烘絲機入口水分控制模型的建立及應用

張楚安 朱俊召 王樂軍 邢優誠 錢傳林

摘要 為了控制烘絲機入口水分的穩定性，烘絲機前段以水分儀與工序段為節點進行劃分，分段研究水分鏈之間的預測控制模型，采用Pearson相關分析的方法分析影響烘絲機入口水分的主要因素，并用神經網絡算法和多元回歸分析方法建立水分預測模型。通過模型求解，實現給定烘絲機入口水分從而推算出加料出口水分參考值的目的，然后利用模型預測值與實際值對比的方法進行檢驗。結果表明，HT入口水分控制標準與實際值偏差在±0.2%范圍內，驗證50批，合格率達100%。該研究可作為烘絲機入口水分控制的有效技術手段加以推廣應用。

關鍵詞 多元回歸；烘絲機；入口水分；相關性分析；環境溫濕度

中圖分類號 TS452+.3 文獻標識碼 A 文章編號 0517-6611（2023）09-0178-06

doi：10.3969/j.issn.0517-6611.2023.09.043

Abstract In order to control the stability of the inlet moisture of the silk dryer， taking the moisture meter and process section as the nodes in the front section of the silk dryer as the division basis， the predictive control model between the moisture chains was studied in sections， and Pearson correlation analysis method was used to determine the main factors affecting the inlet moisture of the silk dryer. The prediction model of water content was established by neural network algorithm and multiple regression analysis method. Through the solution of the model， giving the moisture content at the inlet of the dryer was realized so as to calculate the reference value of moisture at the feeding outlet， the predicted value and actual value of the model were compared for the test. The results showed that the model test effect was determined that the deviation between the HT inlet moisture control standard and the actual value was within ± 0.2%. 50 batches were verified， and the qualified rate was 100%. This study could be popularized and applied as an effective technical means of inlet moisture control of silk dryer.

Key words Multiple regression；Silk dryer；Inlet moisture；Correlation analysis；Ambient temperature and humidity

作者簡介 張楚安（1973—），男，湖北浠水人，高級工程師，從事煙草工藝研究。

烘絲機出口水分穩定性一直是考核卷煙感官質量的重要指標之一，其中烘絲機內部受到各個參數的PID循環控制［1］，但是入口水分的不穩定會導致烘絲機PID調節的滯后性，從而影響烘絲出口水分的穩定性。因此，烘絲機入口水分的穩定性對于穩定卷煙的感官質量、縮短參數調節時間有重大的影響作用。

目前全國卷煙廠基本都是以松散段的加水調節來預測控制烘絲前水分的穩定性，主要是根據車間人員利用經驗預測加水施加量來進行控制。該方法簡單可行，容易受到外部因子的干擾而造成預測結果偏差較大的情況，從而影響卷煙質量［2-3］。隨著卷煙工藝要求的提高以及信息化的不斷普及，此方法已經不適用于現有的生產要求與標準。為了提高烘絲機入口水分的穩定性，筆者利用多元回歸分析和神經網絡算法對烘絲機入口水分的影響因素進行定性和定量分析，考慮到環境溫濕度的影響，建立加料出口水分、松散段的加水量施加與烘絲機入口水分的關系模型，并通過模型求解最終達到給定烘絲機入口水分控制穩定的效果。

1 數據獲取與處理

1.1 數據樣本

選取武漢卷煙廠三號線軟藍牌號卷煙作為研究對象，選取為期一年的烘絲前工藝段的所有參數數據。

1.2 數據篩選

1.2.1 預處理。通過預處理進行有效數據篩選。從SPC系統中抽取2019年5月至2020年5月軟藍牌號烘絲前所有批次工藝質量參數數據以及生產區域的環境溫濕度數據，并進行有效篩選。數據篩選規則如圖1所示。

1.2.2 樣本分層處理。

整個烘絲前工序流程與水分儀檢測點如圖2所示。

由于軟藍牌號煙葉在儲葉段出現時間分層現象，通過數據分析發現主要儲葉時間分層以16 h為界限，因此需要對數據樣本空間進行劃分。具體劃分如下：不留柜數據，0<儲葉時間<16 h；留柜數據，儲葉時間>16 h。儲柜時間如圖3所示。

2 數據分析

2.1 數據正態性檢驗

為保證數據分析的有效性與結果的準確度［4］，需要對研究對象的數據特征進行分析，烘前入口煙絲含水率的批次均值整體接近正態分布，這是由于整體烘前煙絲入口含水率有2個不同控制標準造成的，但是各個控制標準內都呈現較明顯的正態分布特征，如圖4所示。

2.2 總體設計研究

結合武漢卷煙廠三號線烘絲前工藝流程與烘絲前水分控制的關鍵點，將主要工序以水分儀為劃分，然后將各水分儀間的水分差值作為研究對象，研究各個因子對水分差值的影響，再結合武漢卷煙廠的操作實際，以松散段的水分差值、加料-HT段的水分差值作為控制預測的重點，將松散出口水分、加料出口水分的預測參考值作為控制烘絲前水分穩定性關鍵性輸出。為此，將烘絲前整段的控制模型分為2段：第1段為松散段內，第2段為加料至HT入口段。研究思路如圖5所示。

針對2段的水分差值變化，利用多元回歸［5］和神經網絡算法［6］對影響水分差值變化的因子進行控制模型擬合。

2.3 相關分析

針對松散段和加料-HT段的水分差值與各個參數因子的關系，利用矩陣圖與Pearson系數［7］來判別相關因子的影響程度。

2.3.1 松散回潮段因子關聯性。

對松散段松散回潮出口煙葉含水率、松散加水量、松散回潮環境溫度、松散回潮環境濕度、松散回潮出口煙葉溫度、松散回潮回風溫度、松散回潮排潮負壓等因子進行了多變量分析。從圖6可以看出，軟藍牌號煙葉在松散段內松散回潮出口煙葉含水率與松散回潮環境溫濕度、松散加水量存在明顯的相關性。松散回潮段各指標間相關性如表1所示。

2.3.2 加料-HT段水分因子關聯性。

由于儲葉時間的影響，無法將加料-HT段作為一個整體直接分析，將加料-HT段分為“2.1段”（加料-進柜前）和“2.2段”（進柜前-HT段），而“2.2段”又分成留柜和不留柜2類。

2.3.2.1 “2.1段”加料-進柜前水分差值因子關聯性。對加料-進柜前加料出口-進柜前水分差值、加料環境溫度、加料環境濕度、加料出口煙葉溫度等因子進行了多變量分析，結果見圖7。從圖7可以看出，加料出口-進柜前水分差值主要與加料環境濕度、加料出口煙葉溫度有關。加料-進柜前各指標間相關性如表2所示。

2.3.2.2 “2.2段”進柜前-HT段水分因子關聯性。對進柜前-HT段進柜前-HT段水分差值、烘絲環境溫度、烘絲環境濕度、儲葉時間等因子進行了多變量分析，結果見圖8。從圖8可以看出，進柜前-HT段水分差值主要與烘絲環境溫濕度、儲葉時間存在相關性。進柜前-HT段各指標間相關性如表3所示。

3 數據建模

3.1 建模方法

將武漢卷煙廠烘絲前工序進行詳細分離，采用先分段研究后綜合合并的方法，利用串聯模型進行烘絲機入口水分多因素影響分析。先以松散出口、加料出口水分儀為節點，將制絲流程進行適當分節，分為松散段、加料出口-HT段，再利用神經網絡算法、多元回歸分析等方法［8-9］建立在環境溫濕度等影響下每段研究的水分差值對象與各關鍵參數因子的關系模型。在各段的模型都完成構建后，將各分階段模型進行串聯，建立烘絲機入口水分的預測模型；最后，通過實際生產數據，適當調整模型參數，完善模型，提高模型預測精度。

按照之前的項目整體設計思路，目前模型主要分為松散段、加料出口-進柜前、進柜前-HT段3段。

取80%數據進行模型參數識別，建立烘絲機入口水分預測模型，再將剩余20%數據代入預測模型進行模型預測效果驗證；采取多元回歸方法可以在現有數據較少的前提下，將所有的數據用于模型擬合，之后再用累計的生產數據進行驗證，解決了數據樣本較少的問題，神經網絡算法與多元回歸方法二者相輔相成、共同作用。

模型驗證效果如下：實際烘絲前水分批次均值在控制標準±0.2%范圍以內，驗證50批數據的合格率在95%以上，方為合格。

3.2 松散段水分控制模型的建立

煙葉水分的變化主要源于松散回潮加水量，同時一定程度上受到松散回潮工序環境溫濕度的影響。由于該階段的輸入來料含水率默認為固定值，且該階段受加水比例、蒸汽等因素的影響較為復雜。以松散回潮出口煙葉含水率、松散回潮環境溫濕度為輸入，以松散回潮加水量預測值為輸出，建立每個隱含層有8個神經元的雙隱含層神經網絡，并設定訓練目標為0.05，訓練速度為0.01，最大訓練步數為100，進行神經網絡訓練。

3.3 加料-進柜前水分差值控制模型的建立

在研究加料出口至HT入口的水分變化時，由于中間涉及儲葉時間的影響，故需要將加料-進柜前的水分差值單獨研究。

以加料段的環境溫濕度、加料出口煙葉溫度為輸入，以加料-HT入口水分差值為輸出。利用多元回歸分析方法，以月份為分組，提高擬合度，構建多元回歸模型，預測模型如下：加料-進柜前水分差值=月度修正常數-0.022 12×松散加料環境溫度-0.002 173×松散加料環境濕度-0.051 52×加料出口煙葉溫度，擬合度為78.00%。

3.4 進柜前-HT入口水分差值控制模型的建立

受儲葉時間的影響，因此需要將“進柜前-HT入口”劃分為留柜與不留柜2類。

不留柜：以烘絲段的環境溫濕度為輸入，以進柜前-HT入口水分差值為輸出，以月份為分組，提高模型擬合度，構建多元回歸模型，預測模型如下：進柜前-HT入口水分差值=月度修正常數+0.018 39×烘絲環境濕度+0.072 99×烘絲環境溫度，擬合度為90.16%。

留柜：以烘絲段的環境溫濕度為輸入，以進柜前-HT入口水分差值為輸出，以月份為分組，提高模型擬合度，構建多元回歸模型，預測模型如下：進柜前-HT入口水分差值=月度修正常數+0.019 19×烘絲環境濕度+0.058 78×烘絲環境溫度，擬合度為82.13%。

4 模型驗證與迭代

在各段的模型已經擬合出來后，將加料-進柜前、進柜前-HT段的水分差值模型以進柜前水分作為共同因子，將兩段模型合并為加料出口-HT段的整體控制模型。松散段以松散出口水分目標值、環境溫濕度為輸入，以加水量為輸出；加料出口-HT段以HT入口水分目標值、烘絲環境溫濕度、加料環境溫濕度、加料出口煙絲溫度為輸入，以加料出口水分為輸出。

結合2段式控制模型，在軟藍牌號中驗證運行，共驗證50批，具體數據如表4所示。

4.1 加水量驗證

對驗證生產50批軟藍牌號松散段加水量的實際值與預測值進行對比。模型預測加水量的數值與實際加水量數值的變化趨勢基本一致，且誤差在±15 L范圍以內，此模型的實際生產誤差符合車間的控制要求［±（15～25）L］，因此松散段加水量對于控制松散出口水分具有重要的指導作用。

4.2 HT入口水分控制模型實際控制效果驗證

對驗證生產50批軟藍牌號加料出口水分的實際施加數據與模型預測的數據進行對比。模型預測加水量的數值與實際加水量數值的變化趨勢基本一致，因此可認為車間操作人員是嚴格按照模型預測的加料出口水分進行控制。因此，在模型實際的指導操作下，需要對比HT入口水分實際表現。

對驗證生產50批軟藍牌號HT入口水分的實際批次均值數據與控制標準進行對比。HT入口水分批次均值實際值與控制標準的偏差均在±0.2%范圍內，合格率為100%。

4.3 模型迭代

受來料不穩定性、生產控制標準以及制絲工藝的調整等因素的影響，烘絲機入口水分穩定性控制模型可能出現模型預測偏移以及失真的情況。為了維護模型預測的準確性與實用性，引進模型數據迭代的功能，將生產歷史數據導入模型的訓練集中，重新對模型的常數甚至系數進行修正誤差，并且針對輸出變量的預測修正值確定了誤差范圍，加水量誤差在±20 L以內，加料出口煙葉含水率誤差在±0.15%以內。

由于整體烘絲機入口水分控制模型以月份為分組進行精細化控制預測，因此針對相應月份的模型需要一個月內進行一次迭代修正，以確保模型的預測準確性。

5 結論

通過矩陣相關、Pearson相關性、控制變化圖等分析手段分析篩選烘絲機入口水分的相關因素，然后利用神經網絡模型和多元回歸分析模型建立了烘絲機入口水分影響因素的分階段模型。通過模型整合與車間實際操作相結合，在給出設定烘絲機入口水分、松散出口水分的情況下，可計算出松散回潮加水量、加料出口水分實際值，從而可以更加精準、有效、及時、直接地引導車間人員在烘絲前水分控制上操作［7，9-15］。在兩段整體模型的試運行期間，模型輸出值達到較好的指導效果，通過模型預測指導所獲得的烘絲機入口含水率更接近工藝設定值，且不同批次間穩定性更高。

參考文獻

［1］ 林天勤，鐘文焱，郭劍華，等.滾筒烘絲機煙絲含水率控制系統的改進［J］.煙草科技，2013，46（12）：14-16.

［2］ 張本甫.卷煙工藝規范［M］.北京：中央文獻出版社，2003.

［3］ 陳良元.卷煙生產工藝技術［M］.鄭州：河南科學技術出版社，2002.

［4］ 何曉群.多元統計分析［M］.3版.北京：中國人民大學出版社，2012.

［5］ 彭黔榮.煙葉的化學成分與煙葉質量的人工神經網絡預測［D］.成都：四川大學，2004.

［6］ 理查德·A·約翰遜，迪安·W·威克恩.實用多元統計分析［M］.陸璇，葉俊，譯.北京：清華大學出版社，2008.

［7］ 張文彤，鄺春偉.SPSS統計分析基礎教程［M］.2版.北京：高等教育出版社，2011.

［8］ 鐘文焱，陳曉杜，馬慶文，等.基于多因素分析的烘絲機入口含水率預測模型的建立與應用［J］.煙草科技，2015，48（5）：67-73.

［9］ 張輝.大數據技術在烘絲出口水分預測與控制中的應用［J］.通訊世界，2017（6）：249-250.

［10］ 張建棟，廖國太，張輝，等.模糊控制在煙草工業煙絲干燥控制中的應用［J］.甘肅科技，2011，27（8）：25-29.

［11］ 楊明權.改進HAUNI烘絲機控制模式降低烘絲干頭干尾量［J］.煙草科技，2005，38（8）：6-7，9.

［12］ 任正云，晏小平，方維嵐，等.烘絲過程煙絲含水率的MFA控制［J］.煙草科技，2005，38（6）：10-15.

［13］ 梁魏峰.烘絲控制模式的建立與實現［J］.煙草科技，2003，36（2）：16-17.

［14］ 王艷紅，韓光勝.煙草烘絲過程的水分控制［J］.北京工業大學學報，2000，26（4）：90-95.

［15］ 楊江平.大數據技術在復烤企業的應用探析［J］.重慶與世界（學術版），2016，33（11）：124-126.