基于大數據的烘絲出口水分預測與管控調整研究

牛麗娜，閻 瑾

（河北中煙工業有限責任公司 技術中心，河北 石家莊 050051）

進入21世紀后，煙草逐漸發展成國際市場上的主要經濟作物。隨著煙草行業的快速發展，部分國家的財政收入得到了提升。當然，煙草行業的迅速發展離不開科學技術的支持。烘絲過程作為卷煙工藝的最后一道工序，也是最關鍵的一道工序，主要是對烘絲機的溫濕度進行調整以控制煙絲的含水率，而煙絲含水率是制絲工藝階段的核心控制參數。若煙絲處于潮濕狀態，煙支中的煙氣、燃吸品質等會受到嚴重影響。因此，煙絲的含水率必須嚴格控制在標準范圍內，過高或過低都會影響煙支的整體質量和其他煙支的參數。目前為止，煙絲水分的控制基本發生在制絲階段，此階段需檢測烘絲出口的含水率，若煙絲水分過多，工作人員會將烘絲機溫度調到最佳，但此方式無法精準控制煙絲含水率，這也是一直困擾卷煙企業的地方。大數據分析挖掘平臺可詳細分析烘絲過程中的設備運行狀況、工藝以及環境等參數，以實現精準預測。

1 烘絲水分預測模型管理

1.1 業務概述

烘絲出口水分預測的主要工作是利用大數據平臺有效挖掘并分析制絲數據，將此階段包含的工藝參數、控制參數作為研究對象進行分析，利用分析結果進行模擬或者抽象檢測，最終構建烘絲出口水分預測模型[1]。根據模型可得到反映現實發展的規律，結合歷史制絲數據對現在的烘絲出口水分進行精準預測，如圖1所示。預測模型并不是一成不變的，本身會自動更新，而大數據分析挖掘平臺會自動更新其中的數據庫來保證預測結果的精準性，形成適用于當前生產的預測模型。

圖1 預測控制基本結構

1.2 樣本數據分析

烘絲出口水分預測模型主要收集生產時間、批次號、入口溫度、水分以及煙絲牌號等，還有烘絲機入口前的風量、熱風的溫度以及出口水分等數據。烘絲機出口水分是一個關鍵的因變量，而入口水分、入口流量、入口溫度、熱風溫度、熱風風量、閥門開度、蒸汽流量、薄板溫度是烘絲機入口的自變量。

1.3 樣本數據處理

通過搜尋歷史制絲數據并篩選、深挖其中的重要數據，將一些陳舊無用的數據修正或直接刪除。對歷史生產數據進行初步研究并發現其特殊性，對數據分析和數據建模有很大幫助[2]。

1.4 模型選擇

在選擇預測模型的過程中，提升預測準確度是主要目的，而一般的預測模型還包括不同的線性回歸與邏輯回歸等。由此可見，在煙絲水分預測過程中，最應該關注的問題是超標以后的數據，同時確保超標樣本占比最小。此外，預測結果的精準度應較高。通過上述兩點可以看出，多元回歸更適用于出口水分預測模型的構建。一方面，多元回歸的本質是自變量與因變量之間的相互關系；另一方面，兩者之間的函數關系雖然沒有特別明確，但是可通過深度挖掘找到其代表性表達形式。

1.5 模型構建

模型的構建主要是利用建模工具和樣本數據進行配合的過程，利用數據挖掘分析流程對樣本數據進行訓練分析，最終結果將被直接用于烘絲出口水分預測[3]。

1.6 模型驗證

模型驗證是將所要測試的樣本數據直接代入預測模型中，并分析預測結果，將實際采集的出口水分與分析結果進行比較。此過程包括最大與最小偏差分析，可確保預測模型的精度符合預測模型的評估要求。

1.7 烘絲水分預測模型持續優化

受時間的影響，設備結構以及設備狀態等因素都發生了改變，這就意味著烘絲出口水分預測模型也必須進行優化升級。利用不同的數據挖掘分析工具收集更多的樣本數據，保證烘絲出口水分預測模型與時俱進[4]。在實際的業務場景中，相關人員也應不斷改善模型，確保有效評估實際應用效果。

2 烘絲水分管控模型管理

2.1 業務概述

為了解決烘絲水分控制過程中的滯后等問題，企業應采用自動學習控制模型，與此同時，增強控制模型的抗干擾能力以應對不同的突發狀況。在實際應用過程中，企業應及時將生產相關信息上傳至控制模型中，控制模型會自動調整控制建議，最大限度地提升控制的平穩性。

2.2 樣本數據分析

在模型建立初期，應針對導入的制絲數據，利用噪音數據消除功能篩選歷史制絲數據，最終形成訓練樣本，為模型的構建提供保障。此過程還包括煙絲牌號、煙絲水分等重要數據的采集[5]。在出口水分參數調整控制期間，烘絲筒中的任何一個參數自動轉化為因變量，其他參數就轉化為自變量。

2.3 樣本數據預處理及探索

在第一次導入歷史制絲數據的過程中，企業應對歷史生產數據進行統一篩選，通過初步研究制絲數據確定其特殊性，確保其特殊性可有效發揮，這對數據建模與分析都有良好的輔助作用。樣本數據的探索過程包括樣本數據管理、審核以及存儲。

2.4 模型選擇

根據實際情況合理分析后選擇控制模型是最關鍵的步驟，需充分結合業務的特點和要求，利用多元回歸模型生成控制建議。對烘絲水分控制而言，最重要的是根據來料的實際情況及時作出精準調整，可以在已有的歷史數據上應用決策樹模型。決策樹模型由兩部分組成，可以將目標規劃提前。決策樹是一種決策支持工具，包括隨機事件結果、資源代價和實用性，在運籌學中的使用次數較多[6]。由于業務的特點不同，可以對歷史制絲生產數據進行分析，并借鑒以往的控制經驗，通過反復測試，找到控制水平最好的經驗，建立決策樹并實現對烘絲水分的高精準控制。

2.5 模型構建

模型的構建主要是利用建模工具和樣本數據進行配合的過程，利用數據挖掘分析流程對樣本數據進行訓練分析，最終結果將被直接用于烘絲出口水分控制。將需要進行測試的樣本放在預測模型中，并對所測結果進行統一分析，以實際出口水分與分析結果為基礎，比較兩種數據，包括最大、最小偏差等，確保最終評測模型的精度。

2.6 烘絲水分控制模型滾動優化

受時間的影響，設備結構以及設備狀態等因素都發生了改變，這就意味著烘絲出口水分控制模型也必須進行優化升級。利用不同的數據挖掘分析工具收集更多的樣本數據，保證烘絲出口水分控制模型不斷更新[7]。

3 烘絲機出口水分預測與預警

烘絲機出口含水率在預測過程中應滿足基本的預測要求，而集合中控利用所構建的預測模型可對煙絲的實時數據進行統一管理，準確預測含水率。

3.1 實時監測信息顯示

實時監測信息展示的內容有入口參數、設備控制、生產概況、實際出口水分趨勢、實際偏差以及最近預測等，并以圖文結合的形式展示出來。

（1）當前情況包括生產時間、批次號、煙絲牌號、開始生產時間等。

（2）入口參數包括實時入口水分采集值、入口流量采集值。

（3）設備控制參數包括蒸汽流量、閥門大小、溫度以及風量。

（4）出口水分預測環節包括超標警示、水分預測值顯示。

（5）實際出口水分趨勢：采用折線趨勢圖展現水分波動情況，對嚴重超標或已經超標的數據進行特殊標注，吸引用戶的重視。

（6）最近預測與實際偏差：將兩種數據統一分析后進行比較，根據偏差對兩種數據評估預測模型的精準度，直接體現應用效果。

3.2 實時預警管理

用戶可根據自身的需求申請調節預警下限，并通過調整間隔范圍來有效區分不同級別的預警，不同級別的預警可以設置不同的顏色，方便用戶快速了解預警狀態。比較預測值與預警規則時，系統會根據不同的預警規則發出警報，如果出現超標的情況，系統也會通過水分控制模型自動調整控制參數，避免在實際生產過程中出現水分嚴重超標的情況。

3.3 歷史數據對比分析

比較實際出口水分與預測的出口水分數據時，應客觀地評測數據的精準性。用戶也可根據自定義條件找出需要進行二次分析的數據。系統整體采用線狀趨勢圖來展現兩種情況下煙絲水分的重合度，并以此為依據評估預測模型的準確性。

4 烘絲機出口水分控制調整分析

烘絲機出口水分的有效控制應滿足平穩、準確與及時三大特性，通過與制絲中控集成，采用流計算技術與烘絲出口水分模型對生產數據進行實時分析，確保水分控制達到最終目的。結合烘絲機設備參數與入口參數，在決策樹中獲取最合適的調整建議，協助用戶在制絲過程中對煙絲含水率進行控制，達到高精準以及穩定的控制目的。如有水分超標現象出現，系統會自動將入口參數信息調整至最佳狀態，并將任意一個參數作為調整對象，烘絲機的烘絲工序如圖2所示。中控系統會自動提供出口水分調整模擬功能，協助用戶快速決策[8]。出口水分調整功能會自動提供圖形化的操作界面，將不同控制參數展示在中控系統信息臺上，用戶可以根據系統給出的參數進行調整改變。此外，系統也會對客戶所調參數與實際生產參數進行比較，并利用出口水分預測模型進行預測，協助用戶找到最佳參數調整值[9]。

圖2 烘絲機烘絲工序

5 結語

基于大數據的烘絲出口水分預測與管控調整實現了制絲工藝烘絲段出口水分控制由被動查看向主動預測的轉變。以科學控制代替傳統的人工調制，在降低煙絲出口水分超標概率的同時，還提升了出口水分控制的平穩性和精準性，煙絲的生產質量較高。