基于数据拓扑的烟草企业批次生产质量追溯模型设计

王时骏 程思军 钟琳 张立冬 魏佳

摘要：为提高烟草企业批次生产质量追溯能力，提出基于数据拓扑的烟草企业批次生产质量追溯模型。构建烟草生产流程的数据拓扑模型，利用数据拓扑模型进行烟草企业批次生产质量信息采样，为追溯系统提供可用数据。通过计算生产质量追溯初始分布值的估计值获取生产追溯强度及分布结果，在此基础上，分析追溯系统的频率分布，综合上述步骤实现烟草企业批次生产质量追溯。仿真结果表明，采用该方法进行烟草企业批次生产质量追溯的实时性较好，动态追溯能力较强，对产品质量的信息定位能力较好。

关键词：数据拓扑;烟草企业;批次;生产质量;追溯模型

中图分类号：TP399

文献标志码：A

DesignofTraceabilityModelforBatchProductionQualityof

TobaccoEnterprisesBasedonDataTopology

WANGShijun，CHENGSijun，ZHONGLin，ZHANGLidong，WEIJia

（

ChinaTobaccoHubeiIndustrialCo.Ltd.，Wuhan430040，China

）

Abstract：Inordertoimprovethetraceabilityabilityofbatchproductionqualityoftobaccoenterprises，atraceabilitymodelofbatchproductionqualityoftobaccoenterprisesbasedondatatopologyisproposed.Thedatatopologymodeloftobaccoproductionprocessisconstructed，andthedatatopologymodelisusedtosamplethebatchproductionqualityinformationoftobaccoenterprises，whichprovidesavailabledataforthetraceabilitysystem.Bycalculatingtheestimatedvalueoftheinitialdistributionvalueofproductionqualitytraceability，theproductiontraceabilityintensityanddistributionresultsareobtained.Onthisbasis，thefrequencydistributionoftraceabilitysystemisanalyzed，andtheabovestepsaresynthesizedtorealizebatchproductionqualitytraceabilityintobaccoenterprises.Thesimulationresultsshowthattherealtimeperformanceoftobaccoenterprisebatchproductionqualitytraceabilityisbetterbyusingthismethod.Thedynamictraceabilityabilityisstrong，andtheinformationpositioningabilityofproductqualityisbetter.

Keywords：datatopology;tobaccoenterprise;batch;productionquality;traceabilitymodel

0引言

隨着烟草企业的改革发展，对烟草企业的生产和管理提出了更高的要求[1]，需要对烟草企业的批次生产质量进行优化追溯设计，提高烟草企业批次生产质量的全程监控能力，保障烟草企业批次生产质量的质量和安全，研究烟草企业批次生产质量的全程追溯体系具有重要意义[23]。

烟草企业批次生产质量的追溯体系是建立在烟草企业批次产品的信息特征提取基础上，设计基于物联网和RFID标签识别的烟草企业批次生产质量分布大数据全程追溯体系，采用物联组网检测技术进行烟草企业批次生产质量分布大数据空间融合[4]。传统方法中，对烟草企业批次生产质量追溯方法主要有模糊跟踪识别方法、物联网追溯方法等，以根据RFID标识对烟草企业批次生产质量的历史情况、所处的场所进行全程追溯追踪，但上述方法进行烟草企业批次生产质量追溯时，存在数据定位精度低，时间开销较大的问题[5]。

针对上述问题，本文提出基于数据拓扑的烟草企业批次生产质量追溯模型。经仿真实验分析，展示了本文方法在提高烟草企业批次生产质量追溯能力方面的优越性能。

1烟草企业批次生产质量追溯过程数值模拟

1.1烟草生产流程的数据拓扑模型

烟草企业批次生产质量全程追溯的概念指的是还原烟草企业批次生产质量的整个生产加工和流通的过程[67]。为实现基于数据拓扑的烟草企业批次生产质量追溯，采用网络组网进行烟草企业批次生产质量分布特征信息采集，烟草企业批次生产质量追溯体系的UHFRFID标签识别模型是一个系统，由感知层、网络层及应用层三个部分所组成[8]。总体结构如图1所示。

在烟草企业批次生产质量全程追溯过程中，采用三层网络体系设计方法，在信息感知层进行烟草企业批次生产质量追溯信息采样，采用射频标签识别技术进行批次生产质量追溯和特征采集，将采集的追溯源数据输入到中间层中进行自适应处理，完成烟草企业批次生产质量信息分布的空间存储[9]。

本文将采用数据结构重组方法获取烟草生产全过程质量信息监控的信息融合集合，并在集合中任意选取训练样本集，进行生产质量追溯的加权分布矩阵计算，并得到生产质量风险特征评估值。

采用数据结构重组方法进行烟草企业批次生产质量追溯信息源结构重组，分析其特征分布情况，获取追溯系统中烟草生产全过程质量信息监控的信息融合集合如式（1）。

P={p1，p2，…，pm}，m∈N

（1）

其中，m为烟草企业批次生产质量追溯源的规则性向量集，在融合集合中任意选取质量信息属性集，并作为向量量化特征分解的训练样本集pm，其中烟草生产全过程质量信息的分布式存储的量化特征集为m，结合自适应的融合调度方法，得到烟草企业批次生产质量追溯的加权分布矩阵形式如式（2）。

S=mφ×α

（2）

在上述公式中，烟草企业批次生产质量追溯的模糊关联特征量φ=φ1，φ2，…，φn表示烟草企业批次生产质量追溯的统计特征量;α=α1，α2，…，αn表示模糊决策向量。假设烟草企业批次生产质量追溯的分组转发模型为G（O）=（V，E，LV，LE，μ，η），根据烟草企业批次生产质量追溯输出的异常性进行实时动态监测，在正交分布矩阵的右侧乘T，则得到烟草企业批次生产质量风险特征评估值如式（3）。

αi=TxG（O）

（3）

采用数据拓扑挖掘方法，从i个烟草企业批次生产质量追溯的随机分布向量，选取j个向量构成烟草企业批次生产质量追溯检测的变换矩阵A，即：A=φ1，φ2，…，φj，i

采用相空间重构方法实现烟草企业批次生产质量追溯的数据结构重组和拓扑设计，提高烟草企业批次生产质量追溯的动态性。

1.2初始分布值的选取

在2.1构建的数据拓扑模型进行烟草企业批次生产

质量信息采样。xn-i表示分布大数据属性集的模糊分布自相关量，ηn-j表示分布大数据属性特征向量的有限学习向量分布集，则烟草企业批次生产质量分布大数据信息流重组模型如式（4）。

xn=a0+∑MARi=1aixn-i+∑MMAj=0bjηn-j

（4）

对于烟草企业批次生产质量分布大数据的标量时间序列为x（t），t=0，1，…，t，结合模糊RFID跟踪识别方法，得到烟草企业批次生产质量信息分布值的选取函数如式（5）。

Xpu=x（t）xnTsc（t）e

（5）

其中，sc（t）表示信息匹配检测时间序列，e表示信息检测的模糊聚类特征量，T表示追溯源的关联系数，采用模糊关联规则调度方法，进行烟草企业批次生产质量追溯。

1.3生产追溯强度及分布计算

在上述构建的烟草生产流程的数据拓扑模型及初始分布值获取的基础上，进行烟草企业批次生产质量追溯模型的优化设计。本文提出基于数据拓扑的烟草企业批次生产质量追溯模型。采用大数据挖掘方法，得到烟草企业批次生产质量追溯的初始分布值x（j）的估计值如式（6）。

x（j）=∑mj-1αj×φj+∑nj=m+1bj×φj

（6）

上式是通过最大似然估计方法进行烟草企业批次生产质量追溯的参量估计，根据特征估计结果进行烟草企业批次生产质量追溯的量化信息降维处理，得到烟草企业批次生产质量追溯的过程控制模型如式（7）、式（8）。

Δx=∑nj=m+1（aj-bj）×φj

（7）

ε2=∑ni=m+1Eai-bi2

（8）

其中，E表示烟草企业批次生产质量追溯的量化信息维度。

结合分组样本回归分析方法进行分组检测，取得ε2的最小值，风险评估的最佳统计量bi需要满足下述条件即式（9）。

ε2bj=bjE-2ai-bi

（9）

因此如式（10）。

bj=Eαj

（10）

根据以上分析，求得烟草企业批次生产质量追溯的信息負载分布模型，采用自适应寻优方法求烟草企业批次生产质量追溯的统计分布，当统计平均值Ex=1，则根据二乘拟合结果进行烟草企业批次生产质量的特征检测，得到统计特征量如式（11）。

bj=φTjEx

（11）

则生产追溯强度如式（12）。

Rh=∑nj=m+1EφTxxTφTj

（12）

其中，λj是烟草企业批次生产质量追溯监测的特征值x在特征分布区间R上的第j个原始特征向量值，φj是λj对应的原始特征向量值。计算烟草企业批次生产质量追溯大数据的波动系数，能够描述为q-k1-fq-k，得到质量追溯的最优分布参量估计值如式（13）。

（T）=qRh1-fbj

（13）

综上分析，结合统计特征分析方法进行烟草企业批次生产质量追溯的信息各种识别和量化评估。

1.4频率分布

建立烟草企业批次生产质量追溯的信息源特征分布模型，采用关联规则挖掘方法进行质量信息跟踪识别和大数据挖掘，挖掘烟草企业批次生产质量信息的关联规则属性集如式（14）。

Vp={V1，V2，…，Vp}

（14）

基于优先级属性调度方法，进行数据拓扑，得到烟草企业批次生产质量追溯的源分布结构模型如式（15）。

XV=[X1，X2，…，XV]=

x1x2…xV

x1+τx2+τ…xV+τ

…………

x1+（m-1）τx2+（m-1）τ…xM+（m-1）τ

（15）

其中V=N-（m-1）τ，构建图拓扑结构模型，干扰分量为p（ek|vk），烟草企业批次生产质量信息追溯频率如式（16）。

μik=1XVVpp（ek|vk）

（16）

采用关联规则挖掘方法进行烟草企业批次生产质量信息跟踪识别和大数据挖掘，得到追溯输出描述如式（17）。

Uvi=βvilog（1+μik∑Kj=1SvieTjRCjnCj），vi∈v，Cj∈C

（17）

通过式（17）完成烟草企业批次生产质量追溯。为检验本文方法的有效性及可行性，需进行仿真实验。

2仿真实验与性能分析

为测试本文方法在实现烟草企业批次生产质量追溯中的应用性能，进行仿真实验分析。仿真硬件环境为：选用256MB内存，CPU主频为1.0GHz，操作系统为Windows10的PC端进行仿真实验。软件环境为：利用Matlab/Simulink中simPowerSystemsMl工具箱建立系统仿真模型，并在模型中应用MLIB和MTRACE提升本文模型的自动实验能力[10]，对烟草企业批次生产质量追溯的样本信息采样数据库来自于TobaccoDatabase[11]，对烟草企业批次生产数据样本集大小为1200，烟草企业批次生产质量的训练数据集规模为80，信息采样的时间长度为50，特征重构的维数为12，采样时间延迟为0.59，对烟草企业批次生产质量追溯的收敛性判断阈值为0.75[12]，根据上述仿真环境和参数设定，进行烟草企业批次生产质量信息采样和聚类处理，得到原始的烟草企业批次生产质量信息分布，如图3所示。

以图3的数据为输入，进行本文方法的性能检测。

2.1烟草生产质量追溯结果

以图3的数据作为样本输入，进行质量追溯，得到以下结果，如表1所示。

2.2质量追溯的定位精度

采用数据结构重组方法进行烟草企业批次生产质量追溯信息源结构重组，得到数据拓扑结果。采用本文方法进行烟草企业批次生产质量追溯，通过数据拓扑，实现特征重构，提高了质量追溯能力。测试不同方法进行烟草企业批次生产质量追溯的定位精度，如表2所示。

分析得知，采用本文方法进行烟草企业批次生产质量追溯的定位精度较高。

2.3时间开销

采用烟草企业批次生产质量追溯的时间开销，如表3所示。

分析表3得知，本文方法进行烟草企业批次生产质量追溯的时间开销较短。由于本文通过烟草企业批次生产质量的模糊分布自相关量及有限学习向量分布集进行分布大数据信息流重组模型，并结合模糊RFID跟踪识别方法，选取可用信息分布值，在一定程度上减少了时间的开销。

3总结

为提高烟草企业批次生产质量的全程监控能力，保障烟草企业批次生产质量的质量和安全，本文提出基于数据拓扑的烟草企业批次生产质量追溯模型。构建烟草企业批次生产质量追溯的统计信息分布模型，采用数据结构重组方法进行烟草企业批次生产质量追溯信息源结构重组，建立烟草企业批次生产质量追溯的信息源特征分布模型，采用关联规则挖掘方法进行烟草企业批次生产质量信息跟踪识别和大数据挖掘，结合统计特征分析方法进行烟草企业批次生产质量追溯的信息各种识别和量化评估。分析得知，本文方法进行烟草企业批次生产质量全程追溯的数据拓扑重构能力较好，对产品源的定位精度较高，时间开销较短。

参考文献

[1]

曾炼成，沈岳，彭佳红，等.基于UHFRFID标签的农产品可追溯系统研究[J].安徽农业科学，2010，38（26）：1473414735.

[2]李梦寻，刘宏志.基于物联网的食品安全监理模型研究[J].食品科学技术学报，2011，29（2）：5457.

[3]YoucefAMIRAT，ArnaudMü，NCH.OntheControllabilityofanAdvectiondiffusionEquationwithRespecttotheDiffusionParameter：AsymptoticAnalysisandNumericalSimulations[J].ActaMathematicaeApplicataeSinica，EnglishSerie，2019，35（1）：54110.

[4]YeM，QianY，ZhouJ.Multitasksparsenonnegativematrixfactorizationforjointspectralspatilhyperspectralimagerydenoising[J].IEEETransactionsonGeoscienceandRemoteSensing，2015，53（5）：26212639.

[5]SAHUPK，MANNAK，SHAHN，etal.ExtendingKernighanLinpartitioningheuristicforapplicationmappingontoNetworkonChip[J].JournalofSystemsArchitecture，2014，60（7）：562578.

[6]王建華，李硕.合作社在农产品质量安全管理中的功能定位与发展路径[J].江南大学学报（人文社会科学版），2018，17（4）：4450.

[7]周浩然，张越.信息化引领下医院消毒灭菌质量管理追溯的实践研究[J].内蒙古医科大学学报，2018，40（S1）：431434.

[8]程玉桂，付丹丹.基于第三方监管机构的可追溯安全农产品信任博弈[J].南昌航空大学学报（自然科学版），2016，30（1）：7985+91.

[9]林宇洪，胡连珍，蒋新华，等.基于二维码的农超对接供应链追溯系统的设计[J].黑龙江八一农垦大学学报，2015，27（6）：8387.

[10]NIEXiaowei.RadarsignalpresortingbasedonKmeansalgorithm[J].ElectronicScienceandTechnology，2013，26（11）：5558.

[11]JUCH，ZOUJB.Anincrementalclassificationalgorithmfordatastreambasedoninformationentropydiversitymeasure[J].TelecommunicationsScience，2015，31（2）：8696.

[12]JUCH，ZOUJB.Anincrementalclassificationalgorithmfordatastreambasedoninformationentropydiversitymeasure[J].TelecommunicationsScience，2015，31（2）：8696.

（收稿日期：2019.08.13）