“过去，经验和技巧极难量化，烟丝品质稳定性很容易受个人因素影响。”云南中烟红塔集团昭通卷烟厂信息科的王思淳说，烟叶切丝之前，需经4至8小时加温加湿储存工序，这一环节尤为关键。

传统模式下，师傅们多凭经验设定制丝润叶加料工序的水分值。但受昭通环境温湿度剧烈变化等因素影响，切丝后水分的标准偏差常超过0.2，有时水分已偏离目标，却只能事后调整，往往陷入“亡羊补牢”的被动局面。

让水分波动曲线收窄，是从“被动调整”到“主动预判”的关键跨越。王思淳观察发现，水分仪仅能检测传送带上整批烟叶表层的水分数据，与内部实际情况可能存在差异。“整批烟叶动辄7吨、10吨，仅靠表层数据，很容易‘一叶障目’。”他说。

“品质长期不能稳定，优秀老师傅们的经验愈发珍贵。”长期以来，制丝车间囿于“老师傅退休怎么办”的难题，迫切希望通过数据和模型将这些经验固化成为车间的“数字资产”，实现复制和传承。

王思淳琢磨着，“我们何不让数据模型来学习优秀经验呢？”

这并非空想。如今广泛应用于工作生活的AI，正是通过学习海量知识变得“聪明”，而数据模型作为AI的基础，同样具备“学习”能力。

信息科的成员们一刻不停，基于制丝车间数据采集开发了制丝润叶水分智能寻优系统，经过与工艺部门、车间联合做多次取样测试实验，于2023年建立从润叶工序至切丝后水分变化趋势模型。该系统实时分析老师傅积累的历史数据与当前环境参数，持续将这些数据“投喂”给模型，使其不断“成长”，最终实现自主分析、实时预测水分变化趋势，并主动推荐最优参数组合。

系统的应用，让制丝车间产品质量实现质的飞跃，有效破解了隔夜料、气候变化、生产不连续等复杂工况下的水分控制难题，显著提升了切后烟丝水分的稳定性。

“它更贴近于一位工艺优化师。”王思淳说，这套水分寻优系统兼具资深工艺师的行业知识，能完成生产工艺分析与优化、技术支持改进、流程模拟优化等工作，还具备“天气预报员”般的环境敏感性。有了它，即便是遇到昭通雨季或冬季的剧烈天气变化，师傅们也能“轻松拿捏”。

辅助得力，成效立显：制丝车间切丝后平均水分偏差从0.5降至0.3以下，烟丝感官质量切实提升。这一转变，生动诠释了昭通卷烟厂以数据驱动决策，对核心生产环节进行深刻重构的过程，彻底扭转了“经验作坊”的传统模式。