基于时序数据库与深度学习的制丝实时数据应用研究

顾茜，钱继春

厦门烟草工业有限责任公司，信息技术部，福建省厦门市海沧新阳工业区新阳路1号 361022

叶丝干燥作为制丝过程的一道重要工序，其加工强度直接影响卷烟的感官质量[1]。相对于滚筒干燥，气流干燥由于加工时间短，加工稳定性要明显低于滚筒干燥。某卷烟工厂的新型气流式烘丝机为CDT-5L，工序的设备运行参数超过50项，生产过程中气流干燥出口叶丝含水率波动大，造成后续工序的物料含水率不稳定，成品烟丝质量下降。近年来，针对气流干燥阶段水分控制的问题已进行了较多研究[2-6]，其中，许冰洋等通过收缩特性分析准确表征了叶丝脱水过程中的干燥动力学特性[2]；张二强等通过气固流动数值模拟，提出添加弧形导流板结构使得烟丝颗粒在干燥塔内的分布更为均匀[3]；周冰等基于贝叶斯网络分析方法构建了以工艺参数为节点、影响关系为路径、影响大小为路径参数的网络模型，通过定量分析工艺参数间的关系，对关键控制参数进行优化调整[5]。上述研究成果有效指导了气流干燥的生产过程控制，但对于加工过程细粒度控制尤其是干燥料头关键控制的研究较少，实际生产过程中严重依赖基于人工经验的决策。

制丝生产的过程数据是典型的时序数据，常见的时间序列预测模型包括指数平滑、移动平均自回归（ARIMA）模型等基于统计方法的预测。近年来，深度学习技术在时序数据上的应用研究也不断深入，循环神经网络模型（RNN）已被证明能较好地捕捉事物的时间规律，被广泛应用于机器翻译、语音识别等问题中[7-9]。……