基于機器學習的卷煙制絲工藝物料衡算模型

張艮水，關(guān)愛章，蘭志超，袁海霞，林盈，楊明，曾偉中，鄭茜

（湖北中煙工業(yè)有限責任公司襄陽卷煙廠，湖北 襄陽 441000）

0 引言

在人工智能、機器學習等新興技術(shù)日趨成熟的背景下，制絲生產(chǎn)過程的智能化應(yīng)用逐漸成為行業(yè)的主要研究方向。目前，制絲過程消耗計量問題一直制約著工廠高級排產(chǎn)、過程仿真、批次物料追蹤和智能數(shù)據(jù)分析等智能化應(yīng)用。基于此，本文對制絲全流程物料衡算關(guān)鍵技術(shù)進行系統(tǒng)性研究，以數(shù)據(jù)驅(qū)動和知識驅(qū)動為基礎(chǔ)構(gòu)建制絲全流程物料衡算模型，從而對損耗過多、產(chǎn)出不穩(wěn)定等現(xiàn)象進行預警。通過數(shù)據(jù)分析及預測模型研究，對制絲生產(chǎn)過程的物料進行精準計量，可進一步挖掘質(zhì)量數(shù)據(jù)價值，提升煙廠智能制造水平，為未來智能化、數(shù)字化建設(shè)提供數(shù)據(jù)支撐。

在機器學習方面，相關(guān)研究涉及領(lǐng)域十分廣泛。吳勇，等構(gòu)建了面向?qū)徲嬋芷诘臋C器學習應(yīng)用模型；宋祥，等采用決策樹、貝葉斯分類器、神經(jīng)網(wǎng)絡(luò)、邏輯回歸等六種機器學習算法對個人年收入進行了預測；喻佳，等通過邏輯回歸、決策樹、貝葉斯算法、隨機森林等五機器學習算法對教育大數(shù)據(jù)進行了分析；黃家宸，等分析了機器學習技術(shù)在油氣領(lǐng)域的主要應(yīng)用場景以及在產(chǎn)量預測中存在的問題。

在物料衡算方面，大部分研究主要集中在化工生產(chǎn)領(lǐng)域。史忠錄，等對氯化鉀工藝的“冷結(jié)晶—正浮選—洗滌法”生產(chǎn)過程進行了物料衡算；張瑜通過具實際案例對精細化工項目工藝的物料衡算進行了具體分析；陳旭輝，等通過實際數(shù)據(jù)對一步法腈綸紡絲工段進行了物料衡算以改進浴液系統(tǒng)；姜京哲，等對五氧化二釩的生產(chǎn)過程進行物料衡算和水平衡計算，以此為環(huán)保治理提供建議。

通過文獻檢索可知，關(guān)于機器學習和物料衡算的研究較多，但尚未有文獻將機器學習技術(shù)應(yīng)用于煙草行業(yè)的制絲工藝物料衡算。本研究以數(shù)據(jù)驅(qū)動和知識驅(qū)動為主要技術(shù)路線，采用機器學習技術(shù)建立全流程、自學習的制絲物料消耗衡算模型，以填補相關(guān)理論在這一領(lǐng)域的空白。

1 卷煙制絲工藝流程分析

1.1 主要流程

煙草生產(chǎn)的工藝流程主要分為兩個部分：制絲和卷接包裝。制絲工藝主要對煙葉、煙梗等原料通過回潮、切絲、干燥、摻配混合、加香等一系列加工工序處理，得到符合卷制包裝技術(shù)要求的煙絲。煙絲經(jīng)過輸送設(shè)備送至卷制包裝。具體制絲工藝流程如圖1所示。整個過程十分復雜，具有非連續(xù)、流程長、參數(shù)多、要求高等特點。制絲生產(chǎn)所得煙絲的質(zhì)量直接影響著卷煙產(chǎn)品質(zhì)量的穩(wěn)定，為此，通過數(shù)學建模、數(shù)據(jù)分析，對制絲生產(chǎn)過程的物料進行精準計量，挖掘質(zhì)量數(shù)據(jù)價值，提升制絲加工精度。

圖1 卷煙制絲工藝流程

1.2 影響因素分析

制絲工藝受諸多因素影響，主要包括煙絲的理化性質(zhì)、環(huán)境因素、物料因素、設(shè)備因素、人為因素等方面，任一因素變化都將對煙絲品質(zhì)產(chǎn)生影響。物料衡算技術(shù)是制絲物料損耗、批次穩(wěn)定性、排產(chǎn)仿真和工藝質(zhì)量控制的重要基礎(chǔ)，也成為工廠智能化數(shù)字化建設(shè)重要研究領(lǐng)域，因此，十分有必要對制絲工藝進行物料衡算，并分析這些因素變動對煙絲質(zhì)量的影響，從而實現(xiàn)制絲生產(chǎn)的精益管控。物料衡算的影響因素主要有：

（1）水分含量：制絲工藝多個環(huán)節(jié)涉及物料的回潮和干燥，并且水分含量對煙絲的顏色、光澤、味道等指標起著關(guān)鍵作用，同時影響著煙絲產(chǎn)出比。對于制絲工藝流程的松散回潮、洗梗潤梗、梗絲干燥、加香喂料等環(huán)節(jié)，在工序出入口配置水分儀和電子秤，以便對物料進行自動稱重，并實時監(jiān)控物料的水分含量，嚴格控制水分，以實現(xiàn)對制絲工藝的管控。

（2）機器設(shè)備：主要依靠水分儀和電子秤進行計量，以實現(xiàn)對物料流量的精準控制。對于物料回潮、干燥、摻配混合、加香加料等關(guān)鍵工序，保持物料水分及重量等數(shù)據(jù)計量的準確性，對后續(xù)流程中原料和輔料的摻兌配比等工作具有重要的參考意義。

（3）工藝技術(shù)：制絲工藝的精準控制，依賴先進的工藝技術(shù)，根據(jù)不同牌號的生產(chǎn)需求設(shè)計標準化的生產(chǎn)加工路線，保障生產(chǎn)過程的穩(wěn)定性和柔性化。

當前，煙草行業(yè)普遍存在物料計量體系不完善、卷煙生產(chǎn)消耗管控人工干預多、耗時費力且工作效率低等問題。基于此，本文采用線性回歸、多項式回歸及BP神經(jīng)網(wǎng)絡(luò)多種機器學習方法，根據(jù)歷史數(shù)據(jù)，結(jié)合專家經(jīng)驗進行數(shù)據(jù)建模，將物料衡算模型結(jié)合數(shù)據(jù)可視化、數(shù)據(jù)預警等技術(shù)以形成一套科學完整的制絲全流程物料計量體系，輔助未來數(shù)字化工廠精益化生產(chǎn)和創(chuàng)新應(yīng)用，為生產(chǎn)決策智能化奠定基礎(chǔ)，提升工廠智能分析和決策水平。

2 基于機器學習的物料衡算模型建立

2.1 模型構(gòu)建思路

2.1.1 總體框架。機器學習能夠?qū)Υ罅繗v史數(shù)據(jù)進行分析和處理，挖掘數(shù)據(jù)隱含規(guī)律，通過不斷改進經(jīng)驗或模型達到自適應(yīng)學習的目的，十分適用于制絲生產(chǎn)線的物料衡算。機器學習包括線性回歸、多項式回歸、梯度下降、聚類分析、神經(jīng)網(wǎng)絡(luò)等多種算法。其中，線性回歸和多項式回歸是用于預測的經(jīng)典算法，分別利用線性和非線性模型分析自變量和因變量的數(shù)學關(guān)系，根據(jù)回歸方程預測因變量的變化趨勢。BP神經(jīng)網(wǎng)絡(luò)是近年來使用最廣泛的機器學習算法，通過模擬人類神經(jīng)元的結(jié)構(gòu)，對輸入和輸出的大量數(shù)據(jù)進行采集和存儲，在非線性系統(tǒng)中表現(xiàn)較好。本文選擇線性回歸、多項式回歸及BP神經(jīng)網(wǎng)絡(luò)算法作為候選模型，利用線性和非線性原理，對每個工段所涉及自變量和因變量之間的關(guān)系進行擬合。最后通過對比分析，選取誤差最小的物料衡算模型。總體建模框架如圖2所示，主要包括以下兩個階段。

圖2 總體建模框架

（1）確定某牌號煙葉各工段預測模型：①導入每一工段的原始輸入、輸出數(shù)據(jù)。②剔除異常數(shù)據(jù)后，將剩余數(shù)據(jù)作為實驗數(shù)據(jù)。③利用實驗數(shù)據(jù)，分別訓練一元線性回歸模型、二次多項式回歸模型、BP神經(jīng)網(wǎng)絡(luò)模型。④利用模型優(yōu)劣評價標準，對每一工段各模型的運行結(jié)果進行評價。選擇效果最好的模型作為該工段預測模型，保存模型或模型參數(shù)。

（2）利用模型實時預測：①利用各工段已確定的預測模型，根據(jù)某牌號煙葉每批次工段入口數(shù)據(jù)，預測對應(yīng)出口煙葉重量。②當該牌號煙葉產(chǎn)生N批新數(shù)據(jù)時，返回第一階段，更新各工段預測模型。

2.1.2 評價標準。預測精度是指對誤差的離散分布情況進行預測，主要取決于模型結(jié)構(gòu)的穩(wěn)定性、預測數(shù)據(jù)與實際數(shù)值之間的偏差，以及歷史數(shù)據(jù)與參數(shù)估計的差距等。預測誤差是實際值與理論值之間的離差，主要反映預測的準確度。相關(guān)研究證明，均方根誤差（RMSE）對預測結(jié)果的誤差較為敏感，能夠很好地反映預測的精密度；平均絕對誤差（MAE）能夠更好地反映預測值誤差的實際情況；平均百分比絕對誤差（MAPE）能夠直觀反映誤差占原值的比例。因此，本文采用RMSE作為主要評價標準，同時利用MAE、MAPE進一步分析模型性能。三種誤差的計算方法如下：

（3）平均百分比絕對誤差：

2.2 模型建立

2.2.1 基于回歸方法的物料衡算模型

（1）線性回歸模型原理。線性回歸分析法主要基于數(shù)理統(tǒng)計原理，對需要分析的海量數(shù)據(jù)進行數(shù)學建模，并以此得出因變量與多個自變量之間的變動規(guī)律，其基本表達形式為。多元回歸分析是采用數(shù)學模型對因變量與兩個或兩個以上自變量之間的相關(guān)性進行描述，關(guān)系表達式如下：

（2）多項式回歸模型原理。多項式回歸是估計一個因變量與一個或多個自變量間的多項式關(guān)系。當因變量與多個自變量存在相關(guān)性時，由于線性關(guān)系較復雜，此時采用線性回歸擬合效果仍需改進。因此，采用多項式回歸模型，在此基礎(chǔ)上考慮增加特征項，以便擬合非線性數(shù)據(jù)。一元n次多項式回歸方程如下：

（3）模型實驗步驟。本文所采用的線性回歸及多項式回歸模型，主要流程如圖3所示，實現(xiàn)步驟具體如下：

圖3 線性回歸及多項式回歸模型實驗步驟

Step1：樣本處理。采用隨機抽樣的方法，將全部樣本按照7：3的比例劃分為訓練集和預測集，執(zhí)行Step2。

Step2：確定自變量、因變量。根據(jù)樣本數(shù)據(jù)選取每一工段對應(yīng)的自變量為工段入口煙葉重量、水分含量，以及加水或加料量、篩分損耗量，因變量為出口煙葉重量，執(zhí)行Step3。

Step3：確定多項式次數(shù)。多項式次數(shù)分別取1、2、3，執(zhí)行Step4。

Step4：創(chuàng)建回歸實例進行實驗。將結(jié)果可視化處理，并利用均方根誤差（RMSE）、平均絕對誤差（MAE）、平均百分比絕對誤差（MAPE）評估模型效果。

2.2.2 基于BP神經(jīng)網(wǎng)絡(luò)的物料衡算模型

（1）BP神經(jīng)網(wǎng)絡(luò)模型原理。BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)基于有監(jiān)督的學習機制，將非線性可導函數(shù)作為傳遞函數(shù)。BP神經(jīng)網(wǎng)絡(luò)能對一系列存在輸入-輸出模式的數(shù)據(jù)映射關(guān)系進行存儲和分析，而無需事先解釋其關(guān)系。通過反向傳播對網(wǎng)絡(luò)的權(quán)值不斷調(diào)整，以達到誤差平方和最小。其算法流程如圖4所示，主要由正向傳播和反向傳播構(gòu)成：①正向傳播：將訓練樣本的數(shù)據(jù)輸入，然后先沿著網(wǎng)絡(luò)指向與對應(yīng)權(quán)重相乘后加和，再將結(jié)果作為輸入并在激活函數(shù)中計算，計算結(jié)果作為輸入傳遞至下一個節(jié)點。依次計算，直到得到最終輸出；②反向傳播：將輸出結(jié)果與期望結(jié)果進行比較，若所得誤差較大，則進一步采用梯度下降法，利用網(wǎng)絡(luò)結(jié)構(gòu)不斷調(diào)整各層神經(jīng)元的權(quán)值，該過程本質(zhì)是一個“負反饋”過程。經(jīng)過多次迭代，不斷調(diào)整網(wǎng)絡(luò)上各個節(jié)點間的權(quán)重，直到算法終止，利用該模型可進行分析預測。

圖4 BP神經(jīng)網(wǎng)絡(luò)主要過程

（2）模型實驗步驟。本文所設(shè)計的BP神經(jīng)網(wǎng)絡(luò)算法具體實驗步驟如下：

Step1：樣本處理。采用隨機抽樣的方法，將全部樣本按照7：3的比例劃分為訓練集和預測集，并對訓練集數(shù)據(jù)進行歸一化操作，執(zhí)行Step2。

Step2：確定網(wǎng)絡(luò)輸入量、輸出量。根據(jù)樣本數(shù)據(jù)信息，確定每一工段的網(wǎng)絡(luò)輸入量為工段入口煙葉重量、水分含量，以及加水或加料量、篩分損耗量，網(wǎng)絡(luò)輸出量為出口煙葉重量，執(zhí)行Step3。

Step3：確定網(wǎng)絡(luò)結(jié)構(gòu)。根據(jù)網(wǎng)絡(luò)輸入、輸出信息確定網(wǎng)絡(luò)輸入層、隱含層和輸出層神經(jīng)元數(shù)目，執(zhí)行Step4。

Step4：參數(shù)初始化。初始化BP網(wǎng)絡(luò)中每個層級的權(quán)值和偏差，同時設(shè)定學習率、期望誤差最小值、最大迭代次數(shù)等一系列基本參數(shù)，執(zhí)行Step5。

Step5：正向傳播過程。按照“上層輸出矩陣乘當前全連接層參數(shù)→加偏置→輸入激活函數(shù)→輸出”的規(guī)則完成正向傳播過程，執(zhí)行Step6。

Step6：后向傳播過程。使用均方誤差計算預估值與實際值的差距，當誤差小于期望誤差最小值或達到最大迭代次數(shù)時，執(zhí)行Step7；否則，按照誤差梯度下降法從后往前逐層調(diào)整各神經(jīng)元的連接權(quán)值和偏差，返回Step5。

Step7：算法終止。利用已建立的BP神經(jīng)網(wǎng)絡(luò)對測試集進行預測，將結(jié)果可視化處理，并利用測試誤差評估神經(jīng)網(wǎng)絡(luò)效果。

3 實驗結(jié)果及分析

本文采用Python3.7.8作為編碼工具，分別對各個工段利用一次線性回歸、二次多項式回歸、BP神經(jīng)網(wǎng)絡(luò)算法進行實驗，并對實驗結(jié)果進行對比分析，驗證三種模型的衡算效果。

3.1 數(shù)據(jù)來源工段劃分

根據(jù)制絲加工工藝流程，共包含17道工序，將其劃分為6個工段，見表1，本文對前5個工段進行物料衡算。實驗數(shù)據(jù)為某煙廠2021年1月-7月制絲車間生產(chǎn)數(shù)據(jù)，以一個牌號為例進行測試，共計188條。每條數(shù)據(jù)包含信息相同，即各工段入口電子秤重量、入口水分含量、過程加料或加水量、過程篩分損耗量和出口電子秤重量。

表1 工段劃分

3.2 不同工段實驗結(jié)果

（1）工段一實驗結(jié)果。該工段設(shè)置自變量為“煙葉投料重量”，因變量為“煙葉切片出口重量”。實驗結(jié)果見表2，結(jié)果表明，線性回歸模型與多項式回歸模型預測結(jié)果一致，與BP神經(jīng)網(wǎng)絡(luò)預測結(jié)果相差不大，但BP神經(jīng)網(wǎng)絡(luò)的MAE、MAPE相對較小。

表2 工段一實驗結(jié)果

（2）工段二實驗結(jié)果。該工段設(shè)置自變量為“松散回潮入口煙葉重量”，因變量為“光譜除雜出口煙葉重量”。實驗結(jié)果見表3，結(jié)果表明，二次多項式回歸模型預測結(jié)果的RMSE最優(yōu)，BP神經(jīng)網(wǎng)絡(luò)次之，線性回歸模型預測結(jié)果的RMSE最大。但BP神經(jīng)網(wǎng)絡(luò)的MAE和MAPE結(jié)果均最優(yōu)，二次多項式次之，線性回歸模型最差。

表3 工段二實驗結(jié)果

（3）工段三實驗結(jié)果。該工段設(shè)置自變量為“葉片加料入口煙葉重量、葉片加料前碎片篩分量”，因變量為“切葉絲工序出口煙葉重量”。實驗結(jié)果見表4，結(jié)果表明，BP神經(jīng)網(wǎng)絡(luò)預測結(jié)果的RMSE、MAE、MAPE均為最優(yōu)，線性回歸模型次之，二次多項式回歸模型預測效果最差。

表4 工段三實驗結(jié)果

（4）工段四實驗結(jié)果。該工段設(shè)置自變量為“HT入口煙葉重量、HT入口水分、葉絲風選篩分損耗值”，因變量為“葉絲風選出口煙葉重量”。實驗結(jié)果見表5，結(jié)果表明，BP神經(jīng)網(wǎng)絡(luò)預測結(jié)果的RMSE最小，線性回歸模型次之，二次多項式回歸模型預測結(jié)果的RMSE誤差最大，但線性回歸模型的MAE、MAPE稍優(yōu)于BP神經(jīng)網(wǎng)絡(luò)。

表5 工段四實驗結(jié)果

（5）工段五實驗結(jié)果。該工段設(shè)置自變量為“摻配入口葉絲主秤實際重量、混絲加香前篩分損耗值”，因變量為“混絲加香入口重量”。實驗結(jié)果見表6，結(jié)果表明，二次多項式回歸結(jié)果明顯優(yōu)于一次線性回歸結(jié)果和BP神經(jīng)網(wǎng)絡(luò)模型。

表6 工段五實驗結(jié)果

3.3 實例測試結(jié)果分析

根據(jù)以上實驗結(jié)果可知，（1）選取三種模型進行預測具有一定合理性，平均百分比絕對誤差（MAPE）最高僅為0.605 5%。（2）從工段分析，工段一和工段二的預測精度明顯高于后三個工段。主要原因是：工段一和工段二包含工序相對較少，且工序處理過程較為簡單，不涉及過多的加水、加料、篩分、烘干等對煙葉重量影響較大的環(huán)節(jié)。因此，輸入與輸出數(shù)據(jù)的關(guān)系更容易擬合。同時，觀察結(jié)果可知，工段二和工段四輸入輸出數(shù)據(jù)的線性關(guān)系相對顯著。（3）從模型分析，一次線性回歸模型在該制絲生產(chǎn)線中表現(xiàn)最好，BP神經(jīng)網(wǎng)絡(luò)與其預測效果相差不大，二次多項式回歸模型在工段五中表現(xiàn)較好。綜上，對于所選取牌號的物料衡算模型，工段一應(yīng)采用一次線性回歸，工段二和工段五應(yīng)采用二次多項式回歸；工段三和工段四應(yīng)采用BP神經(jīng)網(wǎng)絡(luò)。

4 結(jié)語

目前，我國煙草制絲工藝大部分實現(xiàn)了自動化、機械化生產(chǎn)，但離智能制造仍存在一定距離。在機器學習、數(shù)據(jù)挖掘等先進技術(shù)日趨成熟的背景下，本文采用自適應(yīng)的大數(shù)據(jù)建模技術(shù)，研究制絲工藝中關(guān)鍵工序的物料進出衡算方法，構(gòu)建全流程物料衡算模型。首先，通過對制絲工藝主要流程和影響因素進行分析，確定物料流量監(jiān)控點及監(jiān)控要素；然后，基于工藝流程將制絲過程劃分為不同工段，分別采用線性回歸、多項式回歸及BP神經(jīng)網(wǎng)絡(luò)對不同工段數(shù)據(jù)進行模型擬合；最后，根據(jù)三種評價指標分析實驗結(jié)果，為每個工段選取較優(yōu)的物料衡算模型，并對產(chǎn)生預測誤差的原因進行深入分析。本文研究成果可完善制絲全流程物料計量體系，為卷煙生產(chǎn)的自動排產(chǎn)和智能生產(chǎn)提供支撐，同時為建設(shè)數(shù)字化工廠，實現(xiàn)精益生產(chǎn)提供參考和借鑒。