煙絲卷包智能控制系統模型設計與研究

唐 聰，黎曉東，孫潔香，杜已超，秦 生

（1.北京機械工業自動化研究所，北京 100120；2.機械科學研究總院有限公司，北京 100044；3.北京機械工業自動化研究所有限公司，北京 100120）

0 引言

成品煙支的吸阻值是產品最終的質量考核指標，而煙支吸阻只有在卷煙機生產的卷包過程是可控的，后續的輸送和包裝過程都是不可控的，因此在卷煙機處控制煙支吸阻的穩定性是關鍵。

目前，煙支吸阻的控制仍存在諸多問題：對目標重量的調整時機嚴重依賴人工經驗，且數據極少；質檢員采樣檢測反饋周期長；調整短支煙重量，而檢測的是長支煙的煙支吸阻；未關聯濾嘴數據；未綜合考慮不同批次煙絲數據。為解決以上問題，本文設計了煙絲卷包智能控制系統模型，根據卷煙過程的特點，綜合考慮設備參數、原料、輔料的影響，利用機器學習算法對高維數據的建模分析優勢，形成解析原料、控制過程、兼顧輔料的煙支吸阻控制新路徑。

1 煙支吸阻控制現狀分析

煙支吸阻的控制是通過調整煙支的目標重量實現的，在生產過程中檢驗員根據煙支的離線檢測數據進行低頻次的目標重量調整，調整的依據主要是質檢員的多次抽樣檢測結果與個人經驗。首先質檢員對煙支進行集中抽樣，即到機臺同時抽取一定數量的短支煙到檢驗室進行統一檢驗，如果檢測到煙支吸阻超出了標準，則再次進行取樣，然后依據其經驗最終確定如何修改目標重量，從而改變煙支吸阻。質檢員檢測的是長支煙的煙支吸阻，而目標重量的調整是直接作用于短支煙的；且濾棒的吸阻與重量是一個不可控因素，現有操作流程并未對其數據進行跟蹤關聯。

針對上述現狀，本文采集了某卷煙機某型號煙支的357，882條數據進行實驗，其中煙支吸阻標準設定值為106。

圖1為不同批次煙支吸阻均值的統計情況，圖2為不同批次煙支吸阻方差、標準差的變化趨勢。由圖可以看出，不同煙絲批次間的煙支吸阻波動比較大。

圖1 不同批次煙支吸阻均值變化趨勢

圖2 不同批次煙支吸阻方差、標準差變化趨勢

抽取部分批次煙支數據繪制同一批次間煙支吸阻波動情況圖，如圖3所示。

圖3 同一批次煙支吸阻當前值變化趨勢

由上述情況可分析得出，當前人工控制模式下，煙支吸阻組內波動小、組間波動較大。組內波動主要是由機器波動引起的，波動小則說明機器性能穩定；而組間波動較大的原因則是由于對每批煙支目標重量控制不穩定。由于人工控制屬于開環、離線控制，質檢員的抽檢頻次低，對于目標重量的調整存在嚴重的滯后性，難以及時進行卷煙機臺煙支重量偏差的預防、糾正；且沒有閉環反饋機制，煙支吸阻的控制受質檢員經驗積累程度、工作態度變化的影響比較大，批次質量控制的優劣存在很大的隨機性，且難以復制較優批次的生產控制。因此，目前需要煙支吸阻智能控制系統，制定完整的控制流程，實現煙支吸阻的閉環控制，積累優良批次的調控經驗，穩定批次間的質量控制，提高煙支吸阻控制的穩定性，提升煙支品質。

2 總體方案設計

針對煙支吸阻控制中存在的上述問題，在綜合考慮生產過程中多種因素的影響后，利用機器學習算法開發煙絲卷包智能控制模型，形成總體方案如圖4所示。其中，卷煙機高速數采系統負責對卷煙機的單支煙數據進行采集，然后將數據上傳到物聯網平臺中建立的卷煙機具象化模型。具象化模型將數據一方面傳送給控制系統，一方面傳送給DSE數據庫。智能控制系統通過通信接口與控制系統進行通信?？刂葡到y通過數據整流模塊對數據進行整流，控制系統根據整流數據構建煙支吸阻預測模型、目標重量決策模型，最后將輸出的目標重量傳送給控制系統，從而對煙支吸阻進行智能控制。

圖4 煙絲卷包智能控制系統模型總體方案

3 數據采集與分析

數據采集階段通過OPC接口對成品煙絲、濾棒成型機、卷煙機等設備以及部分動力車間的設備狀態參數進行數據采集。通過討論，結合技術人員相關經驗，最終從煙絲卷包段531個參數中初步選定了91個參數作為煙支吸阻影響參數。如表1所示。

表1 煙支吸阻影響參數

因為各參數對煙支吸阻的影響的程度不同，所以需要對影響參數的重要性進行度量，進行煙支吸阻特征參數的相關性分析，得到此特征重要性評分圖，如圖5所示。

圖5 煙支吸阻特征參數重要性評分圖

綜合煙支吸阻特征參數重要性評分等各因素，確定了對煙支吸阻影響程度較大的特征參數，作為智能控制模型的輸入參數，如表2所示。

表2 智能控制模型輸入參數

4 智能控制系統模型

智能控制系統模型輸入參數確定后，進行智能控制系統模型第一階段：建立煙支吸阻預測模型，即將特征參數輸入煙支吸阻預測模型，包括之前批次的全部數據以及當前生產批次的全部數據。將預測批次的煙支吸阻值作為輸出層唯一節點，使用LSTM網絡建立網絡模型。將預測的煙支吸阻值與實際的煙支吸阻值的方差作為損失函數，最小化該損失函數以優化該網絡模型。統計網絡訓練歷史中方差的趨勢，生成可視化的訓練過程。

4.1 煙支吸阻預測模型

可以將展開的煙支吸阻預測網絡視為一個深度前饋神經網絡，在這個深度前饋神經網絡中所有層共享同樣的權值，使其能夠學習長期的依賴性。為了實現學習并能夠長期保存信息，采用了能增大網絡存儲、長期保存輸入的具有特殊隱式單元的LSTM網絡。LSTM網絡中，I、O、F均為門控神經元，M則為記憶細胞的特殊單元累加器，在下一個時間步長將生成一個權值并將此權值聯結到自身，復制自身狀態的真實值和累積的外部信號，這個自聯結由乘法門控制，并在另一個單元進行學習，從而決定清除記憶內容的時機。

首先使用LSTM的當前輸入xt和上一個狀態傳遞下來的ht-1拼接訓練得到四個狀態：

其中：Zi表示I門，Zf表示F門，Zo表示O門。

由于其展開是一個深度前饋網絡，其中細胞狀態則有：

輸出，也就是煙支吸阻預測值則有：

F門：遺忘門，對信息的丟棄或保留起決定作用。進行Sigmoid變換，變換的參數為當前層的輸入信息以及上一層的隱藏狀態信息，輸出值越接近于0，信息就會越容易被刪除。

I門：輸入門，對細胞狀態起更新的作用。首先進行Sigmoid變換，變換的參數為當前層的輸入信息和上一層的隱藏狀態信息，然后對需要更新的信息進行確定，即，將值調整到0～1之間，更新原則為：如果為0，則表示不重要；如果為1，則表示重要。其次，進行tanh變換，變換的參數為當前輸入的信息以及前一層隱藏狀態的信息，從而可以更新侯選值向量。最后用Sigmoid變換的輸出值乘以tanh變換的輸出值，需要保留的tanh變換的輸出值的信息由Sigmoid變換的輸出值來進行決定。

圖6 煙支吸阻預測模型

M記憶細胞：將前一層的M與F向量逐點相乘。如果與它相乘的值接近0，則代表這些信息在新的細胞狀態中是需要被丟棄的。然后將該值與輸入門的輸出值進行逐點相加，則將神經網絡發現的新信息更新到細胞狀態。

O門：輸出門，輸出門可以用來對下一個隱藏狀態的值進行確定，先前輸入的信息包含在隱藏狀態中。首先，進行Sigmoid變換，變換的參數為上一層的隱藏狀態和當前層的輸入信息；然后進行tanh變換，變換的參數為新得到的細胞狀態信息；最后，用Sigmoid變換的輸出乘以tanh變換的輸出，從而對隱藏狀態攜帶的信息進行確定，將隱藏狀態作為當前細胞的輸出，把新的細胞狀態和新的隱藏狀態傳遞到下一個時間步長中去。

4.2 目標重量決策模型

目標重量決策模型控制的核心思想是可以讓卷煙機可以詢問“如果”，然后在一個有限的預測區間中，利用過去的經驗值，針對此滾動預測域的最佳化損失函數J。非線性最佳損失函數J：

其中：

χi：表示第i個受控變數（例如，短支煙實際重量）。

γi：表示第i個參考變數（例如，煙支吸阻）。

ui：表示第i個輸出控制變數（例如，目標重量設定值）。

ωxi：反應χi相對重要性的加權系數。

ωui：懲罰ui相對大幅變化的加權系數。

5 結果分析

下面將從三個方面對煙絲卷包智能控制模型的控制效果與傳統的人工控制效果進行對比。

圖7 目標重量決策模型

1）吸阻值對比。將煙支吸阻預測模型的煙支吸阻輸出值與實際煙支吸阻測量值進行對比，煙支吸阻預測模型準確度達95%，如圖8所示，證明煙支吸阻預測模型具有較好的預測性能。

圖8 煙支吸阻預測準確性比對

2）吸阻缺陷率對比。將智能控制煙支吸阻缺陷率與人工控制煙支吸阻缺陷率進行對比，如圖9所示，顯見，智能控制的缺陷率明顯低于人工控制缺陷率，可以證明，智能控制比人工控制的煙支吸阻質量控制效果有明顯的提升，智能控制系統有效。

圖9 人工與智能控制吸阻缺陷率對比

3）煙絲使用率對比。將智能控制和人工控制情況下的煙支吸阻與煙支重量的對應關系生成圖表，如圖10所示。可見，智能控制與人工控制相比，在消耗同等煙絲重量的條件下，吸阻值更高一些，更貼近煙支吸阻設定值106，對煙絲的使用效率更高。

圖10 人工與智能控制效果對比

6 結語

本文提出的智能控制系統模型能夠實時監控煙支吸阻的波動情況，并根據其走勢及時對煙支吸阻做出干預控制，相較于傳統的人工控制只能靠質檢員依據對吸阻的采樣測量值進行經驗性判斷的情況，智能控制對煙支吸阻變化過程的控制更加及時、平穩，煙支質量具有明顯提高。