黃國樑 張蓀毅 樊盛炯 譚衍冬 葉 盛

（上海煙草集團有限責任公司，上海 200082）

風選后煙絲的填充值水平一直是影響后續(xù)卷接包質量的重要關聯(lián)指標，與煙絲的填充、煙支空頭、吸阻等物測指標存在顯著的相關性。對此筆者針對上海卷煙廠中華專線81#的風選后煙絲填充值進行了專題研究。

該文主要介紹了煙絲填充值穩(wěn)定性控制模式中的特征降維、層級關聯(lián)性數(shù)據(jù)的分析手法。數(shù)據(jù)降維是將原來較多的特征重新計算組合，從而形成少量新特征的過程。將特征降維和聚類挖掘技術應用于“煙絲填充值穩(wěn)定性控制模式”的關鍵指標特征甄選上，其目的是以盡可能用可視化的呈現(xiàn)方式，快速發(fā)現(xiàn)特征參數(shù)間的內部關聯(lián)性與因果關系，方便用戶后期對各層級指標組織樹的快速鉆??；關聯(lián)性分析是在大規(guī)模數(shù)據(jù)中集中尋找數(shù)據(jù)間的關聯(lián)性。數(shù)據(jù)間的這些聯(lián)系可以看作為兩種抽象主體之間的遞進關系，其中前者是后者的抽象基礎，代表了共現(xiàn)關系的頻繁項集。頻繁項集是經常出現(xiàn)在一處的物品的集合，它暗示了某些事物之間總是結伴或成對出現(xiàn)的現(xiàn)象。

1 數(shù)據(jù)預處理

1.1 數(shù)據(jù)樣本

該文選取上海卷煙廠中華專線81#內從制葉預處理段至煙絲風選段內2021年3月—10月為期半年的制絲批次參數(shù)數(shù)據(jù)。收集81#廠內工序段對應的該時間段內的環(huán)境溫濕度檢測點原始數(shù)據(jù)。獲取81#風選出口煙絲批次檢測填充值質檢數(shù)據(jù)。

1.2 數(shù)據(jù)處理

該文根據(jù)每個批次的相應工序的生產時間，統(tǒng)計對應時間段內的多位點的環(huán)境溫、濕度原始數(shù)據(jù)，利用加權平均的方法進行統(tǒng)計整理，得出對應批次的松散段溫度、松散段濕度、加料段溫度、加料段濕度、烘絲前溫度、烘絲前濕度的數(shù)據(jù)；針對數(shù)據(jù)樣本中存在的缺失值，應用參數(shù)數(shù)據(jù)均值填補的方法進行數(shù)據(jù)填補；選取研究對象填充值進行偏度分析，結果顯示呈現(xiàn)偏右分布；于是采用BOX-COX變換轉化為正態(tài)分布。采用Z-score標準化方法對整體數(shù)據(jù)樣本進行參數(shù)標準化，并剔除相對異常范圍以外的數(shù)據(jù)點。

2 數(shù)據(jù)分析

2.1 數(shù)據(jù)關聯(lián)性

該文將81#預處理段至風選段的所有質量參數(shù)進行工序歸位和性質分類，分類規(guī)則為各類別內參數(shù)可以交叉出現(xiàn)，共分為蒸汽、溫度、水分、風度、氣壓、流量六個特征大類（即六大簇），以便為后續(xù)因子分析和降維分析做準備。

通過分析計算蒸汽簇、溫度簇等六大簇內所有參數(shù)之間的相關系數(shù)，并對相關系數(shù)進行排序、篩選后發(fā)現(xiàn)，其中21個蒸汽系列參數(shù)之間的相關性較強，于是便將此21個參數(shù)作為后續(xù)因子特征降維的參數(shù)研究范圍。然后對參數(shù)簇進行KMO檢驗和巴特利球形檢驗（Bartlett's test），以驗證數(shù)據(jù)用于因子分析的有效性。該文以溫度簇作為示例，見表1。

表1 KMO檢驗和巴特利球形檢驗數(shù)值表

其中KMO檢驗和巴特利球形檢驗值達到79.4%線性相關，即大于50%，說明了變量間的相關程度無太大差異，驗證了數(shù)據(jù)用于因子分析是有效的。

2.2 類別數(shù)據(jù)壓縮

對于2.1節(jié)經類別參數(shù)相關性分析后篩選出的相關性較強的21個具體參數(shù)名目，該文僅認為這21個參數(shù)具有較高的代表性質，但是它們之間的交互作用、具體工段位置和參數(shù)效應是混亂且不一致的。為了便于后續(xù)分析，參數(shù)需要進一步精簡。

因此筆者采用數(shù)據(jù)壓縮方法，利用因子分析計算出了21個參數(shù)的公因子貢獻率以及相應公因子數(shù)對應的累計貢獻率等數(shù)值。該21個參數(shù)的因子貢獻率與累計貢獻率分別為31.63%、31.63%；13.75%、45.37%；10.73%、56.10%；7.16%、63.27%；6.85%、70.12%；5.28%、75.40%；5.00%、80.39%；3.86%、84.25%；3.58%、87.83%；2.72%、90.55%；2.55%、93.10%；2.48%、95.58%；1.46%、97.04%；0.81%、97.85%；0.61%、98.46%；0.47%、98.93%；0.40%、99.33%；0.28%、99.62%；0.16%、99.78%；0.14%、99.91%；0.09%、100.00%。

根據(jù)該計算數(shù)據(jù)，可提取前6個公因子代表該21個參數(shù)75%的信息。但是由于因子間相關性較低，在數(shù)據(jù)壓縮時對其提取度有可能達不到60%，因此該文需要進一步計算因子載荷矩陣數(shù)值，為接下來的參數(shù)降維提供依據(jù)。

通過對因子載荷矩陣數(shù)據(jù)進行偏維度分類，并按照計算出來的因子載荷矩陣數(shù)值的絕對值大小，該文最終將蒸汽簇內21個參數(shù)壓縮至四個維度的四小參數(shù)簇，依次命名為葉絲增溫增濕（HT）蒸汽（HT蒸汽壓力A、B，HT蒸汽閥門開度A、B，蒸汽溫度A、B和蒸汽流量A、B）、加料HT蒸汽（二次加料機HT蒸汽壓力、蒸汽溫度和蒸汽流量）、加料筒蒸汽（二次加料機筒壁蒸汽溫度、加蒸汽流量體積和進滾筒散熱器薄膜閥閥門開度）和加料助噴蒸汽（二次加料機加料助噴蒸汽壓力）。其他五大參數(shù)簇均按照類似該數(shù)據(jù)壓縮方式進行壓縮，最終形成煙絲填充性能-六大參數(shù)簇（一級性能指標）-二級壓縮指標簇-三級底層參數(shù)指標。壓縮成果如下所示：

一級性能指標為六大類：水分、風度、氣壓、流量、蒸汽、溫度；二級壓縮指標為根據(jù)六大類進行的詳細劃分，詳情見表2。

表2 二級壓縮指標

三級底層參數(shù)指標分別對應二級壓縮指標，一個二級指標下對應多個三級參數(shù)指標，詳細對應關系與因子相關系數(shù)見表3。

3 決策樹模型預測

在利用特征降維和因子分析方法將81#整體參數(shù)數(shù)據(jù)進行維度降維，將蒸汽、溫度、風度、氣壓、流量和水分作為第一維度。其次，利用因子分析方法，將各個一級維度進一步劃分為二級維度自定義參數(shù)。最后，利用相關性分析建立起實際制絲工序中具體參數(shù)與二級自定義參數(shù)對應的邏輯關系，進而形成了可用于決策樹模型預測的數(shù)據(jù)樣本。

該文運用決策樹的基尼指數(shù) CART算法對81#整體參數(shù)與填充值進行決策樹決策劃分。其中CART決策樹使用“基尼指數(shù)”來選擇劃分屬性。數(shù)據(jù)集D的純度可用基尼值來度量，如公式（1）所示。

式中：D代表為數(shù)據(jù)分析樣本；k代表為序號；y為數(shù)據(jù)樣

表3 三級底層參數(shù)指標與二級壓縮指標的對應關系與因子相關系數(shù)

然后利用CART算法來進行81#的填充值決策，切分質量的評價準則使用均方誤差（MSE），切分原則splitter使用最優(yōu)切分原則（best），最大樹深度選擇3層。進行決策后，模型預測性能在85%以上。

在81#填充值的影響模式下，因子水平優(yōu)化順序見表4。

表4 81#填充值影響模式下的因子水平優(yōu)化順序

在輸出填充值影響控制模式下的決策樹決策后，依據(jù)模型推薦算法得出因子重要性排序，從低到高依次為：F61工序水分、F53功能風、F水汽壓力、F21工序溫度、F63加水量、F振動溫度。詳細排序如下所示： F61工序水分占11.31%、F53功能風占10.5%、F41水汽壓力占10.4%、F21工序溫度占9.06%、F63加水量占7.82%、F22振動溫度占6.17%、F52風速占4.43%、F32總路流量規(guī)模占4.1%、F33加水量占3.95%、F25風溫占3.83%、F31分路流量規(guī)模占3.58%、F24排潮溫度占3.37%、F12綜合蒸汽占3.34%、F42拔風罩壓力占3.2%、F43筒氣壓占3.06%、F34加蒸汽量占2.85%、F62烘后水分占2.77%、F23主動溫度占2.73%、F51風壓占2.42%、F11分后蒸汽占1.1%。

4 因子推薦區(qū)間分析

在進行填充值決策以及因子重要性排序之后，結合表3，進行底部溯源分析，從填充值的最佳水平設置數(shù)值區(qū)間出發(fā)，根據(jù)決策樹推薦決策，將一級參數(shù)、二級自定義參數(shù)全部化歸到第三級工序指標，利用置信區(qū)間算法，得出在95%置信度下，因子參數(shù)對應不同填充值上、下界數(shù)值的各自應該控制的上、下界范圍如表5所示。

表5 中羅列了制絲流程中可控或者間接可控參數(shù)的最佳控制區(qū)間范圍，而“-”代表在對應填充性能下不做參數(shù)范圍的明確要求。

后續(xù)可結合車間對風選后葉絲填充值控制標準，利用平行坐標原理將相關參數(shù)進行區(qū)間監(jiān)控，做到及時預判與調整葉絲質量的趨勢性偏移。

5 控制體系驗證試驗

該文通過制絲流程全參數(shù)的決策模型運算，得出按照層級關系與填充性能相對應的參數(shù)控制范圍。為了后續(xù)運用模型的有效性、準確性，該文采用分割測試（AB test）驗證方法，選取相鄰兩天完全一樣的生產工況與計劃作為一組AB test試驗，驗證在中、高填充性能下，并根據(jù)模型預測的參數(shù)設置水平范圍進行設置，分析最終葉絲填充性能是否有顯著性差異。

由于筒壁溫度是被動控制的設備參數(shù)，無法直接調節(jié)，最終的驗證參數(shù)為松散回潮加水比例、松散回潮工藝氣體溫度、松散回潮拔風壓力、松散回潮加蒸汽比例。驗證試驗方案見表6。

根據(jù)表6的試驗方案進行AB test驗證試驗時，第一天正常生產，第二天調整試驗參數(shù)水平設置，并保持其他參數(shù)不變，該2組試驗的試驗結果見表7。

對表7的2組試驗結果分別進行成對雙樣本t檢驗，P≤0.05、泊松相關系數(shù)≥0.8，結果顯示：1組根據(jù)模型預測的高填充性能對應的參數(shù)調整后，得到的試驗填充值結果相比正常生產的對照組填充值均值有顯著性地提升；2組根據(jù)中水平填充性能對應的參數(shù)調整后，得到的填充值結果相對正常生產對照組并無明顯差異。

該文通過AB test驗證試驗，驗證了利用決策預測模型得到的填充值關鍵參數(shù)的控制體系，可以有效、及時地調整與控制風選后煙絲填充性能的變化。

表5 因子參數(shù)對應填充值水平的填充性能

表6 驗證試驗方案

表7 AB test 驗證結果

6 結論

該文利用特征降維和決策樹預測等分析方法，找尋出了影響風選后填充值穩(wěn)定性的全工序參數(shù)控制體系，并且通過因子置信區(qū)間分析得出了各參數(shù)對應的控制范圍，通過ABtest驗證試驗，驗證了參數(shù)控制體系可以有效地調整、控制填充值的變化趨勢，并且證明了相關的重點參數(shù)對風選后制絲質量的影響，便于生產管理人員重點監(jiān)控，為保持制絲質量穩(wěn)定性提供了明確的方向。