CN102567812B - 一种烟草加工工序中用加工参数预测控制指标的方法 - Google Patents

Abstract

本发明公开了一种烟草加工工序中用加工参数预测控制指标的方法。包括数据收集、数据处理、相关性分析、建立模型和模型应用。运用相关分析法和判别分析法对卷烟生产过程单工序加工参数和控制结果进行表征分析，建立关键工序众多工艺控制参数与对应控制指标之间的数学模型，通过数学模型表征工序加工参数与控制指标间的关联性，将该模型应用于生产过程中，实现对控制参数进行有依据、有方向的调整。该方法的建立克服了现有工序能力评价方法只能进行单个工艺参数或工艺指标控制能力评价的缺点，可以从参数与指标间、指标与指标间进行相关的描述评价。为指标调整、工艺试验提供了有力的基础支撑。

Description

一种烟草加工工序中用加工参数预测控制指标的方法

技术领域

本发明属于卷烟生产技术领域，具体涉及一种在单工序中，通过建立数学模型，用加工参数预测控制指标的方法。

背景技术

目前，卷烟行业内多数厂家通过加工设备信息化技术改造，相继构建了完备的计算机网络数据库，所采集的工艺加工控制参数越来越丰富，但对于数据的应用还仅限于SPC过程控制。烟草加工过程中，每一个工序都有多种参数组合能够满足质量控制指标(出口含水率、出口温度)，但这些参数组合中只有部分能满足工序需求。当前还没有该方面的研究报道，控制指标与加工参数间的相互关系也被人们所忽略，这些采集的数据尚没有发挥其应有的作用。

发明内容

本发明的目的在于针对现有卷烟加工过程数据应用不充分的问题，提供一种烟草加工工序中用加工参数预测控制指标的方法。运用相关分析法和判别分析法对卷烟生产过程单工序加工参数和控制结果进行表征分析，建立关键工序众多工艺控制参数与对应控制指标之间的数学模型，通过数学模型表征工序加工参数与控制指标间的关联性，将该模型应用于生产过程中，实现对控制参数进行有依据、有方向的调整，从而达到提高烟草加工生产水平和精细化加工能力的目的。

本发明的目的通过以下技术方案予以实现。

一种烟草加工工序中用加工参数预测控制指标的方法，包括以下步骤：

(1)数据收集：检测卷烟生产加工参数，包括：工艺流量、回风温度、来料含水率、筒壁温度、排水量、蒸汽流量、加水流量和加料流量；检测控制指标：出口含水率和出口温度，检测到的各种数据记录备用；数据记录采用Industrial SQL Server 10.0数据库系统为平台，并结合离线检测手段和手动输入来实现数据的收集；

(2)数据处理：以控制允差范围和3倍sigma区域为判异规则，剔除数据中的错误和特异样本，并将同一牌号、同一工序的加工参数数据、工艺指标数据、离线检测数据按照时间先后顺序，且保证数据在时间上的一一对应，对连续的数据进行分组，此时，假设没使用的变量参数为恒定值，取组内连续的5～20个点的平均值为一个基础研究值，每组数据的取样时间、数据个数一致，把每组数据作为一个研究对象，确定分组准则；

(3)相关性分析：对处理后的加工参数数据、工艺指标数据、离线检测数据进行相关性分析，当连续变量间呈线性相关时，使用Pearson积差相关系数，不满足积差相关分析的适用条件时，使用Spearman秩相关系数来描述，挑出有相关性的分组数据；

(4)建立模型：根据相关性分析的结果，采用fisher判别法或马氏距离判别法对有相关性数据进行判别分析，并对处理后数据进行分析和建立数学模型；得到加工参数与工艺指标间关联性数学式：

F(x)＝aX₁+bX₂+cX₃+…+mX_n+H

注：其中H为修正值

用自身验证法和交互验证法对建立的判别函数进行回判，检测判别函数判别效果；

(5)模型应用：依据分组准则，带入同一工序且是步骤(3)中所得有相关性的加工参数组合对控制指标预测或验证。

相对于现有技术，本发明具有以下优点：

(1)克服了现有工序能力评价方法只能进行单个工艺参数或工艺指标控制能力评价的缺点，可以从参数与指标间、指标与指标间进行相关的描述评价。

(2)在各个工序上解决了工艺参数与工艺指标间的关系，为指标调整、工艺试验提供了有力的基础支撑。

(3)每一个数学模型的建立让人们对相应设备性能的了解和掌握更彻底，生产过程中异常情况出现的预警更及时。

具体实施方式

下面结合实施例对本发明作进一步地详细说明，但它们并不是对本发明的限定。

实施例1

(1)选取云烟(紫)加工过程中的加料工序，收集某个批次的工艺参数(加料瞬时值、回风温度瞬时值)数据和工艺指标(出口温度)数据。以控制允差范围和3倍sigma区域为判异规则，剔除数据中的错误或特异样本，并将工艺参数数据、工艺指标数据按照时间先后顺序且一一对应，取连续5个点为一组，取其平均值为最小研究单位，并依据工艺指标允差确定分组准则如表1：

表1加料工序质量指标的分组准则

(2)对求平均后的数据进行分析处理，加料工序加工参数和质量指标的相关性分析结果见表2。由表2可以看出，出口温度与加料流量、回风温度2个加工参数呈现显著地相关性，因此通过加料流量、回风温度可以对加料出口温度进行表征。

表2加料工序加工参数和质量指标的相关性分析结果

**.在.01水平(双侧)上显著相关。

(3)建立判别函数

根据上述相关性分析结果，采用fisher判别分析法，加料出口温度引入加料流量、回风温度2个加工参数进行选择分析。经过判别分析，出料含水率和出口温度判别函数方程分别为：

F_a1(x)＝0.13x₁+61.401x₂-3594.04

F_a2(x)＝0.04x₁+68.186x₂-3957.618

F_a3(x)＝0.04x₁+56.775x₂-3361.24

式中：F_a1(x)——加料出口温度分组1；

F_a2(x)——加料出口温度分组2；

F_a3(x)——加料出口温度分组3；

x₁——加料流量；

x₂——加料回风温度。

对这些判别函数进行Wilks的Lambda检验，得知P＜0.005，说明由加料流量、回风温度组成的判别函数具有显著意义，判别函数对区分出口温度差异极显著。

(4)检验判别效果和应用

用自身验证法和交互验证法对建立的判别函数进行回判，结果见表3。由表3可以看出，出口温度预测自身验证和交互验证分别为97.8％、97.7％。因此，自身验证法和交互验证法验证结果的回判准确率均超过97％，表明所建立的判别函数判别效果较好，能用于实际生产过程中。

表3加料工序出口温度预测分类结果

(5)以该批次所得数学模型对在该工序加工的云烟(紫)其他批次加工参数(加料瞬时值、回风温度瞬时值)组合937个对出口温度数据逐个进行计算，如把数据组和(98.3Kg/h，59.7℃)带入判别函数方程，得F_a1(x)＝-1.751，F_a2(x)＝2.633，f_a3(x)＝3.015，带入fisher判别函数：Z＝-1.751X₁+2.633X₂+3.015X₃，分别计算Z_a1，Z_a2，Z_a3和均值经判别该数据属于分组准则3。把937个组合数据经计算判别后得：出口温度属于分组3的数据占总数的94.88％，即出口温度小于58℃。对照生产记录，该批次加料出口温度均值为56.72，符合云烟(紫)实际生产情况，验证统计见表4。从表中可以看出该批次温度控制94.88％低于58℃，应对控制参数进行调整；同时说明了加工参数能表征控制指标。

表4验证统计表

实施例2

(1)选取云烟(紫)加工过程中的松散回潮工序，收集近期连续3个批次的工艺参数(加水瞬时值、回风温度瞬时值)数据和工艺指标(出口含水率)数据。以控制允差范围和3倍sigma区域为判异规则，剔除数据中的错误或特异样本，并将工艺参数数据、工艺指标数据按照时间先后顺序批连批、点连点的方式取连续20个点为一组取其平均值作为最小研究单位，并依据该厂工艺指标允差确定分组准则如表5：

表5松散回潮工序质量指标的分组准则

(2)对求平均后的数据进行分析处理，可得松散回潮出料含水率与加水流量、回风温度2个加工参数呈现显著地相关性，因此通过加水流量、回风温度可以对松散出料含水率进行表征。

(3)建立判别函数

根据上述相关性分析结果，采用马氏距离判别分析法，松散回潮出料含水率引入加水流量、回风温度2个加工参数进行选择分析。经过判别分析，出料含水率判别函数方程分别为：

F_a1(x)＝0.146x₁+129.93x₂-3379.887

F_a2(x)＝0.203x₁+171.892x₂-5934.841

F_a3(x)＝0.115x₁+145.305x₂-4230.034

式中：F_a1(x)——加料出料含水率分组1；

F_a2(x)——加料出料含水率分组2；

F_a3(x)——加料出料含水率分组3；

x₁——瞬时加水流量；

x₂——松散回潮回风温度。

对这些判别函数进行Wilks的Lambda检验，得知P＜0.005，说明由加水流量、回风温度组成的判别函数具有显著意义，判别函数对区分出料含水率差异极显著。

(4)检验判别效果和应用

用自身验证法和交互验证法对建立的判别函数进行回判，从回判结果看出，出料含水率预测自身验证和交互验证分别为99.7％、99.6％。因此，自身验证法和交互验证法验证结果的回判准确率均超过97％，表明所建立的判别函数判别效果较好，能用于实际生产过程中。

(5)以所得数学模型预测云烟(紫)在该工序生产的出口水分，进行3个工艺参数(加水量、回风温度)组合：(165Kg/h，77℃)、(170Kg/h，75℃)、(175Kg/h，73℃)，计算F(x)，并带入马氏距离判公式：

$D(X,Y)=\sqrt{{(X-Y)}^T{V}^{-1}(X-Y)}$

分别计算D(X，Y)，并带入分组准则F(X)＝(1，2，3)，判别可得：

(165Kg/h，77℃)∈F(X)＝3，即出口含水率小于16.5％；

(170Kg/h，75℃)∈F(X)＝1，即出口含水率在16.5-18.5％之间；

(175Kg/h，73℃)∈F(X)＝2，即出口含水率大于18.5％；

把三组参数组合应用于实际生产中，采集生产数据并经判别后，三个组合实际生产数据组合的分组准则符合情况和判别结果如表6，从表中可以看出，经判别参数组合的识别率最低为95.23％，且与预测结果吻合，说明该判别函数对以加工参数预测控制结果的效果较好。

表6验证结果统计表

实施例3

(1)同样云烟(紫)加工过程中的滚筒烘丝工序，收集近期连续10个批次的工艺参数(来料含水率、来料流量、筒壁温度、回风风温)数据和工艺指标(出口温度、水分)数据。以控制允差范围和3倍sigma区域为判异规则，剔除数据中的错误或特异样本，并将工艺参数数据、工艺指标数据按照批连批、点连点的方式取连续50个点为一组取其平均值为最小研究单位，并依据该厂工艺指标允差确定分组准则如表7

表7丝干燥工序质量指标的分组准则

(2)对求平均后的数据进行分析处理，可得：叶丝干燥出料含水率与来料含水率、来料流量、筒壁温度、回风温度4个加工参数呈现显著地相关性；出口温度与来料含水率、HT蒸汽阀门开度、筒壁温度、回风温度4个加工参数呈现显著地相关性。因此通过来料流量、筒壁温度、回风温度可以对叶丝干燥出料含水率进行表征，通过来料含水率、HT蒸汽阀门开度、筒壁温度、回风温度可以对出口温度进行表征。

(3)建立判别函数

根据上述相关性分析结果，采用判别分析法，分别引入表征出料含水率的来料含水率、来料流量、筒壁温度、回风温度4个加工参数，以及表征出口温度的来料含水率、HT蒸汽阀门开度、筒壁温度、回风温度4个加工参数进行选择分析。经过判别分析，出料含水率和出口温度判别函数方程分别为：

F_a1(x)＝419.709x₁+0.488x₂-0.818x₄-5.363x₅-3828.283

F_a2(x)＝439x₁+0.465x₂-1.253x₄-5.863x₅-3889.383

F_a3(x)＝409.167x₁+0.459x₂-0.705x₄-5.184x₅-3618.658

F_b1(x)＝502.991x₁+151.358x₃+9.22x₄-9.081x₅-8833.73

F_db2(x)＝548.173x₁+150.672x₃+8.97x₄-9.86x₅-9303.164

F_b3(x)＝472.012x₁+149.048x₃+8.806x₄-8.51x₅-8359.564

式中：F_a1(x)——叶丝干燥出料含水率分组1；

F_a2(x)——叶丝干燥出料含水率分组2；

F_a3(x)——叶丝干燥出料含水率分组3；

F_b1(x)——叶丝干燥出口温度分组1；

F_b2(x)——叶丝干燥出口温度分组2；

F_b3(x)——叶丝干燥出口温度分组3；

x₁——叶丝干燥来料含水率；

x₂——叶丝干燥来料流量；

x₃——叶丝干燥HT蒸汽阀门开度；

x₄——叶丝干燥筒壁温度；

x₅——叶丝干燥干燥排水量。

对这些判别函数进行Wilks的Lambda检验，得知P＜0.005，说明由来料含水率、来料流量、筒壁温度、回风温度组成表征出料含水率的判别函数，以及由来料含水率、HT蒸汽阀门开度、筒壁温度、回风温度表征出口温度的判别函数均具有显著意义，判别函数对区分出料含水率和出口温度差异极显著。

(4)检验判别效果及应用

用自身验证法和交互验证法对建立的判别函数进行回判，从回判结果可以看出，出料含水率预测自身验证和交互验证分别为96.0％、95.9％；出口温度预测自身验证和交互验证分别为98.7％、98.6％。因此，自身验证法和交互验证法验证结果的回判准确率均超过95％，表明所建立的判别函数判别效果较好，能用于实际生产过程中，同时可以带入其他批次的数据进行函数模型的验证。

(5)与(1)相同，取该工序加工的云烟(紫)一个批次的数据，依据判别函数方程对该批951组数据进行验证，统计验证结果见表8，从表中可以看出，通过判别函数可以100％把该批数据按分组准则分辨出来，判别出的数据回带验证，识别率分别为99.79％和99.67％，证明该判别函数方程对此工序加工参数与控制指标的表征效果很好。

表8验证统计结果

实施例4

(1)选取与实施例2相同工序的控制指标(出口温度、出口含水率)数据。以控制允差范围和3倍sigma区域为判异规则，剔除数据中的错误或特异样本，并将数据按照时间先后顺序，取连续10个点为一组取其平均值为最小研究单位，并依据该厂工艺指标允差确定分组准则如表9：

表9松散回潮工序质量指标的分组准则

(2)用pearson相关性分析法对松散回潮工序质量指标(出料含水率、出口温度)进行分析，由相关性分析结果可以看出，松散回潮出口温度与出口含水率呈现显著地相关性，因此松散回潮出口温度与出口含水率可以进行相互表征。

(3)判别函数的建立

根据上述相关性分析结果，采用判别法进行判别，松散回潮出口含水率引入出口温度进行选择分析。经过判别分析，松散回潮出口含水率判别函数方程为：

F_a1(x)＝0.012x₁-4.04

F_a2(x)＝0.05x₁-2.618

F_a3(x)＝0.04x₁-1.24

式中：F_a1(x)——松散回潮出口含水率分组1；

F_a2(x)——松散回潮出口含水率分组2；

F_a3(x)——松散回潮出口含水率分组3；

x₁——松散回潮出口温度；

对这些判别函数进行Wilks的Lambda检验^[11]，得知P＜0.005，说明由出口温度组成的判别函数具有显著意义，判别函数对区分含水率差异极显著。

(4)判别效果的检验

用自身验证法和交互验证法对建立的判别函数进行回判，得出：自身验证法和交互验证法验证结果的回判准确率均超过97％，表明所建立的判别函数判别效果较好。

(5)从判别结果可以看出，松散回潮出口温度与含水率有关联性，且通过实际生产验证，出口温度温度小于50℃时，出口含水率将不能满足控制指标要求，出现水附着在烟片表面的现象。出口温度能在50℃以上时，利用建立的数学模型能对出口含水率进行表征。任意抽取该工序生产的云烟(紫)某个批次出口温度与出口含水率数据各1032个，把出口温度带入判别函数方程，经判别分析，结果如表10。把出口含水率的1032个数据按分组准则进行分组，得分组准则1中数据比例是89.13％，分组准则2中数据比例是5.63％，分组准则3中数据比例是5.24％，与判别结果对比，可以看出，两种计算方法所得结果基本一致，控制指标与控制指标间能进行表征，同时对工序控制指标的设定起到指引作用。

表10判别统计表

Claims (1)

1.一种烟草加工工序中用加工参数预测控制指标的方法，包括以下步骤： 

(1)数据收集：检测卷烟生产加工参数，包括：工艺流量、回风温度、来料含水率、筒壁温度、排水量、蒸汽流量、加水流量和加料流量；检测控制指标：出口含水率和出口温度，检测到的各种数据记录备用；数据记录采用Industrial SQL Server 10.0数据库系统为平台，并结合离线检测手段和手动输入来实现数据的收集； 

(2)数据处理：以控制允差范围和3倍sigma区域为判异规则，剔除数据中的错误和特异样本，并将同一牌号、同一工序的加工参数数据、工艺指标数据、离线检测数据按照时间先后顺序，且保证数据在时间上的一一对应，对连续的数据进行分组，此时，假设没使用的变量参数为恒定值，取组内连续的5～20个点的平均值为一个基础研究值，每组数据的取样时间、数据个数一致，把每组数据作为一个研究对象，确定分组准则； 

(3)相关性分析：对处理后的加工参数数据、工艺指标数据、离线检测数据进行相关性分析，当连续变量间呈线性相关时，使用Pearson积差相关系数，不满足积差相关分析的适用条件时，使用Spearman秩相关系数来描述，挑出有相关性的分组数据； 

(4)建立模型:根据相关性分析的结果，采用fisher判别法或马氏距离判别法对有相关性数据进行判别分析，并对处理后数据进行分析和建立数学模型；得到加工参数与工艺指标间关联性数学式： 

F(x)＝aX₁+bX₂+cX₃+…+mX_n+H 

其中，F(x)为工艺指标函数；X₁、X₂、X₃、…、X_n为与工艺指标F (x)显著相关的加工参数；a、b、c、…、m为运用fisher判别法或马氏距离判别法原理，将P维空间中的某点x＝(x₁，x₂，x₃，…，x_n)降为一维数值过程中所得到的偏回归系数，是函数处理时的常数，表示具体工艺加工参数对工艺指标影响程度的大小；H为修正值； 

用自身验证法和交互验证法对建立的判别函数进行回判，检测判别函数判别效果； 

(5)模型应用：依据分组准则，带入同一工序且是步骤(3)中所得有相关性的加工参数组合对控制指标预测或验证。