基于RBF网络的卷烟质量检测与诊断探究

林洁 蒋海玲 叶雷 李倩

河北中烟工业有限责任公司 河北 石家庄 050000

引言

RBF网络全称为Radial Basis Function Neyral Network，中文名为径向基函数神经网络。作为一种三层神经网络，RBF神经网络包括输入层、隐藏层、输出层，其中，从输入层到隐藏层是非线性的，从隐藏层到输出层是线性的。RBF神经网络数据流过程如下：

图1 RBF神经网络数据流

输入层到隐藏层之间并非通过权值和阈值进行连接，而是凭借输入样本与隐藏层点之间的距离（与中心点的距离）达到连接的目的。先通过计算确定实际距离，将距离代入径向基函数，得到相应的数值。随后，再将该数值与权值相乘并求和，便可得到相应输入的输出。作为实值函数的径向基函数，其取值往往取决于原点距离，简单来说，就是以原点到中心点的距离为依据，通过计算的方式输出实值，离中心点越近，则输出值越大。

RBF神经网络强调以自身学习机制为依托，确保决策区域可自动形成。该技术不仅能够通过逐一训练状态不同的信息的方式，对相应的映射关系进行获取，而且具备连续学习的功能，其作用是在外界环境发生变化的情况下，使训练所得映射关系实现自适应。另外，该技术还新增了提取特征、变换信号模式等功能，现阶段主要被用来辅助实时监测、状态诊断以及离线诊断工作的开展，将神经网络应用在检测卷烟质量的过程中是大势所趋。

1 项目建设背景

在很长一段时间内，实验室对数据进行管理的方式均为人工管理，传统管理方式所存在问题较多，例如，管理效率难以提高，数据保密性较差，对数据关联度进行分析所得结论不全面，此外，随着生产规模的扩大，将有大量纸质报表及文件产生，无论是查找、日常维护还是更新工作，其难度均有目共睹。作为可使检测过程得到完善，确保卷烟质量得到实时监督的关键，数据处理系统所分析内容，通常会给决策层、管理层产生深远影响，在实际应用中，本系统可充分利用现有技术对仪器进行联网，确保仪器数据得到快速且全面收集，在此基础上，通过整理检测所得数据的方式，利用软件完成建模及综合分析操作，通过对数据挖掘模型进行建立的方式，确保质量分析工作具有符合项目特点的各类模型，并结合RBF神经网络算法对卷烟质量进行预测与分析，保证决策层以及管理层均能够做到以分析结果为依据，对卷烟日常生产提供科学指导，为管理层各项工作的开展提供便利[1]。

2 现有卷烟质量检测情况

技术中心现有检验仪器的类别涉及二十多类，各类检验仪器都需要检测人员手动拷贝仪器数据至电脑并向工艺质量平台进行上传，此外，检测人员还可以选择向申请部门提供检测文本，由申请部门根据文本数据完成后续工作。一部分仪器配有相应的网络接口及工业电脑，通常只需将其与网络进行连接，便可使检测数据被上传至相应的系统。例如，拉力仪、透气度测试仪、卷烟密度水分仪、含末率检测仪、检测卷烟薄膜所具有热收缩率的仪器等。对重金属、有机物进行检测的仪器，通常要借助仪器厂商所提供软件对数据进行分析，才能获得最终的检测结果[2]。与此同时，专业的技术人员还应当目测卷烟外观、包装，手工登记目测所发现的缺陷与不足，通过与纸质材料进行汇总的方式，得出卷烟的最终检测结果。

3 项目建设具体内容说明

本系统首先需要完成对实验室现有检测仪器的数据对接处理，确保检测原始数据可得到自动采集、处理及存储，与此同时，通过引入RBF神经网络算法，计算并分析原始数据，生成相应的文本报告或报表，利用图表对汇总数据进行分析，对卷烟质量结果进行分析与诊断，为日后卷烟生产工作的开展提供参考。结合整体规划可知，本项目的建设内容可被划分成以下部分：

3.1 存储数据

升级实验室没有进行电子化处理的仪器数据，根据本系统所提供数据规范，对各种格式的数据进行存储并应用，通过将固有屏障打通的方式，确保数据得到充分融合。

3.2 归集数据

基于大数据平台对下属烟厂和卷烟质量数据进行归集，将平台所归集数据和实验室数据关联，通过实验室数据整合卷烟质量数据、检测所得数据，确保业务系统与烟厂间所存在数据壁垒被打破，为质量数据库的建立提供支持。

3.3 建立模型

综合考虑数据规模、数据结构和存储结果，通过建模计算的方式，获得具有实际意义的分析结果。在分析计算过程中，本系统可经由数据集完成学习训练操作，对质量规律进行总结并建模，借助模型对生产质量所涉及各分析项加以确定[3]。

3.4 RBF网络应用

引入RBF神经网络算法，以辅材、卷烟各类检测项目的检测结果作为输入层数据进行接入，将各检测项目的国标、企标质量判定标准作为隐藏层进行计算标准，以各指标检测结果与国标、企标质量标准的距离为基础，结合径向基函数进行结果输出，由此来全面了解卷烟各类检测项目质量结果的分布情况[4]。

3.5 分析数据

以RBF神经网络输出的质量分布情况为基础，整合所得质量数据为依托，对质量分析应用进行构建，淘汰现有烟囱应用模式，避免出现线下上报以及各系统独立开展分析工作的情况。

3.6 生成报告

将历史数据导入质量评估模型，根据分析所得结果和调整所得数据，获得最终分析结果，利用文字与图表相结合的方式，对分析结果进行直观展示。在本项目中，可供选择的图表类型较多，包括但不限于散点图、彩虹图以及热力图，检测人员应酌情选用，以此来降低其他人员掌握分析结果的难度。

图2 RBF网络应用流程

4 数据处理系统开发必要性

4.1 数据采集方面

为保障数据的全面性与有据可查，通过全面对接实验室检测仪器，采集各类检测结果，将实验室实验原始数据进行采集与存储，保障数据完整性与溯源。

4.2 数据应用方面

根据各个部门情况和需求，基于质量数据平台对上传数据、检测数据和分析数据的流程进行开发，对于自动采集所得仪器数据，可采取经由数字化门户对应用模块进行建立的方案，确保检测数据能够及时得到分析与反馈，通过整合送检至分析全过程的方式，打造可被用来对卷烟质量进行检测的管理闭环[5]。

4.3 质量提升方面

通过对实验室各检测项目原始数据以及国标、企标质量判定标准的对接，多维度衡量卷烟质量，及时发现存在的缺陷，同时对卷烟质量进行量化分层评估，有效保障产品质量。

若以数据应用迫切程度为依据，可将该计划分成两部分，第一部分是频繁检测、亟待分析的数据，第二部分是检测相对频繁、不需要尽快进行分析的数据。有关人员在2020年10月对仪器数据采集、检测数据应用所涉及模块的各项功能进行了开发，10月底完成了相应的测试及上线工作，本系统于11月初正式投入使用。

5 结束语

综上，基于全量采集的实验检测项目的原始数据结合RBF神经网络对数据进行分析，对卷烟质量的判定具有明显的提升与改善效果。

RBF网络的核心功能为提取特征、变化信号、变换输出模式。事实证明，基于RBF所开发数据处理系统，其学习速度较其他系统更快，同时能够满足本项目所提出实时检测卷烟质量的要求，对RBF进行应用后，可使卷烟质量检测及相关工作得到更加高效的开展。