基于MIV-BP神經(jīng)網(wǎng)絡(luò)的成品煙絲質(zhì)量預(yù)測模型構(gòu)建

卓 鳴 汪 鵬 望開奎

(湖北中煙工業(yè)有限責任公司，湖北 武漢 430040)

煙絲質(zhì)量不僅影響感官質(zhì)量、卷制質(zhì)量，同時影響原材料消耗。目前對于成品煙絲質(zhì)量的研究，多從單個工序出發(fā)，如填充值、整絲率和碎絲率等[1-3]。制絲是卷煙生產(chǎn)過程中的關(guān)鍵工藝，其流程繁多，種類復(fù)雜，各種工序之間通過相互作用，共同影響成品煙絲質(zhì)量，只通過單個工序的工藝參數(shù)的調(diào)整，對于成品煙絲質(zhì)量的影響效果有限。

隨著信息技術(shù)的發(fā)展，反向傳播(Back-Propagation，BP)神經(jīng)網(wǎng)絡(luò)作為一種多層前饋的神經(jīng)網(wǎng)絡(luò)系統(tǒng)，能夠根據(jù)數(shù)據(jù)對非線性系統(tǒng)進行模擬預(yù)測，被廣泛應(yīng)用于各種工藝流程模型中，如：張德浩等[4]對破碎機主軸系統(tǒng)參數(shù)使用BP神經(jīng)網(wǎng)絡(luò)建模，提升了主軸綜合性能數(shù)指數(shù)；朱蘇朋等[5]使用BP神經(jīng)網(wǎng)絡(luò)在一定程度上解決常規(guī)PID控制器不易進行實時自適應(yīng)參數(shù)調(diào)整等方面的缺陷；馬帥帥等[6]利用BP神經(jīng)網(wǎng)絡(luò)建立黃瓜硬度和失水率預(yù)測模型，可以應(yīng)用于黃瓜新鮮度的快速、準確檢測；馮斌等[7]發(fā)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)模型能很好地用于核燃料組件格架的條帶剛凸特征的回彈量預(yù)測；鄧羽翔等[8]通過建立煙葉醇化感官質(zhì)量的BP神經(jīng)網(wǎng)絡(luò)模型,為煙葉醇化質(zhì)量評價和預(yù)測提供了科學的實踐方法和可靠的理論依據(jù)等。

在構(gòu)建BP神經(jīng)網(wǎng)絡(luò)時，輸入特征參量影響著模擬模型精度和泛化能力，如果所有的特征參量參與神經(jīng)網(wǎng)絡(luò)的構(gòu)建，會增加網(wǎng)絡(luò)的訓練時間和復(fù)雜程度。在對神經(jīng)網(wǎng)絡(luò)特征參量進行篩選時，平均影響值法(the Mean Impact Value，MIV)能夠反映輸入特征參量對于預(yù)測結(jié)果的影響，可以用在BP神經(jīng)系統(tǒng)中來增強輸出結(jié)果穩(wěn)定性，提高模型精度。如：聶銘等[9]利用MIV變量篩選出烤煙評吸質(zhì)量的影響因素，成功建立煙化學指標與烤煙評吸質(zhì)量間的可行性模型，任亞飛等[10]對參考作物騰發(fā)量的影響因素進行篩選，克服了參考作物騰發(fā)量在傳統(tǒng)模型中模擬精度不高的缺點。

試驗擬利用MIV法對于制絲過程中的工藝參數(shù)進行篩選，選擇影響成品煙絲質(zhì)量的關(guān)鍵工藝參數(shù)，再運用MIV-BP神經(jīng)網(wǎng)絡(luò)，構(gòu)建出制絲關(guān)鍵工序工藝參數(shù)和成品煙絲質(zhì)量間的模擬模型，以期能夠利用該模型指導(dǎo)實際生產(chǎn)。

1 材料與方法

1.1 試驗材料

某牌號完整葉組配方原料：某卷煙廠。

1.2 設(shè)備與儀器

加料機：SJ1512型，昆明船舶設(shè)備集團有限公司；

滾筒式葉片回潮機：WQ3313型，昆明船舶設(shè)備集團有限公司；

薄板式烘絲機：SH612A型，昆明船舶設(shè)備集團有限公司；

加香機：SJ234B型，昆明船舶設(shè)備集團有限公司；

電子天平：ME203型，美國Mettler Toledo公司；

煙絲振動分選篩：YQ-2型，中國煙草總公司鄭州煙草研究院；

紅外水分儀：InfraLab710型，美國NDC Technologies公司；

填充值測定儀：YGD560型，德國西門子股份有限公司。

1.3 測定方法

1.3.1 煙絲填充值 依據(jù)YC/T 152—2001《卷煙 煙絲填充值的測定》規(guī)定進行取樣、檢測。

1.3.2 煙絲整絲率和碎絲率 依據(jù)三層篩分法，按照YC/T 178—2003《煙絲整絲率、碎絲率的測定方法》的規(guī)定進行取樣、測定。

1.4 數(shù)據(jù)采集

試驗采集2020年1—12月某卷煙廠制絲車間的生產(chǎn)監(jiān)測數(shù)據(jù)，選取同一牌號煙絲生產(chǎn)時的松散回潮回風溫度、松散回潮出口含水率、加料潤葉回風溫度、加料潤葉出口含水率、葉絲干燥筒壁溫度、葉絲干燥出口含水率、混絲加香出口含水率7個工藝參數(shù)，以及能反映成品煙絲質(zhì)量的填充值、整絲率、碎絲率3個關(guān)鍵質(zhì)量指標。

1.5 數(shù)據(jù)處理

1.5.1 BP神經(jīng)網(wǎng)絡(luò)模型 BP神經(jīng)網(wǎng)絡(luò)全稱為基于誤差反向算法的人工神經(jīng)網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)通常由輸入層，隱含層和輸出層3層網(wǎng)絡(luò)組成，經(jīng)典的3層結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)如圖1所示。給BP神經(jīng)網(wǎng)絡(luò)提供一組學習樣本后，輸入信號通過隱含層作用于輸出節(jié)點，經(jīng)過非線性變換，產(chǎn)生輸出信號。計算輸出層神經(jīng)元的實際輸出和期望輸出之間的誤差，根據(jù)減小誤差的方向，從輸出層經(jīng)各隱含層向輸入層之間，逐步修正各層之間的鏈接權(quán)值[11]。不斷重復(fù)“正向計算輸出，反向誤差傳播”的過程，當誤差降低到允許的范圍后，完成網(wǎng)絡(luò)的訓練學習輸出計算值。在反向傳播誤差修正的過程中，神經(jīng)網(wǎng)絡(luò)對輸入模式識別的正確率也在不斷上升。

圖1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Figure 1 BP neural network structure

BP神經(jīng)網(wǎng)絡(luò)需經(jīng)過訓練之后才能用于模擬預(yù)測，其訓練過程主要由以下步驟構(gòu)成：

(1)BP神經(jīng)網(wǎng)絡(luò)的初始化。在BP神經(jīng)網(wǎng)絡(luò)初始化過程中，設(shè)定神經(jīng)網(wǎng)絡(luò)的輸入與輸出參數(shù)，確定神經(jīng)網(wǎng)絡(luò)的隱含層節(jié)點數(shù)、傳遞函數(shù)、訓練函數(shù)和學習速率等結(jié)構(gòu)參數(shù)。

(2)隱含層的輸出計算。需要根據(jù)隱含層節(jié)點數(shù)，隱含層激勵函數(shù)以及輸入層和隱含層間的連接權(quán)值，隱含層的閾值等對輸入的數(shù)據(jù)進行處理，其計算方式：

(1)

式中：

l——隱含層節(jié)點數(shù)；

f——隱含層激勵函數(shù)；

wij——輸入層與隱含層間的連接權(quán)值；

aj——隱含層的閾值；

Hj——隱含層輸出。

(3)輸出層的輸出計算。計算方式：

(2)

式中：

wjk——連接權(quán)值；

bk——閾值；

Ok——BP神經(jīng)網(wǎng)絡(luò)的預(yù)測輸出。

(4)計算誤差。根據(jù)網(wǎng)絡(luò)預(yù)測輸出與期望輸出計算網(wǎng)絡(luò)預(yù)測誤差：

ek=Yk-Ok，k=1,2…，m，

(3)

式中：

Ok——網(wǎng)絡(luò)預(yù)測輸出；

Yk——期望輸出；

ek——網(wǎng)絡(luò)預(yù)測誤差。

(5)更新權(quán)值。由上述步驟的計算結(jié)果對于權(quán)值進行更新，增加網(wǎng)絡(luò)精度。

(4)

wjk=wjk+ηΗjek,j=1,2,…，l；k=1，2，…，m，

(5)

式中：

η——學習效率。

(6)閾值的更新。

(6)

bk=bk+ek,k=1，2，…，m。

(7)

(7)判斷算法迭代是否結(jié)束。判斷誤差是否達到設(shè)定精度要求，如達到要求，結(jié)束循環(huán)；如未達到精度要求，則判斷訓練次數(shù)是否達到設(shè)定的最大訓練次數(shù)，如達到最大訓練次數(shù)，結(jié)束循環(huán)；如果未達到最大訓練次數(shù)，返回(2)。

不斷循環(huán)此過程，逐漸減少訓練誤差，直至訓練誤差達到設(shè)定的精度要求或者訓練次數(shù)達到最大次數(shù)，停止訓練。

1.5.2 平均影響值 平均影響值(MIV)反映了在神經(jīng)網(wǎng)絡(luò)中的參數(shù)權(quán)重的變化情況，能夠用來評價各參數(shù)變量的相關(guān)性。其絕對值大小能反映出參數(shù)對于輸出結(jié)果的影響能力的大小，正負則表示為正相關(guān)還是負相關(guān)，所以可以使用平均影響值法對于變量進行篩選，選取影響程度大的變量，從而減少構(gòu)建模型的輸入?yún)?shù)，增加模型的訓練精度。使用平均影響值法對于輸入?yún)?shù)進行篩選，其步驟：

(1)將n個輸入?yún)?shù)共m個訓練樣本中的所有輸入?yún)?shù)用P進行標記,其所對應(yīng)的輸出參數(shù)用A進行標記。

P=[X1,X2,…,Xn]T，

(8)

A=[Y1,Y2,…,Yn]T。

(9)

(2)通過BP神經(jīng)系統(tǒng)構(gòu)建輸入?yún)?shù)P和輸出參數(shù)A的BP神經(jīng)網(wǎng)絡(luò)模擬模型。

(3)對P中的第i個輸出參數(shù)進行數(shù)值變換，使其增加和縮小10%。

(10)

(11)

(12)

(13)

(6)將Iv,i按照訓練樣本數(shù)進行平均，其值的大小即為第i個參數(shù)的平均影響值Miv,i。

(14)

根據(jù)MIV絕對值的大小對輸入?yún)?shù)進行排序，其排列順序代表各輸入?yún)?shù)對輸出參數(shù)相關(guān)性的重要程度。根據(jù)相關(guān)性的重要程度，剔除對輸出結(jié)果影響較小的特征參數(shù)，從而實現(xiàn)輸入?yún)?shù)的篩選。

1.5.3 數(shù)據(jù)的歸一化 由于試驗中，各參數(shù)中含有不同的物理量，并且數(shù)值差別很大，數(shù)據(jù)不具有可比性，影響模型的收斂可靠性及收斂速度，需要對數(shù)據(jù)進行標準化轉(zhuǎn)換。文中使用差離標準化變換，使得所有參數(shù)的值在[0，1]。轉(zhuǎn)換函數(shù)：

(15)

式中：

X*——數(shù)據(jù)歸一化后的值；

X——變量的原始值；

Xmax——變量的最大值；

Xmin——變量的最小值。

2 結(jié)果與分析

2.1 MIV的篩選結(jié)果

通過MIV方法對某卷煙廠某牌號煙絲的制絲車間的生產(chǎn)監(jiān)控數(shù)據(jù)進行分析，其中包括松散回潮回風溫度、松散回潮出口含水率、加料潤葉回風溫度、加料潤葉出口含水率、葉絲干燥筒壁溫度、葉絲干燥出口含水率以及混絲加香出口含水率共7個工藝參數(shù)的280組指標數(shù)據(jù)，最終得到上述7個工藝參數(shù)對于成品煙絲質(zhì)量的相關(guān)性的強弱程度，結(jié)果見表1。

由表1可知，7個工藝參數(shù)的MIV絕對值從大到小排列順序為：葉絲干燥筒壁溫度、葉絲干燥出口含水率、加料潤葉出口含水率、松散回潮出口含水率、加料潤葉回風溫度、松散回潮回風溫度、混絲加香出口含水率。葉絲干燥筒壁溫度和葉絲干燥出口含水率這兩個參數(shù)的MIV值在這7個參數(shù)絕對值中相對較大，表示其對成品煙絲質(zhì)量的影響程度較大，并且其MIV值為正值，表示在一定的范圍內(nèi)，隨著葉絲干燥筒壁溫度和葉絲干燥出口含水率的正向或負向變化，成品煙絲的質(zhì)量也會隨之發(fā)生正向或負向變化。在這7個工藝參數(shù)中，松散回潮回風溫度、松散回潮出口含水率和混絲加香出口含水率的MIV為負數(shù)，表示其對成品煙絲的影響為負相關(guān)，所以隨著松散回潮回風溫度、松散回潮出口含水率和混絲加香出口含水率的正向或負向變化，會導(dǎo)致成品煙絲質(zhì)量的呈相反方向變化。

表1 各工藝參數(shù)的平均影響值Table 1 The mean impact value of each process parameter

相對于其他工藝參數(shù)，混絲加香出口含水率、松散回潮回風溫度、加料潤葉回風溫度的MIV值較小，其對于成品煙絲質(zhì)量的影響可以忽略。為了提高BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的預(yù)測精度和泛化能力，在變量篩選時剔除這3個變量，將剩余變量即葉絲干燥筒壁溫度、葉絲干燥出口含水率、加料潤葉出口含水率和松散回潮出口含水率4個工藝參數(shù)納入預(yù)測模型輸入?yún)?shù)。

2.2 BP神經(jīng)網(wǎng)絡(luò)的構(gòu)建

輸出參數(shù)為成品煙絲填充值、整絲率和碎絲率。根據(jù)BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)具有4個輸入節(jié)點和3個輸出節(jié)點。

目前對于BP神經(jīng)網(wǎng)絡(luò)中隱含層節(jié)點的選取一般采用經(jīng)驗公式[12]：

(16)

式中：

n1——隱含層節(jié)點數(shù)；

n——輸出節(jié)點；

m——輸入節(jié)點；

a——[1，10]的常數(shù)。

根據(jù)式(16)，文中隱含層節(jié)點數(shù)在[5，14]。表2為輸入節(jié)點為4，輸出節(jié)點為3，隱含層節(jié)點數(shù)不同時，所構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)訓練誤差以及達到誤差時的訓練次數(shù)。根據(jù)最小網(wǎng)絡(luò)誤差和最少訓練次數(shù)為選擇指標，當隱含層節(jié)點數(shù)為8時，所構(gòu)建的神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)誤差最小，達到誤差時的訓練次數(shù)最少，所以最終隱含層節(jié)點數(shù)選擇為8。

文中所構(gòu)建的神經(jīng)網(wǎng)絡(luò)，輸入層到隱含層函數(shù)傳遞采用正切S型傳遞函數(shù)tansig()函數(shù)：隱含層到輸出層的傳遞函數(shù)為線性傳遞函數(shù)purelin()函數(shù)；神經(jīng)網(wǎng)絡(luò)的訓練函數(shù)traingd()函數(shù)，學習函數(shù)Learngdm()函數(shù)，學習速率0.01，訓練誤差小于0.02。

2.3 神經(jīng)網(wǎng)絡(luò)模擬結(jié)果驗證

構(gòu)建神經(jīng)系統(tǒng)網(wǎng)絡(luò)模型，另外選取正常生產(chǎn)的20批同牌號的松散回潮出口含水率、葉絲干燥筒壁溫度、加料潤葉出口含水率和葉絲干燥出口含水率的監(jiān)測數(shù)據(jù)，輸入模擬模型，進行填充值、整絲率和碎絲率預(yù)測，并與實際測定值進行對比，計算其相對誤差。由于在模型模擬時進行了數(shù)據(jù)的歸一化，此時需要對數(shù)據(jù)進行反歸一化，最終得到的成品煙絲填充值、整絲率和碎絲率預(yù)測值與實測值的對比情況，結(jié)果見表3。

從表3可以看出，填充值的模擬預(yù)測值與實測值的相對誤差最小為0.22%，最大為7.85%，平均相對誤差為3.15%。整絲率的模擬預(yù)測值與實測值的相對誤差最小為0.01%，最大為1.83%，平均相對誤差為0.67%，碎絲率的模擬預(yù)測值與實測值的相對誤差最小0.3%，最大為10.2%，平均相對誤差為5.33%，所以運用MIV-BP神經(jīng)系統(tǒng)對于成品煙絲填充值、整絲率和碎絲率都有著很好的模擬效果。從表3還可以看出，模擬模型的整絲率和填充值的預(yù)測值與實測值的相對誤差較小，而碎絲率的預(yù)測值和實測值的相對誤差較大。其原因可能是相對于整絲率和填充值，碎絲率的測量試驗誤差最大，導(dǎo)致BP神經(jīng)系統(tǒng)構(gòu)建模擬模型時，碎絲率的訓練誤差最大，所以模擬結(jié)果中相對于實測值，碎絲率的偏離情況最為嚴重，平均相對誤差也最大。

表2 BP網(wǎng)絡(luò)訓練誤差均值Table 2 Training error mean of BP neural networks

表3 MIV-BP神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果與實測結(jié)果的對比Table 3 Comparison of MIV-BP neural network prediction results with real results

MIV-BP神經(jīng)系統(tǒng)通過對制絲工藝參數(shù)進行篩選，選取松散回潮出口含水率、葉絲干燥筒壁溫度、加料潤葉出口含水率和葉絲干燥出口含水率4個關(guān)鍵工藝參數(shù)構(gòu)建的BP神經(jīng)系統(tǒng)，對成品煙絲填充值、整絲率和碎絲率的模擬相對誤差都比較小，有著實際的應(yīng)用可能。而且，由于神經(jīng)網(wǎng)絡(luò)的特點，隨著獲得數(shù)據(jù)的逐漸增多，所構(gòu)成的神經(jīng)系統(tǒng)模擬更加精準，預(yù)測值和實測值的相對誤差也會進一步下降，預(yù)測值與實測值會更加接近。

2.4 MIV-BP模型與其他常見模型模擬結(jié)果對比

構(gòu)建未經(jīng)變量篩選的具有7個輸入?yún)?shù)的傳統(tǒng)BP神經(jīng)系統(tǒng)網(wǎng)絡(luò)模擬模型和ELM(extreme learning machine)模擬模型，并分別計算其模擬結(jié)果與實測值的相對誤差，結(jié)果見表4。從表4可以看出，MIV-BP模擬模型、傳統(tǒng)BP模擬模型、ELM模擬模型在填充值、整絲率和碎絲率的模擬結(jié)果相對誤差均小于12%，在成品煙絲結(jié)構(gòu)的預(yù)測上都有著良好的模擬結(jié)果。但MIV-BP模擬模型在成品煙絲的填充值、整絲率和碎絲率的模擬預(yù)測結(jié)果相較于未經(jīng)變量篩選的傳統(tǒng)BP神經(jīng)系統(tǒng)網(wǎng)絡(luò)模擬模型以及ELM模擬模型，相對誤差更小，結(jié)果更接近實測數(shù)值。所以采用MIV-BP神經(jīng)網(wǎng)絡(luò)對成品煙絲質(zhì)量進行模擬預(yù)測，模型精度更高。

3 結(jié)論

通過平均影響值法對某牌號卷煙成品煙絲制絲生產(chǎn)過程工藝參數(shù)影響進行篩選，最終篩選出松散回潮出口含水率、加料潤葉出口含水率、葉絲干燥筒壁溫度和葉絲干燥出口含水率4個關(guān)鍵參數(shù)。以篩選到的關(guān)鍵工藝參數(shù)為輸入信號，以成品煙絲的填充值、整絲率和碎絲率為輸出信號，構(gòu)建關(guān)鍵工藝參數(shù)與成品煙絲質(zhì)量的MIV-BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型。試驗結(jié)果表明，通過構(gòu)建MIV-BP神經(jīng)系統(tǒng)網(wǎng)絡(luò)模型，預(yù)測的填充值、整絲率、碎絲率平均相對誤差分別為3.15%，0.67%，5.33%。因此，文中提出的方法在精度上優(yōu)于傳統(tǒng)的BP神經(jīng)系統(tǒng)網(wǎng)絡(luò)模擬模型以及ELM模擬模型，而且計算數(shù)據(jù)來源于卷煙工廠實際檢測數(shù)據(jù)，可直接指導(dǎo)實際生產(chǎn)。

但研究只選取單一牌號煙絲作為訓練樣本和測試樣本，未建立針對其他牌號煙絲的MIV-BP神經(jīng)系統(tǒng)網(wǎng)絡(luò)模型，故此模型有一定的局限性；烤煙評吸綜合得分也是評價煙絲的重要因素，因此下一步研究應(yīng)當根據(jù)不同牌號煙絲關(guān)鍵工藝參數(shù)，成品煙絲質(zhì)量以及感官評吸綜合得分共同建立MIV-BP神經(jīng)系統(tǒng)網(wǎng)絡(luò)模型。

表4 神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果與實測結(jié)果的對比Table 4 Comparison of neural network prediction results with real results %