基于融合注意力時(shí)間卷積網(wǎng)絡(luò)的烘絲出口含水率控制方法

劉靜遠(yuǎn)，李昕，劉杰，陳釔辛，黃暹

四川中煙工業(yè)有限責(zé)任公司成都卷煙廠，成都市錦江區(qū)成龍大道一段56號(hào) 610000

烘絲是煙草加工過程中的重要環(huán)節(jié)，其出口含水率是評(píng)價(jià)煙絲質(zhì)量的關(guān)鍵指標(biāo)。烘絲環(huán)節(jié)主要是通過干燥脫水使煙絲含水率達(dá)到卷制要求，提高煙絲膨脹效果，降低煙支卷制消耗［1］。烘絲過程受溫度、濕度以及前序工藝質(zhì)量等因素的影響較大，控制參數(shù)復(fù)雜，難以實(shí)現(xiàn)烘絲出口含水率穩(wěn)定和精確控制［2］。目前大多數(shù)烘絲機(jī)采用PID+人工經(jīng)驗(yàn)方式對(duì)來料流量等參數(shù)進(jìn)行調(diào)節(jié)，存在調(diào)節(jié)滯后、控制精度低等問題［3］。對(duì)此，范勝興［4］對(duì)煙絲含水率測(cè)量系統(tǒng)進(jìn)行了分析；孫成順等［5］設(shè)計(jì)了一種基于恒脫水量的HDT烘絲機(jī)控制模式；吳碩等［6］建立了一種基于趨勢(shì)與偏差控制的松散回潮機(jī)加水系統(tǒng)；劉穗君等［7］建立了一種松散回潮出口含水率控制模型。上述方法主要根據(jù)含水率趨勢(shì)和偏離標(biāo)準(zhǔn)范圍進(jìn)行參數(shù)調(diào)整，因存在調(diào)節(jié)滯后而無法有效解決烘絲質(zhì)量不穩(wěn)定、含水率波動(dòng)等問題。近年來，以神經(jīng)網(wǎng)絡(luò)為代表的深度學(xué)習(xí)技術(shù)快速發(fā)展，由于深度學(xué)習(xí)模型學(xué)習(xí)能力強(qiáng)，能夠通過數(shù)據(jù)模擬各種工業(yè)場(chǎng)景，因此在工業(yè)環(huán)境中得到廣泛應(yīng)用［8］。其中，Pakowski等［9］提出一種分布式參數(shù)模型描述煙絲溫度、含水率以及干燥管內(nèi)蒸汽溫度與速度的關(guān)系，通過迭代得到最佳工藝參數(shù)組合；Zhou等［10］基于Cubic-RBF-ARX模型對(duì)烘絲過程進(jìn)行分階段參數(shù)優(yōu)化，以減少烘絲過干煙絲量；樊盛炯等［11］采用機(jī)器學(xué)習(xí)方法建立出口含水率和筒壁溫度的預(yù)測(cè)模型，并得到筒壁溫度對(duì)出口含水率的影響系數(shù)。但所構(gòu)建模型主要對(duì)參數(shù)進(jìn)行優(yōu)化，未能利用模型計(jì)算結(jié)果進(jìn)行實(shí)時(shí)自動(dòng)控制。融合注意力時(shí)間卷積網(wǎng)絡(luò)（Fused Attention Time Convolution Network，F(xiàn)ATCN）在采集監(jiān)測(cè)數(shù)據(jù)的基礎(chǔ)上進(jìn)行特征提取，通過注意力機(jī)制的模式判別能力，精準(zhǔn)識(shí)別控制過程中的失準(zhǔn)、失穩(wěn)因素，進(jìn)而解決傳統(tǒng)控制方式對(duì)人工經(jīng)驗(yàn)的依賴。為此，提出一種基于FATCN的烘絲出口含水率控制方法，通過對(duì)烘絲過程進(jìn)行數(shù)據(jù)采集，利用注意力對(duì)設(shè)備狀態(tài)、烘絲過程、環(huán)境影響等因素進(jìn)行分析，基于時(shí)間卷積網(wǎng)絡(luò)挖掘控制參數(shù)與出口含水率之間關(guān)系，以期提高烘絲出口含水率控制精度。

1 材料與方法

1.1 材料

“嬌子”牌卷煙（A）煙絲和“寬窄”牌卷煙（B）煙絲，切絲寬度0.85 mm，入口含水率（20.5±0.5）%，出口含水率標(biāo)準(zhǔn)值分別為13.2%和13.5%（四川中煙工業(yè)有限責(zé)任公司成都卷煙廠提供）。

1.2 儀器與設(shè)備

HDT氣流式烘絲機(jī)（額定生產(chǎn)能力8 000 kg/h，德國(guó)HAUNI公司）；YT88K型電子秤（精度±0.5%，江西九江707所）；TM710e型在線水分儀（精度±0.01%，美國(guó)NDC紅外技術(shù)有限公司）；TST31型熱電阻溫度傳感器（精度±0.01℃，德國(guó)E+H公司）；HMT3303型溫濕度傳感器（精度±1.5%，芬蘭VAISALA Oyj公司）。

1.3 模型建立

1.3.1 數(shù)據(jù)采集和預(yù)處理

通過PLC和各監(jiān)測(cè)傳感器采集烘絲過程13個(gè)數(shù)據(jù)［12］，監(jiān)測(cè)數(shù)據(jù)包括：入口含水率、入口溫度、物料流量、燃燒氣體流量、干燥氣體溫度、氣體返回溫度、蒸汽流量、排潮負(fù)壓、排潮溫度、出口含水率、出口物料溫度、環(huán)境溫度、環(huán)境濕度。其中，物料流量、干燥氣體溫度、燃燒氣體流量、蒸汽流量為控制參數(shù)。對(duì)每批次監(jiān)測(cè)數(shù)據(jù)和控制參數(shù)進(jìn)行記錄，已結(jié)束批次形成歷史監(jiān)測(cè)數(shù)據(jù)，當(dāng)前生產(chǎn)批次形成實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)。使用MySQL數(shù)據(jù)庫存儲(chǔ)數(shù)據(jù)，按日期對(duì)數(shù)據(jù)進(jìn)行劃分并將不同日期數(shù)據(jù)存入不同表格中。例如，按秒采集和存儲(chǔ)數(shù)據(jù)，在MySQL中形成時(shí)間間隔為1 s的監(jiān)測(cè)數(shù)據(jù)，并為每批次數(shù)據(jù)賦予唯一id用以區(qū)分，同時(shí)創(chuàng)建group_record表記錄所有批次信息，包括批次id、開始時(shí)間、結(jié)束時(shí)間、物料牌號(hào)等信息。在監(jiān)測(cè)數(shù)據(jù)采集過程中，設(shè)備故障、環(huán)境干擾、操作不當(dāng)?shù)纫蛩鼐鶗?huì)造成數(shù)據(jù)異常，為避免對(duì)建模產(chǎn)生影響需要剔除異常數(shù)據(jù)。本文中借助多元高斯分布［13］檢測(cè)和定位異常時(shí)刻，通過增加一個(gè)較小常數(shù)對(duì)數(shù)據(jù)進(jìn)行判斷。如果數(shù)據(jù)小于常數(shù)，則將該時(shí)刻標(biāo)記為異常時(shí)刻，并刪除該時(shí)刻數(shù)據(jù)。

1.3.2 數(shù)據(jù)集構(gòu)建

將采集到的監(jiān)測(cè)數(shù)據(jù)構(gòu)建一個(gè)13維度的集合，因烘絲過程監(jiān)測(cè)數(shù)據(jù)具有耦合性強(qiáng)、單維度分析價(jià)值低等特點(diǎn)，直接對(duì)原始數(shù)據(jù)建模無法獲得較好效果。因此，需要對(duì)監(jiān)測(cè)數(shù)據(jù)進(jìn)行特征交叉衍生，挖掘數(shù)據(jù)之間的內(nèi)在聯(lián)系。利用多特征求笛卡爾積［14］原理對(duì)特征空間中的非線性規(guī)律進(jìn)行編碼產(chǎn)生合成特征，以增加特征維度。由于特征維度存在維度多、計(jì)算成本高等問題，需要對(duì)衍生特征進(jìn)行降維并對(duì)最終特征進(jìn)行增強(qiáng)。為此，根據(jù)烘絲過程監(jiān)測(cè)數(shù)據(jù)特點(diǎn)設(shè)計(jì)了降噪自編碼器［15］，用于對(duì)交叉衍生后特征進(jìn)行深度融合和增強(qiáng)。如圖1所示，降噪自編碼器是一種自監(jiān)督學(xué)習(xí)模型，由隨機(jī)噪聲引入、編碼器（Encoder）、解碼器（Decoder）3部分組成，將原始數(shù)據(jù)作為標(biāo)簽進(jìn)行訓(xùn)練，在Encoder中將加入噪聲的原始輸入編碼成隱層輸出，在Decoder中將隱層輸出重新構(gòu)建成原始輸入，由此實(shí)現(xiàn)特征維度的降維。降噪自編碼器中的隱層輸出即為增強(qiáng)后的最終特征。

圖1 降噪自編碼器示意圖Fig.1 Schematic diagram of noise reduction autoencoder

1.3.3 模型建立與訓(xùn)練

1.3.3.1 PID控制模式

原控制模式采用PID+人工調(diào)節(jié)方式控制出口含水率，即在PID出口含水率自動(dòng)控制系統(tǒng)的基礎(chǔ)上，通過人工調(diào)整煙絲入口流量等參數(shù)進(jìn)行含水率控制，控制流程見圖2。

圖2 改進(jìn)前HDT出口含水率PID控制圖Fig.2 PID control diagram of moisture content in dried tobacco from HDT pneumatic tobacco dryer before modification

1.3.3.2 FATCN模型

FATCN模型將注意力機(jī)制［16］與時(shí)間卷積相結(jié)合，通過對(duì)13個(gè)參數(shù)的監(jiān)測(cè)數(shù)據(jù)進(jìn)行深度特征提取，考察物料流量、干燥溫度、燃燒氣體流量、蒸汽流量4個(gè)控制參數(shù)與出口含水率的關(guān)系。如圖3所示，HDT原采用PID+人工調(diào)節(jié)輸入方式實(shí)現(xiàn)對(duì)輸出的調(diào)節(jié)和控制，改進(jìn)后將FATCN模型替代PID+人工調(diào)節(jié)方式實(shí)現(xiàn)對(duì)控制參數(shù)的實(shí)時(shí)調(diào)整。

圖3 FATCN模型應(yīng)用前后出口含水率控制流程圖Fig.3 Control flow of moisture content in dried tobacco before and after application of FATCN model

FATCN模型包括注意力機(jī)制和時(shí)間卷積網(wǎng)絡(luò)。假設(shè)出口含水率、出口溫度、入口含水率等13個(gè)參數(shù)的監(jiān)測(cè)數(shù)據(jù)經(jīng)過交叉衍生和特征增強(qiáng)后變換為X=［xi，j］N×T，其中N為特征個(gè)數(shù)，T為時(shí)間跨度。在融合注意力時(shí)間卷積網(wǎng)絡(luò)中，定義3個(gè)變換矩陣對(duì)X做三次線性變換，得到X的衍生矩陣，分別記為查詢矩陣Q、鍵矩陣K和值矩陣V，見公式（1）～（3）。

利用查詢矩陣Q和鍵矩陣K對(duì)值矩陣V進(jìn)行更新，使模型選擇性地關(guān)注不同維度、不同時(shí)刻的信息，同時(shí)為輸入X的每個(gè)位置分配相應(yīng)的權(quán)重，其計(jì)算結(jié)果為：

式中：σ為非線性激活函數(shù)，可以將值域映射到（0，1）之間；

本文中σ選用Sigmoid函數(shù)：

Sigmoid函數(shù)在0.5的位置最為敏感，能夠很好地區(qū)分值矩陣V中需要保留或抑制的部分。通過查詢矩陣Q和鍵矩陣K對(duì)值矩陣V進(jìn)行更新，以及Sigmoid函數(shù)的作用，輸入X的每個(gè)位置的值被抑制或保留，從而選擇性地關(guān)注數(shù)據(jù)中的重要部分。卷積運(yùn)算通常用于圖像處理［16］，本文中將卷積核在特征維度的大小設(shè)置為1，時(shí)間維度的大小設(shè)置為L(zhǎng)，從而使卷積運(yùn)算只在時(shí)間維度上進(jìn)行，能夠有效提取特征的時(shí)變信息［17］。獲取烘絲過程的時(shí)變信息對(duì)于物料流量、烘干溫度、燃燒氣體流量、蒸汽流量4個(gè)控制參數(shù)的調(diào)整具有重要作用，F(xiàn)ATCN模型卷積核為：

式中：L為卷積核在時(shí)間維度上的大小。

將公式（4）的結(jié)果進(jìn)行卷積運(yùn)算可得：

最后，將Y輸入全連接神經(jīng)網(wǎng)絡(luò)中，將N個(gè)特征融合變換為一維數(shù)據(jù)：

式中：F為FATCN模型的最終輸出；wf為全連接神經(jīng)網(wǎng)絡(luò)的權(quán)值；b為偏移量。

1.3.3.3 卷積神經(jīng)網(wǎng)絡(luò)模型

卷積神經(jīng)網(wǎng)絡(luò)模型主要用于監(jiān)控?cái)?shù)據(jù)，未通過查詢矩陣Q和鍵矩陣K對(duì)值矩陣V進(jìn)行更新，也未分配每個(gè)位置相應(yīng)的權(quán)重，直接利用公式（7）進(jìn)行運(yùn)算，最終得到輸出F的模型。

1.3.3.4 模型訓(xùn)練

收集歷史監(jiān)測(cè)數(shù)據(jù)并進(jìn)行預(yù)處理，按時(shí)間間隔120 s進(jìn)行劃分作為訓(xùn)練樣本，在第120 s處計(jì)算每個(gè)控制參數(shù)的調(diào)整量作為標(biāo)簽。烘絲環(huán)節(jié)4個(gè)控制參數(shù)（物料流量、烘干溫度、燃燒氣體流量和蒸汽流量）對(duì)應(yīng)4組標(biāo)簽，采用Adam優(yōu)化器［18］對(duì)模型參數(shù)進(jìn)行迭代更新，按不同標(biāo)簽分別對(duì)FATCN模型進(jìn)行訓(xùn)練。更新過程為：

式中：gt為目標(biāo)函數(shù)在t時(shí)刻的梯度；mt為一階矩陣估計(jì)；nt為二階矩陣估計(jì)；δ1和δ2為矩陣估計(jì)的指數(shù)衰減率；γt為待更新參數(shù)；α為學(xué)習(xí)率；ε為維持?jǐn)?shù)據(jù)穩(wěn)定而添加的較小常數(shù)。

1.4 模型評(píng)估

采用均方誤差（Mean Squared Error，MSE）評(píng)價(jià)FATCN模型的控制性能。

1.5 運(yùn)行環(huán)境及模型參數(shù)

FATCN模型運(yùn)行于智能控制服務(wù)程序中，運(yùn)行環(huán)境為邊緣計(jì)算機(jī)（Windows 10操作系統(tǒng)，處理器Intel i7 11700，64 GB內(nèi)存，256 G SSD+2 TB硬盤），與MySQL 8.0.25進(jìn)行數(shù)據(jù)交互。FATCN模型參數(shù)設(shè)置：時(shí)間窗長(zhǎng)度T=120 s，降噪自編碼器的隱層輸出N=16，卷積核在時(shí)間維度上的大小L=8，控制參數(shù)調(diào)整時(shí)間間隔Δt=6 s。

1.6 運(yùn)行測(cè)試

（1）出口含水率。分別選取2種牌號(hào)卷煙5批次測(cè)試FATCN模型、PID+人工調(diào)節(jié)和卷積神經(jīng)網(wǎng)絡(luò)模型，根據(jù)出口含水率標(biāo)準(zhǔn)值計(jì)算每批次出口含水率實(shí)際值與標(biāo)準(zhǔn)值的平均偏差s評(píng)價(jià)控制效果。

式中：wt為出口含水率實(shí)際值，%；w為出口含水率標(biāo)準(zhǔn)值，%；T為烘絲過程時(shí)長(zhǎng)，s。

（2）干頭干尾量。分別選取2種牌號(hào)卷煙5批次測(cè)試FATCN模型、PID+人工調(diào)節(jié)和卷積神經(jīng)網(wǎng)絡(luò)模型。在干頭階段記錄每批次從出口含水率開始上升至標(biāo)準(zhǔn)值的時(shí)間Tsh以及該段時(shí)間內(nèi)的累計(jì)物料質(zhì)量Wmh；在干尾階段記錄每批次物料流量快速下降至零的時(shí)間Tst以及該段時(shí)間內(nèi)的累計(jì)物料質(zhì)量Wmt。

2 結(jié)果與分析

2.1 模型訓(xùn)練結(jié)果與效果評(píng)估

收集2個(gè)月歷史監(jiān)測(cè)數(shù)據(jù)，共計(jì)78批次，隨機(jī)選取50批次構(gòu)建樣本和標(biāo)簽，作為模型訓(xùn)練數(shù)據(jù)集；剩余28批次構(gòu)建樣本和標(biāo)簽，作為模型測(cè)試數(shù)據(jù)集。將構(gòu)建的訓(xùn)練集和測(cè)試集輸入FATCN模型進(jìn)行訓(xùn)練，采用均方誤差MSE對(duì)FATCN模型的控制準(zhǔn)確性進(jìn)行評(píng)價(jià)，直至測(cè)試集上的MSE在連續(xù)10個(gè)訓(xùn)練步內(nèi)無下降時(shí)停止訓(xùn)練。由圖4可見，F(xiàn)ATCN經(jīng)過35個(gè)訓(xùn)練步即可達(dá)到收斂，收斂速度能夠滿足控制要求。測(cè)試集在28個(gè)訓(xùn)練步后MSE低于訓(xùn)練集，表明FATCN具有較好的泛化能力，能夠?qū)Σ煌a(chǎn)批次進(jìn)行準(zhǔn)確控制。

圖4 FATCN模型訓(xùn)練和評(píng)估結(jié)果Fig.4 Results of training and evaluating of FATCN model

2.2 不同控制方式下出口含水率對(duì)比

由表1可見，2種牌號(hào)卷煙使用FATCN模型相較于PID+人工調(diào)節(jié)，平均偏差降低約0.105，降幅60%左右，相較于卷積神經(jīng)網(wǎng)絡(luò)，平均偏差降低約0.086，降幅55%左右。表明采用FATCN模型，出口含水率的準(zhǔn)確性和穩(wěn)定性均有顯著提升。

表1 不同控制方式下不同牌號(hào)卷煙出口含水率對(duì)比Tab.1 Comparison of moisture content in dried tobacco for different brand cigarettes under different control methods

以批次1為例繪制2種牌號(hào)卷煙出口含水率變化曲線，見圖5。藍(lán)色曲線為出口含水率實(shí)際值wt，橙色曲線為出口含水率標(biāo)準(zhǔn)值w，在FATCN調(diào)整下2種牌號(hào)卷煙出口含水率波動(dòng)均在（標(biāo)準(zhǔn)值±0.05）%范圍內(nèi)，而PID+人工調(diào)節(jié)和卷積神經(jīng)網(wǎng)絡(luò)調(diào)整下的出口含水率波動(dòng)范圍均在（標(biāo)準(zhǔn)值±0.6）%。因此，采用FATCN模型可有效提高出口含水率的穩(wěn)定性。

圖5 不同控制方式下不同牌號(hào)卷煙出口含水率變化曲線Fig.5 Variation curves of moisture content in dried tobacco for different brand cigarettes under different control methods

2.3 不同控制方式下干頭干尾量對(duì)比

由表2和表3可見，2種牌號(hào)卷煙干頭階段時(shí)，F(xiàn)ATCN相較于PID+人工調(diào)節(jié)，干頭時(shí)間Tsh平均減少約11 s，降幅9.7%左右；干頭物料質(zhì)量Wmh平均減少約15.8 kg，降幅12.6%左右。FATCN相較于卷積神經(jīng)網(wǎng)絡(luò)，干頭時(shí)間Tsh平均減少約9.5 s，降幅8.3%左右；干頭物料質(zhì)量Wmh平均減少約15.1 kg，降幅12.1%左右。2種牌號(hào)卷煙干尾階段時(shí)，F(xiàn)ATCN、PID+人工調(diào)節(jié)和卷積神經(jīng)網(wǎng)絡(luò)對(duì)干尾時(shí)間Tst和累計(jì)物料質(zhì)量Wmt的控制效果無顯著差異。

表2 不同控制方法下A牌號(hào)卷煙干頭干尾量對(duì)比Tab.2 Comparison of over-dried tobacco amounts for cigarette brand A at start and finish drying stages under different control methods

表3 不同控制方法下B牌號(hào)卷煙干頭干尾量對(duì)比Tab.3 Comparison of over-dried tobacco amounts for cigarette brand B at start and finish drying stages under different control methods

3 結(jié)論

提出了一種基于FATCN的烘絲出口含水率控制方法，利用FATCN模型對(duì)HDT氣流式烘絲機(jī)監(jiān)測(cè)數(shù)據(jù)進(jìn)行判別，準(zhǔn)確判斷出口含水率的變化，在出口含水率出現(xiàn)偏差前即調(diào)整控制參數(shù)，較好地克服了控制過程時(shí)間滯后等問題。FATCN通過全過程數(shù)據(jù)訓(xùn)練，能夠?qū)⒏深^階段的出口含水率快速提升或降低至標(biāo)準(zhǔn)值，實(shí)現(xiàn)控制參數(shù)的實(shí)時(shí)調(diào)整，解決了傳統(tǒng)控制方式存在的控制精度低、調(diào)節(jié)滯后、依賴人工經(jīng)驗(yàn)等問題。以成都卷煙廠生產(chǎn)的2種牌號(hào)卷煙為對(duì)象測(cè)試FATCN模型、PID+人工調(diào)節(jié)和卷積神經(jīng)網(wǎng)絡(luò)模型的控制效果，結(jié)果表明：FATCN相較于其他2種控制方式，出口含水率平均偏差分別降低約0.105和0.086，降幅分別為60%和55%左右；干頭物料質(zhì)量分別減少約15.8和15.1 kg，降幅分別為12.6%和12.1%左右。出口含水率的穩(wěn)定性和準(zhǔn)確性得到顯著提升，實(shí)現(xiàn)了烘絲過程自動(dòng)化控制，增強(qiáng)了控制系統(tǒng)的魯棒性，有效提高了烘絲環(huán)節(jié)加工質(zhì)量。