引言

打葉復(fù)烤是卷煙工業(yè)企業(yè)進(jìn)行原料初挑、模塊配方、均勻性提升的重要環(huán)節(jié)[1]，是實現(xiàn)煙葉理化性質(zhì)調(diào)節(jié)與品質(zhì)穩(wěn)定控制的核心工藝過程，復(fù)烤不僅是原料煙進(jìn)入工業(yè)加工前的必要環(huán)節(jié)，更是保障煙葉感官質(zhì)量與生產(chǎn)一致性的重要技術(shù)手段。復(fù)烤包括一潤、二潤和烤片三個關(guān)鍵的環(huán)節(jié)[2]，每個環(huán)節(jié)對應(yīng)不同的技術(shù)目標(biāo)與操作特征：一潤階段通過噴霧加濕和熱風(fēng)預(yù)處理，使煙葉吸收均勻水分，增強其柔韌性；二潤階段通過二次加濕與熱平衡調(diào)控，使煙葉結(jié)構(gòu)趨于穩(wěn)定并恢復(fù)彈性；烤片階段則通過精確的溫濕度控制實現(xiàn)最終脫水與定型，從而改善煙葉的色澤、香氣及燃燒性能。

在這些環(huán)節(jié)中，加水方式[3]、熱風(fēng)溫度、相對濕度、蒸汽流量、風(fēng)速及物料輸送速度[4]等關(guān)鍵工藝參數(shù)對最終煙葉品質(zhì)具有直接影響。溫度過高可能導(dǎo)致香氣成分過度揮發(fā)、葉片表面碳化，而濕度控制不當(dāng)則可能導(dǎo)致煙葉返潮或破碎。由此可見，復(fù)烤工藝的核心在于參數(shù)的精準(zhǔn)調(diào)控與各環(huán)節(jié)間的動態(tài)協(xié)調(diào)。

然而，長期以來，復(fù)烤生產(chǎn)過程依賴工藝人員的經(jīng)驗判斷進(jìn)行參數(shù)設(shè)定和調(diào)整。由于煙葉原料來源復(fù)雜、批次差異大，且受季節(jié)、設(shè)備老化、環(huán)境濕度等因素影響，人工調(diào)節(jié)常存在滯后性和主觀性，容易導(dǎo)致過程波動與產(chǎn)品不均一。傳統(tǒng)工藝參數(shù)控制方法多為規(guī)則設(shè)定或經(jīng)驗?zāi)Ｐ停狈?shù)據(jù)反饋與動態(tài)優(yōu)化能力。特別是在高強度連續(xù)生產(chǎn)條件下，傳統(tǒng)控制策略難以應(yīng)對煙葉含水率、溫度及其他物性指標(biāo)的隨機(jī)波動，導(dǎo)致產(chǎn)品質(zhì)量一致性不足，能耗偏高，生產(chǎn)效率受限。值得注意的是，復(fù)烤過程中的環(huán)境波動與數(shù)據(jù)采集精度也對模型預(yù)測性能產(chǎn)生顯著影響。由于復(fù)烤設(shè)備運行環(huán)境中溫濕度存在時變性，傳感器在高溫高濕條件下易出現(xiàn)測量漂移或延遲，從而導(dǎo)致輸入數(shù)據(jù)的噪聲累積與特征失真。此外，煙葉原料的非均質(zhì)性及批次差異會引入額外的不確定性，使模型在訓(xùn)練階段學(xué)習(xí)到的特征分布與實際生產(chǎn)場景存在偏移。當(dāng)環(huán)境擾動或數(shù)據(jù)采樣精度不足時，模型預(yù)測結(jié)果可能出現(xiàn)波動，進(jìn)而影響工藝參數(shù)調(diào)節(jié)的實時性與穩(wěn)定性。因此，在模型設(shè)計與訓(xùn)練過程中，必須綜合考慮傳感信號質(zhì)量、特征穩(wěn)健性以及模型對噪聲的容忍度，以確保模型在復(fù)雜工業(yè)環(huán)境下仍具備可靠的預(yù)測性能。因此，如何實現(xiàn)基于數(shù)據(jù)驅(qū)動的參數(shù)自適應(yīng)優(yōu)化與智能預(yù)測，成為煙草工業(yè)智能制造轉(zhuǎn)型的重要突破口。

近年來，國內(nèi)外針對復(fù)烤工藝優(yōu)化的研究主要集中在工藝參數(shù)調(diào)控[5]、智能預(yù)測[6]和自動控制[7]等方面。傳統(tǒng)的優(yōu)化思路主要依托于基于規(guī)則的控制模型或基于物理機(jī)理的熱傳導(dǎo)方程模型。然而，由于煙葉在加熱加濕過程中表現(xiàn)出顯著的非線性、時變性和耦合性，這類模型往往需要大量實驗標(biāo)定參數(shù)，實際應(yīng)用中精度有限。當(dāng)前學(xué)者已經(jīng)基于熱濕耦合方程構(gòu)建復(fù)烤干燥模型，通過實驗確定能量傳遞系數(shù)，用以優(yōu)化烘絲段能耗，但該模型對原料初始狀態(tài)極為敏感。還提出了基于模糊邏輯的溫濕度控制策略，通過模糊規(guī)則推理實現(xiàn)非線性調(diào)節(jié)，但該方法依然依賴人工設(shè)定隸屬度函數(shù)，缺乏自學(xué)習(xí)能力。然后建立了以水分?jǐn)U散系數(shù)為核心參數(shù)的復(fù)烤動力學(xué)方程，并利用遺傳算法優(yōu)化模型擬合效果，提高了模型對脫水曲線的擬合度。然而，這類機(jī)理模型在多工段、多變量耦合條件下計算復(fù)雜度高，難以滿足工業(yè)實時控制的需求。

隨著傳感技術(shù)、邊緣計算與大數(shù)據(jù)分析技術(shù)的發(fā)展，基于數(shù)據(jù)驅(qū)動的建模方法逐漸成為復(fù)烤工藝優(yōu)化的主流趨勢。研究者開始將機(jī)器學(xué)習(xí)算法引入煙葉加工過程，以提升模型的自適應(yīng)能力和預(yù)測精度。在數(shù)據(jù)驅(qū)動建模方向上，部分學(xué)者嘗試將機(jī)器學(xué)習(xí)方法應(yīng)用于復(fù)烤過程參數(shù)預(yù)測中，取得了顯著進(jìn)展。周永長[8]等根據(jù)潤葉特色工藝數(shù)據(jù)的特征，建立了反向傳播（Back Propagation,BP）神經(jīng)網(wǎng)絡(luò)預(yù)測模型，使用TensorFlow搭架神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，優(yōu)化了神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中關(guān)鍵參數(shù)，提升了測試集的預(yù)測結(jié)果。王浩[9]等采用Tent混沌映射改進(jìn)的麻雀搜索算法（Sparrow Search Algorithm,SSA）優(yōu)化神經(jīng)網(wǎng)絡(luò)，提升預(yù)測模型的各方面性能。盧沛臨[10]等建立了隨機(jī)森林回歸模型，篩選出在梗葉分離參數(shù)中影響片煙的多個重要特征參數(shù)，訓(xùn)練得到的模型精準(zhǔn)度得到有效提升。吳宏[11]等提出了基于主成分分析法和BP神經(jīng)網(wǎng)絡(luò)的煙葉含水率預(yù)測模型，采用主成分分析法提取復(fù)烤煙葉含水率特征因子，獲得特征矩陣，然后將特征矩陣輸入BP神經(jīng)網(wǎng)絡(luò)，構(gòu)建包括特征矩陣與復(fù)烤下機(jī)煙葉含水率的預(yù)測模型，模型的決定系數(shù)達(dá)0.92。皋元崚[12]等根據(jù)實時數(shù)據(jù)，構(gòu)建了基于支持向量機(jī)神經(jīng)網(wǎng)絡(luò)的煙葉復(fù)烤回潮過程預(yù)測控制模型，該模型通過訓(xùn)練學(xué)習(xí)，有效預(yù)測二次潤葉出口含水率，最大絕對誤差不超過0.45%。黃小艷[13]等提出了一種融合決策樹算法與正交試驗設(shè)計的參數(shù)優(yōu)化預(yù)測方法。首先基于歷史生產(chǎn)數(shù)據(jù)構(gòu)建決策樹模型，通過特征重要性分析量化工藝參數(shù)對出口水分指標(biāo)的關(guān)聯(lián)度，明確關(guān)鍵參數(shù)的影響程度優(yōu)先級，隨后依據(jù)權(quán)重排序結(jié)果構(gòu)建因素水平表，采用正交試驗法系統(tǒng)探究多參數(shù)耦合作用規(guī)律，通過試驗數(shù)據(jù)對決策樹模型進(jìn)行動態(tài)修正，最終獲得具有顯著穩(wěn)定性的工藝參數(shù)組合，結(jié)果表明，優(yōu)化后的模型預(yù)測值與實際生產(chǎn)檢測值的平均相對誤差控制在5%以內(nèi)，驗證了該方法在參數(shù)協(xié)同優(yōu)化方面的有效性。

上述研究在不同程度上推動了復(fù)烤工藝智能預(yù)測的發(fā)展，但仍存在一定局限性。一方面，多數(shù)模型在結(jié)構(gòu)上依賴單一算法框架，缺乏對多源異構(gòu)數(shù)據(jù)的融合能力，難以捕捉不同工藝參數(shù)間的深層關(guān)聯(lián)關(guān)系。另一方面，傳統(tǒng)神經(jīng)網(wǎng)絡(luò)在樣本較小或特征維度較高時易出現(xiàn)過擬合，且泛化能力不足。此外，支持向量機(jī)與隨機(jī)森林等算法雖具較好穩(wěn)定性，但在處理大規(guī)模連續(xù)生產(chǎn)數(shù)據(jù)時計算開銷大，難以實現(xiàn)實時性預(yù)測。綜合來看，現(xiàn)有方法在非線性特征提取、魯棒性、實時響應(yīng)性方面仍有提升空間。

近年來，集成學(xué)習(xí)（Ensemble Learning）方法的興起為工業(yè)過程預(yù)測提供了新的思路。以XGBoost、LightGBM和CatBoost為代表的梯度提升決策樹（GBDT）模型，通過加權(quán)迭代與殘差修正機(jī)制，在建模高維非線性數(shù)據(jù)時表現(xiàn)出優(yōu)異的泛化能力和穩(wěn)定性。彭文燦[22]等人利用XGBoost模型結(jié)合多傳感器數(shù)據(jù)融合，建立了煙葉烘烤過程中的狀態(tài)識別和溫度上升時間預(yù)測模型，烘烤狀態(tài)的F1-Score達(dá)到98.4%，預(yù)測溫度上升時間的平均絕對誤差為0.541。王文才[23]等人提出基于圖神經(jīng)網(wǎng)絡(luò)（CGTNN）的煙葉干燥過程預(yù)測方法，通過相關(guān)性分析和時空特征提取，顯著提升了模型可解釋性和預(yù)測精度。Xing[24]等人構(gòu)建的堆疊集成學(xué)習(xí)模型可以實現(xiàn)更高的預(yù)測準(zhǔn)確性和更好的泛化性能（R2train=0.990,R2test=0.989）。王文博[25]等人將NGBoost與特征重要性分析結(jié)合，識別出影響卷煙水分異常的關(guān)鍵變量（如工藝參數(shù)和環(huán)境濕度），模型在異常風(fēng)險識別中表現(xiàn)出較強的魯棒性和解釋性，預(yù)測精度提升至 77.8%。這些研究表明，集成學(xué)習(xí)和深度學(xué)習(xí)方法在煙草工業(yè)過程優(yōu)化中具有顯著優(yōu)勢，為復(fù)烤工藝的智能化控制提供了重要參考。

相比之下，XGBoost算法在復(fù)烤工藝參數(shù)預(yù)測中的潛力更為突出。它在傳統(tǒng)梯度提升算法基礎(chǔ)上引入二階導(dǎo)數(shù)信息與正則化項，有效控制模型復(fù)雜度并防止過擬合。通過并行化計算與緩存優(yōu)化，XGBoost 在大規(guī)模工業(yè)數(shù)據(jù)處理上具有顯著的時間優(yōu)勢。此外，其內(nèi)置的特征重要性評估機(jī)制可直觀反映各輸入變量對目標(biāo)輸出的影響程度，兼顧模型精度與可解釋性，非常契合復(fù)烤工藝中多參數(shù)多指標(biāo)的耦合關(guān)系建模需求。

綜上所述，雖然已有研究在復(fù)烤工藝智能預(yù)測方面取得了豐富成果，但仍存在以下不足：其一，現(xiàn)有研究多數(shù)聚焦于單一階段的優(yōu)化，缺乏對一潤、二潤、烤片之間耦合關(guān)系的整體建模；其二，缺乏對實時波動環(huán)境下模型魯棒性的系統(tǒng)評估；其三，部分研究忽視特征工程與模型調(diào)參的重要性，導(dǎo)致泛化能力受限。針對這些問題，本文基于XGBoost算法構(gòu)建煙草復(fù)烤工藝參數(shù)智能預(yù)測模型，以實現(xiàn)復(fù)烤關(guān)鍵參數(shù)的精準(zhǔn)預(yù)測與穩(wěn)定控制。

本文首先從工藝機(jī)理出發(fā)，系統(tǒng)分析復(fù)烤過程的主要環(huán)節(jié)及影響因素，設(shè)計適用于工業(yè)現(xiàn)場的數(shù)據(jù)采集體系與特征提取方法。其次，通過參數(shù)網(wǎng)格搜索與特征選擇策略，對 XGBoost 模型進(jìn)行超參數(shù)優(yōu)化，以平衡模型復(fù)雜度與預(yù)測精度。最后，通過實驗驗證模型性能，并與傳統(tǒng)方法和其他機(jī)器學(xué)習(xí)模型進(jìn)行對比分析。實驗結(jié)果表明，該模型在測試集上的預(yù)測精度超過95%，在獨立驗證集上可達(dá) 99%，預(yù)測誤差顯著低于其他算法。研究結(jié)果表明，XGBoost模型能夠有效捕捉煙葉復(fù)烤過程中多維參數(shù)間的非線性關(guān)系，實現(xiàn)關(guān)鍵工藝參數(shù)的精準(zhǔn)預(yù)測與動態(tài)響應(yīng)。該方法為煙草工業(yè)過程的智能化、數(shù)字化與綠色化生產(chǎn)提供了技術(shù)支撐，同時也為傳統(tǒng)工業(yè)過程優(yōu)化提供了可推廣的參考框架。

本文詳細(xì)內(nèi)容請下載：

http://www.tom3567.com/resource/share/2000007083

作者信息：

何毅，廖悅安，劉義良，普軼

（紅云紅河煙草（集團(tuán)）有限責(zé)任公司 紅河卷煙廠，云南 昆明 650202）