基于機(jī)器學(xué)習(xí)的卷煙制絲工藝物料衡算模型

張艮水，關(guān)愛章，蘭志超，袁海霞，林盈，楊明，曾偉中，鄭茜

（湖北中煙工業(yè)有限責(zé)任公司襄陽卷煙廠，湖北 襄陽 441000）

0 引言

在人工智能、機(jī)器學(xué)習(xí)等新興技術(shù)日趨成熟的背景下，制絲生產(chǎn)過程的智能化應(yīng)用逐漸成為行業(yè)的主要研究方向。目前，制絲過程消耗計(jì)量問題一直制約著工廠高級(jí)排產(chǎn)、過程仿真、批次物料追蹤和智能數(shù)據(jù)分析等智能化應(yīng)用?；诖?，本文對制絲全流程物料衡算關(guān)鍵技術(shù)進(jìn)行系統(tǒng)性研究，以數(shù)據(jù)驅(qū)動(dòng)和知識(shí)驅(qū)動(dòng)為基礎(chǔ)構(gòu)建制絲全流程物料衡算模型，從而對損耗過多、產(chǎn)出不穩(wěn)定等現(xiàn)象進(jìn)行預(yù)警。通過數(shù)據(jù)分析及預(yù)測模型研究，對制絲生產(chǎn)過程的物料進(jìn)行精準(zhǔn)計(jì)量，可進(jìn)一步挖掘質(zhì)量數(shù)據(jù)價(jià)值，提升煙廠智能制造水平，為未來智能化、數(shù)字化建設(shè)提供數(shù)據(jù)支撐。

在機(jī)器學(xué)習(xí)方面，相關(guān)研究涉及領(lǐng)域十分廣泛。吳勇，等構(gòu)建了面向?qū)徲?jì)全生命周期的機(jī)器學(xué)習(xí)應(yīng)用模型；宋祥，等采用決策樹、貝葉斯分類器、神經(jīng)網(wǎng)絡(luò)、邏輯回歸等六種機(jī)器學(xué)習(xí)算法對個(gè)人年收入進(jìn)行了預(yù)測；喻佳，等通過邏輯回歸、決策樹、貝葉斯算法、隨機(jī)森林等五機(jī)器學(xué)習(xí)算法對教育大數(shù)據(jù)進(jìn)行了分析；黃家宸，等分析了機(jī)器學(xué)習(xí)技術(shù)在油氣領(lǐng)域的主要應(yīng)用場景以及在產(chǎn)量預(yù)測中存在的問題。

在物料衡算方面，大部分研究主要集中在化工生產(chǎn)領(lǐng)域。史忠錄，等對氯化鉀工藝的“冷結(jié)晶—正浮選—洗滌法”生產(chǎn)過程進(jìn)行了物料衡算；張瑜通過具實(shí)際案例對精細(xì)化工項(xiàng)目工藝的物料衡算進(jìn)行了具體分析；陳旭輝，等通過實(shí)際數(shù)據(jù)對一步法腈綸紡絲工段進(jìn)行了物料衡算以改進(jìn)浴液系統(tǒng)；姜京哲，等對五氧化二釩的生產(chǎn)過程進(jìn)行物料衡算和水平衡計(jì)算，以此為環(huán)保治理提供建議。

通過文獻(xiàn)檢索可知，關(guān)于機(jī)器學(xué)習(xí)和物料衡算的研究較多，但尚未有文獻(xiàn)將機(jī)器學(xué)習(xí)技術(shù)應(yīng)用于煙草行業(yè)的制絲工藝物料衡算。本研究以數(shù)據(jù)驅(qū)動(dòng)和知識(shí)驅(qū)動(dòng)為主要技術(shù)路線，采用機(jī)器學(xué)習(xí)技術(shù)建立全流程、自學(xué)習(xí)的制絲物料消耗衡算模型，以填補(bǔ)相關(guān)理論在這一領(lǐng)域的空白。

1 卷煙制絲工藝流程分析

1.1 主要流程

煙草生產(chǎn)的工藝流程主要分為兩個(gè)部分：制絲和卷接包裝。制絲工藝主要對煙葉、煙梗等原料通過回潮、切絲、干燥、摻配混合、加香等一系列加工工序處理，得到符合卷制包裝技術(shù)要求的煙絲。煙絲經(jīng)過輸送設(shè)備送至卷制包裝。具體制絲工藝流程如圖1所示。整個(gè)過程十分復(fù)雜，具有非連續(xù)、流程長、參數(shù)多、要求高等特點(diǎn)。制絲生產(chǎn)所得煙絲的質(zhì)量直接影響著卷煙產(chǎn)品質(zhì)量的穩(wěn)定，為此，通過數(shù)學(xué)建模、數(shù)據(jù)分析，對制絲生產(chǎn)過程的物料進(jìn)行精準(zhǔn)計(jì)量，挖掘質(zhì)量數(shù)據(jù)價(jià)值，提升制絲加工精度。

圖1 卷煙制絲工藝流程

1.2 影響因素分析

制絲工藝受諸多因素影響，主要包括煙絲的理化性質(zhì)、環(huán)境因素、物料因素、設(shè)備因素、人為因素等方面，任一因素變化都將對煙絲品質(zhì)產(chǎn)生影響。物料衡算技術(shù)是制絲物料損耗、批次穩(wěn)定性、排產(chǎn)仿真和工藝質(zhì)量控制的重要基礎(chǔ)，也成為工廠智能化數(shù)字化建設(shè)重要研究領(lǐng)域，因此，十分有必要對制絲工藝進(jìn)行物料衡算，并分析這些因素變動(dòng)對煙絲質(zhì)量的影響，從而實(shí)現(xiàn)制絲生產(chǎn)的精益管控。物料衡算的影響因素主要有：

（1）水分含量：制絲工藝多個(gè)環(huán)節(jié)涉及物料的回潮和干燥，并且水分含量對煙絲的顏色、光澤、味道等指標(biāo)起著關(guān)鍵作用，同時(shí)影響著煙絲產(chǎn)出比。對于制絲工藝流程的松散回潮、洗梗潤梗、梗絲干燥、加香喂料等環(huán)節(jié)，在工序出入口配置水分儀和電子秤，以便對物料進(jìn)行自動(dòng)稱重，并實(shí)時(shí)監(jiān)控物料的水分含量，嚴(yán)格控制水分，以實(shí)現(xiàn)對制絲工藝的管控。

（2）機(jī)器設(shè)備：主要依靠水分儀和電子秤進(jìn)行計(jì)量，以實(shí)現(xiàn)對物料流量的精準(zhǔn)控制。對于物料回潮、干燥、摻配混合、加香加料等關(guān)鍵工序，保持物料水分及重量等數(shù)據(jù)計(jì)量的準(zhǔn)確性，對后續(xù)流程中原料和輔料的摻兌配比等工作具有重要的參考意義。

（3）工藝技術(shù)：制絲工藝的精準(zhǔn)控制，依賴先進(jìn)的工藝技術(shù)，根據(jù)不同牌號(hào)的生產(chǎn)需求設(shè)計(jì)標(biāo)準(zhǔn)化的生產(chǎn)加工路線，保障生產(chǎn)過程的穩(wěn)定性和柔性化。

當(dāng)前，煙草行業(yè)普遍存在物料計(jì)量體系不完善、卷煙生產(chǎn)消耗管控人工干預(yù)多、耗時(shí)費(fèi)力且工作效率低等問題。基于此，本文采用線性回歸、多項(xiàng)式回歸及BP神經(jīng)網(wǎng)絡(luò)多種機(jī)器學(xué)習(xí)方法，根據(jù)歷史數(shù)據(jù)，結(jié)合專家經(jīng)驗(yàn)進(jìn)行數(shù)據(jù)建模，將物料衡算模型結(jié)合數(shù)據(jù)可視化、數(shù)據(jù)預(yù)警等技術(shù)以形成一套科學(xué)完整的制絲全流程物料計(jì)量體系，輔助未來數(shù)字化工廠精益化生產(chǎn)和創(chuàng)新應(yīng)用，為生產(chǎn)決策智能化奠定基礎(chǔ)，提升工廠智能分析和決策水平。

2 基于機(jī)器學(xué)習(xí)的物料衡算模型建立

2.1 模型構(gòu)建思路

2.1.1 總體框架。機(jī)器學(xué)習(xí)能夠?qū)Υ罅繗v史數(shù)據(jù)進(jìn)行分析和處理，挖掘數(shù)據(jù)隱含規(guī)律，通過不斷改進(jìn)經(jīng)驗(yàn)或模型達(dá)到自適應(yīng)學(xué)習(xí)的目的，十分適用于制絲生產(chǎn)線的物料衡算。機(jī)器學(xué)習(xí)包括線性回歸、多項(xiàng)式回歸、梯度下降、聚類分析、神經(jīng)網(wǎng)絡(luò)等多種算法。其中，線性回歸和多項(xiàng)式回歸是用于預(yù)測的經(jīng)典算法，分別利用線性和非線性模型分析自變量和因變量的數(shù)學(xué)關(guān)系，根據(jù)回歸方程預(yù)測因變量的變化趨勢。BP神經(jīng)網(wǎng)絡(luò)是近年來使用最廣泛的機(jī)器學(xué)習(xí)算法，通過模擬人類神經(jīng)元的結(jié)構(gòu)，對輸入和輸出的大量數(shù)據(jù)進(jìn)行采集和存儲(chǔ)，在非線性系統(tǒng)中表現(xiàn)較好。本文選擇線性回歸、多項(xiàng)式回歸及BP神經(jīng)網(wǎng)絡(luò)算法作為候選模型，利用線性和非線性原理，對每個(gè)工段所涉及自變量和因變量之間的關(guān)系進(jìn)行擬合。最后通過對比分析，選取誤差最小的物料衡算模型?？傮w建?？蚣苋鐖D2所示，主要包括以下兩個(gè)階段。

圖2 總體建?？蚣?/p>

（1）確定某牌號(hào)煙葉各工段預(yù)測模型：①導(dǎo)入每一工段的原始輸入、輸出數(shù)據(jù)。②剔除異常數(shù)據(jù)后，將剩余數(shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù)。③利用實(shí)驗(yàn)數(shù)據(jù)，分別訓(xùn)練一元線性回歸模型、二次多項(xiàng)式回歸模型、BP神經(jīng)網(wǎng)絡(luò)模型。④利用模型優(yōu)劣評(píng)價(jià)標(biāo)準(zhǔn)，對每一工段各模型的運(yùn)行結(jié)果進(jìn)行評(píng)價(jià)。選擇效果最好的模型作為該工段預(yù)測模型，保存模型或模型參數(shù)。

（2）利用模型實(shí)時(shí)預(yù)測：①利用各工段已確定的預(yù)測模型，根據(jù)某牌號(hào)煙葉每批次工段入口數(shù)據(jù)，預(yù)測對應(yīng)出口煙葉重量。②當(dāng)該牌號(hào)煙葉產(chǎn)生N批新數(shù)據(jù)時(shí)，返回第一階段，更新各工段預(yù)測模型。

2.1.2 評(píng)價(jià)標(biāo)準(zhǔn)。預(yù)測精度是指對誤差的離散分布情況進(jìn)行預(yù)測，主要取決于模型結(jié)構(gòu)的穩(wěn)定性、預(yù)測數(shù)據(jù)與實(shí)際數(shù)值之間的偏差，以及歷史數(shù)據(jù)與參數(shù)估計(jì)的差距等。預(yù)測誤差是實(shí)際值與理論值之間的離差，主要反映預(yù)測的準(zhǔn)確度。相關(guān)研究證明，均方根誤差（RMSE）對預(yù)測結(jié)果的誤差較為敏感，能夠很好地反映預(yù)測的精密度；平均絕對誤差（MAE）能夠更好地反映預(yù)測值誤差的實(shí)際情況；平均百分比絕對誤差（MAPE）能夠直觀反映誤差占原值的比例。因此，本文采用RMSE作為主要評(píng)價(jià)標(biāo)準(zhǔn)，同時(shí)利用MAE、MAPE進(jìn)一步分析模型性能。三種誤差的計(jì)算方法如下：

（3）平均百分比絕對誤差：

2.2 模型建立

2.2.1 基于回歸方法的物料衡算模型

（1）線性回歸模型原理。線性回歸分析法主要基于數(shù)理統(tǒng)計(jì)原理，對需要分析的海量數(shù)據(jù)進(jìn)行數(shù)學(xué)建模，并以此得出因變量與多個(gè)自變量之間的變動(dòng)規(guī)律，其基本表達(dá)形式為。多元回歸分析是采用數(shù)學(xué)模型對因變量與兩個(gè)或兩個(gè)以上自變量之間的相關(guān)性進(jìn)行描述，關(guān)系表達(dá)式如下：

（2）多項(xiàng)式回歸模型原理。多項(xiàng)式回歸是估計(jì)一個(gè)因變量與一個(gè)或多個(gè)自變量間的多項(xiàng)式關(guān)系。當(dāng)因變量與多個(gè)自變量存在相關(guān)性時(shí)，由于線性關(guān)系較復(fù)雜，此時(shí)采用線性回歸擬合效果仍需改進(jìn)。因此，采用多項(xiàng)式回歸模型，在此基礎(chǔ)上考慮增加特征項(xiàng)，以便擬合非線性數(shù)據(jù)。一元n次多項(xiàng)式回歸方程如下：

（3）模型實(shí)驗(yàn)步驟。本文所采用的線性回歸及多項(xiàng)式回歸模型，主要流程如圖3所示，實(shí)現(xiàn)步驟具體如下：

圖3 線性回歸及多項(xiàng)式回歸模型實(shí)驗(yàn)步驟

Step1：樣本處理。采用隨機(jī)抽樣的方法，將全部樣本按照7：3的比例劃分為訓(xùn)練集和預(yù)測集，執(zhí)行Step2。

Step2：確定自變量、因變量。根據(jù)樣本數(shù)據(jù)選取每一工段對應(yīng)的自變量為工段入口煙葉重量、水分含量，以及加水或加料量、篩分損耗量，因變量為出口煙葉重量，執(zhí)行Step3。

Step3：確定多項(xiàng)式次數(shù)。多項(xiàng)式次數(shù)分別取1、2、3，執(zhí)行Step4。

Step4：創(chuàng)建回歸實(shí)例進(jìn)行實(shí)驗(yàn)。將結(jié)果可視化處理，并利用均方根誤差（RMSE）、平均絕對誤差（MAE）、平均百分比絕對誤差（MAPE）評(píng)估模型效果。

2.2.2 基于BP神經(jīng)網(wǎng)絡(luò)的物料衡算模型

（1）BP神經(jīng)網(wǎng)絡(luò)模型原理。BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)基于有監(jiān)督的學(xué)習(xí)機(jī)制，將非線性可導(dǎo)函數(shù)作為傳遞函數(shù)。BP神經(jīng)網(wǎng)絡(luò)能對一系列存在輸入-輸出模式的數(shù)據(jù)映射關(guān)系進(jìn)行存儲(chǔ)和分析，而無需事先解釋其關(guān)系。通過反向傳播對網(wǎng)絡(luò)的權(quán)值不斷調(diào)整，以達(dá)到誤差平方和最小。其算法流程如圖4所示，主要由正向傳播和反向傳播構(gòu)成：①正向傳播：將訓(xùn)練樣本的數(shù)據(jù)輸入，然后先沿著網(wǎng)絡(luò)指向與對應(yīng)權(quán)重相乘后加和，再將結(jié)果作為輸入并在激活函數(shù)中計(jì)算，計(jì)算結(jié)果作為輸入傳遞至下一個(gè)節(jié)點(diǎn)。依次計(jì)算，直到得到最終輸出；②反向傳播：將輸出結(jié)果與期望結(jié)果進(jìn)行比較，若所得誤差較大，則進(jìn)一步采用梯度下降法，利用網(wǎng)絡(luò)結(jié)構(gòu)不斷調(diào)整各層神經(jīng)元的權(quán)值，該過程本質(zhì)是一個(gè)“負(fù)反饋”過程。經(jīng)過多次迭代，不斷調(diào)整網(wǎng)絡(luò)上各個(gè)節(jié)點(diǎn)間的權(quán)重，直到算法終止，利用該模型可進(jìn)行分析預(yù)測。

圖4 BP神經(jīng)網(wǎng)絡(luò)主要過程

（2）模型實(shí)驗(yàn)步驟。本文所設(shè)計(jì)的BP神經(jīng)網(wǎng)絡(luò)算法具體實(shí)驗(yàn)步驟如下：

Step1：樣本處理。采用隨機(jī)抽樣的方法，將全部樣本按照7：3的比例劃分為訓(xùn)練集和預(yù)測集，并對訓(xùn)練集數(shù)據(jù)進(jìn)行歸一化操作，執(zhí)行Step2。

Step2：確定網(wǎng)絡(luò)輸入量、輸出量。根據(jù)樣本數(shù)據(jù)信息，確定每一工段的網(wǎng)絡(luò)輸入量為工段入口煙葉重量、水分含量，以及加水或加料量、篩分損耗量，網(wǎng)絡(luò)輸出量為出口煙葉重量，執(zhí)行Step3。

Step3：確定網(wǎng)絡(luò)結(jié)構(gòu)。根據(jù)網(wǎng)絡(luò)輸入、輸出信息確定網(wǎng)絡(luò)輸入層、隱含層和輸出層神經(jīng)元數(shù)目，執(zhí)行Step4。

Step4：參數(shù)初始化。初始化BP網(wǎng)絡(luò)中每個(gè)層級(jí)的權(quán)值和偏差，同時(shí)設(shè)定學(xué)習(xí)率、期望誤差最小值、最大迭代次數(shù)等一系列基本參數(shù)，執(zhí)行Step5。

Step5：正向傳播過程。按照“上層輸出矩陣乘當(dāng)前全連接層參數(shù)→加偏置→輸入激活函數(shù)→輸出”的規(guī)則完成正向傳播過程，執(zhí)行Step6。

Step6：后向傳播過程。使用均方誤差計(jì)算預(yù)估值與實(shí)際值的差距，當(dāng)誤差小于期望誤差最小值或達(dá)到最大迭代次數(shù)時(shí)，執(zhí)行Step7；否則，按照誤差梯度下降法從后往前逐層調(diào)整各神經(jīng)元的連接權(quán)值和偏差，返回Step5。

Step7：算法終止。利用已建立的BP神經(jīng)網(wǎng)絡(luò)對測試集進(jìn)行預(yù)測，將結(jié)果可視化處理，并利用測試誤差評(píng)估神經(jīng)網(wǎng)絡(luò)效果。

3 實(shí)驗(yàn)結(jié)果及分析

本文采用Python3.7.8作為編碼工具，分別對各個(gè)工段利用一次線性回歸、二次多項(xiàng)式回歸、BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行實(shí)驗(yàn)，并對實(shí)驗(yàn)結(jié)果進(jìn)行對比分析，驗(yàn)證三種模型的衡算效果。

3.1 數(shù)據(jù)來源工段劃分

根據(jù)制絲加工工藝流程，共包含17道工序，將其劃分為6個(gè)工段，見表1，本文對前5個(gè)工段進(jìn)行物料衡算。實(shí)驗(yàn)數(shù)據(jù)為某煙廠2021年1月-7月制絲車間生產(chǎn)數(shù)據(jù)，以一個(gè)牌號(hào)為例進(jìn)行測試，共計(jì)188條。每條數(shù)據(jù)包含信息相同，即各工段入口電子秤重量、入口水分含量、過程加料或加水量、過程篩分損耗量和出口電子秤重量。

表1 工段劃分

3.2 不同工段實(shí)驗(yàn)結(jié)果

（1）工段一實(shí)驗(yàn)結(jié)果。該工段設(shè)置自變量為“煙葉投料重量”，因變量為“煙葉切片出口重量”。實(shí)驗(yàn)結(jié)果見表2，結(jié)果表明，線性回歸模型與多項(xiàng)式回歸模型預(yù)測結(jié)果一致，與BP神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果相差不大，但BP神經(jīng)網(wǎng)絡(luò)的MAE、MAPE相對較小。

表2 工段一實(shí)驗(yàn)結(jié)果

（2）工段二實(shí)驗(yàn)結(jié)果。該工段設(shè)置自變量為“松散回潮入口煙葉重量”，因變量為“光譜除雜出口煙葉重量”。實(shí)驗(yàn)結(jié)果見表3，結(jié)果表明，二次多項(xiàng)式回歸模型預(yù)測結(jié)果的RMSE最優(yōu)，BP神經(jīng)網(wǎng)絡(luò)次之，線性回歸模型預(yù)測結(jié)果的RMSE最大。但BP神經(jīng)網(wǎng)絡(luò)的MAE和MAPE結(jié)果均最優(yōu)，二次多項(xiàng)式次之，線性回歸模型最差。

表3 工段二實(shí)驗(yàn)結(jié)果

（3）工段三實(shí)驗(yàn)結(jié)果。該工段設(shè)置自變量為“葉片加料入口煙葉重量、葉片加料前碎片篩分量”，因變量為“切葉絲工序出口煙葉重量”。實(shí)驗(yàn)結(jié)果見表4，結(jié)果表明，BP神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果的RMSE、MAE、MAPE均為最優(yōu)，線性回歸模型次之，二次多項(xiàng)式回歸模型預(yù)測效果最差。

表4 工段三實(shí)驗(yàn)結(jié)果

（4）工段四實(shí)驗(yàn)結(jié)果。該工段設(shè)置自變量為“HT入口煙葉重量、HT入口水分、葉絲風(fēng)選篩分損耗值”，因變量為“葉絲風(fēng)選出口煙葉重量”。實(shí)驗(yàn)結(jié)果見表5，結(jié)果表明，BP神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果的RMSE最小，線性回歸模型次之，二次多項(xiàng)式回歸模型預(yù)測結(jié)果的RMSE誤差最大，但線性回歸模型的MAE、MAPE稍優(yōu)于BP神經(jīng)網(wǎng)絡(luò)。

表5 工段四實(shí)驗(yàn)結(jié)果

（5）工段五實(shí)驗(yàn)結(jié)果。該工段設(shè)置自變量為“摻配入口葉絲主秤實(shí)際重量、混絲加香前篩分損耗值”，因變量為“混絲加香入口重量”。實(shí)驗(yàn)結(jié)果見表6，結(jié)果表明，二次多項(xiàng)式回歸結(jié)果明顯優(yōu)于一次線性回歸結(jié)果和BP神經(jīng)網(wǎng)絡(luò)模型。

表6 工段五實(shí)驗(yàn)結(jié)果

3.3 實(shí)例測試結(jié)果分析

根據(jù)以上實(shí)驗(yàn)結(jié)果可知，（1）選取三種模型進(jìn)行預(yù)測具有一定合理性，平均百分比絕對誤差（MAPE）最高僅為0.605 5%。（2）從工段分析，工段一和工段二的預(yù)測精度明顯高于后三個(gè)工段。主要原因是：工段一和工段二包含工序相對較少，且工序處理過程較為簡單，不涉及過多的加水、加料、篩分、烘干等對煙葉重量影響較大的環(huán)節(jié)。因此，輸入與輸出數(shù)據(jù)的關(guān)系更容易擬合。同時(shí)，觀察結(jié)果可知，工段二和工段四輸入輸出數(shù)據(jù)的線性關(guān)系相對顯著。（3）從模型分析，一次線性回歸模型在該制絲生產(chǎn)線中表現(xiàn)最好，BP神經(jīng)網(wǎng)絡(luò)與其預(yù)測效果相差不大，二次多項(xiàng)式回歸模型在工段五中表現(xiàn)較好。綜上，對于所選取牌號(hào)的物料衡算模型，工段一應(yīng)采用一次線性回歸，工段二和工段五應(yīng)采用二次多項(xiàng)式回歸；工段三和工段四應(yīng)采用BP神經(jīng)網(wǎng)絡(luò)。

4 結(jié)語

目前，我國煙草制絲工藝大部分實(shí)現(xiàn)了自動(dòng)化、機(jī)械化生產(chǎn)，但離智能制造仍存在一定距離。在機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘等先進(jìn)技術(shù)日趨成熟的背景下，本文采用自適應(yīng)的大數(shù)據(jù)建模技術(shù)，研究制絲工藝中關(guān)鍵工序的物料進(jìn)出衡算方法，構(gòu)建全流程物料衡算模型。首先，通過對制絲工藝主要流程和影響因素進(jìn)行分析，確定物料流量監(jiān)控點(diǎn)及監(jiān)控要素；然后，基于工藝流程將制絲過程劃分為不同工段，分別采用線性回歸、多項(xiàng)式回歸及BP神經(jīng)網(wǎng)絡(luò)對不同工段數(shù)據(jù)進(jìn)行模型擬合；最后，根據(jù)三種評(píng)價(jià)指標(biāo)分析實(shí)驗(yàn)結(jié)果，為每個(gè)工段選取較優(yōu)的物料衡算模型，并對產(chǎn)生預(yù)測誤差的原因進(jìn)行深入分析。本文研究成果可完善制絲全流程物料計(jì)量體系，為卷煙生產(chǎn)的自動(dòng)排產(chǎn)和智能生產(chǎn)提供支撐，同時(shí)為建設(shè)數(shù)字化工廠，實(shí)現(xiàn)精益生產(chǎn)提供參考和借鑒。