鄭松潘 李曉剛

摘 要：卷煙制絲過(guò)程含水率的控制是保障制絲加工質(zhì)量穩(wěn)定性非常重要的環(huán)節(jié)，為充分挖掘歷史生產(chǎn)批次中已有的優(yōu)質(zhì)控制模式，本文提出一種基于知識(shí)圖譜尋優(yōu)的煙絲含水率控制方法，通過(guò)對(duì)影響煙絲含水率關(guān)鍵工況的識(shí)別，從知識(shí)圖譜的批次實(shí)體出發(fā)，抽取和挖掘歷史批次和工況的相互關(guān)系及關(guān)聯(lián)規(guī)則形成知識(shí)庫(kù)，指導(dǎo)批次生產(chǎn)時(shí)相關(guān)操作參數(shù)的下達(dá)，改變以往需要部分依靠經(jīng)驗(yàn)和主觀判斷的含水率控制模式，顯著提升了烘絲前煙絲含水率的合格率和穩(wěn)定性。

關(guān)鍵詞：含水率控制;知識(shí)圖譜;批次尋優(yōu)

引言

在卷煙工業(yè)制絲環(huán)節(jié)，煙絲的含水率是評(píng)價(jià)煙絲質(zhì)量最重要的參數(shù)之一[1-2]。制絲主要生產(chǎn)環(huán)節(jié)包括松散回潮-潤(rùn)葉加料-切絲烘絲-加香-裝箱[3]，其中對(duì)煙絲含水率有較大影響的工序主要是松散回潮和烘絲[4-5]，前者對(duì)煙葉進(jìn)行加水回潮，后者對(duì)煙絲進(jìn)行烘干，但在兩道工序之間生產(chǎn)線較長(zhǎng)且煙絲需入柜存儲(chǔ)，煙絲的含水率在車間環(huán)境和不同工況的影響下存在較大波動(dòng)，無(wú)法保證煙絲在烘絲入口時(shí)含水率達(dá)到工藝要求。

本文通過(guò)引入知識(shí)圖譜的構(gòu)建，對(duì)歷史工況進(jìn)行規(guī)則學(xué)習(xí)，挖掘其中的內(nèi)在聯(lián)系，形成歷史工況知識(shí)庫(kù)。當(dāng)車間準(zhǔn)備投入生產(chǎn)時(shí)，只需提交當(dāng)前已知的工況數(shù)據(jù)，尋優(yōu)模型將給出與當(dāng)前工況最相似且含水率控制最優(yōu)的歷史批次方案，指導(dǎo)車間進(jìn)行加水比例等操作參數(shù)設(shè)置。

1 基于知識(shí)圖譜構(gòu)建知識(shí)庫(kù)

1.1知識(shí)圖譜

知識(shí)圖譜是人工智能技術(shù)的重要分支之一[6-7]，它以結(jié)構(gòu)化圖的形式描述客觀世界中概念、實(shí)體及其之間的關(guān)系，在這里引入三元組“實(shí)體-關(guān)系-實(shí)體”進(jìn)行知識(shí)表示，每個(gè)實(shí)體用唯一確定的ID表示，通過(guò)“屬性-屬性值”描述知識(shí)實(shí)體的內(nèi)在特性，知識(shí)實(shí)體之間通過(guò)關(guān)系構(gòu)成網(wǎng)狀的知識(shí)結(jié)構(gòu)，并通過(guò)對(duì)實(shí)體、屬性之間的關(guān)系抽取，將這些關(guān)系形成圖譜的邊信息最終構(gòu)成圖譜知識(shí)庫(kù)。

1.2實(shí)體識(shí)別

在構(gòu)建知識(shí)圖譜時(shí)，首先需要確定圖譜中的節(jié)點(diǎn)[8]，通常采用現(xiàn)實(shí)實(shí)體作為節(jié)點(diǎn)對(duì)象，將每個(gè)實(shí)體作為一個(gè)知識(shí)單元，在檢索尋優(yōu)時(shí)能夠返回以實(shí)體為單元的相關(guān)信息。而在制絲生產(chǎn)過(guò)程中，通常以批次為最小生產(chǎn)單元，批次內(nèi)的各個(gè)工況屬性之間存在復(fù)雜的相互關(guān)系，本文將批次實(shí)體作為研究對(duì)象搭建知識(shí)圖譜，通過(guò)高結(jié)構(gòu)化的數(shù)據(jù)模型形成知識(shí)庫(kù)后，供后續(xù)工況尋優(yōu)搭建基礎(chǔ)。

設(shè)用于知識(shí)表述的三元組形式為：

TP={E，R，ET} （1）

其中E為所有批次實(shí)體的集合，R為實(shí)體之間的關(guān)系集合，ET為批次實(shí)體內(nèi)所有工況數(shù)據(jù)的屬性集。

1.3關(guān)系抽取

實(shí)體與屬性之間的關(guān)系抽取是形成知識(shí)圖譜的關(guān)鍵[9]，本文基于關(guān)聯(lián)分析方法FP-growth進(jìn)行關(guān)聯(lián)規(guī)則的挖掘，構(gòu)建批次間各個(gè)關(guān)鍵工況之間，以及各工況與煙絲含水率之間的關(guān)聯(lián)關(guān)系，形成圖譜的邊信息。

通常關(guān)聯(lián)規(guī)則表達(dá)式形如“X→Y”，如“松散加水比例為5.6時(shí)→烘絲入口含水率為19.5”，則可以認(rèn)為是一個(gè)簡(jiǎn)單的兩種工況屬性之間的關(guān)聯(lián)規(guī)則。當(dāng)然，在實(shí)際生產(chǎn)環(huán)境下，工況屬性之間的關(guān)系不會(huì)這么簡(jiǎn)單直接，而是通過(guò)不同的工況關(guān)系相互作用、相互關(guān)聯(lián)而產(chǎn)生不同的生產(chǎn)結(jié)果，我們通過(guò)挖掘批次及各工況之間復(fù)雜的關(guān)聯(lián)規(guī)則進(jìn)行關(guān)系抽取。

首先提取上述三元組中的所有生產(chǎn)批次實(shí)體作為項(xiàng)目集E={E1，E2。。。En}，而T={t1，t2…tm}是所有工況屬性的事務(wù)集合，每個(gè)事務(wù)ti包含的項(xiàng)集都是批次E內(nèi)的工況子集，在關(guān)聯(lián)分析中，包含0個(gè)或多個(gè)項(xiàng)的集合被稱為項(xiàng)集。在關(guān)聯(lián)分析中，通過(guò)支持度（s）來(lái)表述某個(gè)規(guī)則在給定所有批次數(shù)據(jù)集中出現(xiàn)的頻繁程度，而置信度（c）則表述在出現(xiàn)X事務(wù)的前提下同時(shí)含有Y的頻繁程度，其具體定義分別如下：

其中，N是批次內(nèi)所有工況事務(wù)的總數(shù)。若某工況之間的關(guān)聯(lián)規(guī)則支持度較低，則說(shuō)明其出現(xiàn)的概率較低，實(shí)際意義不大，而置信度則度量其可進(jìn)行推理的可靠性。則關(guān)系抽取的主要工作是構(gòu)建滿足最小支持度閾值的頻繁項(xiàng)集，和從頻繁項(xiàng)集中提取高置信度的規(guī)則。

（1）構(gòu)建頻繁項(xiàng)集

FP-growth算法[10]通過(guò)構(gòu)建FP-tree來(lái)壓縮事務(wù)數(shù)據(jù)庫(kù)中的信息，從而更加有效地產(chǎn)生頻繁項(xiàng)集。FP-tree其實(shí)是一棵前綴樹(shù)，按支持度降序排列，支持度越高的頻繁項(xiàng)離根節(jié)點(diǎn)越近，從而使得更多的頻繁項(xiàng)可以共享前綴。

在此之前，因?yàn)楣r參數(shù)基本是連續(xù)的線性數(shù)值，如環(huán)境溫度20℃與20.1℃的0.1℃差異在實(shí)際生產(chǎn)中我們認(rèn)為是可以忽略不記的，而在FP-growth掃描事務(wù)數(shù)據(jù)庫(kù)時(shí)則認(rèn)為其是兩種數(shù)據(jù)項(xiàng)，會(huì)給初始算法構(gòu)建增加不必要的大量負(fù)擔(dān)。為避免該情況的發(fā)生，我們需要對(duì)所有工況屬性的事務(wù)集合T進(jìn)行數(shù)據(jù)項(xiàng)的初始化，即給所有工況進(jìn)行階段劃分，如溫度19.5℃-20.5℃均劃分入溫度20℃的初始事務(wù)集內(nèi)，而精度更高的匹配工作在尋優(yōu)時(shí)完成。

劃分好工況數(shù)據(jù)后，即可對(duì)事務(wù)集合T按批次進(jìn)行事務(wù)數(shù)據(jù)庫(kù)的構(gòu)建，如表3所示：

首先，對(duì)該事務(wù)數(shù)據(jù)庫(kù)中所有批次的工況項(xiàng)進(jìn)行一次掃描，計(jì)算每一批次生產(chǎn)記錄中各種工況的支持度，然后按支持度進(jìn)行排序，將其中低于支持度閾值的項(xiàng)進(jìn)行剔除，保留其中的頻繁項(xiàng)集L，在此基礎(chǔ)上進(jìn)行二次掃描，構(gòu)建FP-tree，具體算法如下：

1） 創(chuàng)建tree根節(jié)點(diǎn)root，標(biāo)記為null;

2） 對(duì)每條事務(wù)集合ti中的工況屬性按照已有頻繁項(xiàng)集L中的次序排序得到[p/P]格式的頻繁項(xiàng)集，其中p表示首個(gè)工況項(xiàng)，P表示工況頻繁項(xiàng)集中除去p后的剩余工況屬性組成的項(xiàng)表，將得到項(xiàng)表逐一插入tree節(jié)點(diǎn);

3） 掃描所有批次下的工況項(xiàng)后，對(duì)前綴一致的工況項(xiàng)進(jìn)行計(jì)數(shù)加1，不一致則新增一個(gè)節(jié)點(diǎn)，直至最終FP樹(shù)形成。

（2）規(guī)則挖掘

對(duì)形成的FP樹(shù)從底部開(kāi)始挖掘其頻繁規(guī)則。以上圖為例，在FP樹(shù)中以d結(jié)尾的子樹(shù)共2個(gè)，分別是<（b：5），（a：3），（d：1）>和<（b：5），（c：2），（d：2）>。假設(shè)此處支持度閾值設(shè)置為2，而工況d在兩個(gè)子樹(shù)中分別為（d：1）、（d：2），則顯然d自身是個(gè)頻繁項(xiàng)（d：3）;

從末端d向上延生子樹(shù)可以挖出（c：2），（b：3），分別滿足支持度閾值，則以d為前綴形成頻繁項(xiàng)規(guī)則（dc：2）和（db：3）;

然后再分別遞歸d的兩個(gè)分支子樹(shù)，第1個(gè)子樹(shù)中<b，a>與d同時(shí)出現(xiàn)只有1次，記為<（b：1），（a：1），（d：1）>，則不符合支持度閾值需剔除;

而第2個(gè)子樹(shù)中<b，c>與d同時(shí)出現(xiàn)有2次，記為<（b：2），（c：2），（d：2）>，則以d為前綴形成頻繁項(xiàng)規(guī)則（dbc：2）;

至此，可以得出以d為前綴的頻繁項(xiàng)規(guī)則為（d：3），（dc：2），（db：3）， （dcb：2）。同理，可得其他節(jié)點(diǎn)前綴的頻繁規(guī)則為（a：3），（ab：3），（b：5），（c：3），（cb：3）。

通過(guò)FP-growth構(gòu)建的生產(chǎn)工況間的關(guān)聯(lián)規(guī)則知識(shí)庫(kù)形成后，支持新的批次工況信息的實(shí)時(shí)導(dǎo)入，實(shí)現(xiàn)知識(shí)圖譜的動(dòng)態(tài)更新，為后續(xù)工況尋優(yōu)提供不斷優(yōu)化的基礎(chǔ)庫(kù)。

2基于知識(shí)庫(kù)的工況尋優(yōu)

（1）工況導(dǎo)入

在匹配尋優(yōu)之前，我們需要輸入除了加水比例、蒸汽比例等可操作的工況參數(shù)，并基于此進(jìn)行歷史工況的尋優(yōu)以及操作參數(shù)的推薦。

其中部分工況信息是已經(jīng)確定的，例如物料流量、加料比例、當(dāng)前環(huán)境溫濕度，以及烘絲入口煙絲含水率標(biāo)準(zhǔn)值等，而部分工況信息則需要進(jìn)行另行計(jì)算或從外部獲取，如生產(chǎn)時(shí)長(zhǎng)=批次重量/物料流量;貯葉時(shí)長(zhǎng)則需導(dǎo)入MES生產(chǎn)運(yùn)行系統(tǒng)中的排產(chǎn)計(jì)劃進(jìn)行推導(dǎo);外部未來(lái)環(huán)境溫濕度需要獲取當(dāng)?shù)靥鞖忸A(yù)報(bào)數(shù)據(jù)等，通過(guò)一系列的信息維護(hù)最終完成工況導(dǎo)入。

（2）規(guī)則匹配

在尋優(yōu)前需對(duì)導(dǎo)入的工況進(jìn)行初始事務(wù)集劃分，即按前述劃分規(guī)則進(jìn)行工況屬性的初始化，構(gòu)造形如“a：（物料流量：2000）、b：（加料比例：3.0）”形式的工況屬性項(xiàng)，并依此與知識(shí)庫(kù)中的關(guān)聯(lián)規(guī)則進(jìn)行遍歷匹配，定位與導(dǎo)入的工況屬性項(xiàng)有高相似度的工況事務(wù)集，其中相似度按屬性項(xiàng)的匹配數(shù)量進(jìn)行計(jì)算，本文將相似度大于80%的工況事務(wù)集定義為高相似度。

（3）尋優(yōu)推薦

當(dāng)定位到一組高相似度的工況事務(wù)集后，需將其對(duì)應(yīng)的歷史批次工況進(jìn)行還原，與本次導(dǎo)入的初始工況作原始數(shù)據(jù)精度的尋優(yōu)匹配，將其中相似度最高且滿足最終烘絲入口煙絲含水率標(biāo)準(zhǔn)的歷史批次進(jìn)行推薦，車間工藝員與操作工按該批次的加水比例、蒸汽比例數(shù)值進(jìn)行操作設(shè)置，即可生產(chǎn)出烘絲入口含水率達(dá)標(biāo)的煙絲。

3應(yīng)用與結(jié)果

（1）應(yīng)用數(shù)據(jù)選取

本文選取龍巖煙草工業(yè)有限責(zé)任公司制絲二區(qū)2018年1月1日-2020年12月31日某牌號(hào)煙絲在松散回潮、潤(rùn)葉加料、切絲烘絲三個(gè)工段共計(jì)11240個(gè)的生產(chǎn)批次數(shù)據(jù)進(jìn)行知識(shí)庫(kù)的構(gòu)建，并對(duì)2021年6月8日-14日實(shí)際生產(chǎn)的5個(gè)批次基于構(gòu)建的知識(shí)庫(kù)進(jìn)行工況尋優(yōu)應(yīng)用試驗(yàn)。

（2）應(yīng)用結(jié)果

通過(guò)知識(shí)庫(kù)尋優(yōu)后，5個(gè)批次的工況尋優(yōu)推薦結(jié)果如表4所示，其中4個(gè)批次都獲取到了高相似度的歷史批次推薦，并按照推薦值對(duì)加水比例和蒸汽比例進(jìn)行操作設(shè)置，而其中1個(gè)較極端工況的批次，工藝員也在低相似度工況的輔助下進(jìn)行了操作參數(shù)下達(dá)，最終煙絲在烘絲入口的含水率均達(dá)到工藝標(biāo)準(zhǔn)要求（19.8±0.5），且含水率與標(biāo)準(zhǔn)的絕對(duì)差值平均為0.165。而表5為本文方法應(yīng)用前后同期煙絲含水率的各項(xiàng)對(duì)比數(shù)值，可以看出，通過(guò)本文工況尋優(yōu)推薦后的煙絲含水率在合格率和穩(wěn)定性上都有了一定提升。

4.總結(jié)

本文提出一種基于知識(shí)圖譜尋優(yōu)的煙絲含水率控制方法，通過(guò)對(duì)影響煙絲含水率關(guān)鍵工況的識(shí)別，從知識(shí)圖譜的批次實(shí)體出發(fā)，導(dǎo)入歷史生產(chǎn)批次數(shù)據(jù)，按照FP-growth關(guān)聯(lián)規(guī)則算法抽取批次與工況之間的相互關(guān)系，挖掘其關(guān)聯(lián)規(guī)則形成知識(shí)庫(kù)。當(dāng)有批次需要生產(chǎn)時(shí)，只需提前將該批次已知工況導(dǎo)入知識(shí)庫(kù)進(jìn)行匹配尋優(yōu)，即可檢索到相似度最高且最終烘絲入口煙絲含水率最接近標(biāo)準(zhǔn)值的歷史批次，通過(guò)將歷史最優(yōu)批次的相關(guān)參數(shù)操作進(jìn)行復(fù)刻，顯著提升了烘絲前煙絲含水率的合格率和穩(wěn)定性，同時(shí)改變了以往需要部分依靠經(jīng)驗(yàn)和主觀判斷的含水率控制模式，以數(shù)據(jù)驅(qū)動(dòng)企業(yè)高質(zhì)量發(fā)展。

但該尋優(yōu)方法仍存在少數(shù)極端工況無(wú)法檢索到優(yōu)質(zhì)歷史批次的情況，仍需加以人工輔助，未來(lái)將進(jìn)一步進(jìn)行極端工況的針對(duì)性模型學(xué)習(xí)，讓知識(shí)庫(kù)得到更廣泛更有效的應(yīng)用。

參考文獻(xiàn)

[1] 邢蕾. 煙草制絲過(guò)程中含水率在線監(jiān)測(cè)及控制改進(jìn)[D]. 2016.

[2] 尤長(zhǎng)虹， 張楚安， 彭傳新. 制絲質(zhì)量評(píng)價(jià)方法的設(shè)計(jì)與應(yīng)用[J]. 煙草科技， 2001.

[3] 魏玉玲， 陰耕云， 李紹臣，等. 幾個(gè)重要制絲工序?qū)緹煙熃z填充值和碎絲率的影響[J]. 云南大學(xué)學(xué)報(bào)：自然科學(xué)版， 2010（S1）：183-186.

[4] 朱東風(fēng). 影響松散回潮后煙片含水率的分析與控制[J]. 科技創(chuàng)新導(dǎo)報(bào)， 2013（21）：94-95.

[5] 羊一濤， 周沅楨， 李杰，等. 烘絲工序物料含水率過(guò)程控制評(píng)價(jià)方法研究[C]// 中國(guó)煙草學(xué)會(huì)學(xué)術(shù)年會(huì)優(yōu)秀論文集. 0.

[6] 朱記偉， 蔣雅麗， 翟曌，等. 基于知識(shí)圖譜的國(guó)內(nèi)外BIM領(lǐng)域研究對(duì)比[J]. 土木工程學(xué)報(bào)， 2018， v.51（02）：113-120.

[7] Gottschalk S ， Demidova E . EventKG： A Multilingual Event-Centric Temporal Knowledge Graph[J]. 2018.

[8] Mai G ， Janowicz K ， Cai L ， et al. SE‐KGE： A location‐aware Knowledge Graph Embedding model for Geographic Question Answering and Spatial Semantic Lifting[J]. Transactions in GIS， 2020， 24（3）.

[9] Grainger T ， Aljadda K ， Korayem M ， et al. The Semantic Knowledge Graph： A compact， auto-generated model for real-time traversal and ranking of any relationship within a domain[J]. 2016.

[10] 王新宇， 杜孝平， 謝昆青. FP-growth算法的實(shí)現(xiàn)方法研究[J]. 計(jì)算機(jī)工程與應(yīng)用， 2004， 40（009）：174-176.