卷烟设备操控参数寻优方法与流程

本发明涉及数据处理技术领域，具体涉及一种卷烟设备操控参数寻优方法。

背景技术：

烟草工业企业顺应要求，正在大力落实“中国智造”，加速新一代技术的集成实施，积极推进智能制造单元、智能车间、智能工厂和智能制造系统升级，着力提升智能研发水平，打造柔性化、智能化、高端化、绿色化的现代生产体系和发展模式。

卷烟机组是烟草工业企业最为重要的生产装备之一，也是卷烟生产工艺流程的重点工序和瓶颈工序。卷烟机组的产能直接关系到卷烟生产计划的完成情况，卷烟机组的加工水平直接影响卷烟产品的质量水平，对产品市场营销和消费者满意度有很大的影响。卷烟机组的运行效率是烟草行业重点关注的最为重要指标之一。

随着近年来烟草行业全球化、新的法律法规以及外部环境的重大变化，中国烟草面临愈来愈严峻的竞争压力和社会压力。在保证产品质量的前提下，有效提升设备的智能化水平和高效运行能力成为卷烟工厂关注的焦点。智能化，即生产设备具有感知、分析、推理和决策等功能；高效运行，即在规定时间内消耗更少的资源生产更多、更好的产品。卷烟工厂设备的智能化水平和高效运行能力与其自动化程度密不可分，设备操控参数寻优技术是提升智能化水平、保证高效运行的重要手段。

技术实现要素：

本发明实施例的目的在于提供一种卷烟设备操控参数寻优方法，面向生产过程的工况特性，基于稳定工况识别、稳定工况spc统计建模、k-means聚类等关键技术，能够满足卷烟设备操控参数寻优的实际需要。

为实现上述目的，本发明实施例提供一种卷烟设备操控参数寻优方法，所述寻优方法包括：

1)历史运行数据的获取：选择监测变量，收集正常工况下各监测变量的过程数据集xn×m，其中，n为采样点个数，m为监测变量个数，建立统计模型；

2)稳定工况的识别：基于设备运行速度，采用滑动时间窗算法获取稳定度因子fs，采用平滑滤波算法对处于稳定工况的滑动时间窗内原始数据进行算术平均，获得一组移动平均数据，将移动平均数据作为稳定工况的有效数据x′(i×m)，其中，i为有效数据的个数，m为监测变量个数；

3)对稳定工况数据进行spc建模：对稳定工况数据进行统计过程控制建模，获取控制限，绘制标准差控制图，并根据标准差控制图判定工况数据是否稳定，绘制均值控制图，并根据均值控制图判定工况数据是否稳定，根据过程满足质量要求能力的单个度量参数即西格玛水平值评价过程控制能力，加权平均计算烟支质量综合过程控制能力指数cpk，如果过程控制能力指数大于设定值，取当前批次设备参数的参数设定值作为最优工况数据，放入学习样本集xtrain；

4)建立k-means聚类模型：对学习样本集xtrain进行中心化和标准化处理，获得处理后的建模数据xs，对建模数据xs建立k-means聚类模型；

5)逆向标准化处理：设备操控参数寻优，通过获取各个聚类结果集的最大、最小和中心样本，然后对所得样本进行逆向标准化处理，得到最终操控参数寻优结果。

作为卷烟设备操控参数寻优方法的优选方案，所述步骤2)中，当设备运行速度的值小于等于阈值ζ时表明过程处于稳定工况，反之表明过程处于过渡工况；

基于设备运行速度，采用滑动时间窗算法获取稳定度因子fs的公式为：

其中，vhmax表示滑动时间窗内卷烟机车速的最大值，vhmin表示滑动时间窗内卷烟机车速的最小值，vmax表示卷烟设备允许的车速最大值，h表示滑动时间窗口的长度。

作为卷烟设备操控参数寻优方法的优选方案，所述步骤3)中，对稳定工况数据进行统计过程控制建模的步骤为：

301)确定控制对象：将反映产品质量的关键质量特性作为控制对象，控制对象包括计量型和计数型；

302)收集预备数据：以特定时间作为1个子组进行数据的汇总，按照时间顺序，从历史数据中选择若干子组进行正态性检验。

作为卷烟设备操控参数寻优方法的优选方案，所述步骤3)中，计量型控制对象的数据处理方法为：

获取控制限；

获取每个子组均值标准差s和所有观测值的总均值平均标准差

获取标准差控制图的中心线和上下控制限：

式中：cls为标准差控制图中心线；为子组标准差的平均值；ucls为标准差控制图上控制限；lcls为标准差控制图下控制限；b3、b4为控制限系数；

获取均值控制图的中心线和上下控制限：

式中：为均值控制图中心线；为子组平均值的平均值；为子组标准差的平均值；为均值控制图上控制限；为均值控制图下控制限；a3为控制限系数；

绘制标准差控制图，在标准差控制图上标记中心线和上下控制限，点绘每一个子组的标准差；

观察标准差控制图所有的点是否落在控制界限内，判定过程是否处于稳定状态，如标准差控制图显示过程处于稳定状态，则用来获取均值图的控制限；如过程处于非稳定状态，剔除异常点，重新计算并修正控制限直至过程处于稳定状态；

绘制均值控制图，在均值控制图上标记中心线和上下控制限，点绘每个子组的平均值；

观察均值控制图所有的点是否落在控制界限内，并且在控制界限内的点是否随机排列，如过程处于稳定状态，则将分析用控制图的控制限确定为控制用控制图的控制限；如过程处于非稳定状态，剔除异常点，重新计算并修正控制限直至过程处于稳定状态。

作为卷烟设备操控参数寻优方法的优选方案，所述步骤3)中，计数型控制对象的数据处理方法为：

获取控制限：

获取每个子组缺陷数和平均缺陷数，获取缺陷数控制图的中心线和上下控制限：

式中：clc为缺陷数控制图中心线；c为子组缺陷数的平均值；uclc为缺陷数控制图上控制限；uclc为缺陷数控制图下控制限；

获取每个子组不合格品率和平均不合格品率，获取不合格品率控制图的中心线和上下控制限：

式中：clp为不合格品率控制图中心线；为子组不合格品率的平均值；uclp为不合格品率控制图上控制限；lclp为不合格品率控制图下控制限；

获取每个子组单位缺陷数和平均单位缺陷数，获取单位缺陷数控制图的中心线和上下控制限：

式中：clu为单位缺陷数控制图中心线；为子组单位缺陷数的平均值；uclu为单位缺陷数控制图上控制限；lclu为单位缺陷数控制图下控制限；

绘制缺陷数控制图，在缺陷数控制图上标记中心线和上下控制限，点绘每一个子组的缺陷数，制成缺陷数控制图；

绘制不合格品率控制图，在不合格品率控制图上标记中心线和上下控制限，点绘每一个子组的不合格品率，制成不合格品率控制图；

绘制单位缺陷数控制图，在单位缺陷数控制图上标记中心线和上下控制限，点绘每一个子组的单位缺陷数，制成单位缺陷数控制图；

观察控制图所有的点是否落在控制界限内，判定过程是否处于稳定状态，如控制图显示过程处于稳定状态，则将分析用控制图的控制限确定为控制用控制图的控制限；如过程处于非稳定状态，剔除异常点，重新计算并修正控制限直至过程处于稳定状态。

作为卷烟设备操控参数寻优方法的优选方案，所述步骤3)中，当控制图均处于稳定状态时，收集给定数量以上的子组数据获取过程西格玛水平，评价过程控制能力指数cpk的公式为；

其中，usl为控制对象特性的规格上限，lsl为控制对象特性的规格下限，x为所有取样数据的平均值，σ取样数据的标准差；

获取所取样数据的标准差σ，再获取规格公差t及规格中心值u；

t＝usl-lsl；u＝(usl+lsl)/2；

获取制程准确度ca：ca＝(x-u)/(t/2)；

获取制程精密度cp：cp＝t/6σ；

获取制程能力指数：cpk＝cp(1-|ca|)；

加权平均获取烟支质量综合过程控制能力cpk。

作为卷烟设备操控参数寻优方法的优选方案，所述步骤4)中，对学习样本集xtrain进行中心化和标准化处理，获得处理后的建模数据xs的公式为：

其中，xi，j′相当于xs，i代表样本、j代表变量，表示第j个变量的均值，sj表示第j个变量的标准差。

作为卷烟设备操控参数寻优方法的优选方案，所述步骤4)中，对xs建立k-means聚类模型的步骤为：

401)从数据集xs随机选择k个样本作为初始的质心向量：{μ1，μ2，…，μk}；

402)对于n＝1，2，…，n，其中n为最大迭代次数

a)将簇划分c初始化为ct＝φt＝1，2，…，k；

b)对于i＝1，2，…，m，获取样本xi和各个质心向量μj(j＝1，2，…，k)的距离：将xi标记最小的为dij所对应的类别λi，此时更新

c)对于j＝1，2，…，k，对cj中所有的样本点重新计算新的质心

d)如果所有的k个质心向量都没有发生变化，则转到步骤3)；

403)输出簇划分c＝{c1，c2，…，ck}。

作为卷烟设备操控参数寻优方法的优选方案，所述步骤5)中，获取各个聚类结果集的最大、最小和中心样本，然后对所得样本进行逆向标准化处理，逆向标准化处理的方式为：

ci×std(xtrain)+mean(xtrain)

其中，ci代表簇划分；

std(xtrain)代表标准学习样本集；

mean(xtrain)代表平均学习样本集。

本发明实施例具有如下优点：基于稳定工况识别、稳定工况spc(统计过程控制，statisticalprocesscontrol)统计建模、k-means聚类等技术，对海量历史数据通过滑动时间窗离线计算稳定度因子，实现了卷烟机稳定工况和过渡工况的有效识别，采用统计过程控制实现稳定工况的统计建模以及控制限的求取，通过聚类算法获取各个聚类结果集的最大、最小和中心样本，满足卷烟设备操控参数寻优的实际需要，能有效提高卷烟机的可靠性和准确性，进而为设备预防维修提供了客观、量化的参考信息。

附图说明

图1为本发明实施例提供的卷烟设备操控参数寻优方法流程图；

图2为本发明实施例提供的工况识别前的卷烟机车速图；

图3为本发明实施例提供的稳定度因子示意图；

图4为本发明实施例提供的经过平滑滤波后稳定工况的卷烟机车速图；

图5为本发明实施例提供的稳定工况有效数据的聚类图。

具体实施方式

以下实施例用于说明本发明，但不用来限制本发明的范围。

参见图1，提供一种卷烟设备操控参数寻优方法，所述寻优方法包括：

s1：历史运行数据的获取；

s2：稳定工况的识别；

s3：对稳定工况数据进行spc建模；

s4：建立k-means聚类模型；

s5：逆向标准化处理。

本发明实施例具体的提供一种卷烟设备操控参数寻优方法，

s1：历史运行数据的获取：选择监测变量，监测变量包括烟支质量指标和设备操控参数，收集正常工况下各监测变量的过程数据集xn×m，其中，n为采样点个数，m为监测变量个数，建立统计模型；

s2：稳定工况的识别：基于设备运行速度，采用滑动时间窗算法获取稳定度因子fs，当稳定度因子fs值小于等于阈值ζ时表明过程处于稳定工况，反之表明过程处于过渡工况，采用平滑滤波算法对处于稳定工况的滑动时间窗内原始数据进行算术平均，获得一组移动平均数据，将移动平均数据作为稳定工况的有效数据x′(i×m)，其中，i为有效数据的个数，m为监测变量个数；

s3：对稳定工况数据进行spc建模：对稳定工况数据进行统计过程控制建模，获取控制限，绘制标准差控制图，并根据标准差控制图判定工况数据是否稳定，绘制均值控制图，并根据均值控制图判定工况数据是否稳定，根据过程满足质量要求能力的单个度量参数西格玛水平评价过程控制能力，加权平均计算烟支质量综合过程控制能力指数cpk，如果烟支质量综合综合过程控制能力指数cpk>1.6，则认为当前批次为优秀批次，取当前批次设备参数的参数设定值作为最优工况数据，放入学习样本集xtrain；

s4：建立k-means聚类模型：对学习样本集xtrain进行中心化和标准化处理，获得处理后的建模数据xs，对建模数据xs建立k-means聚类模型；

s5：逆向标准化处理：设备操控参数寻优，通过获取各个聚类结果集的最大、最小和中心样本，然后对所得样本进行逆向标准化处理，得到最终操控参数寻优结果。

实施例中，步骤s3判定工况数据是否稳定的标准如下表：

步骤s3中，西格玛水平是将过程输出的平均值、标准差与质量要求的目标值、规格限联系起来进行比较，是对过程满足质量要求能力的一种度量。西格玛水平越高，过程满足质量要求的能力越高；反之，西格玛水平越低，过程满足质量要求的能力越低。

6个西格玛＝3.4失误/百万机会，意味着卓越的管理，强大的竞争力和忠诚的客户。

5个西格玛＝230失误/百万机会，意味着优秀的管理、很强的竞争力和比较忠诚的客户。

4个西格玛＝6,210失误/百万机会，意味着较好的管理和运营能力，满意的客户。

3个西格玛＝66,800失误/百万机会，意味着平平常常的管理，缺乏竞争力。

2个西格玛＝308,000失误/百万机会，意味着企业资源每天都有三分之一的浪费。

1个西格玛＝690,000失误/百万机会，意味着每天有三分之二的事情做错，企业无法生存。

卷烟设备操控参数寻优方法的一个实施例中，所述s2中，当设备运行速度的值小于等于阈值ζ时表明过程处于稳定工况，反之表明过程处于过渡工况；

基于设备运行速度，采用滑动时间窗算法获取稳定度因子fs的公式为：

其中，vhmax表示滑动时间窗内卷烟机车速的最大值，vhmin表示滑动时间窗内卷烟机车速的最小值，vmax表示卷烟设备允许的车速最大值，h表示滑动时间窗口的长度。

所述s3中，对稳定工况数据进行统计过程控制建模的步骤为：

s301：确定控制对象：将反映产品质量的关键质量特性作为控制对象，控制对象包括计量型和计数型。其中，质量、圆周、吸阻、通风率、空头、漏气，其中质量、圆周、吸阻、通风率为计量型，空头、漏气为计数型。

s302：收集预备数据：以特定时间作为1个子组进行数据的汇总，按照时间顺序，从历史数据中选择若干子组进行正态性检验。本实施例中每5分钟作为1个子组进行数据的汇总(随机取样10支)，按照时间顺序，从近期历史数据(一个月为宜)中选择30个子组，进行正态性检验，数据应符合正态分布。收集预备数据前应跟踪每一组数据，有异常数据时应及时标记，以备后续数据异常剔除分析用。

所述s3中，计量型控制对象的数据处理方法为：

获取控制限；

获取每个子组均值标准差s和所有观测值的总均值平均标准差

获取标准差控制图的中心线和上下控制限：

式中：cls为标准差控制图中心线；为子组标准差的平均值；ucls为标准差控制图上控制限；lcls为标准差控制图下控制限；b3、b4为控制限系数；

获取均值控制图的中心线和上下控制限：

式中：为均值控制图中心线；为子组平均值的平均值；为子组标准差的平均值；为均值控制图上控制限；为均值控制图下控制限；a3为控制限系数；

绘制标准差控制图，用左侧纵坐标表示各子组标准差，用横坐标表示子组号；在标准差控制图上标记中心线和上下控制限，点绘每一个子组的标准差；

观察标准差控制图所有的点是否落在控制界限内，并依据a类判稳准则判定过程是否处于稳定状态。如标准差控制图显示过程处于稳定状态，则可用来计算均值图的控制限；如过程处于非稳定状态，应剔除异常点，重新计算并修正控制限直至过程处于稳定状态，同时应查明异常点产生的原因，并采取适当的补救措施防止其再次出现。如异常点的数量超过子组数量的20％，应重新收集数据。

绘制均值控制图，用左侧纵坐标表示各子组均值，用横坐标表示子组号；在均值控制图上标记中心线和上下控制限，点绘每个子组的平均值；

观察均值控制图所有的点是否落在控制界限内，并且在控制界限内的点是否随机排列，依据a类和b类判稳准则判定过程是否处于稳定状态。如过程处于稳定状态，则将分析用控制图的控制限确定为控制用控制图的控制限；如过程处于非稳定状态，应剔除异常点，重新计算并修正控制限直至过程处于稳定状态，同时应查明异常点产生的原因，并采取适当的补救措施防止其再次出现。如异常点的数量超过子组数量的20％，应重新收集数据。

所述s3中，计数型控制对象的数据处理方法为：

获取控制限：

获取每个子组缺陷数和平均缺陷数，获取缺陷数控制图的中心线和上下控制限：

式中：clc为缺陷数控制图中心线；c为子组缺陷数的平均值；uclc为缺陷数控制图上控制限；uclc为缺陷数控制图下控制限；

获取每个子组不合格品率和平均不合格品率，获取不合格品率控制图的中心线和上下控制限：

式中：clp为不合格品率控制图中心线；为子组不合格品率的平均值；uclp为不合格品率控制图上控制限；lclp为不合格品率控制图下控制限；

获取每个子组单位缺陷数和平均单位缺陷数，获取单位缺陷数控制图的中心线和上下控制限：

式中：clu为单位缺陷数控制图中心线；为子组单位缺陷数的平均值；uclu为单位缺陷数控制图上控制限；lclu为单位缺陷数控制图下控制限；由于控制限不可能为负，如计数下控制限计算为负时不应标出。

绘制缺陷数控制图，用左侧纵坐标表示各子组缺陷数，用横坐标表示子组号；在缺陷数控制图上标记中心线和上下控制限，点绘每一个子组的缺陷数，制成缺陷数控制图；

绘制不合格品率控制图，用左侧纵坐标表示各子组不合格品率，用横坐标表示子组号；在不合格品率控制图上标记中心线和上下控制限，点绘每一个子组的不合格品率，制成不合格品率控制图；

绘制单位缺陷数控制图，用左侧纵坐标表示各子组单位缺陷数，用横坐标表示子组号；在单位缺陷数控制图上标记中心线和上下控制限，点绘每一个子组的单位缺陷数，制成单位缺陷数控制图；

观察控制图所有的点是否落在控制界限内，并依据a类判稳准则判定过程是否处于稳定状态。如控制图显示过程处于稳定状态，则将分析用控制图的控制限确定为控制用控制图的控制限；如过程处于非稳定状态，应剔除异常点，重新计算并修正控制限直至过程处于稳定状态，同时应查明异常点产生的原因，并采取适当的补救措施防止其再次出现。如异常点的数量超过子组数量的20％，应重新收集数据。

卷烟设备操控参数寻优方法的一个实施例中，所述s3中，当控制图均处于稳定状态时，收集给定数量以上的子组数据获取过程西格玛水平，评价过程控制能力指数cpk的公式为；

其中，usl为控制对象特性的规格上限，lsl为控制对象特性的规格下限，x为所有取样数据的平均值，σ取样数据的标准差；

获取所取样数据的标准差σ，再获取规格公差t及规格中心值u；

t＝usl-lsl；u＝(usl+lsl)/2；

获取制程准确度ca：ca＝(x-u)/(t/2)；

获取制程精密度cp：cp＝t/6σ；

获取制程能力指数：cpk＝cp(1-|ca|)；

加权平均获取烟支质量综合过程控制能力cpk。

卷烟设备操控参数寻优方法的一个实施例中，所述s4中，对学习样本集xtrain进行中心化和标准化处理，获得处理后的建模数据xs的公式为：

其中，xi，j′相当于xs，i代表样本、j代表变量，表示第j个变量的均值，sj表示第j个变量的标准差。

所述s4中，对xs建立k-means聚类模型的步骤为：

s401：从数据集xs随机选择k个样本作为初始的质心向量：{μ1，μ2，…，μk}；

s402：对于n＝1，2，…，n，其中n为最大迭代次数

a)将簇划分c初始化为ct＝φt＝1，2，…，k；

b)对于i＝1，2，…，m，获取样本xi和各个质心向量μj(j＝1，2，…，k)的距离：将xi标记最小的为dij所对应的类别λi，此时更新

c)对于j＝1，2，…，k，对cj中所有的样本点重新计算新的质心

d)如果所有的k个质心向量都没有发生变化，则转到步骤3)；

s403：输出簇划分c＝{c1，c2，…，ck}。

具体的，s5中，获取各个聚类结果集的最大、最小和中心样本，然后对所得样本进行逆向标准化处理，逆向标准化处理的方式为：

ci×std(xtrain)+mean(xtrain)

其中，ci代表簇划分；

std(xtrain)代表标准学习样本集；

mean(xtrain)代表平均学习样本集。

具体的，选取zj17e机台的卷包机，采集底层plc中的卷烟机运行数据，包含以下变量：针辊供丝补偿量、针辊停止、针辊供丝量系数、风室负压、圆周修正、圆周控制电机、启动位置、剔出极限、废品极限、重量校正、内部目标重量、起始位置、过轻烟支重量极限、过重烟支重量极限、软点重量极限、硬点重量极限、松头重量极限、烟丝端部大小、滤嘴端大小、压实端位置、修整器位置、烙铁1温度、烙铁2温度、胶枪温度、搓板温度、水松纸温度、梗签分离压力、小风机正压、前轨密度、后轨密度、管道风速、紧密度、卷烟机车速、梗签剔除量、弹丝辘转速、回丝量、重量、吸丝带位置、吸阻、通风度、漏气、松头、光学外观、圆周值等43个监测变量。监测变量的采样频率为1秒/次，获得的原始数据为d(490542x44)。

采用本实施例的技术方案，滑动时间窗的长度h取为10，允许的车速最大值vmax取为8000，阈值ζ取为0.02，获得的有效数据为d(65314x44)。以前1000个原始采样数据为例，工况识别前卷烟机车速如图2所示，相应的稳定度因子如图3所示，经过平滑滤波后稳定工况的卷烟机车速如图4所示，最优工况数据的聚类图如图5所示。实现了卷烟机稳定工况和过渡工况的有效识别，采用统计过程控制实现稳定工况的统计建模以及控制限的求取，通过聚类算法获取各个聚类结果集的最大、最小和中心样本,满足卷烟设备操控参数寻优的实际需要，能有效提高卷烟机的可靠性和准确性，进而为设备预防维修提供了客观、量化的参考信息。

虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。