基于機器學習與含水率影響因子的葉絲烘干參數自適應控制算法

摘"要：為提升煙絲生產質量，使不同批次間葉絲含水率均符合標準，研究了基于機器學習與含水率影響因子的葉絲烘干參數自適應控制算法。選取包括加料流量及出口含水率、烘絲機筒壁溫度等13個葉絲烘干含水率影響因子，經遞歸特征消除法完成影響因子篩選后，構建篩選后葉絲烘干含水率影響因子的樣本數據集，作為以卷積神經網絡LeNet5構建葉絲出口含水率預測模型的輸入樣本，預測葉絲出口含水率；在PID反饋控制中輸入預測含水率與標準含水率之間的差值，輸出最佳葉絲烘干參數，實現葉絲出口含水率控制；并利用雙層EWMA控制模型平穩控制葉絲批次內的出口含水率、協同控制批次間的出口含水率。實驗表明：該算法可準確預測葉絲烘干含水率，增加葉絲烘干含水率控制穩定性，提高卷煙制絲生產過程中葉絲烘干含水率的均質化水平。

關鍵詞：機器學習；含水率；影響因子；葉絲烘干參數；自適應控制；卷積神經網絡

中圖分類號：TS432"""""""文獻標識碼：A

Adaptive"Control"Algorithm"of"Leaf"Drying"Parameters"Based"

on"Machine"Learning"and"Water"Content"Influencing"Factor

FAN"Shengjiong，"QIU"Xiaofeng

（Shanghai"Tobacco"Factory"of"Shanghai"Tobacco"Group"Co.，Ltd.，Shanghai"200082，China）

Abstract：In"order"to"improve"the"quality"of"tobacco"production"and"make"the"water"content"of"leaf"silk"in"different"batches"meet"the"standard，"an"adaptive"control"algorithm"of"leaf"silk"drying"parameters"based"on"machine"learning"and"water"content"influencing"factor"was"studied."Thirteen"influencing"factors"of"leaf"drying"moisture"content，"including"feed"flow"and"outlet"moisture"content"of"moistening"leaves，"temperature"in"cuttobacco"drier""moisture"reclaimed"area，"were"selected."After"the"selection"of"influencing"factors"by"recursive"feature"elimination"method，"sample"data"sets"of"influencing"factors"of"leaf"drying"moisture"content"after"screening"were"constructed，"which"were"used"as"input"samples"for"the"prediction"model"of"leaf"drying"moisture"content"of"leaf"filaments"constructed"by"convolutional"neural"network"LeNet5，"to"predict"leaf"wire"outlet"water"content."The"difference"between"the"predicted"moisture"content"and"the"standard"moisture"content"is"input"in"PID"feedback"control，"and"the"optimal"drying"parameters"are"output"to"realize"the"moisture"content"control"at"the"outlet"of"the"filament."The"doublelayer"EWMA"control"model"is"used"to"control"the"export"water"content"of"the"fillet"batch"smoothly"and"coordinate"the"export"water"content"of"the"batch."Experiments"show"that"the"algorithm"can"accurately"predict"the"drying"moisture"content"of"leaf"silk，"increase"the"control"stability"of"drying"moisture"content"of"leaf"silk，"and"improve"the"homogenization"level"of"drying"moisture"content"in"the"process"of"cigarette"silk"production.

Key"words：machine"learning;"moisture"content;"impact"factors;"drying"parameters"of"leaf"silk;"adaptive"control;"convolutional"neural"network

卷煙制絲過程中的重要工序是葉絲烘干，其可對葉絲內的多余水分進行過濾，確保煙絲具有較高的感官質量，增強煙絲填充性能。烘干含水率的影響因子則是葉絲烘干過程的重要參數，其決定了卷煙制絲的質量指標。我國對于控制葉絲烘干含水率仍采用人工估算法[1]，估算葉絲烘干含水率，但因葉絲存儲環境溫濕度和時間、筒壁溫度、蒸汽閥門控制器參數、料頭料尾相關參數、工人操作習慣等影響因素，人工估算法無法滿足卷煙制絲各工序前后的一致性，更無法精準控制其烘干含水率，遂提出自適應控制算法以穩定卷煙制絲烘干過程的工藝參數[2，3]，調整葉絲烘干工序前后的葉絲含水率，保持葉絲烘干含水率的一致性。

劉雅君等通過拋擲指數理論優化高頻振槽參數，降低葉絲出口含水率標準偏差[4]，但此方法沒有在葉絲進料階段進行含水率預測，無法保證葉絲烘干后續生產工序的穩定性。卓鳴等篩選葉絲烘干過程中的工藝參數，采用平均影響值法建立葉絲烘干質量預測模型[5]，但此方法沒有控制含水率，導致葉絲批次間烘干含水率無法協同，從而影響葉絲烘干含水率的質量一致性和穩定性。劉穗君等針對當前葉絲烘干含水率控制不穩定的問題，利用滑窗法預測葉絲烘干過程中的整體含水率波動情況，利用指數加權平均法對含水率進行優化控制，生成葉絲烘干控制模型，強化葉絲烘干機出口含水率控制[6]。但在葉絲烘干過程中，預測含水率與實際含水率之間的差值較大，含水率預測精度不高。陳然等通過分析葉絲載水量與填充值，在預測葉絲出口含水率的基礎上，設計葉絲含水率自動控制系統，控制葉絲出口含水率，提高葉絲干燥質量。但該方法無法有效兼顧含水率預測精度與效率，含水率預測效果較差[7]。

近年來，機器學習已成為人工智能的核心，其包含統計學、概率學等眾多領域，通過計算機模擬、人類學習行為能力獲取新的知識與技能，并加以改善。為此可利用機器學習依據含水率影響因子預測葉絲出口含水率。因此，針對上述葉絲出口含水率準確性不高、預測含水率與實際含水率之間的差值較大、葉絲干燥含水率控制穩定性較差等問題，本文提出基于機器學習與含水率影響因子的葉絲烘干參數自適應控制算法，選取卷積神經網絡LeNet5構建葉絲出口含水率預測模型，解決了葉絲烘干批次間控制含水率的問題，提升葉絲出口含水率準確性。通過雙層指數加權移動平均方法，構建葉絲出口含水率控制模型，控制葉絲含水率達到設置葉絲含水率并保證批次的一致性，提升卷煙制絲的生產質量。

1"葉絲烘干參數自適應控制

葉絲烘干含水率自適應控制需建立數學模型，分段建模包括：（1）投料段模型，建立卷積神經網絡模型進行葉絲出口含水率預測；（2）烘干段模型，建立雙層EWMA控制器模型，進行葉絲烘干參數自適應控制。只有葉絲烘干后的含水率具有穩定性，才能保證葉絲生產的后續工序平穩進行。

1.1"選取葉絲烘干含水率影響因子樣本數據

葉絲烘干參數為調節烘絲工藝參數提供參考，并為實現烘絲起始階段的自動控制打下基礎[8]，但葉絲烘干參數受葉絲烘干含水率影響因子影響。

葉絲烘干含水率影響因子包含潤葉加料流量及出口含水率、潤葉加料片區溫濕度等（詳見表1），其數據可從生產制造系統中采集。為避免葉絲烘干含水率影響因子樣本數據過多，影響機器學習效率，采用遞歸特征消除法刪減煩冗的影響因子。其中，葉絲烘干影響因子系數A的計算過程用式（1）描述：

A=ι1ξ1+ι2ξ2+…+ιΦξΦ（1）

式中，ι1，ι2，…，ιΦ代表樣本數據特征的權重系數，ξ1，ξ2，…，ξΦ代表樣本數據特征值，Φ表示樣本特征總量。

各葉絲烘干含水率影響因子的影響系數如表1所示。

對表1內容進行統計分析，通過顯著性檢驗葉絲烘干影響因子系數，明確不同影響因子系數對機器學習效率的影響。由于影響系數過小會影響機器學習效率，因此結合表1統計分析結果，將0.36設置為影響系數閾值。保留表1中所示影響系數≥0.36的葉絲烘干含水率影響因子，分別是編號A1、A4、A5、A8、A9、A11、A12、A13共8個影響系數較大的含水率影響因子，利用篩選后的葉絲烘干含水率影響因子相關樣本數據構建樣本數據集，進行葉絲出口含水率預測，增加預測模型的精度，提高效率。

1.2"基于卷積神經網絡LeNet5的葉絲出口含水

率預測

選取卷積神經網絡LeNet5構建葉絲出口含水率預測模型，以上述獲取的8個葉絲出口含水率影響因子相關樣本數據為輸入進行葉絲出口含水率預測，較好地解決了葉絲烘干批次間控制含水率的難題。LeNet5的結構如圖1所示。

圖1"卷積神經網絡LeNet5結構圖

大小歸一化處理輸入的由8個葉絲烘干含水率影響因子相關樣本數據構建的輸入樣本數據集，神經元的錄入是由上一層的局部鄰域和附加的權值共同選擇。神經元將上層獲取的特征在下層進行深度融合。次抽樣層均分上一層的特征。

用于葉絲出口含水率預測的卷積神經網絡LeNet5共有七層（不包括輸入），七層中都包含權值。C、S層的網絡層分別由卷積層、抽樣層的神經元構建[9]。其中C1、S2、C3、S4、C5、F6網絡層的神經元個數分別為6、6、16、16、120、84。

輸出層含有1個與葉絲出口含水率預測結果相應的神經元[10，11]，即徑向基函數單元（RBF），式（2）用來描述RBF單元輸出的葉絲出口含水率預測結果：

yi=∑j（xj－wij）2"（2）

式中，yi為葉絲出口含水率預測結果；xj為輸入的包含8個葉絲出口含水率影響因子相關樣本數據；wij為權值。

1.2.1"卷積層

卷積前一層的特征與用于學習的卷積核是卷積層的主要作用。輸出的特征與前一層的某些特征的卷積關系可用式（3）描述。

xlj=f（∑i∈Mjxl-1i·klij+clj）（3）

式中，l、k、Mj、c分別代表層數、卷積核、輸入特征的選擇結果和偏置。

1.2.2"次抽樣層

通過次抽樣層對輸入的包含8個葉絲烘干影響因子相關樣本數據進行抽樣，如需錄入數據有n個特征，輸出后的特征數量不變，但是維度會變小。用式（4）描述次抽樣層：

xlj=f（δljdown（xl－1j）+clj）"（4）

式中，次抽樣函數用down（·）描述，通常是對本層錄入特征進行求和[12]，所以，輸出特征=輸入特征×1n。δ和c專屬于每一個輸出特征。

1.3"基于雙層EWMA控制器的烘干參數自適應

控制

1.3.1"雙層EWMA控制器原理

雙層指數加權移動平均方法（EWMA）是一種普遍的反饋控制方法[13]。通過EWMA控制方法構建葉絲出口含水率控制模型，實現卷煙制絲的控制能力提升，即提高葉絲質量，控制葉絲含水率達到設置葉絲含水率并保證批次的一致性。

下述模型表示EWMA控制過程：

yt=αt+fβ（ut－1）+εt（5）

式中，ut－1、yt分別用于描述控制模型在t－1時刻輸入的控制參數（如筒體溫度、熱風風量、排潮風量等）、t時刻輸出的出口含水率；αt、fβ（·）、εt分別用于描述截距項、系數β的增益函數、過程擾動。EWMA控制器通過的EWMA濾波對截距項進行更替操作：

αt=λ（yt－fb（ut－1））+（1－λ）αt－1（6）

式中，λ∈0，1是EWMA預測權重；fβ（·）是系數β的函數，b則是其函數的估算值，通過回歸分析過程控制模型后得到的fb（·）。

根據式（5）的反向計算，可得到時刻t的控制輸入，即得到時刻t+1近似出口含水率目標值的控制輸出，用式（7）表示：

ut=f－1b（yT－αt）（7）

式中，f－1b（·）是fb（·）的反函數；yT是控制輸出的目標值，即設定的葉絲出口含水率。

盡管采用EWMA控制方法可補償葉絲烘干過程中的出口含水率偏差，但是葉絲烘干過程中可能出現設備的偏移，如機器設備老化等問題，受到時間的影響而出現不同批次間的葉絲出口含水率持續性偏移控制目標值的狀況，其控制效果差強人意。為防止上述狀況，遂在生產過程的模型中添加趨勢項dt進行自適應控制，改寫式（5）可得式（8）：

yt=αt－1+fβ（ut－1）+dt+εt"（8）

運用式（6）估算截距項αt后，再利用EWMA方法估算趨勢項dt，可得式（9）：

αt=λ1（yt－fb（ut－1））+（1－λ1）αt－1dt=λ2（yt－fb（ut－1）－αt－1）+（1－λ2）dt－1（9）

式中，λ1代表截距項的EWMA預測權重，λ2代表趨勢項的EWMA預測權重，0≤λ1，λ2≤1。為了使該情況能代表普遍情況，而非特例，可設λ1=λ2=λ。由式（9）構建的雙層EWMA自適應控制器，用式（10）描述在時刻t的控制輸入：

ut=f-1b（yT-αt-dt）（10）

1.3.2"建立葉絲烘干參數自適應控制模型

葉絲烘干時通常有兩種控制方式，一種恒定風溫、風量和排潮，利用控制筒體溫度控制含水率；另一種恒定筒溫和風溫，用熱風風量和排潮風量聯動的模式調節含水率[14，15]。為降低多影響因子協同產生的不穩現象，應只需改變一個量值即可調控含水率。

以卷積神經網絡網絡模型獲取的葉絲烘干含水率預測值與葉絲烘干含水率標準值之間的誤差為輸入，利用PID反饋控制輸出最佳葉絲烘干參數。PID控制器將輸入預測含水率與標準含水率之間的差值作為其輸入，然后根據比例、積分和微分三個部分的權重進行計算，輸出最佳的葉絲烘干參數，以使葉絲出口含水率達到期望值。在雙層EWMA控制器中，啟用兩層EWMA控制，第一層用于控制葉絲批次內的出口含水率，第二層則用于協同控制批次間的出口含水率。由此可知，PID控制器負責根據實際與期望含水率的差異來調整葉絲烘干參數，而雙層EWMA控制器負責實現平穩控制以及批次間的協同控制，因此，將PID控制器輸出的最佳葉絲烘干參數作為雙層EWMA控制器的輸入之一，即在滿足PID控制的條件下引入雙層EWMA控制器，實現葉絲含水率控制。這樣可以使同一葉絲批次的葉絲含水率維持在一定波動范圍，并保障不同葉絲生產批次間的葉絲含水率保持一致[15]。控制模型如圖2所示。

圖2"PID控制模型圖

2"實驗分析

本文實驗選取某卷煙廠提供的煙草，采用PSC公司提供的MCT30在線水分儀（平均測試精度可達0.1%-0.5%）。測試精度標準要求干燥含水率為（13.2±0.5）%。物料流量（5500"kg/h）、熱風溫度（110"℃）、蒸汽流量（680"kg/h）等運行參數可按照雙層EWMA控制模型的要求保留原有數據。采集某卷煙廠薄板式烘絲機數據，設定采集間隔時間為8"min。

為了對比本文算法應用前后對葉絲含水率的控制效果，隨機選取本文算法應用前后的3批葉絲在不同含水率控制時間的情況下，進行含水率數據分析，對比分析結果如圖3所示。

根據圖3可知，本文算法應用前3個批次間的葉絲含水率差異較大；本文算法應用后3個批次間葉絲含水率差異明顯減少，葉絲含水率波動范圍較小。在相同控制時間內，本文算法應用后的含水率控制效果明顯優于本文算法應用前。當控制時間為0-6分鐘，本文控制算法應用后可將第一批次葉絲含水率控制在12.89%-13.06%。而在同一控制時間內，本文控制算法應用前僅能將第一批次葉絲含水率控制在12.97%-13.15%。當控制時間為6-14"min，本文算法應用前，第二批葉絲含水率僅能被控制在12.94%-13.08%間。本文方法應用后可將第二批葉絲含水率控制在12.91%-13.02%間。當控制時間為14-20"min，本文方法應用前，第三批葉絲含水率為12.94%-13.13%。本文方法應用后，第三批葉絲含水率為12.89%-12.98%，說明使用本文算法可以在相同控制時間內，有效降低不同批次葉絲含水率以及批次間含水率的差異，提升葉絲含水率控制穩定性。

圖3"葉絲含水率預測值與真實值差值圖

為了驗證本文算法預測葉絲含水率準確性，統計本文算法利用卷積神經網絡LeNet5進行葉絲含水率預測的結果與真實值之間的差值，結果如圖4所示。

圖4"干燥含水率對比分析圖

卷積神經網絡LeNet5預測結果準確的標準是烘干葉絲含水率與預測值的誤差在－0.15%，0.15%范圍內，由圖4可知，本文算法應用卷積神經網絡LeNet5預測含水率與實際含水率之間的差值均在標準范圍內，實驗結果表明：本文算法使用卷積神經網絡LeNet5進行含水率預測的偏差較小，可準確預測葉絲烘干含水率，為含水率精準控制提供數據基礎。

為了進一步驗證本文算法的葉絲含水率預測誤差，分別采集200批葉絲，對比分析葉絲烘干含水率影響因子降維前后的含水率預測誤差分布，結果如表2所示。

根據表2可得出，利用降維后的含水率影響因子預測葉絲烘干含水率的誤差范圍在－0.15%，0.15%之內的占比85%，而利用降維前含水率影響因子進行含水率預測的誤差占比則為58%，降維后相比降維前上升27%。由此可見本文算法結合影響系數進行葉絲烘干含水率影響因子降維可以顯著提升葉絲烘干含水率預測精度，為葉絲后續烘干提供保障。

為了驗證本文算法應用卷積神經網絡LeNet5進行含水率預測時，LeNet5中C5層特征圖個數對含水率預測準確率及預測時間的影響，采集大量制造執行系統（MES）中葉絲烘干含水率影響因子相關樣本數據，并建立可測試數據庫，作為不同C5層特征個數的LeNet5的輸入進行葉絲含水率預測。預測結果見表3。

從表3中可看出，C5層特征數量與出口含水率預測精度呈正比例關系，當特征數量遞增，出口含水率預測準確率隨之提高。表明增加C5層特征數量，可提高卷積神經網絡LeNet5預測準確率，但是在提高到一定數值后，即使增加C5層特征數量，準確率也保持不變。C5層特征數量的增加會加大卷積神經網絡LeNet5預測難度，C5層特征圖個數與卷積神經網絡LeNet5預測速度呈反比例關系。說明本文算法可采用減少C5層特征數量，提高葉絲出口含水率預測速度。為兼顧含水率預測精度與效率，本文將120作為卷積神經網絡LeNet5中C5層特征圖個數，以便獲取良好的葉絲含水率預測效果。

為了驗證本文算法對批次不相同的葉絲干燥含水率控制具有一致性，選取其中8批干燥葉絲，對比分析雙層EWMA控制模型應用前后數據，包括干燥含水率均值、方差、極差、均方誤差等質量指標，再求取平均值。表4中雙層EWMA控制模型應用前數據采集于2022年2月，雙層EWMA控制模型應用后數據采集于2022年4月。

由表4可得，本文算法應用后葉絲干燥含水率均值12.958%、方差0.006%、極差0.472%、均方誤差0.025均低于本文算法應用前。對比分析數據可知，本文算法采用雙層EWMA控制模型可以增加葉絲干燥含水率控制穩定性，保證不同批次葉絲之間的干燥含水率的一致性。

3"結"論

研究了基于機器學習與含水率影響因子的葉絲烘干參數自適應控制算法，在投料階段利用卷積神經網絡LeNet5預測葉絲含水率，基于葉絲投料階段含水率自動反饋的控制，在烘干階段結合PID和雙層EWMA控制器建立葉絲烘干參數自適應控制模型，精準控制葉絲含水率并保證不同批次葉絲含水率的一致性，從而提升葉絲烘干含水率的質量控制能力。

參考文獻

［１］"李金蘭，王道銓，羅登炎，等.不同部位煙葉的葉絲烘焙特性[J].食品與機械，2021，37（4）：195-199+211.

[2]"程思凡，吳慕遙，秦琳琳，等.基于自適應遺傳算法的氣化爐氧碳比控制[J].計算機仿真，2022，39（7）：281-286.

[3]"陳翠玲，賴燕華，王滔，等.葉絲在增溫增濕與滾筒烘絲工序中香味組分變化分析[J].分析測試學報，2020，39（5）：604-611.

[4]"劉雅君，李鵬超，徐建燎，等.煙絲干燥過程中高頻振槽的參數優化[J].煙草科技，2020，53（3）：97-101+112.

[5]"金發崗，王雅琳，張鵬程，等.隨機森林和DEELM的烘絲機入口含水率預測[J].控制工程，2020，27（3）：532-539.

[6]"劉穗君，劉穎，趙萬瑩，等."薄板烘絲機出口含水率穩定性控制方法研究[J]."中國煙草學報，2022，28（5）：41-46.

[7]"陳然，林利明，陳振業，等."HDT氣流烘絲機工藝氣體載水量自動控制系統的設計與應用[J]."煙草科技，2022，55（9）：89-94.

[8]"肖榮和，吳玉生，舒強，等.膨脹煙絲加工過程的模糊PID控制系統[J].食品工業，2022，43（11）：70-73.

[9]"王濟民，魏怡，周宇，等.基于LeNet5卷積神經網絡和顏色特征的限速標志識別[J].計算機科學，2021，48（S2）：345-350.

[10]卓鳴，汪鵬，望開奎.基于MIVBP神經網絡的成品煙絲質量預測模型構建[J].食品與機械，2021，37（12）：161-166+214.

[11]范麗麗，趙宏偉，趙浩宇，等.基于深度卷積神經網絡的目標檢測研究綜述[J].光學精密工程，2020，28（5）：1152-1164.

[12]湯磊，丁博，何勇軍.基于卷積神經網絡的高效三維模型檢索方法[J].電子學報，2021，49（1）：64-71.

[13]李文偉，靳毅，王海宇，等.基于雙層EWMA方法的葉絲干燥出口含水率質量一致性控制[J].煙草科技，2020，53（5）：93-98.

[14]陳龍，吳斌方，張耀，等.基于模糊PID控制的步進驅動系統研究[J].組合機床與自動化加工技術，2020，553（3）：99-102.

[15]朱敏，臧昭宇，胥子豪，等.氣動調節閥最優分數階PID控制器設計[J].振動與沖擊，2022，41（22）：267-274.