基于關聯(lián)預測探索葉絲填充性能穩(wěn)定性優(yōu)化模式

黃國樑 張蓀毅 樊盛炯 譚衍冬 葉 盛

（上海煙草集團有限責任公司，上海 200082）

風選后煙絲的填充值水平一直是影響后續(xù)卷接包質(zhì)量的重要關聯(lián)指標，與煙絲的填充、煙支空頭、吸阻等物測指標存在顯著的相關性。對此筆者針對上海卷煙廠中華專線81#的風選后煙絲填充值進行了專題研究。

該文主要介紹了煙絲填充值穩(wěn)定性控制模式中的特征降維、層級關聯(lián)性數(shù)據(jù)的分析手法。數(shù)據(jù)降維是將原來較多的特征重新計算組合，從而形成少量新特征的過程。將特征降維和聚類挖掘技術應用于“煙絲填充值穩(wěn)定性控制模式”的關鍵指標特征甄選上，其目的是以盡可能用可視化的呈現(xiàn)方式，快速發(fā)現(xiàn)特征參數(shù)間的內(nèi)部關聯(lián)性與因果關系，方便用戶后期對各層級指標組織樹的快速鉆取；關聯(lián)性分析是在大規(guī)模數(shù)據(jù)中集中尋找數(shù)據(jù)間的關聯(lián)性。數(shù)據(jù)間的這些聯(lián)系可以看作為兩種抽象主體之間的遞進關系，其中前者是后者的抽象基礎，代表了共現(xiàn)關系的頻繁項集。頻繁項集是經(jīng)常出現(xiàn)在一處的物品的集合，它暗示了某些事物之間總是結伴或成對出現(xiàn)的現(xiàn)象。

1 數(shù)據(jù)預處理

1.1 數(shù)據(jù)樣本

該文選取上海卷煙廠中華專線81#內(nèi)從制葉預處理段至煙絲風選段內(nèi)2021年3月—10月為期半年的制絲批次參數(shù)數(shù)據(jù)。收集81#廠內(nèi)工序段對應的該時間段內(nèi)的環(huán)境溫濕度檢測點原始數(shù)據(jù)。獲取81#風選出口煙絲批次檢測填充值質(zhì)檢數(shù)據(jù)。

1.2 數(shù)據(jù)處理

該文根據(jù)每個批次的相應工序的生產(chǎn)時間，統(tǒng)計對應時間段內(nèi)的多位點的環(huán)境溫、濕度原始數(shù)據(jù)，利用加權平均的方法進行統(tǒng)計整理，得出對應批次的松散段溫度、松散段濕度、加料段溫度、加料段濕度、烘絲前溫度、烘絲前濕度的數(shù)據(jù)；針對數(shù)據(jù)樣本中存在的缺失值，應用參數(shù)數(shù)據(jù)均值填補的方法進行數(shù)據(jù)填補；選取研究對象填充值進行偏度分析，結果顯示呈現(xiàn)偏右分布；于是采用BOX-COX變換轉(zhuǎn)化為正態(tài)分布。采用Z-score標準化方法對整體數(shù)據(jù)樣本進行參數(shù)標準化，并剔除相對異常范圍以外的數(shù)據(jù)點。

2 數(shù)據(jù)分析

2.1 數(shù)據(jù)關聯(lián)性

該文將81#預處理段至風選段的所有質(zhì)量參數(shù)進行工序歸位和性質(zhì)分類，分類規(guī)則為各類別內(nèi)參數(shù)可以交叉出現(xiàn)，共分為蒸汽、溫度、水分、風度、氣壓、流量六個特征大類（即六大簇），以便為后續(xù)因子分析和降維分析做準備。

通過分析計算蒸汽簇、溫度簇等六大簇內(nèi)所有參數(shù)之間的相關系數(shù)，并對相關系數(shù)進行排序、篩選后發(fā)現(xiàn)，其中21個蒸汽系列參數(shù)之間的相關性較強，于是便將此21個參數(shù)作為后續(xù)因子特征降維的參數(shù)研究范圍。然后對參數(shù)簇進行KMO檢驗和巴特利球形檢驗（Bartlett's test），以驗證數(shù)據(jù)用于因子分析的有效性。該文以溫度簇作為示例，見表1。

表1 KMO檢驗和巴特利球形檢驗數(shù)值表

其中KMO檢驗和巴特利球形檢驗值達到79.4%線性相關，即大于50%，說明了變量間的相關程度無太大差異，驗證了數(shù)據(jù)用于因子分析是有效的。

2.2 類別數(shù)據(jù)壓縮

對于2.1節(jié)經(jīng)類別參數(shù)相關性分析后篩選出的相關性較強的21個具體參數(shù)名目，該文僅認為這21個參數(shù)具有較高的代表性質(zhì)，但是它們之間的交互作用、具體工段位置和參數(shù)效應是混亂且不一致的。為了便于后續(xù)分析，參數(shù)需要進一步精簡。

因此筆者采用數(shù)據(jù)壓縮方法，利用因子分析計算出了21個參數(shù)的公因子貢獻率以及相應公因子數(shù)對應的累計貢獻率等數(shù)值。該21個參數(shù)的因子貢獻率與累計貢獻率分別為31.63%、31.63%；13.75%、45.37%；10.73%、56.10%；7.16%、63.27%；6.85%、70.12%；5.28%、75.40%；5.00%、80.39%；3.86%、84.25%；3.58%、87.83%；2.72%、90.55%；2.55%、93.10%；2.48%、95.58%；1.46%、97.04%；0.81%、97.85%；0.61%、98.46%；0.47%、98.93%；0.40%、99.33%；0.28%、99.62%；0.16%、99.78%；0.14%、99.91%；0.09%、100.00%。

根據(jù)該計算數(shù)據(jù)，可提取前6個公因子代表該21個參數(shù)75%的信息。但是由于因子間相關性較低，在數(shù)據(jù)壓縮時對其提取度有可能達不到60%，因此該文需要進一步計算因子載荷矩陣數(shù)值，為接下來的參數(shù)降維提供依據(jù)。

通過對因子載荷矩陣數(shù)據(jù)進行偏維度分類，并按照計算出來的因子載荷矩陣數(shù)值的絕對值大小，該文最終將蒸汽簇內(nèi)21個參數(shù)壓縮至四個維度的四小參數(shù)簇，依次命名為葉絲增溫增濕（HT）蒸汽（HT蒸汽壓力A、B，HT蒸汽閥門開度A、B，蒸汽溫度A、B和蒸汽流量A、B）、加料HT蒸汽（二次加料機HT蒸汽壓力、蒸汽溫度和蒸汽流量）、加料筒蒸汽（二次加料機筒壁蒸汽溫度、加蒸汽流量體積和進滾筒散熱器薄膜閥閥門開度）和加料助噴蒸汽（二次加料機加料助噴蒸汽壓力）。其他五大參數(shù)簇均按照類似該數(shù)據(jù)壓縮方式進行壓縮，最終形成煙絲填充性能-六大參數(shù)簇（一級性能指標）-二級壓縮指標簇-三級底層參數(shù)指標。壓縮成果如下所示：

一級性能指標為六大類：水分、風度、氣壓、流量、蒸汽、溫度；二級壓縮指標為根據(jù)六大類進行的詳細劃分，詳情見表2。

表2 二級壓縮指標

三級底層參數(shù)指標分別對應二級壓縮指標，一個二級指標下對應多個三級參數(shù)指標，詳細對應關系與因子相關系數(shù)見表3。

3 決策樹模型預測

在利用特征降維和因子分析方法將81#整體參數(shù)數(shù)據(jù)進行維度降維，將蒸汽、溫度、風度、氣壓、流量和水分作為第一維度。其次，利用因子分析方法，將各個一級維度進一步劃分為二級維度自定義參數(shù)。最后，利用相關性分析建立起實際制絲工序中具體參數(shù)與二級自定義參數(shù)對應的邏輯關系，進而形成了可用于決策樹模型預測的數(shù)據(jù)樣本。

該文運用決策樹的基尼指數(shù) CART算法對81#整體參數(shù)與填充值進行決策樹決策劃分。其中CART決策樹使用“基尼指數(shù)”來選擇劃分屬性。數(shù)據(jù)集D的純度可用基尼值來度量，如公式（1）所示。

式中：D代表為數(shù)據(jù)分析樣本；k代表為序號；y為數(shù)據(jù)樣

表3 三級底層參數(shù)指標與二級壓縮指標的對應關系與因子相關系數(shù)

然后利用CART算法來進行81#的填充值決策，切分質(zhì)量的評價準則使用均方誤差（MSE），切分原則splitter使用最優(yōu)切分原則（best），最大樹深度選擇3層。進行決策后，模型預測性能在85%以上。

在81#填充值的影響模式下，因子水平優(yōu)化順序見表4。

表4 81#填充值影響模式下的因子水平優(yōu)化順序

在輸出填充值影響控制模式下的決策樹決策后，依據(jù)模型推薦算法得出因子重要性排序，從低到高依次為：F61工序水分、F53功能風、F水汽壓力、F21工序溫度、F63加水量、F振動溫度。詳細排序如下所示： F61工序水分占11.31%、F53功能風占10.5%、F41水汽壓力占10.4%、F21工序溫度占9.06%、F63加水量占7.82%、F22振動溫度占6.17%、F52風速占4.43%、F32總路流量規(guī)模占4.1%、F33加水量占3.95%、F25風溫占3.83%、F31分路流量規(guī)模占3.58%、F24排潮溫度占3.37%、F12綜合蒸汽占3.34%、F42拔風罩壓力占3.2%、F43筒氣壓占3.06%、F34加蒸汽量占2.85%、F62烘后水分占2.77%、F23主動溫度占2.73%、F51風壓占2.42%、F11分后蒸汽占1.1%。

4 因子推薦區(qū)間分析

在進行填充值決策以及因子重要性排序之后，結合表3，進行底部溯源分析，從填充值的最佳水平設置數(shù)值區(qū)間出發(fā)，根據(jù)決策樹推薦決策，將一級參數(shù)、二級自定義參數(shù)全部化歸到第三級工序指標，利用置信區(qū)間算法，得出在95%置信度下，因子參數(shù)對應不同填充值上、下界數(shù)值的各自應該控制的上、下界范圍如表5所示。

表5 中羅列了制絲流程中可控或者間接可控參數(shù)的最佳控制區(qū)間范圍，而“-”代表在對應填充性能下不做參數(shù)范圍的明確要求。

后續(xù)可結合車間對風選后葉絲填充值控制標準，利用平行坐標原理將相關參數(shù)進行區(qū)間監(jiān)控，做到及時預判與調(diào)整葉絲質(zhì)量的趨勢性偏移。

5 控制體系驗證試驗

該文通過制絲流程全參數(shù)的決策模型運算，得出按照層級關系與填充性能相對應的參數(shù)控制范圍。為了后續(xù)運用模型的有效性、準確性，該文采用分割測試（AB test）驗證方法，選取相鄰兩天完全一樣的生產(chǎn)工況與計劃作為一組AB test試驗，驗證在中、高填充性能下，并根據(jù)模型預測的參數(shù)設置水平范圍進行設置，分析最終葉絲填充性能是否有顯著性差異。

由于筒壁溫度是被動控制的設備參數(shù)，無法直接調(diào)節(jié)，最終的驗證參數(shù)為松散回潮加水比例、松散回潮工藝氣體溫度、松散回潮拔風壓力、松散回潮加蒸汽比例。驗證試驗方案見表6。

根據(jù)表6的試驗方案進行AB test驗證試驗時，第一天正常生產(chǎn)，第二天調(diào)整試驗參數(shù)水平設置，并保持其他參數(shù)不變，該2組試驗的試驗結果見表7。

對表7的2組試驗結果分別進行成對雙樣本t檢驗，P≤0.05、泊松相關系數(shù)≥0.8，結果顯示：1組根據(jù)模型預測的高填充性能對應的參數(shù)調(diào)整后，得到的試驗填充值結果相比正常生產(chǎn)的對照組填充值均值有顯著性地提升；2組根據(jù)中水平填充性能對應的參數(shù)調(diào)整后，得到的填充值結果相對正常生產(chǎn)對照組并無明顯差異。

該文通過AB test驗證試驗，驗證了利用決策預測模型得到的填充值關鍵參數(shù)的控制體系，可以有效、及時地調(diào)整與控制風選后煙絲填充性能的變化。

表5 因子參數(shù)對應填充值水平的填充性能

表6 驗證試驗方案

表7 AB test 驗證結果

6 結論

該文利用特征降維和決策樹預測等分析方法，找尋出了影響風選后填充值穩(wěn)定性的全工序參數(shù)控制體系，并且通過因子置信區(qū)間分析得出了各參數(shù)對應的控制范圍，通過ABtest驗證試驗，驗證了參數(shù)控制體系可以有效地調(diào)整、控制填充值的變化趨勢，并且證明了相關的重點參數(shù)對風選后制絲質(zhì)量的影響，便于生產(chǎn)管理人員重點監(jiān)控，為保持制絲質(zhì)量穩(wěn)定性提供了明確的方向。