1.一种基于模型预测控制的松散回潮定量加水控制方法，其特征在于，包括以下步骤：
（1）在松散回潮工序生产开始时进行过程监测，比对当前松散回潮烟叶生产牌号和松散回潮工序关键变量与预设值，若监测为非当前牌号或回潮工序关键变量超限，则系统自动报警提示，人工操作使得工序恢复到正常控制范围内；
（2）根据松散回潮入口电子秤的烟叶瞬时流量与烟叶累计质量数据判断松散回潮生产进度是料头阶段还是平稳生产阶段；
若处于料头阶段，采用固定加水量和加汽量模式保证初始松散回潮出口烟叶含水率和温度的稳定性，并且通过控制排潮风门来快速提升回潮出口烟叶温度；料头阶段结束后，根据已知历史批次的平均加水量和已知来料烟包水分计算出当前批次初始加水量设定值；料头阶段结束后进入生产平稳阶段；
若处于生产平稳阶段，采集预测模型输入变量的平均值，包含回潮回风温度、回潮加水量、蒸汽量、回潮排潮负压，回潮入口电子秤烟叶累计质量达到值A以后，每间隔质量B利用预测模型反推预测出加水量预测值，以来料烟包平均含水率为前馈变量，以进柜前烟叶含水率实际平均值为反馈变量，加权输出得到最终回潮加水量建议值，以实现进柜前烟叶含水率的预测控制，并进行回潮生产；
预测模型建立步骤如下：
将松散回潮和润叶加料看成一个整体，根据批次级数据建立基于数据驱动的黑箱模型，用遗忘因子递推最小二乘模型表征回潮加水量与进柜前含水率之间的关系，公式表示如下：
其中，y表示进柜前烟叶含水率，X表示预测模型输入变量列向量，包含回潮回风温度、回潮加水量、蒸汽量、回潮排潮负压、回潮环境温度、回潮环境湿度、回潮出口温度、加料入口水分、加料蒸汽阀、加料环境温度、加料环境湿度，Φ为对应模型输入变量的系数列向量，T
Φ为Φ的转置向量，Φ不断更新；
最终回潮加水量建议值加权输出值计算方式为：
最终控制回潮加水量建议值Wt为：
其中，W0是遗忘因子递推最小二乘模型计算出来的加水量，M1为来料烟包水分，ω1为来料烟包水分的前馈系数，M2为进柜前水分，ω2为进柜前水分的反馈系数；
W0的计算公式方法如下：通过模型训练更新可得到完整的模型公式，已知模型输入X即可求得模型输出进柜前烟叶含水率y的预测值，若要知道进柜前烟叶含水率达到目标值对应的加水量，即可把进柜前水分目标值和不包含加水量的模型输入变量代入模型公式中，求得模型预测加水量W0，计算公式如下：
T
其中，y目标为进柜前烟叶含水率目标值，Φs为对应的不含加水量的模型输入变量系数列向量对应的转置向量，XS为X去除回潮加水量的模型输入变量数据列向量，θs为加水量对应的模型系数；
（3）回潮批次生产结束后计算预测模型的输入输出变量的批次平均值，包括出口烟叶含水率、进柜前烟叶含水率，并用于预测模型更新从而修正模型，使得下个批次开始的时候，模型的预测值更加准确，最后通过日志记录写值与关键数据信息，积累关键历史过程数据，以便后期系统控制参数优化与维护。
2.根据权利要求1所述的方法，其特征在于，所述步骤（1）中松散回潮工序关键变量包含：松散回潮入口电子秤烟叶瞬时流量、回潮回风温度、回潮出口烟叶温度和回潮出口烟叶含水率。
3.根据权利要求1所述的方法，其特征在于：所述步骤（2）中，料头阶段快速提升回潮出口烟叶温度的方法如下：当回风温度到60℃，且回潮入口电子秤过料时，初始回潮加水流量设定100kg/h，初始回潮蒸汽量设定为235kg/h，初始排潮开度设定为33%，当电子秤烟叶累计量达350kg时，排潮开度改为20%，当回风温度达到67度后看出口烟叶温度是否达到64度；
如果达到则排潮开度改为33%并认为料头阶段结束，否则排潮开度改成30%再去检查出口烟叶温度是否达64度，若出口烟叶温度未上升至64度，则强制料头阶段10分钟后结束。
4.根据权利要求1所述的方法，其特征在于：所述步骤（2）中，ω1前馈系数和ω2反馈系数确定方法如下：前馈反馈系数选取不能过大，带上量纲不超过10，根据历史数据中来料水分对加水量的影响程度来选取来料烟包水分的前馈系数，根据进柜前水分对加水量的影响程度来选取进柜前水分的反馈系数后，在实际运行过程中，为了保证运行效果，需要根据实际情况适当调整前馈反馈系数来改变预测值与前馈反馈值占最终加水量建议值的比重。
5.根据权利要求1所述的方法，其特征在于：所述步骤（2）中，所述A为3300kg，B为
1000kg。
6.根据权利要求1所述的方法，其特征在于：所述步骤（3）中，预测模型更新策略为：
设定初始系数列向量Ф与系数向量乘积的逆矩阵P即可根据递推公式将t‑1时刻的模型系数列向量Фt‑1更新为t时刻的模型系数列向量Фt，从而达到模型更新的目的，递推公式如下：
其中，Kt为t时刻的中间矩阵，yt为t时刻的进柜前水分，λ为遗忘因子，I为单位矩阵，T为矩阵向量对应的转置矩阵，Pt为t时刻系数向量矩阵乘积的逆矩阵，Xt为t时刻模型输入变量原始数据的列向量。
7.根据权利要求6所述的方法，其特征在于：对于遗忘因子递推最小二乘模型t时刻的模型系数列向量Фt的获取步骤为：
（1）设定模型系数列向量Ф0、系数向量矩阵乘积的逆矩阵P0和遗忘因子λ的初始值，模型系数列向量Ф0初值先设定一个系数为0.5的单位列向量，系数向量矩阵乘积的逆矩阵P0设定为系数值在1000以上的单位矩阵，而遗忘因子λ是模型遗忘历史数据的权重，设定在
0.9到1，即可得到较为稳定的模型预测性能；
（2）采集当前模型输入输出变量的平均值构成模型输入变量列向量X0和初始时刻的模型输出变量进柜前水分y0；
（3）利用上述递推公式，计算出1时刻的中间矩阵K1、系数向量矩阵乘积的逆矩阵P1和模型系数列向量Ф1；
（4）然后返回步骤（2），继续读取新时刻的模型输入输出数据，循环迭代，不断从t‑1时刻便更新t时刻的模型参数，进而用于t时刻的模型预测。