卷煙制絲環(huán)節(jié)關鍵工序水分預測模型的建立與檢驗

李自娟 劉 博 高 楊 陳嬌嬌

(張家口卷煙廠有限責任公司，河北 張家口 075000)

制絲過程中的含水率是卷煙生產(chǎn)中最重要的控制指標，如何盡可能地提高各工序的出口水分控制的平穩(wěn)性與精準性，一直是各卷煙企業(yè)的重點研究內(nèi)容[1-2]。目前，卷煙制作過程中的松散回潮、葉片加料、熱風潤葉、薄板烘絲工序多采用PID 算法，以及前饋補償、順序邏輯控制手段，這種控制手法的優(yōu)點是模型簡單易實施[3]，但各控制回路間的協(xié)調(diào)性差，相對獨立，較難達到真正的閉環(huán)自動控制[4]，實際應用中很難滿足動態(tài)精度和動態(tài)穩(wěn)定性及平穩(wěn)性[5]。同時，輸出變量與輸入變量間具有較強的滯后性[6]。為了提高控制水平，各企業(yè)利用大數(shù)據(jù)技術[7]和計算為基礎的機器學習、人工智能等[8-9]技術開展相關研究。鐘文焱等[10]建立了基于多因素分析的烘絲機入口含水率預測模型，實現(xiàn)了松散回潮機回潮加水比例自動計算，提高了烘絲機入口含水率穩(wěn)定性；劉炳軍等[11]采用多元回歸分析法，研究了烘絲工序各工藝參數(shù)間的相關性，提高了批次間的穩(wěn)定性；董高峰等[12]采用 BP 神經(jīng)網(wǎng)絡模型，研究了煙梗生產(chǎn)的最佳工藝參數(shù)組合方案，提高了梗絲質(zhì)量；王宏鋁等[13]構建了煙堿模型，利用模型實時預測原煙煙堿含量，并依據(jù)其含量的差異進行分類堆放，實現(xiàn)了均質(zhì)化加工。

文章擬利用神經(jīng)網(wǎng)絡算法、多元回歸分析方法建立松散回潮、葉片加料、熱風潤葉、薄板烘絲工序等多因素的入口與出口含水率的關系模型，并依據(jù)建模方法的預測精度擇優(yōu)選擇模型，旨在為借助數(shù)據(jù)分析提升制絲水分控制精度的目標提供依據(jù)。

1 數(shù)據(jù)與方法

1.1 數(shù)據(jù)采集及處理

1.1.1 數(shù)據(jù)采集 選擇企業(yè)自有卷煙鉆石(硬紅)，由MES生產(chǎn)管理系統(tǒng)進行數(shù)據(jù)采集，采集時效3個月。

1.1.2 數(shù)據(jù)預處理

(1) 預處理1：有效數(shù)據(jù)篩選。依據(jù)3σ原則篩選后[14]，得有效生產(chǎn)記錄 192條，其流程為：

開始→統(tǒng)計變量數(shù)據(jù)→按需求剔除異常樣本→形成樣本→結(jié)束

(2) 預處理2：數(shù)據(jù)無量綱化，采用極大化法[15]，并分別按式(1)～(7)計算各指標。

c1=t1/30%，

(1)

c2=t2/620，

(2)

c3=t3/80，

(3)

c4=t4/50，

(4)

c5=t5/175，

(5)

c6=t6/50，

(6)

c7=t7/1 250，

(7)

式中：

c1——無量綱含水率；

t1——物料原始含水率，%。

c2——無量綱松散回潮加水量；

t2——原始松散回潮加水量，L；

c3——無量綱補償蒸氣開度；

t3——原始補償蒸氣開度，%。

c4——無量真空回潮到松散回潮時長；

t4——原始真空回潮到松散回潮時長，m；

c5——無量暫存柜儲存時長；

t5——原始暫存柜儲存時長，m；

c6——無量加料回潮排潮開度；

t6——原始加料回潮排潮開度，%；

c7——無量地下柜儲存時長；

t7——原始地下柜儲存時長，m。

(3) 預處理3：變量定義。記薄板烘絲機入口水分y，定義變量(無量綱處理后)為：松散回潮入口水分x1、松散回潮出口水分x2、松散回潮加水總量x3、松散回潮補償蒸氣開度x4、真空回潮至松散回潮輸送時長x5、暫存柜儲存時長x6、加料回潮入口水分x7、加料回潮出口水分x8、加料回潮補償蒸氣開度x9、加料回潮排潮開度x10、地下柜儲存時長x11、熱風潤葉入口水分x12、熱風潤葉出口水分x13、熱風潤葉補償蒸氣開度x14。

(4) 預處理4：水分儀零點值修正。各批次水分值根據(jù)水分儀零點值進行校正，保證數(shù)據(jù)在同一零位上，從而保證數(shù)據(jù)的有效性。

1.2 數(shù)學建模

1.2.1 建模方法 將制絲流程進行適當分節(jié)，利用神經(jīng)網(wǎng)絡算法、多元回歸分析方法建立多因素影響下，每個分節(jié)中煙葉或煙絲的入口與出口含水率關系模型；再建立烘絲入口含水率的預測模型，如圖1所示。

根據(jù)圖1所示水分儀的分布，將烘絲前工序分成4段，其中一段：來料至水分儀1；二段：水分儀2至水分儀3；三段：水分儀3至水分儀5；四段：來料至水分儀6。

多元回歸法預測模型建立是以歷史數(shù)據(jù)為基礎，將目標參數(shù)作為y值，其他參數(shù)作為變量因子，通過數(shù)據(jù)代入，得到模型方程。松散回潮工序其變量因子為入口水分、打水量、補償蒸氣開度、真空至松散回潮時長，輸出因子為松散回潮機出口水分。同理，其他3個工序以輸入因子作為變量，輸出因子作為目標值。

神經(jīng)網(wǎng)絡法預測模型建立是通過大量的歷史數(shù)據(jù)，逐步建立和完善輸入變量至輸出結(jié)果之間的路徑，通過不同的輸入變量值，預測輸出結(jié)果。各工序模型的建立，采用不同的輸入因子、神經(jīng)元及模型結(jié)構，但均采用包含一個隱含層神經(jīng)網(wǎng)絡模型，設定訓練目標0.05，訓練速度0.01，最大訓練步數(shù)100。

1.2.2 數(shù)據(jù)延遲試驗 啟動生產(chǎn)設備，在工序設備入口處放置標靶，使用秒表開始計時，當標靶運動至設備出口水分檢測設備下方時，結(jié)束計時。

1.2.3 模型精度試驗 同工序水分預測值與對應水分顯示值相減，得到模型預測誤差。

2 結(jié)果與討論

2.1 工序預測模型構建

2.1.1 多元回歸法預測模型的建立 松散潤葉工序以入口水分(x1)、總打水量(x3)、補償蒸氣開度(x4)、真空回潮至松散回潮時長(x5)作為變量，以出口水分為因變量，建立多元回歸模型，各因子系數(shù)見表1。

圖1 烘絲前工藝流程

根據(jù)表1得：

x2=2.802x1+0.351x3-0.024x4+0.003x5-0.922。

(8)

葉片加料工序以其入口水分(x6)、加料工序暫存柜儲存時間(x7)、補償蒸氣開度(x9)、排潮開度(x10)為變量，出口水分(x8)為因變量，建立多元回歸模型，各因子系數(shù)見表2。

根據(jù)表2得：

x8=-0.001x6+0.471x7-0.009x9-0.009x10+0.492。

(9)

熱風潤葉工序以地下柜儲存時長(x11)、熱風潤葉入口水分(x12)、熱風潤葉補償蒸氣開度(x14)為變量，熱風潤葉出口水分(x13)為因變量，建立多元回歸模型，各因子系數(shù)見表3。

根據(jù)表3得：

x13=-0.005x11+0.236x12+0.020x14+0.566。

(10)

以整線影響因素為變量，薄板烘絲機入口水分(Y)為因變量，建立相應的多元回歸模型，各因子系數(shù)見表4。

根據(jù)表4得：

Y=0.306x1+0.037x3+0.001x4+0.002x5+0.002x6-0.065x7+0.004x9-0.001x11+0.006x12+0.004x14+0.583。

(11)

2.1.2 神經(jīng)網(wǎng)絡法預測模型的建立

(1) 松散潤葉工序構建松散回潮出口水分神經(jīng)網(wǎng)絡預測模型，其網(wǎng)絡結(jié)構見表5、6。

表1 松散潤葉段各因子系數(shù)

表2 葉片加料段各因子系數(shù)

由表5、6可知，該模型為3層結(jié)構，輸入層為4個因子，輸出層為1個因子，神經(jīng)元為2個，松散回潮入口水分對模型輸出值變化最重要(此權重是由建模軟件依據(jù)參數(shù)在模型中對輸出結(jié)果的貢獻值作出的判定)。

(2) 加料回潮工序構建出口水分神經(jīng)網(wǎng)絡預測模型，其網(wǎng)絡結(jié)構見表7、8。

由表7、8可知，該模型為3層結(jié)構，輸入層為4個因子，輸出層為1個因子，神經(jīng)元為1個，加料回潮入口水分對模型輸出值變化最重要。

(3) 熱風潤葉工序構建出口水分神經(jīng)網(wǎng)絡預測模型，該網(wǎng)絡結(jié)構見表9、10。

由表9、10可知，該模型為3層結(jié)構，輸入層為3個因子，輸出層為1個因子，神經(jīng)元為3個，熱風潤葉入口水分對模型輸出值變化最重要。

(4) 構建整線神經(jīng)網(wǎng)絡預測模型，其網(wǎng)絡結(jié)構見表11、12。

由表11、12可知，該模型為3層結(jié)構，輸入層為10個因子，輸出層為1個因子，神經(jīng)元為1個，熱風潤葉入口水分對模型輸出值變化最重要。

表3 熱風潤葉段各因子系數(shù)

表4 整線各影響因子系數(shù)

2.2 工序模型優(yōu)選試驗

兩種模型分別對同一生產(chǎn)批次進行預測，并與生產(chǎn)運行實際顯示值進行配對T檢驗，其結(jié)果見表13。

由表13可知，松散回潮段選用誤差較小的多元回歸模型；加料回潮段、熱風潤葉段及整線選用誤差較小的神經(jīng)網(wǎng)絡模型。

表5 松散回潮段神經(jīng)網(wǎng)絡結(jié)構信息

表6 各因子重要性

表7 加料回潮段神經(jīng)網(wǎng)絡結(jié)構信息

表8 各因子重要性

表9 熱風潤葉段神經(jīng)網(wǎng)絡結(jié)構信息

表10 各因子重要性

表11 烘絲入口水分神經(jīng)網(wǎng)絡結(jié)構信息

表12 各因子重要性

表13 工序模型預測精度統(tǒng)計

2.3 模型檢驗

2.3.1 試運行結(jié)果 采集2018年9月的生產(chǎn)數(shù)據(jù)進行試運行，其結(jié)果見表14。

由圖2可知，模型預測與實際顯示值之間趨勢一致，且預測誤差均<0.5。

2.3.2 數(shù)據(jù)驗證 用T檢驗驗證程序預估該階段水分變化情況與實際情況是否一致，結(jié)果見表15、16。

由表16可知，各對組配對T檢驗中P值均大于0.05，二者差異不顯著，即預測數(shù)據(jù)與實際數(shù)據(jù)一致，模型可靠。

3 模型應用

按各階段含水率預測流程圖3，利用C#語言編譯，建立數(shù)據(jù)分析模塊，應用SQLSERVER數(shù)據(jù)庫存儲數(shù)據(jù)，提供較穩(wěn)定的數(shù)據(jù)傳遞速度，結(jié)合Three 3D插件，編譯控件，通過對控件的操作，系統(tǒng)獲取已知參數(shù)，自動進行數(shù)學模型分析，得出預測參數(shù)數(shù)值(圖4)，形成預測系統(tǒng)。

4 結(jié)論

建模數(shù)據(jù)非線性情況下，使用神經(jīng)網(wǎng)絡方法建立預測模型的預測精度要高于多元回歸法，反之，數(shù)據(jù)為線性的情況下，模型應選擇多元回歸法。松散回潮工序使用多元回歸法建模，而加料回潮工序、熱風潤葉工序以及整線均采用神經(jīng)網(wǎng)絡法建模，利用各預測模型對生產(chǎn)過程數(shù)據(jù)進行預測，其誤差分別為0.24%，0.20%，0.10%，0.046%，精度滿足工藝要求，可被用于流水線智能化控制的前端分析模塊。經(jīng)研究系統(tǒng)預測精度還可以進一步提升，神經(jīng)網(wǎng)絡本身具備自學能力，能夠自我提升預測準確度，因此，需不斷收集數(shù)據(jù)，對模型進行不斷訓練，提升其預測精度。

圖2 預測值與實際顯示值對比

表15 基本統(tǒng)計量

表16 預測值與實際值的配對T檢驗

圖3 各階段含水率預測流程

圖4 預測系統(tǒng)示意圖