying tower, such as the temperature sensor. Due to an acquisition site of the exhaust temperature is located in the main drying area, effect the influence of time lag of the exhaust temperature relative to the real-time operating conditions is not significant. An acquisition site of real-time moisture content of the material is far from the main drying area, and lags behind the real-time operating conditions in terms of time. The purpose of predicting the compensation temperature is to regulate the temperature of the airflow drying process in advance.

[0054] In S40, the temperature fine-tuning value and the compensation temperature are added to obtain a reference temperature. The temperature fine-tuning value and the  compensation temperature are input into the node 2 to obtain the reference temperature (not shown in FIG. 2) . In other exemplary embodiments, the reference temperature may also be acquired by other methods such as manual calculation.

[0055] In S50, a rotation speed of a feeding mechanism is adjusted according to the reference temperature to regulate the real-time moisture content. The rotation speed of the feeding mechanism may be determined by common calculation modules in the art. In other exemplary embodiments, the rotation speed may be determined by other methods such as manual calculation. The rotation speed of the feeding mechanism determines the amount of the material thrown into the drying tower, which in turn affects the temperature and the moisture content inside the drying tower, and consequently affects the exhaust temperature and the real-time moisture content.

[0056] In S60, stepsS10 to S50 mentioned above are repeated. When the feeding amount is gradually stabilized, the first error is stabilized within a small fluctuation range, and the airflow drying process operates stably under this operating condition. During the operation, where a sudden fluctuation occurs to the air intake and / or material feed, the first error may fluctuate accordingly. However, as steps S10 to S50 are repeated, the first error eventually tends to be stabilized.

[0057] By inputting the exhaust temperature to the node 3 and predicting the compensation temperature in combination of the intake temperature and the real-time moisture content, a feed forward loop is formed to adjust the temperature of the airflow drying process in advance. The real-time moisture content is fed back to the node 1 to calculate the temperature fine-tuning value, and then the reference temperature is obtained by adding the compensation temperature and the temperature fine-tuning value. The rotation speed of the feeding mechanism is adjusted based on the reference temperature to regulate the amount of the thrown material to affect the exhaust temperature and the real-time moisture content. The first error is stabilized within a small fluctuation range by repeating steps S10 to S50, such that a primary loop is formed. The primary loop is to control the difference, that is, the first error, between the real-time moisture content and the reference moisture content of the product. Under a synergistic effect of the feedforward loop and the primary loop, the influence of time lag is overcome during the airflow drying process, and hence a stable real-time moisture content is maintained for the material.

[0058] The moisture content control method during the airflow drying process calculates the compensation temperature according to the intake temperature, the exhaust temperature and the real-time moisture content to regulate the temperature in the airflow drying process in advance, obtains the temperature fine-tuning value by feeding back the real-time moisture content and comparing the real-time moisture content with the reference moisture content, obtains the reference temperature by adding the compensation temperature and the temperature fine-tuning value, and adjusts the rotation speed of the feeding mechanism based on the reference temperature to regulate the feeding amount, such that the first error is gradually reduced. The method effectively overcomes the influence of time lag, and effectively improves the accuracy of moisture content control.

[0059] FIG. 3 is a flowchart of some steps of the method for controlling moisture content during the airflow drying process in FIG. 1. FIG. 4 is a technical schematic diagram illustrating a method for controlling moisture content during an airflow drying process according to an exemplary embodiment of the present disclosure. In the exemplary embodiment, referring to FIGS. 3 and4, step S30 specifically includes steps S31 to S35.

[0060] In S31, a predicted moisture content is obtained by a moisture content prediction model based on the intake temperature and the exhaust temperature. The intake temperature and the exhaust temperature obtained by the temperature detection module are input to the node 3. In an exemplary embodiment, the node 3 is a moisture content prediction model. The moisture content prediction model is represented by a function shown in Equation (1) :

[0061] wherein,  represents the predicted moisture content, x1 represents the exhaust temperature, x2 represents the intake temperature, w1 represents an exhaust temperature weight, w2 represents an intake temperature weight, and b represents an intercept of the function shown in Equation (1) .

[0062] The function of the moisture content prediction model is y=kx+b, which is simple and facilitates calculation and prediction of the moisture content.

[0063] In S32, a delayed moisture content is obtained based on the predicted moisture content. In an exemplary embodiment, referring to FIG. 4, the predicted moisture content obtained is input to a node 4 and a delay moisture content is calculated. The node 4 is a delay  queue module. The delayed moisture content only lags behind the predicted moisture content in terms of time, and the delayed moisture content is consistent with the predicted moisture content in terms of calculation method and value. Therefore, only the predicted moisture content is shown in FIG 4, while the delayed moisture content is not shown.

[0064] In S33, the delayed moisture content is compared with the real-time moisture content to obtain a second error. In the calculation process of the second error, the delayed moisture content is input as a positive value, and the real-time moisture content is input as a negative value to node 4.

[0065] In S34, parameters of the moisture content prediction model are updated based on the second error. The parameters of the moisture content prediction model include the exhaust temperature weight w1, the intake temperature weight w2, and the intercept b of the function shown in Equation (1) . The exhaust temperature weight w1, the intake temperature weight w2, and the intercept b of the function are updated according to Equations (2) , (3) , and (4) , respectively:

[0066] wherein, w′1 represents the updated exhaust temperature weight, w′2 representsthe updated intake temperature weight, and b′ representsthe updated intercept of the function, yrepresents the real-time moisture content, α1, α2 and β respectively represents learning rates for the exhaust temperature, the intake temperature, and the intercept of the function, and are values less than 1. α1, α2and βmay be calculated by inputting corresponding numerical values according to actual operating conditions. In the art, the updated parametersw′1, w′2, and b′ of the moisture content prediction model may be represented as w1: , w2: and b: , respectively.

[0067] Based on the input second error, which is the node 3 updates the parameters w1, w2, and b of the moisture content prediction model, and calculates and based on the updated parameters. Under such a cycle,  eventually is stabilized, and at this point, the predicted moisture content calculated by the moisture content prediction model approximates the real-time moisture content.

[0068] In S35, based on the updated parameters of the moisture content prediction model, the  compensation temperature is calculated according to Equation (5) :

[0069] wherein w1 represents the exhaust temperature weight, w2 represents the intake temperature weight, b represents the intercept of the function, Tc, representsthe compensation temperature, and Mrefrepresents the reference moisture content.

[0070] Using the parameters w1, w2 and b after the is stabilized, the reference moisture content is input to the node 3 to calculate the compensation temperature, which effectively overcomes the influence of time lag in the airflow drying process. It should be noted that in the process of predicting the compensation temperature, the update frequency of parameters w1, w2, and b is the same as or lower than the prediction frequency of the compensation temperature. That is, each updated set of w1, w2, and b is used to predict at least one compensation temperature, such that the computational workload of the model is reduced and calculation results are quickly acquired. The latest set of parameters w1, w2, and b of the moisture content prediction model are used in each prediction of the compensation temperature.

[0071] The predicted moisture content and the delayed moisture content are calculated to make the predicted moisture content approximate the real-time moisture content while updating the parameters of the moisture content prediction model, and the reference moisture content is used to calculate the compensation temperature to regulate the temperature in the airflow drying process in advance, which effectively overcomes the influence of time lag, and improves the accuracy of moisture content control.

[0072] FIG. 5 is a flowchart of some steps of the method for controlling moisture content during the airflow drying process according to an exemplary embodiment shown in FIG. 1. In an exemplary embodiment, referring to FIGS. 4 and5, step S50 specifically includes steps S51 to S53.

[0073] In S51, the reference temperature is compared with the exhaust temperature to obtain a third error. Referring to FIG. 4, the temperature fine-tuning value and the compensation temperature are added to obtain the reference temperature (not shown in FIG. 4) . The temperature fine-tuning value and the compensation temperature are calculated as positive values, and the exhaust temperature is calculated as a negative value in the node 2 to obtain the third error (not shown in FIG. 4) .

[0074] In S52, based on the third error, the feeding mechanism adjusts the rotation speed. The feeding mechanism, for example, includes a variable frequency screw. Based on the third error, the frequency of the variable frequency screw is obtained to regulate the rotation speed of the feeding mechanism, and then regulate the feeding amount to affect the temperature and moisture content inside the drying tower, such that the exhaust temperature and the real-time moisture content are affected.

[0075] In S53, steps S51 and S52 are repeated to adjust the exhaust temperature and the real-time moisture content. It should be noted that upon S53, in one aspect, the temperature detection module will feed back the real-time detected exhaust temperature to step S51 to calculate the third error, and in another aspect, the moisture content detection module feeds back the real-time detected moisture content to step S10 to calculate the first error.

[0076] There are strong disturbances in the airflow drying process: the flow and concentration of materials and the tonnage of the shredding disk fluctuate greatly due to the influence of the upstream production process; and in addition, due to changes in temperature and flow rate of waste heat steam in thermal power plants, as well as changes in the weather temperature and the moisture content, there are certain fluctuations and uncertainties in the temperature and moisture content of the heated hot air.

[0077] If the air intake and / or material feed are stable, the third error may be stabilized within a small fluctuation range after steps S51 to S53 are repeated for several times, and the airflow drying process operates stably under this operating condition. During the operation, where the air intake and / or material feed suddenly fluctuate, the third error may quickly respond and accordingly fluctuate. The temperature detection module for detecting the exhaust temperature has a high response speed, which is conducive to accelerating the cyclic update of the third error. That is, as steps S51 to S52 are repeated continuously, the third error is quickly stabilized. Meanwhile, due to the mounting site of the temperature detection module for detecting the exhaust temperature in the main drying area, and the impact of the exhaust temperature on time lag is not significant and the detection accuracy is high. In this way, the accuracy of moisture content control is improved.

[0078] In summary, referring to FIG. 4, the compensation temperature is predicted by inputting the exhaust temperature to the node 3 in combination with the inlet air temperature and  the real-time moisture content input to the node 4, and hence a feed forward loop is formed, which regulates the temperature in the airflow drying process in advance. By feeding back the exhaust temperature to the node 2 and comparing the exhaust temperature with the reference temperature calculated by adding the compensation temperature and the temperature fine-tuning value, a third error is obtained to adjust the rotation speed of the feeding mechanism, which in turn affects the exhaust temperature and the real-time moisture content. The third error is stabilized within a small fluctuation range by cyclically performing steps S51 to S52, such that a secondary loop is formed, which is to control the third error. By feeding the real-time moisture content back to the node 1 to calculate the temperature fine-tuning value, and then adding the compensation temperature and the temperature fine-tuning value to obtain the reference temperature, the feeding amount of the material is regulated by adjusting the rotation speed of the feeding mechanism based on the difference, that is, the third error, between the reference temperature and the exhaust temperature, to affect the exhaust temperature and real-time moisture content. The first error is stabilized within a small fluctuation range by cyclically performing steps S10 to S50, such that a primary loop is formed, which is to control the first error.

[0079] It should be noted that the operating speed of the secondary loop is higher than that of the primary loop; and therefore, the response speed of the secondary loop to air intake and / or material feed fluctuations is higher than that of the primary loop. Thus, the secondary loop quickly eliminates the third error fluctuations caused by air intake and / or material feed fluctuations, such that the smooth operation of the entire airflow drying process is ensured.

[0080] The synergistic effect of the feedforward loop, the primary loop, and the secondary loop overcomes the influence of time lag in the airflow drying process, which allows the product to maintain a stable real-time moisture content, close to the reference moisture content of the product. Secondly, the secondary loop is to control the third error, which is the difference between the reference temperature and the exhaust temperature. The temperature detection module for detecting the exhaust temperature has a high response speed, which is conducive to accelerating the cyclic update of the third error. The secondary loop quickly eliminates the third error caused by air intake and / or material feed fluctuations, such that the smooth operation of the entire airflow drying process is ensured. Thirdly, due to the mounting site of the temperature  detection module for detecting the exhaust temperature is located in the main drying area, the impact of the exhaust temperature on time lag is not significant and the detection accuracy is high, and the accuracy of moisture content control is effectively improved, under the collaboration of the primary loop and the feedforward loop.

[0081] In an exemplary embodiment, the first error is calculated by a primary loop calculation module, such as the node 1, and the third error is calculated by a secondary loop calculation module, such as the node 2. The primary loop calculation module and the secondary loop calculation module, for example, are PIDs. The parameters of the primary loop calculation module and the secondary loop calculation module are obtained by fuzzy inference. The fuzzy inference overcomes the problem of inappropriate parameters caused by real-time changes in operating conditions, such that the robustness of control is improved.

[0082] FIG. 6 is a structural diagram of a control system. Referring to FIG. 6, the present invention also provides a control system 100 for performing the method for controlling the moisture contentduring the airflow drying process. The control system 100 includes a primary loop calculation module 10 and a prediction device 20. The primary loop calculation module 10 is, for example, a PID.

[0083] The primary loop calculation module 10 is capable of receiving a reference moisture content of a product and a real-time moisture content of a material, comparing the reference moisture content with the real-time moisture content to obtain a first error, and obtaining a temperature fine-tuning value based on the first error.

[0084] The prediction device 20 includes a moisture content prediction model 21 and a delay queue module 22.

[0085] The moisture content prediction model 21 is capable of obtaining a predicted moisture content based on an intake temperature and an exhaust temperature. The delay queue module 22 is capable of receiving the predicted moisture content and obtaining a delay moisture content, and obtaining a second error based on the delay moisture content and the real-time moisture content. The moisture content prediction model is capable of updating parameters thereof based on the second error, and capable of obtaining a compensation temperature based on the updated parameters.

[0086] In an exemplary embodiment, the control system also includes a secondary  loopcalculation module 30. The secondary loop calculation module 30 is capable of obtainingthe reference temperature by adding the temperature fine-tuning values and the compensation temperature, comparing the reference temperature with the exhaust temperature to obtain a third error, and obtaining a rotation speed of a feeding mechanism based on the third error. The secondary loop calculation module 30, for example, is a PID.

[0087] In an exemplary embodiment, the primary loop calculation module 10 is integrated with a first fuzzy inferencecomponent 11 to obtain parameters of the primary loop calculation module 10 by fuzzy inference. The secondary loop calculation module 30 is integrated with a second fuzzy inferencecomponent 31 to obtain parameters of the secondary loop calculation module 30 by fuzzy inference. The fuzzy inference overcomes the problem of inappropriate parameters of the calculation modules caused by real-time changes in operating conditions, such that the robustness of control is improved.

[0088] It should be understood that, although the present disclosure is described with reference to some exemplary embodiments, none of the embodiments is intended to disclose an independent technical solution. Such description manner of the specification is only for clarity. A person skilled in the art should consider the specification as an entirety. The technical solutions according to the embodiments may also be suitably combined to derive other embodiments that may be understood by a person skilled in the art.

[0089] A series of detailed descriptions given in this specification are merely intended to illustrate exemplary and possible embodiments of the present disclosure, instead of limiting the protection scope of the present disclosure. Any equivalent embodiments or modifications, for example, combinations, segmentations, or repetition of features, derived without departing from the spirit of the present disclosure shall fall within the protection scope of the present disclosure.

Claims

1.A method for controlling a moisture content during an airflow drying process, comprising:comparing a reference moisture content of a product with a real-time moisture content of a material to obtain a first error, wherein the reference moisture content is a moisture content indicator of the product;obtaining a temperature fine-tuning value based on the first error;predicting a compensation temperature based on real-time detected intake and exhaust temperatures and the real-time moisture content of the material, wherein the compensation temperature is a theoretical exhaust temperature predicted in advance based on real-time operating conditions;adding the temperature fine-tuning value and the compensation temperature to obtain a reference temperature;adjusting a rotation speed of a feeding mechanism based on the reference temperature to regulate the real-time moisture content; andrepeating the above five steps.2.The method according to claim 1, wherein the step of predicting the compensation temperature based on the real-time detected intake and exhaust temperatures and the real-time moisture content of the material, wherein the compensation temperature is the theoretical exhaust temperature predicted in advance based on the real-time operating conditions comprises:calculating a predicted moisture content by a moisture content prediction model based on the intake and exhaust temperatures;obtaining a delayed moisture content based on the predicted moisture content;comparing the delayed moisture content with the real-time moisture content to obtain a second error;updating parameters of the moisture content prediction model based on the second error; andobtaining the compensation temperature based on the updated parameters of the moisture content prediction model.3.The method according to claim 2, wherein the moisture content prediction model is  represented by a function shown in Equation (1) : whereinrepresents the predicted moisture content, x1 represents the exhaust temperature, x2 represents the intake temperature, w1 represents an exhaust temperature weight, w2 represents an intake temperature weight, and b represents an intercept of the function shown in Equation (1) .4.The method according to claim 3, whereinthe parameters of the moisture content prediction model comprise the exhaust temperature weight w1, the intake temperature weight w2, and the intercept b of the function shown in Equation (1) , and the exhaust temperature weight w1, the intake temperature weight w2, and the intercept b of the function are updated according to Equations (2) , (3) and (4) , respectively: wherein w′1 represents the updated exhaust temperature weight,w′2 represents the updated intake temperature weight,b′represents the updated intercept of the function,y represents the real-time moisture content, andα1, α2, and β respectively represent learning rates for the exhaust temperature, the intake temperature, and the intercept of the function, and are values less than 1.5.The method according to claim 4, wherein the compensation temperature is calculated according to Equation (5) : wherein w1 represents the exhaust temperature weight,w2 represents the intake temperature weight,b represents the intercept of the function,Tc represents the compensation temperature, andMref represents the reference moisture content.6.The method according to claim 1, wherein the step of adjusting the rotation speed of the feeding mechanism based on the reference temperature to regulate the real-time moisture content  comprises:comparing the reference temperature with the exhaust temperature to obtain a third error;adjusting the rotation speed of the feeding mechanism to regulate the exhaust temperature and real-time moisture content based on the third error; andrepeating the above two steps.7.The method according to claim 6, wherein the first error is calculated by a primary loop calculation module, and the third error is calculated by a secondary loop calculation module, and parameters of both the primary loop calculation module and the secondary loop calculation module are acquired by fuzzy inference.8.A control system for performing the method for controlling the moisture content during the airflow drying process as defined in any one of claims 1 to 7, comprising:a primary loop calculation module (10) capable of receiving a reference moisture content of a product and a real-time moisture content of a material, comparing the reference moisture content with the real-time moisture content to obtain a first error, and obtaining a temperature fine-tuning value based on the first error; anda prediction apparatus (20) , comprising:a moisture content prediction model (21) capable of receiving an intake temperature and an exhaust temperature and obtaining a predicted moisture content, anda delayed queue module (22) capable of receiving the predicted moisture content and obtaining a delayed moisture content, and obtaining a second error based on the delayed moisture content and the real-time moisture content, wherein the moisture content prediction model is capable of updating parameters thereof based on the second error, and capable of obtaining a compensation temperature based on the updated parameters.9.The control system according to claim8, further comprising:a secondary loop calculation module (30) capable of obtaining a reference temperature by adding the temperature fine-tuning value and the compensation temperature, comparing the reference temperature with the exhaust temperature to obtain a third error, and obtaining a rotation speed of the feeding mechanism based on the third error.10.The control system according to claim 9, wherein the primary loop calculation module (10) is integrated with a first fuzzy inference component (11) , and parameters of the primary  loop calculation module (10) are obtained by fuzzy inference, the secondary loop calculation module (30) is integrated with a second fuzzy inference component (31) , and parameters of the secondary loop calculation module (30) are obtained by fuzzy inference.

Images