CN109222208B - 面向卷烟生产指标控制的制丝工艺分析优化方法及系统 - Google Patents

Abstract

本发明公开一种面向卷烟生产指标控制的制丝工艺分析优化方法，包括：采集目标数据；对目标数据进行预处理，剔除目标数据中的无效数据形成相应类别数据的数据库；将数据库中的数据进行自动关联，将目标数据进行集成融合，得到关联分析数据库；对关联分析数据库进行特征提取处理，得到参数关键特征量形成参数特征集和目标集；通过参数特征集和目标集，建立关联分析模型，对制丝工艺参数和卷接工况参数进行关联分析，得到关联分析结果；对关联分析结果进行校准，形成制丝工艺参数控制标准；对待检测的工艺参数数据进行实时分析预测，得到智能优化方案。本发明能实现制丝工艺到卷烟生产指标的上下游闭环协同调控，实现卷烟流程整体稳质、降本和增效。

Description

面向卷烟生产指标控制的制丝工艺分析优化方法及系统

技术领域

本发明涉及烟草行业卷烟生产指标控制及制丝工艺分析优化的技术领域，具体涉及一种面向卷烟生产指标控制的制丝工艺分析优化方法及系统。

背景技术

作为卷烟工业中较为核心的上游工艺，制丝过程控制的精度和稳定性将直接影响到烟丝产品的本质质量及其波动性，进而耦合、传递到下游卷接包流程，在卷烟制造过程的质量、成本、效率等方面造成巨大影响。首先，制丝过程由于工艺参数控制导致的烟丝质量类问题，会累计传递，影响到下游制丝出口的烟丝质量，并进而波及至卷包环节影响到烟支的含丝量、密度、烟支质量、吸阻、硬度、通风率、端部落丝率、空头率等烟支物理质量指标以及烟碱、焦油、CO等烟气质量指标的控制，造成显著地的质量损失；其次，烟丝质量类问题往往会伴随产生大量的烟叶原料浪费，影响烟叶原料的消耗指标；并会因在下游卷接包的质量类剔除产生进一步的次生浪费，影响到卷接过程的损耗指标和辅料的消耗指标。这些都会造成巨大的成本损失；再次，烟丝质量特性及其波动性，会对下游卷包等精细环节的设备适应性产生直接冲击，影响设备的运行性能，很可能造成显著的整体效率损失；更为至关重要的是，各类因制丝工艺过程产生的潜在问题烟丝若未能及时检出，且未能完全在风选环节及卷包后续环节及时筛选剔除，会存在问题烟支流入市场的可能性，造成消费者的不良体验，直接影响到卷烟的效益和品牌形象。

相对于卷烟制丝工艺的重要程度及其影响程度，其分析和优化程度却一直较低。尤其对从卷烟制丝过程到卷接过程的全工艺流程，除制丝工艺本身所造成的烟丝原料质量差异外，其他卷接辅料(如滤棒、卷接纸)、卷接环境(如季节、温湿度)、卷接工况(如机组、班组、班次)等都会对卷烟的质量、成本、效率等生产指标产生的不同程度的影响及干扰，这些都极大地制约了面向卷烟生产指标控制的制丝工艺参数的关联分析及优化。以烟支空头率这一重要指标为例，诸多卷烟厂都存在卷接过程空头率基数高、波动大的问题，对高档烟、细支烟尤甚。目前，解决烟支空头率问题主要是对卷烟机自身改进；而对制丝过程工艺研究的尝试，仅能以小批量实验的形式开展，获得数据量少，不足以发现更多的规律和更优的参数标准，往往无法获得期望的结果。且从制丝工艺过程到卷接过程生产指标的分析优化大多片面、孤立，未能建立起二者之间有效的关联分析与优化关模型，打通其内在影响关系。

工业大数据技术是机器学习技术与数据挖掘技术的工业化应用。基于工业大数据技术体系的方法，可利用过程中采集的海量数据，建立研究对象的全局数学模型，从而发现局部参数对整个系统的潜在影响，从传统的单参数优化到全局过程多参数优化，并且利用智能化的展示手段，使生产数据可视化，更高效的为生产制造系统提供有力支持。目前，基于工业大数据技术的智能化制造方法已经在快速消费品行业、汽车行业、半导体制造等流程工业获得广泛应用，这为制丝生产过程中多工序、多参数关联分析以及动态优化提供了理论和方法支撑。但在烟草制丝领域，虽然近年来各烟草公司加快了信息化进程，从制造执行系统(MES)、制丝集控系统、卷包数采系统等获取并存储了海量的数据资源，但所获数据仍较为孤立，未能有效实现相应数据及信息集成融合，且对于数据的处理与分析程度也相对较浅、数据整体利用率较低，尚未能在制丝过程工艺参数分析与优化领域形成较为系统的、基于数据的方法和体系。

因此，极有必要基于工业大数据技术研发一套面向卷烟生产指标控制的制丝工艺分析优化方法，并以之为基础开发一套面向卷烟生产指标控制的制丝工艺分析优化系统。

发明内容

本发明针对现有技术中的缺点，提供了一种面向卷烟生产指标控制的制丝工艺分析优化方法及系统。

为了解决上述技术问题，本发明通过下述技术方案得以解决：

一种面向卷烟生产指标控制的制丝工艺分析优化方法，包括以下步骤：

通过柔性数据采集接口采集上游制丝工艺到下游卷接生产过程中的相关工艺流程中的目标数据，所述目标数据包括上游制丝工艺参数的控制类目标数据和下游卷接生产指标的控制目标类目标数据；

对所述采集到的目标数据进行预处理，剔除所述目标数据中的无效数据，将剩余的有效数据形成相应类别数据的数据库；

将各个类别的数据库中的数据进行自动关联，将上游卷烟制丝过程中的相关工艺参数控制类目标数据和下游卷接生产指标的控制目标类目标数据进行集成融合，得到互联集成的制丝工艺参数与卷烟生产指标关联分析数据库；

对所述关联分析数据库的各个类别的数据进行特征提取处理，得到有效描述相应类别目标特征信息的参数关键特征量，将所述参数关键特征量形成参数特征集和目标集；

通过所述参数特征集和目标集，采用机器学习算法和模式识别算法建立关联分析模型，通过所述关联分析模型对制丝工艺参数和卷接工况参数进行关联分析，得到关联分析结果；

结合实际工艺参数控制要求对所述关联分析结果进行校准，形成相应模式下的制丝工艺参数控制标准；

通过所述参数控制标准结合所述关联分析模型对待检测的工艺参数数据进行实时分析预测，得到实时的卷烟生产流程的智能优化方案。

作为一种可实施方式，所述控制类目标数据包括制丝工艺参数统计数据、制丝工艺参数实时数据和烟丝批次出库时间数据；

所述控制目标类目标数据至少包括成本类指标、效率类指标和卷接工况信息；其中，所述成本类指标包括各相应批次的成品烟丝在各卷接生产时间单元内卷接生产后的空头率质量类指标、总通风率质量类指标和吸阻质量类指标以及烟叶原料消耗、卷接过程损耗和卷接辅料消耗；所述效率类指标包括产量、卷烟机车速和卷烟机有效作业率；所述卷接工况信息包括时间、牌号、卷接环境信息和机组、班次和班组；

所述柔性数据采集接口包括数据库采集接口、OPC采集接口、Web Service采集接口以及兼容性接口的一种或几种。

作为一种可实施方式，所述对所述采集到的目标数据进行预处理，具体是指，通过特征检索算法、特征选择算法、异常点检测算法和数据归集算法中的任意一种算法对目标数据进行预处理；

所述相应类别数据的数据库包括制丝工艺参数统计数据库、制丝工艺参数实时数据库、烟丝批次出库时间数据库和卷烟生产指标数据库。

作为一种可实施方式，所述将各个类别的数据库中的数据进行自动关联，具体包括以下步骤：

基于建立好的各个类别的数据库，分别生成参数-批次互联线索、批次-时间互联线索和时间-指标互联线索，其中，所述参数-批次互联线索是按批次信息组织的工艺参数统计数据库，提取其中的批次作为参数-批次互联线索；所述批次-时间互联线索是按箱批次信息组织的批次出库时间数据库，提取其中的批次单箱出库的起止时间，并结合滑动窗口算法为每个箱批次样本分配班次属性，以日期-班次-批次组合形成批次-时间互联线索；所述时间-指标互联线索是按时间信息组织的卷烟生产指标数据库，提取其中的日期-班次组合形成时间-指标互联线索；

通过所述参数-批次互联线索、批次-时间互联线索和时间-指标互联线索对各个类别的数据库进行互联集成，生成制丝工艺参数与卷接生产指标相互关联的分析数据库。

作为一种可实施方式，所述通过所述参数-批次互联线索、批次-时间互联线索和时间-指标互联线索对各个类别的数据库进行互联集成，具体为：

将所述时间-指标互联线索在所述的批次-时间互联线索的日期-班次组合中进行关联匹配，得到所述时间-指标互联线索在所述的批次出库时间数据库中所对应的箱样本；

将所述箱样本在所述的批次-时间互联线索中按照批次信息进行统计，得到相应的批次号，将所述批次号作为样本的批次，将所述批次对应的比例作为样本的批次样本比例，进而得到样本的批次信息；

将所述样本的批次信息在所述的参数-批次互联线索中进行关联匹配，得到所述样本的批次信息在所述的工艺参数统计数据库中对应的批次参数样本；

将所述样本中的各项工艺参数数据和所述的样本中的各项生产指标数据进行关联及存储得到互联集成的制丝工艺参数与卷烟生产指标关联分析数据库。

作为一种可实施方式，所述特征提取处理采用特征提取算法处理，所述特征提取算法包括主成分分析算法、相关性分析算法、极差分析算法和方差分析算法；

所述参数特征集包括工艺参数特征集和工况参数特征集，所述目标集包括生产指标目标集。

作为一种可实施方式，所述通过所述参数特征集和目标集，采用机器学习算法和模式识别算法建立关联分析模型，具体是指，通过工艺参数特征集、工况参数特征集和生产指标目标集，建立关联分析模型，所述关联分析模型包括回归预测模型、分类预测模型和瓶颈分析模型。

作为一种可实施方式，所述通过所述关联分析模型对制丝工艺参数和卷接工况参数进行关联分析，得到关联分析结果，具体是指：

按照卷烟生产指标控制标准及要求对生产指标目标集中的数值进行分段模糊化，得到模糊化的离散型生产指标目标集；建立工艺参数特征集与工况参数特征集对离散型生产指标目标集的指标模式分类预测模型，通过分类预测模型对上游制丝工艺参数和下游卷接生产指标进行定性分类，得到定性分类结果；

通过建立工艺参数特征集与工况参数特征集对生产指标目标集的瓶颈分析模型，对卷烟生产面向生产指标、针对上游制丝工艺参数及卷接工况的瓶颈分析，得到瓶颈分析结果；

通过回归预测模型对在线所得并经预处理后的待检测的工艺参数进行下游卷接生产指标的实时预测，得到预测结果，通过预测结果及相应生产指标的控制线得到实时生产指标预警。

作为一种可实施方式，所述结合实际工艺参数控制要求对所述关联分析结果进行校准，形成相应模式下的制丝工艺参数控制标准，具体是指，通过所述回归预测模型、分类预测模型和瓶颈分析模型对制丝工艺参数和卷接工况参数分别进行分析，得到各种模式下所对应的最具代表性的工艺参数组合，将所述工艺参数组合结合实际工艺参数控制要求进行校准形成制丝工艺参数控制标准。

作为一种可实施方式，所述智能优化方案包括工艺参数实时预警优化方案、工艺参数反馈方案、生产指标实时预测预警方案和卷接工艺智能排产方案。

作为一种可实施方式，工艺参数特征集、工况参数特征集和生产指标目标集能随采集到的上游制丝工艺到下游卷接生产过程中的相关工艺流程中的数据不断更新，自学习并动态更新回归预测模型、分类预测模型、瓶颈分析模型和制丝工艺参数控制标准。

一种面向卷烟生产指标控制的制丝工艺分析优化系统，包括数据柔性采集模块、数据预处理模块、数据自动互联模块、关键特征提取模块、关联分析模块、标准输出模块、智能优化模块和自学习模块：

所述数据柔性采集模块，通过柔性数据采集接口采集上游制丝工艺到下游卷接生产过程中的相关工艺流程中的目标数据，所述目标数据包括上游制丝工艺参数的控制类目标数据和下游卷接生产指标的控制目标类目标数据；

所述数据预处理模块，用于对所述采集到的目标数据进行预处理，剔除所述目标数据中的无效数据，将剩余的有效数据形成相应类别数据的数据库；

所述数据自动互联模块，用于将各个类别的数据库中的数据进行自动关联，将上游卷烟制丝过程中的相关工艺参数控制类目标数据和下游卷接生产指标的控制目标类目标数据进行集成融合，得到互联集成的制丝工艺参数与卷烟生产指标关联分析数据库；

所述关键特征提取模块，用于对所述关联分析数据库的各个类别的数据进行特征提取处理，得到有效描述相应类别目标特征信息的参数关键特征量，将所述参数关键特征量形成参数特征集和目标集；

所述关联分析模块，用于通过所述参数特征集和目标集，采用机器学习算法和模式识别算法建立关联分析模型，通过所述关联分析模型对制丝工艺参数和卷接工况参数进行关联分析，得到关联分析结果；

所述标准输出模块，用于结合实际工艺参数控制要求对所述关联分析结果进行校准，形成相应模式下的制丝工艺参数控制标准；

所述智能优化模块，用于通过所述参数控制标准结合所述关联分析模型对待检测的工艺参数数据进行实时分析预测，得到实时的卷烟生产流程的智能优化方案；

所述自学习模块，用于自学习并动态更新回归预测模型、分类预测模型、瓶颈分析模型和制丝工艺参数控制标准。

本发明由于采用了以上技术方案，具有显著的技术效果：

基于本发明的方法和系统，能够面向卷烟企业当前所关注的卷烟生产指标，对上游制丝工艺过程的参数进行针对性地关联分析，给出工艺参数的控制标准，并能在制丝生产过程中进行实时预测、预警及反馈优化。通过形成系统化的卷烟生产指标与制丝工艺关联分析优化体系，实现制丝工艺到卷烟生产指标的上下游闭环协同调控，并最终实现卷烟流程整体稳质、降本、增效的目标。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明的方法流程示意图；

图2是本发明的系统示意图；

图3为本发明具体实施例中通过相关性分析提取关键特征的结果示意图；

图4为本发明具体实施例中通过方差分析提取关键特征的结果示意图；

图5为本发明的具体实施例中对空头率回归预测结果的对比图；

图6为本发明的具体实施例中对空头率回归预测结果趋势与误差图；

图7为本发明的具体实施例中对空头率分类预测结果的混淆矩阵图。

具体实施方式

下面结合实施例对本发明做进一步的详细说明，以下实施例是对本发明的解释而本发明并不局限于以下实施例。

一种面向卷烟生产指标控制的制丝工艺分析优化方法，如图1所示，包括以下步骤：

S100、通过柔性数据采集接口采集上游制丝工艺到下游卷接生产过程中的相关工艺流程中的目标数据，所述目标数据包括上游制丝工艺参数的控制类目标数据和下游卷接生产指标的控制目标类目标数据；

S200、对所述采集到的目标数据进行预处理，剔除所述目标数据中的无效数据，将剩余的有效数据形成相应类别数据的数据库；

S300、将各个类别的数据库中的数据进行自动关联，将上游卷烟制丝过程中的相关工艺参数控制类目标数据和下游卷接生产指标的控制目标类目标数据进行集成融合，得到互联集成的制丝工艺参数与卷烟生产指标关联分析数据库；

S400、对所述关联分析数据库的各个类别的数据进行特征提取处理，得到有效描述相应类别目标特征信息的参数关键特征量，将所述参数关键特征量形成参数特征集和目标集；

S500、通过所述参数特征集和目标集，采用机器学习算法和模式识别算法建立关联分析模型，通过所述关联分析模型对制丝工艺参数和卷接工况参数进行关联分析，得到关联分析结果；

S600、结合实际工艺参数控制要求对所述关联分析结果进行校准，形成相应模式下的制丝工艺参数控制标准；

S700、通过所述参数控制标准结合所述关联分析模型对待检测的工艺参数数据进行实时分析预测，得到实时的卷烟生产流程的智能优化方案。

在步骤S100中，所述控制类目标数据包括制丝工艺参数统计数据、制丝工艺参数实时数据和烟丝批次出库时间数据；

所述控制目标类目标数据至少包括成本类指标、效率类指标和卷接工况信息；其中，所述成本类指标包括各相应批次的成品烟丝在各卷接生产时间单元内卷接生产后的空头率质量类指标、总通风率质量类指标和吸阻质量类指标以及烟叶原料消耗、卷接过程损耗和卷接辅料消耗；所述效率类指标包括产量、卷烟机车速和卷烟机有效作业率；所述卷接工况信息包括时间、牌号、卷接环境信息和机组、班次和班组；

所述柔性数据采集接口包括数据库采集接口、OPC采集接口、Web Service采集接口以及兼容性接口的一种或几种。

在步骤S200中，所述对所述采集到的目标数据进行预处理，具体是指，通过特征检索算法、特征选择算法、异常点检测算法和数据归集算法中的任意一种算法对目标数据进行预处理；

各个类别的数据库包含但是不限于制丝工艺参数统计数据库D_para、制丝工艺参数实时数据库D_ourr、烟丝批次出库时间数据库D_time以及卷烟生产指标数据库D_index。

在步骤S300中，所述将各个类别的数据库中的数据进行自动关联，具体包括以下步骤：

基于建立好的各个类别的数据库，分别生成参数-批次互联线索I_para、批次-时间互联线索I_time和时间-指标互联线索I_index，其中，所述参数-批次互联线索I_para是按批次信息组织的工艺参数统计数据库D_para，提取其中的批次作为参数-批次互联线索I_para；所述批次-时间互联线索I_time是按箱批次信息组织的批次出库时间数据库D_time，提取其中的批次单箱出库的起止时间，并结合滑动窗口算法为每个箱批次样本分配班次属性，以日期-班次-批次组合形成批次-时间互联线索I_time；所述时间-指标互联线索I_index是按时间信息组织的卷烟生产指标数据库D_index，提取其中的日期-班次组合形成时间-指标互联线索I_index；

通过所述参数-批次互联线索I_para、批次-时间互联线索I_time和时间-指标互联线索I_index对各个类别的数据库进行互联集成，生成制丝工艺参数与卷接生产指标相互关联的分析数据库D。

所述通过所述参数-批次互联线索I_para、批次-时间互联线索I_time和时间-指标互联线索I_index对各个类别的数据库进行互联集成，具体为：

由时间-指标互联线索I_index在批次-时间互联线索I_time的日期-班次组合中进行关联匹配，找出其在批次出库时间数据库D_time中所对应的箱样本S_time；

对箱样本S_time在批次-时间互联线索I_time中按照批次信息进行统计，以所得批次号作为样本S_index的批次，以所得的批次对应的比例作为样本S_index的批次样本比例，从而得到样本S_index的批次信息；

将样本S_index的批次信息在参数-批次互联线索I_para中进行关联匹配，即可找到其在所述的工艺参数统计数据库D_para中对应的批次参数样本S_para；

最后，将样本S_para中的各项工艺参数数据和样本S_index中的各项生产指标数据进行关联、存储即可得到所述的互联集成的制丝工艺参数与卷烟生产指标关联分析数据库D。

更加详细地，所述特征提取处理采用特征提取算法处理，所述特征提取算法包括主成分分析算法、相关性分析算法、极差分析算法和方差分析算法；

所述参数特征集包括工艺参数特征集和工况参数特征集，所述目标集包括生产指标目标集。更具体地，是基于工艺参数关键特征量形成的工艺参数特征集F_p和基于工况参数关键特征量形成的工况参数特征集F_m，所述的目标集包括的是基于关键分析目标量形成生产指标目标集T。

在本实施例中，所述通过所述参数特征集和目标集，采用机器学习算法和模式识别算法建立关联分析模型，具体是指，通过工艺参数特征集F_p、工况参数特征集F_m和生产指标目标集T，建立关联分析模型，所述关联分析模型包括回归预测模型M_r、分类预测模型M_c和瓶颈分析模型M_b，实现由上游制丝工艺参数对下游卷接生产指标的定量预测，并结合对卷烟段主要工况的脱敏，真实地反映制丝工艺参数同卷烟生产指标的内在关联关系。

通过建立好的各类模型，所述结合实际工艺参数控制要求对所述关联分析结果进行校准，形成相应模式下的制丝工艺参数控制标准Para_norm，具体是指，通过所述回归预测模型、分类预测模型和瓶颈分析模型对制丝工艺参数和卷接工况参数分别进行分析，得到各种模式下所对应的最具代表性的工艺参数组合，将所述工艺参数组合结合实际工艺参数控制要求进行校准形成制丝工艺参数控制标准。

通过分类预测模型M_c进行分类分析，是按照卷烟生产指标控制标准及要求对生产指标目标集T中的数值进行分段模糊化，得到模糊化的离散型生产指标目标集T_c；之后，建立工艺参数特征集F_p与工况参数特征集F_m对离散型生产指标目标集T_c的指标模式分类预测模型M_c，实现由上游制丝工艺参数对下游卷接生产指标的定性分类；

通过瓶颈分析模型M_b进行瓶颈分析，主要通过建立工艺参数特征集F_p与工况参数特征集F_m对生产指标目标集T的瓶颈分析模型M_b，结合帕累托图及四象限图等分析，实现卷烟生产面向生产指标、针对上游制丝工艺参数及卷接工况的瓶颈分析。

通过制丝工艺参数控制标准Para_norm对在线所得并经预处理后的待检测的工艺参数实时数据D_ourr进行参数的实时预警；工艺参数反馈优化主要针对工艺参数实时预警给出的实时预警信息，结合制丝工艺参数控制标准para_norm以及分类预测模型M_c，对报警参数进行及时的反馈优化，确保能实时在线地提供关键性工艺调控；

通过回归预测模型M_r对在线所得并经预处理后的待检测的工艺参数实时数据D_ourr进行下游卷接生产指标的实时预测，得到预测结果，所得预测结果及相应生产指标的控制限给出实时生产指标预警，为及时在下游做出补偿性调控奠定基础；

通过瓶颈分析模型M_b对卷烟生产指标实时预测结果对下游卷接工艺进行合理的智能排产，从而弥补上游未及优化调控的对卷烟生产指标可能带来的潜在影响。

最后，所述智能优化方案包括工艺参数实时预警优化方案、工艺参数反馈方案、生产指标实时预测预警方案和卷接工艺智能排产方案。

由于采集的动作是一直发生的，采集数据是一直变化的，所以，工艺参数特征集F_p、工况参数特征集F_m和生产指标目标集T一直能随采集到的上游制丝工艺到下游卷接生产过程中的相关工艺流程中的数据不断更新，自学习并动态更新回归预测模型M_r、分类预测模型M_c和瓶颈分析模型M_b和制丝工艺参数控制标准Para_norm。

本发明的方法能够面向卷烟企业当前所关注的卷烟生产指标，对上游制丝工艺过程的参数进行针对性地关联分析，给出工艺参数的控制标准，并能在制丝生产过程中进行实时预测、预警及反馈优化。通过形成系统化的卷烟生产指标与制丝工艺关联分析优化体系，实现制丝工艺到卷烟生产指标的上下游闭环协同调控，并最终实现卷烟流程整体稳质、降本、增效的目标。

以下结合具体实际数据对整个发明过程进行说明：

此具体实施例中采集上游制丝工艺到下游卷接生产过程中的相关工艺流程中的目标数据，所述目标数据包括上游制丝工艺参数的控制类目标数据和下游卷接生产指标的控制目标类目标数据，采集选取连续三个月的时间跨度取样，期间所有工艺参数的控制标准、生产指标要求以及卷接工况均无显著变化。更加具体地，上游制丝工艺共涉及5个制丝生产工段，其中一共涉及了26个工艺参数，具体包括了26个工艺参数在相应采样间隔下的均值、标准偏差、最大值、最小值、合格率、偏移率、变异系数等统计指标及各个值对应的批次、时间等信息，所述批次出库时间数据包含该段时间内各相应批次的出库起止时间及其对应的批次与站台等信息，所述卷烟生产指标数据主要含各相应批次的成品烟丝在各卷接生产时间单元内卷接生产后的空头率质量指标和产量效率类指标以及其相对应的时间、牌号和机组、班次、班组等卷接工况信息；所述工艺参数实时数据含26个工艺参数在相应采样间隔下的实时测量值及其对应的批次、时间等信息。

通过步骤S200中所述对所述采集到的目标数据进行预处理主要是对目标数据中信息不完整的数据进行剔除；对高影响度的数据进行筛选；以及数据异常样本识别及剔除、数据归集等，以上处理是根据数据种类不同所选的预处理方法各有侧重。

图3为通过相关性分析提取关键特征的结果示意，图中一列为26个参数以及产量的相关性系数，第二列为26个参数以及空头剔除率的相关性系数，依据图中结果数据可以初步分析工艺参数对分析目标的影响模式、确定对分析目标具有较强影响的关键特征参数，并可以量化赋权得到更为有效的特征。

图4为本实施例中通过方差分析提取关键特征的结果示意，图中展示了空头剔除率的指标依机组维度进行方差分析的结果，由图易见，24#、25#、26#、27#等4个机组剔除率之间存在显著性差异，整体而言，剔除率：27#<25#<24#<26#，说明机组这一工况对制丝工艺参数与卷接生产空头剔除率的关联分析有显著影响，因此，在实际进行制丝工艺参数与卷接生产空头剔除率的关联分析时需进行机组信息脱敏，其他工况分析也可如此类比进行，同时可根据方差分析的p-value值进行赋权，从而优化相应工况特征。

为验证本发明所提出的面向卷烟生产指标控制的制丝工艺分析优化方法，本实施例中针对原始的26个工艺参数经步骤S100-S400处理并经步骤S500进行面向卷烟空头剔除率的回归预测分析，图5给出了本实施例中对空头率的回归预测结果的对比，可见，图关于横轴基本对称，反映出剔除率的预测值与真实值良好的对应性；同时，对于剔除率真实值较为极端的情况，本方法所给出的预测值偏差相对较大；图6为本实施例中对空头率回归预测结果趋势与误差图，易见，预测结果趋势追踪良好，误差整体较小，说明通过应用本发明所提方法，可利用回归分析建立制丝参数与空头剔除率之间的关联模型，实现深度的关联关系挖掘。

本实施例中进一步根据步骤S500对目标空头剔除率数值进行分段模糊化，得到模糊化的离散型空头率指数，具体的分段对应为：Class 1-[0,1]，Class 2-(1,1.5]，Class3-(1.5,～)。图7给出了本实施例中对应的对空头率分类预测结果的混淆矩阵图。由图可见，对第二类也即剔除率在(1,1.5]之间的分类最为准确，对第一类即剔除率在[0,1]之间的分类准确率最差，整体分类准确率为61.6％。说明应用本发明所提方法，可通过对剔除率离散化，并与制丝参数建立分类关联模型，基于各类中制丝参数值的计算量可进一步形成该类的参数控制标准。

实施例2：

一种面向卷烟生产指标控制的制丝工艺分析优化系统，如图2所示，包括数据柔性采集模块100、数据预处理模块200、数据自动互联模块300、关键特征提取模块400、关联分析模块500、标准输出模块600、智能优化模块700和自学习模块800：

所述数据柔性采集模块100，通过柔性数据采集接口采集上游制丝工艺到下游卷接生产过程中的相关工艺流程中的目标数据，所述目标数据包括上游制丝工艺参数的控制类目标数据和下游卷接生产指标的控制目标类目标数据；

所述数据预处理模块200，用于对所述采集到的目标数据进行预处理，剔除所述目标数据中的无效数据，将剩余的有效数据形成相应类别数据的数据库；

所述数据自动互联模块300，用于将各个类别的数据库中的数据进行自动关联，将上游卷烟制丝过程中的相关工艺参数控制类目标数据和下游卷接生产指标的控制目标类目标数据进行集成融合，得到互联集成的制丝工艺参数与卷烟生产指标关联分析数据库；

所述关键特征提取模块400，用于对所述关联分析数据库的各个类别的数据进行特征提取处理，得到有效描述相应类别目标特征信息的参数关键特征量，将所述参数关键特征量形成参数特征集和目标集；

所述关联分析模块500，用于通过所述参数特征集和目标集，采用机器学习算法和模式识别算法建立关联分析模型，通过所述关联分析模型对制丝工艺参数和卷接工况参数进行关联分析，得到关联分析结果；

所述标准输出模块600，用于结合实际工艺参数控制要求对所述关联分析结果进行校准，形成相应模式下的制丝工艺参数控制标准；

所述智能优化模块700，用于通过所述参数控制标准结合所述关联分析模型对待检测的工艺参数数据进行实时分析预测，得到实时的卷烟生产流程的智能优化方案；

所述自学习模块800，用于自学习并动态更新回归预测模型、分类预测模型、瓶颈分析模型和制丝工艺参数控制标准。

对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

需要说明的是：

说明书中提到的“一个实施例”或“实施例”意指结合实施例描述的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，说明书通篇各个地方出现的短语“一个实施例”或“实施例”并不一定均指同一个实施例。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

此外，需要说明的是，本说明书中所描述的具体实施例，其零、部件的形状、所取名称等可以不同。凡依本发明专利构思所述的构造、特征及原理所做的等效或简单变化，均包括于本发明专利的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离本发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (11)

1.一种面向卷烟生产指标控制的制丝工艺分析优化方法，其特征在于，包括以下步骤：

通过柔性数据采集接口采集上游制丝工艺到下游卷接生产过程中的相关工艺流程中的目标数据，所述目标数据包括上游制丝工艺参数的控制类目标数据和下游卷接生产指标的控制目标类目标数据；

对所述采集到的目标数据进行预处理，剔除所述目标数据中的无效数据，将剩余的有效数据形成相应类别数据的数据库；

将各个类别的数据库中的数据进行自动关联，将上游卷烟制丝过程中的相关工艺参数控制类目标数据和下游卷接生产指标的控制目标类目标数据进行集成融合，得到互联集成的制丝工艺参数与卷烟生产指标关联分析数据库；

所述将各个类别的数据库中的数据进行自动关联，具体包括以下步骤：

基于建立好的各个类别的数据库，分别生成参数-批次互联线索、批次-时间互联线索和时间-指标互联线索，其中，所述参数-批次互联线索是按批次信息组织的工艺参数统计数据库，提取其中的批次作为参数-批次互联线索；所述批次-时间互联线索是按箱批次信息组织的批次出库时间数据库，提取其中的批次单箱出库的起止时间，并结合滑动窗口算法为每个箱批次样本分配班次属性，以日期-班次-批次组合形成批次-时间互联线索；所述时间-指标互联线索是按时间信息组织的卷烟生产指标数据库，提取其中的日期-班次组合形成时间-指标互联线索；

通过所述参数-批次互联线索、批次-时间互联线索和时间-指标互联线索对各个类别的数据库进行互联集成，生成制丝工艺参数与卷接生产指标相互关联的分析数据库；

对所述关联分析数据库的各个类别的数据进行特征提取处理，得到有效描述相应类别目标特征信息的参数关键特征量，将所述参数关键特征量形成参数特征集和目标集；

通过所述参数特征集和目标集，采用机器学习算法和模式识别算法建立关联分析模型，通过所述关联分析模型对制丝工艺参数和卷接工况参数进行关联分析，得到关联分析结果；

结合实际工艺参数控制要求对所述关联分析结果进行校准，形成相应模式下的制丝工艺参数控制标准；

通过所述参数控制标准结合所述关联分析模型对待检测的工艺参数数据进行实时分析预测，得到实时的卷烟生产流程的智能优化方案。

2.根据权利要求1所述的面向卷烟生产指标控制的制丝工艺分析优化方法，其特征在于，所述控制类目标数据包括制丝工艺参数统计数据、制丝工艺参数实时数据和烟丝批次出库时间数据；

所述控制目标类目标数据至少包括成本类指标、效率类指标和卷接工况信息；其中，所述成本类指标包括各相应批次的成品烟丝在各卷接生产时间单元内卷接生产后的空头率质量类指标、总通风率质量类指标和吸阻质量类指标以及烟叶原料消耗、卷接过程损耗和卷接辅料消耗；所述效率类指标包括产量、卷烟机车速和卷烟机有效作业率；所述卷接工况信息包括时间、牌号、卷接环境信息和机组、班次和班组；

所述柔性数据采集接口包括数据库采集接口、OPC采集接口、Web Service采集接口以及兼容性接口的一种或几种。

3.根据权利要求1所述的面向卷烟生产指标控制的制丝工艺分析优化方法，其特征在于，所述对所述采集到的目标数据进行预处理，具体是指，通过特征检索算法、特征选择算法、异常点检测算法和数据归集算法中的任意一种算法对目标数据进行预处理；

所述相应类别数据的数据库包括制丝工艺参数统计数据库、制丝工艺参数实时数据库、烟丝批次出库时间数据库和卷烟生产指标数据库。

4.根据权利要求1所述的面向卷烟生产指标控制的制丝工艺分析优化方法，其特征在于，所述通过所述参数-批次互联线索、批次-时间互联线索和时间-指标互联线索对各个类别的数据库进行互联集成，具体为：

将所述时间-指标互联线索在所述的批次-时间互联线索的日期-班次组合中进行关联匹配，得到所述时间-指标互联线索在所述的批次出库时间数据库中所对应的箱样本；

将所述箱样本在所述的批次-时间互联线索中按照批次信息进行统计，得到相应的批次号，将所述批次号作为样本的批次，将所述批次对应的比例作为样本的批次样本比例，进而得到样本的批次信息；

将所述样本的批次信息在所述的参数-批次互联线索中进行关联匹配，得到所述样本的批次信息在所述的工艺参数统计数据库中对应的批次参数样本；

将所述样本中的各项工艺参数数据和所述的样本中的各项生产指标数据进行关联及存储得到互联集成的制丝工艺参数与卷烟生产指标关联分析数据库。

5.根据权利要求1所述的面向卷烟生产指标控制的制丝工艺分析优化方法，其特征在于，所述特征提取处理采用特征提取算法处理，所述特征提取算法包括主成分分析算法、相关性分析算法、极差分析算法和方差分析算法；

所述参数特征集包括工艺参数特征集和工况参数特征集，所述目标集包括生产指标目标集。

6.根据权利要求5所述的面向卷烟生产指标控制的制丝工艺分析优化方法，其特征在于，所述通过所述参数特征集和目标集，采用机器学习算法和模式识别算法建立关联分析模型，具体是指，通过工艺参数特征集、工况参数特征集和生产指标目标集，建立关联分析模型，所述关联分析模型包括回归预测模型、分类预测模型和瓶颈分析模型。

7.根据权利要求6所述的面向卷烟生产指标控制的制丝工艺分析优化方法，其特征在于，所述通过所述关联分析模型对制丝工艺参数和卷接工况参数进行关联分析，得到关联分析结果，具体是指：

按照卷烟生产指标控制标准及要求对生产指标目标集中的数值进行分段模糊化，得到模糊化的离散型生产指标目标集；建立工艺参数特征集与工况参数特征集对离散型生产指标目标集的指标模式分类预测模型，通过分类预测模型对上游制丝工艺参数和下游卷接生产指标进行定性分类，得到定性分类结果；

通过建立工艺参数特征集与工况参数特征集对生产指标目标集的瓶颈分析模型，对卷烟生产面向生产指标、针对上游制丝工艺参数及卷接工况的瓶颈分析，得到瓶颈分析结果；

通过回归预测模型对在线所得并经预处理后的待检测的工艺参数进行下游卷接生产指标的实时预测，得到预测结果，通过预测结果及相应生产指标的控制线得到实时生产指标预警。

8.根据权利要求6所述的面向卷烟生产指标控制的制丝工艺分析优化方法，其特征在于，所述结合实际工艺参数控制要求对所述关联分析结果进行校准，形成相应模式下的制丝工艺参数控制标准，具体是指，

通过所述回归预测模型、分类预测模型和瓶颈分析模型对制丝工艺参数和卷接工况参数分别进行分析，得到各种模式下所对应的最具代表性的工艺参数组合，将所述工艺参数组合结合实际工艺参数控制要求进行校准形成制丝工艺参数控制标准。

9.根据权利要求1所述的面向卷烟生产指标控制的制丝工艺分析优化方法，其特征在于：所述智能优化方案包括工艺参数实时预警优化方案、工艺参数反馈方案、生产指标实时预测预警方案和卷接工艺智能排产方案。

10.根据权利要求1所述的面向卷烟生产指标控制的制丝工艺分析优化方法，其特征在于：工艺参数特征集、工况参数特征集和生产指标目标集能随采集到的上游制丝工艺到下游卷接生产过程中的相关工艺流程中的数据不断更新，自学习并动态更新回归预测模型、分类预测模型、瓶颈分析模型和制丝工艺参数控制标准。

11.一种面向卷烟生产指标控制的制丝工艺分析优化系统，其特征在于，包括数据柔性采集模块、数据预处理模块、数据自动互联模块、关键特征提取模块、关联分析模块、标准输出模块、智能优化模块和自学习模块；

所述数据柔性采集模块，通过柔性数据采集接口采集上游制丝工艺到下游卷接生产过程中的相关工艺流程中的目标数据，所述目标数据包括上游制丝工艺参数的控制类目标数据和下游卷接生产指标的控制目标类目标数据；

所述数据预处理模块，用于对所述采集到的目标数据进行预处理，剔除所述目标数据中的无效数据，将剩余的有效数据形成相应类别数据的数据库；

所述数据自动互联模块，用于将各个类别的数据库中的数据进行自动关联，将上游卷烟制丝过程中的相关工艺参数控制类目标数据和下游卷接生产指标的控制目标类目标数据进行集成融合，得到互联集成的制丝工艺参数与卷烟生产指标关联分析数据库；

所述将各个类别的数据库中的数据进行自动关联，具体包括以下步骤：

基于建立好的各个类别的数据库，分别生成参数-批次互联线索、批次-时间互联线索和时间-指标互联线索，其中，所述参数-批次互联线索是按批次信息组织的工艺参数统计数据库，提取其中的批次作为参数-批次互联线索；所述批次-时间互联线索是按箱批次信息组织的批次出库时间数据库，提取其中的批次单箱出库的起止时间，并结合滑动窗口算法为每个箱批次样本分配班次属性，以日期-班次-批次组合形成批次-时间互联线索；所述时间-指标互联线索是按时间信息组织的卷烟生产指标数据库，提取其中的日期-班次组合形成时间-指标互联线索；

通过所述参数-批次互联线索、批次-时间互联线索和时间-指标互联线索对各个类别的数据库进行互联集成，生成制丝工艺参数与卷接生产指标相互关联的分析数据库；

所述关键特征提取模块，用于对所述关联分析数据库的各个类别的数据进行特征提取处理，得到有效描述相应类别目标特征信息的参数关键特征量，将所述参数关键特征量形成参数特征集和目标集；

所述关联分析模块，用于通过所述参数特征集和目标集，采用机器学习算法和模式识别算法建立关联分析模型，通过所述关联分析模型对制丝工艺参数和卷接工况参数进行关联分析，得到关联分析结果；

所述标准输出模块，用于结合实际工艺参数控制要求对所述关联分析结果进行校准，形成相应模式下的制丝工艺参数控制标准；

所述智能优化模块，用于通过所述参数控制标准结合所述关联分析模型对待检测的工艺参数数据进行实时分析预测，得到实时的卷烟生产流程的智能优化方案；

所述自学习模块，用于自学习并动态更新回归预测模型、分类预测模型、瓶颈分析模型和制丝工艺参数控制标准。

Images