基于MIV-BP神經網絡的成品煙絲質量預測模型構建

卓 鳴 汪 鵬 望開奎

(湖北中煙工業有限責任公司，湖北 武漢 430040)

煙絲質量不僅影響感官質量、卷制質量，同時影響原材料消耗。目前對于成品煙絲質量的研究，多從單個工序出發，如填充值、整絲率和碎絲率等[1-3]。制絲是卷煙生產過程中的關鍵工藝，其流程繁多，種類復雜，各種工序之間通過相互作用，共同影響成品煙絲質量，只通過單個工序的工藝參數的調整，對于成品煙絲質量的影響效果有限。

隨著信息技術的發展，反向傳播(Back-Propagation，BP)神經網絡作為一種多層前饋的神經網絡系統，能夠根據數據對非線性系統進行模擬預測，被廣泛應用于各種工藝流程模型中，如：張德浩等[4]對破碎機主軸系統參數使用BP神經網絡建模，提升了主軸綜合性能數指數；朱蘇朋等[5]使用BP神經網絡在一定程度上解決常規PID控制器不易進行實時自適應參數調整等方面的缺陷；馬帥帥等[6]利用BP神經網絡建立黃瓜硬度和失水率預測模型，可以應用于黃瓜新鮮度的快速、準確檢測；馮斌等[7]發現BP神經網絡模型能很好地用于核燃料組件格架的條帶剛凸特征的回彈量預測；鄧羽翔等[8]通過建立煙葉醇化感官質量的BP神經網絡模型,為煙葉醇化質量評價和預測提供了科學的實踐方法和可靠的理論依據等。

在構建BP神經網絡時，輸入特征參量影響著模擬模型精度和泛化能力，如果所有的特征參量參與神經網絡的構建，會增加網絡的訓練時間和復雜程度。在對神經網絡特征參量進行篩選時，平均影響值法(the Mean Impact Value，MIV)能夠反映輸入特征參量對于預測結果的影響，可以用在BP神經系統中來增強輸出結果穩定性，提高模型精度。如：聶銘等[9]利用MIV變量篩選出烤煙評吸質量的影響因素，成功建立煙化學指標與烤煙評吸質量間的可行性模型，任亞飛等[10]對參考作物騰發量的影響因素進行篩選，克服了參考作物騰發量在傳統模型中模擬精度不高的缺點。

試驗擬利用MIV法對于制絲過程中的工藝參數進行篩選，選擇影響成品煙絲質量的關鍵工藝參數，再運用MIV-BP神經網絡，構建出制絲關鍵工序工藝參數和成品煙絲質量間的模擬模型，以期能夠利用該模型指導實際生產。

1 材料與方法

1.1 試驗材料

某牌號完整葉組配方原料：某卷煙廠。

1.2 設備與儀器

加料機：SJ1512型，昆明船舶設備集團有限公司；

滾筒式葉片回潮機：WQ3313型，昆明船舶設備集團有限公司；

薄板式烘絲機：SH612A型，昆明船舶設備集團有限公司；

加香機：SJ234B型，昆明船舶設備集團有限公司；

電子天平：ME203型，美國Mettler Toledo公司；

煙絲振動分選篩：YQ-2型，中國煙草總公司鄭州煙草研究院；

紅外水分儀：InfraLab710型，美國NDC Technologies公司；

填充值測定儀：YGD560型，德國西門子股份有限公司。

1.3 測定方法

1.3.1 煙絲填充值 依據YC/T 152—2001《卷煙 煙絲填充值的測定》規定進行取樣、檢測。

1.3.2 煙絲整絲率和碎絲率 依據三層篩分法，按照YC/T 178—2003《煙絲整絲率、碎絲率的測定方法》的規定進行取樣、測定。

1.4 數據采集

試驗采集2020年1—12月某卷煙廠制絲車間的生產監測數據，選取同一牌號煙絲生產時的松散回潮回風溫度、松散回潮出口含水率、加料潤葉回風溫度、加料潤葉出口含水率、葉絲干燥筒壁溫度、葉絲干燥出口含水率、混絲加香出口含水率7個工藝參數，以及能反映成品煙絲質量的填充值、整絲率、碎絲率3個關鍵質量指標。

1.5 數據處理

1.5.1 BP神經網絡模型 BP神經網絡全稱為基于誤差反向算法的人工神經網絡。BP神經網絡通常由輸入層，隱含層和輸出層3層網絡組成，經典的3層結構的BP神經網絡如圖1所示。給BP神經網絡提供一組學習樣本后，輸入信號通過隱含層作用于輸出節點，經過非線性變換，產生輸出信號。計算輸出層神經元的實際輸出和期望輸出之間的誤差，根據減小誤差的方向，從輸出層經各隱含層向輸入層之間，逐步修正各層之間的鏈接權值[11]。不斷重復“正向計算輸出，反向誤差傳播”的過程，當誤差降低到允許的范圍后，完成網絡的訓練學習輸出計算值。在反向傳播誤差修正的過程中，神經網絡對輸入模式識別的正確率也在不斷上升。

圖1 BP神經網絡結構Figure 1 BP neural network structure

BP神經網絡需經過訓練之后才能用于模擬預測，其訓練過程主要由以下步驟構成：

(1)BP神經網絡的初始化。在BP神經網絡初始化過程中，設定神經網絡的輸入與輸出參數，確定神經網絡的隱含層節點數、傳遞函數、訓練函數和學習速率等結構參數。

(2)隱含層的輸出計算。需要根據隱含層節點數，隱含層激勵函數以及輸入層和隱含層間的連接權值，隱含層的閾值等對輸入的數據進行處理，其計算方式：

(1)

式中：

l——隱含層節點數；

f——隱含層激勵函數；

wij——輸入層與隱含層間的連接權值；

aj——隱含層的閾值；

Hj——隱含層輸出。

(3)輸出層的輸出計算。計算方式：

(2)

式中：

wjk——連接權值；

bk——閾值；

Ok——BP神經網絡的預測輸出。

(4)計算誤差。根據網絡預測輸出與期望輸出計算網絡預測誤差：

ek=Yk-Ok，k=1,2…，m，

(3)

式中：

Ok——網絡預測輸出；

Yk——期望輸出；

ek——網絡預測誤差。

(5)更新權值。由上述步驟的計算結果對于權值進行更新，增加網絡精度。

(4)

wjk=wjk+ηΗjek,j=1,2,…，l；k=1，2，…，m，

(5)

式中：

η——學習效率。

(6)閾值的更新。

(6)

bk=bk+ek,k=1，2，…，m。

(7)

(7)判斷算法迭代是否結束。判斷誤差是否達到設定精度要求，如達到要求，結束循環；如未達到精度要求，則判斷訓練次數是否達到設定的最大訓練次數，如達到最大訓練次數，結束循環；如果未達到最大訓練次數，返回(2)。

不斷循環此過程，逐漸減少訓練誤差，直至訓練誤差達到設定的精度要求或者訓練次數達到最大次數，停止訓練。

1.5.2 平均影響值 平均影響值(MIV)反映了在神經網絡中的參數權重的變化情況，能夠用來評價各參數變量的相關性。其絕對值大小能反映出參數對于輸出結果的影響能力的大小，正負則表示為正相關還是負相關，所以可以使用平均影響值法對于變量進行篩選，選取影響程度大的變量，從而減少構建模型的輸入參數，增加模型的訓練精度。使用平均影響值法對于輸入參數進行篩選，其步驟：

(1)將n個輸入參數共m個訓練樣本中的所有輸入參數用P進行標記,其所對應的輸出參數用A進行標記。

P=[X1,X2,…,Xn]T，

(8)

A=[Y1,Y2,…,Yn]T。

(9)

(2)通過BP神經系統構建輸入參數P和輸出參數A的BP神經網絡模擬模型。

(3)對P中的第i個輸出參數進行數值變換，使其增加和縮小10%。

(10)

(11)

(12)

(13)

(6)將Iv,i按照訓練樣本數進行平均，其值的大小即為第i個參數的平均影響值Miv,i。

(14)

根據MIV絕對值的大小對輸入參數進行排序，其排列順序代表各輸入參數對輸出參數相關性的重要程度。根據相關性的重要程度，剔除對輸出結果影響較小的特征參數，從而實現輸入參數的篩選。

1.5.3 數據的歸一化 由于試驗中，各參數中含有不同的物理量，并且數值差別很大，數據不具有可比性，影響模型的收斂可靠性及收斂速度，需要對數據進行標準化轉換。文中使用差離標準化變換，使得所有參數的值在[0，1]。轉換函數：

(15)

式中：

X*——數據歸一化后的值；

X——變量的原始值；

Xmax——變量的最大值；

Xmin——變量的最小值。

2 結果與分析

2.1 MIV的篩選結果

通過MIV方法對某卷煙廠某牌號煙絲的制絲車間的生產監控數據進行分析，其中包括松散回潮回風溫度、松散回潮出口含水率、加料潤葉回風溫度、加料潤葉出口含水率、葉絲干燥筒壁溫度、葉絲干燥出口含水率以及混絲加香出口含水率共7個工藝參數的280組指標數據，最終得到上述7個工藝參數對于成品煙絲質量的相關性的強弱程度，結果見表1。

由表1可知，7個工藝參數的MIV絕對值從大到小排列順序為：葉絲干燥筒壁溫度、葉絲干燥出口含水率、加料潤葉出口含水率、松散回潮出口含水率、加料潤葉回風溫度、松散回潮回風溫度、混絲加香出口含水率。葉絲干燥筒壁溫度和葉絲干燥出口含水率這兩個參數的MIV值在這7個參數絕對值中相對較大，表示其對成品煙絲質量的影響程度較大，并且其MIV值為正值，表示在一定的范圍內，隨著葉絲干燥筒壁溫度和葉絲干燥出口含水率的正向或負向變化，成品煙絲的質量也會隨之發生正向或負向變化。在這7個工藝參數中，松散回潮回風溫度、松散回潮出口含水率和混絲加香出口含水率的MIV為負數，表示其對成品煙絲的影響為負相關，所以隨著松散回潮回風溫度、松散回潮出口含水率和混絲加香出口含水率的正向或負向變化，會導致成品煙絲質量的呈相反方向變化。

表1 各工藝參數的平均影響值Table 1 The mean impact value of each process parameter

相對于其他工藝參數，混絲加香出口含水率、松散回潮回風溫度、加料潤葉回風溫度的MIV值較小，其對于成品煙絲質量的影響可以忽略。為了提高BP神經網絡預測模型的預測精度和泛化能力，在變量篩選時剔除這3個變量，將剩余變量即葉絲干燥筒壁溫度、葉絲干燥出口含水率、加料潤葉出口含水率和松散回潮出口含水率4個工藝參數納入預測模型輸入參數。

2.2 BP神經網絡的構建

輸出參數為成品煙絲填充值、整絲率和碎絲率。根據BP神經網絡的結構，構建的BP神經網絡具有4個輸入節點和3個輸出節點。

目前對于BP神經網絡中隱含層節點的選取一般采用經驗公式[12]：

(16)

式中：

n1——隱含層節點數；

n——輸出節點；

m——輸入節點；

a——[1，10]的常數。

根據式(16)，文中隱含層節點數在[5，14]。表2為輸入節點為4，輸出節點為3，隱含層節點數不同時，所構建的BP神經網絡的網絡訓練誤差以及達到誤差時的訓練次數。根據最小網絡誤差和最少訓練次數為選擇指標，當隱含層節點數為8時，所構建的神經網絡的網絡誤差最小，達到誤差時的訓練次數最少，所以最終隱含層節點數選擇為8。

文中所構建的神經網絡，輸入層到隱含層函數傳遞采用正切S型傳遞函數tansig()函數：隱含層到輸出層的傳遞函數為線性傳遞函數purelin()函數；神經網絡的訓練函數traingd()函數，學習函數Learngdm()函數，學習速率0.01，訓練誤差小于0.02。

2.3 神經網絡模擬結果驗證

構建神經系統網絡模型，另外選取正常生產的20批同牌號的松散回潮出口含水率、葉絲干燥筒壁溫度、加料潤葉出口含水率和葉絲干燥出口含水率的監測數據，輸入模擬模型，進行填充值、整絲率和碎絲率預測，并與實際測定值進行對比，計算其相對誤差。由于在模型模擬時進行了數據的歸一化，此時需要對數據進行反歸一化，最終得到的成品煙絲填充值、整絲率和碎絲率預測值與實測值的對比情況，結果見表3。

從表3可以看出，填充值的模擬預測值與實測值的相對誤差最小為0.22%，最大為7.85%，平均相對誤差為3.15%。整絲率的模擬預測值與實測值的相對誤差最小為0.01%，最大為1.83%，平均相對誤差為0.67%，碎絲率的模擬預測值與實測值的相對誤差最小0.3%，最大為10.2%，平均相對誤差為5.33%，所以運用MIV-BP神經系統對于成品煙絲填充值、整絲率和碎絲率都有著很好的模擬效果。從表3還可以看出，模擬模型的整絲率和填充值的預測值與實測值的相對誤差較小，而碎絲率的預測值和實測值的相對誤差較大。其原因可能是相對于整絲率和填充值，碎絲率的測量試驗誤差最大，導致BP神經系統構建模擬模型時，碎絲率的訓練誤差最大，所以模擬結果中相對于實測值，碎絲率的偏離情況最為嚴重，平均相對誤差也最大。

表2 BP網絡訓練誤差均值Table 2 Training error mean of BP neural networks

表3 MIV-BP神經網絡預測結果與實測結果的對比Table 3 Comparison of MIV-BP neural network prediction results with real results

MIV-BP神經系統通過對制絲工藝參數進行篩選，選取松散回潮出口含水率、葉絲干燥筒壁溫度、加料潤葉出口含水率和葉絲干燥出口含水率4個關鍵工藝參數構建的BP神經系統，對成品煙絲填充值、整絲率和碎絲率的模擬相對誤差都比較小，有著實際的應用可能。而且，由于神經網絡的特點，隨著獲得數據的逐漸增多，所構成的神經系統模擬更加精準，預測值和實測值的相對誤差也會進一步下降，預測值與實測值會更加接近。

2.4 MIV-BP模型與其他常見模型模擬結果對比

構建未經變量篩選的具有7個輸入參數的傳統BP神經系統網絡模擬模型和ELM(extreme learning machine)模擬模型，并分別計算其模擬結果與實測值的相對誤差，結果見表4。從表4可以看出，MIV-BP模擬模型、傳統BP模擬模型、ELM模擬模型在填充值、整絲率和碎絲率的模擬結果相對誤差均小于12%，在成品煙絲結構的預測上都有著良好的模擬結果。但MIV-BP模擬模型在成品煙絲的填充值、整絲率和碎絲率的模擬預測結果相較于未經變量篩選的傳統BP神經系統網絡模擬模型以及ELM模擬模型，相對誤差更小，結果更接近實測數值。所以采用MIV-BP神經網絡對成品煙絲質量進行模擬預測，模型精度更高。

3 結論

通過平均影響值法對某牌號卷煙成品煙絲制絲生產過程工藝參數影響進行篩選，最終篩選出松散回潮出口含水率、加料潤葉出口含水率、葉絲干燥筒壁溫度和葉絲干燥出口含水率4個關鍵參數。以篩選到的關鍵工藝參數為輸入信號，以成品煙絲的填充值、整絲率和碎絲率為輸出信號，構建關鍵工藝參數與成品煙絲質量的MIV-BP神經網絡預測模型。試驗結果表明，通過構建MIV-BP神經系統網絡模型，預測的填充值、整絲率、碎絲率平均相對誤差分別為3.15%，0.67%，5.33%。因此，文中提出的方法在精度上優于傳統的BP神經系統網絡模擬模型以及ELM模擬模型，而且計算數據來源于卷煙工廠實際檢測數據，可直接指導實際生產。

但研究只選取單一牌號煙絲作為訓練樣本和測試樣本，未建立針對其他牌號煙絲的MIV-BP神經系統網絡模型，故此模型有一定的局限性；烤煙評吸綜合得分也是評價煙絲的重要因素，因此下一步研究應當根據不同牌號煙絲關鍵工藝參數，成品煙絲質量以及感官評吸綜合得分共同建立MIV-BP神經系統網絡模型。

表4 神經網絡預測結果與實測結果的對比Table 4 Comparison of neural network prediction results with real results %