基于机器学习的烘丝出口水分稳定性控制

李培茂 赵传民 何林洋 卓 亮 韩翔雨

（四川中烟工业有限责任公司绵阳卷烟厂，四川 绵阳 621000）

1 薄板式烘丝机结构、原理介绍

1.1 薄板式烘丝机结构

SH664P 型薄板式烘丝机主要由滚筒、输送转置、前室、后室、支架等部件和蒸汽系统、压缩空气系统、热风系统[1]3个系统组成。

1.2 烘丝机生产原理

在实际生产过程中，薄板式烘丝机经蒸汽预热、加热后的筒壁并与烟丝直接接触，被已经增温、增湿后的烟丝快速加热并蒸发水分，同时筒内的抄板也会不断抄起烟丝使其不断往前行进。该过程中烟丝与经过前室进入的热风进行均匀混合，通过热风的热对流加热，加速蒸发烟丝中的水分与青杂气，最终通过除尘系统排出。生产过程中的热量主要由蒸汽提供。一路蒸汽通过热交换器将热量传递给筒壁，通过加热筒壁来直接干燥烟丝；另一路蒸汽通过加热装置把热量传递给新风，通过热风来干燥烟丝。因此烘丝机是通过筒壁加热和热风加热来干燥烟丝的[2]。

烘丝生产过程一般划分为3 个阶段，即预热生产阶段、过程稳定生产阶段和尾料倒料阶段。在正式生产开始前，车间会对烘丝机设备进行提前预热，主要是通过蒸汽管路的初始压力设置和传动装置的提前设置，使设备快速由冷机工作环境向待生产热机环境过渡、切换，经过规定时间的预热后，正式切换到正常生产过程。在正常生产的初始生产阶段，由于进料流量低、筒内烟丝较少、筒内空气相对湿度低以及吸湿能力强等原因，烘丝出口处的部分烟丝会出现水分过干的现象，该过程一般称为料头。随着进料量增加和生产的正常推进，烘丝机出口处的烟丝水分逐渐大于8%。将持续3min 后的生产阶段定义为过程生产阶段[3]。当生产快接近尾声时，皮带秤在一段时间内检测不到物料，此时烘丝机进入快速倒料状态，烘丝机滚筒转速迅速提高，对进入滚筒的烟丝进行喷蒸汽加湿，以减少烟丝料尾量。

1.3 筒壁温度控制系统

在干燥过程中，筒壁起了主要加热作用，筒壁温度的控制不仅对出口烟丝含水率的稳定具有关键作用，还会影响烟丝工艺品质。压力调节器根据设定的压力值调节气动薄膜阀，从而调节蒸汽压力和流量，进而控制筒壁温度。从蒸汽压力变化到筒壁温度响应是2 个过程，先是饱和蒸汽压力增加，蒸汽温度升高，然后加热热交换器使，筒壁温度升高，但筒内容积不变，该热力学过程可视为饱和湿蒸汽定容升压过程。初始时刻，饱和湿蒸汽压力为p0，温度为t0，饱和湿蒸汽质量为m0，体积为v0，焓值为h0。当气动薄膜阀开启时，热交换器内的饱和湿蒸汽量增加，质量为m1，体积不变为v0=v1，压力升高为p1，焓值为h1。滚筒将热量传递给烟丝和热风，筒壁自身温度降低并吸收饱和蒸汽的热量，蒸汽热量由筒壁传递到热风与烟丝[4]，而滚筒外侧有一部分热量损失。筒壁温度的控制实际上是对筒壁压力进行控制，烘丝机饱和蒸汽压力的工作范围为0MPa～1MPa（约99℃～183℃），常用的经验公式为Antoine 经验公式，运用最小二乘法对试验值进行非线性回归，得出水的饱和蒸汽压的公式，如公式（1）、公式（2）所示。

式中：ps表示水在T℃时的饱和蒸汽。

2 烘丝段数据样本统计与处理

该文以天下秀（金）为研究烟丝配方号，利用制丝车间SPC 过程统计控制系统的数采参数体系采集、导出2022 年11 月—2023 年2 月期间的SIROX 段和烘丝段的所有数采参数原始过程数据，再利用该数据样本进行烘丝机过程水分预测分析。

2.1 异常数据处理

数据样本中将30s 作为数采参数间隔频率，其中批次物料量为4200kg 左右，对应批次内正常物料流量为4000kg/h，因此单批数采点数为110 个左右。针对过程原始数据可能存在的缺失、重复和异常等情况根据如下规则进行处理：1）针对缺失数据块，以均值化填充、连续行删除作为主要处理方法。2）针对连续行重复数据，需要结合对应时间点的生产状况判断是否停机、设备数采是否正常，进而决定是否删除重复行数据，只保留重复行的第一行数据。3）针对异常值数据，需要提前进行以3 个标准差为控制限的控制图分析，删除控制限上、下限以外的数据。

2.2 生产原始数据阶段划分

在实际生产过程中，由于工序段的物料流量、SIROX入口水分和出口水分的状态数值分别有对应的料空、料头、过程和料尾阶段，因此将在SIROX 入口处未持续检测到烟丝的阶段定义为SIROX 料空阶段；将持续检测到烟丝流量≥100kg/h 且延时3min 的阶段定义为SIROX 料头阶段（烘丝入口水分参数同步物料流量判定标准）；将经过正常生产阶段后，持续检测到烟丝流量≤100kg/h 且延时3min 的阶段定义为SRIOX 料尾阶段；将在烘丝出口处，出口水分≥8%且延时3min 的阶段定义为烘丝料头阶段；将经过正常生产后，出口水分≤8%且延时3min 的阶段定义为烘丝料尾阶段；将生产过程中除去料空、料头和料尾的剩余生产阶段定义为过程阶段。该文将着重研究料头阶段、过程阶段的水分过程预测与调整。

3 烘丝段数据分析

3.1 现状数据分析

选取2022 年11 月—2023 年2 月的SIROX 入口水分、烘丝机出口水分原始数据进行现状分析，发现在2022 年11—2023 年2 月期间，SIROX 入口水分批次间均值整体维持在20.3±0.3%，入口水分标偏整体为0.07，烘丝机出口水分批次内标偏整体为0.07。

3.2 参数关联性分析

对2022 年11 月—2023 年2 月的料头阶段、过程阶段的原始参数数据进行分析，寻找在料头阶段、过程阶段内与烘丝出口水分存在显著相关性[5]的参数及参数之间的关联性。

分析料头生产阶段的原始数据，发现烘丝机热风风速与烘丝机出口水分存在显著的二次线性相关性，并且通过二次线性回归进行验证，回归的R-Sq=78.9%，线性回归表达式如下：烘丝机出口水分实际值=-1184+6084×烘丝热风风速实际值-7725×烘丝热风风速实际值2。

对过程阶段的SIROX 段、烘丝段参数进行矩阵分析。由于SIROX 段阀前蒸汽压力在机理上会直接影响蒸汽体积流量，并且SIROX 段阀前蒸汽压力和蒸汽体积流量在数据上存在强线性关系，因此后续分析中只保留两者中的SIROX 段阀前蒸汽压力这一参数。

进一步研究发现，由于蒸汽压力和筒壁温度的换算关系呈直线性关系，因此后续分析不再考虑蒸汽压力参数。回水温度与筒壁温度参数也存在显著关联性，而排潮负压和排潮开度的关系却并不显著，因此均做保留。至于烘丝机内数值保持不变的参数，也要进行删除处理，包括“烘丝机蒸汽流量”“烘丝机蒸汽温度”和“烘丝机热风风机频率”，最终得到了用于构建烘丝机出口水分预测模型的数据样本。

4 构建烘丝出口水分预测控制模型

对烘丝机出口水分原始过程数据进行正态分布检验，检验结果显示：AD=26.001，P＜0.005，正态检验不通过，因此需要对烘丝机出口水分数据做BOX-COX 变换，以形成正态分布转换数据。关于参数的标准化处理，采用Z-Score 标准化对整体数据进行参数标准化。

首先，针对料头阶段数据，运用Tree Net 算法[6]，将原始标准化数据中的烘丝机出口水分作为响应变量，将SIROX段、烘丝段剩余参数作为解释变量，以平方误差为损失函数，以最大R2为选择最优树数量的标准，用5 折叠交叉验证进行模型验证，模型学习速率为0.01032，以模型最大终端节点数为6、最小终端节点数为3、子样本部分为0.5 进行学习，构建最优树数为300的烘丝出口水分料头部分的TreeNet回归，整体模型R2为95.3%。根据模型得出的参数因子效应的前6名排序和数值分别为烘丝前秤物料累积量（100）、SIROX 阀后蒸汽压力（10.8）、热风温度（9.1）、烘丝入口水分（8.2）、烘丝热风风速（7.3）和SIROX 阀前蒸汽压力（6.2）。

模型训练与预测效果对比图如图1 所示（标准化数据还原后）。

图1 TreeNet 模型评价指标图

根据料头阶段烘丝出口水分的Tree Net 回归模型，并结合料头阶段烘丝出口水分与热风风速的二次线性关系，得出以筒壁温度、热风风速作为输出并控制料头阶段水分快速、稳定爬升的措施。

在烘丝生产过程中，热风风速PID[7]控制单元主要以输入的烘丝出口水分实际值与目标值的偏差水平来调节热风风速。在料头生产开始阶段，烘丝出口一段时间内无法检测到物料，但入口处物料仍不断进入筒内，热风风速的爬升根据预先设定的步骤进行调整，直至烘丝出口检测到烟丝物料后，热风风速PID 才接入线性回归控制。但热风风速起始控制状态可能会发生一定波动，造成料头阶段向稳定阶段过渡的时间变长。由于入口烟丝状态的变异持续性输入烘丝筒内，而烘丝出口又持续未检测到烟丝，不能对入口烟丝的变异做出一定调整，因此需要对热风风速PID 进行优化，主要是调整、优化PID 参数的I参数。改进后的热风风门PID联动控制逻辑为I=f（n，E，t，γ，T），n为入口流量，E为入口水分，t为热风温度，γ为热风风门开度，T为筒壁温度。引入入口烟丝状态数值，在热风风速的负反馈调节中加入前馈调整，使料头生产阶段的热风风速能对入口烟丝变异做出一定的反应与调整。

其次，针对过程阶段原始数据，运用Random Forests 算法[8]，在原始标准化数据中将烘丝机出口水分作为响应变量，将SIROX 段、烘丝段剩余参数作为解释变量，随机选择80%样本为训练集，20%样本为测试集，将最小内部节点设置为5，为进行节点拆分而选定的预测变量数为4，构建Bootstrap样本数为300、R2为87.73%的Random Forests 回归模型。根据模型得出的参数因子效应前6 名排序和数值分别为SIROX阀后蒸汽压力（100）、烘丝前秤累积量（21.4）、烘丝阀前蒸汽压力（17.5）、一区筒壁温度（17.5）、二区筒壁温度（15.6）和烘丝入口水分（15.5）。

模型训练与预测效果对比图如图2 所示（标准化数据还原后）。

图2 Random Forests 回归模型评价指标图

根据过程阶段烘丝出口水分的Random Forests 回归模型，并结合过程阶段烘丝出口水分与筒壁温度的一次线性关系，得出以筒壁温度作为输出并控制过程阶段水分回调、收敛的措施，并针对筒壁温度的PID参数进行D值优化，来抑制筒壁温度设定值与实际值的偏差Δt，从而稳定筒壁温度的过程波动。

5 验证预测调整效果

对过程参数以30s 为间隔进行数据采集，在料头阶段、过程阶段，利用机器学习算法实时计算出对应参数体系下的烘丝机出口水分预测范围，并显示热风风速、筒壁温度的调整范围。操作人员根据输出结果进行试生产过程验证调整，连续验证30 批烘丝生产数据，最终统计出模型输出预测的烘丝出口水分标偏数据，见表1。

表1 烘丝机出口水分预测标偏统计表

结果数据显示，在实际生产过程中，应用机器学习训练出的烘丝机出口水分预测模型整体预测出的烘丝机出口水分标偏均值为0.04 左右，模型也能较灵敏地捕捉批次间水分波动趋势，说明该模型并未过拟合，可以较好地解释烘丝过程中的水分变化逻辑。

6 结语

该文通过烘丝过程参数数据分析，寻找出影响薄板式烘丝机过程关键水分点的参数及其相关关系，结合薄板式烘丝机设备原理与控制系统，利用随机森林算法对生产过程样本数据进行水分预测，并根据现场操作流程和经验，制定相应的烘丝出口水分干预、调整的量化措施，指导、辅助操作人员在烘丝出口水分发生变化的情况下及时做出调整且幅度适当，以控制过程水分稳定性。