基于神經網絡的煙絲填充值預測模型研究

陸玉浩，王彬彬，萬云飛，王廣超，牛汝萍，張　娟，楊　瑩，冀海波

（1.山東中煙工業有限責任公司滕州卷煙廠，山東 滕州 277500； 2.山東中煙工業有限責任公司技術中心 濟南 250013）

基于神經網絡的煙絲填充值預測模型研究

陸玉浩1，王彬彬1，萬云飛1，王廣超1，牛汝萍1，張娟1，楊瑩1，冀海波2

（1.山東中煙工業有限責任公司滕州卷煙廠，山東 滕州 277500； 2.山東中煙工業有限責任公司技術中心 濟南 250013）

填充值是煙絲的一項重要物理指標。在卷煙制絲生產中，葉組配方和工藝流程一般較為固定，所以制絲工藝參數對煙絲填充值的影響更為直接、突出，但工藝參數對填充值的影響為非線性的，難以根據工藝參數直接推算出煙絲填充值。針對此問題，選取了7個影響較大的工藝參數，采用BP神經網絡對7個工藝參數和煙絲填充值間的數量關系進行了初步建模。通過BP神經網絡設計和大數據量的訓練后，該模型具備了通過工藝參數預測煙絲填充值的能力，預測結果的相對誤差為4%左右，這為工藝參數和填充值之間的相互調整提供了理論依據和仿真方法。

BP神經網絡；工藝參數；填充值

煙絲填充力是指單位重量的煙絲在一定壓力下，經過一定時間后所保持的體積［1］。煙絲填充值不僅影響卷煙的外觀與吸食品質，而且是一個反映卷煙生產成本與原料消耗的經濟指標，是卷煙加工煙絲的一個重要物理指標［2-3］。影響煙絲填充值的主要因素有物理因素和化學因素，劉建軍［4］又將影響因素細分為農藝措施、工藝措施、生物活動、物理特性和化學成分。而在卷煙制絲生產中，影響填充值的主要因素則可以概括為葉組配方、工藝流程和工藝參數。一般來說，在某牌號卷煙的生產過程中，葉組配方和工藝流程較為固定，所以制絲工藝參數對煙絲填充值的影響顯得更為直接、突出。然而，工藝參數對填充值的影響為非線性的，難以根據工藝參數直接推算出煙絲填充值。BP神經網絡是最為成熟的一種人工神經網絡模型，能有效地解決非線性問題，得到了廣泛的應用［5］。BP神經網絡屬于多層前向反饋的有導師學習網絡，與普通正向傳播神經網絡相比，增加了誤差反饋環節，通過不斷調整所有層的權值，達到減小誤差的目的［6-7］。本文將采用BP神經網絡對工藝參數和煙絲填充值間的數量關系進行初步建模，并通過BP神經網絡設計和大數據量的訓練后，使模型具備通過工藝參數預測煙絲填充值的能力，以為工藝參數和填充值之間的相互調整提供理論依據和仿真方法。

1　材料與方法

1.1材料與設備

滕州卷煙廠某牌號完整葉組配方原料。WQ392a滾筒式煙片回潮機、SJ1106a熱風加料機、WQ314A型滾筒式葉片增濕增濕機、SH92氣流干燥設備。

1.2煙絲取樣與填充值測定

待生產正常后，在煙絲干燥工序出口處，用取樣盤隨機取樣100 g，置于樣品盒中。樣品在空氣溫度（20±1） ℃、相對濕度（60±5）%條件下平衡24 h。煙絲填充值測定參照煙草行業標準方法（YC/T 152—2001）［8］。

1.3樣本數據的確定

根據試驗和日常生產數據積累，得到了176組原始數據。為了便于給神經網絡提供樣本，將其提取成輸入樣本P和輸出樣本T，其中輸入樣本包括松散回潮出口物料含水率、切絲寬度、葉絲增溫增濕熱風溫度、葉絲增溫增濕出口物料含水率、葉絲氣流干燥燃燒爐溫度、葉絲氣流干燥混合風溫和、葉絲氣流干燥出口物料含水率7個對填充值影響較大的工藝參數［9-13］，輸出樣本包括煙絲填充值1個參數。

由于樣本中含有不同的物理量，且數值差別很大，樣本數據沒有可比性，嚴重影響模型的收斂可靠性及收斂速度，所以在進行訓練之前，必須對樣本數據進行歸一化處理，即將所有數據換算成為［0，1］之內的數。歸一化處理如下式所示：

式中：

X——真實值；

Xmax、Xmin——真實值的最大值和最小值；

X*——歸一化后的值。

經過數據處理，輸入樣本均勻地分布在0到1之間，構成了可用的神經網絡樣本。將數據處理后的原始樣本P和T分別分成兩組，一組為訓練樣本p_tr和t_tr，另一組為檢驗樣本p_te和t_te，其中：訓練樣本為7×150和1×150的矩陣，輸入與輸出對應，共150個樣本；檢驗樣本為7×26和1×26的矩陣，共26個樣本。

1.4BP神經網絡模型的確定

BP神經網絡模型的確定就是對層數、每層的神經元數、初始權值和閾值、訓練函數、學習速率等網絡參數進行選擇。目前，網絡參數的選擇雖有一些指導原則，但更多的是靠經驗和試驗。

1.4.1網絡層數的確定 為簡化網絡并降低訓練網絡權值的時間，根據煙絲填充值預測問題的特點將網絡結構定為3層，即網絡的隱含層數為1層，結構如圖1所示。本研究以7個工藝參數為神經網絡的輸入層，以煙絲填充值作為神經網絡的輸出層，即輸入層的神經元個數為7個，輸出層的神經元個數為1個。

圖1　三層BP網絡結構Fig.1 Structure of the three layer BP network

1.4.2網絡隱含層神經元數的確定 隱含層神經元數是BP網絡的一個關鍵參數，神經元個數過多將導致神經網絡歸納能力下降，神經元個數過少將導致神經網絡的學習能力不夠。隱含層神經元數的一般選擇原則是：在能正確反映輸入輸出關系的基礎上盡可能選取較少的神經元數，從而使網絡更為簡單。目前，隱含層神經元數目的選取尚缺少結論性的方案，諸多選取公式也只是根據經驗總結出來的，隱含層神經元數最終的確定仍然需要通過反復測試和結果分析獲得。綜合諸多因素，本研究使用統計多次循環測試結果的方法進行分析，即采用隨機初始化網絡，選用固定的訓練樣本和訓練函數，測試并記錄隱層節點數分別為3，4，5，6，7，8，9，10，11，12時的訓練結果，對參數取平均值，最終分析相關指標綜合確定最佳隱層節點數。

1.4.3初始權值和閾值的確定 BP神經網絡學習的第一步就是對權值和閾值進行合適的初始化。訓練BP網絡時，如果對權值和閾值進行的初始化不適宜，可能導致訓練時間的增長，特別是當初始權值相等時，可能使誤差曲面陷于局部最小。由于系統是非線性的，初始值對學習是否達到局部最小，是否能夠收斂以及訓練時間長短的影響很大。本研究采取隨機賦值方式確定初始權值和閾值，為避免局部極值問題，要選取多組初始權值，最后選用最好的一種。

1.4.4傳遞函數的選擇 BP神經網絡存在非線性傳遞函數使其具有很強的非線性映射能力。傳遞函數能限制神經網絡運行的動態范圍，避免輸出數據產生大量極端值。在非線性傳遞函數中，Sigmoid函數用得最為廣泛，其與真正的神經元較為相似，且是可微函數，導數較易計算，因此非常適合BP神經元。常用的Sigmoid函數有對數S型傳遞函數和雙曲正切S型傳遞函數。根據需要，本研究隱含層選擇雙曲正切S型傳遞函數，而輸出層選擇對數S型傳遞函數。

1.4.5訓練函數的選擇 訓練函數對神經網絡的訓練精度、收斂速度等產生直接影響，是神經網絡性能的重要影響因素。在本研究中，我們通過試驗對比選擇合適的訓練函數。首先設定好隱含層神經元數、最大訓練次數、網絡目標誤差精度、學習速率等參數，然后再采用不同的訓練函數對相同的訓練樣本進行訓練，最后對比訓練過程。通過分析各種訓練函數的訓練過程發現，trainlbr函數在所有的訓練函數中收斂速度最快（即達到極小值的速度是最快），而且訓練步數也最少，所以本研究選擇trainbr函數作為神經網絡的訓練函數。

1.4.6學習速率的選擇 在BP神經網絡學習時，我們需要選擇合適的學習速率來控制網絡學習過程中網絡權值變化幅值的大小，學習速率太小則會使得收斂變慢，學習時間變長；學習速率太大，網絡達到全局最小的可能性將增大，但可能會出現網絡來回振蕩和過度收斂現象。學習速率一般在0.01～0.7之間選取。對于學習速率選擇只能進行試選，然后根據訓練情況選擇一個合適的學習速率反復訓練。結合實際要求，通過仿真試驗討論，初選學習速率為0.01。

通過神經網絡的隱層節點數、傳遞函數、訓練函數和學習速率等結構參數的仿真試驗，最終確定神經網絡的結構參數如表1所示。

表1　神經網絡結構參數Table1　Structural parameters of the neural network

1.5程序設計及學習

根據上文所建神經網絡模型，設定學習速率為0.01，誤差e＜0.02，訓練最大次數10000次，利用Matlab軟件編制BP神經網絡程序［14-15］，主要程序如下∶

Net=newff（minmax（pt），［7，4］，｛'tansig'，'logsig'｝，'trainbr'）；

net.trainparam.epochs=10000；

net.trainparam.goal=0.002；

LP.lr=0.01；

net=train（net，pt，tt）；

y=sim（net，pte）；

error=y-tte；

sum=norm（error）；

BP神經網絡程序按照算法對訓練樣本進行學習，不斷修正權值，直至程序達到了誤差要求或雖未達到誤差要求但達到了最大學習次數。當學習完成后，神經網絡就具有了通過7個工藝參數預測煙絲填充值的能力。隨后，可以利用檢驗樣本對神經網絡預測模型進行檢驗，并進一步將模型應用到實際生產中。

2　結 果

2.1樣本檢驗結果

當BP神經網絡訓練完畢后，利用26個檢驗樣本進行檢驗，并將得到的神經網絡輸出值與檢驗樣本值進行比較。由于神經網絡的輸出值和檢驗樣本值均在0到1之間，不利于觀察比較，所以均需進行反歸一化，得到煙絲填充值，再將兩者進行對比，如圖2所示。

由圖2可知，樣本值折線和預測值折線基本吻合，兩者的最大相對誤差3.6%，最小相對誤差1.41%。對樣本值和預測值兩組數據進行配對T檢驗，平均差95%置信區間（-0.0472，0.0449），區間包含0；平均差=0（與≠0）的T檢驗p值為0.959，無法拒絕原假設，即平均差=0，說明兩組數據無顯著差異。

圖2　檢驗結果統計分析圖Fig. 2　Statistical analysis of tested results

2.2模型應用預測結果

當BP神經網絡檢驗完畢后，應用該預測模型對正常生產的10批次煙絲進行填充值預測，并與實際檢測值進行比較。同樣，需先對神經網絡的輸出值進行反歸一化，得到煙絲填充值，再與檢測值進行對比，如圖3所示。

由圖3可知，預測值與檢測值吻合度較高，兩者的最大相對誤差3.12%，最小相對誤差1.22%，相對誤差較檢驗時有下降趨勢。對檢測值和預測值兩組數據進行配對T檢驗，平均差95% 置信區間（-0.0933，0.0833），區間包含0；平均差= 0 （與≠0）的T檢驗p值為0.901，無法拒絕原假設，即平均差=0，說明兩組數據無顯著差異。

圖3　預測結果統計分析Fig. 3　Statistical analysis of predicted results

3　討 論

由填充值預測模型的檢驗和運用結果分析可知，預測值和實際值的相對誤差小于4%，相對誤差在合理范圍內，且有下降趨勢，結果較理想，這說明預測模型的預測能力較好，已具備了一定的實用性。研究表明［16-18］，隨著樣本的不斷豐富，神經網絡模型還能通過樣本進行再學習，從而產生新的權值分布和閾值，不斷提高預測能力。因此，隨著煙絲填充值預測模型的不斷應用，預測值和實際值的相對誤差有進一步減小的可能性。

本研究中選取了氣流烘絲線對煙絲填充值影響最大的7個工藝參數（松散回潮出口物料含水率、切絲寬度、葉絲增溫增濕熱風溫度、葉絲增溫增濕出口物料含水率、葉絲氣流干燥燃燒爐溫度、葉絲氣流干燥混合風溫、葉絲氣流干燥出口物料含水率）作為神經網絡的輸入。在實際運用中，可根據需求適當減少工藝參數個數，以簡化神經網絡結構；在條件允許的情況下，也可以引入更多的工藝參數作為神經網絡的輸入，從而達到提高模型預測能力的目的。本文雖然只針對氣流烘絲線建立了煙絲填充值預測模型，但滾筒烘絲線預測模型的原理和方法是一致的，只需將神經網絡輸入層替換為滾筒烘絲筒壁溫度、熱風溫度、滾筒轉速等工藝參數。

4　結 論

本研究選取了7個對煙絲填充值影響較大的工藝參數，采用BP神經網絡對工藝參數和煙絲填充值間的數量關系進行了初步建模，并經過MATLAB編程和訓練后使該模型具備了通過工藝參數預測煙絲填充值的能力，預測結果的相對誤差為4%左右，預測能力較好，為工藝參數和填充值之間的相互調整提供了理論依據和仿真方法。

［1］ 荊聰瑩，杜詠梅，侯小東，等. 烤煙填充值與主要理化指標的關系研究［J］. 中國農學通報，2013，29（30）：202-205.

［2］ 于建軍. 卷煙工藝學［M］. 北京：中國農業出版社，2009.

［3］ 劉新民，杜詠梅，程森，等. 烤煙煙絲填充值與其理化指標和感官品質的關系［J］. 中國煙草科學，2012，33（5）：74-78.

［4］ 劉建軍. 煙葉填充值的研究進展［J］. 安徽農業科學，2015，43（1）：244-245，297.

［5］ 梁瑞海，崔源. 使用神經網絡預測膨脹煙絲的填充值［J］. 煙草科技，2008（4）：9-10.

［6］ 王彥闖. 農產品檢測電子鼻的模式識別算法和軟件編程的實現［D］. 杭州：杭州電子科技大學，2010.

［7］ 李麗霞，王彤，范逢曦. BP神經網絡設計探討［J］. 現代預防醫學，2005，32（2）：128-130.

［8］ 國家煙草專賣局. YC/T152—2001卷煙煙絲填充值的測定［S］. 北京：標準出版社，2001

［9］ 魏玉玲，陰耕云，李紹臣，等. 幾個重要制絲工序對烤煙煙絲填充值和碎絲率的影［J］. 云南大學學報：自然科學版，2010，32（S1）：183-186.

［10］ 李艷，楊雷. 運用六西格瑪方法提高葉絲填充值［J］. 工業工程與管理，2010，15（6）：131-136.

［11］ 劉國棟，王旭鋒，李向陽. 制絲工藝參數對煙葉葉絲耐加工性和填充值的影響［J］. 河南農業科學，2015，44（8）：145-148.

［12］ 姚光明，喬學義，申玉軍，等. 烤煙葉片在不同葉絲干燥工序中葉絲填充值和整絲率的變化［J］. 河南農業科學，2011，40（2）：9-73.

［13］ 楊美麗. 不同工藝參數對煙絲質量影響的研究［J］. 科學之友，2012（4）：144-145.

［14］ 涂春霞，劉小俊. VB與HATLAB混合編程原理概述［J］. 可編程控制器與工廠自動化，2008（7）：32-35.

［15］ 李善姬，蘆成剛. 采用VB與MATLAB混合編程的數字濾波器設計［J］. 計算機工程與設計，2006，27（18）：3487-3490.

［16］ 周澤弘，曹淋海，王昌全，等. 基于RBF神經網絡建立庫存煙葉香型的預測模型［J］. 中國煙草科學，2016，37（2）：65-70.

［17］ YIN Yan， BAO Jiusheng， YANG Lei. Tribological properties prediction of brake lining for automobiles based on BP neural network［C］//Proceeding of the 22nd Chinese Control and Decision Conference （2010 CCDC）， Xuzhou，China∶ IEEE， 2010∶ 2678-2682.

［18］ 肖協忠，王放，賀英，等. 烤煙致香成分與香氣質量的相關性分析［J］. 中國煙草科學，2008，29（6）：1-6.

Study on the Forecasting Model of Cut Tobacco Filling Value Based on the Neural Network

LU Yuhao1， WANG Binbin1， WAN Yunfei1， WANG Guangchao， NIU Ruping1，ZHANG Juan1， YANG Ying1， JI Haibo2
（1. Tengzhou Cigarette Factories of Shandong Tobacco Industrial Co.， Ltd.， Tengzhou， Shandong 277500， China； 2. Technology Center of Shandong Tobacoo Industrial Co.， Ltd.， Jinan 250013， China）

The filling property is a vitally important physical index of cut tobacco. Due to the similar cigarette blending formulation and fixed technological process in cigarette production， relevant technological parameters have direct and significant influence on the filling value of cut tobacco. However， the relationship between the parameters and filling value is nonlinear， which makes it difficult to calculate filling values of cut tobacco directly based on the parameters. Therefore， seven most important technological parameters were selected， and the quantitative relation model between various parameters and the filling value was established with the BP neural network. Further， the model was designed with the BP neural network and trained through a large amount of data， so it could forecast the filling value according to the seven technological parameters and the relative error of forecasting results was about 4%. The establishment of the forecasting model provides a theoretical basis and simulation method for the mutual adjustment between the technological parameters and the filling value of cut tobacco.

BP neural network； technological parameter； filling value

TS41+1

1007-5119（2016）05-0082-05

10.13496/j.issn.1007-5119.2016.05.015

陸玉浩（1989-），男，碩士，主要從事煙草工藝研究。E-mail：luyuhao19890629@163.com

2016-03-10

2016-07-04