劉靜遠，李昕，劉杰，陳釔辛，黃暹

四川中煙工業(yè)有限責任公司成都卷煙廠，成都市錦江區(qū)成龍大道一段56號 610000

烘絲是煙草加工過程中的重要環(huán)節(jié)，其出口含水率是評價煙絲質量的關鍵指標。烘絲環(huán)節(jié)主要是通過干燥脫水使煙絲含水率達到卷制要求，提高煙絲膨脹效果，降低煙支卷制消耗［1］。烘絲過程受溫度、濕度以及前序工藝質量等因素的影響較大，控制參數(shù)復雜，難以實現(xiàn)烘絲出口含水率穩(wěn)定和精確控制［2］。目前大多數(shù)烘絲機采用PID+人工經(jīng)驗方式對來料流量等參數(shù)進行調節(jié)，存在調節(jié)滯后、控制精度低等問題［3］。對此，范勝興［4］對煙絲含水率測量系統(tǒng)進行了分析；孫成順等［5］設計了一種基于恒脫水量的HDT烘絲機控制模式；吳碩等［6］建立了一種基于趨勢與偏差控制的松散回潮機加水系統(tǒng)；劉穗君等［7］建立了一種松散回潮出口含水率控制模型。上述方法主要根據(jù)含水率趨勢和偏離標準范圍進行參數(shù)調整，因存在調節(jié)滯后而無法有效解決烘絲質量不穩(wěn)定、含水率波動等問題。近年來，以神經(jīng)網(wǎng)絡為代表的深度學習技術快速發(fā)展，由于深度學習模型學習能力強，能夠通過數(shù)據(jù)模擬各種工業(yè)場景，因此在工業(yè)環(huán)境中得到廣泛應用［8］。其中，Pakowski等［9］提出一種分布式參數(shù)模型描述煙絲溫度、含水率以及干燥管內蒸汽溫度與速度的關系，通過迭代得到最佳工藝參數(shù)組合；Zhou等［10］基于Cubic-RBF-ARX模型對烘絲過程進行分階段參數(shù)優(yōu)化，以減少烘絲過干煙絲量；樊盛炯等［11］采用機器學習方法建立出口含水率和筒壁溫度的預測模型，并得到筒壁溫度對出口含水率的影響系數(shù)。但所構建模型主要對參數(shù)進行優(yōu)化，未能利用模型計算結果進行實時自動控制。融合注意力時間卷積網(wǎng)絡（Fused Attention Time Convolution Network，F(xiàn)ATCN）在采集監(jiān)測數(shù)據(jù)的基礎上進行特征提取，通過注意力機制的模式判別能力，精準識別控制過程中的失準、失穩(wěn)因素，進而解決傳統(tǒng)控制方式對人工經(jīng)驗的依賴。為此，提出一種基于FATCN的烘絲出口含水率控制方法，通過對烘絲過程進行數(shù)據(jù)采集，利用注意力對設備狀態(tài)、烘絲過程、環(huán)境影響等因素進行分析，基于時間卷積網(wǎng)絡挖掘控制參數(shù)與出口含水率之間關系，以期提高烘絲出口含水率控制精度。

1 材料與方法

1.1 材料

“嬌子”牌卷煙（A）煙絲和“寬窄”牌卷煙（B）煙絲，切絲寬度0.85 mm，入口含水率（20.5±0.5）%，出口含水率標準值分別為13.2%和13.5%（四川中煙工業(yè)有限責任公司成都卷煙廠提供）。

1.2 儀器與設備

HDT氣流式烘絲機（額定生產(chǎn)能力8 000 kg/h，德國HAUNI公司）；YT88K型電子秤（精度±0.5%，江西九江707所）；TM710e型在線水分儀（精度±0.01%，美國NDC紅外技術有限公司）；TST31型熱電阻溫度傳感器（精度±0.01℃，德國E+H公司）；HMT3303型溫濕度傳感器（精度±1.5%，芬蘭VAISALA Oyj公司）。

1.3 模型建立

1.3.1 數(shù)據(jù)采集和預處理

通過PLC和各監(jiān)測傳感器采集烘絲過程13個數(shù)據(jù)［12］，監(jiān)測數(shù)據(jù)包括：入口含水率、入口溫度、物料流量、燃燒氣體流量、干燥氣體溫度、氣體返回溫度、蒸汽流量、排潮負壓、排潮溫度、出口含水率、出口物料溫度、環(huán)境溫度、環(huán)境濕度。其中，物料流量、干燥氣體溫度、燃燒氣體流量、蒸汽流量為控制參數(shù)。對每批次監(jiān)測數(shù)據(jù)和控制參數(shù)進行記錄，已結束批次形成歷史監(jiān)測數(shù)據(jù)，當前生產(chǎn)批次形成實時監(jiān)測數(shù)據(jù)。使用MySQL數(shù)據(jù)庫存儲數(shù)據(jù)，按日期對數(shù)據(jù)進行劃分并將不同日期數(shù)據(jù)存入不同表格中。例如，按秒采集和存儲數(shù)據(jù)，在MySQL中形成時間間隔為1 s的監(jiān)測數(shù)據(jù)，并為每批次數(shù)據(jù)賦予唯一id用以區(qū)分，同時創(chuàng)建group_record表記錄所有批次信息，包括批次id、開始時間、結束時間、物料牌號等信息。在監(jiān)測數(shù)據(jù)采集過程中，設備故障、環(huán)境干擾、操作不當?shù)纫蛩鼐鶗斐蓴?shù)據(jù)異常，為避免對建模產(chǎn)生影響需要剔除異常數(shù)據(jù)。本文中借助多元高斯分布［13］檢測和定位異常時刻，通過增加一個較小常數(shù)對數(shù)據(jù)進行判斷。如果數(shù)據(jù)小于常數(shù)，則將該時刻標記為異常時刻，并刪除該時刻數(shù)據(jù)。

1.3.2 數(shù)據(jù)集構建

將采集到的監(jiān)測數(shù)據(jù)構建一個13維度的集合，因烘絲過程監(jiān)測數(shù)據(jù)具有耦合性強、單維度分析價值低等特點，直接對原始數(shù)據(jù)建模無法獲得較好效果。因此，需要對監(jiān)測數(shù)據(jù)進行特征交叉衍生，挖掘數(shù)據(jù)之間的內在聯(lián)系。利用多特征求笛卡爾積［14］原理對特征空間中的非線性規(guī)律進行編碼產(chǎn)生合成特征，以增加特征維度。由于特征維度存在維度多、計算成本高等問題，需要對衍生特征進行降維并對最終特征進行增強。為此，根據(jù)烘絲過程監(jiān)測數(shù)據(jù)特點設計了降噪自編碼器［15］，用于對交叉衍生后特征進行深度融合和增強。如圖1所示，降噪自編碼器是一種自監(jiān)督學習模型，由隨機噪聲引入、編碼器（Encoder）、解碼器（Decoder）3部分組成，將原始數(shù)據(jù)作為標簽進行訓練，在Encoder中將加入噪聲的原始輸入編碼成隱層輸出，在Decoder中將隱層輸出重新構建成原始輸入，由此實現(xiàn)特征維度的降維。降噪自編碼器中的隱層輸出即為增強后的最終特征。

圖1 降噪自編碼器示意圖Fig.1 Schematic diagram of noise reduction autoencoder

1.3.3 模型建立與訓練

1.3.3.1 PID控制模式

原控制模式采用PID+人工調節(jié)方式控制出口含水率，即在PID出口含水率自動控制系統(tǒng)的基礎上，通過人工調整煙絲入口流量等參數(shù)進行含水率控制，控制流程見圖2。

圖2 改進前HDT出口含水率PID控制圖Fig.2 PID control diagram of moisture content in dried tobacco from HDT pneumatic tobacco dryer before modification

1.3.3.2 FATCN模型

FATCN模型將注意力機制［16］與時間卷積相結合，通過對13個參數(shù)的監(jiān)測數(shù)據(jù)進行深度特征提取，考察物料流量、干燥溫度、燃燒氣體流量、蒸汽流量4個控制參數(shù)與出口含水率的關系。如圖3所示，HDT原采用PID+人工調節(jié)輸入方式實現(xiàn)對輸出的調節(jié)和控制，改進后將FATCN模型替代PID+人工調節(jié)方式實現(xiàn)對控制參數(shù)的實時調整。

圖3 FATCN模型應用前后出口含水率控制流程圖Fig.3 Control flow of moisture content in dried tobacco before and after application of FATCN model

FATCN模型包括注意力機制和時間卷積網(wǎng)絡。假設出口含水率、出口溫度、入口含水率等13個參數(shù)的監(jiān)測數(shù)據(jù)經(jīng)過交叉衍生和特征增強后變換為X=［xi，j］N×T，其中N為特征個數(shù)，T為時間跨度。在融合注意力時間卷積網(wǎng)絡中，定義3個變換矩陣對X做三次線性變換，得到X的衍生矩陣，分別記為查詢矩陣Q、鍵矩陣K和值矩陣V，見公式（1）～（3）。

利用查詢矩陣Q和鍵矩陣K對值矩陣V進行更新，使模型選擇性地關注不同維度、不同時刻的信息，同時為輸入X的每個位置分配相應的權重，其計算結果為：

式中：σ為非線性激活函數(shù)，可以將值域映射到（0，1）之間；

本文中σ選用Sigmoid函數(shù)：

Sigmoid函數(shù)在0.5的位置最為敏感，能夠很好地區(qū)分值矩陣V中需要保留或抑制的部分。通過查詢矩陣Q和鍵矩陣K對值矩陣V進行更新，以及Sigmoid函數(shù)的作用，輸入X的每個位置的值被抑制或保留，從而選擇性地關注數(shù)據(jù)中的重要部分。卷積運算通常用于圖像處理［16］，本文中將卷積核在特征維度的大小設置為1，時間維度的大小設置為L，從而使卷積運算只在時間維度上進行，能夠有效提取特征的時變信息［17］。獲取烘絲過程的時變信息對于物料流量、烘干溫度、燃燒氣體流量、蒸汽流量4個控制參數(shù)的調整具有重要作用，F(xiàn)ATCN模型卷積核為：

式中：L為卷積核在時間維度上的大小。

將公式（4）的結果進行卷積運算可得：

最后，將Y輸入全連接神經(jīng)網(wǎng)絡中，將N個特征融合變換為一維數(shù)據(jù)：

式中：F為FATCN模型的最終輸出；wf為全連接神經(jīng)網(wǎng)絡的權值；b為偏移量。

1.3.3.3 卷積神經(jīng)網(wǎng)絡模型

卷積神經(jīng)網(wǎng)絡模型主要用于監(jiān)控數(shù)據(jù)，未通過查詢矩陣Q和鍵矩陣K對值矩陣V進行更新，也未分配每個位置相應的權重，直接利用公式（7）進行運算，最終得到輸出F的模型。

1.3.3.4 模型訓練

收集歷史監(jiān)測數(shù)據(jù)并進行預處理，按時間間隔120 s進行劃分作為訓練樣本，在第120 s處計算每個控制參數(shù)的調整量作為標簽。烘絲環(huán)節(jié)4個控制參數(shù)（物料流量、烘干溫度、燃燒氣體流量和蒸汽流量）對應4組標簽，采用Adam優(yōu)化器［18］對模型參數(shù)進行迭代更新，按不同標簽分別對FATCN模型進行訓練。更新過程為：

式中：gt為目標函數(shù)在t時刻的梯度；mt為一階矩陣估計；nt為二階矩陣估計；δ1和δ2為矩陣估計的指數(shù)衰減率；γt為待更新參數(shù)；α為學習率；ε為維持數(shù)據(jù)穩(wěn)定而添加的較小常數(shù)。

1.4 模型評估

采用均方誤差（Mean Squared Error，MSE）評價FATCN模型的控制性能。

1.5 運行環(huán)境及模型參數(shù)

FATCN模型運行于智能控制服務程序中，運行環(huán)境為邊緣計算機（Windows 10操作系統(tǒng)，處理器Intel i7 11700，64 GB內存，256 G SSD+2 TB硬盤），與MySQL 8.0.25進行數(shù)據(jù)交互。FATCN模型參數(shù)設置：時間窗長度T=120 s，降噪自編碼器的隱層輸出N=16，卷積核在時間維度上的大小L=8，控制參數(shù)調整時間間隔Δt=6 s。

1.6 運行測試

（1）出口含水率。分別選取2種牌號卷煙5批次測試FATCN模型、PID+人工調節(jié)和卷積神經(jīng)網(wǎng)絡模型，根據(jù)出口含水率標準值計算每批次出口含水率實際值與標準值的平均偏差s評價控制效果。

式中：wt為出口含水率實際值，%；w為出口含水率標準值，%；T為烘絲過程時長，s。

（2）干頭干尾量。分別選取2種牌號卷煙5批次測試FATCN模型、PID+人工調節(jié)和卷積神經(jīng)網(wǎng)絡模型。在干頭階段記錄每批次從出口含水率開始上升至標準值的時間Tsh以及該段時間內的累計物料質量Wmh；在干尾階段記錄每批次物料流量快速下降至零的時間Tst以及該段時間內的累計物料質量Wmt。

2 結果與分析

2.1 模型訓練結果與效果評估

收集2個月歷史監(jiān)測數(shù)據(jù)，共計78批次，隨機選取50批次構建樣本和標簽，作為模型訓練數(shù)據(jù)集；剩余28批次構建樣本和標簽，作為模型測試數(shù)據(jù)集。將構建的訓練集和測試集輸入FATCN模型進行訓練，采用均方誤差MSE對FATCN模型的控制準確性進行評價，直至測試集上的MSE在連續(xù)10個訓練步內無下降時停止訓練。由圖4可見，F(xiàn)ATCN經(jīng)過35個訓練步即可達到收斂，收斂速度能夠滿足控制要求。測試集在28個訓練步后MSE低于訓練集，表明FATCN具有較好的泛化能力，能夠對不同生產(chǎn)批次進行準確控制。

圖4 FATCN模型訓練和評估結果Fig.4 Results of training and evaluating of FATCN model

2.2 不同控制方式下出口含水率對比

由表1可見，2種牌號卷煙使用FATCN模型相較于PID+人工調節(jié)，平均偏差降低約0.105，降幅60%左右，相較于卷積神經(jīng)網(wǎng)絡，平均偏差降低約0.086，降幅55%左右。表明采用FATCN模型，出口含水率的準確性和穩(wěn)定性均有顯著提升。

表1 不同控制方式下不同牌號卷煙出口含水率對比Tab.1 Comparison of moisture content in dried tobacco for different brand cigarettes under different control methods

以批次1為例繪制2種牌號卷煙出口含水率變化曲線，見圖5。藍色曲線為出口含水率實際值wt，橙色曲線為出口含水率標準值w，在FATCN調整下2種牌號卷煙出口含水率波動均在（標準值±0.05）%范圍內，而PID+人工調節(jié)和卷積神經(jīng)網(wǎng)絡調整下的出口含水率波動范圍均在（標準值±0.6）%。因此，采用FATCN模型可有效提高出口含水率的穩(wěn)定性。

圖5 不同控制方式下不同牌號卷煙出口含水率變化曲線Fig.5 Variation curves of moisture content in dried tobacco for different brand cigarettes under different control methods

2.3 不同控制方式下干頭干尾量對比

由表2和表3可見，2種牌號卷煙干頭階段時，F(xiàn)ATCN相較于PID+人工調節(jié)，干頭時間Tsh平均減少約11 s，降幅9.7%左右；干頭物料質量Wmh平均減少約15.8 kg，降幅12.6%左右。FATCN相較于卷積神經(jīng)網(wǎng)絡，干頭時間Tsh平均減少約9.5 s，降幅8.3%左右；干頭物料質量Wmh平均減少約15.1 kg，降幅12.1%左右。2種牌號卷煙干尾階段時，F(xiàn)ATCN、PID+人工調節(jié)和卷積神經(jīng)網(wǎng)絡對干尾時間Tst和累計物料質量Wmt的控制效果無顯著差異。

表2 不同控制方法下A牌號卷煙干頭干尾量對比Tab.2 Comparison of over-dried tobacco amounts for cigarette brand A at start and finish drying stages under different control methods

表3 不同控制方法下B牌號卷煙干頭干尾量對比Tab.3 Comparison of over-dried tobacco amounts for cigarette brand B at start and finish drying stages under different control methods

3 結論

提出了一種基于FATCN的烘絲出口含水率控制方法，利用FATCN模型對HDT氣流式烘絲機監(jiān)測數(shù)據(jù)進行判別，準確判斷出口含水率的變化，在出口含水率出現(xiàn)偏差前即調整控制參數(shù)，較好地克服了控制過程時間滯后等問題。FATCN通過全過程數(shù)據(jù)訓練，能夠將干頭階段的出口含水率快速提升或降低至標準值，實現(xiàn)控制參數(shù)的實時調整，解決了傳統(tǒng)控制方式存在的控制精度低、調節(jié)滯后、依賴人工經(jīng)驗等問題。以成都卷煙廠生產(chǎn)的2種牌號卷煙為對象測試FATCN模型、PID+人工調節(jié)和卷積神經(jīng)網(wǎng)絡模型的控制效果，結果表明：FATCN相較于其他2種控制方式，出口含水率平均偏差分別降低約0.105和0.086，降幅分別為60%和55%左右；干頭物料質量分別減少約15.8和15.1 kg，降幅分別為12.6%和12.1%左右。出口含水率的穩(wěn)定性和準確性得到顯著提升，實現(xiàn)了烘絲過程自動化控制，增強了控制系統(tǒng)的魯棒性，有效提高了烘絲環(huán)節(jié)加工質量。