CN108519760A - 一种基于变点检测理论的制丝过程稳态识别方法 - Google Patents

一种基于变点检测理论的制丝过程稳态识别方法 Download PDF

Info

Publication number
CN108519760A
CN108519760A CN201711079311.1A CN201711079311A CN108519760A CN 108519760 A CN108519760 A CN 108519760A CN 201711079311 A CN201711079311 A CN 201711079311A CN 108519760 A CN108519760 A CN 108519760A
Authority
CN
China
Prior art keywords
change
detection
variance
point
data
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.)
Pending
Application number
CN201711079311.1A
Other languages
English (en)
Inventor
刘继辉
何雪平
马晓龙
许磊
崔宇翔
杨晶津
汪显国
王慧
李兴绪
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.)
Hongyun Honghe Tobacco Group Co Ltd
Original Assignee
Hongyun Honghe Tobacco Group 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 Hongyun Honghe Tobacco Group Co Ltd filed Critical Hongyun Honghe Tobacco Group Co Ltd
Priority to CN201711079311.1A priority Critical patent/CN108519760A/zh
Publication of CN108519760A publication Critical patent/CN108519760A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total 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]
    • G05B19/4183—Total 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 data acquisition, e.g. workpiece identification
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/31—From computer integrated manufacturing till monitoring
    • G05B2219/31204—Blind node, executes control, data acquisition without having operator interfaces
    • Y—GENERAL 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开一种基于变点检测理论的制丝过程稳态识别方法，选定制丝过程某一质量指标或设备参数作为研究对象，首先利用均值方差变点检测模型和PELT算法动态划分子区间，然后根据工艺标准设定子区间方差和、或均值的阈值，最终筛选出符合阈值条件的子区间从而形成稳态数据集；该基于变点检测理论的制丝过程稳态识别方法能够克服历史数据期望、相关参数指标对研究对象稳态识别准确性的影响，对不同数据分布类型具有较好的适应性，能够准确剔除系统噪声，提高稳态识别的精度。

Description

一种基于变点检测理论的制丝过程稳态识别方法
技术领域
本发明属于卷烟生产过程质量评价技术领域，具体涉及一种基于变点检测理论的制丝过程稳态识别方法。
背景技术
在制丝过程对一个工序的系统研究中，稳态是最重要且最常见的假设。稳态是统计控制状态的简称，指过程中只有偶因而无异因产生的变异状态。制丝加工过程中设备启停、人工干预、受前后工序影响均可能使生产过程处于非稳态，这些非稳态过程来源复杂、难以剔除，而且会混杂在过程数据中，很难予以有效鉴别，会影响过程控制诊断的准确性。工序过程是否处于稳态，直接关系到后续对制丝工序的建模、控制和优化的方法。因此，如何精准的识别生产过程中的稳态和非稳态，并在此基础上进行质量控制水平的评价，显得尤为重要。
综合文献调研，近年来行业内在烟草加工过程稳态检测方法研究方面有个别文献报道，例如，发明专利申请CN1996188A公开了一种烟草加工过程稳态检测方法，其技术特点是利用加工过程指标的时序折线图、分布统计图和累积概率曲线，将过程稳态从整个过程中准确地分离出来，并判断其分布与正态分布的符合性，可以有效辨别过程异因，并追踪异常因素的时序区间，从而分析异因的来源、种类以及对质量指标的影响程度。该方法将正态分布的凹点或突变点作为分界点，将指标的累计概率最大的正态分布区间作为过程稳态的指标分布区间，研究发现并不是所有过程指标均满足正态分布，因此该方法具有一定局限性。
发明内容
本发明的目的是提供一种能够克服历史数据期望、相关参数指标对研究对象稳态识别准确性的影响，对不同数据分布类型具有较好的适应性，能够准确剔除系统噪声，提高稳态识别的精度的基于变点检测理论的制丝过程稳态识别方法。
为了解决上述技术问题，本发明的技术方案是：
一种基于变点检测理论的制丝过程稳态识别方法，包括以下步骤：
1)对数据样本进行预处理；
2)运用均值方差变点检测模型及PELT算法进行变点检测；
3)稳态和非稳态数据集划分。
进一步的，在步骤1)中的预处理步骤如下：
①选定研究变量和数采频率，利用数采系统对指标进行实时采集；
②按有效数据判定规则，以批次号为单位构成批次有效数据。
进一步的，在步骤2)中的变点检测步骤如下：
①根据研究变量的时间序列，采用均值方差变点检测模型及PELT算法动态划分子组区间；
②分别计算各子组区间的均值和、或方差。
进一步的，在步骤3)中的数据集划分步骤如下：
①根据研究对象的工艺技术标准设定子区间方差和、或均值的阈值；
②判定子区间均值、方差是否在阈值范围，若在阈值范围则子区间属于稳态数据集，若在阈值范围以外则子区间属于非稳态数据集。
本发明技术效果主要体现在以下方面：能够准确剔除系统噪声，提高数据分析、过程评价的精度，识别效果较好；以统计理论方法为基础，跟随变量的稳态识别不会受到被跟随变量波动的影响；以研究对象的生产技术标准为期望，子组区间划分不受历史期望的影响，具有较强的时效性；对连续稳定型、异常波动型、停机断料型和多稳态型四种类型数据的稳态均能进行有效识别，且识别的准确性较好；通过信息系统内置的R语言程序，可在线智能识别制丝过程数采数据的稳态数据集，大幅提高制丝过程全样本数据分析的精准性和时效性。
附图说明
图1为本发明的实施例1中的叶丝干燥出口水分有效数据时间序列图；
图2为本发明的实施例1中的叶丝干燥出口水分有效数据变点分布图；
图3为本发明的实施例1中的叶丝干燥出口水分稳态数据集和非稳态数据集分布图；
图4为本发明的实施例2中的加香出口水分有效数据时间序列图；
图5为本发明的实施例2中的加香出口水分有效数据变点分布图；
图6为本发明的实施例2中的叶丝干燥出口水分稳态数据集和非稳态数据集分布图；
图7为本发明的实施例3中的叶丝干燥出口水分有效数据时间序列图；
图8为本发明的实施例3中的叶丝干燥出口水分有效数据变点分布图。
具体实施方式
在本实施例中，需要说明的是，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
另，在本具体实施方式中如未特别说明部件之间的连接或固定方式，其连接或固定方式均可为通过现有技术中常用的螺栓固定或钉销固定，或销轴连接等方式，因此，在本实施例中不再详述。
实施例1
1、选取某工厂某牌号某批次叶丝干燥出口水分过程数据，数采频次为6s采集1次，按有效数据判定规则进行数据预处理。如图1所示，时间序列点67和1184分别是该批次有效数据的起始和结束点。
2、运用均值方差变点检测模型及PELT算法进行变点检测，识别出的变点位置如图2所示，用×表示，批有效数据共被划分为66个子组，子组均值及方差见表1－1。
表1－1某批次叶丝干燥出口水分数据动态子组划分情况
3、该牌号叶丝干燥出口水分生产技术标准为13.5％±1.0％，因此设定均值阈值区间为[13.0，14.5]，方差阈值为≤0.05445。
4、判定子区间均值、方差是否在阈值范围，划分稳态数据集和非稳态数据集。同时满足均值和方差阈值的子区间共计60个，这些子区间共同组成了该批数据的稳态数据集，不满足条件的子区间共计6个，组成非稳态数据集。如图3所示。
实施例2
1、选取某工厂某牌号某批次加香出口水分过程数据，数采频次为6s采集1次，按有效数据判定规则进行数据预处理。如图4所示，时间序列点34和1424分别是该批次有效数据的起始和结束点。
2、运用均值方差变点检测模型及PELT算法进行变点检测，识别出的变点位置如图5所示，用×表示，批有效数据共被划分为112个子组，子组均值及方差见表2－1。
表2－1某批次加香出口水分数据动态子组划分情况
3、该牌号加香出口水分生产技术标准为12.5±0.5％，因此设定均值阈值区间为[12.245，13]，方差阈值为≤0.01445。
4、判定子区间均值、方差是否在阈值范围，划分稳态数据集和非稳态数据集。同时满足均值和方差阈值的子区间共计80个，这些子区间共同组成了该批数据的稳态数据集，不满足条件的子区间共计32个，组成非稳态数据集。如图6所示。
实施例3
1、选取某工厂某牌号某批次叶丝干燥出口水分过程数据，数采频次为6s采集1次，按有效数据判定规则进行数据预处理。如图7所示，时间序列点1和1119分别是该批次有效数据的起始和结束点。
2、运用均值方差变点检测模型及PELT算法进行变点检测，识别出的变点位置如图8所示，用×表示，批有效数据共被划分为112个子组，子组均值及方差见表3－1。
表3－1某批次叶丝干燥出口水分数据动态子组划分情况
子组 均值 方差 子组 均值 方差
1 4.832483 0.000323217 16 20.349034 0.0050095
2 12.588255 30.66682 17 20.543849 0.0007468
3 20.77877 0.01001335 18 20.425656 0.0019549
4 20.399374 0.004114243 19 20.621256 0.0032864
5 20.529002 0.006049263 20 20.41476 0.0037151
6 20.334993 0.002387485 21 20.270004 0
7 20.503802 0.003441241 22 20.331249 0.0014859
8 20.570003 1.225E－11 23 20.36 1.225E－11
9 20.428545 0.007023007 24 20.484866 0.0051322
10 20.588237 0.001819269 25 20.350396 0.001369
11 20.530001 1.6E－11 26 20.486979 0.0023575
12 20.440213 0.004628243 27 20.324826 0.0037894
13 20.330476 0.004871089 28 20.320001 1.422E－11
14 20.459986 4E－12 29 20.345805 0.0103211
15 20.486677 0.004082494 30 10.067655 22.02145
3、该牌号叶丝干燥出口水分生产技术标准20.5±0.5％，因此设定均值阈值区间为[20.245，30]，方差阈值为≤0.01445
4、判定子区间均值、方差是否在阈值范围，划分稳态数据集和非稳态数据集。同时满足均值和方差阈值的子区间共计27个，这些子区间共同组成了该批数据的稳态数据集，不满足条件的子区间共计3个，组成非稳态数据集。。
本发明技术效果主要体现在以下方面：能够准确剔除系统噪声，提高数据分析、过程评价的精度，识别效果较好；以统计理论方法为基础，跟随变量的稳态识别不会受到被跟随变量波动的影响；以研究对象的生产技术标准为期望，子组区间划分不受历史期望的影响，具有较强的时效性；对连续稳定型、异常波动型、停机断料型和多稳态型四种类型数据的稳态均能进行有效识别，且识别的准确性较好；通过信息系统内置的R语言程序，可在线智能识别制丝过程数采数据的稳态数据集，大幅提高制丝过程全样本数据分析的精准性和时效性。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何不经过创造性劳动想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (4)

1.一种基于变点检测理论的制丝过程稳态识别方法，其特征在于，包括以下步骤：
1)对数据样本进行预处理；
2)运用均值方差变点检测模型及PELT算法进行变点检测；
3)稳态和非稳态数据集划分。
2.如权利要求1所述的基于变点检测理论的制丝过程稳态识别方法，其特征在于：在步骤1)中的预处理步骤如下：
①选定研究变量和数采频率，利用数采系统对指标进行实时采集；
②按有效数据判定规则，以批次号为单位构成批次有效数据。
3.如权利要求1所述的基于变点检测理论的制丝过程稳态识别方法，其特征在于：在步骤2)中的变点检测步骤如下：
①根据研究变量的时间序列，采用均值方差变点检测模型及PELT算法动态划分子组区间；
②分别计算各子组区间的均值和、或方差。
4.如权利要求1所述的基于变点检测理论的制丝过程稳态识别方法，其特征在于：在步骤3)中的数据集划分步骤如下：
①根据研究对象的工艺技术标准设定子区间方差和、或均值的阈值；
②判定子区间均值、方差是否在阈值范围，若在阈值范围则子区间属于稳态数据集，若在阈值范围以外则子区间属于非稳态数据集。
CN201711079311.1A 2017-11-06 2017-11-06 一种基于变点检测理论的制丝过程稳态识别方法 Pending CN108519760A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711079311.1A CN108519760A (zh) 2017-11-06 2017-11-06 一种基于变点检测理论的制丝过程稳态识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711079311.1A CN108519760A (zh) 2017-11-06 2017-11-06 一种基于变点检测理论的制丝过程稳态识别方法

Publications (1)

Publication Number Publication Date
CN108519760A true CN108519760A (zh) 2018-09-11

Family

ID=63432651

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711079311.1A Pending CN108519760A (zh) 2017-11-06 2017-11-06 一种基于变点检测理论的制丝过程稳态识别方法

Country Status (1)

Country Link
CN (1) CN108519760A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110866670A (zh) * 2019-04-29 2020-03-06 红云红河烟草(集团)有限责任公司 一种卷烟生产制造过程料头料尾的识别方法及系统
CN111026031A (zh) * 2019-12-13 2020-04-17 红云红河烟草(集团)有限责任公司 一种卷烟制丝过程数据的稳态识别方法
CN113379278A (zh) * 2021-06-23 2021-09-10 红云红河烟草(集团)有限责任公司 制丝批次全过程质量评测方法
CN113420061A (zh) * 2021-06-10 2021-09-21 北京宜能高科科技有限公司 炼油和化工生产装置的稳态工况分析方法、优化调试方法及系统

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110866670A (zh) * 2019-04-29 2020-03-06 红云红河烟草(集团)有限责任公司 一种卷烟生产制造过程料头料尾的识别方法及系统
CN111026031A (zh) * 2019-12-13 2020-04-17 红云红河烟草(集团)有限责任公司 一种卷烟制丝过程数据的稳态识别方法
CN113420061A (zh) * 2021-06-10 2021-09-21 北京宜能高科科技有限公司 炼油和化工生产装置的稳态工况分析方法、优化调试方法及系统
CN113379278A (zh) * 2021-06-23 2021-09-10 红云红河烟草(集团)有限责任公司 制丝批次全过程质量评测方法
CN113379278B (zh) * 2021-06-23 2022-05-10 红云红河烟草(集团)有限责任公司 制丝批次全过程质量评测方法

Similar Documents

Publication Publication Date Title
CN108519760A (zh) 一种基于变点检测理论的制丝过程稳态识别方法
CN102111872A (zh) 基于指纹定位技术的定位方法及装置
CN103488561B (zh) 一种在线升级主样本模型的kNN故障检测方法
CN104316861B (zh) 集成电路硬件木马检测方法及系统
CN112837754B (zh) 一种基于特征基因的单细胞自动分类方法和装置
CN111784093A (zh) 一种基于电力大数据分析的企业复工辅助判断方法
CN103675610A (zh) 局部放电在线检测中的特征因子提取方法
CN110348488A (zh) 一种基于局部密度峰值聚类的模态辨识方法
CN108241925A (zh) 一种基于离群点检测的离散制造机械产品质量溯源方法
CN103177289A (zh) 一种噪声不确定复杂非线性动态系统的建模方法
CN111882188A (zh) 基于Birch聚类算法的工艺质量同质化水平评价方法及系统
CN109669030A (zh) 一种基于决策树的工业注塑产品缺陷诊断方法
CN111160404A (zh) 配电网线损标杆合理值的分析方法及装置
CN107808209B (zh) 基于加权kNN距离的风电场异常数据辨识方法
CN113810792B (zh) 一种基于云计算的边缘数据采集分析系统
CN108537249B (zh) 一种密度峰值聚类的工业过程数据聚类方法
CN105049286A (zh) 基于层次聚类的云平台测速数据判定方法
CN110348480A (zh) 一种非监督异常数据检测算法
Zhang et al. A new outlier detection algorithm based on fast density peak clustering outlier factor.
CN114356900A (zh) 一种电力数据异常检测方法、装置、设备及介质
CN107274025B (zh) 一种实现用电模式智能识别与管理的系统和方法
CN110196797B (zh) 适于信用评分卡系统的自动优化方法和系统
CN115170820B (zh) 一种应用于数据曲线过渡阶段的特征提取及界限识别方法
CN107066613A (zh) 一种基于相对密度的异常检测算法
CN116365519A (zh) 一种电力负荷预测方法、系统、存储介质及设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20180911