基于模型預測的松散回潮水分控制研究

摘" 要：松散回潮系統具有大時滯、干擾變量多等特性，出口水分控制難度大。為解決松散回潮出口水分控制不穩定及反饋不及時等問題，采用相關性分析篩選出與松散回潮出口水分的相關變量，使用多元線性回歸和神經網絡建立松散回潮出口水分的預測模型，對2種模型的效果進行驗證，在此基礎上建立加水量實時在線優化控制模型。選取某煙廠生產數據對預測模型進行效果驗證。結果表明，多元線性回歸模型和神經網絡模型預測的平均相對誤差分別為0.3%、0.5%，多元線性回歸模型表現出更好的變化趨勢描述能力。實施控制后松散回潮出口水分均值偏差由0.151減小為0.098，松散回潮控制的準確性和穩定性顯著提高，有效克服調控滯后問題，控制過程的智能化和精細化水平提升。

關鍵詞：模型預測控制；松散回潮水分；相關性分析；多元回歸；神經網絡

中圖分類號：TH128" " " 文獻標志碼：A" " " " " 文章編號：2095-2945（2023）12-0028-04

Abstract： The loosening and conditioning system has the characteristics of large time delay and many disturbance variables， which makes it difficult to control the outlet moisture. In order to solve the problems of unstable loose return outlet moisture control and untimely feedback， correlation analysis was used to screen out the variables related to outlet moisture， and the prediction models of outlet moisture were established using multiple linear regression and neural network， and the effects of the two models were verified， based on which a real-time online optimal control model of water addition was established. The production data of a tobacco plant was selected to verify the effect of the prediction model. The results showed that the average relative errors of the prediction of the multiple linear regression model and the neural network model were 0.3% and 0.5%， respectively， and the multiple linear regression model showed better ability to describe the change trend. After the implementation of the control， the deviation of the average outlet moisture was reduced from 0.151 to 0.098， which significantly improved the accuracy and stability of the control process， effectively overcame the time-delay control problem， and enhanced the intelligence and accuracy of the control process.

Keywords： model predictive control; moisture of the loosening and conditioning; correlation analysis; multiple regression; neural network

在煙草生產各環節中，制絲生產是對卷煙品質起決定作用的關鍵環節，其中煙絲回潮環節的水分控制，直接對其后續的烘絲和卷包環節的品質控制起到重要影響。松散回潮的回潮滾筒是一個大時滯的控制系統，給出口水分的穩定性控制增加了難度，為了改善松散回潮工序的水分波動大、不穩定等問題，許多學者對此進行了研究，比如，李秀芳[1]通過改善出口含水率的控制結構，并對工藝參數進行優化，減小了出口含水率的波動。陳曉杜等[2]基于Elman神經網絡建立松散回潮出口含水率預測模型，再由逼近法確定特定生產溫濕度下的最佳加水比例，提高了出口含水率的控制效果。范勇等[3]運用回歸分析建立了松散回潮過程分類別差異性初始含水率設置控制模式，一定程度上提高了含水率的穩定性。但是這些研究對于產地和質量分布差異大的煙葉來說控制效果并不明顯，控制的魯棒性比較差，適用性不廣。因此，本研究提出一種基于模型預測的自適應的水分控制模型，對于批次來料不均、質量差異大的煙葉可以達到穩定水分控制的效果。

1" 研究背景

回潮潤葉過程是我國卷煙生產過程中廣泛采用的一種預處理方法[4]，其主要目的是改善煙葉的物理特性，提高煙葉的溫度和水分含量，通過噴水和熱蒸汽對煙葉進行增溫增濕，提高煙片耐加工性，使煙片均勻、松散，以滿足后續工序對煙葉生產的要求。煙葉的含水率是影響煙絲填充能力和卷制過程造碎率的關鍵指標，對煙支的質量、吸阻、硬度及燃吸品質和煙氣化學成分等都有影響。煙葉進料方式不同松散回潮的控制出口含水率也不同，其穩定性對后續各工序工藝指標有著直接影響，因此松散回潮的出口水分的穩定控制尤為重要[5]，經調研松散回潮工序水分控制現狀如下。

1.1" 出口水分波動大

通過對某卷煙廠現場工況進行調研，目前車間內松散回潮出口水分受來料煙片的水分差異大、蒸汽質量和環境溫濕度等因素影響，且計量不準確、煙片料頭的薄片人工摻兌不穩定和系統故障斷料等都會導致出口水分波動，無法實現精準控制，普遍存在波動較大、批次間不一致等現象。

1.2" 人為經驗依賴強

在實際調節過程中，水流量閥門的PID調節可以實現對目標進口加水流量的追蹤，但是出口含水率并不能穩定在理想范圍，需要操作人員一直監控出口含水率，在其即將超出理想范圍時及時修改加水量修正值。這種情況下，對操作人員的人工經驗及專注力有較高要求，如果操作人員對參數修改不夠及時，含水率會產生較大波動，并且頻繁的界面轉換、參數修改操作也容易造成人員疲勞，使得出口含水率的穩定性出現震蕩。

1.3" 來料性質不穩定

對于某些牌號來料差異性較大，不同煙包不同批次的煙片顏色、外觀和吸水性等質量特性都會影響加水流量的控制精度。另外，煙包未經松散直接以煙塊的形式進入松散回潮滾筒內，由于煙塊之間的質量差異大，進料不連續，給進口端的加水穩定控制增加了難度，同時由于入口水分儀檢測的是表面水分，而煙塊的上料方式會影響水分儀的檢測結果。

1.4" 系統控制延時

加水點與控制點之間的距離較長，屬于大時滯系統。調整加水量后，通常要經過2～5 min才能產生影響。

2" 數據分析

2.1" 數據預處理

由于系統數據統計是覆蓋生產全過程的時間統計，某些批次會因為生產過程故障出現數據缺失的情況，因此需要對缺失的批次數據進行刪除；對于一些在廠內生產環境保持相對封閉的情況下不會發生太大變化的數據缺失，比如環境溫濕度，使用在臨近時間段內取均值的方法替代缺失值，以保證數據的完整性，最后得到有效的分析樣本數據集見表1。

2.2" 數據相關性分析

由于松散回潮過程是一個大時滯的系統，可測干擾和不可測干擾多，具有干擾變量多、特性復雜的特性，因此需要對統計的數據進行影響相關性分析，確定對控制變量出口水分的影響較大的相關變量，從而保障后續建模的準確度。數據預處理后對各變量進行Pearson相關性分析，相關系數如圖1所示。根據相關性分析并結合生產工藝原理，得到與出口水分相關性較大的變量有：秤瞬時流量、加水量測量值、入口含水率、熱風溫度測量值和補償蒸汽流量等。

2.3" 數據時間關系分析

松散回潮過程各變量的檢測點分布在滾筒的前端、中端和后端，若要進行出口水分的穩定控制，需要將各變量的時間關系對應，從而消除大時滯系統對控制模型的影響。結合現場試驗和數據分析計算，得出各變量的時間對應關系，入口水分儀到出口水分儀的時間為200 s，加水量測量點到出口水分儀的時間為120 s。

3" 模型構建方法及討論

松散回潮過程本身具有時滯大、不可測干擾多的特點，且入口含水率、熱風溫度等可測干擾隨時間變化劇烈。針對這些特點，本研究嘗試使用預測前饋+反饋控制方式對其進行優化控制。根據歷史數據，利用神經網絡算法、多元回歸分析法建立多因素出口水分預測模型，進而得到動態加水量預測模型，將實際出口含水率加入到反饋控制中，兩者控制疊加得到最優加水量作用于加水系統，從而得到穩定的出口含水率。

3.1" 多元線性回歸分析

多元回歸模型（Multivariate regression model）是描述一個因變量與多個自變量之間的相關關系。如果這個關系是線性的，則可以采用線性多元回歸模型來描述。反之，則用非線性多元回歸模型。對于多元線性模型而言，因變量若為連續型變量，則采用普通的線性模型；若因變量為離散型變量（類型變量或計數變量），則需采用廣義多元線性模型。

3.2" 神經網絡預測算法

BP（Back Propagation）神經網絡是20世紀80年代被提出的一種多層前饋神經網絡，由輸入層（輸入值X1，X2，…，Xn）、隱含層（調整權值ωij和ωjk）和輸出層（得出預測值Y1，Y2，…，Ym）構成，BP神經網絡的拓撲結構的計算功能非常強大，穩定性好，適用于大量數據的模型訓練[6-7]。通過采集不同牌號的歷史數據，不斷地更改參數訓練優化路徑，輸入不同的變量、不同的神經元進行模型的預測訓練，預測控制加水量。

3.3" 預測模型驗證

3.3.1" 多元回歸法預測分析

將采集的歷史數據進行樣本分割，樣本數據的80%進行訓練，樣本數據的20%進行測試，將目標參數出口水分作為因變量y值，自變量因子為入口水分、進口加水量、熱風溫度、補償蒸汽流量和物料流量，使用多元回歸法對出口水分預測模型進行訓練，在此基礎上建立加水量控制優化模型，將測試樣本帶入到加水量控制優化模型中，對預測結果進行統計分析驗證，測試結果如圖2所示，預測結果的平均相對誤差為0.3%，模型符合度較高。

3.3.2" 神經網絡法預測分析

以松散回潮工序出口含水率的主要影響因素為輸入，煙葉出口含水率為輸出，訓練BP神經網絡預測模型，設定訓練次數1 000次，訓練學習率0.01，訓練目標誤差精度1×10-5，以purelin為訓練傳遞函數，采用梯度下降算法調整權重和閾值，得到出口水分的BP神經網絡預測模型。神經網絡模型由于非顯性考慮采用迭代逼近法來獲取誤差范圍內的理想加水量，使用測試數據將預測模型得到的理論加水量與實際加水量進行對比驗證，測試結果如圖3所示，預測結果的平均相對誤差為0.5%。

上述預測結果表明，多元線性回歸模型預測的平均相對誤差小于神經網絡模型預測的平均相對誤差，多元線性回歸的跟蹤效果更好，采用多元線性回歸的方法更適用于當前松散回潮的水分控制，因此采用多元線性回歸模型來得到最優加水量，再將此最優加水量輸出到PID控制系統中，使得松散回潮出口水分的實際值處于設定值允差范圍內。

3.4" 控制效果分析

在實際控制中由于煙葉牌號不同、批次間來料差異大和入口物料間歇性進入滾筒等影響，需要利用出口水分的反饋對當前批次進行實時更新優化，對當前煙葉的吸水性等進行學習，進而達到精確的水分控制。為了更好地適應煙葉品牌等的變化，每天系統通過不斷采集更新樣本數據，保障根據時間的推移，模型的參數也會持續地在線優化和更新。圖4為松散回潮出口水分控制效果圖，其中橫坐標為序列，縱坐標為均值偏差，由圖4可知，控制前出口水分均值偏差為0.151，控制之后均值偏差減小為0.098，減小34%，控制后水分更加穩定。模型在實際上線控制過程中，由于現場工況的復雜性，煙塊直接進入滾筒的不連續性給加水的控制帶來了一定的難度，在適應煙塊進入滾筒的不確定性及進口物料不連續性方面，模型仍需改進優化。

4" 結論

基于模型預測的松散回潮出口水分控制，首先是根據調研分析對數據入口水分的缺失進行傳感器的補充，收集歷史數據，根據相關性分析篩選出松散回潮出口含水率的主要影響因素。然后基于歷史數據分別采用多元回歸分析法和神經網絡法建立松散回潮工序出口含水率的預測模型，并選取某煙廠的生產數據對2種模型的效果進行驗證對比。其中，多元線性回歸模型和神經網絡模型預測平均相對誤差分別為0.3%和0.5%，表明多元線性回歸模型表現出更好的變化趨勢描述能力。因此基于多元線性回歸預測模型建立加水量實時在線優化控制模型，得到最優加水量并輸出到PID控制系統中，實際控制后松散回潮出口水分均值偏差減小34%，出口水分的真實值在設定值的允差（±0.5）范圍內，顯著提高了松散回潮出口水分控制的準確性和穩定性，調控滯后問題得到有效解決，控制過程的智能化和精細化水平得到了提升。

參考文獻：

[1] 李秀芳.煙片松散回潮關鍵工藝參數過程控制系統的優化設計[C]//中國煙草學會，2016：701-710.

[2] 陳曉杜，郭天文，曹琦.基于Elman神經網絡的卷煙制絲松散回潮出口含水率控制方法[J].安徽農學通報，2016，22（8）：118-119，136.

[3] 范勇，鄭利鋒，龐天航，等.煙葉松散回潮含水率控制方法的優化[J].輕工科技，2019，35（4）：123-125.

[4] 宋杰.穩定超級回潮機出口水分[J].山東工業技術，2017（1）：219.

[5] 董偉，李坤，王健，等.HAUNI松散回潮滾筒含水率控制系統的改進[J]．煙草科技，2012（11）：20-25．

[6] 許明艷.基于ARIMA模型和BP神經網絡模型的江蘇省GDP預測分析[D].濟南：山東大學，2020.

[7] 邱錫鵬.神經網絡與深度學習[M].北京：機械工業出版社，2020.