基于線性回歸的潤葉加料系統(tǒng)的設(shè)計

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）.