摘" 要：卷煙質(zhì)量的好壞是衡量消費(fèi)者滿意度的關(guān)鍵度量因素。對(duì)于空頭這種卷煙過(guò)程中出現(xiàn)的A類質(zhì)量問(wèn)題，如何在生產(chǎn)過(guò)程中實(shí)時(shí)控制，降低其缺陷率一直是卷煙企業(yè)高度關(guān)注的焦點(diǎn)問(wèn)題。該文站在卷煙廠實(shí)際生產(chǎn)的角度，利用W市卷煙廠提供的實(shí)際生產(chǎn)數(shù)據(jù)，先后建立基于決策樹(shù)的最優(yōu)參數(shù)模型，BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型以及情景分析模擬仿真，對(duì)該卷煙廠的空頭剔除量過(guò)高且生產(chǎn)不穩(wěn)定的問(wèn)題進(jìn)行機(jī)臺(tái)參數(shù)控制區(qū)間尋優(yōu)以及多情景計(jì)算機(jī)模擬仿真，并給出相應(yīng)的解決方案。

關(guān)鍵詞：數(shù)字化轉(zhuǎn)型；設(shè)備最優(yōu)參數(shù)調(diào)控；決策樹(shù)；BP神經(jīng)網(wǎng)絡(luò)；情景分析

中圖分類號(hào)：F426.8" " " 文獻(xiàn)標(biāo)志碼：A" " " " " 文章編號(hào)：2095-2945（2024）25-0068-05

Abstract： The quality of cigarettes is the key factor to measure consumer satisfaction. For the category A quality problems in the process of short cigarettes， how to control them in real time in the production process and reduce their defect rate has always been the focus of cigarette enterprises. From the point of view of the actual production of the cigarette factory， using the actual production data provided by the W city cigarette factory， this paper successively establishes the optimal parameter model based on the decision tree， the BP neural network prediction model and the scenario analysis simulation. The machine parameter control interval optimization and multi-scenario computer simulation are carried out for the problem of excessive short elimination and unstable production in the cigarette factory， and the corresponding solutions are given.

Keywords： digital transformation; optimal parameter control of equipment; decision tree; BP neural network; scenario analysis

卷煙質(zhì)量的好壞是衡量消費(fèi)者滿意度的關(guān)鍵度量因素。某種意義上來(lái)說(shuō)，產(chǎn)品質(zhì)量決定了企業(yè)的核心競(jìng)爭(zhēng)力。隨著煙草企業(yè)信息化進(jìn)程的不斷推進(jìn)。煙草企業(yè)中積累的質(zhì)量管理和生產(chǎn)數(shù)據(jù)迅速增加，企業(yè)目前缺乏對(duì)這些數(shù)據(jù)進(jìn)行深層次的挖掘，缺少對(duì)卷煙機(jī)設(shè)備改造和檢測(cè)儀器改進(jìn)[1]。汪云等[2]通過(guò)“總體方差未知且大樣本情況下的點(diǎn)估計(jì)”參數(shù)估計(jì)建立了煙支空頭檢測(cè)率評(píng)價(jià)方法，可用于卷接包數(shù)據(jù)系統(tǒng)實(shí)現(xiàn)在線動(dòng)態(tài)追蹤。秦鵬等[3]則通過(guò)實(shí)驗(yàn)對(duì)比2種平整器對(duì)煙支空頭剔除率的影響，得出在同樣降低了煙支空頭率的情況下，三深三淺型平準(zhǔn)器具有更好的質(zhì)量穩(wěn)定性。最近云杰等[4]通過(guò)實(shí)驗(yàn)利用8種不同規(guī)格的平準(zhǔn)器研究其對(duì)煙支空頭、煙支指標(biāo)標(biāo)準(zhǔn)、感官質(zhì)量評(píng)吸的影響，得出8種不同規(guī)格平準(zhǔn)器對(duì)卷煙感官質(zhì)量沒(méi)有明顯影響。另外，錢(qián)文聰?shù)萚5]利用3次樣條抽樣分別繪制卷煙機(jī)小風(fēng)機(jī)轉(zhuǎn)速、回絲量以及VE風(fēng)室負(fù)壓與煙支重量的特征曲線，并以此為依據(jù)，對(duì)運(yùn)行參數(shù)進(jìn)行優(yōu)化。胡龍[6]以煙支為對(duì)象，在動(dòng)態(tài)視覺(jué)環(huán)境下從機(jī)器視覺(jué)、圖像處理、模式識(shí)別的角度研究煙支缺陷檢測(cè)算法。王端生等[7]提出基于VGG19網(wǎng)絡(luò)和YOLOv3網(wǎng)絡(luò)的多神經(jīng)網(wǎng)絡(luò)的煙支缺陷分類與定位方法。

在已有的研究中，一部分實(shí)證性探究煙支質(zhì)量缺陷診斷和檢測(cè)問(wèn)題，一部分通過(guò)實(shí)驗(yàn)探究不同品種不同型號(hào)設(shè)備對(duì)空頭剔除率的影響，另一部分研究卷煙機(jī)裝置的設(shè)計(jì)和改造；目前缺少在實(shí)際卷煙工藝過(guò)程中，對(duì)卷煙機(jī)設(shè)備參數(shù)優(yōu)化的研究，即通過(guò)調(diào)節(jié)具體參數(shù)值從而達(dá)到提升卷煙產(chǎn)品質(zhì)量的效果。為找到空頭質(zhì)量問(wèn)題的重要影響因素，本文通過(guò)構(gòu)建統(tǒng)計(jì)指標(biāo)，找到卷煙廠設(shè)備參數(shù)的最優(yōu)區(qū)間，使得存在空頭質(zhì)量缺陷的煙支少，卷煙機(jī)發(fā)揮最大效用。

1" 數(shù)據(jù)預(yù)處理及描述性統(tǒng)計(jì)分析

數(shù)據(jù)來(lái)源于W市卷煙企業(yè)，該卷煙廠每天有早、中2班，輪流安排甲、乙、丙3批工人工作，1機(jī)臺(tái)和2機(jī)臺(tái)共2個(gè)機(jī)臺(tái)同時(shí)進(jìn)行卷煙流水加工。數(shù)據(jù)集共包含865條卷煙機(jī)消耗工藝質(zhì)量信息和13個(gè)變量。

經(jīng)過(guò)數(shù)據(jù)預(yù)處理后，卷煙機(jī)消耗工藝質(zhì)量設(shè)備表中有日期、班別、班次、機(jī)臺(tái)類型、空頭剔除量和機(jī)臺(tái)參數(shù)設(shè)備（壓實(shí)端量、壓實(shí)端位置等）。為了探索班別、班次以及機(jī)臺(tái)是否對(duì)空頭剔除量存在顯著影響，我們將班別、班次、班次機(jī)臺(tái)作為因子，空頭剔除量作為響應(yīng)變量，進(jìn)行多因素方差分析，結(jié)果見(jiàn)表1。

由多因素方差分析表可知，班別、班次的p值均大于0.05，即班別和班次對(duì)空頭剔除量沒(méi)有顯著性影響，從而可排除班別、班次中存在的人為因素和時(shí)間因素干擾。機(jī)臺(tái)類型這一因素的顯著性水平遠(yuǎn)遠(yuǎn)低于0.05，說(shuō)明其對(duì)空頭剔除量影響十分顯著，即機(jī)臺(tái)設(shè)備的差異是導(dǎo)致空頭質(zhì)量缺陷的重要因素。因此，研究機(jī)臺(tái)主要設(shè)備參數(shù)指標(biāo)，包括短期標(biāo)偏、長(zhǎng)期標(biāo)偏、平整器位置、壓實(shí)端位置以及壓實(shí)端量位置對(duì)空頭剔除量極為重要?？紤]到空頭剔除量高低與卷煙產(chǎn)量有密切相關(guān)，于是對(duì)空頭剔除量指標(biāo)按照卷煙產(chǎn)量進(jìn)行加權(quán)變換，獲得空頭剔除率這一響應(yīng)變量指標(biāo)Y，即

機(jī)臺(tái)參數(shù)指標(biāo)壓實(shí)端量、壓實(shí)端位置、短期標(biāo)偏、長(zhǎng)期標(biāo)偏、平整器位置等作為自變量進(jìn)行下一步深層次分析。

2" 基于決策樹(shù)分類識(shí)別的參數(shù)最優(yōu)范圍

2.1" 基于CART算法的決策樹(shù)模型建立

本文采用機(jī)器學(xué)習(xí)算法CART決策樹(shù)，CART算法是根據(jù)Gini指數(shù)最小化的原則進(jìn)行選擇相應(yīng)特征。模型建立步驟如下。

步驟1：集合劃分。在卷煙機(jī)消耗工藝設(shè)備表數(shù)據(jù)集中按照3∶1的比例分別抽取訓(xùn)練集以及測(cè)試集的樣本，通過(guò)訓(xùn)練集建立模型，并使用測(cè)試集判斷模型的精確度。

步驟2：分類標(biāo)簽的確定。以空頭剔除率的上四分位點(diǎn)為界，將低于上四分位數(shù)的空頭剔除率作為低空頭剔除率，標(biāo)簽為0；將高于上四分位數(shù)的空頭剔除率作為高空頭剔除率，標(biāo)簽為1。

步驟3：計(jì)算基尼指數(shù)?；嶂笖?shù)是指在樣本空間中隨機(jī)選取的樣本被錯(cuò)誤分割的概率。低錯(cuò)誤分割概率，高純度陣列。相反，則意味著高錯(cuò)誤分割概率，低純度陣列。在給定的樣本數(shù)據(jù)集D中，我們給出Gini指標(biāo)如下

式中：pk表示類（0，1）在數(shù)據(jù)集中的相對(duì)頻度，也就是樣本數(shù)據(jù)屬于第（0，1）類的概率。Gini指標(biāo)的取值范圍會(huì)在0～0.5之間，當(dāng)所分集合G（p）=0時(shí)，那么這條路徑就已經(jīng)將所劃分下來(lái)的樣本集分類完成。

2.2" 后剪枝決策樹(shù)優(yōu)化

在研究過(guò)程中出現(xiàn)了決策樹(shù)過(guò)擬合問(wèn)題，采用了交叉驗(yàn)證進(jìn)行后剪枝優(yōu)化，首先在給定的未剪枝的決策樹(shù)T0上進(jìn)行部分剪枝得到新的決策樹(shù)T1，在得到的決策樹(shù)上繼續(xù)剪枝得到T2，重復(fù)操作，直到僅剩樹(shù)根的決策樹(shù)Tk，接著使用測(cè)試數(shù)據(jù)集對(duì)這K+1個(gè)決策樹(shù)進(jìn)行評(píng)價(jià)，找到損失函數(shù)最小的最優(yōu)樹(shù)Ta。對(duì)于給定的決策樹(shù)T0，操作具體步驟如下：①計(jì)算決策樹(shù)的剪枝系數(shù)；②找到最小剪枝系數(shù)的節(jié)點(diǎn)，將其子節(jié)點(diǎn)刪除，得到?jīng)Q策樹(shù)Tk；③不斷重復(fù)上述操作，直到產(chǎn)生只剩樹(shù)根的決策樹(shù)Tk；④得到K+1個(gè)決策樹(shù)，T0，T1，…，Tk；⑤通過(guò)測(cè)試樣本集找到最優(yōu)決策樹(shù)。

2.3" 混淆矩陣評(píng)價(jià)模型準(zhǔn)確度

對(duì)模型精度評(píng)價(jià)采用混淆矩陣的方式，混淆矩陣直觀性強(qiáng)，能夠精確地給出判斷準(zhǔn)確率。以空頭剔除率的上四分位點(diǎn)為界。對(duì)于1機(jī)臺(tái)，將空頭剔除率低于0.01 856的空頭剔除率標(biāo)簽為0；將空頭剔除率高于0.01 856的空頭剔除率標(biāo)簽為1。對(duì)于2機(jī)臺(tái)，將空頭剔除率低于0.02 316的空頭剔除率標(biāo)簽為0；將空頭剔除率高于0.02 316的空頭剔除率標(biāo)簽為1。我們將機(jī)臺(tái)1和機(jī)臺(tái)2的數(shù)據(jù)集均按照3∶1的比例隨機(jī)生成訓(xùn)練集和測(cè)試集。在1機(jī)臺(tái)進(jìn)行測(cè)試的48個(gè)樣本中，一共有37個(gè)樣本預(yù)測(cè)準(zhǔn)確。由此可得，決策樹(shù)的準(zhǔn)確率為77.08%。在2機(jī)臺(tái)進(jìn)行測(cè)試的49個(gè)樣本中，一共有36個(gè)樣本預(yù)測(cè)準(zhǔn)確。由此可得決策樹(shù)的準(zhǔn)確率為73.36%，說(shuō)明模型擬合效果較好，建立的決策樹(shù)模型具有意義。

2.4" 決策樹(shù)分類結(jié)果

通過(guò)我們對(duì)所生成決策樹(shù)的每一條路徑進(jìn)行結(jié)果分析，分別在每一個(gè)機(jī)臺(tái)得到一個(gè)最優(yōu)決策樹(shù)范圍，然后將所得到的決策樹(shù)范圍進(jìn)行整合，2個(gè)機(jī)臺(tái)結(jié)果如下，以空頭剔除率的上四分位點(diǎn)為界，將低于上四分位數(shù)的剔除率作為低空頭剔除率，標(biāo)簽為0；將高于上四分位數(shù)的剔除率作為高空頭剔除率，標(biāo)簽為1。

由圖1可知，1機(jī)臺(tái)決策樹(shù)設(shè)備參數(shù)的最優(yōu)范圍如下。

低剔除率：①短期標(biāo)偏（9.45，11.15]，壓實(shí)端量大于16.45；②短期標(biāo)偏小于等于9.45，平整器位置大于等于-4.95或小于等于-5.05；

高剔除率：①短期標(biāo)偏小于9.45，平整器位置（-5.05，-4.95]；②短期標(biāo)偏大于11.15。

同理可得2機(jī)臺(tái)決策樹(shù)設(shè)備參數(shù)的最優(yōu)范圍如下。

低剔除率：①短期標(biāo)偏（10.9，11.25]，壓實(shí)端量大于24.45；②短期標(biāo)偏[11.25，11.75），平整器位置小于等于-5.1；③短期標(biāo)偏大于11.7，平整器位置大于-5.1。

高剔除率：①短期標(biāo)偏小于等于10.9，壓實(shí)端量（24.25，24.45]；②短期標(biāo)偏（11.25，11.7），平整器位置大于-5.1；③短期標(biāo)偏大于11.7，平整器位置小于等于-5.1。

3" 基于機(jī)臺(tái)參數(shù)優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)模擬仿真

BP神經(jīng)網(wǎng)絡(luò)，建立在人腦神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上發(fā)展而來(lái)，是進(jìn)行分布式并行信息處理的一種自適應(yīng)系統(tǒng)。網(wǎng)絡(luò)對(duì)知識(shí)和信息的印象、聯(lián)想及處理是由神經(jīng)元的相互作用來(lái)實(shí)現(xiàn)。

3.1" BP神經(jīng)網(wǎng)絡(luò)模型構(gòu)建及分析

本文采用單隱藏層的三層神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，輸入層神經(jīng)元個(gè)數(shù)為5個(gè)（短期標(biāo)偏、平整器位置、壓實(shí)端量、壓實(shí)端位置和長(zhǎng)期標(biāo)偏）、1機(jī)臺(tái)和2機(jī)臺(tái)隱藏層的神經(jīng)元個(gè)數(shù)不同，輸出層神經(jīng)元個(gè)數(shù)均為1個(gè)。

以1機(jī)臺(tái)舉例，導(dǎo)入1機(jī)臺(tái)數(shù)據(jù)集，按7∶3的比例隨機(jī)劃分訓(xùn)練集和測(cè)試集，訓(xùn)練集樣本為134個(gè)，測(cè)試集樣本為58個(gè)。對(duì)訓(xùn)練集和測(cè)試集進(jìn)行歸一化處理。設(shè)置模型參數(shù)，學(xué)習(xí)率為0.001，創(chuàng)建神經(jīng)網(wǎng)絡(luò)如圖2所示。隱藏層神經(jīng)元個(gè)數(shù)是3個(gè)，迭代次數(shù)5 691。

對(duì)于2機(jī)臺(tái)，同樣按7∶3的比例隨機(jī)劃分訓(xùn)練集和測(cè)試集，訓(xùn)練集樣本為131個(gè)，測(cè)試集樣本為56個(gè)。隱藏層神經(jīng)元個(gè)數(shù)是7個(gè)，由神經(jīng)網(wǎng)絡(luò)混淆矩陣得出，1機(jī)臺(tái)BP模型擬合優(yōu)度為79.02%，2機(jī)臺(tái)BP模型擬合優(yōu)度為70.21%，說(shuō)明模型擬合效果好，可以用來(lái)預(yù)測(cè)。

3.2" 基于卷煙質(zhì)量水平情景分析

本文根據(jù)影響空頭質(zhì)量缺陷的各因素設(shè)定低、中、高3種范圍，提出了質(zhì)量危險(xiǎn)情景、質(zhì)量合格情景、質(zhì)量?jī)?yōu)秀情景3種未來(lái)可能發(fā)展情景，以下是各種情景設(shè)置的基本介紹，見(jiàn)表2、表3。

質(zhì)量危險(xiǎn)情景：這一情景的影響因素短期標(biāo)偏、平整器位置、壓實(shí)端量的取值等級(jí)均為高。這一情景假設(shè)是由于這3個(gè)設(shè)備因素的影響導(dǎo)致空頭剔除率瀕臨高剔除率。質(zhì)量危險(xiǎn)情景不利于企業(yè)生產(chǎn)的煙支滿足空頭剔除率較低的標(biāo)準(zhǔn)，但是可以給卷煙廠的工人在進(jìn)行設(shè)備調(diào)參時(shí)提供一個(gè)對(duì)照，若出現(xiàn)該階段的設(shè)備因素等級(jí)應(yīng)該著重關(guān)注，給出預(yù)警提醒。并且按照以下2個(gè)情景的參數(shù)等級(jí)進(jìn)行相對(duì)應(yīng)位置的調(diào)整。

質(zhì)量合格情景：這一情景的影響因素短期標(biāo)偏等級(jí)為低、平整器位置等級(jí)為低、壓實(shí)端量等級(jí)為中。此情景在設(shè)備參數(shù)調(diào)整相應(yīng)等級(jí)的影響下，空頭剔除率的范圍較為穩(wěn)定，滿足低剔除率的基本標(biāo)準(zhǔn)。該情景假設(shè)卷煙廠在接受煙支大額訂單情況下，可以保證在生產(chǎn)過(guò)程中煙支的空頭剔除率都處于低剔除率范圍內(nèi)，與質(zhì)量危險(xiǎn)情景相比，該階段的空頭剔除率更為穩(wěn)定而且較低，因此適合卷煙廠進(jìn)行大批量生產(chǎn)。

質(zhì)量?jī)?yōu)秀情景：這一情景的影響因素短期標(biāo)偏等級(jí)為中，平整器位置等級(jí)為低、壓實(shí)端量等級(jí)為中。質(zhì)量?jī)?yōu)秀情景假設(shè)在市場(chǎng)監(jiān)管力度較強(qiáng)的情況下，卷煙廠在現(xiàn)有的材料和設(shè)備的基礎(chǔ)上可以有效降低空頭剔除量并且保證相對(duì)穩(wěn)定地生產(chǎn)。在該情景下，卷煙廠可以通過(guò)對(duì)設(shè)備參數(shù)等級(jí)進(jìn)行科學(xué)的調(diào)控，在最大程度上使其生產(chǎn)質(zhì)量?jī)?yōu)秀的煙支。同時(shí)，該情景是針對(duì)現(xiàn)有卷煙廠相關(guān)要求制定，卷煙行業(yè)加大優(yōu)化設(shè)備參數(shù)等級(jí)、提高產(chǎn)煙效率，利用數(shù)字化的調(diào)控方法結(jié)合現(xiàn)代化的煙支生產(chǎn)過(guò)程，逐步向綠色穩(wěn)定優(yōu)質(zhì)發(fā)展挺進(jìn)。

3.3" 3種質(zhì)量水平情景的模擬仿真

利用卷煙廠空頭剔除率BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型可計(jì)算質(zhì)量危險(xiǎn)情景、質(zhì)量合格情景、質(zhì)量?jī)?yōu)秀情景3 種未來(lái)可能發(fā)展情景的空頭剔除率預(yù)測(cè)值，3種情景下的模擬仿真預(yù)測(cè)結(jié)果如圖3所示。圖3中最上面的一折根線對(duì)應(yīng)于質(zhì)量危險(xiǎn)情景，中間的線對(duì)應(yīng)于質(zhì)量合格情景，最下面的線對(duì)應(yīng)于質(zhì)量?jī)?yōu)秀情景。

對(duì)于質(zhì)量危險(xiǎn)情景：短期標(biāo)偏在（11.25，11.75）內(nèi)、平整器位置在（-5.7，-5.05）內(nèi)、壓實(shí)端量在（24.45，30.60）內(nèi)，模擬的空頭剔除率曲線較為平穩(wěn)，在0.020左右范圍波動(dòng)，處于瀕臨高剔除率的情況。

對(duì)于質(zhì)量合格情景：短期標(biāo)偏在（8.80，9.45）內(nèi)、平整器位置在（-4.3，0）內(nèi)、壓實(shí)端量在（24.45，30.60）內(nèi)，相對(duì)于質(zhì)量危險(xiǎn)情景相比只在短期標(biāo)偏這一設(shè)備參數(shù)進(jìn)行了調(diào)控，但是模擬的空頭剔除率結(jié)果卻截然不同，在0.018左右波動(dòng)，達(dá)到了大部分機(jī)臺(tái)的低剔除率范圍內(nèi)。

對(duì)于質(zhì)量?jī)?yōu)秀情景：短期標(biāo)偏在（9.45，11.15）內(nèi)，在平整器位置（-4.3，0）內(nèi)、在壓實(shí)端量（23.30，24.45）內(nèi)，在質(zhì)量合格情景的基礎(chǔ)上對(duì)短期標(biāo)偏以及壓實(shí)端量進(jìn)行了進(jìn)一步的調(diào)整，使模擬出來(lái)的空頭剔除率曲線較為穩(wěn)定且較低，大致為0.016，可以保證煙支的生產(chǎn)較為穩(wěn)定且因?yàn)榭疹^剔除的數(shù)量較少，最大化地利用現(xiàn)有資源達(dá)到最高的效率。

4" 結(jié)論與建議

通過(guò)決策樹(shù)模型劃分的最優(yōu)范圍，帶入擬合度較好的神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行3種情景分析模擬仿真可以發(fā)現(xiàn)。

1）對(duì)于W市卷煙廠來(lái)說(shuō)，班別和班次對(duì)空頭質(zhì)量缺陷的影響不大，卷煙機(jī)設(shè)備參數(shù)的差異很大程度上影響煙支質(zhì)量。調(diào)控設(shè)備參數(shù)可以有效地降低空頭剔除率較高的問(wèn)題。

2）在卷煙制造中，空頭這一A類質(zhì)量缺陷普遍存在，通過(guò)基于CRAT算法的決策樹(shù)模型，可以得出低空頭剔除率的最優(yōu)參數(shù)范圍，對(duì)于機(jī)臺(tái)1，低空頭剔除率的最優(yōu)參數(shù)范圍有2種情況。對(duì)于機(jī)臺(tái)2，低空頭剔除率的最優(yōu)參數(shù)范圍有3種情況，根據(jù)決策樹(shù)的調(diào)節(jié)參數(shù)設(shè)備的方法，將空頭剔除率控制在一個(gè)比較低的范圍內(nèi)，上下起伏波動(dòng)不大，且可以保證卷煙廠設(shè)備可以穩(wěn)定地產(chǎn)出一定量的卷煙。

3）在設(shè)備參數(shù)的調(diào)控中，最關(guān)鍵的設(shè)備參數(shù)主要是短期標(biāo)偏、平整器位置和壓實(shí)端量這3個(gè)因素，建議卷煙廠可以著重分析這3個(gè)因素。對(duì)于質(zhì)量危險(xiǎn)情景、質(zhì)量合格情景、質(zhì)量?jī)?yōu)秀情景3種未來(lái)可能發(fā)展情景。在質(zhì)量危險(xiǎn)情景下，卷煙廠的空頭剔除率比較危險(xiǎn)在0.020上下浮動(dòng)。這一情景的影響因素短期標(biāo)偏等級(jí)為高、平整器位置等級(jí)為高、壓實(shí)端量等級(jí)為高。在質(zhì)量合格情景下， 卷煙廠的空頭剔除率可以保持到0.018。這一情景的影響因素短期標(biāo)偏等級(jí)為低，平整器位置等級(jí)為低、壓實(shí)端量的等級(jí)為中；在質(zhì)量?jī)?yōu)秀情景下，卷煙廠的空頭剔除率可以較好地控制在0.016。這一情景的影響因素短期標(biāo)偏等級(jí)為中，平整器位置等級(jí)為低、壓實(shí)端量等級(jí)為中。

綜上所述，以決策樹(shù)模型下的最優(yōu)參數(shù)范圍作為基礎(chǔ)，針對(duì)不同機(jī)臺(tái)可以進(jìn)行自動(dòng)化服務(wù)，并且定期對(duì)設(shè)備進(jìn)行檢查，實(shí)時(shí)更新最優(yōu)參數(shù)范圍；通過(guò)神經(jīng)網(wǎng)絡(luò)在3種情景下進(jìn)行模擬仿真，卷煙廠可以在不同的情景下調(diào)整對(duì)應(yīng)的設(shè)備參數(shù)從而確保卷煙機(jī)產(chǎn)量穩(wěn)定且質(zhì)量有保障的煙支。

參考文獻(xiàn)：

[1] 朱鍵瀅.煙草生產(chǎn)過(guò)程中的工藝質(zhì)量管理措施探究[J].科技視界，2018（35）：242-243.

[2] 汪云，王爾燕，楊露娟.應(yīng)用參數(shù)估計(jì)法建立煙支空頭檢測(cè)剔除率評(píng)價(jià)方法[J].輕工標(biāo)準(zhǔn)與質(zhì)量，2015（1）：47-48.

[3] 秦鵬，黃江華，朱紹胤，等.卷煙機(jī)平準(zhǔn)器對(duì)煙支空頭率影響的探究[J].云南化工，2017，44（5）：104-105.

[4] 云杰，仇錦，郭春雷，等.不同規(guī)格平準(zhǔn)器對(duì)超細(xì)規(guī)格卷煙質(zhì)量的影響[J].科技創(chuàng)新與應(yīng)用，2021（2）：76-78，82.

[5] 錢(qián)文聰，李丹，楊麗霞.PT70卷煙機(jī)運(yùn)行參數(shù)對(duì)煙支重量穩(wěn)定性影響及優(yōu)化[J].科技創(chuàng)新與應(yīng)用，2020（25）：77-80.

[6] 胡龍.基于機(jī)器視覺(jué)的煙支缺陷自動(dòng)檢測(cè)技術(shù)研究[D].長(zhǎng)沙：湖南大學(xué)，2016.

[7] 王端生，管一弘，楊雄飛，等.一種基于多神經(jīng)網(wǎng)絡(luò)的煙支缺陷分類與定位方法[J].軟件導(dǎo)刊，2022，21（2）：184-188.