烘絲筒出口葉絲含水率預(yù)測(cè)模型研究

王樂軍,王林枝,牛燕麗

(湖北中煙工業(yè)有限責(zé)任公司武漢卷煙廠,湖北 武漢 430000)

0 引言

烘絲工藝為卷煙制絲工藝的主要工序,一般通過烘絲筒實(shí)現(xiàn)[1]。烘絲筒將煙草葉絲通過加熱、干燥等流程,使煙草葉絲含水率符合工藝標(biāo)準(zhǔn),從而增加煙草葉絲的彈性與填充功能、提升煙草葉絲成品質(zhì)量[2]。但由于烘絲筒內(nèi)影響煙草葉絲含水率的因素較多,如烘絲之前煙草來料水分不確定、烘絲筒受外界環(huán)境作用以及筒內(nèi)環(huán)境變化大等,可能造成葉絲含水率結(jié)果不準(zhǔn)確[3]。因此,對(duì)烘絲筒出口煙草葉絲含水率的精準(zhǔn)預(yù)測(cè)十分重要[4]。

眾多學(xué)者對(duì)此展開研究。卓鳴等[5]將葉絲含水率作為衡量煙草質(zhì)量的指標(biāo),先通過反向傳播(back propagation,BP)神經(jīng)網(wǎng)絡(luò)構(gòu)建煙草質(zhì)量預(yù)測(cè)模型,再利用平均影響值挑選煙草制絲工藝參數(shù),最后經(jīng)BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)煙絲成品質(zhì)量預(yù)測(cè)。該方法預(yù)測(cè)誤差為5.33%,預(yù)測(cè)精度較高。但該方法僅研究單一品牌煙絲質(zhì)量預(yù)測(cè),具有一定限制性。李文偉等[6]通過雙層指數(shù)加權(quán)移動(dòng)方法構(gòu)建煙草葉絲含水率預(yù)測(cè)模型,經(jīng)自適應(yīng)方法優(yōu)化該預(yù)測(cè)模型,以提升葉絲含水率預(yù)測(cè)效果。但該預(yù)測(cè)模型只研究了溫濕度對(duì)葉絲含水率的影響,而未考慮煙草水分等其他烘絲工藝參數(shù)對(duì)葉絲含水率的影響。因此,該預(yù)測(cè)模型未全面考慮影響含水率預(yù)測(cè)的因素。

機(jī)器學(xué)習(xí)屬于人工智能科學(xué),可在經(jīng)驗(yàn)學(xué)習(xí)中提升學(xué)習(xí)效率,并且完成人類無法完成的工作。機(jī)器學(xué)習(xí)可精準(zhǔn)識(shí)別某些數(shù)據(jù)潛在趨勢(shì),完成大規(guī)模數(shù)據(jù)的預(yù)測(cè)和估計(jì)。因此,本文構(gòu)建基于極限學(xué)習(xí)機(jī)(extreme learning machine,ELM)的烘絲筒出口葉絲含水率預(yù)測(cè)模型。該模型在輸入烘絲工藝參數(shù)后,采用差分進(jìn)化(differential evolution,DE)算法尋找單隱含層前饋神經(jīng)網(wǎng)絡(luò)的隱含層最優(yōu)神經(jīng)元數(shù)量;在最小二乘法求解作用度平均值后,二次改進(jìn)隱含層到輸出層的輸出權(quán)重;通過精準(zhǔn)的葉絲含水率預(yù)測(cè),保障葉絲烘干結(jié)果符合生產(chǎn)標(biāo)準(zhǔn)。

1 烘絲筒出口葉絲含水率預(yù)測(cè)模型

1.1 烘絲工藝參數(shù)選取

烘絲前工藝處理如圖1所示。

圖1 烘絲前工藝處理圖

烘絲前工藝處理流程如下。

①挑選含水率預(yù)測(cè)所需烘絲筒出口葉絲有效數(shù)據(jù)。烘絲筒出口葉絲含水率結(jié)果不僅與當(dāng)前烘絲工藝有關(guān),還受烘絲前各工藝參數(shù)影響[7]。因此,可將當(dāng)前烘絲工藝參數(shù)與烘絲前松散回潮、預(yù)混柜、潤(rùn)葉加料、貯葉柜、切絲過程中溫濕度、加水比例等工藝參數(shù)作為烘絲筒出口葉絲含水率預(yù)測(cè)的有效數(shù)據(jù)[8-9]。

②無量綱化處理。為保障烘絲筒的溫濕度和加水比例等工藝參數(shù)的單位一致性,對(duì)各項(xiàng)工藝參數(shù)實(shí)施無量綱化處理[10-11]。烘絲筒工藝參數(shù)無量綱化的過程如下:含水率除以28%;環(huán)境溫度除以35 ℃;環(huán)境濕度除以75%;加水比例除以6.5 L/100 kg。本文將以上4個(gè)變量經(jīng)除法計(jì)算后的數(shù)值作為烘絲筒工藝參數(shù)無量綱化處理結(jié)果。

經(jīng)無量綱化處理后,用于烘絲筒出口葉絲含水率預(yù)測(cè)的工藝參數(shù)分別為:松散回潮流程中的加水比例x1、出口葉絲含水率x2、環(huán)境溫度x3和濕度x4;預(yù)混柜中的存儲(chǔ)時(shí)間x5、環(huán)境溫度x6與濕度x7;潤(rùn)葉加料過程中的入口和出口葉絲含水率x8和x9、環(huán)境溫度x10和濕度x11;貯葉柜的存儲(chǔ)時(shí)間x12、環(huán)境溫度x13和濕度x14;烘絲過程中的環(huán)境溫度x15和濕度x16。由上述16個(gè)工藝參數(shù)構(gòu)建的初始烘絲筒烘絲工藝參數(shù)為x={x1,x2,…,x16}。

1.2 篩選烘絲工藝參數(shù)

本文利用隨機(jī)森林模型進(jìn)行烘絲筒內(nèi)烘絲工藝參數(shù)評(píng)估,以篩選工藝參數(shù)。鑒于烘絲筒烘絲工藝參數(shù)之間具有耦合關(guān)聯(lián)性,采用基本的皮爾遜相關(guān)系數(shù)難以表達(dá)各工藝參數(shù)之間的關(guān)聯(lián)。因此,本文利用隨機(jī)森林模型對(duì)上述16種烘絲工藝參數(shù)重新排序后,選擇作用較大的烘絲工藝參數(shù)來提升烘絲筒出口葉絲含水率預(yù)測(cè)精準(zhǔn)性以及泛化能力。

隨機(jī)森林模型通過平均精準(zhǔn)度值的大小對(duì)各烘絲工藝參數(shù)進(jìn)行排序,將各工藝參數(shù)進(jìn)行隨機(jī)打亂處理。處理結(jié)果表明,打亂后的烘絲工藝參數(shù)的預(yù)訓(xùn)練精確性越低,則該烘絲工藝參數(shù)對(duì)葉絲含水率的作用越大。平均精準(zhǔn)性降低的烘絲工藝參數(shù)排序具體流程如下。

①將烘絲工藝參數(shù)數(shù)據(jù)分成測(cè)試集與訓(xùn)練集。測(cè)試集與訓(xùn)練集比例分別為25%、75%。

②將隨機(jī)森林模型通過訓(xùn)練集數(shù)據(jù)進(jìn)行訓(xùn)練。根據(jù)測(cè)試集求解預(yù)訓(xùn)練精準(zhǔn)度,并設(shè)此時(shí)預(yù)訓(xùn)練精準(zhǔn)度是初始精準(zhǔn)度,即擬合優(yōu)度。設(shè)精準(zhǔn)度真實(shí)值z(mì)的預(yù)訓(xùn)練數(shù)值為z′、z與z′的擬合優(yōu)度為R2(z,z′)。R2(z,z′)可作為預(yù)訓(xùn)練模型,對(duì)測(cè)試集求解預(yù)訓(xùn)練精準(zhǔn)度。擬合優(yōu)度數(shù)值越優(yōu),則預(yù)訓(xùn)練模型越優(yōu)。

③轉(zhuǎn)變此刻烘絲工藝參數(shù)的順序,并保持其他變量順序不變。求解此刻烘絲工藝參數(shù)打亂后的預(yù)訓(xùn)練精準(zhǔn)度,并將該工藝參數(shù)對(duì)葉絲含水率的作用度進(jìn)行評(píng)分。評(píng)分結(jié)果Kscore為:

(1)

式(1)評(píng)分結(jié)果描述烘絲工藝參數(shù)的重要性。烘絲工藝參數(shù)重要性越高,則打亂后的烘絲工藝參數(shù)擬合優(yōu)度越小,得出的評(píng)分結(jié)果也越高。

④將以上3個(gè)步驟不斷重復(fù)迭代,直到偶然誤差變?yōu)樽钚?。通過式(1)求解16個(gè)烘絲工藝參數(shù)作用度,并計(jì)算各工藝參數(shù)作用度的平均值。隨機(jī)森林模型依據(jù)工藝參數(shù)作用度的平均值大小重新排序。作用度平均值未超過0.1的工藝參數(shù)可在后續(xù)葉絲含水率預(yù)測(cè)過程中忽略不計(jì)。

隨機(jī)森林選取烘絲工藝參數(shù)的平均作用度評(píng)分結(jié)果如表1所示。

表1 平均作用度評(píng)分結(jié)果

表1中:貯葉柜內(nèi)環(huán)境溫度對(duì)烘絲筒整個(gè)烘絲工作流程作用效果最大;潤(rùn)葉放料內(nèi)入口葉絲含水率對(duì)烘絲筒內(nèi)整個(gè)烘絲工作流程作用效果最小。為了防止過擬合,本文去除作用度未超過0.1的5種烘絲工藝參數(shù),將剩余的11種工藝參數(shù)作為最終有效數(shù)據(jù)。本文設(shè)最終有效的烘絲工藝參數(shù)為c={c1,c2,…,c11},以提升出口葉絲含水率預(yù)測(cè)模型的泛化能力。

1.3 基于ELM的含水率預(yù)測(cè)模型

1.3.1 葉絲含水率預(yù)測(cè)

ELM屬于前向單隱層的機(jī)器學(xué)習(xí)方法。ELM內(nèi)部由全連接層構(gòu)成。內(nèi)部隨機(jī)產(chǎn)生輸入權(quán)值和隱含層神經(jīng)元偏置,經(jīng)簡(jiǎn)單矩陣求解可得出隱含層到輸出層的輸出權(quán)重。網(wǎng)絡(luò)輸入層內(nèi)輸入數(shù)據(jù)為c={c1,c2,…,c11}。網(wǎng)絡(luò)輸出層輸出葉絲含水率。網(wǎng)絡(luò)輸入層神經(jīng)元數(shù)量為a。隱含層神經(jīng)元數(shù)量為l。輸出層神經(jīng)元數(shù)量為m。

輸入和隱含兩層相關(guān)的連接權(quán)重ω為:

ω=[ω1,ω2,…,ωl]

(2)

式中:ωl為輸入層各神經(jīng)元與隱含層第l個(gè)神經(jīng)元的連接權(quán)重。

隱含和輸出兩層之間的連接權(quán)重β為:

β=[β1,β2,…,βl]

(3)

式中:βl為隱含層第l個(gè)神經(jīng)元與輸出層各神經(jīng)元的連接權(quán)重。

隱含層閾值b為:

b=[b1,b2,…,bl]

(4)

式中:bl為隱含層第l個(gè)神經(jīng)元的閾值。

本文求解烘絲筒工藝參數(shù)c的網(wǎng)絡(luò)輸出結(jié)果,則烘絲筒出口葉絲含水率S為:

S=Hβ

(5)

式中:H為隱含層內(nèi)輸出矩陣。

H的表達(dá)式為:

(6)

β=H+T

(7)

式中:H+為H的Moore-Penrose廣義逆,H+數(shù)值可利用正交投影以及奇異值分解等方式進(jìn)行求解。當(dāng)隱含層神經(jīng)元數(shù)量與烘絲筒內(nèi)烘絲工藝參數(shù)樣本數(shù)值相同時(shí),式(5)中的S唯一解通過ELM運(yùn)算得出,從而保障預(yù)測(cè)誤差以最小誤差接近求解結(jié)果。當(dāng)烘絲筒內(nèi)烘絲工藝參數(shù)樣本數(shù)量過大時(shí),隱含層神經(jīng)元個(gè)數(shù)需小于烘絲筒內(nèi)烘絲工藝參數(shù)樣本數(shù)值,以便通過ELM求解烘絲筒出口葉絲含水率的最優(yōu)解。

1.3.2 基于DE算法的ELM優(yōu)化

烘絲筒出口葉絲含水率預(yù)測(cè)屬于實(shí)值預(yù)測(cè)情況。為保障葉絲含水率預(yù)測(cè)模型內(nèi)預(yù)測(cè)數(shù)據(jù)與真實(shí)數(shù)據(jù)誤差最小化,本文將平均絕對(duì)百分比誤差(mean absolute percentage error,MAPE)和預(yù)測(cè)平均精準(zhǔn)度(average precision,AP)作為葉絲含水率預(yù)測(cè)效果的評(píng)價(jià)指標(biāo)。MAPE為預(yù)測(cè)數(shù)據(jù)向量減掉真實(shí)數(shù)據(jù)向量后的絕對(duì)值求解平均值。AP為誤差絕對(duì)值在0.3%的正確比率。在實(shí)際烘絲筒出口葉絲含水率預(yù)測(cè)過程中,葉絲含水率預(yù)測(cè)誤差應(yīng)控制在0.5%以內(nèi)。本文將0.3%的葉絲含水率預(yù)測(cè)誤差作為實(shí)際烘絲筒出口葉絲含水率預(yù)測(cè)過程中需滿足預(yù)測(cè)精確度的衡量標(biāo)準(zhǔn)。

MAPE和AP的運(yùn)算結(jié)果如下[12]。

(8)

式中:DMAPE為MAPE運(yùn)算結(jié)果;f(xe)、te分別為烘絲筒出口葉絲含水率預(yù)測(cè)數(shù)據(jù)與真實(shí)數(shù)據(jù);n為測(cè)試數(shù)據(jù)容量,個(gè)。

(9)

式中:DAP為AP運(yùn)算結(jié)果;N為烘絲筒出口葉絲含水率預(yù)測(cè)數(shù)據(jù)與真實(shí)數(shù)據(jù)誤差小于0.3%的概率函數(shù)。

為進(jìn)一步提升ELM的葉絲含水率預(yù)測(cè)精度,本文采用DE算法尋找ELM的單隱含層前饋神經(jīng)網(wǎng)絡(luò)的隱含層最優(yōu)神經(jīng)元數(shù)量,并以DMAPE最小作為適應(yīng)度函數(shù),優(yōu)化ELM隱含層神經(jīng)元數(shù)量,從而完成烘絲筒出口葉絲含水率的精準(zhǔn)預(yù)測(cè)。基于DE優(yōu)化的ELM過程如下。

(1)設(shè)置ELM結(jié)構(gòu)參數(shù)中的ω、β和b等,以及DE內(nèi)粒子變量維數(shù)I。

(2)初始化參數(shù)。設(shè)DE種群迭代次數(shù)最大值為emax,在描述DE種群大小之后,確定種群的縮放、交叉因子與鄰代維度交叉概率。

(3)在迭代次數(shù)o為1(即迭代開始)時(shí),將ELM隱含層神經(jīng)元數(shù)量作為DE內(nèi)原始種群粒子,通過式(8)求解種群粒子適應(yīng)度值。該求解過程即為用DE算法優(yōu)化ELM隱含層神經(jīng)元數(shù)量的過程。通過該過程可以實(shí)現(xiàn)最優(yōu)ELM參數(shù)獲取,并提升烘絲筒出口葉絲含水率預(yù)測(cè)效果。

(4)按照設(shè)置的emax數(shù)值開始進(jìn)行迭代。

①進(jìn)行DE種群差分方差計(jì)算。若種群方差E大于設(shè)置閾值E0,則進(jìn)入步驟②;若E小于E0,則進(jìn)入步驟③。

②通過標(biāo)準(zhǔn)差分算法內(nèi)突變、交叉和選擇,求解DE種群粒子的子代種群并將其儲(chǔ)存在矩陣WDE內(nèi)。依據(jù)式(8)求解矩陣ΩΔE內(nèi)各粒子適應(yīng)度,將該粒子適應(yīng)度與其相對(duì)父代種群G內(nèi)相應(yīng)的粒子進(jìn)行比較,得出具有最佳粒子適應(yīng)值的粒子(記作最優(yōu)粒子Gbest)。隨機(jī)選取一對(duì)粒子維數(shù)R,將R與最優(yōu)粒子變異概率PA比較。若R>PA,則通過DE算法對(duì)Gbest進(jìn)行尋優(yōu)和更新;反之,則進(jìn)入步驟(5)。

③隨機(jī)配對(duì)DE種群粒子的所有維數(shù)(共0.5D對(duì)),并任意抽取1對(duì)維數(shù)。當(dāng)R()Pv時(shí),重新抽取1對(duì)維數(shù)繼續(xù)步驟②的運(yùn)算,直到0.5D對(duì)維數(shù)全部運(yùn)算結(jié)束,則儲(chǔ)存最優(yōu)粒子,繼續(xù)進(jìn)行步驟(5)。

(5)若o

2 試驗(yàn)分析

為驗(yàn)證基于ELM的烘絲筒出口葉絲含水率預(yù)測(cè)模型結(jié)果的精準(zhǔn)性和有效性,本文以某品牌煙草為試驗(yàn)對(duì)象、采用SH626型號(hào)烘絲筒進(jìn)行烘絲操作。試驗(yàn)選取該品牌煙草6個(gè)月內(nèi)生產(chǎn)樣本746批;設(shè)置采集樣本時(shí)間間隔為15 min、每次采集煙草葉絲質(zhì)量為1 kg;設(shè)置烘絲筒內(nèi)烘絲過程的生產(chǎn)條件中,烘絲筒內(nèi)蒸汽流量為600 kg/h、防潮負(fù)壓為-1.5×10-8MPa。試驗(yàn)隨機(jī)選取該品牌煙草葉絲樣本,并依據(jù)本文方法進(jìn)行烘絲筒出口葉絲含水率預(yù)測(cè)。

烘絲筒烘絲工藝參數(shù)如表2所示。

表2 烘絲筒烘絲工藝參數(shù)

表2內(nèi)烘絲筒工藝參數(shù)經(jīng)無量綱化處理后輸入ELM內(nèi)進(jìn)行預(yù)測(cè)訓(xùn)練,可以得出樣本1～樣本3的烘絲筒出口葉絲含水率分別為12.3%、13.8%、11.9%。由表2可知,本文模型利用隨機(jī)森林模型有效篩選出了用于烘絲筒出口葉絲含水率預(yù)測(cè)的工藝參數(shù),并結(jié)合機(jī)器學(xué)習(xí)模型獲取了各樣本在烘絲筒出口的含水率預(yù)測(cè)結(jié)果。

為驗(yàn)證本文模型的預(yù)測(cè)精度、避免隨機(jī)性及偶然性影響,本文選取某品牌煙草生產(chǎn)樣本35個(gè),并將0.3%的葉絲含水率預(yù)測(cè)MAPE作為試驗(yàn)中烘絲筒出口葉絲含水率預(yù)測(cè)過程中需滿足預(yù)測(cè)精確度的衡量標(biāo)準(zhǔn)。試驗(yàn)將本文模型葉絲含水率預(yù)測(cè)值與實(shí)際值進(jìn)行對(duì)比。

烘絲筒出口葉絲含水率預(yù)測(cè)數(shù)據(jù)如圖2所示。

圖2 烘絲筒出口葉絲含水率預(yù)測(cè)數(shù)據(jù)

由圖2可知,本文模型葉絲含水率預(yù)測(cè)值與實(shí)際值之間的MAPE始終處于0.3%范圍內(nèi)。試驗(yàn)結(jié)果表明:本文模型的烘絲筒出口葉絲含水率預(yù)測(cè)誤差滿足葉絲含水率預(yù)測(cè)精確度衡量標(biāo)準(zhǔn)。本文模型具備較高的泛化能力。其精準(zhǔn)的含水率預(yù)測(cè)有助于在烘干過程中進(jìn)行工藝參數(shù)控制,提升葉絲烘干效果。

本文隨機(jī)抽取3個(gè)通過本文模型進(jìn)行烘絲筒出口葉絲含水率預(yù)測(cè)后的煙草葉絲樣本進(jìn)行感官質(zhì)量評(píng)價(jià)。感官質(zhì)量評(píng)價(jià)分值超過85表示煙草樣本為合格品、低于85表示煙草樣本不合格。

煙草葉絲樣本感官質(zhì)量評(píng)價(jià)結(jié)果如表3所示。由表3可知,3個(gè)煙草樣本葉絲質(zhì)量感官評(píng)價(jià)總分分別為89.61、89.96、89.84。通過本文模型預(yù)測(cè)后的煙草樣本均滿足感官質(zhì)量評(píng)價(jià)標(biāo)準(zhǔn),煙草樣本均為合格品。試驗(yàn)結(jié)果表明:本文模型精準(zhǔn)的烘絲筒出口葉絲含水率預(yù)測(cè)結(jié)果,可有效輔助相關(guān)烘絲操作人員及時(shí)調(diào)整烘絲過程中的各項(xiàng)工藝參數(shù),提升煙草葉絲生產(chǎn)質(zhì)量。

表3 煙草葉絲樣本感官質(zhì)量評(píng)價(jià)結(jié)果

3 結(jié)論

本文構(gòu)建機(jī)器學(xué)習(xí)的烘絲筒出口葉絲含水率預(yù)測(cè)模型,為提高煙草葉絲生產(chǎn)質(zhì)量提供數(shù)據(jù)支撐。該模型通過選取合適的烘絲筒烘絲工藝參數(shù),結(jié)合機(jī)器學(xué)習(xí)實(shí)現(xiàn)烘絲筒出口葉絲含水率預(yù)測(cè)。試驗(yàn)結(jié)果表明:本文模型可有效應(yīng)用于葉絲含水率預(yù)測(cè),并保障預(yù)測(cè)誤差控制在標(biāo)準(zhǔn)范圍內(nèi),助力提升煙草生產(chǎn)品質(zhì)、增加工廠經(jīng)濟(jì)效益。該模型應(yīng)用的機(jī)器學(xué)習(xí)在線上更新方面略顯不足。后續(xù)研究將優(yōu)化機(jī)器學(xué)習(xí)的線上更新能力,并進(jìn)一步完善烘絲筒出口葉絲含水率預(yù)測(cè)模型,以提升預(yù)測(cè)精度。