基于知識圖譜尋優(yōu)的煙絲含水率控制研究與應用

鄭松潘 李曉剛

摘 要：卷煙制絲過程含水率的控制是保障制絲加工質(zhì)量穩(wěn)定性非常重要的環(huán)節(jié)，為充分挖掘歷史生產(chǎn)批次中已有的優(yōu)質(zhì)控制模式，本文提出一種基于知識圖譜尋優(yōu)的煙絲含水率控制方法，通過對影響煙絲含水率關(guān)鍵工況的識別，從知識圖譜的批次實體出發(fā)，抽取和挖掘歷史批次和工況的相互關(guān)系及關(guān)聯(lián)規(guī)則形成知識庫，指導批次生產(chǎn)時相關(guān)操作參數(shù)的下達，改變以往需要部分依靠經(jīng)驗和主觀判斷的含水率控制模式，顯著提升了烘絲前煙絲含水率的合格率和穩(wěn)定性。

關(guān)鍵詞：含水率控制;知識圖譜;批次尋優(yōu)

引言

在卷煙工業(yè)制絲環(huán)節(jié)，煙絲的含水率是評價煙絲質(zhì)量最重要的參數(shù)之一[1-2]。制絲主要生產(chǎn)環(huán)節(jié)包括松散回潮-潤葉加料-切絲烘絲-加香-裝箱[3]，其中對煙絲含水率有較大影響的工序主要是松散回潮和烘絲[4-5]，前者對煙葉進行加水回潮，后者對煙絲進行烘干，但在兩道工序之間生產(chǎn)線較長且煙絲需入柜存儲，煙絲的含水率在車間環(huán)境和不同工況的影響下存在較大波動，無法保證煙絲在烘絲入口時含水率達到工藝要求。

本文通過引入知識圖譜的構(gòu)建，對歷史工況進行規(guī)則學習，挖掘其中的內(nèi)在聯(lián)系，形成歷史工況知識庫。當車間準備投入生產(chǎn)時，只需提交當前已知的工況數(shù)據(jù)，尋優(yōu)模型將給出與當前工況最相似且含水率控制最優(yōu)的歷史批次方案，指導車間進行加水比例等操作參數(shù)設置。

1 基于知識圖譜構(gòu)建知識庫

1.1知識圖譜

知識圖譜是人工智能技術(shù)的重要分支之一[6-7]，它以結(jié)構(gòu)化圖的形式描述客觀世界中概念、實體及其之間的關(guān)系，在這里引入三元組“實體-關(guān)系-實體”進行知識表示，每個實體用唯一確定的ID表示，通過“屬性-屬性值”描述知識實體的內(nèi)在特性，知識實體之間通過關(guān)系構(gòu)成網(wǎng)狀的知識結(jié)構(gòu)，并通過對實體、屬性之間的關(guān)系抽取，將這些關(guān)系形成圖譜的邊信息最終構(gòu)成圖譜知識庫。

1.2實體識別

在構(gòu)建知識圖譜時，首先需要確定圖譜中的節(jié)點[8]，通常采用現(xiàn)實實體作為節(jié)點對象，將每個實體作為一個知識單元，在檢索尋優(yōu)時能夠返回以實體為單元的相關(guān)信息。而在制絲生產(chǎn)過程中，通常以批次為最小生產(chǎn)單元，批次內(nèi)的各個工況屬性之間存在復雜的相互關(guān)系，本文將批次實體作為研究對象搭建知識圖譜，通過高結(jié)構(gòu)化的數(shù)據(jù)模型形成知識庫后，供后續(xù)工況尋優(yōu)搭建基礎。

設用于知識表述的三元組形式為：

TP={E，R，ET} （1）

其中E為所有批次實體的集合，R為實體之間的關(guān)系集合，ET為批次實體內(nèi)所有工況數(shù)據(jù)的屬性集。

1.3關(guān)系抽取

實體與屬性之間的關(guān)系抽取是形成知識圖譜的關(guān)鍵[9]，本文基于關(guān)聯(lián)分析方法FP-growth進行關(guān)聯(lián)規(guī)則的挖掘，構(gòu)建批次間各個關(guān)鍵工況之間，以及各工況與煙絲含水率之間的關(guān)聯(lián)關(guān)系，形成圖譜的邊信息。

通常關(guān)聯(lián)規(guī)則表達式形如“X→Y”，如“松散加水比例為5.6時→烘絲入口含水率為19.5”，則可以認為是一個簡單的兩種工況屬性之間的關(guān)聯(lián)規(guī)則。當然，在實際生產(chǎn)環(huán)境下，工況屬性之間的關(guān)系不會這么簡單直接，而是通過不同的工況關(guān)系相互作用、相互關(guān)聯(lián)而產(chǎn)生不同的生產(chǎn)結(jié)果，我們通過挖掘批次及各工況之間復雜的關(guān)聯(lián)規(guī)則進行關(guān)系抽取。

首先提取上述三元組中的所有生產(chǎn)批次實體作為項目集E={E1，E2。。。En}，而T={t1，t2…tm}是所有工況屬性的事務集合，每個事務ti包含的項集都是批次E內(nèi)的工況子集，在關(guān)聯(lián)分析中，包含0個或多個項的集合被稱為項集。在關(guān)聯(lián)分析中，通過支持度（s）來表述某個規(guī)則在給定所有批次數(shù)據(jù)集中出現(xiàn)的頻繁程度，而置信度（c）則表述在出現(xiàn)X事務的前提下同時含有Y的頻繁程度，其具體定義分別如下：

其中，N是批次內(nèi)所有工況事務的總數(shù)。若某工況之間的關(guān)聯(lián)規(guī)則支持度較低，則說明其出現(xiàn)的概率較低，實際意義不大，而置信度則度量其可進行推理的可靠性。則關(guān)系抽取的主要工作是構(gòu)建滿足最小支持度閾值的頻繁項集，和從頻繁項集中提取高置信度的規(guī)則。

（1）構(gòu)建頻繁項集

FP-growth算法[10]通過構(gòu)建FP-tree來壓縮事務數(shù)據(jù)庫中的信息，從而更加有效地產(chǎn)生頻繁項集。FP-tree其實是一棵前綴樹，按支持度降序排列，支持度越高的頻繁項離根節(jié)點越近，從而使得更多的頻繁項可以共享前綴。

在此之前，因為工況參數(shù)基本是連續(xù)的線性數(shù)值，如環(huán)境溫度20℃與20.1℃的0.1℃差異在實際生產(chǎn)中我們認為是可以忽略不記的，而在FP-growth掃描事務數(shù)據(jù)庫時則認為其是兩種數(shù)據(jù)項，會給初始算法構(gòu)建增加不必要的大量負擔。為避免該情況的發(fā)生，我們需要對所有工況屬性的事務集合T進行數(shù)據(jù)項的初始化，即給所有工況進行階段劃分，如溫度19.5℃-20.5℃均劃分入溫度20℃的初始事務集內(nèi)，而精度更高的匹配工作在尋優(yōu)時完成。

劃分好工況數(shù)據(jù)后，即可對事務集合T按批次進行事務數(shù)據(jù)庫的構(gòu)建，如表3所示：

首先，對該事務數(shù)據(jù)庫中所有批次的工況項進行一次掃描，計算每一批次生產(chǎn)記錄中各種工況的支持度，然后按支持度進行排序，將其中低于支持度閾值的項進行剔除，保留其中的頻繁項集L，在此基礎上進行二次掃描，構(gòu)建FP-tree，具體算法如下：

1） 創(chuàng)建tree根節(jié)點root，標記為null;

2） 對每條事務集合ti中的工況屬性按照已有頻繁項集L中的次序排序得到[p/P]格式的頻繁項集，其中p表示首個工況項，P表示工況頻繁項集中除去p后的剩余工況屬性組成的項表，將得到項表逐一插入tree節(jié)點;

3） 掃描所有批次下的工況項后，對前綴一致的工況項進行計數(shù)加1，不一致則新增一個節(jié)點，直至最終FP樹形成。

（2）規(guī)則挖掘

對形成的FP樹從底部開始挖掘其頻繁規(guī)則。以上圖為例，在FP樹中以d結(jié)尾的子樹共2個，分別是<（b：5），（a：3），（d：1）>和<（b：5），（c：2），（d：2）>。假設此處支持度閾值設置為2，而工況d在兩個子樹中分別為（d：1）、（d：2），則顯然d自身是個頻繁項（d：3）;

從末端d向上延生子樹可以挖出（c：2），（b：3），分別滿足支持度閾值，則以d為前綴形成頻繁項規(guī)則（dc：2）和（db：3）;

然后再分別遞歸d的兩個分支子樹，第1個子樹中<b，a>與d同時出現(xiàn)只有1次，記為<（b：1），（a：1），（d：1）>，則不符合支持度閾值需剔除;

而第2個子樹中<b，c>與d同時出現(xiàn)有2次，記為<（b：2），（c：2），（d：2）>，則以d為前綴形成頻繁項規(guī)則（dbc：2）;

至此，可以得出以d為前綴的頻繁項規(guī)則為（d：3），（dc：2），（db：3）， （dcb：2）。同理，可得其他節(jié)點前綴的頻繁規(guī)則為（a：3），（ab：3），（b：5），（c：3），（cb：3）。

通過FP-growth構(gòu)建的生產(chǎn)工況間的關(guān)聯(lián)規(guī)則知識庫形成后，支持新的批次工況信息的實時導入，實現(xiàn)知識圖譜的動態(tài)更新，為后續(xù)工況尋優(yōu)提供不斷優(yōu)化的基礎庫。

2基于知識庫的工況尋優(yōu)

（1）工況導入

在匹配尋優(yōu)之前，我們需要輸入除了加水比例、蒸汽比例等可操作的工況參數(shù)，并基于此進行歷史工況的尋優(yōu)以及操作參數(shù)的推薦。

其中部分工況信息是已經(jīng)確定的，例如物料流量、加料比例、當前環(huán)境溫濕度，以及烘絲入口煙絲含水率標準值等，而部分工況信息則需要進行另行計算或從外部獲取，如生產(chǎn)時長=批次重量/物料流量;貯葉時長則需導入MES生產(chǎn)運行系統(tǒng)中的排產(chǎn)計劃進行推導;外部未來環(huán)境溫濕度需要獲取當?shù)靥鞖忸A報數(shù)據(jù)等，通過一系列的信息維護最終完成工況導入。

（2）規(guī)則匹配

在尋優(yōu)前需對導入的工況進行初始事務集劃分，即按前述劃分規(guī)則進行工況屬性的初始化，構(gòu)造形如“a：（物料流量：2000）、b：（加料比例：3.0）”形式的工況屬性項，并依此與知識庫中的關(guān)聯(lián)規(guī)則進行遍歷匹配，定位與導入的工況屬性項有高相似度的工況事務集，其中相似度按屬性項的匹配數(shù)量進行計算，本文將相似度大于80%的工況事務集定義為高相似度。

（3）尋優(yōu)推薦

當定位到一組高相似度的工況事務集后，需將其對應的歷史批次工況進行還原，與本次導入的初始工況作原始數(shù)據(jù)精度的尋優(yōu)匹配，將其中相似度最高且滿足最終烘絲入口煙絲含水率標準的歷史批次進行推薦，車間工藝員與操作工按該批次的加水比例、蒸汽比例數(shù)值進行操作設置，即可生產(chǎn)出烘絲入口含水率達標的煙絲。

3應用與結(jié)果

（1）應用數(shù)據(jù)選取

本文選取龍巖煙草工業(yè)有限責任公司制絲二區(qū)2018年1月1日-2020年12月31日某牌號煙絲在松散回潮、潤葉加料、切絲烘絲三個工段共計11240個的生產(chǎn)批次數(shù)據(jù)進行知識庫的構(gòu)建，并對2021年6月8日-14日實際生產(chǎn)的5個批次基于構(gòu)建的知識庫進行工況尋優(yōu)應用試驗。

（2）應用結(jié)果

通過知識庫尋優(yōu)后，5個批次的工況尋優(yōu)推薦結(jié)果如表4所示，其中4個批次都獲取到了高相似度的歷史批次推薦，并按照推薦值對加水比例和蒸汽比例進行操作設置，而其中1個較極端工況的批次，工藝員也在低相似度工況的輔助下進行了操作參數(shù)下達，最終煙絲在烘絲入口的含水率均達到工藝標準要求（19.8±0.5），且含水率與標準的絕對差值平均為0.165。而表5為本文方法應用前后同期煙絲含水率的各項對比數(shù)值，可以看出，通過本文工況尋優(yōu)推薦后的煙絲含水率在合格率和穩(wěn)定性上都有了一定提升。

4.總結(jié)

本文提出一種基于知識圖譜尋優(yōu)的煙絲含水率控制方法，通過對影響煙絲含水率關(guān)鍵工況的識別，從知識圖譜的批次實體出發(fā)，導入歷史生產(chǎn)批次數(shù)據(jù)，按照FP-growth關(guān)聯(lián)規(guī)則算法抽取批次與工況之間的相互關(guān)系，挖掘其關(guān)聯(lián)規(guī)則形成知識庫。當有批次需要生產(chǎn)時，只需提前將該批次已知工況導入知識庫進行匹配尋優(yōu)，即可檢索到相似度最高且最終烘絲入口煙絲含水率最接近標準值的歷史批次，通過將歷史最優(yōu)批次的相關(guān)參數(shù)操作進行復刻，顯著提升了烘絲前煙絲含水率的合格率和穩(wěn)定性，同時改變了以往需要部分依靠經(jīng)驗和主觀判斷的含水率控制模式，以數(shù)據(jù)驅(qū)動企業(yè)高質(zhì)量發(fā)展。

但該尋優(yōu)方法仍存在少數(shù)極端工況無法檢索到優(yōu)質(zhì)歷史批次的情況，仍需加以人工輔助，未來將進一步進行極端工況的針對性模型學習，讓知識庫得到更廣泛更有效的應用。

參考文獻

[1] 邢蕾. 煙草制絲過程中含水率在線監(jiān)測及控制改進[D]. 2016.

[2] 尤長虹， 張楚安， 彭傳新. 制絲質(zhì)量評價方法的設計與應用[J]. 煙草科技， 2001.

[3] 魏玉玲， 陰耕云， 李紹臣，等. 幾個重要制絲工序?qū)緹煙熃z填充值和碎絲率的影響[J]. 云南大學學報：自然科學版， 2010（S1）：183-186.

[4] 朱東風. 影響松散回潮后煙片含水率的分析與控制[J]. 科技創(chuàng)新導報， 2013（21）：94-95.

[5] 羊一濤， 周沅楨， 李杰，等. 烘絲工序物料含水率過程控制評價方法研究[C]// 中國煙草學會學術(shù)年會優(yōu)秀論文集. 0.

[6] 朱記偉， 蔣雅麗， 翟曌，等. 基于知識圖譜的國內(nèi)外BIM領域研究對比[J]. 土木工程學報， 2018， v.51（02）：113-120.

[7] Gottschalk S ， Demidova E . EventKG： A Multilingual Event-Centric Temporal Knowledge Graph[J]. 2018.

[8] Mai G ， Janowicz K ， Cai L ， et al. SE‐KGE： A location‐aware Knowledge Graph Embedding model for Geographic Question Answering and Spatial Semantic Lifting[J]. Transactions in GIS， 2020， 24（3）.

[9] Grainger T ， Aljadda K ， Korayem M ， et al. The Semantic Knowledge Graph： A compact， auto-generated model for real-time traversal and ranking of any relationship within a domain[J]. 2016.

[10] 王新宇， 杜孝平， 謝昆青. FP-growth算法的實現(xiàn)方法研究[J]. 計算機工程與應用， 2004， 40（009）：174-176.