基于RBF網絡的卷煙質量檢測與診斷探究

林潔 蔣海玲 葉雷 李倩

河北中煙工業有限責任公司 河北 石家莊 050000

引言

RBF網絡全稱為Radial Basis Function Neyral Network，中文名為徑向基函數神經網絡。作為一種三層神經網絡，RBF神經網絡包括輸入層、隱藏層、輸出層，其中，從輸入層到隱藏層是非線性的，從隱藏層到輸出層是線性的。RBF神經網絡數據流過程如下：

圖1 RBF神經網絡數據流

輸入層到隱藏層之間并非通過權值和閾值進行連接，而是憑借輸入樣本與隱藏層點之間的距離（與中心點的距離）達到連接的目的。先通過計算確定實際距離，將距離代入徑向基函數，得到相應的數值。隨后，再將該數值與權值相乘并求和，便可得到相應輸入的輸出。作為實值函數的徑向基函數，其取值往往取決于原點距離，簡單來說，就是以原點到中心點的距離為依據，通過計算的方式輸出實值，離中心點越近，則輸出值越大。

RBF神經網絡強調以自身學習機制為依托，確保決策區域可自動形成。該技術不僅能夠通過逐一訓練狀態不同的信息的方式，對相應的映射關系進行獲取，而且具備連續學習的功能，其作用是在外界環境發生變化的情況下，使訓練所得映射關系實現自適應。另外，該技術還新增了提取特征、變換信號模式等功能，現階段主要被用來輔助實時監測、狀態診斷以及離線診斷工作的開展，將神經網絡應用在檢測卷煙質量的過程中是大勢所趨。

1 項目建設背景

在很長一段時間內，實驗室對數據進行管理的方式均為人工管理，傳統管理方式所存在問題較多，例如，管理效率難以提高，數據保密性較差，對數據關聯度進行分析所得結論不全面，此外，隨著生產規模的擴大，將有大量紙質報表及文件產生，無論是查找、日常維護還是更新工作，其難度均有目共睹。作為可使檢測過程得到完善，確保卷煙質量得到實時監督的關鍵，數據處理系統所分析內容，通常會給決策層、管理層產生深遠影響，在實際應用中，本系統可充分利用現有技術對儀器進行聯網，確保儀器數據得到快速且全面收集，在此基礎上，通過整理檢測所得數據的方式，利用軟件完成建模及綜合分析操作，通過對數據挖掘模型進行建立的方式，確保質量分析工作具有符合項目特點的各類模型，并結合RBF神經網絡算法對卷煙質量進行預測與分析，保證決策層以及管理層均能夠做到以分析結果為依據，對卷煙日常生產提供科學指導，為管理層各項工作的開展提供便利[1]。

2 現有卷煙質量檢測情況

技術中心現有檢驗儀器的類別涉及二十多類，各類檢驗儀器都需要檢測人員手動拷貝儀器數據至電腦并向工藝質量平臺進行上傳，此外，檢測人員還可以選擇向申請部門提供檢測文本，由申請部門根據文本數據完成后續工作。一部分儀器配有相應的網絡接口及工業電腦，通常只需將其與網絡進行連接，便可使檢測數據被上傳至相應的系統。例如，拉力儀、透氣度測試儀、卷煙密度水分儀、含末率檢測儀、檢測卷煙薄膜所具有熱收縮率的儀器等。對重金屬、有機物進行檢測的儀器，通常要借助儀器廠商所提供軟件對數據進行分析，才能獲得最終的檢測結果[2]。與此同時，專業的技術人員還應當目測卷煙外觀、包裝，手工登記目測所發現的缺陷與不足，通過與紙質材料進行匯總的方式，得出卷煙的最終檢測結果。

3 項目建設具體內容說明

本系統首先需要完成對實驗室現有檢測儀器的數據對接處理，確保檢測原始數據可得到自動采集、處理及存儲，與此同時，通過引入RBF神經網絡算法，計算并分析原始數據，生成相應的文本報告或報表，利用圖表對匯總數據進行分析，對卷煙質量結果進行分析與診斷，為日后卷煙生產工作的開展提供參考。結合整體規劃可知，本項目的建設內容可被劃分成以下部分：

3.1 存儲數據

升級實驗室沒有進行電子化處理的儀器數據，根據本系統所提供數據規范，對各種格式的數據進行存儲并應用，通過將固有屏障打通的方式，確保數據得到充分融合。

3.2 歸集數據

基于大數據平臺對下屬煙廠和卷煙質量數據進行歸集，將平臺所歸集數據和實驗室數據關聯，通過實驗室數據整合卷煙質量數據、檢測所得數據，確保業務系統與煙廠間所存在數據壁壘被打破，為質量數據庫的建立提供支持。

3.3 建立模型

綜合考慮數據規模、數據結構和存儲結果，通過建模計算的方式，獲得具有實際意義的分析結果。在分析計算過程中，本系統可經由數據集完成學習訓練操作，對質量規律進行總結并建模，借助模型對生產質量所涉及各分析項加以確定[3]。

3.4 RBF網絡應用

引入RBF神經網絡算法，以輔材、卷煙各類檢測項目的檢測結果作為輸入層數據進行接入，將各檢測項目的國標、企標質量判定標準作為隱藏層進行計算標準，以各指標檢測結果與國標、企標質量標準的距離為基礎，結合徑向基函數進行結果輸出，由此來全面了解卷煙各類檢測項目質量結果的分布情況[4]。

3.5 分析數據

以RBF神經網絡輸出的質量分布情況為基礎，整合所得質量數據為依托，對質量分析應用進行構建，淘汰現有煙囪應用模式，避免出現線下上報以及各系統獨立開展分析工作的情況。

3.6 生成報告

將歷史數據導入質量評估模型，根據分析所得結果和調整所得數據，獲得最終分析結果，利用文字與圖表相結合的方式，對分析結果進行直觀展示。在本項目中，可供選擇的圖表類型較多，包括但不限于散點圖、彩虹圖以及熱力圖，檢測人員應酌情選用，以此來降低其他人員掌握分析結果的難度。

圖2 RBF網絡應用流程

4 數據處理系統開發必要性

4.1 數據采集方面

為保障數據的全面性與有據可查，通過全面對接實驗室檢測儀器，采集各類檢測結果，將實驗室實驗原始數據進行采集與存儲，保障數據完整性與溯源。

4.2 數據應用方面

根據各個部門情況和需求，基于質量數據平臺對上傳數據、檢測數據和分析數據的流程進行開發，對于自動采集所得儀器數據，可采取經由數字化門戶對應用模塊進行建立的方案，確保檢測數據能夠及時得到分析與反饋，通過整合送檢至分析全過程的方式，打造可被用來對卷煙質量進行檢測的管理閉環[5]。

4.3 質量提升方面

通過對實驗室各檢測項目原始數據以及國標、企標質量判定標準的對接，多維度衡量卷煙質量，及時發現存在的缺陷，同時對卷煙質量進行量化分層評估，有效保障產品質量。

若以數據應用迫切程度為依據，可將該計劃分成兩部分，第一部分是頻繁檢測、亟待分析的數據，第二部分是檢測相對頻繁、不需要盡快進行分析的數據。有關人員在2020年10月對儀器數據采集、檢測數據應用所涉及模塊的各項功能進行了開發，10月底完成了相應的測試及上線工作，本系統于11月初正式投入使用。

5 結束語

綜上，基于全量采集的實驗檢測項目的原始數據結合RBF神經網絡對數據進行分析，對卷煙質量的判定具有明顯的提升與改善效果。

RBF網絡的核心功能為提取特征、變化信號、變換輸出模式。事實證明，基于RBF所開發數據處理系統，其學習速度較其他系統更快，同時能夠滿足本項目所提出實時檢測卷煙質量的要求，對RBF進行應用后，可使卷煙質量檢測及相關工作得到更加高效的開展。