摘要：本文聚焦于烘丝机入口含水率预测模型的构建与应用。通过 Pearson 相关分析，精准识别出影响烘丝机入口含水率的关键因素。随后，运用神经网络算法与多元回归分析方法，成功搭建起在环境温湿度影响下，加水比例与烘丝机入口含水率之间的关系模型。借助模型求解，能够实现给定烘丝机入口含水率时，对松散回潮机回潮加水比例参考值的计算。

关键词：烘丝机入口含水率；多因素分析；Pearson 相关分析；多元回归分析

一、影响烘丝机入口含水率的因素分析

（一）工艺因素

加水比例：在松散回潮等工序中，加水比例是调节烟草物料含水率的关键操作参数。加水比例的大小直接决定了烟草物料吸收水分的多少，进而影响烘丝机入口含水率。然而，加水比例的设置并非一成不变，需要综合考虑多种因素，如烟草的品种、产地、初始含水率以及后续工艺要求等。如果加水比例设置不当，可能导致烘丝机入口含水率偏离目标值。

蒸汽比例：蒸汽在烟草制丝过程中起着加热和加湿的作用。蒸汽比例的调整会影响物料的温度和含水率变化。在松散回潮和润叶加料等工序中，合适的蒸汽比例能够使烟草物料均匀受热和吸收水分，有利于控制含水率。例如，在热风润叶工序中，蒸汽比例的增加会使物料温度升高，同时促进水分的吸收，从而提高物料的含水率。

物料流量：物料流量的大小会影响物料在设备中的停留时间和受热均匀性。当物料流量较大时，物料在设备中的停留时间相对较短，可能无法充分吸收水分或热量，导致含水率变化不充分；而物料流量过小时，虽然物料有足够的时间吸收水分和热量，但可能会影响生产效率。因此，物料流量与烘丝机入口含水率之间存在着一定的关联，需要在生产过程中进行合理控制。

各工序设备运行参数：除了上述因素外，松散回潮机、润叶加料机、贮叶柜等各工序设备的运行参数，如回风温度、排潮开度、设备转速等，也会对烘丝机入口含水率产生影响。例如，松散回风温度过高，会加速物料中水分的蒸发，降低物料的含水率；而润叶加料机的排潮开度不当，可能导致物料中的水分无法及时排出，使含水率升高。

二、烘丝机入口含水率预测模型的建立

（一）数据采集与预处理

数据来源：收集烟草制丝生产线上一段时间内的历史生产数据，包括各工序的工艺参数、环境温湿度数据以及对应的烘丝机入口含水率数据。数据来源应确保真实可靠，能够反映实际生产过程中的各种情况。

数据筛选与清洗：对采集到的数据进行筛选，去除异常值和错误数据。异常值可能是由于设备故障、操作失误或数据采集系统问题等原因产生的，如果不加以处理，会对模型的准确性产生较大影响。通过数据清洗，保证数据的质量和可靠性，为后续的建模工作奠定基础。

数据标准化：由于不同的工艺参数和环境因素数据具有不同的量纲和取值范围，为了消除量纲对模型的影响，提高模型的收敛速度和准确性，需要对数据进行标准化处理。常用的数据标准化方法有归一化和标准化（Z - score 标准化）等。通过标准化处理，将所有数据转化为具有相同量纲和取值范围的数据，便于模型的训练和分析。

（二）相关性分析

Pearson 相关系数计算：采用 Pearson 相关分析方法，计算各个影响因素（如环境温湿度、加水比例、蒸汽比例等）与烘丝机入口含水率之间的 Pearson 相关系数。Pearson 相关系数能够衡量两个变量之间线性相关的程度，其取值范围在 - 1 到 1 之间。当相关系数的绝对值越接近 1 时，说明两个变量之间的线性相关性越强；当相关系数为 0 时，说明两个变量之间不存在线性相关关系。

确定主要影响因素：根据计算得到的 Pearson 相关系数，筛选出与烘丝机入口含水率相关性较强的因素作为主要影响因素。这些主要影响因素将作为后续预测模型的输入变量。通过确定主要影响因素，可以简化模型的结构，提高模型的训练效率和预测准确性。例如，如果经过计算发现，环境湿度、加水比例和物料流量与烘丝机入口含水率的相关系数绝对值较大，那么这三个因素就可以作为主要影响因素纳入模型。

（三）模型选择与训练

1.多元回归分析方法：

原理：多元回归分析是一种研究多个自变量与一个因变量之间线性关系的统计分析方法。其基本假设是因变量与自变量之间存在线性关系，可以用一个线性方程来表示。在本研究中，设烘丝机入口含水率为因变量 y，主要影响因素（如环境湿度 x1、加水比例 x2、物料流量 x3 等）为自变量，建立多元线性回归模型。

2.参数估计与模型检验：

通过最小二乘法等方法对回归系数进行估计，使得实际观测值与模型预测值之间的残差平方和最小。得到回归系数的估计值后，需要对模型进行检验，包括拟合优度检验、显著性检验等。拟合优度检验用于衡量模型对数据的拟合程度，R² 越接近 1，说明模型的拟合效果越好；显著性检验用于检验自变量与因变量之间是否存在显著的线性关系。只有通过了各项检验的模型才具有可靠性和实用性。

（四）模型评估与优化

模型评估指标：采用多种评估指标对建立的预测模型进行评估，常用的指标有均方根误差（RMSE）、平均绝对误差（MAE）、决定系数（R²）等。均方根误差能够反映预测值与实际值之间的平均误差程度，其值越小，说明模型的预测精度越高；平均绝对误差是预测值与实际值误差的绝对值的平均值，同样反映了模型的预测误差大小；决定系数 R² 用于衡量模型对数据的解释能力，R² 越接近 1，说明模型能够解释因变量的大部分变异。

模型优化：根据模型评估结果，对模型进行优化。如果模型的预测精度不满足要求，可以尝试调整模型的结构、改变训练参数或采用其他改进算法。同时，还可以进一步收集更多的数据，对模型进行重新训练和评估，以提高模型的性能和泛化能力。

四、烘丝机入口含水率预测模型的应用

（一）给定目标含水率计算加水比例

在实际生产中，当给定烘丝机入口含水率的目标值时，可以利用建立好的预测模型，反推计算出松散回潮机回潮加水比例的参考值。具体步骤如下：

将目标烘丝机入口含水率以及当前的环境温湿度、物料流量等已知的主要影响因素数据输入到预测模型中。

模型根据输入的数据，通过预先训练得到的关系，计算出满足目标含水率所需的松散回潮机回潮加水比例参考值。

操作人员根据计算得到的加水比例参考值，对松散回潮机的加水比例进行调整，从而实现对烘丝机入口含水率的控制。

（二）实时监测与调整

在线数据采集与传输：通过生产线上的传感器和数据采集系统，实时采集各工序的工艺参数、环境温湿度数据以及烘丝机入口含水率的实际值，并将这些数据及时传输到控制系统中。

模型实时预测：将实时采集到的数据输入到预测模型中，模型根据最新的数据实时预测烘丝机入口含水率的变化趋势。

调整决策制定：控制系统根据模型的预测结果以及预设的含水率目标值，对各工序的工艺参数进行调整决策。例如，如果模型预测烘丝机入口含水率将高于目标值，控制系统可以自动降低松散回潮机的加水比例，或者调整其他相关设备的运行参数，以保证烘丝机入口含水率稳定在目标范围内。

五、结论

本文通过对烘丝机入口含水率的多因素分析，建立了基于神经网络算法和多元回归分析方法的预测模型。该模型能够综合考虑环境温湿度、加水比例、物料流量等多种因素对烘丝机入口含水率的影响，通过模型求解实现了给定烘丝机入口含水率时对松散回潮机回潮加水比例参考值的计算。经过模型评估和实际应用验证，该模型在提高烘丝机入口含水率的预测精度、降低批次间含水率波动方面具有显著效果。

参考文献：

[1]刘穗君，刘颖，赵万莹，等.薄板烘丝机出口含水率稳定性控制方法研究[J].中国烟草学报，2022，28（05）：41-46.DOI：10.16472/j.chinatobacco.2021.260.

[2]金发岗，王雅琳，张鹏程，等.随机森林和DE-ELM的烘丝机入口含水率预测[J].控制工程，2020，27（03）：532-539.DOI：10.14107/j.cnki.kzgc.170615.

[3]杨少华，梁逢春.滚筒式薄板烘丝机基于排潮风风量的烟丝含水率控制方法[J].烟草科技，2015，48（03）：89-94.DOI：10.16135/j.issn1002-0861.20150316.

[4]王小飞，彭晓燕，杨玉波，等.基于RBF-ARX模型的烘丝机出口含水率优化控制方法[J].烟草科技，2014，（01）：26-30.