基于分块分层思想的卷烟制叶丝过程多阶段分布式监测与诊断方法与流程

本发明涉及卷烟制叶丝过程的在制品质量和设备完好性监测领域，特别是一种基于分块分层思想的卷烟制叶丝过程多阶段分布式监测与诊断方法。

背景技术：

随着我国烟草行业整体实力的不断提高，有效提升设备的智能化水平和高效运行能力已成为卷烟工厂关注的焦点，状态监测与异常诊断是提升设备智能化和高效运行的重要手段。目前针对卷烟制丝过程设备状态监测与异常诊断以单变量统计过程控制方法为主，利用彩虹图和过程能力指数对生产阶段中的稳态数据进行分析。此类方法缺少对批次轴上动态信息的有效分析，也无法反映过程变量间关联关系的变化。王伟等提出一种基于相对变化分析的多模态卷烟制叶丝段故障监测方法，将制叶丝段Sirox增温增湿机和KLD薄板烘丝机作为一个整体，针对不同生产牌号的三维数据建立主元分析(Principal Component Analysis，PCA) 模型进行设备状态监测。该方法针对生产阶段中的稳态数据分析，未考虑上料前待机运行阶段的设备状态监测，待机运行阶段存在监测盲区；同时由于将Sirox和KLD作为整体进行建模和监测，其中一个设备出现异常导致模型报警后，会干扰对另一设备的状态监测，限制了该方法对制叶丝段批次过程并发异常信息的捕捉能力。因此，如果能够同时考虑不同设备单元和不同生产阶段两方面的信息，建立多阶段分布式监测模型，将会消除待机运行阶段的监测盲区、提升并发异常信息的捕捉能力。

技术实现要素：

针对卷烟制叶丝段批次过程中待机运行阶段的监测盲区以及不同设备并发异常对整体监测模型的相互干扰，提出一种基于分块分层思想的卷烟制叶丝过程多阶段分布式监测与诊断方法，提升监测模型对制叶丝过程并发异常信息的捕捉能力，有效监测不同阶段的设备单一或并发异常，在现有监测变量的基础上实现制叶丝过程待机运行阶段和稳定生产阶段的分布式监测和异常诊断。

本发明所采用的具体技术方案如下：

基于分块分层思想的卷烟制叶丝过程多阶段分布式监测与诊断方法，该方法包括以下的步骤：

第一步：根据生产现场已有测点和设备监测需求，分别确定Sirox增温增湿机、KLD薄板烘丝机在待机运行阶段、稳定生产阶段的监测变量，如表1所示，待机运行阶段Sirox增温增湿机和KLD薄板烘丝机的监测变量数分别为序号1～5和序号1～14，稳定生产阶段Sirox 增温增湿机和KLD薄板烘丝机的监测变量数分别为序号1～8和序号1～17；

表1 Sirox增温增湿机、KLD薄板烘丝机待机运行阶段和稳定生产阶段监测变量

第二步：根据生产工艺要求，分别确定Sirox增温增湿机、KLD薄板烘丝机待机运行阶段和稳定生产阶段离线建模数据的有效性判断规则；剔除制丝集控系统中该叶丝牌号的断料批次和异常批次数据，根据表2的建模数据有效性判断规则，获得Sirox增温增湿机、KLD 薄板烘丝机待机运行阶段和稳定生产阶段的原始三维建模数据其中I表示批次，J表示监测变量， K表示采样点，下标SS表示Sirox增温增湿机待机运行阶段、KS表示KLD薄板烘丝机待机运行阶段、SP表示Sirox增温增湿机稳定运行阶段、KP表示KLD薄板烘丝机稳定运行阶段，监测变量的采样频率为10s/次；

表2离线建模数据的有效性判断规则

第三步：采用变量展开方式将三维数据展开为二维数据其中* 取为SS或KS或SP或KP，用于区分Sirox增温增湿机、KLD薄板烘丝机待机运行阶段和稳定生产阶段；对二维矩阵内的每个变量进行减均值除标准差的数据标准化预处理，获得高质量的二维建模数据X*(I*K*×J*)；

第四步：对二维建模数据X*进行PCA分解，分别建立Sirox增温增湿机、KLD薄板烘丝机待机运行阶段和稳定生产阶段的监测模型，获得每个模型的主元个数A*、负载矩阵P*和对角矩阵S*；基于每个模型建模数据的和SPE*统计量，利用F分布和χ²分布获得该模型的统计量控制限；

PCA分解的计算公式为：

其中，T*为主元子空间中(I*K*×A*)维的得分矩阵；P*为主元子空间中(J*×A*)维的负载矩阵；E*为残差子空间中(I*K*×J*)维的残差矩阵；A*表示主元个数，由累计贡献率方法确定；对角矩阵S*＝diag(λ*1,λ*2,…,λ**A*)由建模数据X*的协方差矩阵Σ*＝X*^TX*/(I*K*-1)的前A*个特征值构成；

根据F分布计算监测统计量的控制限为：

其中，α为置信度，Fα(A*,I*K*-A*)是对应于置信度为α，自由度为A*、I*K*-A*的F分布临界值；

根据χ²分布计算SPE*监测统计量的控制限ctrSPE*为：

其中，g*＝v*/(2n*)，n*、v*分别为SPE*监测统计量的均值和方差；

第五步：根据状态监测需求，确定如表3所示的Sirox增温增湿机增温增湿机、KLD薄板烘丝机在线监测数据有效性判断规则，获得待机运行阶段当前有效数据或稳定生产阶段当前有效数据监测变量的采样频率为10s/次；

表3在线监测数据的有效性判断规则

第六步：根据当前叶丝牌号以及当前有效数据所属的设备运行阶段，利用相同牌号对应阶段Sirox增温增湿机、KLD薄板烘丝机监测模型的均值除标准差进行数据的标准化预处理，获得当前待分析数据xSSnew(1×JSS)、xKSnew(1×JKS)或xSPnew(1×JSP)、xKPnew(1×JKP)；

第七步：将当前待分析数据投影到相同牌号对应阶段Sirox增温增湿机、KLD薄板烘丝机监测模型上，利用该监测模型的负载矩阵P*和对角矩阵S*计算当前待分析数据的和统计量；计算公式为：

其中，表示重构得到的(1×J*)维估计向量；

第八步：引入异常报警，通过与工艺人员的沟通商榷，定义为：待机运行阶段结束时，前推2分钟内12组原始数据的T²和SPE统计量有超过控制限；稳定生产阶段过程中，1分钟内连续6组原始数据的T²和SPE统计量均超出控制限；在异常报警点时刻，采用贡献图方法计算各监测变量对超限统计量的贡献率，分离导致统计量超限的原因变量。

本发明的有益效果是：

本发明通过横向设备分块、纵向时间分层构建卷烟制叶丝过程多阶段分布式监测模型，克服了现有监测方法在待机运行阶段的监测盲区，以及不同设备并发异常对整体监测模型的相互干扰。本发明充分利用卷烟制叶丝过程的专家经验和生产数据，实现了关键设备单元不同生产阶段的分布式监测和诊断，大大提高了卷烟制叶丝过程的监测性能，非常有利于卷烟制叶丝过程智慧分析和异常诊断系统的开发和实施。

附图说明

图1为基于分块分层思想的卷烟制叶丝过程多阶段分布式监测模型结构图。

图2为卷烟制叶丝过程在线监测与异常诊断流程图。

图3为卷烟制叶丝过程正常批次测试数据的监测图。

图4为卷烟制叶丝过程异常批次1测试数据的监测图。

图5为卷烟制叶丝过程异常批次2测试数据的监测图。

图6为异常批次1中第143个数据点时刻的Sirox监测变量贡献图。

图7为异常批次2中第121个数据点时刻的Sirox监测变量贡献图。

图8为异常批次2中第127个数据点时刻的KLD监测变量贡献图。

图9为异常批次2中第209个数据点时刻的KLD监测变量贡献图。

具体实施方式

为了更好的理解本发明的技术方案，以下结合说明书附图对本发明的实施方式作进一步描述。

本发明是用于卷烟制叶丝过程的关键设备单元：Sirox增温增湿机和KLD薄板烘丝机。 Sirox增温增湿机的主要作用是在烘丝之前对叶丝进行膨胀和润湿，提高叶丝的温度和含水率，使烘后叶丝填充值得到提高。叶丝经过落料槽和叶轮闸门到达气流旋风分离器，气流旋风分离器的轴为空心，轴上有带螺纹的孔。饱和蒸汽由空心轴上的孔中流出落在叶丝上，使叶丝膨胀和湿润，气流旋风分离器再将叶丝输送至一个有盖板的出料振槽输送机。气流旋风分离器的轴由变频器进行驱动，进而控制轴的转速。在蒸汽喷雾管路的开闭通过调整阀来实现，根据运行需要调节蒸汽量。KLD薄板烘丝机的主要作用是利用饱和蒸汽将筒体加热来烘干叶丝，改善和提高叶丝的感官质量，以满足后工序的加工要求。叶丝通过振槽式输送机由入口罩板中的开孔进入烘丝机，烘丝机中的叶丝持续由一个旋转着的滚筒进行输送。滚筒壁上装有可由蒸汽加热的叶片，滚筒旋转时叶片带动叶丝一起转动并通过滚筒斜坡将叶丝往前输送。由于滚筒的旋转以及其倾角使叶丝始终与滚筒内叶片接触，在此过程中叶丝被搅拌并被均匀地加热。滚筒壁温度可以通过蒸汽压力或蒸汽流量进行调节，滚筒中的热风温度可以通过热交换器的蒸汽压力进行调节。

本发明的基于分块分层思想的卷烟制叶丝过程多阶段分布式监测与诊断方法主要分为以下几步：

(1)多阶段分布式监测建模

基于分块分层思想的卷烟制叶丝过程多阶段分布式监测与诊断模型结构如图1所示。以某一叶丝牌号多阶段分布式监测建模为例，针对多阶段数据的特征，首先分别确定待机运行阶段、稳定生产阶段的监测变量和建模数据有效性判断规则，获取Sirox和KLD不同阶段的建模数据，进而利用PCA方法分别建立Sirox和KLD不同阶段的PCA监测模型并获得控制限。

第一步：根据生产现场已有测点和设备监测需求，分别确定Sirox增温增湿机、KLD薄板烘丝机在待机运行阶段、稳定生产阶段的监测变量，如表1所示，待机运行阶段Sirox和KLD 的监测变量数分别为5和14，稳定生产阶段Sirox和KLD的监测变量数分别为8和17。

表1 Sirox、KLD待机运行阶段和稳定生产阶段监测变量

第二步：根据生产工艺要求，分别确定Sriox、KLD待机运行阶段和稳定生产阶段离线建模数据的有效性判断规则。剔除制丝集控系统中该叶丝牌号的断料批次和异常批次数据，根据表2的建模数据有效性判断规则，获得Sirox、KLD待机运行阶段和稳定生产阶段的原始三维建模数据其中I表示批次，J表示监测变量，K表示采样点，下标SS表示Sirox待机运行阶段、KS表示 KLD待机运行阶段、SP表示Sirox稳定运行阶段、KP表示KLD稳定运行阶段，监测变量的采样频率为10s/次。

表2离线建模数据的有效性判断规则

第三步：采用变量展开方式将三维数据展开为二维数据其中* 可取为SS或KS或SP或KP，用于区分Sirox、KLD待机运行阶段和稳定生产阶段。对二维矩阵内的每个变量进行减均值除标准差的数据标准化预处理，获得高质量的二维建模数据X*(I*K*×J*)。

第四步：对二维建模数据X*进行PCA分解[10]，分别建立Sirox、KLD待机运行阶段和稳定生产阶段的监测模型，获得每个模型的主元个数A*、负载矩阵P*和对角矩阵S*。基于每个模型建模数据的和SPE*统计量，利用F分布和χ²分布获得该模型的统计量控制限。

PCA分解的计算公式为：

其中，T*为主元子空间中(I*K*×A*)维的得分矩阵；P*为主元子空间中(J*×A*)维的负载矩阵；E*为残差子空间中(I*K*×J*)维的残差矩阵；A*表示主元个数，由累计贡献率方法确定；对角矩阵S*＝diag(λ*1,λ*2,…,λ**A*)由建模数据X*的协方差矩阵的前A*个特征值构成

根据F分布计算监测统计量的控制限为：

其中，α为置信度，Fα(A*,I*K*-A*)是对应于置信度为α，自由度为A*、I*K*-A*的F分布临界值。

根据χ²分布计算SPE*监测统计量的控制限为：

其中，g*＝v*/(2n*)，n*、v*分别为SPE*监测统计量的均值和方差。

(2)在线监测与异常诊断

根据制丝排产计划确定的待生产叶丝牌号，将其作为指示变量调用相同牌号对应阶段的监测模型分别计算Sirox、KLD在待机运行和稳定生产阶段的监测统计量。待机运行阶段，监测该阶段后期(即上料前)是否已经建立了一个满足工艺要求的稳定生产环境，若该阶段结束前未建立稳定生产环境则进行异常报警并识别异常原因；稳定生产阶段，利用已剔除短暂过渡时段的稳定生产数据计算统计量，判断是否连续超过控制限，及时发现过程异常并识别异常原因。卷烟制叶丝过程在线监测与异常诊断的算法流程如图2所示。

第五步：根据状态监测需求，确定如表3所示的Sriox增温增湿机、KLD薄板烘丝机在线监测数据有效性判断规则，获得待机运行阶段当前有效数据或稳定生产阶段当前有效数据监测变量的采样频率为10s/次。

表3在线监测数据的有效性判断规则

第六步：根据当前叶丝牌号以及当前有效数据所属的设备运行阶段，利用相同牌号对应阶段Sirox、KLD监测模型的均值除标准差进行数据的标准化预处理，获得当前待分析数据xSSnew(1×JSS)、xKSnew(1×JKS)或xSPnew(1×JSP)、xKPnew(1×JKP)。

第七步：将当前待分析数据投影到相同牌号对应阶段Sirox、KLD监测模型上，利用该监测模型的负载矩阵P*和对角矩阵S*计算当前待分析数据的和统计量。计算公式为：

其中，表示重构得到的(1×J*)维估计向量。

第八步：引入异常报警，通过与工艺人员的沟通商榷，定义为：待机运行阶段结束时，前推2分钟内12组原始数据的T²和SPE统计量有超过控制限；稳定生产阶段过程中，1分钟内连续6组原始数据的T²和SPE统计量均超出控制限。在异常报警点时刻，采用贡献图方法 [11]计算各监测变量对超限统计量的贡献率，分离导致统计量超限的原因变量。

下面结合杭州卷烟厂F线制叶丝过程例子来说明本发明方法的有效性。

选取杭州卷烟厂2016年7～12月制叶丝段F线“利群A叶丝牌号”下的历史运行数据进行多阶段分布式监测建模和模型验证。通过生产工艺管理员对历史运行数据甄别，选取7～9 月中的13个正常批次作为建模数据，原始数据通过变量展开和标准化预处理，获得高质量二维建模数据XSS(612×5)、XKS(612×14)、XSP(6321×8)和XKP(6321×17)。采用主元分析方法分别建立待机运行阶段Sirox、KLD的监测模型和稳定生产阶段Sirox、KLD的监测模型，控制限的置信度取为0.99，各监测模型的主元个数和控制限见表4。

表4“利群A叶丝牌号”各监测模型的主元个数和控制限

重新采集该叶丝牌号10月某个正常批次数据进行模型验证，该批次共包含1002组原始采样数据，经过在线监测数据的有效性判断，分别获得待机运行阶段和稳定生产阶段的高质量测试数据，该测试数据的在线监测结果如图3所示。在待机运行阶段后期，Sirox和KLD的T²和 SPE统计量均位于控制限以内，在稳定生产阶段，有个别原始数据的T²和SPE统计量超出控制限，但均未导致异常报警。可见，本发明方法能够对待机运行阶段和稳定生产阶段的正常状态做出正确指示，具有准确有效监测制叶丝段批次过程正常状态的能力。

再次重新采集该叶丝牌号10月和12月的2个异常批次数据进行模型验证，其中异常批次1共包含1140组原始采样数据，异常批次2共包含1050组原始采样数据。经过在线监测数据的有效性判断，分别获得异常批次1和异常批次2待机运行阶段和稳定生产阶段的高质量测试数据1和2，两批测试数据的在线监测结果如图4和图5所示。

从图4可知，该批次存在停止上料的情况，Sirox在待机运行阶段的第227个数据点时刻才建立起稳定生产环境，而KLD在待机运行阶段的第93个和第217个数据点分别建立起稳定生产环境。根据异常报警的定义，Sirox报警出现在第143个数据点时刻，说明Sirox待机运行阶段还未建立起稳定生产环境时便开始上料，该时刻各监测变量对统计量超限的贡献率如图6所示，蒸汽质量流量、蒸汽薄膜阀开度2个变量的贡献率较大，应该立即停止上料避免产生不合格叶丝。对该异常进一步分析发现，待机运行阶段，Sirox蒸汽质量流量设定值为400kg/h，检测值约为1033kg/h，蒸汽薄膜阀开度为0％，上料后Sirox出口叶丝温度接近环境温度，由此可以判断Sirox蒸汽质量流量检测值存在异常。实际生产中，由于缺乏待机运行阶段的有效监测，该异常直到KLD烘后叶丝水分无法控制到工艺指标要求时才发被发现，并由运行人员手动停止上料，期间产生了一定的不合格叶丝。

从图5可知，该批次存在停止上料的情况，Sirox在待机运行阶段和稳定生产阶段的统计量均超过了对应的控制限，且不同阶段的统计量相对平稳，说明该批次生产过程中存在监测变量的长期恒定偏移。根据异常报警的定义，Sirox最早出现的异常报警在第121个数据点时刻，该时刻各监测变量对统计量超限的贡献率如图7所示，Sirox阀前蒸汽压力、蒸汽温度、蒸汽体积流量、蒸汽薄膜阀开度4个变量的贡献率均较大。对该异常进一步分析发现，期间对蒸汽总管的减压阀进行了更换，更换后Sirox阀前蒸汽压力未调整到工艺要求的中心值。由于蒸汽质量流量的PID闭环控制，蒸汽质量流量检测值可以跟踪上相应的设定值，运行人员未及时发现该异常。

KLD在第一个待机运行阶段未发生异常报警，第一个稳定生产阶段的第127个数据点时刻，残差子空间中SPE统计量发生异常报警，该时刻各监测变量对统计量超限的贡献率如图 8所示，烘后叶丝温度的贡献率较大。对该异常进一步分析发现，该批次第一个稳定生产阶段的前期，烘后叶丝温度检测值比正常批次低1度左右，未能在5分钟的过渡时间内进入正常批次的稳定状态。

KLD在第一个稳定生产阶段的中后期未发生异常报警，但生产过程中出现了停止上料。一种可能是模型漏报了该异常，另一种可能是该异常不能反映到当前的监测变量中。对该异常进一步分析发现，此次停止上料是由于冷却风选机挡板位置异常导致的风选堵塞，目前尚缺少能反映冷却风选机该异常的监测变量，若要发现该异常需要对冷却风选机的现有测点进行优化配置，以获得更多的监测信息。

KLD在第二个待机运行阶段的统计量均超过了对应的控制限，异常报警出现在第209个数据点时刻，该时刻各监测变量对统计量超限的贡献率如图9所示，排潮负压、热风温度的贡献度较大。对该异常进一步分析发现，在待机运行阶段结束时，排潮负压检测值是正常批次的3倍，热风温度检测值比正常批次低1度左右，未能建立起满足工艺要求的稳定生产环境，直接导致在5分钟过渡时间后的稳定生产阶段前期，T²和SPE统计量发生较大波动且出现了少量报警。

通过上述异常批次的分析可知，本发明方法能够对待机运行阶段和稳定生产阶段的异常状态做出正确指示，具有准确有效监测制叶丝段批次过程异常状态的能力。