基于大数据的烘丝出口水分预测与管控调整研究

牛丽娜，阎 瑾

（河北中烟工业有限责任公司 技术中心，河北 石家庄 050051）

进入21世纪后，烟草逐渐发展成国际市场上的主要经济作物。随着烟草行业的快速发展，部分国家的财政收入得到了提升。当然，烟草行业的迅速发展离不开科学技术的支持。烘丝过程作为卷烟工艺的最后一道工序，也是最关键的一道工序，主要是对烘丝机的温湿度进行调整以控制烟丝的含水率，而烟丝含水率是制丝工艺阶段的核心控制参数。若烟丝处于潮湿状态，烟支中的烟气、燃吸品质等会受到严重影响。因此，烟丝的含水率必须严格控制在标准范围内，过高或过低都会影响烟支的整体质量和其他烟支的参数。目前为止，烟丝水分的控制基本发生在制丝阶段，此阶段需检测烘丝出口的含水率，若烟丝水分过多，工作人员会将烘丝机温度调到最佳，但此方式无法精准控制烟丝含水率，这也是一直困扰卷烟企业的地方。大数据分析挖掘平台可详细分析烘丝过程中的设备运行状况、工艺以及环境等参数，以实现精准预测。

1 烘丝水分预测模型管理

1.1 业务概述

烘丝出口水分预测的主要工作是利用大数据平台有效挖掘并分析制丝数据，将此阶段包含的工艺参数、控制参数作为研究对象进行分析，利用分析结果进行模拟或者抽象检测，最终构建烘丝出口水分预测模型[1]。根据模型可得到反映现实发展的规律，结合历史制丝数据对现在的烘丝出口水分进行精准预测，如图1所示。预测模型并不是一成不变的，本身会自动更新，而大数据分析挖掘平台会自动更新其中的数据库来保证预测结果的精准性，形成适用于当前生产的预测模型。

图1 预测控制基本结构

1.2 样本数据分析

烘丝出口水分预测模型主要收集生产时间、批次号、入口温度、水分以及烟丝牌号等，还有烘丝机入口前的风量、热风的温度以及出口水分等数据。烘丝机出口水分是一个关键的因变量，而入口水分、入口流量、入口温度、热风温度、热风风量、阀门开度、蒸汽流量、薄板温度是烘丝机入口的自变量。

1.3 样本数据处理

通过搜寻历史制丝数据并筛选、深挖其中的重要数据，将一些陈旧无用的数据修正或直接删除。对历史生产数据进行初步研究并发现其特殊性，对数据分析和数据建模有很大帮助[2]。

1.4 模型选择

在选择预测模型的过程中，提升预测准确度是主要目的，而一般的预测模型还包括不同的线性回归与逻辑回归等。由此可见，在烟丝水分预测过程中，最应该关注的问题是超标以后的数据，同时确保超标样本占比最小。此外，预测结果的精准度应较高。通过上述两点可以看出，多元回归更适用于出口水分预测模型的构建。一方面，多元回归的本质是自变量与因变量之间的相互关系；另一方面，两者之间的函数关系虽然没有特别明确，但是可通过深度挖掘找到其代表性表达形式。

1.5 模型构建

模型的构建主要是利用建模工具和样本数据进行配合的过程，利用数据挖掘分析流程对样本数据进行训练分析，最终结果将被直接用于烘丝出口水分预测[3]。

1.6 模型验证

模型验证是将所要测试的样本数据直接代入预测模型中，并分析预测结果，将实际采集的出口水分与分析结果进行比较。此过程包括最大与最小偏差分析，可确保预测模型的精度符合预测模型的评估要求。

1.7 烘丝水分预测模型持续优化

受时间的影响，设备结构以及设备状态等因素都发生了改变，这就意味着烘丝出口水分预测模型也必须进行优化升级。利用不同的数据挖掘分析工具收集更多的样本数据，保证烘丝出口水分预测模型与时俱进[4]。在实际的业务场景中，相关人员也应不断改善模型，确保有效评估实际应用效果。

2 烘丝水分管控模型管理

2.1 业务概述

为了解决烘丝水分控制过程中的滞后等问题，企业应采用自动学习控制模型，与此同时，增强控制模型的抗干扰能力以应对不同的突发状况。在实际应用过程中，企业应及时将生产相关信息上传至控制模型中，控制模型会自动调整控制建议，最大限度地提升控制的平稳性。

2.2 样本数据分析

在模型建立初期，应针对导入的制丝数据，利用噪音数据消除功能筛选历史制丝数据，最终形成训练样本，为模型的构建提供保障。此过程还包括烟丝牌号、烟丝水分等重要数据的采集[5]。在出口水分参数调整控制期间，烘丝筒中的任何一个参数自动转化为因变量，其他参数就转化为自变量。

2.3 样本数据预处理及探索

在第一次导入历史制丝数据的过程中，企业应对历史生产数据进行统一筛选，通过初步研究制丝数据确定其特殊性，确保其特殊性可有效发挥，这对数据建模与分析都有良好的辅助作用。样本数据的探索过程包括样本数据管理、审核以及存储。

2.4 模型选择

根据实际情况合理分析后选择控制模型是最关键的步骤，需充分结合业务的特点和要求，利用多元回归模型生成控制建议。对烘丝水分控制而言，最重要的是根据来料的实际情况及时作出精准调整，可以在已有的历史数据上应用决策树模型。决策树模型由两部分组成，可以将目标规划提前。决策树是一种决策支持工具，包括随机事件结果、资源代价和实用性，在运筹学中的使用次数较多[6]。由于业务的特点不同，可以对历史制丝生产数据进行分析，并借鉴以往的控制经验，通过反复测试，找到控制水平最好的经验，建立决策树并实现对烘丝水分的高精准控制。

2.5 模型构建

模型的构建主要是利用建模工具和样本数据进行配合的过程，利用数据挖掘分析流程对样本数据进行训练分析，最终结果将被直接用于烘丝出口水分控制。将需要进行测试的样本放在预测模型中，并对所测结果进行统一分析，以实际出口水分与分析结果为基础，比较两种数据，包括最大、最小偏差等，确保最终评测模型的精度。

2.6 烘丝水分控制模型滚动优化

受时间的影响，设备结构以及设备状态等因素都发生了改变，这就意味着烘丝出口水分控制模型也必须进行优化升级。利用不同的数据挖掘分析工具收集更多的样本数据，保证烘丝出口水分控制模型不断更新[7]。

3 烘丝机出口水分预测与预警

烘丝机出口含水率在预测过程中应满足基本的预测要求，而集合中控利用所构建的预测模型可对烟丝的实时数据进行统一管理，准确预测含水率。

3.1 实时监测信息显示

实时监测信息展示的内容有入口参数、设备控制、生产概况、实际出口水分趋势、实际偏差以及最近预测等，并以图文结合的形式展示出来。

（1）当前情况包括生产时间、批次号、烟丝牌号、开始生产时间等。

（2）入口参数包括实时入口水分采集值、入口流量采集值。

（3）设备控制参数包括蒸汽流量、阀门大小、温度以及风量。

（4）出口水分预测环节包括超标警示、水分预测值显示。

（5）实际出口水分趋势：采用折线趋势图展现水分波动情况，对严重超标或已经超标的数据进行特殊标注，吸引用户的重视。

（6）最近预测与实际偏差：将两种数据统一分析后进行比较，根据偏差对两种数据评估预测模型的精准度，直接体现应用效果。

3.2 实时预警管理

用户可根据自身的需求申请调节预警下限，并通过调整间隔范围来有效区分不同级别的预警，不同级别的预警可以设置不同的颜色，方便用户快速了解预警状态。比较预测值与预警规则时，系统会根据不同的预警规则发出警报，如果出现超标的情况，系统也会通过水分控制模型自动调整控制参数，避免在实际生产过程中出现水分严重超标的情况。

3.3 历史数据对比分析

比较实际出口水分与预测的出口水分数据时，应客观地评测数据的精准性。用户也可根据自定义条件找出需要进行二次分析的数据。系统整体采用线状趋势图来展现两种情况下烟丝水分的重合度，并以此为依据评估预测模型的准确性。

4 烘丝机出口水分控制调整分析

烘丝机出口水分的有效控制应满足平稳、准确与及时三大特性，通过与制丝中控集成，采用流计算技术与烘丝出口水分模型对生产数据进行实时分析，确保水分控制达到最终目的。结合烘丝机设备参数与入口参数，在决策树中获取最合适的调整建议，协助用户在制丝过程中对烟丝含水率进行控制，达到高精准以及稳定的控制目的。如有水分超标现象出现，系统会自动将入口参数信息调整至最佳状态，并将任意一个参数作为调整对象，烘丝机的烘丝工序如图2所示。中控系统会自动提供出口水分调整模拟功能，协助用户快速决策[8]。出口水分调整功能会自动提供图形化的操作界面，将不同控制参数展示在中控系统信息台上，用户可以根据系统给出的参数进行调整改变。此外，系统也会对客户所调参数与实际生产参数进行比较，并利用出口水分预测模型进行预测，协助用户找到最佳参数调整值[9]。

图2 烘丝机烘丝工序

5 结语

基于大数据的烘丝出口水分预测与管控调整实现了制丝工艺烘丝段出口水分控制由被动查看向主动预测的转变。以科学控制代替传统的人工调制，在降低烟丝出口水分超标概率的同时，还提升了出口水分控制的平稳性和精准性，烟丝的生产质量较高。