基于模糊綜合與神經網絡的制絲工藝多因素評價模型

王曉娟

(貴州中煙工業有限責任公司貴定卷煙廠，貴州 貴定 551300)

基于模糊綜合與神經網絡的制絲工藝多因素評價模型

王曉娟

(貴州中煙工業有限責任公司貴定卷煙廠，貴州 貴定 551300)

為解決將制絲工藝質量、設備運行狀態、生產消耗作為影響因素聯合對制絲工藝進行綜合等級判定的問題，建立了基于層次分析法、線性投影法的多因素模糊綜合評價模型和神經網絡評價模型。通過對甲乙丙3個班組9～12月份質量系數、斷料情況等進行建模，表明：神經網絡評價模型既可以用于驗證多因素模糊綜合評價模型的合理性與準確性，也可獨立對制絲工藝綜合等級進行判定。兩種方法相結合，互相驗證，為提高制絲工藝綜合生產水平提供了科學、簡潔的依據，對查找工藝質量、設備運行狀態、生產消耗指標下的各項不良因素提供了支持。

制絲工藝；層次分析法；多因素模糊評價模型；隸屬函數；神經網絡評價模型

制絲過程是穩定產品質量、降低原輔料消耗的重要環節。過程能力指數是指過程能力滿足產品質量標準要求的程度，在過程能力判斷基準的5個等級中，當過程能力指數處于特級水平(≥1.67)后，可以考慮簡化管理、降低成本。目前煙草行業制絲生產設備先進、產品質量穩定，多家卷煙廠正在進行易地技改，因此建立一套制絲工藝綜合評價體系顯得尤為重要。傳統的制絲工藝評價以各工序質量系數為基礎，對工藝質量指標和感官質量綜合評價與判定，根據結果設置各生產工序適宜的工藝技術參數[1]。2016年新版卷煙工藝規范[2]指出：應定期開展工藝消耗評價，驗證工藝消耗控制效果，并結合工藝消耗指標完成情況，對造成物料高耗的工序、流程、操作方法等進行改進。在過程能力指數普遍處于特級水平的前提下，建立基于工藝質量、設備運行狀態、生產消耗三者結合的制絲工藝綜合評價體系，更符合新形勢下的發展需求。目前對制絲過程參數的研究已較為廣泛，如劉繼輝等[3]應用隨機森林回歸的方法對制絲過程參數權重進行分析；熊安言等[4]研究了葉絲加料工序工藝參數對加料效果的影響；劉曉龍等[5]運用專家矩陣分析卷煙制造過程特性參數與需求參數之間的關聯程度；張濤等[6]研究了制絲工藝參數對9種主流煙氣成分釋放量的影響。對于成品的綜合評價研究也較為成熟，如陶永峰等[7]運用Z比分數與模糊AHP相結合的評價模型，對卷煙成品實驗室檢測能力進行評價，有較好的應用效果。而直接對制絲工藝綜合評價體系的研究則較少，因此建立評價模型對制絲工藝進行綜合評價非常必要。多因素模糊綜合評價模型用模糊數學對受到多種因素制約的事物或對象作出一個總體的評價，能較好地解決模糊的、難以量化的問題。本試驗擬采用多因素模糊綜合評價模型對制絲工藝綜合評價進行建模。并引入神經網絡模型在學習已有評價因素與分數的前提下，預測已知評價因素的綜合評價分數并作對比。其最終目的是對不同班組制絲工藝綜合評價等級進行對比，不同班組、不同時間的評價等級形成對標，給出影響評價等級的因素，提高工藝質量、設備運行狀態、生產消耗影響下的制絲工藝綜合生產水平。

1 模型建立

1.1 多因素模糊綜合評價模型

對于“制絲工藝綜合評價”這一模糊的概念，用精確數學無法準確地界定制絲工藝綜合能力屬于何種水平，而從模糊數學的觀點來看，對于制絲工藝綜合評價體系，盡管無法界定它的能力究竟屬于哪個級別，但是可以評價制絲工藝綜合能力屬于某個或某幾個級別的程度，這種程度即可量化為隸屬度。

在權重的計算過程中，運用了層次分析法[8]對權重進行量化計算。在計算隸屬程度時，對原始數據進行無量綱化處理，無量綱化處理采用了基于“線性投影法”的模型，用處理后的數據作為各個因素的評價指標，保證了結果的精確性。

多因素模糊評價方法操作步驟為[9]：

(1) 建立評價對象因素指標集合Z={x1,x2,x3,x4,x5,x6,x7,x8,x9,x10}，其中x1～x10對應的因素指標數據為無量綱化后的數據。

(2) 建立待評定對象集合N={N1,N2,N3,N4,N5,N6,N7,N8,N9,N10,N11,N12}，數據來自甲乙丙3個班組4個月的生產數據。

(3) 建立評價等級集合P={A,B,C,D,E}。

(4) 建立多因素評價映射體系，即對Z中的每個元素xi,(1≤i≤10)，分別建立xi(1≤i≤10)到P的隸屬函數映射Fxi，在每個Fxi中，建立單因素評價映射：

f：xij→P?xij∈xi其中j=1,2,…,10。

(5) 根據即隸屬函數，對集合N中的每個班組分別計算多因素模糊判斷矩陣RNj(j=1,2,…,10)。

(7) 建立綜合評判體系：由于評價對象因素集合Z中各個因素的權重各不相同，利用多層層次分析法逐層計算10種因素的權重集合w={w11,w12,w13,w14,w21,w22,w31,w32,w33,w34}，在得出w與RNj的值之后，利用公式:lj=w×RNj計算出綜合隸屬程度向量lj(j=1,2,…,10)。

(7) 最終將指標集合P中的等級均勻量化，分別給定P中每一個評價指標的量化分值，得到一個量化分值矩陣，記作FP=(P1,P2,P3,P4,P5)，則FP×ljT即為最終制絲工藝綜合評價分數。

1.2 神經網絡評價模型

圖1 神經網絡評價模型算法流程Figure 1 Algorithm process of neural network evaluation model

2 制絲工藝綜合評價模型應用

以松散回潮工序質量系數、加料工序質量系數、烘絲及混絲加香工序質量系數、梗加香工序質量系數、斷料次數、斷料時間等10個主要因素作為評價對象，以2016年制絲車間某A類卷煙9～12月份甲乙丙3個班組的生產數據作為待評定對象。建立5個等級的評語集，對制絲工藝進行綜合評價。

2.1 評價指標結構及因素

制絲工藝綜合評價指標體系結構見圖2。

圖2 制絲工藝綜合評價指標體系Figure 2 Comprehensive evaluation index system of tobacco primary processing line quality

2.2 計算各指標的權重

利用多層層次分析法計算各指標的權重，如w1=(0.636 98,0.104 71,0.258 31)。計算結果通過一致性檢驗，其余權重見表1。

2.3 “線性投影法”對原始數據無量綱化處理

傳統處理方法以理想指標值經無量綱化處理后為“1”，對單向指標進行歸“1”化處理。其優點是確保處理后的單向

表1 各指標對應的權重?Table 1 The weight of various indicators

? 目標為制絲工藝綜合評價指標，其權重為1。

指標值x∈[0,1]，各項指標散布較均勻，綜合水平值直觀性較好；缺點是理想指標值主觀性較大，準確性難以保證。線性投影法是采用一元線性方程將原始數據無量綱化處理的一種方式。本試驗采用“線性投影法[12]”:① 使各指標無量綱化處理后的評價標準值在(0,1)范圍內，也避免了因指標原始值大小與散布程度使評價結果的失真；② 避免了因選取理想指標值的主觀性而造成的誤差，使得問題的處理更加準確。

用“線性投影法”對原始數據進行無量綱化處理：將所選取的10項因素原始值在(0,1)區間內投影，采用的線性相對量化數學模型為：

yi=bxi'+c，

(1)

式中：

xi'——各個因素原始值；

yi——投影法處理后的各個因素標準值；

b、c——待定系數。

這里需要引入有關“正指標”“逆指標”的概念，通俗的解釋就是：某因素的數值越大，該因素的影響力越強，那么該因素就是“正指標”；如果相反就是“逆指標”。本文所選取的工藝質量因素的松散回潮工序質量系數、加料工序質量系數、烘絲及混絲加香工序質量系數、梗加香工序質量系數4項指標為“正指標”，其余6項指標為“逆指標”。

當x為“正指標”時按式(2)進行具體計算：

(2)

當x為“逆指標”時，按式(3)進行具體計算：

(3)

將所統計的各個因素的數據分別代入式(2)、(3)得到x、y的值，再代入式(1)得到各個因素對應的b、c值，最后通過得到的各個因素不同的b、c值，再分別將數據代回式(1)進行無量綱化處理。

按照上述方法，將10項因素的所有數據無量綱化處理，為了便于后期計算分析，將無量綱化后的數據擴大100倍見表2。

2.4 運用模糊數學原理模型求解制絲工藝綜合評價分數

(4)表2 各指標無量綱化擴大100倍數據Table 2 Expanded 100 times of various indicators

表3 i與si的計算結果匯總表Table 3 The calculation results of i and si

根據模糊數學原理，需要將模糊評價分成多個等級，本試驗將評價分成了5個等級，詳見表4。

表4 制絲工藝綜合評價分數級別定義

Table 4 Scores level definition of tobacco primary processing line quality comprehensive evaluation

級別級別的詳細定義級別量化值A制絲工藝綜合生產水平優秀,質量水平特級、設備運行狀態良好、消耗低90～100B制絲工藝綜合生產水平良好,質量水平較高、設備運行狀態較好、消耗較低80～89C制絲工藝綜合生產水平一般,質量水平有待提高、設備運行無明顯故障、消耗較高70～79D制絲工藝綜合生產水平合格,質量有不合格情況、設備運行故障較少、消耗高,查找設備故障60～69E制絲工藝綜合生產水平不合格,質量水平明顯不達標、設備帶故障運行、消耗高,不可繼續生產0～59

現以x1為例，計算隸屬函數Fx1，具體表達式見式(5)；對應隸屬函數圖像見圖3。

圖3 隸屬函數Figure 3 Membership function

(5)

同理可得到剩余9組隸屬函數。下面根據已經確定的隸屬函數計算隸屬度：以x1因素的5個評價等級的隸屬度為例，將表2中對應的數值代入隸屬函數Fx1中得：

為了方便計算，將計算的數據寫成矩陣的形式RN1-RN12：

結合數值權重值w計算每個班組的隸屬程度向量ln,ln=w×RNn,(n=1,2,…,12)解得l1=(0.032 3 0.086 4 0.211 1 0.476 0 0.194 3)，ln詳細表示見表5，然后根據表4[級別量化表示為分值矩陣F=(60,70,80,90,100)]，計算出F×NiT,(i=1,2,3,4,5)即表示制絲工藝綜合評價量化值，結合表4的級別定義，結果詳見表6。

2.5 運用神經網絡模型求解制絲工藝綜合評價分數

首先，將根據甲乙丙3班9～10月份通過多因素模糊綜合評價模型計算出的制絲工藝綜合評價分數及10個相關因素作為訓練集數據，甲班11～12月已知分數及10個相關因素作為測試集數據。然后，依據上述已知條件，運用神經網絡評價方法建立數學模型。通過已知的訓練集和測試集數據，讓數學模型達到自學習的效果，將測試集預測分數誤差降至10分以內(見圖4)。引入權重的概念，針對不同特征參數進行加權，使自學習數學模型中的測試集預測分數誤差降至5分以內。運用建立好的數學模型，已知11～12月份，甲乙丙3班10個相關因素，預測11～12月份甲乙丙三班制絲工藝綜合評價分數，最終結果見圖5。

表5 各班組制絲綜合工藝評價指標5級隸屬度Table 5 Level 5 membership of each team

表6 班組制絲工藝綜合評價結果Table 6 The evaluation results of each team

2.6 結果分析

通過多因素模糊綜合評價模型與神經網絡評價模型計算出的制絲工藝綜合評價分數結果見表7。

圖4 測試數據預測圖Figure 4 Prediction of test data

圖5 預測11～12月份甲乙丙3班制絲工藝綜合評價分數Figure 5 Prediction score of comprehensive evaluation

通過分析可知，甲班11月份制絲工藝綜合生產水平處于B與C級之間，更偏向于C級；甲班12月份制絲工藝綜合生產水平處于B級。乙班11月份制絲工藝綜合生產水平處于B與C級之間，更偏向于C級；乙班11、12月份制絲工藝綜合生產水平處于C級。丙班11月份制絲工藝綜合生產水平處于B級；丙班12月份制絲工藝綜合生產水平處于B與C級之間，更偏向于C級。而無論是基于多因素模糊綜合評價模型還是神經網絡評價模型，對制絲工藝綜合評價結果的等級相同，則說明多因素模糊綜合評價模型用于制絲工藝綜合評價可行。通過對制絲工藝綜合評價等級的判定，可知3班制絲工藝綜合生產能力皆不屬于優秀水平，甲班、丙班水平相當，較好于乙班。通過對各因素隸屬度矩陣RN1-RN12及表5各班組制絲綜合工藝評價指標5級隸屬度的數據進行分析可知，乙班11月份松散回潮工序質量系數、加料工序質量系數、梗加香工序質量系數較差，皆屬于D、E等級，質量不合格甚至質量水平明顯不達標。斷料次數屬于D、E等級、斷料時間屬于C、D等級，設備運行狀態不佳。乙班12月份各工藝段質量系數皆較差，屬于D、E等級，但設備運行狀態較好，斷料次數與時間較少，消耗水平適中。

3 結論

建立了基于層次分析法、線性投影法的多因素模糊綜合評價模型，應用于制絲工藝綜合等級評價，最終得到甲乙丙3個班組的制絲工藝綜合生產水平及影響其評價等級的不良因素。神經網絡評價模型既可以用于驗證多因素模糊綜合評價模型的合理性與準確性，也可獨立對制絲工藝綜合等級進行判定。其優點是訓練數據越多其準確性越高，減少了權重評價主觀因素的作用；其缺點是不能對影響評價等級的不良因素進行判斷。因此，當樣本數據足夠多，并且不需要指出影響評價等級的不良因素時，采用神經網絡評價模型準確度更高；但如果需要對影響評價等級的不良因素進行排查時，則多因素模糊綜合評價模型的應用更廣泛。兩種方法相結合，互相驗證，對提高制絲工藝綜合生產水平提供了科學、簡潔的依據，對查找工藝質量、設備運行狀態、生產消耗指標下的各項不良因素提供了支持。

表7 班組制絲工藝綜合評價結果對比Table 7 The evaluation results comparison of each team

[1] 國家煙草專賣局. 卷煙工藝規范[S]. 北京: 中央文獻出版社, 2003: 20-25.

[2] 國家煙草專賣局. 卷煙工藝規范[S]. 北京: 中央文獻出版社, 2016: 30-35.

[3] 劉繼輝, 許磊, 馬曉龍, 等. 基于隨機森林回歸的制絲過程參數影響權重分析[J]. 煙草科技, 2017, 50(2): 63-71.

[4] 熊安言, 于建春, 王二彬, 等. 葉絲加料工序參數對加料效果的影響[J]. 煙草科技, 2016, 49(1): 66-71.

[5] 劉曉龍. 卷煙制造過程關鍵質量特性識別及實證研究[D]. 鄭州: 鄭州大學, 2013: 20-25.

[6] 張濤, 蘇明亮, 趙偉, 等. 制絲工藝參數對9種主流煙氣成分釋放量的影響[J]. 煙草科技, 2014(8)：32-37.

[7] 陶永峰, 張勝華, 李文璟, 等.Z比分數-模糊AHP評價模型在卷煙成品實驗室檢測能力評價中的應用[J]. 煙草科技, 2015, 48(5): 85-89.

[8] 劉璇, 王沛, 畢金峰, 等. 基于層次分析法的晚熟品種蘋果脆片品質評價[J]. 食品與機械, 2012, 28(5): 46-50.

[9] 楊綸標, 高英儀. 模糊數學原理及應用[M]. 廣州: 華南理工大學出版社出版, 2006: 50-55.

[10] 胡永宏. 綜合評價方法[M]. 北京: 科學出版社, 2000: 60-65.

[11] 王小川, 史峰, 郁磊, 等.MATLAB神經網絡43個案例分析[M]. 北京: 北京航空航天大學出版社, 2011: 133-137.

[12] 曲玉琨, 張新征, 王章龍, 等. 火炮系統效能綜合評價與指標無量綱化處理的研究[J]. 火炮發射與控制學報, 2007(3): 20-20.

Application of fuzzy comprehensive and Neural network evaluation models on tobacco primary processing line quality

WANGXiao-juan

(ChinaTobaccoGuizhouTobaccoIndustiralCo.,Ltd.,Guidingcigarettefactory,Guiding,Guizhou551300,China)

To solve the problems on determining comprehensive level of pipe tobacco technology via pipe tobacco quality, equipment operation and production consumption, the Fuzzy comprehensive and neural network evaluation models were built based on analytic hierarchy process, linear projection method. The modeling results of the three groups based on the mass coefficient and cutting material condition from September to December indicated that neural network evaluation model could not only verify the rationality and accuracy of multi-factor fuzzy comprehensive evaluation model, but also could independently determine the comprehensive level of pipe tobacco technology. It not only offers scientific evidence to improve production levels of pipe tobacco, but also provides support to find negetive factors in process quality, equipment operation and production consumption by combing with the two methods.

Tobacco primary processing line quality; Analytic Hierarchy Process; Multi-factor fuzzy comprehensive evaluation model; Membership; Neural network evaluation model

王曉娟(1973—)，女，貴州中煙工業有限責任公司貴定卷煙廠工程師。E-mail:xj0357@sina.com

2017—03—09

10.13652/j.issn.1003-5788.2017.05.041