張強(qiáng)，師建全，董高峰，郭生云，楊蕾

1云南煙草科學(xué)研究院，云南 昆明 650106；

2紅云紅河集團(tuán)，云南 昆明650202

卷煙配方和加工工藝的特色是卷煙企業(yè)自主核心技術(shù)的重要內(nèi)容之一。目前，各卷煙企業(yè)根據(jù)原料分組基本原則，建立了包含主料配方、輔料配方和有其它功能的煙葉配方模塊。在此基礎(chǔ)上針對(duì)特定品牌和原料特點(diǎn)，在保證生產(chǎn)過程中對(duì)物理質(zhì)量和加料成本不變的前提下，積極探索加工條件和工藝參數(shù)對(duì)配方模塊內(nèi)在質(zhì)量的影響規(guī)律，研究合適的加工工藝參數(shù)、工藝路線、加工方式[1-6]。然而，由于煙草的復(fù)雜性，制絲主要工序的工藝參數(shù)與配方模塊的內(nèi)在質(zhì)量有非常復(fù)雜的非線性關(guān)系，這使得許多線性方法使用起來非常不便。同時(shí)，配方模塊是葉組配方的一個(gè)子系統(tǒng)，在對(duì)配方模塊進(jìn)行制絲工序評(píng)價(jià)時(shí)應(yīng)把其放在葉組配方這個(gè)背景中進(jìn)行系統(tǒng)的、全局性研究，用系統(tǒng)論的思想對(duì)其進(jìn)行研究分析。

近年來，神經(jīng)網(wǎng)絡(luò)在煙草行業(yè)的配方設(shè)計(jì)中也有了廣泛的應(yīng)用，并取得了初步的成效。王濤[7]應(yīng)用神經(jīng)網(wǎng)絡(luò)知識(shí)，建立了配方輔助設(shè)計(jì)系統(tǒng)。郭科等[8]應(yīng)用BP神經(jīng)網(wǎng)絡(luò)建立了葉組配方的主要化學(xué)成分含量與其感官質(zhì)量和煙氣化學(xué)成分含量之間的非線性映射關(guān)系，在此基礎(chǔ)上建立了相關(guān)的約束最優(yōu)化模型并求解，由此得到所選取煙葉的最佳配方比例。田麗梅等[9]應(yīng)用現(xiàn)代數(shù)理統(tǒng)計(jì)方法和非線性系統(tǒng)信息處理方法，經(jīng)過實(shí)驗(yàn)設(shè)計(jì)，BP神經(jīng)網(wǎng)絡(luò)建模建立，模型優(yōu)化，模型驗(yàn)證等一系列研究過程，達(dá)到了對(duì)卷煙表香配方優(yōu)化的目的。但是，應(yīng)用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行配方模塊與工藝參數(shù)優(yōu)化的研究未見文獻(xiàn)報(bào)道。本項(xiàng)目依據(jù)生產(chǎn)實(shí)際經(jīng)驗(yàn)，結(jié)合產(chǎn)品設(shè)計(jì)要求，從盡量減少實(shí)驗(yàn)次數(shù)，提高數(shù)據(jù)利用率出發(fā)，采用基于均勻設(shè)計(jì)原理的計(jì)算機(jī)直接設(shè)計(jì)[10]和神經(jīng)網(wǎng)絡(luò)模型優(yōu)化的方法，分析配方模塊與制絲主要工序的關(guān)鍵工藝參數(shù)的優(yōu)化。

1 材料與方法

1.1 試驗(yàn)材料及試驗(yàn)設(shè)備

試驗(yàn)在紅河卷煙廠進(jìn)行，配方模塊及料液為某三類烤煙型卷煙葉絲和料液。其中模塊A主料配方模塊，主要為該烤煙型卷煙品牌提供濃度和香氣。模塊C為輔料配方模塊，主要為該烤煙型卷煙品牌提高抽吸舒適性。制絲設(shè)備為紅河卷煙廠300 kg/h中試制絲線，每次投料100 kg。

1.2 取樣與檢測(cè)方法

每次試驗(yàn)參數(shù)經(jīng)調(diào)整并穩(wěn)定運(yùn)行后，由專人按要求[11]在烘絲機(jī)物料出口處（冷卻后）用取樣盤取葉絲，每次試驗(yàn)取3次樣，每次取5 kg，混合均勻后用四分法保留樣品煙絲，卷制成單料煙，置于恒溫恒濕箱（22℃，RH60%）內(nèi)平衡48 h后，由有評(píng)吸資質(zhì)人員進(jìn)行評(píng)吸。先計(jì)算出每個(gè)單項(xiàng)的平均分，然后把每個(gè)單項(xiàng)的平均分相加即為評(píng)吸總分。感官評(píng)吸指標(biāo)包括：諧調(diào)性、香氣質(zhì)、香氣量、雜氣、濃度、勁頭、刺激性、干凈度、回味和濕潤，各項(xiàng)指標(biāo)滿分都為10分，總分為100分。

1.3 試驗(yàn)設(shè)計(jì)

1.3.1 主要工序及關(guān)鍵控制點(diǎn)的確定

對(duì)現(xiàn)行200 kg/h中試制絲設(shè)備的運(yùn)行狀況、工藝參數(shù)以及料液的添加量進(jìn)行分析，根據(jù)生產(chǎn)實(shí)際，以確保加工后葉絲的含水率等質(zhì)量要求符合生產(chǎn)工藝的要求為前提，確定以真空回潮工序中的增濕溫度、保溫時(shí)間、反抽時(shí)間，潤葉工序中的熱風(fēng)溫度、加料量，儲(chǔ)葉工序中的儲(chǔ)葉時(shí)間，煙絲膨脹工序中的HT蒸汽壓力，一共4個(gè)工序7個(gè)工藝參數(shù)為研究對(duì)象，分析不同實(shí)驗(yàn)組合對(duì)加工后煙絲感官質(zhì)量的影響，其它工藝參數(shù)維持正常生產(chǎn)的水平，其中滾筒式烘絲機(jī)根據(jù)來料煙絲含水率及設(shè)定的目標(biāo)含水率，通過PID運(yùn)算自動(dòng)調(diào)節(jié)筒壁溫度，最終實(shí)現(xiàn)出口目標(biāo)含水率的自動(dòng)控制。

1.3.2 試驗(yàn)設(shè)計(jì)方案

對(duì)選取的7工藝參數(shù)按照均勻設(shè)計(jì)試驗(yàn)方法進(jìn)行實(shí)驗(yàn)設(shè)計(jì)（見表1），研究不同實(shí)驗(yàn)組合對(duì)加工后煙絲感官質(zhì)量的影響；模塊A、C分別按照設(shè)計(jì)的試驗(yàn)方案進(jìn)行加工，并卷制成煙支進(jìn)行評(píng)吸，然后分別以A模塊、C模塊組合實(shí)驗(yàn)的7個(gè)工藝參數(shù)為自變量，感官評(píng)吸（見表1）為因變量建立BP神經(jīng)網(wǎng)絡(luò)模型并優(yōu)化；從優(yōu)化后的模塊A、C模塊中分別選出感官評(píng)吸總分為高、中、低三個(gè)檔次的工藝組合，并以品牌的葉組配方為背景進(jìn)行正交試驗(yàn)設(shè)計(jì)，經(jīng)卷制后感官評(píng)吸，最終挑選出最佳的工藝參數(shù)組合。

表1 7個(gè)工藝參數(shù)的均勻設(shè)計(jì)方案及感官評(píng)吸結(jié)果

2 結(jié)果分析

2.1 數(shù)據(jù)處理

7個(gè)工藝參數(shù)作為神經(jīng)網(wǎng)絡(luò)模型的輸入值，評(píng)吸總分作為神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)值。每個(gè)工藝參數(shù)的量綱都不相同，需要對(duì)輸入變量進(jìn)行標(biāo)準(zhǔn)化變換。BP神經(jīng)網(wǎng)絡(luò)的隱層一般采用Sigmoid轉(zhuǎn)換函數(shù)，常用的標(biāo)準(zhǔn)化變換方法有兩種：一種是根據(jù)數(shù)據(jù)的最大值、最小值進(jìn)行線性變換，將數(shù)據(jù)變換到[0,1]區(qū)間或[-1,1]區(qū)間；另外一種是統(tǒng)計(jì)數(shù)據(jù)的均值和標(biāo)準(zhǔn)差，再將樣本數(shù)據(jù)變換為均值為0、標(biāo)準(zhǔn)差為1的數(shù)據(jù)，即近似標(biāo)準(zhǔn)正態(tài)分布N(0,1)。本文采用第2種標(biāo)準(zhǔn)化變換方法，將得到數(shù)據(jù)再進(jìn)行0.1-0.9規(guī)格化后形成建模數(shù)據(jù)。

2.2 網(wǎng)絡(luò)設(shè)計(jì)與樣本劃分

2.2.1 網(wǎng)絡(luò)設(shè)計(jì)

以A模塊、C模塊7個(gè)工藝參數(shù)作為BP神經(jīng)網(wǎng)絡(luò)的輸入值，感官評(píng)吸總分作為BP神經(jīng)網(wǎng)絡(luò)的輸出值，分別建立A模塊、C模塊的制絲關(guān)鍵工藝參數(shù)的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。

因此，BP神經(jīng)網(wǎng)絡(luò)的輸入層單元數(shù)為7，輸出層單元數(shù)為1。隱層單元數(shù)的確定尚無理論依據(jù)，一般按經(jīng)驗(yàn)選取，通常隱含層節(jié)點(diǎn)數(shù)n1=（n+m）1/2+a，其中n為輸入層節(jié)點(diǎn)數(shù)、m為輸出層節(jié)點(diǎn)數(shù)，a為1-10的常數(shù)。經(jīng)不斷測(cè)試，最終構(gòu)造的網(wǎng)絡(luò)為7-10-1結(jié)構(gòu)的3層BP神經(jīng)網(wǎng)絡(luò)。

2.2.2 樣本劃分

訓(xùn)練采用一種稱為“提前結(jié)束”的策略進(jìn)行。在A模塊、C模塊15個(gè)樣本中隨機(jī)選擇9組樣本作為訓(xùn)練樣本，將輸入的15組數(shù)據(jù)的20%，即3組樣本作為驗(yàn)證樣本，剩余3組樣本則作為測(cè)試樣本。BP網(wǎng)絡(luò)建模與仿真在Matlab 7.0環(huán)境中進(jìn)行。

2.2.3 模型的建立

本文中采用的BP神經(jīng)網(wǎng)絡(luò)迭代次數(shù)為2000次，允許誤差為0.00001，輸入函數(shù)為tansig，隱層采用tan-sigmoid飽和正切轉(zhuǎn)換函數(shù)，輸出函數(shù)為purelin，訓(xùn)練方法為Levenberg-Marquardt算法。以組合實(shí)驗(yàn)中7個(gè)工藝參數(shù)為自變量，感官評(píng)吸總分為因變量建立BP神經(jīng)網(wǎng)絡(luò)模型。

2.2.4 模型分析

訓(xùn)練神經(jīng)網(wǎng)絡(luò)的首要和根本任務(wù)是確保訓(xùn)練好的網(wǎng)絡(luò)模型對(duì)非訓(xùn)練樣本具有好的泛化能力（推廣性）。訓(xùn)練完成后，調(diào)用sim( )函數(shù)，進(jìn)行仿真，判斷建立的模型是否已有效逼近樣本所蘊(yùn)含的規(guī)律，最直接和客觀的指標(biāo)是從總樣本中隨機(jī)抽取的非訓(xùn)練樣本（檢驗(yàn)樣本和測(cè)試樣本）誤差是否和訓(xùn)練樣本的誤差一樣小或稍大。

表2 A模塊訓(xùn)練樣本、檢驗(yàn)樣本和測(cè)試樣本的相對(duì)偏差分析

圖1 A模塊測(cè)試樣本中預(yù)測(cè)誤差對(duì)比曲線

表3 C模塊訓(xùn)練樣本、檢驗(yàn)樣本和測(cè)試樣本感官評(píng)吸總分的相對(duì)偏差分析

圖2 C模塊測(cè)試樣本中預(yù)測(cè)誤差對(duì)比曲線

由表2、表3可知，A模塊、C模塊訓(xùn)練樣本、檢驗(yàn)樣本和測(cè)試樣本的感官評(píng)吸總分相對(duì)偏差較小；圖1、圖2中的實(shí)線的點(diǎn)為訓(xùn)練樣本與檢測(cè)樣本的感官評(píng)吸總分預(yù)測(cè)值，虛線的點(diǎn)為訓(xùn)練樣本與檢測(cè)樣本的感官評(píng)吸總分實(shí)測(cè)值，由圖1、圖2可知，實(shí)線和虛線的趨勢(shì)比較一致，并且圖2、圖3中測(cè)試樣本的感官評(píng)吸總分實(shí)測(cè)值（圖中的“○”符號(hào)）與感官評(píng)吸總分預(yù)測(cè)值（圖中的“*”字符號(hào)）的位置較接近，表明所建立模型的預(yù)測(cè)誤差較小。同時(shí)以上分析也表明基于BP神經(jīng)網(wǎng)絡(luò)模型利用制絲關(guān)鍵工藝參數(shù)可以對(duì)A模塊、C模塊的感官評(píng)吸總分進(jìn)行較好的預(yù)測(cè)，并且A模塊和C模塊測(cè)試樣本的感官評(píng)吸總分的相對(duì)偏差接近于訓(xùn)練樣本和檢驗(yàn)樣本的相對(duì)偏差，表明所建網(wǎng)絡(luò)模型有較好的泛化能力，可以用來對(duì)A、C模塊的關(guān)鍵工藝參數(shù)進(jìn)一步的仿真、優(yōu)化。

2.3 工藝參數(shù)的優(yōu)化

工藝參數(shù)的優(yōu)化實(shí)際上也是一個(gè)仿真的過程，A模塊、C模塊的7個(gè)關(guān)鍵制絲工藝參數(shù)的仿真數(shù)據(jù)，根據(jù)建模設(shè)置的范圍和步長來設(shè)定。真空回潮工序中的增濕溫度：40℃-80℃，步長為1℃；保溫時(shí)間35 s-100 s，步長為1 s；反抽時(shí)間5 s - 50 s，步長為1 s。潤葉工序中的熱風(fēng)溫度40℃-65℃，步長為1℃；加料量4.61-4.84 kg/100kg，步長為0.01 kg/100kg；儲(chǔ)葉工序的儲(chǔ)葉時(shí)間0-10 h，步長為1 h。膨絲工序的HT蒸汽壓力0-0.25 Mpa，步長為0.01 Mpa。對(duì)這7個(gè)工藝參數(shù)根據(jù)均勻?qū)嶒?yàn)設(shè)計(jì)[6]的要求進(jìn)行設(shè)計(jì)。預(yù)測(cè)數(shù)據(jù)用所建BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行仿真和篩選。

2.3.1 配方模塊A關(guān)鍵工藝參數(shù)的篩選和驗(yàn)證

在仿真的結(jié)果中，以均勻設(shè)計(jì)試驗(yàn)的感官評(píng)吸總分的最低分68.88起開始篩選，選取感官評(píng)吸總分高、中、低三個(gè)檔次共9個(gè)組合（見表4），其中高檔次選取1號(hào)組合（A1），中檔次選5號(hào)組合（A5），低檔次選取9號(hào)組合（A9）。根據(jù)篩選出的工藝參數(shù)組合進(jìn)行中試放樣試驗(yàn)，并與均勻設(shè)計(jì)評(píng)吸總分最高的13號(hào)樣品（見表1）進(jìn)行對(duì)比評(píng)吸。由表5可知，中檔次和低檔次感官評(píng)吸總分的預(yù)測(cè)值與感官評(píng)吸總分的實(shí)際值相對(duì)偏差較小，高檔次感官評(píng)吸總分的預(yù)測(cè)值與感官評(píng)吸總分的實(shí)際值相對(duì)偏差相對(duì)較大，但整體優(yōu)化效果明顯，說明模塊A關(guān)鍵工藝參數(shù)的篩選較合理。由表6可知，篩選工藝參數(shù)組合的預(yù)測(cè)值與實(shí)際值的相對(duì)偏差不大，表明A模塊所建立的模型優(yōu)化的結(jié)果較好。

表4 配方模塊A關(guān)鍵工藝參數(shù)的篩選

表5 配方模塊A工藝參數(shù)篩選組合的感官評(píng)吸結(jié)果

表6 配方模塊A工藝參數(shù)的篩選感官驗(yàn)證結(jié)果

2.3.2 配方模塊C優(yōu)化結(jié)果分析

在仿真的結(jié)果中，以均勻設(shè)計(jì)試驗(yàn)的感官評(píng)吸總分的最低分62.50起開始篩選，選取感官評(píng)吸總分高、中、低三個(gè)檔次共9個(gè)組合（見表7），其中高檔次選取1號(hào)組合（C1），中檔次選4號(hào)組合（C4），低檔次選取9號(hào)組合（C9）。根據(jù)篩選出的工藝參數(shù)組合進(jìn)行中試放樣試驗(yàn)，并與均勻設(shè)計(jì)評(píng)吸總分最高的10號(hào)樣品（見表1）進(jìn)行對(duì)比評(píng)吸。由表8可知，高檔次和中檔次感官評(píng)吸總分的預(yù)測(cè)值與感官評(píng)吸總分的實(shí)際值相對(duì)偏差較小，低檔次感官評(píng)吸總分的預(yù)測(cè)值與感官評(píng)吸總分的實(shí)際值相對(duì)偏差相對(duì)較大，但整體優(yōu)化效果明顯，說明模塊C關(guān)鍵工藝參數(shù)的篩選較合理。由表9可知，篩選工藝參數(shù)組合的預(yù)測(cè)值與實(shí)際值的相對(duì)偏差不大，表明C模塊所建立的模型優(yōu)化的結(jié)果較好。

表7 配方模塊C關(guān)鍵工藝參數(shù)的篩選

表8 配方模塊C工藝參數(shù)篩選組合的感官評(píng)吸結(jié)果

表9 配方模塊C工藝參數(shù)的篩選感官驗(yàn)證結(jié)果

2.4 配方模塊A與配方模塊C的正交試驗(yàn)分析

在制絲工藝參數(shù)優(yōu)化結(jié)果中，A模塊篩選出三個(gè)工藝組合（A1、A5、A9），C模塊篩選出三個(gè)工藝組合（C1、C4、C9）。將兩者進(jìn)行正交試驗(yàn)設(shè)計(jì)，共設(shè)計(jì)9個(gè)試驗(yàn)組合，并以某三類烤煙型卷煙葉組配方為背景（添加比例不變），把9個(gè)試驗(yàn)組合分別添加到葉組背景中，經(jīng)專家評(píng)吸，結(jié)果如下表所示。

由表10可知，組合5也即配方模塊A的第5個(gè)組合和配方模塊C的第4個(gè)組合，感官評(píng)吸總分最高，感官質(zhì)量最好，因此選取組合號(hào)為5的工藝組合為A模塊和C模塊的最佳工藝組合。因此，經(jīng)過均勻?qū)嶒?yàn)設(shè)計(jì)、BP神經(jīng)網(wǎng)絡(luò)分析和正交實(shí)驗(yàn)設(shè)計(jì)，并經(jīng)感官評(píng)吸驗(yàn)證，確定了A模塊、C模塊最佳的工藝參數(shù)組合（見表11）。

表10 配方模塊A和配方模塊C組合后的評(píng)吸結(jié)果

表11 A模塊、C模塊組合最佳工藝參數(shù)組合

3 結(jié)論

通過均勻?qū)嶒?yàn)設(shè)計(jì)、BP神經(jīng)網(wǎng)絡(luò)的優(yōu)化，可減少了顯式模型帶來的大量模型分析和復(fù)雜的模型維護(hù)工作，為制絲工藝參數(shù)的優(yōu)化提供一定的參考。

經(jīng)BP神經(jīng)網(wǎng)絡(luò)優(yōu)化后的工藝參數(shù)組合的評(píng)吸總分比優(yōu)化前的高，可能是均勻設(shè)計(jì)保證了實(shí)驗(yàn)點(diǎn)在實(shí)驗(yàn)空間的均勻分布，使工藝參數(shù)的組合更趨于合理、組合更加優(yōu)化。

A模塊與C模塊優(yōu)化后，其評(píng)吸總分中等的兩個(gè)模塊組合后評(píng)吸效果最佳，這表明在實(shí)際工作中對(duì)模塊進(jìn)行工藝優(yōu)化時(shí)，不能只注重局部最佳，而更要關(guān)注全局最佳，系統(tǒng)考慮整個(gè)工藝的優(yōu)化設(shè)計(jì)。

本條件下所建立的BP神經(jīng)網(wǎng)絡(luò)，預(yù)測(cè) A模塊、C模塊在試驗(yàn)范圍內(nèi)不同參數(shù)組合下的感官評(píng)吸總分有很好的精確度，可為研究制絲工藝參數(shù)對(duì)模塊配方的優(yōu)化設(shè)計(jì)提供了新思路和新方法，但是不同卷煙企業(yè)在不同品牌中使用的煙葉質(zhì)量和工藝設(shè)備不盡相同，需根據(jù)實(shí)際情況進(jìn)行調(diào)整。

[1] 王兵,楊達(dá)輝,林平,等.新的卷煙生產(chǎn)工序品質(zhì)評(píng)價(jià)方法的建立[J]. 煙草科技，2002（11）：16-18.

[2] 張強(qiáng),董高峰,李紅武,等.滾筒烘絲機(jī)工藝參數(shù)對(duì)烤煙感官質(zhì)量的影響 [J].煙草科技，2011（11）：10-18.

[3] 江家森,盧新萬. 制絲葉絲生產(chǎn)線關(guān)鍵工藝參數(shù)組合優(yōu)化研究[J].科技創(chuàng)新導(dǎo)報(bào)，2010（5）：250.

[4] 呂希勝,姜瀅. 制絲線工藝參數(shù)管理系統(tǒng)[J]. 機(jī)械設(shè)計(jì)與制造,2011（5）：240-242.

[5] 金殿明，孫海平，金嵐峰. 制絲工藝參數(shù)優(yōu)化研究 [C]//中國煙草學(xué)會(huì)2010年學(xué)術(shù)年會(huì)論文集，2010:354-358.

[6] 楊俊杰，歐陽敏，王華君. 制絲線關(guān)鍵工序工藝參數(shù)的優(yōu)化[C]//中國煙草學(xué)會(huì)工業(yè)專業(yè)委員會(huì)煙草工藝學(xué)術(shù)研討會(huì)論文集，2010: 49-53.

[7] 王濤. BP神經(jīng)網(wǎng)絡(luò)在配方輔助設(shè)計(jì)系統(tǒng)中的應(yīng)用與研究[D]. 青島：中國海洋大學(xué)出版社，2008.

[8] 郭科,薛源,胡丹,等.基于組合優(yōu)化的卷煙葉組配方設(shè)計(jì)[J].中國煙草學(xué)報(bào)，2007，13（2）：21-23，32.

[9] 田麗梅,張強(qiáng),和智君,等.基于BP神經(jīng)網(wǎng)絡(luò)的卷煙表香配方設(shè)計(jì)及優(yōu)化[J].云南大學(xué)學(xué)報(bào)（自然科學(xué)版），2010(S1):76-80.

[10] 方開泰.實(shí)用多元統(tǒng)計(jì)分析[M].上海：華東師范大學(xué)出版社，1999:291-302.

[11] 胡建軍,周冀衡,熊燕,等.烘絲工藝參數(shù)對(duì)烘后葉絲質(zhì)量影響的研究[J].中國煙草學(xué)報(bào)，2007，13（6）：24-29.