在现代化卷烟工厂，信息技术实现了生产全过程的可追溯。每一刻，庞大的数据从生产线上的各道工序中流出，汇入数据库，记录了在线质量、设备运行、能源消耗等各维度参数。单一的数据能反映的信息十分有限，若对海量数据进行分析，也许能够从趋势变化中发现许多问题、分解事物间的关系。运用数据分析重要的意义之一，便是在随机中掌握必然，从无序中提取规律。

　　烘丝入口水分是一项对在线制品工艺具有相当影响的指标。以烘丝后烟丝的填充值为例，试验证明，合理地控制来料水分，可以使得烘丝后烟丝的填充值提高20%以上，对生产过程中实现质量控制、节支降耗等指标要求具有重要的意义。对烘丝入口水分的控制，主要通过调整松片回潮加水比例实现。以往，松片回潮工序加水比例的设置主要由工艺员根据个人经验确定，多利用如“加a升/100千克水，烘丝入口水分提高b个百分点”此类正比例算法进行计算。

　　然而，从松片回潮入口到烘丝入口，一共有5道工序和4个水分仪监控，影响烘丝前入口水分数据的因素有很多，例如水分仪零点值的调整、生产过程中是否留柜、环境温湿度的变化等，导致烘丝入口水分出现较大波动，因此凭经验调节松片回潮加水比例控制烘丝入口水分值的方法，存在一定的滞后性。那么，如何提高松散回潮前加水比例的准确性，降低烘丝前水分值波动、提高工艺质量稳定性呢？

　　2014年，福建中烟龙岩烟草工业公司开展“基于多元回归分析的烘丝入口水分相关性研究及其应用”项目，项目组主要推进的思路是通过对历史生产数据挖掘分析，采用多元回归分析方法和神经网络算法，分阶段建立烘丝入口含水率预测模型，再通过模型求解，给出不同环境温湿度及不同贮柜停留时长等因素的影响下，指定烘丝入口含水率对应的松片回潮加水比例参考值，从而实现对烘丝入口水分的精确控制。

　　STEP1：数据提纯（P）

　　历史数据预处理是特别关键的一环，直接影响到后续建模计算的有效性。通过提取“七匹狼”精品线“七匹狼”（红）、“七匹狼”（软灰）两个主要牌号两年间的各工序相关生产数据样本，确定各个工序影响水分数据的相关变量18个。而后，通过样本数据筛选、水分仪零点值修正、留柜情况聚类等步骤进行数据预处理，并通过Pearson相关性检验、Lilliefors正态性检验等统计学方法，验证变量数据间的相关性和样本数据的有效性。

　　STEP2：分段建模（D）

　　以制丝生产线中各水分仪为节点，将烘丝前工序分成4个阶段，利用多元回归分析方法或者神经网络模型，建立环境温湿度等影响下、每个分节中烟叶或烟丝的入口与出口水分关系模型，并对每个模型的拟合和预测效果进行评价。模型求解过程中，依据这些分阶段模型逐一倒推，阶段递进，从设定烘丝入口含水率向前求解松散回潮加水比例。

　　STEP3：效果验证（C）

　　建模计算只是项目实施过程中的第一步，通过计算得出的数据，是否能够有效应用于生产中，需要实践来检验。项目组通过程序开发，将模型写入生产集控系统中，实现根据模型自动计算松散回潮加水比例参考值的功能，并通过生产实际应用对进行了预测水分值误差测试，求证实际烘丝入口含水率与预测含水率是否吻合。测试综合考虑各种不同变量的影响，分别进行了测试，如生产流程中贮叶柜、预混柜是否留柜等情况，同时也考虑了各个季节的环境温湿度变化，进行了长达一年的反复验证和模型改进，最终准确预测比例都达到了95%以上。

　　STEP4：模型优化（A）

　　整个模型在验证的过程中，以减小预测误差为导向，持续进行参数修正。同时根据建模数据来源的时间变化，对模型进行不断更新，确保模型的准确性。

　　由于项目是由过去历史生产数据为依据，预测当下乃至未来的生产数据，面对庞大而复杂的数据变量以及多种在线生产情况，在项目建模过程中，需要具体问题具体分析，项目组运用了多种统计学及建模算法相结合，并且在日常应用当中不断调整建模参数，确保项目的科学客观性。同时，项目管理遵循IS-PDCA方法论，通过建模—验证—应用—优化的流程，保障项目的最终成效。

　　目前，该项目已作为水分控制数据工具，应用于制丝车间集控系统中，由于项目的突破与创新意义，国家烟草专卖局在此基础上开展了“面向大数据的卷烟生产过程智能化控制技术研究与应用”项目，拓宽数据分析预测含水率方法在卷烟生产过程中的应用范围，龙烟以主要承担单位参与其中，进行生产数据样本的基础研究工作。