刘 博，尹 航，孙 嘉

(1.张家口卷烟厂有限责任公司，河北 张家口 075000；2.张家口经开区食品和市场监督管理局，河北 张家口 075000）

燃油烘丝机是烟草行业使用的一种烟丝烘干设备，其具有加工能力强、烟丝膨胀率高等特点[1]，但是该设备也存在控制参数多、调控难度大的不足，反映到烟丝制品上为出口水分波动大。为稳定燃油烘丝机出口烟丝水分，满足设备加工均质化要求，提升产品工艺质量，将采用BP 神经网络针对燃油烘丝机构建控制模型。

BP 神经网络[2-4]是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP 网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程，现广泛应用于生物领域、智能制造和医学领域等，是一种被广泛应用的先进建模方法。

1 方法及数据收集

1.1 建模方法

BP 神经网络：隐藏层1 层；激活函数：双曲正切。

1.2 试验方法

1.2.1 因子筛选

试验将燃油烘丝机变量分为工艺变量以及设备变量，因设备变量为操作不可调变量，故不作为建模因子，针对工艺变量又进一步细分，可分为工艺固定参数以及工艺可调参数。试验针对工艺可调参数进行建模，本次试验共筛选出工艺可调参数8 个，分别是RCC 出口水分、燃烧炉实际温度、主工艺气体温度、HXD 进料口负压、HXD 注入蒸汽流量、主工艺气体流量、HXD 控制水流量和HXD 出口水分。

1.2.2 异常数据剔除

本试验数据筛分原则为：批次生产过程无超出生产工艺范围情况，生产无异常批次，非试验批次，工艺判定合格批次。

1.2.3 数据归一化

为归纳统一样本的统计分布性，提高模型精度，对样本数据进行归一化。常用归一化方法有两种，分别为min-max 标准化以及Z-score 标准化，因本试验参数有工艺规定的上限，所以选用较为简单的minmax 标准化方法，该方法以参数标准上限为系数，用采集的各参数数据除以标准上限，实现数据的归一化。

2 BP 人工神经网络模型

2.1 工作原理

BP 网络具有三层感知器，由输入层、隐含层和输出层组成。同层神经元之间不进行连接，每一个神经元与非同层神经元一一连接，构成前馈式神经网络系统。系统通过非线性计算，生成输出信号，使输入的信号数据作用于输出层面节点，通过调整输入层面与隐含层面联接强度及阙值，降低误差[5]。BP 神经网络经过信号前传和误差反传的反复学习训练，确定与最小误差相对应的连接权值和阙值，同时储存输入和输出间的映射规律，从而达到对实际问题进行模拟的目的[6]。

2.2 模型结构

本试验采用三层神经网络结构，即输入层、隐含层以及输出层，且每层层数都为1，因三层BP 神经网络结构具有强非线性映射能力，满足实验的需要。输入层面设置7 个神经元，输出层面设置1 个神经元，隐含层神经元个数由式（1）计算得出，并对比不同隐含层神经元个数预测结果偏差值，择优选择隐含层神经元个数。

式中：y 为隐含层神经元个数，a、b 分别为输入层、输出层神经元个数，c 为常数。

3 结果与分析

3.1 不同隐含层神经元数量对预测精度的影响

本试验对隐含层神经元数量为3～6 个的燃油烘丝机出口水分模型的预测精度进行对比，择优选择精度最高的神经元数量的模型，预测精度如表1 所示。

表1 不同隐含层神经元数量构建的模型预测精度

经试验证明，其隐含层神经元6 个时，模型的预测精度较高且预测偏差极差值较小，预测偏差收敛性较好，所以使用隐含层神经元6 个作为预测模型结构设定。神经元数与模型预测偏差分析图如图1。

图1 神经元数与模型预测偏差分析图

a 为隐含层3 个神经元预测偏差，b 为隐含层4 个神经元预测偏差，c 为隐含层5 个神经元预测偏差，d为隐含层6 个神经元预测偏差。

3.2 关键参数反推预测

为了提高燃油烘丝机出口水分控制精度，控制方法由经验控制变为精准控制，将模型应用于燃油烘丝机关键控制指标——控制水流量，即模型参数的反推，模型反推可应用于燃油烘丝机预判加水量，能够稳定出口水分，减少出口水分波动，预测偏差如表2 所示。

表2 控制水流量预测偏差

经试验可知，模型对三个牌号控制水流量进行预测，预测偏差在3.8%～5.6%之间，预测精度满足生产实际需要。

4 结语

本试验提出了一种采用BP 人工神经网络技术方法，对烟草行业常用的燃油烘丝机出口水分预测以及对控制水流量预测的建模，本方法采用三层神经网络结构，其隐含层神经元数量为6 个，激发函数为双曲正切，模型预测能力良好，出口水分预测偏差为0.0074，控制水流量预测偏差在3.8%～5.6%之间。本方法符合精益生产要求，转变了控制方法，提高了控制精度，减少了批次间差异，提升了批次间均质化水平。