科技创新与应用

创新前沿 Technology Innovation and Application 2023 年 12 期

DOI：
10.19981/j.CN23-1581/G3.2023.12.006

基于模型预测的松散回潮水分控制研究
文广球 1，
周成林 2*，
吴文强 1，
何明奖 1，
江 婷 2，
王略韬 2，
邓红伟 2，
方世杰 2
（1.湖南中烟工业有限责任公司零陵卷烟厂，
湖南 永州 425006；2.首域科技（杭州）有限公司，
杭州 311202）

摘 要：松散回潮系统具有大时滞、干扰变量多等特性，出口水分控制难度大。为解决松散回潮出口水分控制不稳定及反馈不
及时等问题，采用相关性分析筛选出与松散回潮出口水分的相关变量，使用多元线性回归和神经网络建立松散回潮出口水分的预
测模型，对 2 种模型的效果进行验证，
在此基础上建立加水量实时在线优化控制模型。选取某烟厂生产数据对预测模型进行效果验
证。结果表明，多元线性回归模型和神经网络模型预测的平均相对误差分别为 0.3%、0.5%，多元线性回归模型表现出更好的变化趋
势描述能力。实施控制后松散回潮出口水分均值偏差由 0.151 减小为 0.098，松散回潮控制的准确性和稳定性显著提高，有效克服调
控滞后问题，控制过程的智能化和精细化水平提升。
关键词 ：模型预测控制；松散回潮水分；
相关性分析；
多元回归；
神经网络
中图分类号：TH128 文献标志码：A 文章编号：2095-2945 （2023 ）12-0028-04

Abstract: The loosening and conditioning system has the characteristics of large time delay and many disturbance variables,
which makes it difficult to control the outlet moisture. In order to solve the problems of unstable loose return outlet moisture
control and untimely feedback, correlation analysis was used to screen out the variables related to outlet moisture, and the
prediction models of outlet moisture were established using multiple linear regression and neural network, and the effects of the
two models were verified, based on which a real -time online optimal control model of water addition was established. The
production data of a tobacco plant was selected to verify the effect of the prediction model. The results showed that the average
relative errors of the prediction of the multiple linear regression model and the neural network model were 0.3% and 0.5% ,
respectively, and the multiple linear regression model showed better ability to describe the change trend. After the implementation
of the control, the deviation of the average outlet moisture was reduced from 0.151 to 0.098, which significantly improved the
accuracy and stability of the control process, effectively overcame the time-delay control problem, and enhanced the intelligence
and accuracy of the control process.
Keywords: model predictive control; moisture of the loosening and conditioning; correlation analysis; multiple regression; neural
network

在烟草生产各环节中，制丝生产是对卷烟品质起 口含水率预测模型，再由逼近法确定特定生产温湿度
决定作用的关键环节，其中烟丝回潮环节的水分控制， 下的最佳加水比例，
提高了出口含水率的控制效果。范
直接对其后续的烘丝和卷包环节的品质控制起到重要 勇等[3]运用回归分析建立了松散回潮过程分类别差异
影响。松散回潮的回潮滚筒是一个大时滞的控制系统， 性初始含水率设置控制模式，一定程度上提高了含水
给出口水分的稳定性控制增加了难度，为了改善松散 率的稳定性。但是这些研究对于产地和质量分布差异
回潮工序的水分波动大、不稳定等问题，许多学者对此 大的烟叶来说控制效果并不明显，控制的鲁棒性比较
[1]
进行了研究，比如，李秀芳 通过改善出口含水率的控 差，适用性不广。因此，本研究提出一种基于模型预测
制结构，并对工艺参数进行优化，减小了出口含水率的 的自适应的水分控制模型，对于批次来料不均、质量差
[2]
波动。陈晓杜等 基于 Elman 神经网络建立松散回潮出 异大的烟叶可以达到稳定水分控制的效果。

第一作者简介 ： 文广球（1970-），男，电气自控工程师。研究方向为电气自动化、智能控制和工业互联网等。
* 通信作者 ：周成林（1990-），
男，博士，技术总监。研究方向为智能制造、数字孪生技术、人工智能与工艺机理融合建模仿真与优化和
工业大数据应用。

- 28 -
 科技创新与应用
2023 年 12 期 Technology Innovation and Application 创新前沿




1 研究背景 这种情况下，
对操作人员的人工经验及专注力有较高要
回潮润叶过程是我国卷烟生产过程中广泛采用的 求，如果操作人员对参数修改不够及时，含水率会产生
[4]
一种预处理方法 ，其主要目的是改善烟叶的物理特 较大波动，并且频繁的界面转换、参数修改操作也容易
性，提高烟叶的温度和水分含量，通过喷水和热蒸汽对 造成人员疲劳，
使得出口含水率的稳定性出现震荡。
烟叶进行增温增湿，提高烟片耐加工性，使烟片均匀、 1.3 来料性质不稳定
松散，以满足后续工序对烟叶生产的要求。烟叶的含水 对于某些牌号来料差异性较大，不同烟包不同批
率是影响烟丝填充能力和卷制过程造碎率的关键指 次的烟片颜色、外观和吸水性等质量特性都会影响加
标，对烟支的质量、吸阻、硬度及燃吸品质和烟气化学 水流量的控制精度。另外，
烟包未经松散直接以烟块的
成分等都有影响。烟叶进料方式不同松散回潮的控制 形式进入松散回潮滚筒内，由于烟块之间的质量差异
出口含水率也不同，其稳定性对后续各工序工艺指标 大，进料不连续，给进口端的加水稳定控制增加了难
有着直接影响，因此松散回潮的出口水分的稳定控制 度，同时由于入口水分仪检测的是表面水分，而烟块的
尤为重要[5]，经调研松散回潮工序水分控制现状如下。 上料方式会影响水分仪的检测结果。
1.1 出口水分波动大 1.4 系统控制延时

通过对某卷烟厂现场工况进行调研，目前车间内 加水点与控制点之间的距离较长，属于大时滞系
松散回潮出口水分受来料烟片的水分差异大、蒸汽质 统。调整加水量后，
通常要经过 2～5 min 才能产生影响。
量和环境温湿度等因素影响，且计量不准确、烟片料头 2 数据分析
的薄片人工掺兑不稳定和系统故障断料等都会导致出 2.1 数据预处理
口水分波动，无法实现精准控制，普遍存在波动较大、 由于系统数据统计是覆盖生产全过程的时间统
批次间不一致等现象。 计，某些批次会因为生产过程故障出现数据缺失的情
1.2 人为经验依赖强 况，因此需要对缺失的批次数据进行删除；对于一些在
在实际调节过程中，水流量阀门的 PID 调节可以 厂内生产环境保持相对封闭的情况下不会发生太大变
实现对目标进口加水流量的追踪，
但是出口含水率并不 化的数据缺失，比如环境温湿度，使用在临近时间段内
能稳定在理想范围，需要操作人员一直监控出口含水 取均值的方法替代缺失值，以保证数据的完整性，最后
率，在其即将超出理想范围时及时修改加水量修正值。 得到有效的分析样本数据集见表 1。
表1 松散回潮相关数据表

入口含水率 进口加水量 物料流量 补偿蒸汽流量 热风温度 出口含水率

序号 时间 …
(%) /(kg·h ) /(kg·h ) / (m3·h ) /℃ (%)
1 2022-10-17 7-71 259-22 3 097-98 10-08 52-14 18-66 …
2 2022-10-17 7-74 259-06 3 098-04 10-15 52-13 18-67 …
3 2022-10-17 7-89 258-96 3 098-65 10-25 52-12 18-68 …
--- --- --- --- --- --- --- --- …
523743 2022-10-28 7-97 324-87 3 100-69 8-36 57-98 19-55 …
423744 2022-10-28 7-53 325-12 3 099-43 8-19 57-98 19-55 …
523745 2022-10-28 7-46 325-3 3 098-36 8-07 57-98 19-55 …

2.2 数据相关性分析 较大的变量有：秤瞬时流量、加水量测量值、入口含水

由于松散回潮过程是一个大时滞的系统，可测干 率、热风温度测量值和补偿蒸汽流量等。
扰和不可测干扰多，具有干扰变量多、特性复杂的特 2.3 数据时间关系分析
性，因此需要对统计的数据进行影响相关性分析，确定 松散回潮过程各变量的检测点分布在滚筒的前
对控制变量出口水分的影响较大的相关变量，从而保 端、中端和后端，若要进行出口水分的稳定控制，需要
障后续建模的准确度。数据预处理后对各变量进行 将各变量的时间关系对应，从而消除大时滞系统对控
Pearson 相关性分析，相关系数如图 1 所示。根据相关 制模型的影响。结合现场试验和数据分析计算，
得出各
性分析并结合生产工艺原理，得到与出口水分相关性 变量的时间对应关系，
入口水分仪到出口水分仪的时间

- 29 -
 科技创新与应用
创新前沿 Technology Innovation and Application 2023 年 12 期

为 200 s，
加水量测量点到出口水分仪的时间为 120 s。 型而言，因变量若为连续型变量，则采用普通的线性模
3 模型构建方法及讨论 型；若因变量为离散型变量（类型变量或计数变量），则
松散回潮过程本身具有时滞大、不可测干扰多的 需采用广义多元线性模型。
特点，且入口含水率、热风温度等可测干扰随时间变化 3.2 神经网络预测算法
剧烈。针对这些特点，本研究尝试使用预测前馈+反馈 BP（Back Propagation）神经网络是 20 世纪 80 年
控制方式对其进行优化控制。根据历史数据，利用神经 代被提出的一种多层前馈神经网络，由输入层（输入值
网络算法、多元回归分析法建立多因素出口水分预测 X1，X2，…，Xn）、隐含层（调整权值 ωij 和 ωjk）和输出层
模型，进而得到动态加水量预测模型，将实际出口含水 （得出预测值 Y1，Y2，…，Ym）构成，BP 神经网络的拓扑
率加入到反馈控制中，两者控制叠加得到最优加水量 结构的计算功能非常强大，稳定性好，适用于大量数据
作用于加水系统，
从而得到稳定的出口含水率。 的模型训练[6-7]。通过采集不同牌号的历史数据，不断地
加水量测量值 更改参数训练优化路径，输入不同的变量、不同的神经
排潮管路压力
补偿蒸汽流量 元进行模型的预测训练，预测控制加水量。
入口含水率
环境温度 3.3 预测模型验证
环境湿度
出口水分测量值 3.3.1 多元回归法预测分析
加水总量
热风温度测量值
将采集的历史数据进行样本分割，样本数据的
秤瞬时流量
秤 热 加 出 环 环 入 补 排 加 80%进行训练，样本数据的 20%进行测试，将目标参数
瞬 风 水 口 境 境 口 偿 潮 水
时 温 总 水 湿 温 含 蒸 管 量
流 度 量 分 度 度 水 汽 路 测
量 测
量
测
量
率 流
量
压
力
量
值
出口水分作为因变量 y 值，自变量因子为入口水分、进
值 值
-1 1
口加水量、热风温度、补偿蒸汽流量和物料流量，使用
图1 松散回潮各变量相关性分析结果图 多元回归法对出口水分预测模型进行训练，在此基础
3.1 多元线性回归分析 上建立加水量控制优化模型，将测试样本带入到加水
多元回归模型（Multivariate regression model）是描 量控制优化模型中，对预测结果进行统计分析验证，测
述一个因变量与多个自变量之间的相关关系。如果这 试结果如图 2 所示，预测结果的平均相对误差为
个关系是线性的，则可以采用线性多元回归模型来描 0.3%，
模型符合度较高。
述。反之，
则用非线性多元回归模型。对于多元线性模
326
加水量原始值
324 加水量预测值
加水量（%）

322
320
318
316
314
0 500 1 000 1 500 2 000 2 500 3 000 3 500
样本集/s
图2 基于多元回归的加水量预测效果图

3.3.2 神经网络法预测分析 进行对比验证，测试结果如图 3 所示，预测结果的平均

以松散回潮工序出口含水率的主要影响因素为输 相对误差为 0.5%。
入，烟叶出口含水率为输出，训练 BP 神经网络预测模 上述预测结果表明，多元线性回归模型预测的平
型，设定训练次数 1 000 次，训练学习率 0.01，训练目 均相对误差小于神经网络模型预测的平均相对误差，
标误差精度 1×10 -5，以 purelin 为训练传递函数，采用 多元线性回归的跟踪效果更好，采用多元线性回归的
梯度下降算法调整权重和阈值，得到出口水分的 BP 方法更适用于当前松散回潮的水分控制，因此采用多
神经网络预测模型。神经网络模型由于非显性考虑采 元线性回归模型来得到最优加水量，再将此最优加水
用迭代逼近法来获取误差范围内的理想加水量，使用 量输出到 PID 控制系统中，使得松散回潮出口水分的
测试数据将预测模型得到的理论加水量与实际加水量 实际值处于设定值允差范围内。
- 30 -
 科技创新与应用
2023 年 12 期 Technology Innovation and Application 创新前沿

322
加水量原始值
320 加水量预测值
加水量（%）

318
316
314
312
310
0 200 400 600 800 1 000 1 200 1 400
样本集/s

图3 基于 BP 神经网络的加水量预测效果图

3.4 控制效果分析 充，收集历史数据，根据相关性分析筛选出松散回潮出

在实际控制中由于烟叶牌号不同、批次间来料差 口含水率的主要影响因素。然后基于历史数据分别采
异大和入口物料间歇性进入滚筒等影响，需要利用出 用多元回归分析法和神经网络法建立松散回潮工序出
口水分的反馈对当前批次进行实时更新优化，对当前 口含水率的预测模型，并选取某烟厂的生产数据对 2
烟叶的吸水性等进行学习，进而达到精确的水分控制。 种模型的效果进行验证对比。其中，多元线性回归模型
为了更好地适应烟叶品牌等的变化，每天系统通过不 和神经网络模型预测平均相对误差 分 别 为 0.3% 和
断采集更新样本数据，保障根据时间的推移，模型的参 0.5%，表明多元线性回归模型表现出更好的变化趋势
数也会持续地在线优化和更新。图 4 为松散回潮出口 描述能力。因此基于多元线性回归预测模型建立加水
水分控制效果图，其中横坐标为序列，纵坐标为均值偏 量实时在线优化控制模型，得到最优加水量并输出到
差，由图 4 可知，控制前出口水分均值偏差为 0.151，控 PID 控制系统中，实际控制后松散回潮出口水分均值
制之后均值偏差减小为 0.098，减小 34%，控制后水分 偏差减小 34%，出口水分的真实值在设定值的允差（±0.5）
更加稳定。模型在实际上线控制过程中，由于现场工况 范围内，显著提高了松散回潮出口水分控制的准确性
的复杂性，烟块直接进入滚筒的不连续性给加水的控 和稳定性，调控滞后问题得到有效解决，控制过程的智
制带来了一定的难度，在适应烟块进入滚筒的不确定 能化和精细化水平得到了提升。
性及进口物料不连续性方面，
模型仍需改进优化。

0.4
参考文献：
[1] 李秀芳.烟片松散回潮关键工艺参数过程控制系统的优化设
0.35
计[C]//中国烟草学会，2016：701-710.
0.3
[2] 陈晓杜，郭天文，曹琦.基于 Elman 神经网络的卷烟制丝松散
0.25
均值偏差

回潮出口含水率控制方法[J].安徽农学通报，2016，22（8）：
0.2 118-119，136.
0.15 [3] 范勇，郑利锋，庞天航，等.烟叶松散回潮含水率控制方法的优
0.1 化[J].轻工科技，
2019，35（4）：123-125.

0.05 [4] 宋杰.稳定超级回潮机出口水分[J].山东工业技术，

2017（1）：
219.
[5] 董伟，李坤，王健，等.HAUNI 松散回潮滚筒含水率控制系统
0
0 10 20 30 40 50 60 70 80 的改进[J]．烟草科技，2012（11）：
20-25．
序列
[6] 许明艳.基于 ARIMA 模型和 BP 神经网络模型的江苏省 GDP
图4 松散回潮出口水分控制效果图 预测分析[D].济南：山东大学，
2020.
4 结论 [7] 邱锡鹏.神经网络与深度学习[M].北京：机械工业出版社，

基于模型预测的松散回潮出口水分控制，首先是 2020.

根据调研分析对数据入口水分的缺失进行传感器的补

- 31 -