CN105373110B - 卷烟超高速薄膜封装机多工况生产过程在线监测与故障诊断方法 - Google Patents

卷烟超高速薄膜封装机多工况生产过程在线监测与故障诊断方法 Download PDF

Info

Publication number
CN105373110B
CN105373110B CN201510943458.5A CN201510943458A CN105373110B CN 105373110 B CN105373110 B CN 105373110B CN 201510943458 A CN201510943458 A CN 201510943458A CN 105373110 B CN105373110 B CN 105373110B
Authority
CN
China
Prior art keywords
mrow
msub
monitoring
data
working condition
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201510943458.5A
Other languages
English (en)
Other versions
CN105373110A (zh
Inventor
王伟
赵春晖
楼卫东
李钰靓
张利宏
戚振栋
奚乐圣
俞晓春
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Tobacco Zhejiang Industrial Co Ltd
Original Assignee
China Tobacco Zhejiang Industrial Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Tobacco Zhejiang Industrial Co Ltd filed Critical China Tobacco Zhejiang Industrial Co Ltd
Priority to CN201510943458.5A priority Critical patent/CN105373110B/zh
Publication of CN105373110A publication Critical patent/CN105373110A/zh
Application granted granted Critical
Publication of CN105373110B publication Critical patent/CN105373110B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00Programme-control systems
    • G05B19/02Programme-control systems electric
    • G05B19/418Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41885Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02PCLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02PCLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80Management or planning

Landscapes

  • Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开一种卷烟超高速薄膜封装机多工况生产过程在线监测与故障诊断方法。基于底层PLC离线运行数据,通过计算稳定度因子和自适应聚类实现了多工况生产过程中工况的有效识别以及稳定工况的自适应划分;采用多模型PCA监测建模方法实现了每种稳定工况的统计建模和控制限求取。在线监测时,计算稳定工况下移动平均数据与各聚类中心的相似度,获得当前时刻匹配的监测模型,通过监测统计量在线计算以及与对应控制限比较,实现了多工况生产过程的有效监测;异常发生时,采用变量贡献图实现了超限子空间中原因变量的准确辨识。本发明为提高超高速薄膜封装机监测和诊断结果的可靠性提供了一种方法,进而为预防维修提供了客观参考信息。

Description

卷烟超高速薄膜封装机多工况生产过程在线监测与故障诊断 方法
技术领域
本发明涉及卷烟包装过程中意大利G.D公司超高速小盒薄膜封装机W1000的统计建模、在线监测与故障诊断技术。
背景技术
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,设备状态的在线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。
意大利G.D公司超高速包装设备是中国烟草总公司“十二五”期间重点引进的目前世界上最高速、最先进的卷烟包装设备,其设计生产能力为1000包/分钟香烟。超高速包装设备由小盒包装机H1000、小盒薄膜封装机W1000和条盒包装机BV三部分组成。小盒薄膜封装机W1000是一台高速连续运动的透明纸封装机,用于在烟包上封闭热塑外裹包材料。设备运行过程由烟包供给、一号轮烟包交接、透明纸供给、二号轮透明纸小包供给、三号轮透明纸折叠热封、四号轮透小包传递、出口输送带透明纸头部折叠热封、链条输送带透小包两侧整形、缓冲带小车烟包补充、烟包侧边整形和输出等部分组成。小盒薄膜封装机W1000是超高速包装设备的重要组成部分,也是生产现场故障较为集中的部位。由于G.D公司超高速包装设备底层PLC开放的程序源代码和库文件非常有限,生产现场主要通过每班一组的数据报表、轮保时的人工检测、设备故障的计划维修和事后抢修等方式保证小盒薄膜封装机W1000的完好性。2013、2014年杭州卷烟厂G.D公司超高速包装设备的运行效率分别为70%和70.08%,其中小盒薄膜封装机W1000加热炉故障、电机故障是影响停设备运行效率的主要因素之一。目前采用的小盒薄膜封装机W1000状态监测方式已经不能满足卷烟生产的实际需要,亟需一种切实有效的小盒薄膜封装机W1000在线监测与故障诊断方法。
为解决G.D公司超高速包装设备底层PLC参数数据难以获取的问题,杭州卷烟厂(朱立明, 钱杰, 王琪, 李钰靓, 李勇. 一种超高速包装机数据采集系统: 中国,CN204056360U[P]. 2014-12-31.)提出了一种基于Beckoff软PLC的超高速包装设备底层PLC数据采集方法,通过对设备底层PLC源代码和库文件的分析,能够采集小盒薄膜封装机W1000的部分参数数据,从而为基于多元统计分析方法实施小盒薄膜封装机W1000统计建模、在线监测与故障诊断提供了丰富的运行数据。
发明内容
小盒薄膜封装机W1000生产过程中,操作人员根据目测的设备运行状态和产品外观质量频繁调整W1000车速设定值,使得生产过程具有多个运行工况。由于小盒薄膜封装机W1000的高速运行,从一个稳定运行工况到另外一个稳定运行工况的时间非常短(如从车速为930包/分钟降低到包/分钟仅需20秒,即在两个采样周期内完成),因此本发明仅考虑各个不同的稳定运行工况。不同稳定运行工况之间数据的均值、方差、相关关系等特征变量会有明显的变化,直接应用PCA方法进行统计建模和在线监测会产生大量的误报警或漏报警。
为了满足小盒薄膜封装机W1000在线监测与故障诊断的实际需要,本发明面向生产过程的多工况特性,提出一种包含离线工况识别和划分、稳定工况统计建模、多工况过程在线监测、故障原因诊断等关键技术的超高速薄膜封装机W1000在线监测与故障诊断方法。该方法基于滑动时间窗口离线计算稳定度因子识别稳定工况和过渡工况,采用自适应k-means聚类方法对稳定工况进行划分形成若干个稳定工况数据簇,再利用PCA方法对每个稳定工况数据簇独立建立统计监测模型。在线监测时,根据当前滑动时间窗口内数据的稳定度因子判断工况类型,若为过渡工况,则将当前时刻、SPE两个监测统计量赋值为0;若为稳定工况,计算当前滑动时间窗口内有效数据与各个聚类中心的欧式距离,利用距离最小的聚类所对应的PCA监测模型进行实时监测,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,最终为超高速薄膜封装机W1000的在线监测与故障诊断提供了一种有效可行的方法。
本发明所采用的具体技术方案如下:
卷烟超高速薄膜封装机多工况生产过程在线监测与故障诊断方法,包括:
1)根据超高速薄膜封装机W1000的运行机理确定统计模型的监测变量,采集某一机台底层PLC中的W1000运行数据,获得二维原始数据,K为采样点个数,J为监测变量个数;
2)基于W1000车速检测值,采用滑动时间窗口H方法计算稳定度因子SF,当其值较小时(小于等于阈值)表明过程处于稳定工况,反之表明过程处于过渡工况。采用平滑滤波方法对处于稳定工况的滑动时间窗口H内原始数据进行算术平均,获得一组移动平均数据,将移动平均数据中“W1000车速”变量值大于阈值的数据作为稳定工况的有效数据,N为有效数据的个数;
3)稳定工况的有效数据被识别出以后,采用自适应k-means聚类方法对有效数据的相似度进行聚类分析,获得每一种稳定工况的建模数据,C表示将稳定工况划分成C个聚类,其中第r个聚类为表示第r个聚类中稳定工况的个数,每个聚类中具有相似过程特性的建模数据可以用一个统计模型来描述;
4)对每一种稳定工况的建模数据()进行均值中心化和方差归一化的数据预处理,获得处理后的建模数据。对建模数据进行PCA分解,得到对应的主元个数、负载矩阵、控制限,建立对应第r种稳定工况的PCA监测模型;
5)在线监测时,计算当前滑动时间窗口内数据的稳定度因子SFnew,通过与给定阈值的比较确定当前所处的工况类型。若为过渡工况,则将当前时刻两个监测统计量赋值为0;否则采用平滑滤波方法计算当前滑动时间窗口内的移动平均数据,并计算其与各个聚类中心的欧式距离,调用距离最小的聚类所对应的PCA监测模型在线计算两个监测统计量,并与该监测模型的控制限进行比较。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;
6)当检测到W1000有异常时,根据超限统计量处于的主元子空间或是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2)中,采用滑动时间窗口H方法根据W1000车速检测值计算稳定度因子SF,计算公式如下:
其中表示滑动时间窗口H内W1000车速数据的最大值,表示滑动窗口H内W1000车速数据的最小值,表示W1000允许的车速最大值。H表示滑动时间窗口的长度。
在步骤3)中,采用自适应k-means聚类方法对有效数据的相似度进行聚类分析,通过定义两个聚类中心的最小距离的阈值,同时最小化同一聚类数据之间的局部距离平方和以及所有聚类之间的全局距离平方和,获得最优的聚类数目和聚类中心,实现对稳定工况的自适应划分。
在步骤4)中,对建模数据预处理包括依次进行的减均值、除标准差处理获得,计算公式如下:
其中下标r代表工况、k代表样本、j代表变量,表示第r种稳定工况第j个变量的均值,表示第r种稳定工况第j个变量的标准差。
将数据进行PCA分解,PCA分解的计算公式为:
其中为主元子空间中()维的得分矩阵;为主元子空间中()维的负载矩阵;为残差子空间中()维的残差矩阵。表示主元个数,由累计贡献率方法确定。
离线计算主成分子空间的Hotelling-T2和残差子空间的SPE(SquaredPrediction Error)监测统计量。监测统计量的计算公式为:
其中为建模数据的第k行,为主元子空间的负载矩阵,对角矩阵由建模数据的协方差矩阵的前个特征值所构成。
监测统计量的计算公式为:
其中表示重构得到的维估计向量。
根据F分布计算监测统计量的控制限为:
其中为置信度,是对应于置信度为,自由度为条件下的F分布临界值。
根据分布计算监测统计量的控制限为:
其中,n、v分别为监测统计量的均值和方差。
在步骤5)中,计算处于稳定工况滑动时间窗口的移动平均数据与各个聚类中心的欧式距离,根据距离最小判断该时刻对应的稳定工况监测模型。欧式距离的计算公式为:
其中表示移动平均数据的第j个变量的检测值,表示第i个聚类中心第j个变量的值,C表示聚类中心的个数。
设当前移动平均数据对应第L()个稳定工况监测模型,利用该监测模型建模数据的均值和标准差对移动平均数据进行标准化处理,获得。将其投影到第L个监测模型上,计算监测统计量指标。
其中表示第L个监测模型主元子空间的负载矩阵,对角矩阵是由建模数据的协方差矩阵的前个特征值所构成,表示重构得到的维估计向量。
将上述监测统计量计算值与第L个监测模型的控制限进行比较,计算公式如下:
如果两个监测统计量都位于控制限内,表明小盒薄膜封装机W1000处于正常状态,如果其中至少一个监测统计量超出控制限,表明处于异常状态。
在步骤6)中,当任一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,确定引起异常的原因变量。主成分子空间监测统计量的超出正常控制限时,主成分得分变量的贡献率可以计算如下:
其中表示对应第L个监测模型的第a个主成分得分变量,表示对应第L个监测模型的第a个特征值。
过程变量的贡献率可以计算如下:
其中表示对应第L个监测模型的第a个负载向量的第j个变量。
当残差子空间监测统计量的超出正常控制限时,过程变量的贡献率可以计算如下:
其中表示重构估计向量的第j个变量,表示残差的正负信息。
本发明的有益效果是:
本发明提出一种卷烟超高速薄膜封装机多工况生产过程在线监测与故障诊断方法,主要涉及离线工况识别和划分、稳定工况统计建模、多工况过程在线监测、故障原因辨识等关键技术。基于海量历史数据,实现了多工况生产过程中稳定工况和过渡工况的有效识别以及稳定工况的自适应划分,进而自动完成每种稳定工况的统计监测建模以及控制限的求取。多工况模型在线监测时,匹配当前稳定工况的移动平均数据与各个聚类中心的相似度判断该时刻对应的稳定工况监测模型,通过两个监测统计量的在线计算以及与相应控制限的比较,实现对超高速薄膜封装机W1000多工况过程的有效监测。检测到异常发生时,采用变量贡献图方法在统计量超限的子空间中追溯和确定引起故障的原因变量。最终形成一套集工况识别、统计建模、在线监测和故障诊断于一体的切实可行的实施方案,能有效提高超高速薄膜封装机W1000监测和诊断结果的可靠性和准确性,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为本发明的卷烟超高速薄膜封装机多工况生产过程在线监测与故障诊断流程图;
图2为工况识别前1~1000采样点的W1000车速曲线图;
图3为1~1000采样点W1000车速的稳定度因子SF曲线图;
图4为经过平滑滤波后稳定工况的W1000车速曲线图;
图5为稳定工况有效数据的W1000车速曲线图;
图6为W1000多工况生产过程正常状态测试数据的在线监测图;
图7为W1000多工况生产过程故障状态数据1的在线监测图;
图8为W1000多工况生产过程故障状态数据2的在线监测图;
图9为W1000多工况生产过程故障状态数据3的在线监测图;
图10为故障状态1下首次故障报警时刻的变量贡献超限率图;
图11为故障状态2下首次故障报警时刻的变量贡献超限率图;
图12为故障状态3下首次故障报警时刻的变量贡献超限率图。
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。本实施是用于卷烟包装过程中意大利G.D公司超高速薄膜封装机W1000的在线监测与故障诊断方法。G.D公司超高速包装设备由小盒包装机H1000、小盒薄膜封装机W1000和条盒包装机BV三部分组成。小盒薄膜封装机W1000是一台高速连续运动的透明纸封装机,用于在烟包上封闭热塑外裹包材料。本发明的卷烟超高速薄膜封装机多工况生产过程在线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)历史运行数据的获取
根据超高速薄膜封装机W1000的运行机理确定统计模型的监测变量,采集某一机台底层PLC中的W1000运行数据,获得二维原始数据K为采样点个数,J为监测变量个数。
本实例中,选取A4机台的W1000小盒薄膜封装机,采集底层PLC中的设备运行数据,包含以下变量:伺服电机电流、伺服电机温度、热封器温度、加热炉温度、W1000车速等59个监测变量,如表1所示。监测变量的采样频率为10秒/次,获得的原始数据位
表1 H1000超高速包装机的建模变量表
(2)离线工况的识别
基于W1000车速检测值,采用滑动时间窗口H方法计算稳定度因子SF,当其值较小时(小于等于阈值)表明过程处于稳定工况,反之表明过程处于过渡工况。采用平滑滤波方法对处于稳定工况的滑动时间窗口H内原始数据进行算术平均,获得一组移动平均数据,将移动平均数据中“W1000车速”变量值大于阈值的数据作为稳定工况的有效数据,N为有效数据的个数。
采用滑动时间窗口H方法计算稳定度因子SF,计算公式如下:
其中表示滑动时间窗口H内W1000车速数据的最大值,表示滑动窗口H内W1000车速数据的最小值,表示W1000允许的车速最大值。H表示滑动时间窗口的长度。
本实例中,滑动时间窗口的长度H取为6,允许的车速最大值取为1000,阈值取为0.02,阈值取为800,获得的有效数据为。以前1000个原始采样数据为例,工况识别前W1000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W1000车速如图4所示,稳定工况有效数据的W1000车速如图5所示。
(3)离线工况的划分
稳定工况的有效数据被识别出以后,采用自适应k-means聚类方法对有效数据的相似度进行聚类分析,获得每一种稳定工况的建模数据,C表示将稳定工况划分成C个聚类,每个聚类中具有相似过程特性的建模数据可以用一个统计模型来描述。自适应k-means聚类方法的求取过程如下:
步骤1:设定初始聚类中心个数,两个聚类中心的最小距离阈值,每个聚类俘获的最小数据量阈值minL。初始化个聚类中心);
步骤2:计算两个聚类中心的欧式距离,若其小于预定的阈值,剔除其中一个聚类中心;
步骤3:计算每个稳定工况的有效数据)到所有聚类中心的欧式距离,若与第类的中心的距离最小,则将的隶属关系定义为
步骤4:次迭代后,若某聚类中心俘获的数据样本个数小于预定的阈值minL,则剔除该类。
步骤5:更新聚类个数为,并根据数据的隶属关系重新计算新的聚类中心)。
步骤6:如果算法满足收敛条件则结束,否则返回步骤2,进行下一次迭代计算。收敛条件有:两次迭代中的聚类中心距离的变化小于一个很小的阈值,或者每个聚类中数据到聚类中心的距离平方和以及聚类之间的距离平方和达到最小。
本实例中,初始聚类中心个数取为18,最小距离阈值取为250,最小数据量阈值minL取为100,阈值取为0.0001。通过自适应聚类,稳定工况有效数据被划分为9个聚类(即),获得每一种稳定工况的建模数据
(4)稳定工况的PCA统计建模
对每一种稳定工况的建模数据()进行均值中心化和方差归一化的数据预处理,获得处理后的建模数据。对建模数据进行PCA分解,得到对应的主元个数、负载矩阵、控制限,建立对应第r个稳定工况的PCA监测模型。
对建模数据预处理包括依次进行的减均值、除标准差处理获得,计算公式如下:
其中下标r代表工况数、k代表样本数、j代表变量数,表示第r种稳定工况第j个变量的均值,表示第r种稳定工况第j个变量的标准差。
将数据进行PCA分解,PCA分解的计算公式为:
其中为主元子空间中()维的得分矩阵;为主元子空间中()维的负载矩阵;为残差子空间中()维的残差矩阵。表示主元个数,由累计贡献率方法确定。
离线计算主成分子空间的Hotelling-T2和残差子空间的SPE(SquaredPrediction Error)监测统计量。监测统计量的计算公式为:
其中为建模数据的第k行,为主元子空间的负载矩阵,对角矩阵由建模数据的协方差矩阵的前个特征值所构成。
监测统计量的计算公式为:
其中表示重构得到的维估计向量。
根据F分布计算监测统计量的控制限为:
其中为置信度,是对应于置信度为,自由度为条件下的F分布临界值。
根据分布计算监测统计量的控制限为:
其中,n、v分别为监测统计量的均值和方差。
本实例中,9个PCA监测模型的主元个数依次为,则负载矩阵、负载矩阵、负载矩阵、负载矩阵、负载矩阵、负载矩阵、负载矩阵、负载矩阵、负载矩阵。统计控制限的置信度取为0.99,监测模型1的控制限、监测模型2的控制限、监测模型3的控制限、监测模型4的控制限、监测模型5的控制限、监测模型6的控制限、监测模型7的控制限、监测模型8的控制限、监测模型9的控制限
(5)多工况过程的在线监测
在线监测时,计算当前滑动时间窗口内数据的稳定度因子SFnew,通过与给定阈值的比较确定当前所处的工况类型。若为过渡工况,则将当前时刻两个监测统计量赋值为0;否则采用平滑滤波方法计算当前滑动时间窗口内的移动平均数据,并计算其与各聚类中心的欧式距离,调用距离最小的聚类所对应的PCA监测模型在线计算两个监测统计量。如果两个统计量都位于该监测模型对应的控制限以内,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。
计算处于稳定工况滑动时间窗口的移动平均数据与各个聚类中心的欧式距离,根据距离最小判断该时刻对应的稳定工况监测模型。欧式距离的计算公式为:
其中表示移动平均数据的第j个变量的检测值,表示第i个聚类中心第j个变量的值,C表示聚类中心的个数。
设当前移动平均数据对应第L()个稳定工况监测模型,利用该监测模型建模数据的均值和标准差对移动平均数据进行标准化处理,获得。将其投影到第L个监测模型上,计算监测统计量指标。
其中表示第L个监测模型主元子空间的负载矩阵,对角矩阵是由建模数据的协方差矩阵的前个特征值所构成,表示重构得到的维估计向量。
将上述监测统计量计算值与第L个监测模型的控制限进行比较,计算公式如下:
如果两个监测统计量都位于控制限内,表明小盒薄膜封装机W1000处于正常状态,如果其中至少一个监测统计量超出控制限,表明处于异常状态。
本实例中,选取小盒薄膜封装机W1000多工况生产过程中的8545组采样数据进行分析,该测试数据和SPE统计量的监测结果如图6所示。引入首次故障报警时间,定义为稳定工况下,连续9个监测统计量超过对应控制限的采样时间点。在两个监测子空间中有个别样本点的监测统计量超出控制限,根据首次故障报警的定义,两个监测统计量均未发生故障报警,对当前过程的正常状态做出了正确的指示,表明所提在线监测与故障诊断方法具有准确监测多工况过程正常状态的能力。
作为比较,重新选取W1000多工况生产过程中的5147组采样数据进行异常状态在线监测与故障诊断的分析。在第1001个样本点的时候,分别令A82电机电流阶跃增长25%(突变故障)、端部热封器内侧温度阶跃降低6%(突变故障)、垂直加热炉右侧温度以0.005的斜率增加(渐变故障),一直持续到第1500个样本点的时候恢复正常,形成故障状态数据1、2和3。故障状态数据和SPE统计量的监测结果分别如图7至图9所示。
对于故障1,主元子空间的统计量出现连续超限,主成分子空间出现异常,检测出的首次故障报警时间为第1029个样本点时刻,即监测模型延后280秒准确检测出故障的发生;对于故障2,主元子空间的统计量出现连续超限,主成分子空间出现异常,检测出的首次故障报警时间为第1029个样本点时刻,即监测模型延后280秒准确检测出故障的发生;对于故障3,主元子空间的统计量出现连续超限,主成分子空间出现异常,检测出的首次故障报警时间为第1273个样本点时刻,即监测模型延后2720秒准确检测出故障的发生。说明所提方法能对多工况过程的突变和渐变故障做出正确指示,表明该方法具有准确监测多工况过程故障状态的能力。
(6)基于贡献图的故障诊断
当任一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,确定引起异常的原因变量。主成分子空间监测统计量的超出正常控制限时,主成分得分变量的贡献率可以计算如下:
其中表示对应第L个监测模型的第a个主成分得分变量,表示对应第L个监测模型的第a个特征值。
过程变量的贡献率可以计算如下:
其中表示对应第L个监测模型的第a个负载向量的第j个变量。
当残差子空间监测统计量的超出正常控制限时,过程变量的贡献率可以计算如下:
其中表示重构估计向量的第j个变量,表示残差的正负信息。
本实例中,根据图7的监测结果,故障发生在主成分子空间中。在首次故障报警的第1029个样本点时刻,过程变量对监测统计量超限的贡献率如图10所示,确定引起故障的原因变量为第47个变量,即A82电机电流。
根据图8的监测结果,故障发生在主成分子空间中。在首次故障报警的第1029个样本点时刻,过程变量对监测统计量超限的贡献率如图11所示,确定引起故障的原因变量为第51个变量,即端部热封器内侧温度。
根据图9的监测结果,故障发生在主成分子空间中。在首次故障报警的第1318个样本点时刻,过程变量对监测统计量超限的贡献率如图12所示,确定引起故障的原因变量为第58个变量,即垂直加热炉右侧温度。

Claims (8)

1.卷烟超高速薄膜封装机多工况生产过程在线监测与故障诊断方法,其特征在于,该方法包括步骤:
1)根据超高速小盒薄膜封装机W1000的运行机理确定统计模型的监测变量,采集某一机台底层PLC中的W1000运行数据,获得二维原始数据D(K×J),K为采样点个数,J为监测变量个数;
2)基于W1000车速检测值,采用滑动时间窗口H方法计算稳定度因子SF,当其值小于等于阈值ζ表明过程处于稳定工况,反之表明过程处于过渡工况。采用平滑滤波方法对处于稳定工况的滑动时间窗口H内原始数据进行算术平均,获得一组移动平均数据,将移动平均数据中“W1000车速”变量值大于阈值ψ的数据作为稳定工况的有效数据D(N×J),N为有效数据的个数;
3)稳定工况的有效数据被识别出以后,采用自适应k-means聚类方法对有效数据的相似度进行聚类分析,获得每一种稳定工况的建模数据C表示将稳定工况划分成C个聚类,其中第r个聚类为Krm表示第r个聚类中稳定工况的个数,每个聚类中具有相似过程特性的建模数据可以用一个统计模型来描述;
4)对每一种稳定工况的建模数据进行均值中心化和方差归一化的数据预处理,获得处理后的建模数据Xr(Krm×J);对建模数据Xr进行PCA分解,得到对应的主元个数Ar、负载矩阵Pr、控制限建立对应第r种稳定工况的PCA监测模型;
5)在线监测时,计算当前滑动时间窗口内数据的稳定度因子SFnew,通过与给定阈值ζ的比较确定当前所处的工况类型;若为过渡工况,则将当前时刻和SPEnew两个监测统计量赋值为0;否则采用平滑滤波方法计算当前滑动时间窗口内的移动平均数据,并计算其与各个聚类中心的欧式距离,调用距离最小的聚类所对应的PCA监测模型在线计算和SPEnew两个监测统计量,并与该监测模型的控制限进行比较;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;
6)当检测到W1000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W1000异常的原因变量。
2.根据权利要求1所述的卷烟超高速薄膜封装机多工况生产过程在线监测与故障诊断方法,其特征在于,在步骤2)中采用滑动时间窗口H方法计算稳定度因子SF进行工况的识别,计算公式如下:
<mrow> <mi>S</mi> <mi>F</mi> <mo>=</mo> <mfrac> <mrow> <msub> <mi>V</mi> <mrow> <mi>H</mi> <mi>m</mi> <mi>a</mi> <mi>x</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>V</mi> <mrow> <mi>H</mi> <mi>m</mi> <mi>i</mi> <mi>n</mi> </mrow> </msub> </mrow> <msub> <mi>V</mi> <mrow> <mi>m</mi> <mi>a</mi> <mi>x</mi> </mrow> </msub> </mfrac> </mrow>
其中VHmax表示滑动时间窗口H内W1000车速数据的最大值,VHmin表示滑动窗口H内W1000车速数据的最小值,Vmax表示W1000允许的车速最大值;H表示滑动时间窗口的长度。
3.根据权利要求1所述的卷烟超高速薄膜封装机多工况生产过程在线监测与故障诊断方法,其特征在于,在步骤3)中采用自适应k-means聚类方法进行稳定工况的划分;对有效数据的相似度进行聚类分析,通过定义两个聚类中心的最小距离的阈值θ,同时最小化同一聚类数据之间的局部距离平方和以及所有聚类之间的全局距离平方和,获得最优的聚类数目和聚类中心,实现在缺少聚类数目先验知识下的稳定工况自适应划分。
4.根据权利要求1所述的卷烟超高速薄膜封装机多工况生产过程在线监测与故障诊断方法,其特征在于,在步骤4)中对建模数据预处理包括依次进行的减均值、除标准差处理获得Xr(Krm×J),计算公式如下:
<mrow> <msub> <mi>x</mi> <mrow> <mi>r</mi> <mi>k</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mo>=</mo> <mfrac> <mrow> <msub> <mover> <mi>x</mi> <mo>~</mo> </mover> <mrow> <mi>r</mi> <mi>k</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mo>-</mo> <msub> <mover> <mi>x</mi> <mo>&amp;OverBar;</mo> </mover> <mrow> <mi>r</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> </mrow> <msub> <mover> <mi>s</mi> <mo>~</mo> </mover> <mrow> <mi>r</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> </mfrac> <mo>,</mo> <mi>r</mi> <mi>k</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>...</mn> <msub> <mi>K</mi> <mrow> <mi>r</mi> <mi>m</mi> </mrow> </msub> <mo>,</mo> <mo>;</mo> <mi>j</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>...</mn> <mo>,</mo> <mi>J</mi> </mrow>
其中下标r代表工况、k代表样本、j代表变量,表示第r种稳定工况第j个变量的均值,表示第r种稳定工况第j个变量的标准差。
5.根据权利要求1所述的卷烟超高速薄膜封装机多工况生产过程在线监测与故障诊断方法,其特征在于,将建模数据Xr(1≤r≤C)进行PCA分解,计算主元个数Ar、负载矩阵Pr、控制限依次建立各个稳定工况的PCA监测模型;
PCA分解的计算公式为:
<mrow> <msub> <mi>X</mi> <mi>r</mi> </msub> <mo>=</mo> <msub> <mi>T</mi> <mi>r</mi> </msub> <msup> <msub> <mi>P</mi> <mi>r</mi> </msub> <mi>T</mi> </msup> <mo>+</mo> <msub> <mi>E</mi> <mi>r</mi> </msub> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>a</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>A</mi> <mi>r</mi> </msub> </munderover> <msub> <mi>t</mi> <mrow> <mi>r</mi> <mi>a</mi> </mrow> </msub> <msubsup> <mi>p</mi> <mrow> <mi>r</mi> <mi>a</mi> </mrow> <mi>T</mi> </msubsup> <mo>+</mo> <msub> <mi>E</mi> <mi>r</mi> </msub> </mrow>
其中Tr为主元子空间中(Krm×Ar)维的得分矩阵;Pr为主元子空间中(J×Ar)维的负载矩阵;Er为残差子空间中(Krm×J)维的残差矩阵;Ar表示主元个数,由累计贡献率方法确定;
离线计算主成分子空间的Hotelling-T2和残差子空间的SPE(Squared PredictionError)监测统计量;监测统计量的计算公式为:
<mrow> <msubsup> <mi>T</mi> <mrow> <mi>r</mi> <mi>k</mi> </mrow> <mn>2</mn> </msubsup> <mo>=</mo> <msub> <mi>x</mi> <mrow> <mi>r</mi> <mi>k</mi> </mrow> </msub> <msub> <mi>P</mi> <mi>r</mi> </msub> <msup> <msub> <mi>S</mi> <mi>r</mi> </msub> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </msup> <msup> <msub> <mi>P</mi> <mi>r</mi> </msub> <mi>T</mi> </msup> <msup> <msub> <mi>t</mi> <mrow> <mi>r</mi> <mi>k</mi> </mrow> </msub> <mi>T</mi> </msup> <mo>,</mo> <mi>k</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mn>...</mn> <mo>,</mo> <msub> <mi>K</mi> <mrow> <mi>r</mi> <mi>m</mi> </mrow> </msub> </mrow>
其中xrk为建模数据Xr的第k行,Pr为主元子空间的负载矩阵,对角矩阵由建模数据Xr的协方差矩阵∑Xr TXr的前Ar个特征值所构成;
SPEr监测统计量的计算公式为:
<mrow> <msub> <mi>SPE</mi> <mrow> <mi>r</mi> <mi>k</mi> </mrow> </msub> <mo>=</mo> <msub> <mi>e</mi> <mrow> <mi>r</mi> <mi>k</mi> </mrow> </msub> <msup> <msub> <mi>e</mi> <mrow> <mi>r</mi> <mi>k</mi> </mrow> </msub> <mi>T</mi> </msup> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>J</mi> </munderover> <msup> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mrow> <mi>r</mi> <mi>k</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mo>-</mo> <msub> <mover> <mi>x</mi> <mo>^</mo> </mover> <mrow> <mi>r</mi> <mi>k</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>,</mo> <mi>k</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mn>...</mn> <mo>,</mo> <msub> <mi>K</mi> <mrow> <mi>r</mi> <mi>m</mi> </mrow> </msub> </mrow>
其中表示重构得到的(1×J)维估计向量;
根据F分布计算监测统计量的控制限为:
<mrow> <msub> <mi>ctr</mi> <msubsup> <mi>T</mi> <mi>r</mi> <mn>2</mn> </msubsup> </msub> <mo>=</mo> <mfrac> <mrow> <msub> <mi>A</mi> <mi>r</mi> </msub> <mrow> <mo>(</mo> <msub> <mi>K</mi> <mrow> <mi>r</mi> <mi>m</mi> </mrow> </msub> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow> <mrow> <msub> <mi>K</mi> <mrow> <mi>r</mi> <mi>m</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>A</mi> <mi>r</mi> </msub> </mrow> </mfrac> <msub> <mi>F</mi> <mi>&amp;alpha;</mi> </msub> <mrow> <mo>(</mo> <msub> <mi>A</mi> <mi>r</mi> </msub> <mo>,</mo> <msub> <mi>K</mi> <mrow> <mi>r</mi> <mi>m</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>A</mi> <mi>r</mi> </msub> <mo>)</mo> </mrow> </mrow>
其中α为置信度,Fα(Ar,Krm-Ar)是对应于置信度为α,自由度为Ar、Krm-Ar条件下的F分布临界值;
根据χ2分布计算SPEr监测统计量的控制限为:
<mrow> <msub> <mi>ctr</mi> <mrow> <msub> <mi>SPE</mi> <mi>r</mi> </msub> </mrow> </msub> <mo>-</mo> <msubsup> <mi>g&amp;chi;</mi> <mrow> <mi>h</mi> <mo>,</mo> <mi>&amp;alpha;</mi> </mrow> <mn>2</mn> </msubsup> </mrow>
其中g=v/2n,h=2n2/v,n、v分别为SPEr监测统计量的均值和方差。
6.根据权利要求1所述的卷烟超高速薄膜封装机多工况生产过程在线监测与故障诊断方法,其特征在于,在步骤5)中计算稳定工况下滑动时间窗口的移动平均数据与各个聚类中心的欧式距离,根据距离最小判断该时刻对应的稳定工况监测模型;欧式距离的计算公式为:
<mrow> <msub> <mi>dist</mi> <mrow> <mi>n</mi> <mi>e</mi> <mi>w</mi> <mo>,</mo> <mi>i</mi> </mrow> </msub> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>J</mi> </munderover> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mrow> <mi>n</mi> <mi>e</mi> <mi>w</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>Cen</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mo>)</mo> </mrow> <mo>,</mo> <mi>i</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mn>...</mn> <mo>,</mo> <mi>C</mi> </mrow>
其中xnew,j表示移动平均数据的第j个变量的检测值,Ceni,j表示第i个聚类中心第j个变量的值,C表示聚类中心的个数。
7.根据权利要求1所述的卷烟超高速薄膜封装机多工况生产过程在线监测与故障诊断方法,其特征在于,设当前移动平均数据对应第L(1≤L≤C)个稳定工况监测模型,利用该监测模型建模数据的均值和标准差对移动平均数据进行标准化处理,获得xLnew(1×J);将其投影到第L个监测模型上,计算和SPELnew监测统计量指标;
<mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <msubsup> <mi>T</mi> <mrow> <mi>L</mi> <mi>n</mi> <mi>e</mi> <mi>w</mi> </mrow> <mn>2</mn> </msubsup> <mo>=</mo> <msub> <mi>x</mi> <mrow> <mi>L</mi> <mi>n</mi> <mi>e</mi> <mi>w</mi> </mrow> </msub> <msub> <mi>P</mi> <mi>L</mi> </msub> <msup> <msub> <mi>S</mi> <mi>L</mi> </msub> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </msup> <msup> <msub> <mi>P</mi> <mi>L</mi> </msub> <mi>T</mi> </msup> <msup> <msub> <mi>x</mi> <mrow> <mi>L</mi> <mi>n</mi> <mi>e</mi> <mi>w</mi> </mrow> </msub> <mi>T</mi> </msup> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>SPE</mi> <mrow> <mi>L</mi> <mi>n</mi> <mi>e</mi> <mi>w</mi> </mrow> </msub> <mo>=</mo> <msub> <mi>e</mi> <mrow> <mi>L</mi> <mi>n</mi> <mi>e</mi> <mi>w</mi> </mrow> </msub> <msup> <msub> <mi>e</mi> <mrow> <mi>L</mi> <mi>n</mi> <mi>e</mi> <mi>w</mi> </mrow> </msub> <mi>T</mi> </msup> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>J</mi> </munderover> <msup> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mrow> <mi>L</mi> <mi>n</mi> <mi>e</mi> <mi>w</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mo>-</mo> <msub> <mover> <mi>x</mi> <mo>^</mo> </mover> <mrow> <mi>L</mi> <mi>n</mi> <mi>e</mi> <mi>w</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> </mtd> </mtr> </mtable> </mfenced>
其中PL表示第L个监测模型主元子空间的负载矩阵,对角矩阵SL是由建模数据XL的协方差矩阵的前AL个特征值所构成,表示重构得到的(1×J)维估计向量;
将上述监测统计量计算值与第L个监测模型的控制限进行比较,计算公式如下:
<mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <msubsup> <mi>T</mi> <mrow> <mi>L</mi> <mi>n</mi> <mi>e</mi> <mi>w</mi> </mrow> <mn>2</mn> </msubsup> <mo>&amp;le;</mo> <msub> <mi>ctr</mi> <msubsup> <mi>T</mi> <mi>L</mi> <mn>2</mn> </msubsup> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>SPE</mi> <mrow> <mi>L</mi> <mi>n</mi> <mi>e</mi> <mi>w</mi> </mrow> </msub> <mo>&amp;le;</mo> <msub> <mi>ctr</mi> <mrow> <msub> <mi>SPE</mi> <mi>L</mi> </msub> </mrow> </msub> </mrow> </mtd> </mtr> </mtable> </mfenced>
如果两个监测统计量都位于控制限内,表明小盒薄膜封装机W1000处于正常状态,如果其中至少一个监测统计量超出控制限,表明处于异常状态。
8.根据权利要求1所述的卷烟超高速薄膜封装机多工况生产过程在线监测与故障诊断方法,其特征在于,在步骤6)中当任一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,确定引起异常的原因变量;
主成分子空间监测统计量的超出正常控制限时,主成分得分变量tLa的贡献率可以计算如下:
<mrow> <msub> <mi>C</mi> <mrow> <msubsup> <mi>T</mi> <mrow> <mi>L</mi> <mi>n</mi> <mi>e</mi> <mi>w</mi> </mrow> <mn>2</mn> </msubsup> <mo>,</mo> <msub> <mi>t</mi> <mrow> <mi>L</mi> <mi>a</mi> </mrow> </msub> </mrow> </msub> <mo>=</mo> <mfrac> <msubsup> <mi>t</mi> <mrow> <mi>L</mi> <mi>a</mi> </mrow> <mn>2</mn> </msubsup> <msub> <mi>&amp;lambda;</mi> <mrow> <mi>L</mi> <mi>a</mi> </mrow> </msub> </mfrac> <mo>/</mo> <msubsup> <mi>T</mi> <mrow> <mi>L</mi> <mi>e</mi> <mi>n</mi> <mi>w</mi> </mrow> <mn>2</mn> </msubsup> <mo>,</mo> <mrow> <mo>(</mo> <mi>a</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>...</mn> <mo>,</mo> <msub> <mi>A</mi> <mi>L</mi> </msub> <mo>)</mo> </mrow> </mrow>
其中tLa表示对应第L个监测模型的第a个主成分得分变量,λLa表示对应第L个监测模型的第a个特征值;
过程变量xLnew,j对tLa的贡献率可以计算如下:
<mrow> <msub> <mi>C</mi> <mrow> <msub> <mi>t</mi> <mrow> <mi>L</mi> <mi>a</mi> </mrow> </msub> <mo>,</mo> <msub> <mi>x</mi> <mrow> <mi>n</mi> <mi>e</mi> <mi>w</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> </mrow> </msub> <mo>=</mo> <msub> <mi>x</mi> <mrow> <mi>L</mi> <mi>n</mi> <mi>e</mi> <mi>w</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <msub> <mi>p</mi> <mrow> <mi>L</mi> <mi>a</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mo>/</mo> <msub> <mi>t</mi> <mrow> <mi>L</mi> <mi>a</mi> </mrow> </msub> <mo>,</mo> <mrow> <mo>(</mo> <mi>a</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>...</mn> <mo>,</mo> <msub> <mi>A</mi> <mi>L</mi> </msub> <mo>;</mo> <mi>j</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>...</mn> <mo>,</mo> <mi>J</mi> <mo>)</mo> </mrow> </mrow>
其中pLa,j表示对应第L个监测模型的第a个负载向量的第j个变量;
当残差子空间SPELnew监测统计量的超出正常控制限时,过程变量xLnew,j对SPELnew的贡献率可以计算如下:
<mrow> <msub> <mi>C</mi> <mrow> <msub> <mi>SPE</mi> <mrow> <mi>L</mi> <mi>n</mi> <mi>e</mi> <mi>w</mi> </mrow> </msub> <mo>,</mo> <msub> <mi>x</mi> <mrow> <mi>L</mi> <mi>n</mi> <mi>e</mi> <mi>w</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> </mrow> </msub> <mo>=</mo> <mi>s</mi> <mi>i</mi> <mi>g</mi> <mi>n</mi> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mrow> <mi>L</mi> <mi>n</mi> <mi>e</mi> <mi>w</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mo>-</mo> <msub> <mover> <mi>x</mi> <mo>^</mo> </mover> <mrow> <mi>L</mi> <mi>n</mi> <mi>e</mi> <mi>w</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mo>)</mo> </mrow> <mo>&amp;CenterDot;</mo> <mfrac> <msup> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mrow> <mi>L</mi> <mi>n</mi> <mi>e</mi> <mi>w</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mo>-</mo> <msub> <mover> <mi>x</mi> <mo>^</mo> </mover> <mrow> <mi>L</mi> <mi>n</mi> <mi>e</mi> <mi>w</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mrow> <msub> <mi>SPE</mi> <mrow> <mi>L</mi> <mi>n</mi> <mi>e</mi> <mi>w</mi> </mrow> </msub> </mrow> </mfrac> </mrow>
其中表示重构估计向量的第j个变量,表示残差的正负信息。
CN201510943458.5A 2015-12-16 2015-12-16 卷烟超高速薄膜封装机多工况生产过程在线监测与故障诊断方法 Active CN105373110B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510943458.5A CN105373110B (zh) 2015-12-16 2015-12-16 卷烟超高速薄膜封装机多工况生产过程在线监测与故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510943458.5A CN105373110B (zh) 2015-12-16 2015-12-16 卷烟超高速薄膜封装机多工况生产过程在线监测与故障诊断方法

Publications (2)

Publication Number Publication Date
CN105373110A CN105373110A (zh) 2016-03-02
CN105373110B true CN105373110B (zh) 2018-06-05

Family

ID=55375393

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510943458.5A Active CN105373110B (zh) 2015-12-16 2015-12-16 卷烟超高速薄膜封装机多工况生产过程在线监测与故障诊断方法

Country Status (1)

Country Link
CN (1) CN105373110B (zh)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6378231B2 (ja) * 2016-03-17 2018-08-22 ファナック株式会社 機械の試験を実施する試験システム
CN105894027B (zh) * 2016-03-31 2019-06-14 华北电力科学研究院有限责任公司 基于密度聚类的主元关联度传感器故障检测方法及装置
CN106200624B (zh) * 2016-08-26 2019-01-04 大连海事大学 基于交叉分段pca的工业锅炉故障诊断方法
CN106647274B (zh) * 2016-12-28 2018-05-18 中南大学 一种连续生产过程中运行工况稳态判别方法
CN107341349B (zh) * 2017-06-30 2020-04-14 上海交通大学 风机健康评估的方法、系统、存储器及控制器
CN108416386A (zh) * 2018-03-08 2018-08-17 云南电网有限责任公司电力科学研究院 一种用于水电机组轴承温度异常判断的方法及系统
CN108759745B (zh) * 2018-06-05 2020-02-18 上汽大众汽车有限公司 基于多元统计分析的白车身故障检测方法及检测装置
CN109615273B (zh) * 2019-01-16 2021-07-23 国网浙江省电力有限公司电力科学研究院 一种电动汽车充电设施状态评价方法与系统
CN111204867B (zh) * 2019-06-24 2021-12-10 北京工业大学 膜生物反应器-mbr膜污染智能决策方法
CN110780660A (zh) * 2019-10-14 2020-02-11 河南中烟工业有限责任公司 一种基于生产状态的烟草生产工业控制系统故障诊断方法
CN113341813B (zh) * 2021-06-11 2022-11-01 上海天麦能源科技有限公司 一种城市燃气中低压管网检测方法及系统
CN113640607B (zh) * 2021-08-18 2023-02-28 江苏科技大学 一种针对高速列车逆变电路及电机的早期故障诊断方法
CN116382224B (zh) * 2023-06-05 2023-08-04 云印技术(深圳)有限公司 一种基于数据分析的包装设备监测方法及系统
CN116502172B (zh) * 2023-06-29 2023-09-01 青岛义龙包装机械有限公司 一种袋式包装机故障智能诊断方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101899563A (zh) * 2009-06-01 2010-12-01 上海宝钢工业检测公司 基于pca模型的连续退火机组炉内温度、张力监测及故障追溯方法
CN104373338A (zh) * 2014-11-19 2015-02-25 北京航空航天大学 一种基于lmd-svd和ig-svm的液压泵故障诊断方法
CN104595170A (zh) * 2014-12-18 2015-05-06 中国矿业大学 一种自适应核高斯混合模型的空压机监控诊断系统及方法
CN104713728A (zh) * 2014-12-15 2015-06-17 南京工业大学 基于多维数据驱动的大型回转支承剩余寿命在线预测方法
CN105004542A (zh) * 2015-07-15 2015-10-28 浙江中烟工业有限责任公司 基于主元分析的卷烟制丝掺配加香段在线监测和故障诊断方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020183971A1 (en) * 2001-04-10 2002-12-05 Wegerich Stephan W. Diagnostic systems and methods for predictive condition monitoring

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101899563A (zh) * 2009-06-01 2010-12-01 上海宝钢工业检测公司 基于pca模型的连续退火机组炉内温度、张力监测及故障追溯方法
CN104373338A (zh) * 2014-11-19 2015-02-25 北京航空航天大学 一种基于lmd-svd和ig-svm的液压泵故障诊断方法
CN104713728A (zh) * 2014-12-15 2015-06-17 南京工业大学 基于多维数据驱动的大型回转支承剩余寿命在线预测方法
CN104595170A (zh) * 2014-12-18 2015-05-06 中国矿业大学 一种自适应核高斯混合模型的空压机监控诊断系统及方法
CN105004542A (zh) * 2015-07-15 2015-10-28 浙江中烟工业有限责任公司 基于主元分析的卷烟制丝掺配加香段在线监测和故障诊断方法

Also Published As

Publication number Publication date
CN105373110A (zh) 2016-03-02

Similar Documents

Publication Publication Date Title
CN105373110B (zh) 卷烟超高速薄膜封装机多工况生产过程在线监测与故障诊断方法
CN105487524B (zh) 具有多工况特性的超高速小盒包装机状态监测与诊断方法
CN105573290B (zh) 卷烟工厂超高速条盒包装机多工况过程在线监测与故障诊断方法
CN106296435B (zh) 一种矿井瓦斯监测异常数据识别方法
Dimla Jr et al. Neural network solutions to the tool condition monitoring problem in metal cutting—a critical review of methods
CN105279365B (zh) 用于学习异常检测的样本的方法
CN111708343B (zh) 一种面向制造业行业现场工艺行为异常行为检测方法
CN102361014B (zh) 大规模半导体制造过程的状态监控与故障诊断方法
CN104915568B (zh) 基于dtw的卫星遥测数据异常检测方法
CN103336507B (zh) 基于多模态协同时段自动划分的统计建模与在线监测方法
CN103711523B (zh) 基于局域分解-进化神经网络的瓦斯浓度实时预测方法
Zhang et al. Fault detection strategy based on weighted distance of $ k $ nearest neighbors for semiconductor manufacturing processes
CN110715808B (zh) 故障检测方法及装置
CN110737976B (zh) 一种基于多维度信息融合的机械设备健康评估方法
CN104714537A (zh) 一种基于联合相对变化分析和自回归模型的故障预测方法
CN111222247A (zh) 一种旋转机械早期故障预警方法
Reisch et al. Distance-based multivariate anomaly detection in wire arc additive manufacturing
CN104182623A (zh) 一种基于当量变化率计算的热工过程数据检测方法
Qin et al. A novel online tool condition monitoring method for milling titanium alloy with consideration of tool wear law
CN106338977A (zh) 基于差分局部保持投影的非线性过程故障检测方法
CN117092918A (zh) 一种基于云边协同的燃气传感智能控制方法
CN105160147A (zh) 一种基于状态空间模型和模糊理论的刀具更换时间方法
Klaeger et al. Using anomaly detection to support classification of fast running packaging processes
CN114527731B (zh) 基于监督概率慢特征分析的工业过程运行状态评价方法
Mbuli et al. Root causes analysis and fault prediction in intelligent transportation systems: coupling unsupervised and supervised learning techniques

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant