CN110163480A - 一种卷包车间质量辅助决策的方法 - Google Patents
一种卷包车间质量辅助决策的方法 Download PDFInfo
- Publication number
- CN110163480A CN110163480A CN201910315072.8A CN201910315072A CN110163480A CN 110163480 A CN110163480 A CN 110163480A CN 201910315072 A CN201910315072 A CN 201910315072A CN 110163480 A CN110163480 A CN 110163480A
- Authority
- CN
- China
- Prior art keywords
- quality
- classification
- factor
- data
- quality mode
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 21
- 230000002159 abnormal effect Effects 0.000 claims abstract description 34
- 238000004519 manufacturing process Methods 0.000 claims abstract description 27
- 239000000463 material Substances 0.000 claims abstract description 10
- 230000005856 abnormality Effects 0.000 claims abstract description 5
- 235000019504 cigarettes Nutrition 0.000 claims description 33
- 241000208125 Nicotiana Species 0.000 claims description 8
- 235000002637 Nicotiana tabacum Nutrition 0.000 claims description 8
- 230000007547 defect Effects 0.000 claims description 8
- 238000012423 maintenance Methods 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 230000002688 persistence Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims 1
- 238000010219 correlation analysis Methods 0.000 abstract description 2
- 238000003066 decision tree Methods 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 2
- 241001044671 Piper tuberculatum Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Wrapping Of Specific Fragile Articles (AREA)
- General Factory Administration (AREA)
Abstract
本发明涉及一种卷包车间质量辅助决策的方法，获取第一设定时间段的质量异常数据集作为参考数列；获取生产过程第二设定时间段数据集作为比较数列；计算所述参考数列与各比较数列之间的关联系数得到关联度；确定质量模式因素，并根据各质量模式因素所对应的比较数列所得到的关联度进行排序，并判断。本技术方案通过质量模式数据集、质量问题类别数据集和质量问题参考数据集进行关联系数计算和关联度分析、排序作为特征选择模型，通过规则构建决策树进行辅助决策。主要的具体大类划为机械结构、操作控制、工班整体情况、辅料问题、特殊异常、其他未知原因等大类。
Description
技术领域
本发明属于烟草卷包车间质量管理辅助决策技术领域，特别是指一种卷包车间质量辅助决策的方法。
背景技术
烟草生产车间，卷包设备类型众多、产品质量问题的种类和产生原因错综复杂，质量问题对应产生原因之间各种因素互相关联，这对卷接包车间质量管控带来了较大困难。
传统质量管控方法不能及时发现并合理做好质量管控先觉指导。在传统的工作中，只能通过不断地巡视观察质量情况从而查找存在的质量隐患。由于卷接包装工艺较复杂，并不能面面俱到，以往操作人员及维修人员处理故障都是凭借自身的经验，存在疏漏。
如下图1所示，目前卷包车间质量分析方法主要是通过单一的物理指标数据通过单一的数据源进行人工分析，由于生产过程中的物理指标是测试后的结果，属于一个结果的体现，并不能实时关联生产状态对生产过程进行实时评价和分析并判断和定位具体的质量问题。
目前卷包车间影响产品质量问题的因素较多，与产品质量问题相关的数据的来源及数量均较多，如何能够精确对卷包车间质量做出辅助决策，需要对卷包车间各类与生产质量相关数据进行分类，并确定影响质量异常问题的主因是需要解决的问题。
发明内容
本发明的目的是提供一种卷包车间质量辅助决策的方法，以解决现有技术对生产过程的数据没有进行规则分析，不能为产品质量提供辅助决策的问题。
本发明是通过以下技术方案实现的：
一种卷包车间质量辅助决策的方法，
获取第一设定时间段的质量异常数据集作为参考数列；
获取生产过程第二设定时间段数据集作为比较数列；
计算所述参考数列与各比较数列之间的关联系数得到关联度；
确定质量模式因素，并根据各质量模式因素所对应的比较数列所得到的关联度进行排序，并判断，
同一机台某一质量模式因素中，设定数量的工班的关联度是否均高于设定值，若是则，机械结构为导致相应的质量问题类别的主因；
若否则判断，同一机台某一质量模式因素中，是否仅有一个工班的关联度高于设定值，若是则操作控制为导致相应的质量问题类别的主因；
若否则判断，同一机台各质量模式因素中，是否有一个工班的各质量模式因素的关联度均高于设定值，若是则该工班整体素质为导致相应的质量问题类别的主因；
若否则判断，同一批次产品不同机台的相同质量模式因素中，关联度均高于设定值，若是则辅料为导致相应的质量问题类别的主因；
若否则判断，与各质量模式因素是否无明显关联度或设备维修，若是则未知原因为导致相应的质量问题类别的主因；若否则判断为特殊异常。
所述关联系数其中，i为自然数，ρ为分辨系数，介于0-1之间；Δmin为比较数列与参考数列的最小差；Δmax为比较数列与参考数列的最大差；
Δ0i(k)为各比较数列Xi曲线上的每一个点与参考数列X0曲线上的每一个点的绝对差值。
所述参考数列的获取方法，包括以下步骤：
获取历史烟草卷包车间影响质量问题类别；
依据各质量问题类别的特性，设定各质量问题类别所对应质量合格数据的阀值；
获取历史烟草卷包车间影响质量问题的质量因素，并设定所述质量因素所包括质量模式因素种类；
依据各质量模式因素的特性，设定各质量模式因素所对应质量模式数据的阀值；
获取用户第一设定时间段的原始数据，并依据所述质量问题类别确定相应的类别数据集；依据各质量模式因素确定相应的质量模式数据集；
提取类别数据集中的数据与相应的质量合格数据的阀值进行判断，若判断为否，则确定为该数据为类别异常数据，存入相应的异常数据集，并将第一设定时间段内的异常数据集依据时间顺序排为异常数据参考数列；
提取质量模式数据集中的数据与相应的质量模式数据的阀值进行判断，若判断为否，则确定为该数据为质量模式异常数据，存入相应的质量模式异常数据集，并将第一设定时间段内的质量模式异常数据集依据时间顺序排为质量异常数据参考数列；
在所述第一设定时间内，将同一时间的异常数据参考数列与所述质量异常数据参考数列匹配，得互所述参考数列。
所述质量问题类别至少包括烟支物理指标相关的类别和外观缺陷相关的类别；
所述烟支物理指标相关的类别至少包括烟支圆周类别、烟支长度类别、烟支质量类别或烟支吸阻类别中的一种或一种以上组合；
所述外观缺陷相关的类别至少包括条装类别、盒装类别或烟支类别中的一种或一种以上组合。
所述质量因素包括生产过程实时状态因素、设备维修因素或辅料信息因素的一种或一种以上组合。
所述生产过程实时状态因素至少包括设备停机信息模式因素、产量信息模式因素、停机原因模式因素或设备有效作业率模式因素中的一种或一种以上组合。
所述第一设定时间为半年或半年以上；所述第二设定时间为0.2-12小时。
所述比较数列Xi为设定数量的质量模式因素数据的集合。
本发明的有益效果是：
本技术方案通过质量模式数据集、质量问题类别数据集和质量问题参考数据集进行关联系数计算和关联度分析、排序作为特征选择模型，通过规则构建决策树进行辅助决策。主要的具体大类划为机械结构、操作控制、工班整体情况、辅料问题、特殊异常、其他未知原因等大类。
附图说明
图1为现有技术质量问题分析逻辑图；
图2为质量辅助决策原理图。
具体实施方式
以下通过实施例来详细说明本发明的技术方案，以下的实施例仅是示例性的，仅能用来解释和说明本发明的技术方案，而不能解释为是对本发明技术方案的限制。
为了能够精确对卷包车间质量做出辅助决策，需要对卷包车间各类生产质量相关数据进行采集及存储，由于卷包车间数据节点和数据类型较多，需要对不同设备采用不同原理进行数据采集并进行存储，通过云数据中心的存储方式可实现高效数据调用。
为了实现对卷包车间质量辅助决策支持，需要全面了解卷烟车间影响产品质量问题的所有因素，通过长期的统计分析，现卷烟车间产品质量问题类别主要包括物理指标相关的类别及外观缺陷相关的类别。
其中，烟支物理指标相关的类别至少包括烟支圆周类别、烟支长度类别、烟支质量类别或烟支吸阻类别中的一种或一种以上组合。
所述外观缺陷相关的类别至少包括条装类别、盒装类别或烟支类别中的一种或一种以上组合。
影响上述质量问题类别的主要质量因素包括生产过程实时状态因素、设备维修因素及辅料信息因素。
在本申请中，生产过程实时状态因素主要包括设备停机信息模式因素、产量信息模式因素、停机原因模式因素或设备有效作业率模式因素中的一种或一种以上组合，此方面具体需要采集哪些数据，根据实际的需要进行设定，但是，在生产过程实时状态因素的数据采集中，也可以包括实际生产时，其它方面影响到产品质量的生产过程实时状态的子因素的数据。
如图2所示，本申请提供一种卷包车间质量辅助决策的方法，包括：
获取第一设定时间段的质量异常数据集作为参考数列X0；第一设定时间越长，质量异常数据集通过机器学习训练为参考数列，质量异常数据积累越多，参考数列对应的质量问题类别的可能性越大，预测的准确率越高，在本实施例中，第一设定时间为1年，在本申请的其它实施例中，该第一设定时间可以为其它长度，如1个月-3年的范围等。
获取生产过程第二设定时间段数据集作为比较数列Xi；所述第二设定时间为0.2-12小时，通常情况下，第二设定时间不超过一个工班的时间，以便于对各工班之间的影响质量问题类别的质量模式因素的分析，以判断质量模式因素的来源，提高质量辅助决策的概率。
所述比较数列Xi为设定数量的质量模式因素数据的集合。
计算所述参考数列X0与较数列Xi之间的关联系数ξ(Xi)；
所述关联系数其中，i为自然数，ρ为分辨系数，介于0-1之间；Δmin为比较数列与参考数列的最小差；Δmax为比较数列与参考数列的最大差；Δ0i(k)为各比较数列Xi曲线上的每一个点与参考数列X0曲线上的每一个点的绝对差值；
计算每个所述比较数列与同一所述参考数列之间的关联系数排序比较，判断待识别质量问题的主要影响因素及影响程度，并判断，同一机台某一质量模式因素中，四个工班的关联度是否均高于设定值(即四个工班均较差或均低于考核值)，若是则，机械结构为导致相应的质量问题类别的主因。
若否则判断，同一机台某一质量模式因素中，是否仅有一个工班的关联度高于设定值(即某一质量问题类别，如烟支质量类别、烟支圆周类别、烟支长度类别中的一个在三个工班均较好，仅有一个工班较差)，若是则操作控制为导致相应的质量问题类别的主因。
若否则判断，同一机台各质量模式因素中，是否有一个工班的各质量模式因素的关联度均高于设定值(即各质量问题类别均存在问题)，若是则该工班整体素质为导致相应的质量问题类别的主因。
若否则判断，同一批次产品不同机台的相同质量模式因素中，关联度均高于设定值，但是在更换辅料后指标好转，若是则辅料为导致相应的质量问题类别的主因。
若否则判断，与各质量模式因素是否无明显关联度或设备维修，若是则未知原因为导致相应的质量问题类别的主因；若否则判断为特殊异常。
质量问题类别与各质量模式因素之间的关联程度是通过关联系数的大小次序描述，关联系数越大，关联度越大，将i个比较数列对同一个参考数列的关联系数按大小顺序排列起来，便组成了关联序，记为{x}，它反应了对于参考数列来说，各比较数列的优劣关系，若r0i>r0j，则称{xi}对于同一母序列{x0}优于{xj}，记为{xi}>{xj}；r0i表示第i个子序列对母数列特征值。
所述参考数列的获取方法，包括以下步骤：
获取历史烟草卷包车间影响质量问题类别；
依据各质量问题类别的特性，设定各质量问题类别所对应质量合格数据的阀值；
获取历史烟草卷包车间影响质量问题的质量因素，并设定所述质量因素所包括质量模式因素种类；
依据各质量模式因素的特性，设定各质量模式因素所对应质量模式数据的阀值；
获取用户第一设定时间段的原始数据，并依据所述质量问题类别确定相应的类别数据集；依据各质量模式因素确定相应的质量模式数据集；
提取类别数据集中的数据与相应的质量合格数据的阀值进行判断，若判断为否，则确定为该数据为类别异常数据，存入相应的异常数据集，并将第一设定时间段内的异常数据集依据时间顺序排为异常数据参考数列；
提取质量模式数据集中的数据与相应的质量模式数据的阀值进行判断，若判断为否，则确定为该数据为质量模式异常数据，存入相应的质量模式异常数据集，并将第一设定时间段内的质量模式异常数据集依据时间顺序排为质量异常数据参考数列；
在所述第一设定时间内，将同一时间的异常数据参考数列与所述质量异常数据参考数列匹配，得到所述参考数列。
所述质量问题类别至少包括烟支物理指标相关的类别和外观缺陷相关的类别；
所述烟支物理指标相关的类别至少包括烟支圆周类别、烟支长度类别、烟支质量类别或烟支吸阻类别中的一种或一种以上组合；
所述外观缺陷相关的类别至少包括条装类别、盒装类别或烟支类别中的一种或一种以上组合。
所述质量因素包括生产过程实时状态因素、设备维修因素或辅料信息因素的一种或一种以上组合。
所述生产过程实时状态因素至少包括设备停机信息模式因素、产量信息模式因素、停机原因模式因素或设备有效作业率模式因素中的一种或一种以上组合。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变形，本发明的范围由所附权利要求及其等同限定。
Claims (8)
1.一种卷包车间质量辅助决策的方法，其特征在于，
获取第一设定时间段的质量异常数据集作为参考数列；
获取生产过程第二设定时间段数据集作为比较数列；
计算所述参考数列与各比较数列之间的关联系数得到关联度；
确定质量模式因素，并根据各质量模式因素所对应的比较数列所得到的关联度进行排序，并判断，
同一机台某一质量模式因素中，设定数量的工班的关联度是否均高于设定值，若是则，机械结构为导致相应的质量问题类别的主因；
若否则判断，同一机台某一质量模式因素中，是否仅有一个工班的关联度高于设定值，若是则操作控制为导致相应的质量问题类别的主因；
若否则判断，同一机台各质量模式因素中，是否有一个工班的各质量模式因素的关联度均高于设定值，若是则该工班整体素质为导致相应的质量问题类别的主因；
若否则判断，同一批次产品不同机台的相同质量模式因素中，关联度均高于设定值，若是则辅料为导致相应的质量问题类别的主因；
若否则判断，与各质量模式因素是否无明显关联度或设备维修，若是则未知原因为导致相应的质量问题类别的主因；若否则判断为特殊异常。
2.根据权利要求1所述的卷包车间质量辅助决策的方法，其特征在于，所述关联系数其中，i为自然数，ρ为分辨系数，介于0-1之间；Δmin为比较数列与参考数列的最小差；Δmax为比较数列与参考数列的最大差；
Δ0i(k)为各比较数列Xi曲线上的每一个点与参考数列X0曲线上的每一个点的绝对差值。
3.根据权利要求1所述的卷包车间质量辅助决策的方法，其特征在于，所述参考数列的获取方法，包括以下步骤：
获取历史烟草卷包车间影响质量问题类别；
依据各质量问题类别的特性，设定各质量问题类别所对应质量合格数据的阀值；
获取历史烟草卷包车间影响质量问题的质量因素，并设定所述质量因素所包括质量模式因素种类；
依据各质量模式因素的特性，设定各质量模式因素所对应质量模式数据的阀值；
获取用户第一设定时间段的原始数据，并依据所述质量问题类别确定相应的类别数据集；依据各质量模式因素确定相应的质量模式数据集；
提取类别数据集中的数据与相应的质量合格数据的阀值进行判断，若判断为否，则确定为该数据为类别异常数据，存入相应的异常数据集，并将第一设定时间段内的异常数据集依据时间顺序排为异常数据参考数列；
提取质量模式数据集中的数据与相应的质量模式数据的阀值进行判断，若判断为否，则确定为该数据为质量模式异常数据，存入相应的质量模式异常数据集，并将第一设定时间段内的质量模式异常数据集依据时间顺序排为质量异常数据参考数列；
在所述第一设定时间内，将同一时间的异常数据参考数列与所述质量异常数据参考数列匹配，得互所述参考数列。
4.根据权利要求3所述的卷包车间质量辅助决策的方法，其特征在于，所述质量问题类别至少包括烟支物理指标相关的类别和外观缺陷相关的类别；
所述烟支物理指标相关的类别至少包括烟支圆周类别、烟支长度类别、烟支质量类别或烟支吸阻类别中的一种或一种以上组合；
所述外观缺陷相关的类别至少包括条装类别、盒装类别或烟支类别中的一种或一种以上组合。
5.根据权利要求3所述的卷包车间质量辅助决策的方法，其特征在于，所述质量因素包括生产过程实时状态因素、设备维修因素或辅料信息因素的一种或一种以上组合。
6.根据权利要求5所述的卷包车间质量辅助决策的方法，其特征在于，所述生产过程实时状态因素至少包括设备停机信息模式因素、产量信息模式因素、停机原因模式因素或设备有效作业率模式因素中的一种或一种以上组合。
7.根据权利要求1所述的卷包车间质量辅助决策的方法，其特征在于，所述第一设定时间为半年或半年以上；所述第二设定时间为0.2-12小时。
8.根据权利要求1所述的卷包车间质量辅助决策的方法，其特征在于，所述比较数列Xi为设定数量的质量模式因素数据的集合。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910315072.8A CN110163480B (zh) | 2019-04-18 | 2019-04-18 | 一种卷包车间质量辅助决策的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910315072.8A CN110163480B (zh) | 2019-04-18 | 2019-04-18 | 一种卷包车间质量辅助决策的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110163480A true CN110163480A (zh) | 2019-08-23 |
| CN110163480B CN110163480B (zh) | 2023-04-07 |
Family
ID=67639655
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910315072.8A Active CN110163480B (zh) | 2019-04-18 | 2019-04-18 | 一种卷包车间质量辅助决策的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110163480B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111612427A (zh) * | 2020-05-25 | 2020-09-01 | 青岛海大新星软件咨询有限公司 | 一种基于深度学习的烟支吸阻智能控制系统及其控制方法 |
| CN112641129A (zh) * | 2020-12-22 | 2021-04-13 | 红云红河烟草(集团)有限责任公司 | 一种利用烟支自动监测数据进行烟机故障预判断的方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1959571A (zh) * | 2006-11-22 | 2007-05-09 | 将军烟草集团有限公司 | 卷烟卷制质量稳定性检测方法 |
| CN101414183A (zh) * | 2008-12-03 | 2009-04-22 | 山东中烟工业公司 | 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 |
| CN104778378A (zh) * | 2015-05-05 | 2015-07-15 | 中国石油大学(华东) | 一种油气田产量递减影响因素分析方法 |
| CN105653871A (zh) * | 2016-01-06 | 2016-06-08 | 电子科技大学 | 基于相对熵和灰色关联度的符号化多质量特性分析方法 |
| CN107392488A (zh) * | 2017-07-31 | 2017-11-24 | 太原理工大学 | 基于灰色关联分析的煤泥滤饼水分影响因素评价方法 |
| US20180189798A1 (en) * | 2017-01-02 | 2018-07-05 | Environmental Protection Administration, Executive Yuan | Dynamic process screening method for a factory in operation |
| CN108647854A (zh) * | 2018-04-04 | 2018-10-12 | 中国电力科学研究院有限公司 | 一种确定电力传输网运行质量的方法和系统 |
| CN108647843A (zh) * | 2018-03-09 | 2018-10-12 | 国网浙江省电力有限公司 | 一种基于灰色关联分析的区域行业用电影响因素判断方法 |
| US20180348290A1 (en) * | 2017-06-05 | 2018-12-06 | Optimal Plus Ltd. | Method and system for data collection and analysis for semiconductor manufacturing |
| CN109222208A (zh) * | 2018-10-30 | 2019-01-18 | 杭州安脉盛智能技术有限公司 | 面向卷烟生产指标控制的制丝工艺分析优化方法及系统 |
| CN109558566A (zh) * | 2018-10-10 | 2019-04-02 | 乳源瑶族自治县东阳光化成箔有限公司 | 一种基于灰色关联矩阵法的低压化成箔生产工艺参数敏感性分析方法 |
-
2019
- 2019-04-18 CN CN201910315072.8A patent/CN110163480B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1959571A (zh) * | 2006-11-22 | 2007-05-09 | 将军烟草集团有限公司 | 卷烟卷制质量稳定性检测方法 |
| CN101414183A (zh) * | 2008-12-03 | 2009-04-22 | 山东中烟工业公司 | 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 |
| CN104778378A (zh) * | 2015-05-05 | 2015-07-15 | 中国石油大学(华东) | 一种油气田产量递减影响因素分析方法 |
| CN105653871A (zh) * | 2016-01-06 | 2016-06-08 | 电子科技大学 | 基于相对熵和灰色关联度的符号化多质量特性分析方法 |
| US20180189798A1 (en) * | 2017-01-02 | 2018-07-05 | Environmental Protection Administration, Executive Yuan | Dynamic process screening method for a factory in operation |
| US20180348290A1 (en) * | 2017-06-05 | 2018-12-06 | Optimal Plus Ltd. | Method and system for data collection and analysis for semiconductor manufacturing |
| CN107392488A (zh) * | 2017-07-31 | 2017-11-24 | 太原理工大学 | 基于灰色关联分析的煤泥滤饼水分影响因素评价方法 |
| CN108647843A (zh) * | 2018-03-09 | 2018-10-12 | 国网浙江省电力有限公司 | 一种基于灰色关联分析的区域行业用电影响因素判断方法 |
| CN108647854A (zh) * | 2018-04-04 | 2018-10-12 | 中国电力科学研究院有限公司 | 一种确定电力传输网运行质量的方法和系统 |
| CN109558566A (zh) * | 2018-10-10 | 2019-04-02 | 乳源瑶族自治县东阳光化成箔有限公司 | 一种基于灰色关联矩阵法的低压化成箔生产工艺参数敏感性分析方法 |
| CN109222208A (zh) * | 2018-10-30 | 2019-01-18 | 杭州安脉盛智能技术有限公司 | 面向卷烟生产指标控制的制丝工艺分析优化方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 梁涛，金立平: "水平井产能参数影响程度排序方法", 《钻采工艺》, vol. 34, no. 02, 25 March 2011 (2011-03-25), pages 49 - 52 * |
| 贾鑫: "防差错管理在卷包过程工艺质量控制中的应用", 《中国包装工业》, no. 11, 20 June 2015 (2015-06-20), pages 83 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111612427A (zh) * | 2020-05-25 | 2020-09-01 | 青岛海大新星软件咨询有限公司 | 一种基于深度学习的烟支吸阻智能控制系统及其控制方法 |
| CN111612427B (zh) * | 2020-05-25 | 2023-07-11 | 青岛海大新星软件咨询有限公司 | 一种基于深度学习的烟支吸阻智能控制系统及其控制方法 |
| CN112641129A (zh) * | 2020-12-22 | 2021-04-13 | 红云红河烟草(集团)有限责任公司 | 一种利用烟支自动监测数据进行烟机故障预判断的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110163480B (zh) | 2023-04-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106649789B (zh) | 一种基于集成半监督费舍尔判别的工业过程故障分类方法 | |
| CN106404441B (zh) | 一种基于非线性相似度指标的故障分类诊断方法 | |
| CN107111311A (zh) | 利用稀疏编码方法的燃气涡轮机传感器故障检测 | |
| CN103488561B (zh) | 一种在线升级主样本模型的kNN故障检测方法 | |
| CN101738991A (zh) | 检测产品品质超规与评估产品实际测量值的方法 | |
| CN107146035A (zh) | 针织服装大货生产中批量系数的计算方法 | |
| CN110163480A (zh) | 一种卷包车间质量辅助决策的方法 | |
| CN111103854A (zh) | 一种用于提升烟草烘丝机生产稳定性的系统及方法 | |
| CN110163479A (zh) | 一种烟草卷包车间质量异常问题主因模型的建立方法 | |
| CN105334185A (zh) | 基于光谱投影判别的近红外模型维护方法 | |
| CN111949939A (zh) | 基于改进topsis和聚类分析的智能电表运行状态评价方法 | |
| CN111667156B (zh) | 一种多点生产的卷烟物理质量一致性评价的方法 | |
| CN110188984A (zh) | 一种烟草卷包车间异常质量数据模型的建立方法 | |
| CN110175166A (zh) | 一种烟草卷包车间质量异常的确认方法 | |
| CN105045220B (zh) | 一种用于实验室诊断领域或工业生产领域的基于多变量z分数质量控制图的质量控制方法 | |
| CN111642782A (zh) | 一种基于卷烟配方需求的烟叶原料功效定位方法 | |
| CN117556366B (zh) | 基于数据筛选的数据异常检测系统及方法 | |
| CN109614758A (zh) | 具有空间相关性的圆形形状误差的监控方法 | |
| CN113780852B (zh) | 一种板带轧制过程质量缺陷的诊断方法 | |
| CN115985411A (zh) | 基于高斯过程回归模型的高分子熔融指数软测量方法 | |
| CN108229541B (zh) | 一种基于k最近邻算法的岸桥中拉杆应力数据分类方法 | |
| CN114048320B (zh) | 一种基于课程学习的多标签国际疾病分类训练方法 | |
| CN109933031A (zh) | 一种根据化验数据自动校正软测量仪表的系统及方法 | |
| CN105787507A (zh) | 基于预算支持向量集的LS-SVMs在线学习方法 | |
| CN115828114A (zh) | 一种铝型材挤压机能耗异常检测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |