打开文本图片集

摘要：本研究采用实验研究、数据分析与模型构建相结合的方法，确保研究科学性与可靠性。在某卷烟厂卷包车间，针对 ZJ19 型卷烟机，调整平整盘位置、烟丝水分等多因素并记录空头率数据；运用双样本 T 检验、单因子方差分析，明确各因素与空头率关系。采用 LSTM 算法构建烟支空头率预测模型，以多因素数据为输入、空头率为输出，经训练优化提升预测准确性。本研究创新点在于多因素综合分析，探究多因素协同作用，并利用 LSTM 模型实现在线预测，为卷烟生产工艺优化和质量控制提供有效依据与手段。

关键词：空头率；LSTM 算法

1引言

在卷烟生产中，烟支空头率是影响卷包车间成品烟支质量的关键指标之一。空头烟支指的是烟支点燃端烟丝空陷深度大于一定标准，或空陷截面比大于一定比例的烟支，这种烟支在吸食时会出现不良燃烧、烟气稀薄等问题，极大地影响消费者的吸食体验，降低产品的口感和香气[1]。从市场竞争角度来看，随着烟草市场的日益激烈，消费者对于卷烟品质的要求越来越高，若烟支空头率过高，会导致产品口碑下降，进而影响企业的市场份额和经济效益。

2 正文

2.1影响烟支空头率的特征因素分析

平整盘位置的影响：在某卷烟厂以 ZJ19 型卷烟机为对象实验，设置平整盘 A（标准）、B（降低）、C（升高）三个位置，各生产 100000 支烟。结果显示，A 位置空头率 1.5%，烟丝修剪适中；B 位置空头率升至 3.2%，因修剪过度烟丝量不足；C 位置空头率达 2.0%，源于修剪不足导致烟丝分布不均。实际生产中，某车间更换烟丝品牌未调平整盘位置，空头率从 1.0% 飙升至 5.0% 以上，证实合理调整平整盘位置对控空头率至关重要。

烟丝水分的影响：实验将烟丝水分设为 11.5%、12.5%、13.5% 三档，发现 11.5% 时空头率 3.0%，因烟丝易碎致填充不足；12.5% 时降至 1.2%，烟丝状态适宜；13.5% 时空头率回升至 2.0%，因烟丝成团影响分布。生产中，烘丝故障致水分过低或环境湿度失控致水分过高，均会使空头率大幅上升，表明需严控烟丝水分在合适区间[2]。

车间温度的影响：研究表明，22 - 26℃时烟支空头率 1.0% - 1.5%，烟丝与设备状态稳定；温度超 28℃，烟丝干燥易碎，空头率上升，如 30℃时从 1.2% 升至 2.5%；低于 20℃，烟丝湿润成团，空头率增加，18℃时从 1.3% 升至 2.0%。温度波动同样影响显著，如短时间大幅升降温会使空头率从 1.1% 升至 3.0%，提示需稳定车间温度。

当前压实端位置：实验显示，压实端靠前（空头率 0.8%）、正常（1.2%）、靠后（2.5%），靠前可增强烟丝堆积密度减少空头，靠后则易松散致空头率上升，某厂因压实端调整不当空头率从 1.0% 升至 3.0% 。

风送温度和风速：实验组合 20℃、25℃、30℃温度与 8m/s、10m/s、12m/s 风速，发现 25℃、10m/s 时空头率最低（1.0%）。温度过高烟丝干燥易碎，过低易成团；风速过小烟丝堆积，过大则吹散破碎，均会提高空头率。

2.2基于 LSTM 的烟支空头预测模型构建

2.2.1数据收集与预处理

本研究于某卷烟厂卷包车间，选取多台 ZJ19 型卷烟机作为数据采集对象，利用位移、水分、温度等多种高精度传感器，以分钟为单位采集平整盘位置、烟丝水分等 7 类数据。通过严格的数据校验机制，剔除异常值并修正波动过大数据，确保数据真实反映生产情况。

数据预处理阶段，采用统计学方法识别并剔除异常值，如通过均值 ±3 倍标准差判定烟丝水分异常数据。针对缺失值，依据数据类型差异处理：连续型数据少量缺失时用线性插值法，大量缺失采用均值填补；离散型数据则用众数填补。同时，运用 Z-Score 标准化与 Min-Max 归一化消除量纲差异，前者使数据均值为 0、标准差为 1，后者将数据映射至 [0， 1] 区间。此外，基于空头率影响因素，提取关键特征并进行组合变换，如计算烟丝水分差、车间与风送温度比值，增强数据有效性[3]。

2.2.2LSTM 模型的设计与训练

构建包含 1 个输入层（7 神经元）、2 个隐藏层（分别 64、32 个 LSTM 单元）和 1 个输出层（1 神经元）的 LSTM 模型，采用 Keras 框架实现。以均方误差（MSE）为损失函数，Adam 优化器（学习率 0.001 等参数）进行训练，将数据按 70%、15%、15% 划分为训练集、验证集、测试集，设置 100 个训练周期、批次大小 32，通过验证集防止过拟合。具体的模型搭建代码如下：

2.2.3模型评估与验证

选用准确率、召回率、均方误差（MSE）等多指标评估模型。准确率衡量预测正确比例，体现模型判断烟支空头与否的准确性；召回率关注空头烟支检测覆盖度，避免不合格产品流出；MSE 量化预测值与真实值平均误差，值越小预测越精准。此外，结合精确率、F1 值综合评估，F1 值平衡准确率与召回率，全面反映模型性能。

采用 10 折交叉验证与留出法结合验证模型。10 折交叉验证将数据划分为 10 个子集，轮流以 9 个子集训练、1 个子集验证，平均 10 次结果，减少数据集划分偏差，保障评估稳定可靠。留出法则按 70%、15%、15% 划分数据，训练集用于学习，验证集动态调整训练策略、预防过拟合，测试集评估模型最终泛化能力。模型训练完成后，在测试集上进行最终评估，得到测试集上的准确率为 0.87，召回率为 0.84，MSE 为 0.0010，精确率为 0.86，F1 值为 0.85。综合 10 折交叉验证和留出法的结果，表明该 LSTM 模型在烟支空头率预测上具有较好的性能和泛化能力 。

3 结语

本研究全面剖析影响烟支空头率的关键因素，证实平整盘位置、烟丝水分等七类因素对其影响显著，各因素从不同环节作用于烟支成型。同时，围绕基于 LSTM 的烟支空头预测模型展开研究，经规范的数据采集与预处理，成功构建并优化该模型。经交叉验证和留出法检验，模型在烟支空头率预测上准确性高、泛化能力强，可有效捕捉变化趋势，预测误差可控，为卷烟生产质量控制提供重要支撑。

参考文献

[1]姜光生.降低卷烟空头率新方案[J].科技创业家.2014，（4）.

[2]陈智鸣，唐永佳，李江，等.基于谢宁方法降低卷接机空头率的分析及改进[J].大众科技.2022，24（3）.DOI：10.3969/j.issn.1008-1151.2022.03.002 .

[3]周志华， 著. 机器学习 [M].清华大学出版社，2016.