CN104360677A - 一种卷烟加工过程质量评价与诊断方法 - Google Patents

Abstract

本发明公开一种卷烟加工过程质量评价与诊断方法，通过收集和处理历史数据，构建样本发生概率的等高线图，并用它来诊断异常工艺参数或指标，同时计算质量得分。本发明通过对样本发生概率的计算、异常参数或指标的诊断，以及样本质量得分的计算，不仅为质量管理人员提供了更全面更符合实际的质量判定依据，而且也为质量改进提供了快速通道。本发明不仅能评价卷烟制丝生产过程产品质量和烟支物理质量，而且能在出现小概率事件(即出现质量不符合)时，进一步诊断和指明偏离统计受控状态的工艺参数或指标。本发明具有通用性，也能应用于烟草行业以外的其它生产过程。

Description

一种卷烟加工过程质量评价与诊断方法

技术领域

本发明涉及卷烟制丝生产过程产品和烟支物理质量的质量评价。

背景技术

《基于灰色关联分析的卷烟工序质量综合评价系统及其方法》(专利号：200810237698.3)所述的系统和方法是单工序质量评价和灰色关联分析方法的结合，它用灰色关联方法对工序或单参数的Cpk值进行综合评价，得到各评价对象的工序质量优劣排名。但不足在于：①该评价结果仅是几个工序相对比较的结果，当某几个工序的Cpk≥1.33时，相对较差的工序没有改进的需要。②仅用若干工序的某项工艺参数评价工序总体质量的优劣无疑存在片面性，因而评价结果就不能全面真实的反映工序总体质量的优劣。

《基于主成分分析的卷烟工序质量评价方法及其系统》(公开号：CN 103324147A)公开了一种解决现有单变量评价方法无法对多变量工序进行工序质量评价的方法。它通过计算工序各工艺参数的过程能力指数，并采用主成分分析法对各工艺参数数据进行分析，按照累计方差贡献率大于等于90％的原则确定主成分个数，并根据各主成分解释方差的大小确定其权重，最后采用算术加权法得出工序综合过程能力指数。该方法虽然引入了多元质量控制的思想，但没有充分考虑到每批次生产的偶然性与变异性，而且从过程能力指数的定义来看，该发明适于评价一段时间内多个批次(至少20个批次以上)的工序质量情况。因此，如果需要适时评价工序单个生产批次的质量情况，该方法存在不足之处。

《一种制丝工艺参数动态质量稳定性表征方法》(公开号：CN103324089A)所述的方法是：采集制丝工序中工艺参数的稳态数据和非稳态数据；根据稳态数据计算出其与工艺参数技术指标的偏离度和离散度；根据非稳态数据计算工艺参数的不合格时间；根据预设的稳态过程非稳态过程的动态质量稳定性评估函数分别对工艺参数的离散度和偏离度和非稳态数据的不合格时间进行转换，分别得到工艺参数的稳态数据和非稳态数据动态质量稳定性评估值；判断工艺参数的稳态数据和非稳态数据的动态质量稳定性评估值是否分别达到各自对应的预设阈值，如果其中有未达到预设阈值的动态质量稳定性评估值，则对该工艺参数执行过程进行相应调整和控制优化，实现更全面更符合实际的优化效果。但该方法仍然是基于一元统计的思想，且它给出的一元高次方程和二元高次方程较为复杂，当其所述的QI和离散度ρ不变时，高次方程的特性决定了偏离度Z的取值可能不是唯一的，同样当QI和偏离度Z不变时，离散度ρ的取值也可能不是唯一的，因而会造成产品质量好坏与QI值不是一一对应的关系。

《一种制丝工艺质量监控系统及方法》(公开号：CN 102885392A)描述了一种包括指标制定单元、数据采集单元、数据分析单元和结果判定单元的制丝工艺质量监控系统及方法，实现了在制丝中控数据系统的基础上，对采集到的数据进行建模分析，得到最符合当前烟丝要求、设备加工能力、加工方向的指标，并对指标进行SPC跟踪判定。该技术方案虽然较有效避免了现有技术中制丝工艺参数不能客观反应实际生产状况的技术问题，但其仍以一元统计的SPC技术为核心，就卷烟制丝过程而言，它只能对单参数或指标实施评价，而无法实现对整个工序或整批产品实施评价。

《一种智能取样方法及其在香烟质量控制的应用》(公开号：CN103750552A)描述了一种智能取样方法及其在烟支卷制过程中质量控制的应用，它通过使用均值控制图和EWMA控制图分别对烟支圆周和重量实施质量控制。因此，该方法仍然是一元统计控制的思想，而烟支质量是一个多指标的综合体，所以，它仍然无法真实反应烟支质量的实际总体波动。

此外，在打叶复烤过程，《打叶复烤过程片烟结构质量控制方法》(公开号：CN 102389161A)以T2控制图为核心，《一种评价复烤成品片烟质量稳定性的方法》(公开号：CN 102798596A)以X-Rs控制图为核心，也进行了一些统计技术的创新应用工作，然而其质量控制的思想仍是以单参数或指标为主。

发明内容

针对现有技术中存在的问题，本发明提供一种卷烟加工过程质量评价与诊断方法，并能在出现质量不符合时，进一步诊断和指明偏离统计受控状态的工艺参数或指标。

为实现上述目的，本发明技术方案为：

一种卷烟加工过程质量评价与诊断方法，包括如下步骤：

步骤一，制丝生产过程数据收集及样本统计量计算，以制丝生产批次、牌号、班次、工序等为检索要素，收集不短于3个月的符合技术标准要求的历史数据，要求：①样本批次数k≥100批；②每批次内的样本容量n≥50个数据；③应尽可能保证样本批次均匀落在样本收集时期内的各时段上；逐批次计算各个工艺参数或指标的样本均值和样本方差，并确定生产过程单工艺参数或指标的波动；

步骤二，烟支物理质量数据收集及样本统计量计算，以卷烟机机型、牌号、班次等为检索要素，收集不短于3个月的符合技术标准要求的历史数据，要求：①每组的样本容量n≥30支，且每组的样本容量相等；②样本组数k≥100组；③应尽可能保证样本组均匀落在样本收集时期内的各时段上；逐组计算烟支物理质量的样本均值向量和样本协方差阵，并确定烟支物理质量的融合协方差阵；

步骤三，构建样本的概率等高线图；

步骤四，诊断异常工艺参数或指标，利用样本发生概率等高图对工艺参数或指标的样本均值和样本方差进行诊断；

步骤五，根据样本发生概率等高图，计算质量得分。

上述技术方案的有益之处在于：

本发明适用卷烟加工过程质量评价与诊断方法，通过对样本发生概率的计算、异常参数或指标的诊断，以及样本质量得分的计算，不仅为质量管理人员提供了更全面更符合实际的质量判定依据，而且也为质量改进提供了快速通道。本发明不仅能评价卷烟制丝生产过程产品质量和烟支物理质量，而且能在出现小概率事件(即出现质量不符合)时，进一步诊断和指明偏离统计受控状态的工艺参数或指标。本发明具有通用性，也能应用于烟草行业以外的其它生产过程。本发明不适用于分析定性数据。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是本发明在一维情形下，样本(n＝115)发生概率等高图及示例；

图2是本发明在二维及以上情形下，样本(n＝30,p＝6)发生概率等高图及示例。

具体实施方式

为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚、明白，下面通过实施例和图1、图2，对本发明的技术方案做进一步的详细描述。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

本发明卷烟加工过程质量评价与诊断方法是收集和处理历史数据，用来构建样本的概率等高线图，诊断异常工艺参数或指标，以计算质量得分。具体步骤如下:

步骤一，制丝生产过程数据收集及样本统计量计算

以制丝生产批次、牌号、班次、工序等为检索要素，收集一定时期(不短于3个月)内的符合技术标准要求的历史数据，要求：①样本批次数k≥100批；②每批次内的样本容量n≥50个数据；③应尽可能保证样本批次均匀落在样本收集时期内的各时段上。按(1.1)式和(1.2)式，逐批次计算各个工艺参数或指标的样本均值和样本方差S。

$\stackrel{\‾}{X}=\frac{1}{n}\mathrm{\Σ}{X}_j---\left(1.1\right)$

$S=\frac{1}{n-1}\mathrm{\Σ}(X_j-\stackrel{\‾}{X}){(X_j-\stackrel{\‾}{X})}^{\′}---\left(1.2\right)$

其中：X_j为工艺参数或指标的批次内样本值；j＝1,2,…,n。

再由(1.3)式计算并确定生产过程单工艺参数或指标的波动σ²。

${\mathrm{\σ}}^2=\frac{\mathrm{\Σ}(n_k-1)S_k}{\mathrm{\Σ}(n_k-1)},(k=\mathrm{1,2},...,)---\left(1.3\right)$

其中：n_k为第k批次样本所包含的样本量；S_k为第k批样本的样本方差。

步骤二，烟支物理质量数据收集及样本统计量计算

以卷烟机机型、牌号、班次等为检索要素，收集一定时期(不短于3个月)内的符合技术标准要求的历史数据，要求：①每组的样本容量n≥30支，且每组的样本容量相等；②样本组数k≥100组；③应尽可能保证样本组均匀落在样本收集时期内的各时段上。按(1.1)式和(1.2)式，逐组计算烟支物理质量的样本均值的p×1(p为烟支物理质量的指标数目)向量和样本协方差阵S。

再由(1.4)式计算并确定烟支物理质量的融合协方差阵S_p，即由它确定烟支生产过程中物理质量的波动。

$S_p=\frac{1}{k}(S_1+S_2+...+S_k)---\left(1.4\right)$

其中：S_k为第k组样本的样本协方差阵。

最后，令Y_k＝ln|S_k|，按(1.1)式和(1.2)式计算和S_Y，并以此构建

步骤三、构建样本的概率等高线图

由统计理论知道，样本的和S独立。因此，样本的发生概率为和S各自独立发生的概率的积。于是：

1、对一维的情形

$\begin{array}{c}P(P(Z\≥\frac{|\stackrel{\‾}{X}-\mathrm{\μ}|}{\sqrt{{\mathrm{\σ}}^2/n}}),P({\mathrm{\χ}}^2(n-1)\≥\frac{(n-1)S}{{\mathrm{\σ}}^2}))=\\ P(Z\≥\frac{|\stackrel{\‾}{X}-\mathrm{\μ}|}{\sqrt{{\mathrm{\σ}}^2/n}})P({\mathrm{\χ}}^2(n-1)\≥\frac{(n-1)S}{{\mathrm{\σ}}^2})\end{array}---\left(1.5\right)$

其中：μ为技术标准给定值。

令样本发生概率分别为0.0025、0.01、0.05、0.1。当样本容量n＝115时，可得图1所示的样本发生概率等高图。

2、对二维及以上的情形

$\begin{array}{c}P\left(P({\mathrm{\χ}}_p^2\≥n{(\stackrel{\‾}{X}-\mathrm{\μ})}^{\′}{S_p}^{-1}(\stackrel{\‾}{X}-\mathrm{\μ}))\right),P(Z\≥\frac{|Y_k-\stackrel{\‾}{Y}|}{\sqrt{S_Y}}))=\\ P({\mathrm{\χ}}_p^2\≥n{(\stackrel{\‾}{X}-\mathrm{\μ})}^{\′}{S_p}^{-1}(\stackrel{\‾}{X}-\mathrm{\μ}))P(Z\≥\frac{|Y_k-\stackrel{\‾}{Y}|}{\sqrt{S_Y}})\end{array}---\left(1.6\right)$

其中：μ为技术标准给定值。

令 $A=\frac{|Y_k-\stackrel{\‾}{Y}|}{\sqrt{S_Y}},B={(\stackrel{\‾}{X}-\mathrm{\μ})}^{\′}{S_p}^{-1}(\stackrel{\‾}{X}-\mathrm{\μ}),$ 样本发生概率分别为0.0025、0.01、0.05、0.1。当样本容量n＝30且p＝6(检测烟支的烟支质量、烟支圆周、烟支长度、烟支吸阻、烟支总通风率和烟支硬度6个物理指标)时，可得图2所示样本发生概率等高图。

步骤四、诊断异常工艺参数或指标的方法

利用样本发生概率等高图对工艺参数或指标的和S进行诊断。其方法如下：

⑴画出样本发生概率分别为0.0025、0.01、0.05、0.1的等高图。

⑵通过样本发生概率为0.01的等高线与横轴和纵轴的交点，分别作平行于横轴和纵轴的平行线，并与样本发生概率为0.0025的等高线相交。即a线和b线。

⑶当所检测样本落在样本发生概率为0.05的等高线与两坐标轴所围区域，可以判定工艺参数或指标的和S满足技术标准要求。当所检测样本落在a线、b线与样本发生概率为0.0025的等高线一起所界定的外部区域，可以判定工艺参数或指标的和(或)S不能满足技术标准要求。当所检测样本没有落在上述两区域时，可以判定工艺参数或指标的和(或)S出现了变差的趋势。

⑷当工艺参数或指标的和(或)S出现了变差的趋势或不满足技术标准要求时，对一维的情形，可采用控制图、统计假设检验和《一种在线监控均值和标准差的系统》(公布号：CN103246228A)等方法深入地进行诊断。而对二维及以上情形，应以Bonferroni不等式为基础构建工艺参数或指标的联合t区间的方法来进行诊断，以便找出异常的工艺参数或指标，然后再使用一维情形的方法进行深入诊断。步骤五、计算质量得分的规则

根据样本发生概率的等高图，设计式(1.7)的质量得分QS(Quality Score)规则：

$\mathrm{QS}\left(P\right)=\left\{\begin{array}{cc}70+28000(P-0.0025),& P<0.0025\\ 80|1333.33\left(P0.01\right),& 0.0025\&le;P\&le;0.01\\ 90+250(P-0.05),& 0.01\&le;P<0.05\\ 100+200(P-0.1),& 0.05\&le;P<0.1\\ 100,& P\&GreaterEqual;0.1\end{array}---\left(1.7\right)\right.$

式中：P为样本发生概率。

此外，对于落在a线、b线与样本发生概率为0.0025的等高线所围区域内的点，还应再扣罚10分。

下面通过实施例和图1、图2，对本发明的技术方案做进一步的详细描述。

1、对一维情形

本实施例以CTD气流烘丝机出口叶丝含水率和图1说明一维情形下的应用。

先收集通过CTD气流烘丝机加工的5个牌号的稳态下出口叶丝含水率样本约k＝150个批次，因各牌号配方重量大小不一样，所以各批次的样本容量在n＝105～140个数据间波动。依照式(1.1)、(1.2)和(1.3)计算得到σ²＝0.01855。同时，根据技术标准知道该指标的μ＝12.8％。又连续收集某牌号18个生产批次数据，其样本容量、样本均值、样本标准差列于表1。

表1某牌号18个生产批次出口叶丝含水率统计数据

由μ＝12.8％、σ²＝0.01855，按式(1.5)画出样本发生概率分别为0.0025、0.01、0.05和0.1的等高图，如图1。

再计算各批次的A值和B值(见表1)，并描点于概率等高图，如图1，对该出口叶丝含水率指标的和S进行诊断，可以知道：共有5个批次(即：第2、4、6、7、11批次)落在a线、b线与样本发生概率为0.0025的等高线一起所界定的外部区域，同时，从图中很容易进一步知道：在生产第2、4两个批次时，虽然指标值偏离标准要求较小，但过程波动性较大，生产第6、7两个批次时，过程波动性虽然较好但指标值偏离了标准要求，而生产第11批次时，不仅指标值偏离了技术要求，而且过程波动最严重。于是，我们可以根据此结果，进一步去寻找影响该指标波动的主要因素并改进。

最后，根据(1.7)式，计算各批次的质量得分QS，见表1。

2、对二维及以上情形

本实施例以某牌号烟支的6个物理指标(即：烟支质量、烟支圆周、烟支长度、烟支吸阻、烟支总通风率和烟支硬度)和图2说明二维及以上情形下的应用。

先收集某牌号约k＝100组烟支物理指标检测样本，样本容量n＝30个数据。依照式(1.1)、(1.2)和(1.4)计算得到：

$S_p=\left[\begin{array}{cccccc}0.002487& -0.001515& 0.001815& 0.070289& 0.00886296& 0.183299\\ -0.00152& 0.09947748& -0.01582& 0.319275& -0.01037613& -0.50582\\ 0.001815& -0.01582341& 0.02497& -1.4117& 0.00908715& 0.414728\\ 0.070289& 0.31927476& -1.4117& 211.4569& 0.70573875& -7.40474\\ 0.008863& -0.01037613& 0.009087& 0.705739& 0.26386035& 1.3992\\ 0.183299& -0.50582433& 0.414728& -7.40474& 1.39920045& 78.93006\end{array}\right]$

并构建得到Y～N(-22.265，1.31)。

同时，根据技术标准知道某牌号烟支物理质量指标的μ＝[0.845 24.30 1.000 39.0 84.0 65.0]。又连续收集某牌号22个样本数据，其样本均值、样本广义方差列于表2。

表2某牌号23个烟支物理质量样本统计数据

按式(1.6)画出样本发生概率分别为0.0025、0.01、0.05和0.1的等高图，如图2。

再计算各烟支物理指标检测样本的A值和B值(见表2)，并描点于概率等高图，如图2，对烟支物理指标的和S进行诊断，可以知道：共有4个样本(即：第4、13、16、20批次)落在a线、b线与样本发生概率为0.0025的等高线一起所界定的外部区域，同时，从图中很容易进一步知道：在生产第4、13两个样本时，虽然样本内波动较小，但检测值均值偏离标准值较大，生产第16、20两个样本时，样本内波动性和指标值均值偏离都较大。于是，我们可以根据此结果，进一步去寻找影响该指标波动的主要因素并改进。

最后，根据(1.7)式，计算各批次的质量得分QS，见表2。由于第13个样本点落在a线、b线与样本发生概率为0.0025的等高线所围区域内，故还应再扣罚10分，其QS＝73.16-10＝63.16分。

上述说明示出并描述了本发明的优选实施例，如前所述，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (3)

1.一种卷烟加工过程质量评价与诊断方法，其特征在于：包括如下步骤：

步骤一，制丝生产过程数据收集及样本统计量计算，以制丝生产批次、牌号、班次、工序等为检索要素，收集不短于3个月的符合技术标准要求的历史数据，要求：①样本批次数k≥100批；②每批次内的样本容量n≥50个数据；③应尽可能保证样本批次均匀落在样本收集时期内的各时段上；逐批次计算各个工艺参数或指标的样本均值和样本方差，并确定生产过程单工艺参数或指标的波动；

步骤二，烟支物理质量数据收集及样本统计量计算，以卷烟机机型、牌号、班次等为检索要素，收集不短于3个月的符合技术标准要求的历史数据，要求：①每组的样本容量n≥30支，且每组的样本容量相等；②样本组数k≥100组；③应尽可能保证样本组均匀落在样本收集时期内的各时段上；逐组计算烟支物理质量的样本均值向量和样本协方差阵，并确定烟支物理质量的融合协方差阵；

步骤三，构建样本的概率等高线图；

步骤四，诊断异常工艺参数或指标，利用样本发生概率等高图对实际生产过程的工艺参数或指标的样本均值和样本方差进行诊断；

步骤五，根据样本发生概率等高图，计算质量得分。

2.如权利要求1所述的一种卷烟加工过程质量评价与诊断方法，其特征在于：

步骤一中的各个工艺参数或指标的样本均值和样本方差(S)，和步骤二中烟支物理质量的样本均值的向量和样本协方差阵(S)，按下式中的(1.1)式和(1.2)式计算：

$\stackrel{\&OverBar;}{X}=\frac{1}{n}\mathrm{\&Sigma;}{X}_j---\left(1.1\right)$

$S=\frac{1}{n-1}\mathrm{\&Sigma;}(X_j-\stackrel{\&OverBar;}{X}){(X_j-\stackrel{\&OverBar;}{X})}^{\&prime;}---\left(1.2\right)$

其中：X_j为工艺参数或指标的批次内样本值；j＝1,2,...,n；

生产过程单工艺参数或指标的波动(σ²)按下式中的(1.3)式计算：

${\mathrm{\&sigma;}}^2=\frac{\mathrm{\&Sigma;}(n_k-1)S_k}{\mathrm{\&Sigma;}(n_k-1)},(k=\mathrm{1,2},...,)---\left(1.3\right)$

其中：n_k为第k批次样本所包含的样本量；S_k为第k批样本的样本方差；

步骤二中的烟支物理质量的融合协方差阵S_p，按下式中的(1.4)式计算：

$S_p=\frac{1}{k}(S_1+S_2+...+S_k)---\left(1.4\right)$

其中：p为烟支物理质量的指标数目，S_k为第k组样本的样本协方差阵。

最后，令Y_k＝ln|S_k|，按(1.1)式和(1.2)式计算和S_Y，并以此构建

3.如权利要求1或2所述的一种卷烟加工过程质量评价与诊断方法，其特征在于：所述步骤五中，计算质量得分QS(Quality Score)按下式中的(1.7)式中的规则：

$\mathrm{QS}\left(P\right)=\left\{\begin{array}{cc}70+28000(P-0.0025),& P<0.0025\\ 80+1333.33(P-0.01),& 0.0025\&le;P<0.01\\ 90+250(P-0.05),& 0.01\&le;P<0.05\\ 100+200(P-0.1),& 0.05\&le;P<0.1\\ 100,& P\&GreaterEqual;0.1\end{array}\right.---\left(1.7\right)$

其中：P为样本发生概率。