摘要:文中介紹的潤葉加料系統(tǒng)控制方法是利用機器學(xué)習(xí)中的線性回歸方法進行技術(shù)實現(xiàn)的,簡要說明了該控制方法的原理和結(jié)構(gòu)。著重討論了潤葉加料系統(tǒng)的數(shù)據(jù)架構(gòu),以及機器學(xué)習(xí)的算法,詳盡地闡述了利用此設(shè)計的實用性,可靠性,能很好地滿足煙草工業(yè)生產(chǎn)要求,大大降低了人為干預(yù),提高了設(shè)備的智能化與自動化。
關(guān)鍵詞:機器學(xué)習(xí);線性回歸;潤葉加料系統(tǒng);智能制造;數(shù)據(jù)建模;Python
一、引言
制絲線潤葉加料是卷煙的一道關(guān)鍵工序,工藝過程為煙葉進入潤葉滾筒期間,通過加料噴嘴,加水噴嘴,蒸汽管路對煙葉進行加料,加水,加溫工序,使煙葉滿足規(guī)定的工藝含水率,工藝溫度,工藝加料量后,進入下一步工序。然而,潤葉加料工序還處于人為控制的操作方法,含水率、溫度等關(guān)鍵工藝指標(biāo)需要通過直接調(diào)整閥門開度進行調(diào)整,造成人員動作浪費、影響工藝質(zhì)量等問題。
在潤葉加料工序中,煙葉含水率主要依靠設(shè)備的PLC控制系統(tǒng),采用PID調(diào)節(jié)算法來進行控制,但在實際生產(chǎn)過程中仍然存在一些問題,例如PID調(diào)節(jié)速度過慢,無法在生產(chǎn)開始時快速計算出所需的各種閥門開度,導(dǎo)致干頭或濕頭等問題;例如控制調(diào)節(jié)不當(dāng),產(chǎn)生波浪形水分,大大影響標(biāo)準(zhǔn)偏差。
因此基于上述問題,在設(shè)備開機前,操作人員通過人為干涉閥門開度,通過手動開機方式對頭煙進行干預(yù),待出口水分,出口溫度穩(wěn)定后再將其切會自動生產(chǎn),以保證工藝質(zhì)量達到合格標(biāo)準(zhǔn)。
應(yīng)用Python中的TensorFlow框架,對歷史數(shù)據(jù)進行機器學(xué)習(xí),應(yīng)用多元線性回歸對潤葉加料各關(guān)鍵參數(shù)進行建模,并通過劃分?jǐn)?shù)據(jù)集對模型進行測試驗證,最后通過輸入實際參數(shù),通過模型獲取閥門開度等輸出控制結(jié)果。
試驗表明了潤葉加料設(shè)備參數(shù)的可觀測性,能夠通過入口水分,料葉溫度,出口水分設(shè)定值,出口溫度設(shè)定值,煙葉流量,加料比例等輸入值精準(zhǔn)快速定位加水閥門開度,增溫閥門開度等輸出值,充分實現(xiàn)智能化,自動化特性?,F(xiàn)場應(yīng)用后可以降低員工勞動程度,提高產(chǎn)品質(zhì)量和穩(wěn)定性。
二、對歷史數(shù)據(jù)進行整合
由于技改設(shè)計等原因,存在多個數(shù)據(jù)庫對歷史數(shù)據(jù)進行存放,因此我們需要對數(shù)據(jù)進行篩選提取,并匯總到自己的數(shù)據(jù)庫中,為方便建模,數(shù)據(jù)采用均值方式保存,其中的關(guān)鍵變量包含如下:牌號,開始時間,結(jié)束時間,入口水分,出口溫度,工藝流量,加料比例,料液溫度,出口含水率,加水PID控制值,加溫PID控制值,車間溫度,車間濕度。部分?jǐn)?shù)據(jù)如表1所示。
三、獲取數(shù)據(jù)以及數(shù)據(jù)處理方法
本設(shè)計采用Python編程語言進行代碼處理,數(shù)據(jù)獲取方式使用pandas庫進行獲取,并將獲取的數(shù)據(jù)保存為DataFrame數(shù)據(jù)結(jié)構(gòu)。DataFrame是一種表格型數(shù)據(jù)結(jié)構(gòu),既有行索引,也有列索引,它可以看作是由Series組成的字典,不過這些Series共用一個索引。對于表內(nèi)存在的空缺數(shù)值Nan,直接使用dropna方法對其進行舍棄處理。
三、特征抽取及特征預(yù)處理方法
根據(jù)字典信息可以知道,牌號字段屬于文本特征,處理該特征方法可以使用One-Hot編碼。One-Hot編碼是分類變量作為二進制向量的表示。這首先要求將分類值映射到整數(shù)值。然后,每個整數(shù)值被表示為二進制向量,保證每個樣本中的單個特征只有1位處于狀態(tài)1,其他的都是0。其他字段如入口水分、出口溫度,則屬于有量綱表達式,需要進行無量綱化處理,采用歸一化將數(shù)據(jù)特征值轉(zhuǎn)換到同一量綱下把數(shù)據(jù)映射到[0,1],消除實際過程中的單位,從而簡化計算。代碼如下:
result_real = np.array(result_real)
transfer = MinMaxScaler(feature_range=(0, 1))#歸一化處理
result_real = transfer.fit_transform(result_real)
四、數(shù)據(jù)集劃分
為驗證模型的準(zhǔn)確性,我們需要將數(shù)據(jù)集D按照比例劃分為兩個集合,其中一個集合作為訓(xùn)練集S,另一個集合作為測試集T,即D=S∪T,S∩T=。在S上訓(xùn)練出模型后,用T來評估其測試誤差,作為對泛化誤差的估計。通過調(diào)用sklearn中的train_test_split按比例劃分訓(xùn)練集和測試集,通常為25%/75%分樣比例。代碼如下:
X = preprocessing.scale(X)
Y = cop[['出口溫度PID控制值']]
x_train, x_test, y_train, y_test = train_test_split(X, Y, test_size=0.25, random_state=10)#劃分?jǐn)?shù)據(jù)集
五、線性回歸建模
線性回歸基本公式為:y=w1x1+w2x2+w3x3…wnxn+bi,其中xi(i= 1,2... n)為每個樣本的n個特征值,w為權(quán)重系數(shù),bi為偏置系數(shù)。把這些每一行的疊加起來就成了一個向量或者矩陣,所以引入矩陣的表示為:
根據(jù)公式可以得出,y1為加水PID控制值,y2為加溫PID控制值,x分別為牌號、入口水分、出口溫度、工藝流量、加料比例、料液溫度、出口含水率等,因此,本次建模目的為求出權(quán)重系數(shù)w與偏置系數(shù)bi。
六、構(gòu)造損失函數(shù)
根據(jù)均方誤差表達式:
可以得到,損失函數(shù):
Loss=
其中,y_ture 是真實值,y_predict是預(yù)測值。y_predict=wX+bi,既w與bi初始值為隨機數(shù),得到損失函數(shù)后,則可以進行下一步優(yōu)化損失,尋找最優(yōu)的權(quán)重與偏置。
七、優(yōu)化損失
首先根據(jù)數(shù)學(xué)公式:W1=W0+αJ(w),α表示學(xué)習(xí)率,J(w)表示求導(dǎo)函數(shù)。
優(yōu)化損失顧名思義,就是找到最小損失量,如圖1所示。
最低點為損失最小點,只需求出該點即可得到最優(yōu)的權(quán)重系數(shù)與偏置系數(shù)。
在TensorFlow框架中,通過GradientDescentOptimizer(learning_rate).minimize(loss_function)方法可以創(chuàng)建梯度下降優(yōu)化器,尋找最優(yōu)值,其中l(wèi)earning_rate為學(xué)習(xí)率取值0.01,loss_function為損失函數(shù)。通過多次迭代后求解(迭代次數(shù)train_epochs=50)。
部分代碼展示如圖2所示。
代碼運行結(jié)果如圖3所示。
通過計算損失函數(shù)可以看出,損失函數(shù)為2.132,說明損失不大,完全滿足建模需求,模型權(quán)重系數(shù)w與bi如程序輸出所示,并進行預(yù)測值與真實值進行參考比較,最后將結(jié)果反饋給PLC,達到控制設(shè)備的效果。
八、與PLC進行數(shù)據(jù)通信
本次使用的PLC為羅克韋爾ABPLC,型號為5573,采用1756-ENBT網(wǎng)卡進行通訊,Python可以通過下載PyLogix庫進行PLC訪問,安裝方法為-在Python命令行下輸入PIP3 Install PyLogix。通過調(diào)用庫函數(shù)可以對PLC標(biāo)簽的讀寫,從而達到訪問PLC的目的。
九、結(jié)束語
針對制絲線增溫增濕類的工序,從理論上均可以采用線性回歸的模型進行分析預(yù)測,通過簡單的機器學(xué)習(xí),可以建立相應(yīng)的回歸模型,并用于指導(dǎo)生產(chǎn),確定開機前的各類參數(shù),以達到自動開機的效果。經(jīng)過一段時間的生產(chǎn)驗證,人工參與率由原來的80%下降至20%,基本實現(xiàn)無人開機效果,對智能化,自動化生產(chǎn)有著重要的指導(dǎo)意義。
作者單位:李云豪? ? 廣西中煙工業(yè)有限責(zé)任公司 南寧卷煙廠
參? 考? 文? 獻
[1]梁魏峰.烘絲控制模式的建立與實現(xiàn)[J].煙草科技,2003(2):16 -17.
[2]張益鋒.GARBUIO烘絲機負(fù)壓穩(wěn)定性控制優(yōu)化[J].中國科技縱橫,2013(4):245.
[3]楊明權(quán).改進HAUNI烘絲機控制模式降低烘絲干頭干尾量[J].煙草科技,2005(8) 6 — 7,9.
[4]王惠文,孟潔.多元線性回歸的預(yù)測建模方法[J].北京航空航天大學(xué)學(xué)報,2007(4):500-504.
[5]李永華,姜 麟,劉秀明,等.六西格瑪與多元線性回歸模型在煙絲含水率設(shè)計中的應(yīng)用[J].科技和產(chǎn)業(yè),2014(8).