论文部分内容阅读
摘要：随着信息技术的不断发展，统计信息化水平取得快速发展，也赋予了“统计现代化”更多内涵。通过统计工具建立烘丝处电能消耗模型，使得电能消耗大幅减少。在建立模型的过程中，又对原有的生产模式进行了优化，最终得出的模型与bp神经网络预测的结果一致，减少了电能的消耗，也完成了公司和厂的节能消耗的目标。
关键词：电能损耗;统计工具;bp神经网络
一、引言
制丝线烘丝系统主要包括烘叶丝机排潮、叶丝柔性风选等，是烟草制丝线的重要組成部分，其装机容量在制丝线占比较大，是关键耗能设备。从动力部提取了2020年6月～8月份万支卷烟耗电量消耗情况进行了统计调查。根据调查，河南中烟某兄弟厂家，其相同型号烘丝机每万支卷烟电能消耗量为4.7kW·h /万支。同时，中烟公司年度降本增效目标要求南阳厂烘丝过程电能消耗的责任目标是5.0kW·h /万支，目标是4.7kW·h /万支。
二、模型理论
反向神经网络（BP神经网络）理论的原理是误差的反向传导。BP神经网络中的神经元是分层排列的，依次为输入层、隐含层和输出层。首先，数据进入到输入层，其次输入层进入导隐含层，再次由隐含层进入到输出层，最后由输出层输出最终结果，其中前两个传递过程是正向传播，当实际输出的误差较大时，误差就会逐层向隐含层和输入层反传，即误差的反向传播。
三、过程分析、查找原因
（一）数据筛选
首先对2020年配电室6月3日-27日的每天烘丝机电能消耗量及卷烟产量收集整理。去除异常数据（标注实验批次）后，对所有批次生产数据进行分析建模。
（二）原因分析
首先通过Minitab工具绘制了6月份万支卷烟电能消耗量数据：
部分万支卷烟电能消耗量数据超过上限值，CPK为0.17，过程能力较低，有较大改善空间。
根据生产数据判断出了风选风门开度、风选风机频率、排潮风量、滚筒电机频率、热风风速是影响烘丝耗电的主要因素，建立万支卷烟耗电量（y）与其主要因素间的回归模型。而排潮风量目前调节方式为人工调节阀门控制，人为不加以干涉则风量随生产逐渐变化，所以针对排潮风量分运用一元回归分析。要找出上述因子之间的关系，以及定量的描述它们对万支卷烟耗电量的具体影响。对于因子排潮风量，我们运用原理分析的方法加以解决;对于其它四个因子，运用DOE进行最佳因子参数确定。
四、优化关键因子、建立模型
（一）优化排潮风量
从烘丝机结构分析，根据风量平衡原理，烘丝机进出风量满足以下公式：
烘丝机排潮风量=热风风量+进料口补风量+出料口补风量
采用逐步减小排潮风机电机频率方法减小风量，当风量减小到7119m3/h附近时，落料口负压接近于0，综合其它因素，选取7119m3/h作为最优排潮风量。
在烘丝机排潮智能控制模式投入运行前，风机电机全速运行，风量调节靠排潮风门开度调节，通常烘丝机端风门开度固定为50%，除尘器端风门开度固定为5/6;项目实施后，风机电机变频调速控制，烘丝机端、除尘器端风门全开，排潮风机实行定风量控制，采用7119m3/h设定值运行，统计一周的生产数据。改善后，烘丝机电能消耗波动范围趋窄，均值由5.5kwh/万支降低到5.3kwh/万支，取得了一定效果。
（二）DOE试验
在改进阶段，在不同的因子设置情况下进行DOE试验，找到关键因子的最佳组合，从而降低烘丝系统耗电量。另外，在试验的同时保证其它工艺条件的相对稳定。设置输出变量Y：每生产万支卷烟烘丝系统耗电量。每次试验中我们修改因子设定值，通过动力部配电室采集烘丝机耗电量实际值，并做记录。
为防止其他未纳入本实验的因子发生改变而影响实验的结果，根据经验将这些因子确定为控制因子， 在实验进行过程中，监控并记录这些因子变化的情况，从而使实验得到更准确的结论。根据因子水平设计表，设计了2IV4+4试验（4因子2水平外加3个中心点的全因子试验）。
（三）拟合选定模型
拟合因子有万支卷烟耗电量与风选风门开度、风选风机频率、热风风速。
通过计算可得回归模型的标准方差为0.0471，回归模型误差占总误差的百分比为90.06%，数值越大表明回归模型与数据吻合得越好。调整后的回归模型误差占总误差的百分比为87.22%，预测误差的平方和为0.0551，说明回归模型吻合较好。
通过Minitab对万只卷烟耗电量进行分析，可判定模型是有效的。对应弯曲项的P值为0.524>0.05，响应变量加香精度无弯曲现象。失拟一栏P值为0.147>0.05，回归模型也没有失拟情况。
由上述分析，可以认定已选定了最终模型。根据计算结果提供的数值，得出代码化数据的回归方程，即为：
其中：A：风选风门开度 B：风选风机频率 D：热风风速
（四）BP神经网络预测
将因子数据数据归一化，带入bp神经网络进行拟合训练。要建立四个主成分与万支卷烟消耗量之间的映射关系，先对计算出的主成分数值做归一化，保证数据在0-1之间。
经过神经网络反复训练，确定输入层有三个节点，隐含层有五个节点，输出层有一个节点，在误差允许的范围内，神经网络预测值与模型方程的计算值、实际测量值相等。BP神经网络模型的预测结果较好，符合模型的误差精度要求，可以用来进行需求预测。根据文中建立的模型预测出2021年4月的万支卷烟耗电量为4.6kW·h左右，与计算值相差比较小，预测结果较为合理。
本文先对万支卷烟耗电量相关指标进行优化，在不丢失原始数据信息的前提上，将多维数据降到4维，进而使BP神经网络模型的输入层、隐含层的神经元数量同步减少，大大提高了模型的效率。后将4个主要因子作为输入变量进行神经网络分析预测，构建万支卷烟耗电量的预测模型，为烟草行业的节能减耗提供了参考依据。
结束语：
1.结论：万支卷烟耗电量数据较为稳定，均在5.0kW·h/万支以下，均值为4.6kW·h/万支，完成了预期目标。对过程能力的西格玛水平进行计算，万支卷烟耗电量过程能力已达到3.24，过程能力较强。
2.万支卷烟耗电量由原来的5.8kW·h降为4.6kw，每万支可节约电量1.2kW·h。通过统计工具建立烘丝处电能消耗模型，使得电能消耗大幅减少。在建立模型的过程中，又对原有的生产模式进行了优化，最终得出的模型与bp神经网络预测的结果一致，减少了电能的消耗，也完成了公司和厂的节能消耗的目标。
参考文献
[1] 陆正卿， 方维岚. 基于BP神经网络的烟草企业能耗预测的研究与应用[J]. 山东化工， 2018（019）：196-198.
[2]吴明山，王冰，起亚宁，郑飘.卷烟销量组合预测模型研究[J].中国烟草学报，2019，25（03）：84-91.
[3] 王嵘冰， 徐红艳， 李波，等. BP神经网络隐含层节点数确定方法研究[J]. 计算机技术与发展， 2018（004）：31-35.
[4] 许昌，吕剑虹，程明，郑源.一种神经网络PID自适应控制及其应用研究.智能控制技术及应用，2007，14（3）：284-286.
[5] 熊中刚，刘小雍，金星.基于模糊理论的参数自适应PID智能控制系统.农机化研究，2019：33-38.
关键词：电能损耗;统计工具;bp神经网络
一、引言
制丝线烘丝系统主要包括烘叶丝机排潮、叶丝柔性风选等，是烟草制丝线的重要組成部分，其装机容量在制丝线占比较大，是关键耗能设备。从动力部提取了2020年6月～8月份万支卷烟耗电量消耗情况进行了统计调查。根据调查，河南中烟某兄弟厂家，其相同型号烘丝机每万支卷烟电能消耗量为4.7kW·h /万支。同时，中烟公司年度降本增效目标要求南阳厂烘丝过程电能消耗的责任目标是5.0kW·h /万支，目标是4.7kW·h /万支。
二、模型理论
反向神经网络（BP神经网络）理论的原理是误差的反向传导。BP神经网络中的神经元是分层排列的，依次为输入层、隐含层和输出层。首先，数据进入到输入层，其次输入层进入导隐含层，再次由隐含层进入到输出层，最后由输出层输出最终结果，其中前两个传递过程是正向传播，当实际输出的误差较大时，误差就会逐层向隐含层和输入层反传，即误差的反向传播。
三、过程分析、查找原因
（一）数据筛选
首先对2020年配电室6月3日-27日的每天烘丝机电能消耗量及卷烟产量收集整理。去除异常数据（标注实验批次）后，对所有批次生产数据进行分析建模。
（二）原因分析
首先通过Minitab工具绘制了6月份万支卷烟电能消耗量数据：
部分万支卷烟电能消耗量数据超过上限值，CPK为0.17，过程能力较低，有较大改善空间。
根据生产数据判断出了风选风门开度、风选风机频率、排潮风量、滚筒电机频率、热风风速是影响烘丝耗电的主要因素，建立万支卷烟耗电量（y）与其主要因素间的回归模型。而排潮风量目前调节方式为人工调节阀门控制，人为不加以干涉则风量随生产逐渐变化，所以针对排潮风量分运用一元回归分析。要找出上述因子之间的关系，以及定量的描述它们对万支卷烟耗电量的具体影响。对于因子排潮风量，我们运用原理分析的方法加以解决;对于其它四个因子，运用DOE进行最佳因子参数确定。
四、优化关键因子、建立模型
（一）优化排潮风量
从烘丝机结构分析，根据风量平衡原理，烘丝机进出风量满足以下公式：
烘丝机排潮风量=热风风量+进料口补风量+出料口补风量
采用逐步减小排潮风机电机频率方法减小风量，当风量减小到7119m3/h附近时，落料口负压接近于0，综合其它因素，选取7119m3/h作为最优排潮风量。
在烘丝机排潮智能控制模式投入运行前，风机电机全速运行，风量调节靠排潮风门开度调节，通常烘丝机端风门开度固定为50%，除尘器端风门开度固定为5/6;项目实施后，风机电机变频调速控制，烘丝机端、除尘器端风门全开，排潮风机实行定风量控制，采用7119m3/h设定值运行，统计一周的生产数据。改善后，烘丝机电能消耗波动范围趋窄，均值由5.5kwh/万支降低到5.3kwh/万支，取得了一定效果。
（二）DOE试验
在改进阶段，在不同的因子设置情况下进行DOE试验，找到关键因子的最佳组合，从而降低烘丝系统耗电量。另外，在试验的同时保证其它工艺条件的相对稳定。设置输出变量Y：每生产万支卷烟烘丝系统耗电量。每次试验中我们修改因子设定值，通过动力部配电室采集烘丝机耗电量实际值，并做记录。
为防止其他未纳入本实验的因子发生改变而影响实验的结果，根据经验将这些因子确定为控制因子， 在实验进行过程中，监控并记录这些因子变化的情况，从而使实验得到更准确的结论。根据因子水平设计表，设计了2IV4+4试验（4因子2水平外加3个中心点的全因子试验）。
（三）拟合选定模型
拟合因子有万支卷烟耗电量与风选风门开度、风选风机频率、热风风速。
通过计算可得回归模型的标准方差为0.0471，回归模型误差占总误差的百分比为90.06%，数值越大表明回归模型与数据吻合得越好。调整后的回归模型误差占总误差的百分比为87.22%，预测误差的平方和为0.0551，说明回归模型吻合较好。
通过Minitab对万只卷烟耗电量进行分析，可判定模型是有效的。对应弯曲项的P值为0.524>0.05，响应变量加香精度无弯曲现象。失拟一栏P值为0.147>0.05，回归模型也没有失拟情况。
由上述分析，可以认定已选定了最终模型。根据计算结果提供的数值，得出代码化数据的回归方程，即为：
其中：A：风选风门开度 B：风选风机频率 D：热风风速
（四）BP神经网络预测
将因子数据数据归一化，带入bp神经网络进行拟合训练。要建立四个主成分与万支卷烟消耗量之间的映射关系，先对计算出的主成分数值做归一化，保证数据在0-1之间。
经过神经网络反复训练，确定输入层有三个节点，隐含层有五个节点，输出层有一个节点，在误差允许的范围内，神经网络预测值与模型方程的计算值、实际测量值相等。BP神经网络模型的预测结果较好，符合模型的误差精度要求，可以用来进行需求预测。根据文中建立的模型预测出2021年4月的万支卷烟耗电量为4.6kW·h左右，与计算值相差比较小，预测结果较为合理。
本文先对万支卷烟耗电量相关指标进行优化，在不丢失原始数据信息的前提上，将多维数据降到4维，进而使BP神经网络模型的输入层、隐含层的神经元数量同步减少，大大提高了模型的效率。后将4个主要因子作为输入变量进行神经网络分析预测，构建万支卷烟耗电量的预测模型，为烟草行业的节能减耗提供了参考依据。
结束语：
1.结论：万支卷烟耗电量数据较为稳定，均在5.0kW·h/万支以下，均值为4.6kW·h/万支，完成了预期目标。对过程能力的西格玛水平进行计算，万支卷烟耗电量过程能力已达到3.24，过程能力较强。
2.万支卷烟耗电量由原来的5.8kW·h降为4.6kw，每万支可节约电量1.2kW·h。通过统计工具建立烘丝处电能消耗模型，使得电能消耗大幅减少。在建立模型的过程中，又对原有的生产模式进行了优化，最终得出的模型与bp神经网络预测的结果一致，减少了电能的消耗，也完成了公司和厂的节能消耗的目标。
参考文献
[1] 陆正卿， 方维岚. 基于BP神经网络的烟草企业能耗预测的研究与应用[J]. 山东化工， 2018（019）：196-198.
[2]吴明山，王冰，起亚宁，郑飘.卷烟销量组合预测模型研究[J].中国烟草学报，2019，25（03）：84-91.
[3] 王嵘冰， 徐红艳， 李波，等. BP神经网络隐含层节点数确定方法研究[J]. 计算机技术与发展， 2018（004）：31-35.
[4] 许昌，吕剑虹，程明，郑源.一种神经网络PID自适应控制及其应用研究.智能控制技术及应用，2007，14（3）：284-286.
[5] 熊中刚，刘小雍，金星.基于模糊理论的参数自适应PID智能控制系统.农机化研究，2019：33-38.