烘丝出口水分预测模型的建立

(红云红河烟草(集团)有限责任公司红河卷烟厂,云南弥勒 652399)

1 研究背景

薄板烘丝机是制丝线关键主机设备之一，也是保证成品丝水分的最后一道工艺设备，因此其运行的稳定性和可靠性直接影响到烘丝质量和成品烟丝品质。我厂制丝TT1烘丝机因设备性能受限、操作人员质控效果差异较大，导致批内、批间烟丝感官品质差异，烟丝物理质量以及感官品质的提升维护受到了限制[4]。因此，统一和规范烘丝出口水分质控方法刻不容缓。

2 数据说明及预处理

我厂红河A牌号卷烟年产占比在所有品牌内最大，因此本文选择红河A牌号为对象，研究探索影响烘丝机出口水分这一重要物理指标的因素，继而为实际生产中如何精益控制烘丝机出口水分提供参考和建议[1-3]。数据来源于我厂制造执行系统（MES）平台2019年6月-12月期间红河A牌号部分批次生产过程实时数据，按统一规则进行异常数据截取后，对各变量进行如下定义和说明，如表1所示。

表1 变量说明

3 预测模型建立及选择

绘制各参数的相关矩阵图，并结合相关性分析结果初步查看各参数之间的相关性以及烘丝出口水分与其它变量关系密切程度[6]。

表2 Y与自变量的相关性分析表

图1 烘丝段加工参数的相关矩阵图

结合图1、表2可看出，各自变量之间有明显的相关性，自变量与因变量相关性中有3个正相关变量，5个负相关变量，9个变量中最小相关性变量为X1。

分别使用多元线性回归、随机森林、决策树、支持向量机、mboost、bagging、神经网络七种回归模型对烘丝机出口水分变量进行回归，如表3所示。

表3 回归结果

从七种模型回归效果对比可以看出，mboost1、随机森林、bagging、神经网络的回归效果较好[7]。选用模型NMSE最小的mboost1，bagging、随机森林，提取训练集数据（原始数据前100行）做10折交叉验证回归，得到三个模型10折交叉验证NMSE回归结果，并绘制折线图，如图2所示。

图2 mboost、bagging、随机森林10折交叉验证结果对比

从三个模型10折交叉验证NMSE回归结果可以看出，三种方法回归效果没有一种在所有10折数据都占优势。从平均来看，随机森林要好些，bagging其次，mboost较差，因此可以随机森林是有效的烘丝机出口水分预测模型[8]。

4 结果及应用

理论与实践相结合，为验证上述预测模型算法的有效性和可利用性，我们将随机森林方法得出的结论转化为质控经验，并将其推广运用到烘丝岗位三个班次中进行效果检验[9]。跟踪统计模型应用前后烘丝出口水分标偏变化情况，绘制单值图，如图3所示。

由单值图可以看出，烘丝出口水分预测模型建立应用后，烘丝机出口水分标偏整体降低明显，且批次间控制稳定性得到了提升，说明通过本文建立的烘丝机出口水分预测模型是可用、有效的[10]。

图3 随机森林应用效果验证

5 结语

从实际应用效果分析，相比较传统传统经典统计回归模型来说，机器学习回归模型的建立不需要更多假定，是一种有效的回归方法，随着条件的日益成熟以及大数据的推广，预测精度也会越来越高。因此可机器学习法进一步推广应用到各个牌号各个加工工序，为解决质控难点痛点提供科学、有效、合理的支持，使得制丝生产过程优化更加有针对性，准确性。