CN105259890A - 超高速包装设备的统计监测与故障诊断方法 - Google Patents

Abstract

本发明公开了一种H1000超高速包装设备的统计监测与故障诊断方法，针对H1000超高速包装设备底层PLC程序开放的源代码和库文件非常有限，难以实时采集和存储底层PLC原始数据，已有的数据报表更多是对设备测点数据进行简单记录，未能通过数据的深入分析挖掘和发现数据所隐含的过程变量动态性和变量间关联关系变化等方面的潜在故障信息等问题，采用主元分析建立离线监测模型以表征过程变量之间的潜在相关特性，在线计算、SPE监测统计量进行实时监测，任一统计量超限时利用贡献图确定引起故障的主要过程变量。本发明通过H1000超高速包装设备报表数据的建模和分析，能有效提高设备监测与诊断结果的及时性和可靠性。

Description

超高速包装设备的统计监测与故障诊断方法

技术领域

本发明涉及意大利G.D公司H1000超高速包装设备的统计监测与故障诊断技术，尤其涉及包装机H1000、薄膜封装机W1000和条装机BV三大部分的统计监测与故障诊断方法。

背景技术

我国烟叶产量和卷烟产量均为世界第一，烟草税收占政府财政收入的8％左右。但是近年来的烟草行业全球化、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。智能化水平，即生产设备所具有的感知、分析、推理和决策等功能的强弱；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与其自动化程度密不可分，设备的状态监测与故障诊断技术是提升智能化水平、保证高效运行的重要手段，对于我国卷烟工业企业参与日益激烈的市场竞争、满足日益变化的国内外形势具有重要的现实意义。

卷烟生产过程属于典型的流程制造批次过程，既具有批量产品生产的特点，又具有多个生产牌号、产品频繁变化的特点。卷烟生产主要包含制丝和卷包两大过程，其中卷包过程按照产品设计，利用卷接设备将合格的烟丝及符合要求的卷接材料，制成规格与质量符合标准的烟支。再利用包装设备将烟支及符合要求的包装材料，制成规格与质量均符合标准的盒装和条装。目前世界上最高速、最先进的卷接和包装设备分别为德国HAUNI公司的M8和意大利G.D公司的H1000，其设计生产能力分别为20000支/分钟和1000包/分钟。

由于G.D公司H1000超高速包装设备底层PLC程序开放的源代码和库文件非常有限，现场难以实时采集和存储底层PLC的原始数据，使得针对H1000超高速包装设备的监测与故障诊断相关研究较少。实际生产中，由设备挡车工和操作工以每班一组报表的形式对设备状态进行记录和考核。针对H1000超高速包装设备的监测与故障诊断研究处于起步阶段，现场数据报表更多的是对设备测点数据进行简单记录，未能通过数据的深入分析挖掘和发现数据所隐含的过程变量动态性和变量间关联关系变化等方面的潜在故障信息，亟需一种切实可行的H1000超高速包装设备监测与故障诊断方法。

发明内容

为满足H1000超高速包装设备监测与故障诊断的实际需要，本发明基于多元统计分析理论，提供H1000超高速包装设备的统计监测与故障诊断方法。该方法采用主元分析建立离线监测模型以表征过程变量之间的潜在相关特性，在线计算T²、SPE两个监测统计量进行实时监测，任一统计量超限时利用贡献图方法确定引起故障的主要过程变量，从而为H1000超高速包装设备的监测与故障诊断提供了一种有效可行的方法。

为了实现上述的目的，本发明所采用的具体技术方案如下：

超高速包装设备的统计监测与故障诊断方法，该方法包括以下的步骤：

1)收集整理某一产品牌号下H1000超高速包装设备的监测数据报表，获得具有I个生产批次、J个测量变量的二维原始数据对其进行均值中心化和方差归一化的数据预处理，得到该产品牌号下统计模型的二维建模数据X(I×J)；

2)对二维建模数据X(I×J)进行PCA分解，得到对应的主元个数A、得分矩阵T_A、负载矩阵P_A和残差矩阵E，建立PCA监测模型；

3)离线计算建模数据的T²和SPE监测统计量，并根据相同产品牌号不同生产批次的T²值服从F分布、SPE值服从χ²分布，计算某一置信度下PCA监测模型的T²和SPE控制限；

4)在线监测时，收集该产品牌号下某一班组的监测数据报表，通过数据预处理获得该生产批次的过程数据x_new(1×J)，利用PCA监测模型在线计算数据x_new(1×J)对应的T²和SPE统计量，如果两个统计量都位于控制限以内，表明设备状态正常，如果至少其中一个统计量超出控制限，表明设备状态异常；

5)当检测到设备出现有异常时，根据超限统计量处于T²的主元子空间或是SPE的残差子空间，计算每个过程变量对超限统计量的贡献率，贡献率较大的变量被初步确定为造成设备异常的原因变量。

所述步骤1)中，原始数据预处理包括依次进行的减均值、除标准差处理，计算公式如下：

其中下标i代表批次、j代表变量，表示第j个变量的均值，s_j表示第j个变量的标准差。

在步骤2)中，设预处理后得到的二维建模数据为X＝[x₁,…,x_i,…,x_I]，对X进行PCA分解，PCA分解的计算公式如下：

其中A为主元个数，a表示不同的PCA分解方向，T_A表示保留A个主元后的(I×A)维得分矩阵，P_A表示保留A个主元后的(J×A)维负载矩阵，E表示(I×J)维残差矩阵。

所述步骤3)中，T²统计量的计算公式为：

T² _i＝t_iS^-1t_i ^Ti＝1,2,…,I

其中t_i＝x_iP_A表示(1×A)维的主元得分向量，对角矩阵S＝diag(λ₁,…,λ_A)是由建模数据集X的协方差矩阵∑X^TX的前A个特征值所构成；

T²统计量的控制限利用F分布采用下式计算：

其中A为保留的主元个数，N＝I为样本数，α为置信度；F_α(A,N-A)是对应于置信度为α，自由度为A，N-A条件下的F分布临界值；

SPE统计量的计算公式为：

其中表示重构得到的(1×J)维重构估计向量；e_i表示建模数据向量x_i与重构估计向量的残差向量；

SPE统计量的控制限利用χ²分布采用下式计算：

其中g＝v/2n、h＝2n²/v；n、v分别为SPE统计量的均值和方差。

在步骤4)中，基于收集的监测数据报表，利用建模数据的均值和标准差进行数据预处理，得到过程数据x_new(1×J)，其对应的统计量计算公式如下：

t_new＝x_newP_A

其中P_A表示该产品牌号监测模型的(J×A)维负载矩阵，S＝diag(λ₁,…,λ_A)表示该产品牌号监测模型的前A个特征值所构成的(A×A)维对角矩阵；

过程数据x_new(1×J)对应的SPE_new统计量计算公式如下：

其中表示重构得到的(1×J)维重构估计向量，e_new表示过程数据向量x_new与重构估计向量的残差向量。

所述步骤5)中，当统计量的超出控制限时，第a个主成分t_new,a对的贡献率计算如下：

其中λ_a表示该产品牌号下监测模型的第a个特征值；

过程变量x_i,j对t_new,a的贡献率计算如下：

其中p_j,a表示该产品牌号下监测模型的负载变量；

当SPE_new统计量的超出控制限时，过程变量x_i,j对SPE_new的贡献率计算如下：

其中表示残差的正负信息。

本发明的有益效果是：

本发明提出H1000超高速包装设备的统计监测与故障诊断方法，采用主元分析建立不同产品牌号的统计监测模型，通过更深入地揭示过程变量动态性和变量间关联关系变化，能够及时准确监测故障的发生，并利用变量贡献图追溯和确定引起故障的原因变量，能有效提高设备诊断结果的可靠性和准确性，从而为H1000超高速包装设备的保养和维护提供科学决策和有效指导。

附图说明

图1为本发明的H1000超高速包装设备统计监测与故障诊断流程图；

图2为A3机台正常工况建模数据的T²和SPE过程监测图；

图3为A3机台正常工况测试数据的T²和SPE过程监测图；

图4为A4机台正常工况测试数据的T²和SPE过程监测图；

图5为A3机台故障工况1的T²和SPE过程监测图；

图6为A3机台故障工况2的T²和SPE过程监测图；

图7为A3机台故障工况3的T²和SPE过程监测图；

图8为A3机台故障工况1第12个样本点时刻的SPE变量贡献图；

图9为A3机台故障工况2第12个样本点时刻的SPE变量贡献图；

图10为A3机台故障工况3第24个样本点时刻的SPE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。

本实施是用于德国HAUNI公司H1000超高速包装设备的统计监测与故障诊断方法。H1000超高速包装设备采用各种包装材料，将合格烟支包装成符合产品质量要求的成品，主要包括包装机H1000、薄膜封装机W1000、条装机BV三大部分。其中包装机H1000按照7/6/7共20支的形式，利用烟支、内衬纸、内框纸、商标纸进行翻盖式小盒包装；薄膜封装机W1000利用包装好的小盒、透明纸进行小盒透明纸包装；条装机BV按照2*5共10小包的形式，利用包装好透明纸的小盒、条盒纸、透明纸进行条盒包装。本发明的H1000超高速包装设备统计监测与故障诊断方法的实现框图如图1所示，方法主要分为以下几步：

(1)某一产品牌号运行数据的获取和预处理

实际生产中，每个班组会形成一张H1000超高速包装设备的监测数据报表，收集某一产品牌号的I张数据报表，将不同日期不同班组的报表作为一个生产批次，可得到I个生产批次。在一张数据报表中，具有J个测量变量，每个变量具有1个数据值，因此可以获得二维原始数据矩阵

设二维原始数据矩阵内任意一点的变量为x′_i,j，对该变量进行减均值、除标准差的数据标准化预处理，得到二维建模数据矩阵X(I×J)。标准化处理的计算公式为：

其中下标i表示第i个批次，下标j表示第j个变量。

本实例中，选取的产品牌号为利群(新版)，过程变量为：H1000热熔胶温度、W1000端部热封器内侧温度、W1000端部热封器外侧温度、W1000加热炉1号上温度、W1000加热炉1号下温度、W1000加热炉2号上温度、W1000加热炉2号下温度、W1000侧边热封器温度、W1000垂直加热炉左侧温度、W1000垂直加热炉右侧温度、BV下方加热器一温度、BV下方加热器二温度、BV侧边加热器一外温度、BV侧边加热器二外温度、BV侧边加热器外侧再次加热器温度、BV侧边加热器一内温度、BV侧边加热器二内温度、BV侧边加热器内侧再次加热器温度、BV出口加热上方温度、BV出口加热下方温度等20个，选取A3机台的30个监测数据报表，获得二维原始数据矩阵为通过原始数据的标准化预处理，可以得到二维建模数据矩阵X(30×20)。

(2)PCA监测模型的构建

对该产品牌号下的二维建模数据X(I×J)进行PCA分解，PCA分解的计算公式如下：

其中t_r表示(I×1)维的正交主元向量，p_r表示(J×1)维的正交归一化负载向量，r表示不同的PCA分解方向，上标T表示矩阵的转置，T代表保留全部主元的(I×J)维得分矩阵，P代表对应的(J×J)维负载矩阵。

λ₁,λ₂,…,λ_J为建模数据集X的协方差矩阵∑X^TX的全部特征值，保留原始数据空间中90％以上的波动信息，则PCA模型中保留的主元个数A可以通过下属公式计算得到：

PCA分解的计算公式可以重新表述成如下形式：

其中a表示不同的PCA分解方向；T_A表示保留A个主元后的(I×A)维得分矩阵，P_A表示保留A个主元后的(J×A)维负载矩阵，E表示(I×J)维残差矩阵，t_a表示(I×1)维得分向量，p_a表示(J×1)维负载向量。通过上述变换，将建模数据空间分解为主元空间和残差空间，主元空间代表主要的过程波动信息，这里所保留的主元个数A能够反映原过程中90％的过程波动信息。

本实例中，PCA监测模型仅需要4个主元便可以解释90％的波动信息，P_A为(20×4)维的负载矩阵。

(3)建模数据统计量和控制限的计算

离线计算建模数据在主成分子空间的Hotelling-T²和残差子空间的SPE统计量，T²统计量的计算公式为：

T² _i＝t_iS^-1t_i ^Ti＝1,2,…,I

其中t_i＝x_iP_A表示(1×A)维的主元得分向量，对角矩阵S＝diag(λ₁,…,λ_A)是由建模数据集X的协方差矩阵∑X^TX的前A个特征值所构成；

T²统计量的控制限利用F分布采用下式计算：

其中A为保留的主元个数，N＝I为样本数，α为置信度；F_α(A,N-A)是对应于置信度为α，自由度为A，N-A条件下的F分布临界值；

SPE统计量的计算公式为：

其中表示重构得到的(1×J)维重构估计向量；e_i表示建模数据向量x_i与重构估计向量的残差向量；

SPE统计量的控制限利用χ²分布采用下式计算：

其中g＝v/2n、h＝2n²/v；n、v分别为SPE统计量的均值和方差。

本实例中，统计控制限的置信度α取为0.99，T²统计量的控制限为19.0863，SPE统计量的控制限为8.4473，建模数据T²和SPE统计量的监测结果如图2所示。

(4)基于PCA监测模型的统计监测

在线监测时，基于收集的监测数据报表，利用建模数据的均值和标准差进行数据标准化预处理，得到过程数据x_new(1×J)，其对应的统计量计算公式如下：

t_new＝x_newP_A

其中P_A表示该产品牌号监测模型的(J×A)维负载矩阵，S＝diag(λ₁,…,λ_A)表示该产品牌号监测模型的前A个特征值所构成的(A×A)维对角矩阵；

过程数据x_new(1×J)对应的SPE_new统计量计算公式如下：

其中表示重构得到的(1×J)维重构估计向量，e_new表示过程数据向量x_new与重构估计向量的残差向量。

本实例中，选取利群(新版)产品牌号下A3机台正常工况的38个监测数据报表，整理其中的运行数据作为测试集1，通过数据标准化预处理后得到测试数据矩阵X_t1(38×20)，该测试数据T²和SPE统计量的监测结果如图3所示。同时，选取利群(新版)产品牌号下A4机台正常工况的40个监测数据报表，整理其中的运行数据作为测试集2，通过数据标准化预处理后得到测试数据矩阵X_t2(40×20)，该测试数据T²和SPE统计量的监测结果如图4所示。

作为比较，重新选取利群(新版)产品牌号下A3机台正常工况的52个监测数据报表，整理其中的运行数据作为待添加故障的数据集，通过数据标准化预处理后得到待添加故障数据矩阵X_base(52×20)。从第10个样本点开始，到第40个样本点结束，分别令H1000热熔胶温度阶跃增长25％、BV出口加热上方温度阶跃降低30％、W1000侧边热封器以0.7的斜率增长，形成故障数据矩阵X_f1(52×20)、X_f2(52×20)、X_f3(52×20)，故障数据T²和SPE统计量的监测结果分别如图5至图7所示。

引入H1000超高速包装设备的首次故障报警时间，定义为连续3个监测统计量超过对应控制限的样本点时刻。对于故障1，检测出的首次故障报警时间为第12个样本点时刻；对于故障2，检测出的首次故障报警时间为第12个样本点时刻；故障3，检测出的首次故障报警时间为第24个样本点时刻。

(5)基于贡献图的故障原因变量确定

当监测统计量超出控制限时，计算各个过程变量对超限统计量的贡献值，找出导致设备故障的主要过程变量。当统计量的超出控制限时，第a个主成分t_new,a对的贡献率计算如下：

其中λ_a表示该产品牌号下监测模型的第a个特征值；

过程变量x_i,j对t_new,a的贡献率计算如下：

其中p_j,a表示该产品牌号下监测模型的负载变量；

当SPE_new统计量的超出控制限时，过程变量x_i,j对SPE_new的贡献率计算如下：

其中表示残差的正负信息。

本实例中，根据步骤(4)中图5的监测结果，故障发生在残差子空间中。在第12个样本点时刻，过程变量对SPE超限的贡献率如图8所示，确定引起故障的原因变量第为第1个变量，即H1000热熔胶温度。

根据步骤(4)中图6的监测结果，故障发生在残差子空间中。在第12个样本点时刻，过程变量对SPE超限的贡献率如图9所示，确定引起故障的原因变量第为第19个变量，即BV出口加热上方温度。

根据步骤(4)中图7的监测结果，故障发生在残差子空间中。在第24个样本点时刻，过程变量对SPE超限的贡献率如图10所示，确定引起故障的原因变量为第8个变量，即W1000侧边热封器温度。

Claims (7)

1.超高速包装设备的统计监测与故障诊断方法，其特征在于该方法包括以下的步骤：

1)收集整理某一产品牌号下H1000超高速包装设备的监测数据报表，获得具有I个生产批次、J个测量变量的二维原始数据X(I×J)，对其进行均值中心化和方差归一化的数据预处理，得到该产品牌号下统计模型的二维建模数据X(I×J)；

2)对二维建模数据X(I×J)进行PCA分解，得到对应的主元个数A、得分矩阵T_A、负载矩阵P_A和残差矩阵E，建立PCA监测模型；

3)离线计算建模数据的T²和SPE监测统计量，并根据相同产品牌号不同生产批次的T²值服从F分布、SPE值服从χ²分布，计算某一置信度下PCA监测模型的T²和SPE控制限；

4)在线监测时，收集该产品牌号下某一班组的监测数据报表，通过数据预处理获得该生产批次的过程数据x_new(1×J)，利用PCA监测模型在线计算数据x_new(1×J)对应的T²和SPE统计量，如果两个统计量都位于控制限以内，表明设备状态正常，如果至少其中一个统计量超出控制限，表明设备状态异常；

5)当检测到设备出现有异常时，根据超限统计量处于T²的主元子空间或是SPE的残差子空间，计算每个过程变量对超限统计量的贡献率，贡献率较大的变量被初步确定为造成设备异常的原因变量。

2.如权利要求1所述的超高速包装设备的统计监测与故障诊断方法，其特征在于，步骤1)中的数据预处理包括依次进行的减均值、除标准差处理。计算公式如下：

其中下标i代表批次、j代表变量，表示第j个变量的均值，s_j表示第j个变量的标准差。

3.如权利要求1所述的超高速包装设备的统计监测与故障诊断方法，其特征在于，在步骤2)中，将预处理后的二维建模数据矩阵X进行PCA分解，PCA分解的计算公式如下：

其中A为主元个数，a表示不同的PCA分解方向，T_A表示保留A个主元后的(I×A)维得分矩阵，P_A表示保留A个主元后的(J×A)维负载矩阵，E表示(I×J)维残差矩阵。

4.如权利要求1所述的超高速包装设备的统计监测与故障诊断方法，其特征在于，所述的步骤3)中，T²统计量的计算公式为：

其中t_i＝x_iP_A表示(1×A)维的主元得分向量，对角矩阵S＝diag(λ₁,…,λ_A)是由建模数据集X的协方差矩阵ΣX^TX的前A个特征值所构成；

T²统计量的控制限利用F分布采用下式计算：

其中A为保留的主元个数，N＝I为样本数，α为置信度；F_α(A,N…A)是对应于置信度为α，自由度为A，N-A条件下的F分布临界值；

SPE统计量的计算公式为：

其中表示重构得到的(1×J)维重构估计向量；e_i表示建模数据向量x_i与重构估计向量的残差向量；

SPE统计量的控制限利用χ²分布采用下式计算：

其中g＝v/2n、h＝2n²/v；n、v分别为SPE统计量的均值和方差。

5.如权利要求1所述的超高速包装设备的统计监测与故障诊断方法，其特征在于，对步骤4)中收集到的监测数据报表，利用建模数据的均值和标准差进行数据预处理，得到过程数据x_new(1×J)。

6.如权利要求1所述的超高速包装设备的统计监测与故障诊断方法，其特征在于，预处理后的过程数据x_new(1×J)对应的统计量计算公式如下：

t_new＝x_newP_A

其中P_A表示该产品牌号监测模型的(J×A)维负载矩阵，S＝diag(λ₁,…,λ_A)表示该产品牌号监测模型的前A个特征值所构成的(A×A)维对角矩阵；

过程数据x_new(1×J)对应的SPE_new统计量计算公式如下：

其中表示重构得到的(1×J)维重构估计向量，e_new表示过程数据向量x_new与重构估计向量的残差向量。

7.如权利要求1所述的超高速包装设备的统计监测与故障诊断方法，其特征在于，当统计量的超出正常控制限时，第a个主成分t_new,a对的贡献率计算如下：

其中λ_a表示该产品牌号下监测模型的第a个特征值；

过程变量x_i,j对t_new,a的贡献率计算如下：

其中p_j,a表示该产品牌号下监测模型的负载变量；

当SPE_new统计量的超出控制限时，过程变量x_i,j对SPE_new的贡献率计算如下：

其中表示残差的正负信息。