基于大数据分析的烘丝机出口含水率智能控制方法

熊 金，陈小林，李飞宇，余兴华，许春林

（重庆中烟工业有限责任公司涪陵卷烟厂，重庆 408000）

烘丝机是烟草制丝生产过程中的关键设备，其功能是对叶丝进行干燥处理，叶丝干燥处理过程对烟丝物理指标和感观等内在质量影响较大，在所有制丝环节中，烘丝机的烘丝效果起着非常重要的作用。而要保证烘丝效果，就要保证其过程控制稳定。在烟草质量控制四稳定因素流量、温度、水分、组分中，流量、组分、温度较为稳定，要保证烘后烟丝质量就是要控制好烘丝入口水分。如果要得到稳定的来料水分，就需要稳定SIROX 膨胀单元水分，而膨胀单元水分又依赖于生丝水分等因素的稳定，以及前一级加料出口和贮柜后水分的稳定。本方法的意义就在于通过建模对前工序的水分做出更为精准的预测和控制，从而实现来料水分稳定，最终降低烘丝出口水分偏差，保证烘后烟丝质量。

1 本控制方法的先进行和创新性

本方法基于制丝过程的历史工艺数据分别构建制丝过程的环境温湿度预测模型、烘丝入口水分预测模型、加料出口水分预测模型以及烘丝出口水分预测模型，并基于这些预测模型为制丝过程的各环节水分控制提供指导。

方法的创新性主要体现在：拟采用的集成学习方法是结合多个模型算法，从而提高整体的准确性，进而得到更好的预测结果。基本思想是通过学习多个弱学习器结合组合策略组成强学习器。例如，GBDT 回归是一种较为优质的集成学习方法，其基本原理是通过多轮迭代，每轮迭代产生一个弱分类器（利用cart回归树构建），每个分类器在上一轮分类器的残差基础上进行训练。主要优点包括：可以灵活处理各种类型的数据，包括连续值和离散值；在相对少的调参时间情况下，预测的准确率较高；使用一些健壮的损失函数，对异常值的鲁棒性非常强。

先进性主要体现在：①基于先进的人工智能与机器学习方法，基于事实数据建立制丝各主要环节的回归预测模型，相比传统基于人工经验和简单统计的方法具有更高的准确性和客观性；②利用机器学习方法特有的评价指标体系进行模型调整和修正效率也较人工方法高，同时构建的模型能够基于不断累积增长的历史数据进行自更新自学习，保持模型的实时有效性，数据量越大模型预测准确性越高；③利用机器学习方法能够有效判断哪些控制指标更容易影响制丝过程的水分控制，从而为未来制丝工艺的升级改造提供数据支撑。

2 本控制方法的主要内容

经过回潮后的烟叶进入加料工序添加料液和水，加料机根据入口水分实际值和出口水分设定值的差值，适时添加合适的加水流量以达到工艺标准值（加料出口水分设定值），加水后的烟叶进入贮叶柜贮存，贮叶时间2～36h，满足贮叶时间再根据需要放至叶丝段进行增温增湿和烘丝。

在过程控制中，烘丝机出口含水率主要影响因素有入口含水率、筒壁温度、烟叶牌号、烘丝入口流量等，而烘丝入口含水率又主要受到叶丝增温增湿入口含水率、蒸汽流量等因素的影响，其中叶丝增温增湿入口含水率又主要受加料机出口实际水分、总加水量、贮叶时间、烟叶牌号、当批生产时环境温湿度等因素的影响。由于在加料机加水时，无法预测几小时甚至1d 后的叶丝增温增湿入口环境温湿度，即使加料机出口水分均值、总加水量、贮叶时间都一样的情况下，如果环境温湿度相差较大，叶丝增温增湿入口含水率变化也相当大，导致烘丝入口水分波动大，不利于烘丝出口水分工艺指标的稳定受控。当前主要依靠操作人员根据历史加水量、温湿度，并预测叶丝增温增湿处的温湿度，调整加料机出口水分设定值，使加料后物料水分适应烘丝生产时的环境温湿度，从而保证叶丝增温增湿入口含水率稳定、CPK 达标，最终使烘丝出口水分偏差合格。由于人工估算误差大，不同经验的人预估结果也不一样，迫切需要建立一套基于历史数据，并根据历史数据进行学习的预测模型的系统。

本控制方法基于数据采集和机器学习算法，通过研究四组正向仿真预测模型，即叶丝增温增湿入口环境温湿度预测模型、叶丝增温增湿入口含水率正向预测模型、烘丝入口含水率正向预测模型、烘丝出口含水率正向预测模型，建立制丝线重点工艺参数与环境温湿度间的关联模型，通过三组反向控制预测模型，即烘丝入口含水率反向控制预测模型、叶丝增温增湿入口含水率反向控制预测模型、加料出口含水率反向控制预测模型，自动预测加料机出口所需水分设定值，并自动计算加水量以满足预设出口水分要求，预测数据通过数据接口方式发送给PLC，达到所需的加料出口水分，以保证贮叶不同时间后，在相应温湿度情况下，叶丝增温增湿入口水分稳定，烘丝入口水分稳定，最终降低烘丝出口水分偏差。基本思路如图1所示。

图1 烘丝机出口含水率智能控制方法基本思路图

基于以上思路，建立以下几个预测模型：

2.1 叶丝增温增湿入口环境温湿度预测模型

（1）按小时级粒度获取制丝车间地理位置的天气数据（空气温湿度），同时按相应的数据获取时间，抓取车间叶丝增温增湿入口含水率水分仪附近温湿度检测仪记录的环境温湿度数据，以完整的1a 周期数据量最佳，构建模型所需数据集。

（2）基于天气数据与车间工艺段环境温湿度数据，基于数据回归模型，建立叶丝增温增湿入口环境温湿度预测模型，该模型可以基于未来天气预报情况（空气温湿度）对叶丝增温增湿入口环境温湿度变化情况进行精准预测。

2.2 叶丝增温增湿入口含水率正向预测模型

（1）获取烟叶品牌，根据制丝过程按分钟粒度，获取加料机出口烟叶温度和含水率、贮叶时间（2～4 h）、叶丝增温增湿入口叶丝温度和含水率、叶丝增温增湿工艺段环境温湿度等数据，以完整的1a周期数据量最佳，构建模型所需数据集；

（2）分别以加料机出口烟叶温度和含水率、叶丝增温增湿入口烟丝温度和含水率为预测对象，基于数据回归模型，基于加料机出口烟叶温度和含水率、贮叶时间、叶丝增温增湿入口环境温湿度等特征预测叶丝增温增湿入口含水率。

2.3 烘丝入口含水率正向预测模型

（1）获取烟叶品牌，根据制丝过程按秒粒度，获取加料机入口烟叶流量、加料机加水量、出入口烟叶温度和含水率、补偿蒸汽流量、工艺段环境温湿度，以及《叶丝增温增湿入口环境温湿度模型》预测的叶丝增温增湿入口环境温湿度等数据，以完整的1a 周期数据量最佳，构建模型所需数据集；

（2）分别以加料环节出口烟叶温度和含水率、加料机加水量为预测对象，基于数据回归模型，基于入口烟叶温度和含水率、入口烟叶流量、加料机加水量、补偿蒸汽流量、加料机环境温湿度、《叶丝增温增湿入口环境温湿度模型》的叶丝增温增湿入口环境温湿度等特征预测叶丝增温增湿出口含水率，即作为烘丝入口含水率值。

2.4 烘丝出口含水率正向预测模型

（1）获取烟叶品牌，根据制丝过程按秒粒度，获取叶丝增温增湿入口含水率、烟叶牌号、烘丝入口流量、烘丝出口水分设定值、热风温度、热风流量，排潮负压、烘丝筒温等数据，以完整的一年周期数据量最佳，构建模型所需数据集。

（2）分别以烘丝机出口含水率和烘丝筒温为预测对象，基于数据回归模型，基于叶丝增温增湿入口含水率、烟叶牌号、烘丝入口流量、烘丝出口水分设定值、热风温度、热风流量，排潮负压、烘丝筒温等特征，预测烘丝机出口含水率。

2.5 烘丝入口含水率反向控制预测模型

烘丝入口含水率反向控制预测模型，是基于烟叶牌号、烘丝出口水分设定值、烘丝入口流量、热风温度、热风流量，排潮负压等特征，预测烘丝筒温控制值及烘丝入口含水率控制目标值。

2.6 叶丝增温增湿入口含水率反向控制预测模型

叶丝增温增湿入口含水率控制预测模型，是基于烟叶牌号、《烘丝入口含水率反向控制预测模型》预测的烘丝入口含水率控制目标值、叶丝增温增湿入口叶丝流量、补偿蒸汽流量、《叶丝增温增湿入口环境温湿度模型》预测的环境温湿度等特征，预测叶丝增温增湿入口含水率控制目标值。

2.7 加料出口含水率反向控制预测模型

加料出口含水率控制预测模型，是基于烟叶牌号、《叶丝增温增湿入口含水率控制预测模型》预测的叶丝增温增湿入口含水率控制目标值、贮叶时间、《叶丝增温增湿入口环境温湿度预测模型》预测的环境温湿度等特征，预测加料出口含水率控制目标值，从而自动计算出所需加水量。

2.8 模型验证与迭代完善

（1）基于建立的上述模型，利用最新产生的生产过程实际数据对模型进行验证，以此不断修正欠拟合或过拟合模型，实现模型参数的优化调整，不断优化模型预测准确性。

（2）将最新产生的生产过程数据加入训练数据集中，同时加入模型的自学习自更新机制，以月度或季度为迭代周期对预测模型进行更新迭代，不断完善预测模型，模型迭代示意见图2。

图2 模型迭代示意图

3 控制方法的结果

本系统将建立一套依托全变量的管板烘丝机出口含水率预测控制系统，面向工业化大数据，对数据进行存贮、整理、训练、测试，生成4套预测模型。①基于天气数据与车间工艺段环境温湿度数据，建立叶丝增温增湿入口环境温湿度预测模型；②以加料入口烟叶温度和含水率、入口烟叶流量、加料机加水量、补偿蒸汽流量、加料机环境温湿度，预测加料机出口含水率，建立加料机出口含水率预测模型；③基于加料机出口烟叶温度和含水率、贮叶时间、《叶丝增温增湿入口环境温湿度预测模型》预测的叶丝增温增湿入口环境温湿度等特征预测叶丝增温增湿入口含水率，生成叶丝增温增湿入口含水率预测模型；④利用叶丝增温增湿入口含水率、叶丝增温增湿蒸汽流量、含湿量、烟叶牌号、烘丝入口流量、烘丝出口水分设定值、热风温度、热风流量，排潮负压、烘丝筒温等变量预测烘丝机出口含水率，建立烘丝出口含水率预测模型。

基于以上构建的四类预测模型，能够较好地形成叶片加料、贮叶、叶丝增温增湿、烘丝这几个制丝过程的烟叶含水率闭环预测体系，反映出加料入口、料机出口、增温增湿入口与烘丝出口的烟叶含水率与输入参数、环境参数以及控制参数间的关联关系，从而建立各工序节点的烟叶质量管理机制，并且能够基于未来天气变化情况预测生产环境温湿度参数变化趋势。在此基础上构建的加料机加水量控制机制，能够有效利用环境参数预测和生产输入参数动态调节加水参数，使制丝过程各环节烟叶含水率趋于稳定，并最终降低烘丝机出口水分偏差，提升工艺指标对标值。

4 结束语

基于大数据分析的烘丝机出口含水率智能控制方法，是建立在制丝过程的大量历史数据分析的基础上，分别构建正向仿真预测模型，通过预测的准确性选择合适的模型算法，从而建立各工序节点的烟叶质量管理机制。然后通过反向控制模型层级推导，自动预测加料机出口所需水分设定值，并自动计算加水量以满足预设出口水分要求，使SIROX 入口、烘丝入口水分稳定，从而控制好烘丝机出口含水率，提升工艺指标。