基于现场数据的产品工艺质量预测模型的建立方法及系统的制作方法
【专利摘要】本发明公开了基于现场数据的产品工艺质量预测模型的建立方法及系统，包括以下步骤：获取卷烟设备的现场数据并将获取的数据存储至数据库中；对卷烟设备的现场数据进行处理，卷烟设备的现场数据包括卷烟机停机数据、剔除数据、产量数据及产品质量数据；建立产品工艺质量神经网络预测模型；建立设备故障树；输入卷烟设备实时数据至产品工艺质量神经网络预测模型得到预测产品质量数据，结合设备故障树对卷烟设备进行控制。本发明能够避免数据统计分析方法的单一性，将卷烟设备数据有效结合，建立数据综合分析模型，预测下一时间段内的产品质量情况，防止问题产品的产出，做到以产品质量为导向指导设备管理。
【专利说明】
基于现场数据的产品工艺质量预测模型的建立方法及系统
技术领域
[0001] 本发明设及烟草行业数据模型的建立领域，具体设及基于现场数据的产品工艺质 量预测模型的建立方法及系统。
【背景技术】
[0002] 近些年来，卷烟企业工业自动化方面得到了长足的发展，建立了底层数采、集控和 状态监测等系统，管理层也建立了大量的应用系统，运些工业自动化系统和应用系统中存 在大量的设备数据资源，但在设备管理方面的数据管理和数据价值挖掘水平并不高，导致 大量数据资源的浪费，不能有效支撑精益管理。
[0003] 卷烟设备的现场数据主要包含停机数据、剔除数据、产量数据W及产品质量数据。 在W往应用中，各类数据往往是被单独应用的，如产量、质量考核，设备停机分析等，且应用 方法多为统计分析，数据应用手段较为贫乏。
[0004] 目前针对卷烟设备的产品工艺质量的预测仅仅靠人工根据烟支质量变化趋势，通 过经验进行判断，主观性比较强，没有基于相关的数据进行分析，精确性不高。
【发明内容】
[0005] 为解决现有技术存在的不足，本发明公开了基于现场数据的产品工艺质量预测模 型的建立方法及系统，本申请基于卷烟设备各类现场数据建立相应的模型，并结合设备故 障树，对卷烟设备的产品进行实时预测。
[0006] 为实现上述目的，本发明的具体方案如下：
[0007] 基于现场数据的产品工艺质量预测模型的建立方法，包括W下步骤：
[000引获取卷烟设备的现场数据并将获取的数据存储至数据库中；
[0009] 对卷烟设备的现场数据进行处理，卷烟设备的现场数据包括卷烟机停机数据、剔 除数据、产量数据及产品质量数据；
[0010] W卷烟机停机数据、剔除数据、产量数据作为输入，产品质量数据作为输出，建立 产品工艺质量神经网络预测模型；
[0011] 建立设备故障树，该设备故障树包含故障现象、故障部位、故障原因、解决措施四 个层级；
[0012] 输入卷烟设备实时数据至产品工艺质量神经网络预测模型得到预测产品质量数 据，结合设备故障树对卷烟设备进行控制。
[0013] 进一步的，对卷烟设备的现场数据进行处理时，包括W下步骤：
[0014] 1-1)、采用聚类方法筛选出建立产品工艺质量神经网络预测模型所需的停机数 据；
[00巧]1-2)、将各类现场数据按时间顺序分别排序；
[0016] 1-3)、各类现场数据W彼此采集周期的最小公倍数为单位进行数据采集，设备产 量数据、停机数据、剔除数据为该时间段内的最大最小值之差，设备重量数据为该时间段内 数据的平均值；
[0017] 1-4)、将各类现场数据按时间段一一对应，产品质量数据与上一时段的停机、剔 除、产量数据对应。
[0018] 进一步的，建立产品工艺质量神经网络预测模型之前对卷烟设备的现场数据进行 处理之后还需要对处理后的数据进行归一化。
[0019] 进一步的，采用最大最小法对数据进行归一化，其函数形式如下：
[0020] Xk= ( Xk-Xmin)/ ( Xmax-Xmin)
[0021 ]式中，Xmin为某一指标数据序列中的最小数，Xmax为该指标序列中的最大数，Xk为该 指标数据序列中的第k个数据。
[0022] 进一步的，设备故障树在建立时，故障部位按照上下游关系排序，每个故障部位的 故障原因按照出现概率进行排序，依据设备维修记录数据反馈的出现频次调整故障部位及 故障原因的顺序。
[0023] 基于现场数据的产品工艺质量预测模型的建立系统，包括：
[0024] 数据获取模块:用于获取卷烟设备的现场数据并将获取的数据存储至数据库中；
[0025] 数据处理模块，用于对卷烟设备的现场数据进行处理，卷烟设备的现场数据包括 卷烟机停机数据、剔除数据、产量数据及产品质量数据；
[0026] 模型建立模块，用于W卷烟机停机数据、剔除数据、产量数据作为输入，产品质量 数据作为输出，建立产品工艺质量神经网络预测模型；
[0027] 设备故障树建立模块，建立设备故障树，该设备故障树包含故障现象、故障部位、 故障原因、解决措施四个层级；
[0028] 数据预测模块，用于输入卷烟设备实时数据至产品工艺质量神经网络预测模型得 到预测产品质量数据，结合设备故障树对卷烟设备进行控制。
[0029] 数据处理模块中，对卷烟设备的现场数据进行处理时，包括：
[0030] 数据筛选模块，采用聚类方法筛选出建立产品工艺质量神经网络预测模型所需的 停机数据；
[0031] 数据排序模块，将各类现场数据按时间顺序分别排序；
[0032] 数据采集模块，将各类现场数据W彼此采集周期的最小公倍数为单位进行数据采 集，设备产量数据、停机数据、剔除数据为该时间段内的最大最小值之差，设备重量数据为 该时间段内数据的平均值；
[0033] 数据对应模块，将各类现场数据按时间段一一对应，产品质量数据与上一时段的 停机、剔除、产量数据对应。
[0034] 进一步的，模型建立模块在建立产品工艺质量神经网络预测模型之前及数据处理 模块对卷烟设备的现场数据进行处理之后还需要对处理后的数据进行归一化。
[0035] 进一步的，采用最大最小法对数据进行归一化，其函数形式如下：
[0036] 化=(Xk-Xmin)/(Xmax-Xmin)
[0037] 式中，Xmin为某一指标数据序列中的最小数，Xmax为该指标序列中的最大数，Xk为该 指标数据序列中的第k个数据。
[0038] 进一步的，设备故障树建立模块在建立设备故障树时，故障部位按照上下游关系 排序，每个故障部位的故障原因按照出现概率进行排序，依据设备维修记录数据反馈的出 现频次调整故障部位及故障原因的顺序。
[0039] 本发明的有益效果：
[0040] 本发明综合应用卷烟设备停机、剔除、产量、质量等数据制定卷烟设备管理策略。 首先整理各类现场设备数据，按时间段排序整理，其中质量数据与上一时间段的其他数据 对应。然后W停机、剔除、产量数据为输入，采用神经网络方法预测产品质量。最后根据预测 结果，结合设备故障树制定管理策略。本发明能够避免数据统计分析方法的单一性，将卷烟 设备数据有效结合，建立数据综合分析模型，预测下一时间段内的产品质量情况，防止问题 产品的产出，做到W产品质量为导向指导设备管理。
[0041] 本发明能够避免数据统计分析方法的单一性，将卷烟设备数据有效结合，建立数 据综合分析模型，预测下一时间段内的产品质量情况，防止问题产品的产出，做到W产品质 量为导向指导设备管理。
【附图说明】
[0042] 图1是本发明基于现场数据的卷烟设备管理策略的构建流程图；
[0043] 图2是本发明实施例停机数据在不同类别数下的聚类优度分布图；
[0044] 图3是本发明实施例停机数据的聚类结果图；
[0045] 图4是本发明实施例产品质量预测模型的预测结果图；
[0046] 图5是本发明实施例短期标准偏差过大的故障树。
【具体实施方式】：
[0047] 下面结合附图对本发明进行详细说明：
[0048] 如图1所示，基于现场数据的产品工艺质量预测模型的建立方法，包括W下步骤：
[0049] 步骤1、通过数据分析软件整理各类现场设备数据;步骤2、采用神经网络方法预测 产品质量;步骤3、根据预测结果结合设备故障树制定管理策略。
[0050] 整理各类现场设备数据包含W下分步骤:步骤11、采用数据分析软件读取储存在 数据库中的卷烟设备现场数据;步骤12、停机数据采用聚类方法筛选出较为重要的停机因 素;步骤13、将各类数据按时间顺序分别排序;步骤14、各类数据W彼此采集周期的最小公 倍数15分钟为单位进行数据整理，设备产量、剔除、停机类的数据为该时间段内的最大最小 值之差，设备重量数据为该时间段内数据的平均值，形成数据矩阵;步骤15、将各类数据按 时间段一一对应，即在数据矩阵中将同时刻的数据置于同一行，产品质量数据与上一时段 的停机、剔除、产量数据对应，即在数据矩阵中将所有产品质量数据提前一行。
[0051] 采用神经网络方法预测产品质量包含W下分步骤:步骤21、对整理后的数据进行 归一化处理;步骤22、W卷烟机停机、剔除、产量数据作为输入，产品质量数据作为输出，采 用BP神经网络模型，建立产品质量神经网络预测模型。其中，剔除数据指的是卷烟机烟支剔 除的数据。
[0052] 根据预测结果结合设备故障树制定管理策略包含W下分步骤:步骤31、依据维修 经验，建立设备故障树，该设备故障树包含故障现象、故障部位、故障原因、解决措施四个层 级，包含了造成停机故障所有可能的部位及原因；步骤32、输入卷烟设备实时数据，得到预 测产品质量结果;步骤33、判断预测的产品质量结果是否符合生产要求，若符合，则正常生 产，若不符合，则结合设备故障树，及时采取维修管理措施。
[0053] 设备故障树的故障部位按照上下游关系排序，每个故障部位的故障原因根据经验 按照出现概率进行排序，依据设备维修记录数据反馈的出现频次调整故障部位及故障原因 的顺序。
[0054] 本实施例采用某卷烟厂ZJ112卷烟机的实际生产数据进行了基于现场数据的卷烟 设备管理策略的构建。
[0055] 本实施例中，考虑的产品质量指标主要为烟支重量短期标准偏差。
[0056] -种基于现场数据的卷烟设备管理策略的构建方法，具体包括W下步骤：
[0057] 停机数据对设备的影响主要表现在停机时长及停机次数两个方面。统计该卷烟机 2014年4月1日至8月31日的班次停机数据，如下表1所示，由于卷烟机的停机原因种类较多， 需要采用聚类方法筛选出对设备影响较大的停机原因。首先依据组间平方和占总平方和的 比值，确定最优聚类数，如图2所示;然后W此最优聚类数进行数据聚类，聚类结果如图3所 示;最终选择对设备影响较大的类别作为分析要素，运里选取了 SE手动停机、SE跑条、MAX磋 板堵塞、SE断纸、MX出烟堵塞、下游机器停机作为分析要素。
[005引选定停机数据的主要因素后，采集卷烟机2014年8月份日志文件中的数据，将各类 数据W15分钟为单位进行整理，设备产量、停机、剔除的数据为该时间段内的最大最小值之 差，设备质量数据为该时间段内数据的平均值，将各类数据按时间段一一对应，而产品质量 数据与上一时段的其他数据对应。
[0059]表1班次停机数据统计表
[0060]
[0061]
[0062] 然后采用最大最小法对整理后的数据进行归一化，其函数形式如下：
[0063] Xk 一 ( Xk~Xmin ) / ( Xmax~Xmin )
[0064] 式中，Xmin为数据序列中的最小数，Xmax为序列中的最大数。
[0065] W卷烟机停机、剔除、产量数据作为输入，产品质量数据作为输出，使用R语言的 nnet程序包建立产品质量神经网络预测模型。预测结果如图4所示，图4中X轴方向为短期标 准偏差的实际值，Y轴为预测值。通过计算，该模型的平均误差为0.24%。
[0066] 如代入数据表中第942行的数据，可得预测值为29.53mg，说明该模型预测出在下 一个15分钟的时间段内烟支重量标准偏差将超出规定的小于20mg的要求，需要立即结合图 5所示的故障树按照故障出现概率的高低，对设备进行维保处理。
[0067] 上述虽然结合附图对本发明的【具体实施方式】进行了描述，但并非对本发明保护范 围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不 需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围W内。
【主权项】
1. 基于现场数据的产品工艺质量预测模型的建立方法，其特征是，包括以下步骤： 获取卷烟设备的现场数据并将获取的数据存储至数据库中； 对卷烟设备的现场数据进行处理，卷烟设备的现场数据包括卷烟机停机数据、剔除数 据、产量数据及产品质量数据； 以卷烟机停机数据、剔除数据、产量数据作为输入，产品质量数据作为输出，建立产品 工艺质量神经网络预测模型； 建立设备故障树，该设备故障树包含故障现象、故障部位、故障原因、解决措施四个层 级； 输入卷烟设备实时数据至产品工艺质量神经网络预测模型得到预测产品质量数据，结 合设备故障树对卷烟设备进行控制。2. 如权利要求1所述的基于现场数据的产品工艺质量预测模型的建立方法，其特征是， 对卷烟设备的现场数据进行处理时，包括以下步骤： 1-1)、采用聚类方法筛选出建立产品工艺质量神经网络预测模型所需的停机数据； 1-2 )、将各类现场数据按时间顺序分别排序； 1-3)、各类现场数据以彼此采集周期的最小公倍数为单位进行数据采集，设备产量数 据、停机数据、剔除数据为该时间段内的最大最小值之差，设备重量数据为该时间段内数据 的平均值； 1-4)、将各类现场数据按时间段一一对应，产品质量数据与上一时段的停机、剔除、产 量数据对应。3. 如权利要求1所述的基于现场数据的产品工艺质量预测模型的建立方法，其特征是， 建立产品工艺质量神经网络预测模型之前对卷烟设备的现场数据进行处理之后还需要对 处理后的数据进行归一化。4. 如权利要求3所述的基于现场数据的产品工艺质量预测模型的建立方法，其特征是， 采用最大最小法对数据进行归一化，其函数形式如下： Xk - ( Xk-Xmin ) / ( Xmax-Xmin ) 式中，Xmin为某一指标数据序列中的最小数，Xmax为该指标序列中的最大数，Xk为该指标 数据序列中的第k个数据。 5 .如权利要求1所述的基于现场数据的产品工艺质量预测模型的建立方法，其特征是， 设备故障树在建立时，故障部位按照上下游关系排序，每个故障部位的故障原因按照出现 概率进行排序，依据设备维修记录数据反馈的出现频次调整故障部位及故障原因的顺序。6.基于现场数据的产品工艺质量预测模型的建立系统，其特征是，包括： 数据获取模块:用于获取卷烟设备的现场数据并将获取的数据存储至数据库中； 数据处理模块，用于对卷烟设备的现场数据进行处理，卷烟设备的现场数据包括卷烟 机停机数据、剔除数据、产量数据及产品质量数据； 模型建立模块，用于以卷烟机停机数据、剔除数据、产量数据作为输入，产品质量数据 作为输出，建立产品工艺质量神经网络预测模型； 设备故障树建立模块，建立设备故障树，该设备故障树包含故障现象、故障部位、故障 原因、解决措施四个层级； 数据预测模块，用于输入卷烟设备实时数据至产品工艺质量神经网络预测模型得到预 测产品质量数据，结合设备故障树对卷烟设备进行控制。7. 如权利要求6所述的基于现场数据的产品工艺质量预测模型的建立系统，其特征是， 数据处理模块中，对卷烟设备的现场数据进行处理时，包括： 数据筛选模块，采用聚类方法筛选出建立产品工艺质量神经网络预测模型所需的停机 数据； 数据排序模块，将各类现场数据按时间顺序分别排序； 数据采集模块，将各类现场数据以彼此采集周期的最小公倍数为单位进行数据采集， 设备产量数据、停机数据、剔除数据为该时间段内的最大最小值之差，设备重量数据为该时 间段内数据的平均值； 数据对应模块，将各类现场数据按时间段一一对应，产品质量数据与上一时段的停机、 剔除、产量数据对应。8. 如权利要求6所述的基于现场数据的产品工艺质量预测模型的建立系统，其特征是， 模型建立模块在建立产品工艺质量神经网络预测模型之前及数据处理模块对卷烟设备的 现场数据进行处理之后还需要对处理后的数据进行归一化。9. 如权利要求8所述的基于现场数据的产品工艺质量预测模型的建立系统，其特征是， 采用最大最小法对数据进行归一化，其函数形式如下： Xk - ( Xk-Xmin ) / ( Xmax-Xmin ) 式中，Xmin为某一指标数据序列中的最小数，Xmax为该指标序列中的最大数，Xk为该指标 数据序列中的第k个数据。10. 如权利要求6所述的基于现场数据的产品工艺质量预测模型的建立系统，其特征 是，设备故障树建立模块在建立设备故障树时，故障部位按照上下游关系排序，每个故障部 位的故障原因按照出现概率进行排序，依据设备维修记录数据反馈的出现频次调整故障部 位及故障原因的顺序。
【文档编号】G06F17/50GK105956330SQ201610373992
【公开日】2016年9月21日
【申请日】2016年5月31日
【发明人】马万强, 程继忠, 郭红广, 马俊, 吴艳丽, 宋磊, 张东生
【申请人】山东中烟工业有限责任公司