陶瓷料浆喷雾干燥时,喷雾干燥塔内高温气流与陶瓷料浆进行短暂且充分接触,陶瓷颗粒湿分快速干燥,传热传质过程复杂,是一个非线性、滞后严重,以及温度场、湿度场、速度场等多场相互耦合的气液固多相流相变系统,另外由于干燥过程短暂迅速,很难对其内部进行观察,因此喷雾干燥最终制备出来的颗粒质量(含水率、粒径分布等)难以得到保证,陶瓷企业通常需要对喷雾干燥设备进行24小时监测,防止各项参数的改变影响到颗粒质量变化,参数的调节多依靠经验缺乏模型指导,而且关于颗粒质量检测多是离线法滞后严重,实时监测的设备在陶瓷企业应用不广还存在一定的局限性,针对以上问题,建立能在实际工况下对颗粒质量进行预测的陶瓷工业喷雾干燥智能模型显得尤为重要,一方面能在保证质量的前提下提供喷雾干燥各项参数指导,另一方面能实时预测颗粒质量指标,使其满足生产需求避免废料的产生,降低能源的浪费。为此,本课题基于人工神经网络、智能算法等人工智能理论,探析陶瓷工业喷雾干燥过程传热传质机理及影响颗粒质量因素,构建了陶瓷工业喷雾干燥BP神经网络模型,同时为提高该模型的预测精度,引入了改进飞蛾扑火优化(IMFO)算法对模型进行优化,实现对陶瓷颗粒多个质量指标进行实时预测,确保在连续生产过程中能及时调节喷雾干燥各项参数,减少能源浪费,保证产品质量。主要研究内容如下:(1)对陶瓷工业喷雾干燥设备的干燥过程及热量收支进行分析,以最终颗粒含水率和粒径分布作为制粒质量的指标,并确定出影响颗粒质量的6个因素,包括进风温度、进风速度、进料速度、喷片孔径、料浆比重和料浆初始含水率。在质量指标和影响因素的基础上进行正交实验设计,构建3水平6因素的水平表,选用L27(313)正交表,为陶瓷工业喷雾干燥BP神经网络模型构建提供数据来源。(2)分析了人工神经网络中的BP神经网络结构及其原理,针对陶瓷工业喷雾干燥影响因素和质量指标的非线性关系,在实验数据的基础上建立陶瓷工业喷雾干燥BP神经网络模型,模型质量指标预测值和实际值平均拟合度为0.7873,平均误差为2.7635,预测精度上还有所欠缺。(3)针对模型预测精度不足等问题,基于飞蛾扑火优化(MFO)算法,同时该算法存在收敛精度不高、收敛速度较慢等缺陷,在迭代前期加入佳点集策略、中后期加入自适应螺旋角以及莱维飞行策略,进行多策略改进形成IMFO算法,用于优化陶瓷工业喷雾干燥BP神经网络模型,并分别建立了陶瓷工业喷雾干燥的MFO-BP神经网络模型和IMFO-BP神经网络模型。通过质量指标预测仿真结果表明,MFO-BP神经网络模型预测性能较原模型拟合度平均提高了 6.13%为0.8355,误差总体平均减少了 26.27%;IMFO-BP神经网络模型预测性能相比较原模型拟合度平均提高了 12.07%为0.8823,误差总体平均减小了 32.61%,另外还对各模型预测的绝对误差率按0-5%、5-10%和>10%三个范围进行划分,IMFO-BP神经网络模型预测的误差率落在0-5%范围内的数量均要高于另外两个模型,综上IMFO-BP神经网络模型更加适用于陶瓷工业喷雾干燥质量预测,适应性更强。(4)利用MATLAB软件基于IMFO-BP神经网络陶瓷工业喷雾干燥模型设计了颗粒质量预测平台,主界面由参数输入区、颗粒质量预测区以及预测按钮区构成,能给用户提供颗粒质量实时预测以及需要参数优化时单独预测的功能,有利于指导实际生产。本论文对陶瓷工业喷雾干燥颗粒质量的预测及后续智能化发展,提供了一定的参考价值。