基于NARX神经网络的HXD出口水分稳定性研究

成帅帅,牛序策,代超 ,黄文超

摘  要

HXD气流干燥设备流量大、干燥速度快，然而随着使用年限的增加，设备的工艺质量保障能力达不到企业高质量发展的要求。本研究应用大数据、物联网、人工智能等技术，建立基于NARX神经网络的HXD单机智能控制模型，对HXD系统控制水流量进行优化控制，并将优化结果实时反馈至PLC系统，赋能传统设备，将HXD出口水分标偏达标率提升至93.5%，进而提升其加工过程的稳定性，提升产品的感官质量。

关键词：动态神经网络、气流烘丝、控制水、智能控制

0引言

HXD（高温气流式叶丝干燥机），利用高温气流对回潮后的叶丝进行高强度处理，以获得较高的膨胀率，有效降低烟支焦油含量，去除烟草青杂气。在HXD生产工艺中，烟丝通过循环的高温气体干燥，由于烟草细胞中产生的蒸汽压力大于通过细胞壁泄漏的蒸汽压力，细胞壁内外的压力差使得烟丝较传统的干燥方式更充分的膨胀。随着使用年限的增加，HXD加工性能及其对产品的保障能力逐步下降，且新版卷烟工艺规范气流烘丝的工艺标准提出了更高的要求，其中出口水分标准偏差的工艺标准为小于0.17%。

统计HXD生产的1021个批次的关键工艺质量控制参数生产数据，其出口水分标准偏差满足新版工艺要求（≤0.17%）的批次占比为78.3%，且不同批次出口水分平均值的标准偏差达到0.08%，由此可见HXD出口水分的批内稳定性及批间稳定性较差，不满足企业高质量发展的需求。

针对当前HXD控制过程存在的问题，本研究主要研究内容为应用机器学习的方法，建立动态神经网络（NARX）智能控制模型，对HXD出口水分控制参数加水量进行实时优化控制，提高HXD出口水分的稳定性。

1 材料与方法

1.1 数据来源

由于HXD实时控制对数据通讯的时效性要求非常高，需要在较短的时间内完成数据采集、数据分析及反向控制，且智能控制模型的训练需要依赖大量的历史数据，为了满足数据通讯时效性及模型训练数据量的需求，需要一个完善的数据平台进行支撑，保证设备控制的实时性和准确性。

本研究搭建通过HXD数据平台，缩短数据传输链路，降低数据传输时间，优化数据存储方案。数据平台是本研究进行数据交互的基础，作为底层数据与机器学习平台之间交互的枢纽，主要包括数据采集、数据存储、数据实时交互、反向控制等功能。数据传输过程中基于数据通讯引擎DataHubCore，通过DataBridging连接制丝车间原有数采系统与HXD数据平台数据存储系统，实现数据的实时存储，其中存储系统采用时序数据库保证数据读取和写入的效率；通过OPCUAsupport实现数据的反向传输，确保智能控制模型的输出结果实时准确写入底层控制点位。

图1 HXD数据平台架构图

1.2 NARX动态神经网络

NARX动态神经网络是具有外源输入的非线性自回归动态神经网络，不同于集中输入层的动态网络或前馈网络，NARX是一种在静态多层感知器基础上通过引入延时模块及反馈构成的递归动态网络。NARX动态神经网络模型基于线性ARX模型，适用于非平稳序列的建模问题。NARX神经网络的结构主要由输入层、隐藏层和输出层以及延时层构成。结合数据序列增长趋势，隐含层激励函数选用softplus函数，输出层为purelin传递函数。

式中，为神经网络输出；f（.）为非线性函数，为神经网络输入；，分别为输入延迟数和输出反馈延迟数。

NARX动态神经网络只要有足够的隐藏层神经元，一个隐藏层采用S型传输函数、输出层采用线性传输函数的两层网络几乎能以任意精度逼近任意函数，所以本文使用的NARX神经网络只包含１个隐藏层，隐藏层神经元采用sigmod传输函数，输出层采用线性传输函数｡Sigmod函数具有非常好的对称性，且输出范围有限，数据在传递的过程中不容易发散，图2为NARX神经网络结构图｡

图2 NARX神经网络结构图

根据NARX神经网络训练方法，将当前时刻和上一时刻HXD的设备参数、工艺参数、环境温湿度等信息作为神经网络输入，可以达到较好的出口水分控制效果，所以本研究创建的NARX神经网络输入输出延迟数均设置为1｡隐藏层神经元数目对出口水分的控制效果有较大的影响，神经元数目过少则神经网络无法对输入输出关系进行良好的拟合，神经元数目过多会造成神经网络训练参数过多､训练时长增加，而且当神经元数量过多时，在训练数据上，神经网络将会出现过拟合，尽管在训练数据上的训练误差很小，但神经网络模型无法应用于实际生产｡

网络训练方法采用LM(Levenberg⁃Marquardt)算法，LM算法是牛顿法的一个改进，用于最小化非线性函数平方和，非常适用于对采用均方误差为性能指标的神经网络进行训练。在网络参数个数适中的情况下，LM算法有较快的训练速度。

1.3模型搭建

模型搭建过程分为三部分：数据预处理、模型训练和模型预测。实验数据来自HXD数据平台采集的生产过程数据，采样频率为1秒/次，共包含213个生产批次，将数据分为两部分，其中90%数据用于训练，10%数据用于测试。

1.3.1数据处理

对数据标准化可加快网络训练收敛速度，提高模型训练的精度，消除范围较大的特征值对梯度更新所带来的影响。本文采用以下方法对数据进行标准化处理。数据标准化用公式表示为：

式中，为标准化后的数据；x为原始数据序列；、分别为原始数据集的最大值和最小值。

1.3.2模型训练

第一步，确定NARX神经网络各层次的层数，由于输入的设备、工艺、环境参数共26个，因此输入层为26层，输出为控制水流量，所以输出层为1层，隐含层为h层，其计算公式为：

式中：n为输入层层数；m为输出层层数；a为1-10的常数。通过计算本次模型隐含层为12层。

第二步，确定训练步长，本研究采用线性缩减策略，保证训练过程稳定。

第三步，初始化模型的权值和阈值，本研究采用默认参数即可保证训练精度。

第四步，模型参数更新，通过梯度下降法，确定能使适应度最小的权值和阈值。

第五步，迭代停止并生成最优解，算法运行完成后，此时NARX模型中存储的值就是本次训练得到的最优解，即可通过模型实时预测控制水流量。

1.3.3模型预测

模型的评价指标，选择Rsme（均方根误差）和MAE（平均绝对误差）。其中MAE能更好的反映预测误差的实际情况，MSE是用来衡量观测值和真实值之间的偏差。

式中，为训练的样本总数；为预测值，为真实值。

图 训练结果示意图

根据上述公示分别计算NARX模型训练集和测试集的训练结果，其中训练集MAE值为0.05，MSE值为0.06，测试集MAE值为0.05，MSE值为0.07。我们可知，训练集和测试集的MAE和MSE值较小，网络的预测精度值可以达到最高。

图 拟合曲线示意图

图7是HXD控制水流量预测值与真实值的拟合曲线，拟合效果良好，我们可以得出结论，模型可以满足HXD出口水分控制的需求，且具有较好的性能。

2效果验证

将训练好的模型部署在生产环境中，验证模型对出口水分的控制效果，部分验证数据如下，各个批次出口水分标准偏差均满足新版卷烟工艺规范要求。

批次号	控制水流量均值	出口水分均值	出口水分标准偏差
1	268.1	13.48%	0.14%
2	267.5	13.49%	0.12%
3	266.3	13.51%	0.13%
4	271.5	13.52%	0.15%
5	275.6	13.50%	0.16%
6	271.7	13.47%	0.15%
7	262.6	13.49%	0.14%
8	279.3	13.51%	0.15%
9	282.7	13.52%	0.16%
10	281.2	13.49%	0.15%

3结论

本研究深度挖掘历史数据存在的规律，应用NARX神经网络算法，经过模型训练和参数优化，搭建HXD出口水分智能控制模型，生产过程中实时预测控制水流量，提升HXD的控制水平，减少人为干预的同时，保证物料感官质量的稳定性。智能控制模型应用后消除了HXD生产过程中的人为干预，出口水分标偏达标率93.5%，改善效果显著。