卷煙制絲環節關鍵工序水分預測模型的建立與檢驗

李自娟 劉 博 高 楊 陳嬌嬌

(張家口卷煙廠有限責任公司，河北 張家口 075000)

制絲過程中的含水率是卷煙生產中最重要的控制指標，如何盡可能地提高各工序的出口水分控制的平穩性與精準性，一直是各卷煙企業的重點研究內容[1-2]。目前，卷煙制作過程中的松散回潮、葉片加料、熱風潤葉、薄板烘絲工序多采用PID 算法，以及前饋補償、順序邏輯控制手段，這種控制手法的優點是模型簡單易實施[3]，但各控制回路間的協調性差，相對獨立，較難達到真正的閉環自動控制[4]，實際應用中很難滿足動態精度和動態穩定性及平穩性[5]。同時，輸出變量與輸入變量間具有較強的滯后性[6]。為了提高控制水平，各企業利用大數據技術[7]和計算為基礎的機器學習、人工智能等[8-9]技術開展相關研究。鐘文焱等[10]建立了基于多因素分析的烘絲機入口含水率預測模型，實現了松散回潮機回潮加水比例自動計算，提高了烘絲機入口含水率穩定性；劉炳軍等[11]采用多元回歸分析法，研究了烘絲工序各工藝參數間的相關性，提高了批次間的穩定性；董高峰等[12]采用 BP 神經網絡模型，研究了煙梗生產的最佳工藝參數組合方案，提高了梗絲質量；王宏鋁等[13]構建了煙堿模型，利用模型實時預測原煙煙堿含量，并依據其含量的差異進行分類堆放，實現了均質化加工。

文章擬利用神經網絡算法、多元回歸分析方法建立松散回潮、葉片加料、熱風潤葉、薄板烘絲工序等多因素的入口與出口含水率的關系模型，并依據建模方法的預測精度擇優選擇模型，旨在為借助數據分析提升制絲水分控制精度的目標提供依據。

1 數據與方法

1.1 數據采集及處理

1.1.1 數據采集 選擇企業自有卷煙鉆石(硬紅)，由MES生產管理系統進行數據采集，采集時效3個月。

1.1.2 數據預處理

(1) 預處理1：有效數據篩選。依據3σ原則篩選后[14]，得有效生產記錄 192條，其流程為：

開始→統計變量數據→按需求剔除異常樣本→形成樣本→結束

(2) 預處理2：數據無量綱化，采用極大化法[15]，并分別按式(1)～(7)計算各指標。

c1=t1/30%，

(1)

c2=t2/620，

(2)

c3=t3/80，

(3)

c4=t4/50，

(4)

c5=t5/175，

(5)

c6=t6/50，

(6)

c7=t7/1 250，

(7)

式中：

c1——無量綱含水率；

t1——物料原始含水率，%。

c2——無量綱松散回潮加水量；

t2——原始松散回潮加水量，L；

c3——無量綱補償蒸氣開度；

t3——原始補償蒸氣開度，%。

c4——無量真空回潮到松散回潮時長；

t4——原始真空回潮到松散回潮時長，m；

c5——無量暫存柜儲存時長；

t5——原始暫存柜儲存時長，m；

c6——無量加料回潮排潮開度；

t6——原始加料回潮排潮開度，%；

c7——無量地下柜儲存時長；

t7——原始地下柜儲存時長，m。

(3) 預處理3：變量定義。記薄板烘絲機入口水分y，定義變量(無量綱處理后)為：松散回潮入口水分x1、松散回潮出口水分x2、松散回潮加水總量x3、松散回潮補償蒸氣開度x4、真空回潮至松散回潮輸送時長x5、暫存柜儲存時長x6、加料回潮入口水分x7、加料回潮出口水分x8、加料回潮補償蒸氣開度x9、加料回潮排潮開度x10、地下柜儲存時長x11、熱風潤葉入口水分x12、熱風潤葉出口水分x13、熱風潤葉補償蒸氣開度x14。

(4) 預處理4：水分儀零點值修正。各批次水分值根據水分儀零點值進行校正，保證數據在同一零位上，從而保證數據的有效性。

1.2 數學建模

1.2.1 建模方法 將制絲流程進行適當分節，利用神經網絡算法、多元回歸分析方法建立多因素影響下，每個分節中煙葉或煙絲的入口與出口含水率關系模型；再建立烘絲入口含水率的預測模型，如圖1所示。

根據圖1所示水分儀的分布，將烘絲前工序分成4段，其中一段：來料至水分儀1；二段：水分儀2至水分儀3；三段：水分儀3至水分儀5；四段：來料至水分儀6。

多元回歸法預測模型建立是以歷史數據為基礎，將目標參數作為y值，其他參數作為變量因子，通過數據代入，得到模型方程。松散回潮工序其變量因子為入口水分、打水量、補償蒸氣開度、真空至松散回潮時長，輸出因子為松散回潮機出口水分。同理，其他3個工序以輸入因子作為變量，輸出因子作為目標值。

神經網絡法預測模型建立是通過大量的歷史數據，逐步建立和完善輸入變量至輸出結果之間的路徑，通過不同的輸入變量值，預測輸出結果。各工序模型的建立，采用不同的輸入因子、神經元及模型結構，但均采用包含一個隱含層神經網絡模型，設定訓練目標0.05，訓練速度0.01，最大訓練步數100。

1.2.2 數據延遲試驗 啟動生產設備，在工序設備入口處放置標靶，使用秒表開始計時，當標靶運動至設備出口水分檢測設備下方時，結束計時。

1.2.3 模型精度試驗 同工序水分預測值與對應水分顯示值相減，得到模型預測誤差。

2 結果與討論

2.1 工序預測模型構建

2.1.1 多元回歸法預測模型的建立 松散潤葉工序以入口水分(x1)、總打水量(x3)、補償蒸氣開度(x4)、真空回潮至松散回潮時長(x5)作為變量，以出口水分為因變量，建立多元回歸模型，各因子系數見表1。

圖1 烘絲前工藝流程

根據表1得：

x2=2.802x1+0.351x3-0.024x4+0.003x5-0.922。

(8)

葉片加料工序以其入口水分(x6)、加料工序暫存柜儲存時間(x7)、補償蒸氣開度(x9)、排潮開度(x10)為變量，出口水分(x8)為因變量，建立多元回歸模型，各因子系數見表2。

根據表2得：

x8=-0.001x6+0.471x7-0.009x9-0.009x10+0.492。

(9)

熱風潤葉工序以地下柜儲存時長(x11)、熱風潤葉入口水分(x12)、熱風潤葉補償蒸氣開度(x14)為變量，熱風潤葉出口水分(x13)為因變量，建立多元回歸模型，各因子系數見表3。

根據表3得：

x13=-0.005x11+0.236x12+0.020x14+0.566。

(10)

以整線影響因素為變量，薄板烘絲機入口水分(Y)為因變量，建立相應的多元回歸模型，各因子系數見表4。

根據表4得：

Y=0.306x1+0.037x3+0.001x4+0.002x5+0.002x6-0.065x7+0.004x9-0.001x11+0.006x12+0.004x14+0.583。

(11)

2.1.2 神經網絡法預測模型的建立

(1) 松散潤葉工序構建松散回潮出口水分神經網絡預測模型，其網絡結構見表5、6。

表1 松散潤葉段各因子系數

表2 葉片加料段各因子系數

由表5、6可知，該模型為3層結構，輸入層為4個因子，輸出層為1個因子，神經元為2個，松散回潮入口水分對模型輸出值變化最重要(此權重是由建模軟件依據參數在模型中對輸出結果的貢獻值作出的判定)。

(2) 加料回潮工序構建出口水分神經網絡預測模型，其網絡結構見表7、8。

由表7、8可知，該模型為3層結構，輸入層為4個因子，輸出層為1個因子，神經元為1個，加料回潮入口水分對模型輸出值變化最重要。

(3) 熱風潤葉工序構建出口水分神經網絡預測模型，該網絡結構見表9、10。

由表9、10可知，該模型為3層結構，輸入層為3個因子，輸出層為1個因子，神經元為3個，熱風潤葉入口水分對模型輸出值變化最重要。

(4) 構建整線神經網絡預測模型，其網絡結構見表11、12。

由表11、12可知，該模型為3層結構，輸入層為10個因子，輸出層為1個因子，神經元為1個，熱風潤葉入口水分對模型輸出值變化最重要。

表3 熱風潤葉段各因子系數

表4 整線各影響因子系數

2.2 工序模型優選試驗

兩種模型分別對同一生產批次進行預測，并與生產運行實際顯示值進行配對T檢驗，其結果見表13。

由表13可知，松散回潮段選用誤差較小的多元回歸模型；加料回潮段、熱風潤葉段及整線選用誤差較小的神經網絡模型。

表5 松散回潮段神經網絡結構信息

表6 各因子重要性

表7 加料回潮段神經網絡結構信息

表8 各因子重要性

表9 熱風潤葉段神經網絡結構信息

表10 各因子重要性

表11 烘絲入口水分神經網絡結構信息

表12 各因子重要性

表13 工序模型預測精度統計

2.3 模型檢驗

2.3.1 試運行結果 采集2018年9月的生產數據進行試運行，其結果見表14。

由圖2可知，模型預測與實際顯示值之間趨勢一致，且預測誤差均<0.5。

2.3.2 數據驗證 用T檢驗驗證程序預估該階段水分變化情況與實際情況是否一致，結果見表15、16。

由表16可知，各對組配對T檢驗中P值均大于0.05，二者差異不顯著，即預測數據與實際數據一致，模型可靠。

3 模型應用

按各階段含水率預測流程圖3，利用C#語言編譯，建立數據分析模塊，應用SQLSERVER數據庫存儲數據，提供較穩定的數據傳遞速度，結合Three 3D插件，編譯控件，通過對控件的操作，系統獲取已知參數，自動進行數學模型分析，得出預測參數數值(圖4)，形成預測系統。

4 結論

建模數據非線性情況下，使用神經網絡方法建立預測模型的預測精度要高于多元回歸法，反之，數據為線性的情況下，模型應選擇多元回歸法。松散回潮工序使用多元回歸法建模，而加料回潮工序、熱風潤葉工序以及整線均采用神經網絡法建模，利用各預測模型對生產過程數據進行預測，其誤差分別為0.24%，0.20%，0.10%，0.046%，精度滿足工藝要求，可被用于流水線智能化控制的前端分析模塊。經研究系統預測精度還可以進一步提升，神經網絡本身具備自學能力，能夠自我提升預測準確度，因此，需不斷收集數據，對模型進行不斷訓練，提升其預測精度。

圖2 預測值與實際顯示值對比

表15 基本統計量

表16 預測值與實際值的配對T檢驗

圖3 各階段含水率預測流程

圖4 預測系統示意圖