CN112132316A - 制丝环节在线设备异常监控系统及方法 - Google Patents
制丝环节在线设备异常监控系统及方法 Download PDFInfo
- Publication number
- CN112132316A CN112132316A CN202010835793.4A CN202010835793A CN112132316A CN 112132316 A CN112132316 A CN 112132316A CN 202010835793 A CN202010835793 A CN 202010835793A CN 112132316 A CN112132316 A CN 112132316A
- Authority
- CN
- China
- Prior art keywords
- production
- key
- parameters
- key parameter
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 85
- 230000005856 abnormality Effects 0.000 title claims abstract description 37
- 238000012544 monitoring process Methods 0.000 title claims abstract description 37
- 238000004519 manufacturing process Methods 0.000 claims abstract description 95
- 230000008569 process Effects 0.000 claims abstract description 52
- 230000002159 abnormal effect Effects 0.000 claims abstract description 25
- 238000013528 artificial neural network Methods 0.000 claims abstract description 17
- 241000208125 Nicotiana Species 0.000 claims description 26
- 235000002637 Nicotiana tabacum Nutrition 0.000 claims description 26
- 210000002569 neuron Anatomy 0.000 claims description 24
- 238000012216 screening Methods 0.000 claims description 19
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 18
- 238000001035 drying Methods 0.000 claims description 12
- 230000003750 conditioning effect Effects 0.000 claims description 10
- 238000007726 management method Methods 0.000 claims description 10
- 230000005284 excitation Effects 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000010438 heat treatment Methods 0.000 claims description 2
- 239000007788 liquid Substances 0.000 claims description 2
- 239000000463 material Substances 0.000 claims description 2
- 230000035699 permeability Effects 0.000 claims description 2
- 238000003860 storage Methods 0.000 claims description 2
- 238000009692 water atomization Methods 0.000 claims description 2
- 238000005086 pumping Methods 0.000 claims 2
- 230000006872 improvement Effects 0.000 description 8
- 238000010276 construction Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 235000019504 cigarettes Nutrition 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000010223 real-time analysis Methods 0.000 description 2
- 238000009987 spinning Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 244000061176 Nicotiana tabacum Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000265 homogenisation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007427 paired t-test Methods 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000012958 reprocessing Methods 0.000 description 1
Images
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- General Factory Administration (AREA)
Abstract
本发明公开了制丝环节在线设备异常监控系统及方法，所述系统包括信息管理系统及与信息管理系统通信连接的参数筛选单元、状态预测单元、异常监控单元及异常排查单元。本发明采用神经网络算法，以各工序关键参数为输出因素，以其它生产参数为输入因素，分阶段建立关键参数预测模型，对相应工序的生产状态进行预测其根据关键参数预测模型的预测值，将预测值与对应关键参数的标准值进行对比：当该关键参数的预测值与标准值偏差＜10％时，判定系统设备正常运行；当该关键参数的预测值与标准值偏差≥10％。本发明可对设备异常状态作出提前感知，为提前介入提供依据，从而可以有效避免因设备异常没有及时发现导致不合格品的问题。
Description
技术领域
本发明涉及烟草行业，具体涉及制丝工艺的设备运行状态监测领域，尤其涉及一种制丝环节在线设备异常监控系统及方法。
背景技术
在烟草生产过程中，制丝生产过程是非常重要的一个环节，它是根据烟叶原料的理化特性，按照一定的程序逐步经过多种加工工序，把烟叶制成合格烟丝的过程。在卷烟生产过程中，制丝的工艺流程最长、工序最繁杂、设备种类也最多。现有的制丝车间生产作业为流水线式，其包含的生产设备有真空回潮机、松散回潮机、暂存柜、加料回潮机、热风润叶机、切丝机、薄板烘丝机等。
上述烟草制丝环节的生产设备为串联式结构，其重点生产工序设备由辅连设备串联，所以其设备异常对整线生产制造影响极大。
目前，国内各大烟草企业的生产计划和调度仍由操作员凭借经验手工完成，上述的各设备均由人工或半自动化操作，使得产品批次间质量差异较大，不利于产品的同质化。即制丝环节存在着大量的人工协调和资源平衡问题，有限的人力难以保证协调和平衡的准确性，设备的异常和生产的停顿将大大影响企业的生产质量，因此对烟草制丝过程的智能化控制将对企业的生产成本和经济效益产生较大影响。
公开号为CN111103854A的发明申请公开了一种用于提升烟草烘丝机生产稳定性的系统及方法，属于烟草制丝生产技术领域。该系统包括数据采集模块、数据处理模块、稳定性评价模块、预警与优化模块、稳态实时分析评价模块、非稳态自动控制判定模块、非稳态实时分析评价模块等结构。本发明以工业大数据、人工智能等新一代信息技术为支撑，减少非稳态时间并提高稳态控制质量，进而有效地提升烘丝机整个生产过程的质量稳定性。
公开号为CN111026031A的发明申请公开了一种卷烟制丝过程数据的稳态识别方法，采集制丝生产线即时的数据，在实时传输过程中，或离线传输数据后进行数据类型的识别，分别进行料头数据、停机断料型数据、采集异常数据、突变数据、中间波动数据、多稳态型数据，还涉及料尾数据及对停机断料型数据的细分，并分别形成各自数据集，进行分别储存，既有利于对后期数据分析的利用，又便于对相应数据的再处理，以提高数据利用的精准性。
上述专利文献无法实现设备异常的预测、预警等，且工艺控制参数之间互动性关联性差，无法从根源避免制丝环节生产设备因生产异常而产生不合格品的问题。
发明内容
为克服上述现有技术中的不足，本申请提供了一种制丝环节在线设备异常监控系统及方法。
本发明可对设备异常状态作出提前感知，为提前介入提供依据，从而可以有效避免因设备异常没有及时发现导致不合格品的问题。
本发明解决其技术问题所采用的技术方案为：
制丝环节在线设备异常监控系统，包括信息管理系统，其内存储有历史生产数据，历史生产数据包括生产参数、关键参数及历史预测数据、历史实测数据，所述系统还包括与信息管理系统通信连接的
参数筛选单元，其依照制丝环节工序，分阶段对各工序工艺标准所要求的生产参数进行筛选，并确定各工序关键参数；
状态预测单元，其采用神经网络算法，以各工序关键参数为输出因素，以其它生产参数为输入因素，分阶段建立关键参数预测模型，对相应工序的生产状态进行预测；
异常监控单元，其根据关键参数预测模型的预测值，将预测值与对应关键参数的标准值进行对比：当该关键参数的预测值与标准值偏差＜10％时，判定系统设备正常运行；当该关键参数的预测值与标准值偏差≥10％时，判定系统设备异常，进行预警提示；
异常排查单元，其内构建有各工序关键参数异常问题库，当判定系统设备异常时，所述异常排查单元将该时每一个关键参数与标准值进行核对，并将偏差≥10％的关键参数进行陈列，结合关键参数异常问题库对异常原因作出分析。
作为上述技术方案的改进，所述参数筛选单元依照制丝环节工序将制丝流水线分为：真空回潮工段、松散回潮工段、加料回潮工段、薄板烘丝工段，并分阶段对其生产参数进行筛选。
作为上述技术方案的改进，所述真空回潮工段生产参数包括出口含水率、出口温度、回透率、抽真空度、转蒸汽停止点、保压时间、回抽停止点真空度、转换水停止点真空度，其中关键参数为出口含水率、出口温度；
所述松散回潮工段生产参数包括出口含水率、出口温度、再造烟叶流量、滚筒转速、热风风机生产值、加温湿蒸汽压力、水雾化蒸汽压力、循环风温、排潮风门开度、新风风门开度，其中关键参数为出口含水率、出口温度；
所述加料回潮工段生产参数包括出口含水率、出口温度、循环风温、排潮开度、料液温度、加料比例、加料精度、流量、滚筒转速，其中关键参数为出口含水率、出口温度；
所述薄板烘丝工段生产参数包括HT入口含水率、HT出口温度、减压阀后蒸汽压力、HT蒸汽压力、流量、筒壁温度、热风温度、排潮开度、薄板出口温度、薄板出口含水率、热风风机频率，其中关键参数为HT入口含水率、HT出口温度。
作为上述技术方案的改进，所述真空回潮工段关键参数预测模型为三层人工神经网络模型，其具有输入层神经元个数6个、输出层神经元个数2个、隐含层神经元个数3个，激发函数：双曲正切。
作为上述技术方案的改进，所述松散回潮工段关键参数预测模型为四层人工神经网络模型，其具有输入层神经元个数8个、输出层神经元个数2个、隐含层神经元个数2个，激发函数：双曲正切。
作为上述技术方案的改进，所述加料回潮工段关键参数预测模型为三层人工神经网络模型，其具有输入层神经元个数7个、输出层神经元个数1个、隐含层神经元个数3个，激发函数：双曲正切。
作为上述技术方案的改进，所述薄板烘丝工段关键参数预测模型为三层人工神经网络模型，其具有输入层神经元个数9个、输出层神经元个数2个、隐含层神经元个数4个，激发函数：双曲正切。
本发明同时提供了一种制丝环节在线设备异常监控方法，所述方法应用于上述任一项所述的制丝环节在线设备异常监控系统，其包括以下步骤：
步骤一，数据采集
数据来源：制丝流水线信息管理系统中各工序历史生产数据；
步骤二，参数筛选
依照制丝环节工序，分阶段对各工序工艺标准所要求的生产参数进行筛选，并确定各工序关键参数；
步骤三，预测模型建立
采用神经网络算法，以各工序关键参数为输出因素，以除关键参数外的其它生产参数为输入因素，分阶段建立关键参数预测模型，对相应工序的生产状态进行预测；
步骤四，异常监控
根据各工序关键参数预测模型的预测值，将预测值与对应关键参数的标准值进行对比：当该关键参数的预测值与标准值偏差＜10％时，判定系统设备正常运行；当该关键参数的预测值与标准值偏差≥10％时，判定系统设备异常，进行预警提示；
步骤五，异常排查
当判定系统设备异常时，所述异常排查单元将该时每一个关键参数与工艺标准值进行核对，并将偏差≥10％的关键参数进行陈列；
结合关键参数异常问题库对异常原因作出分析。
作为上述技术方案的改进，所述方法包括步骤六，数据分析
将当前时段预测数据汇总成预测曲线，用于生产趋势监控；
将历史预测数据与实际参数数据汇总成数据曲线，并在需要查询相应批次时进行直接查阅。
作为上述技术方案的改进，所述步骤四中：
根据各工序关键参数预测模型的预测值，将预测值与对应关键参数的标准值进行对比时，结合历史生产数据对关键参数标准值进行修偏，用以消除温湿度、季节影响所带来的预测误差。
本发明带来的有益效果有：
本发明以制丝工艺生产参数为依据，通过分阶段建立的关键参数预测模型对各工序的关键参数进行预测，通过将预测值与标准值进行实时对比，从而实现对设备运行状态的实时监测，并可对设备生产异常状态作出提前感知，为提前介入提供依据，从而可以有效避免因设备异常没有及时发现导致不合格品的问题。
附图说明
下面结合附图及具体实施例对本发明作进一步说明，
附图1是本发明的系统模块框图；
附图2是本发明的在线设备异常监控流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明中，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接；可以是机械连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1，本实施例为制丝环节在线设备异常监控系统，包括信息管理系统，其内存储有历史生产数据，历史生产数据包括生产参数、关键参数及历史预测数据、历史实测数据，本系统还包括与信息管理系统通信连接的
参数筛选单元，其依照制丝环节工序，分阶段对各工序工艺标准所要求的生产参数进行筛选，并确定各工序关键参数；
状态预测单元，其采用神经网络算法，以各工序关键参数为输出因素，以其它生产参数为输入因素，分阶段建立关键参数预测模型，对相应工序的生产状态进行预测；
异常监控单元，其根据关键参数预测模型的预测值，将预测值与对应关键参数的标准值进行对比：当该关键参数的预测值与标准值偏差＜10％时，判定系统设备正常运行；当该关键参数的预测值与标准值偏差≥10％时，判定系统设备异常，进行预警提示；
异常排查单元，其内构建有各工序关键参数异常问题库，当判定系统设备异常时，所述异常排查单元将该时每一个关键参数与标准值进行核对，并将偏差≥10％的关键参数进行陈列，结合关键参数异常问题库对异常原因作出分析。
进一步地，参数筛选单元依照制丝环节工序将制丝流水线分为：真空回潮工段、松散回潮工段、加料回潮工段、薄板烘丝工段，并分阶段对其生产参数进行筛选。
生产参数在筛选时选择工艺标准所要求的参数，因其有明确的参数要求，筛选后的各工序生产参数见表1：
表1 各工序生产参数筛选统计表
其中：
真空回潮工段关键参数为出口含水率、出口温度；
松散回潮工段关键参数为出口含水率、出口温度；
加料回潮工段关键参数为出口含水率、出口温度；
薄板烘丝工段关键参数为HT入口含水率、HT出口温度。
各工序关键参数预测模型的构建过程：
模型的选择——
本实施例针对各工序的关键参数分别采用线性模型(线性回归方程)与非线性模型(人工神经网络模型)进行结果预测，并采用配对t检验进行两种预测模型精度的计算，预测精度见表2：
表2 线性模型与非线性模型预测精度对比表
基于上述测试结果，本实施例选用非线性预测模型进行模型构建。
模型架构的选择——
各工序人工神经网络模型的输出因素，即目标因素为筛选所确定的关键参数，输入因素为其它生产参数。
本实施例对预测模型的不同架构进行了对比，结果见表3：
表3 预测模型不同架构预测精度对比表
| 三层 | 四层 | 五层 | |
| 真空回潮工段 | 0.14％ | 0.22％ | 0.24％ |
| 松散回潮工段 | 0.21％ | 0.20％ | 0.24％ |
| 加料回潮工段 | 0.10％ | 0.20％ | 0.33％ |
| 薄板烘丝工段 | 0.05％ | 0.10％ | 0.15％ |
基于上述测试结果，选取精度高的模型架构作为对应工序的预测模型：
即，真空回潮工段选择模型为三层结构，松散回潮工段选择模型为四层结构，加料回潮工段选择模型为三层结构，薄板烘丝工段选择模型为三层结构。
各工段关键参数预测模型的构建参见表4：
表4 各工段关键参数预测模型的构建
实施例2
参照图2，本实施例为一种制丝环节在线设备异常监控方法，所述方法应用于实施例1所述的制丝环节在线设备异常监控系统，其包括以下步骤：
步骤一，数据采集
数据来源：制丝流水线信息管理系统中各工序历史生产数据；
步骤二，参数筛选
依照制丝环节工序，分阶段对各工序工艺标准所要求的生产参数进行筛选，并确定各工序关键参数；
步骤三，预测模型建立
采用神经网络算法，以各工序关键参数为输出因素，以除目标关键参数外的其它生产参数为输入因素，按工序分阶段建立关键参数预测模型，结合历史生产数据及已知生产参数，对相应工序的关键参数及设备生产状态进行预测；
步骤四，异常监控
根据各工序关键参数预测模型的预测值，将预测值与对应关键参数的标准值进行对比：当该关键参数的预测值与标准值偏差＜10％时，判定系统设备正常运行；当该关键参数的预测值与标准值偏差≥10％时，判定系统设备异常，进行预警提示；
步骤五，异常排查
当判定系统设备异常时，异常排查单元将该时每一个关键参数与该参数工艺标准值进行核对，并将偏差≥10％的关键参数进行陈列；
结合关键参数异常问题库对异常原因作出分析；
步骤六，数据分析
将当前时段预测数据汇总成预测曲线，用于生产趋势监控；
将历史预测数据与实际参数数据汇总成数据曲线，并在需要查询相应批次时进行直接查阅；
其中实际参数数据为通过监测传感器，如水分仪、温度传感器、流量计等取得的实测数据。
可选的，步骤四中：
根据各工序关键参数预测模型的预测值，将预测值与对应关键参数的标准值进行对比时，结合历史生产数据对关键参数标准值进行修偏，用以消除温湿度、季节影响所带来的预测误差。
如，对某一关键参数按照季节/月份的不同进行历史生产数据的统计与分析，并取得当前季节该关键参数的历史生产数据均值，通过该历史生产数据均值对关键参数标准值进行修偏(取二者均值，当偏差较小时以历史生产数据均值为主)，再基于修偏值对关键参数预测值进行对比及设备异常监控。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.制丝环节在线设备异常监控系统，包括信息管理系统，其内存储有历史生产数据，历史生产数据包括生产参数、关键参数及历史预测数据、历史实测数据，其特征在于：所述系统还包括与信息管理系统通信连接的
参数筛选单元，其依照制丝环节工序，分阶段对各工序工艺标准所要求的生产参数进行筛选，并确定各工序关键参数；
状态预测单元，其采用神经网络算法，以各工序关键参数为输出因素，以其它生产参数为输入因素，分阶段建立关键参数预测模型，对相应工序的生产状态进行预测；
异常监控单元，其根据关键参数预测模型的预测值，将预测值与对应关键参数的标准值进行对比：当该关键参数的预测值与标准值偏差＜10％时，判定系统设备正常运行；当该关键参数的预测值与标准值偏差≥10％时，判定系统设备异常，进行预警提示；
异常排查单元，其内构建有各工序关键参数异常问题库，当判定系统设备异常时，所述异常排查单元将该时每一个关键参数与标准值进行核对，并将偏差≥10％的关键参数进行陈列，结合关键参数异常问题库对异常原因作出分析。
2.根据权利要求1所述的制丝环节在线设备异常监控系统，其特征在于：所述参数筛选单元依照制丝环节工序将制丝流水线分为：真空回潮工段、松散回潮工段、加料回潮工段、薄板烘丝工段，并分阶段对其生产参数进行筛选。
3.根据权利要求2所述的制丝环节在线设备异常监控系统，其特征在于：所述真空回潮工段生产参数包括出口含水率、出口温度、回透率、抽真空度、转蒸汽停止点、保压时间、回抽停止点真空度、转换水停止点真空度，其中关键参数为出口含水率、出口温度；
所述松散回潮工段生产参数包括出口含水率、出口温度、再造烟叶流量、滚筒转速、热风风机生产值、加温湿蒸汽压力、水雾化蒸汽压力、循环风温、排潮风门开度、新风风门开度，其中关键参数为出口含水率、出口温度；
所述加料回潮工段生产参数包括出口含水率、出口温度、循环风温、排潮开度、料液温度、加料比例、加料精度、流量、滚筒转速，其中关键参数为出口含水率、出口温度；
所述薄板烘丝工段生产参数包括HT入口含水率、HT出口温度、减压阀后蒸汽压力、HT蒸汽压力、流量、筒壁温度、热风温度、排潮开度、薄板出口温度、薄板出口含水率、热风风机频率，其中关键参数为HT入口含水率、HT出口温度。
4.根据权利要求3所述的制丝环节在线设备异常监控系统，其特征在于：所述真空回潮工段关键参数预测模型为三层人工神经网络模型，其具有输入层神经元个数6个、输出层神经元个数2个、隐含层神经元个数3个，激发函数：双曲正切。
5.根据权利要求3所述的制丝环节在线设备异常监控系统，其特征在于：所述松散回潮工段关键参数预测模型为四层人工神经网络模型，其具有输入层神经元个数8个、输出层神经元个数2个、隐含层神经元个数2个，激发函数：双曲正切。
6.根据权利要求3所述的制丝环节在线设备异常监控系统，其特征在于：所述加料回潮工段关键参数预测模型为三层人工神经网络模型，其具有输入层神经元个数7个、输出层神经元个数1个、隐含层神经元个数3个，激发函数：双曲正切。
7.根据权利要求3所述的制丝环节在线设备异常监控系统，其特征在于：所述薄板烘丝工段关键参数预测模型为三层人工神经网络模型，其具有输入层神经元个数9个、输出层神经元个数2个、隐含层神经元个数4个，激发函数：双曲正切。
8.制丝环节在线设备异常监控方法，其特征在于：所述方法应用于权利要求1～7任一项所述的制丝环节在线设备异常监控系统，其包括以下步骤：
步骤一，数据采集
数据来源：制丝流水线信息管理系统中各工序历史生产数据；
步骤二，参数筛选
依照制丝环节工序，分阶段对各工序工艺标准所要求的生产参数进行筛选，并确定各工序关键参数；
步骤三，预测模型建立
采用神经网络算法，以各工序关键参数为输出因素，以除关键参数外的其它生产参数为输入因素，分阶段建立关键参数预测模型，对相应工序的生产状态进行预测；
步骤四，异常监控
根据各工序关键参数预测模型的预测值，将预测值与对应关键参数的标准值进行对比：当该关键参数的预测值与标准值偏差＜10％时，判定系统设备正常运行；当该关键参数的预测值与标准值偏差≥10％时，判定系统设备异常，进行预警提示；
步骤五，异常排查
当判定系统设备异常时，所述异常排查单元将该时每一个关键参数与工艺标准值进行核对，并将偏差≥10％的关键参数进行陈列；
结合关键参数异常问题库对异常原因作出分析。
9.根据权利要求8所述的制丝环节在线设备异常监控方法，其特征在于：所述方法包括步骤六，数据分析
将当前时段预测数据汇总成预测曲线，用于生产趋势监控；
将历史预测数据与实际参数数据汇总成数据曲线，并在需要查询相应批次时进行直接查阅。
10.根据权利要求8所述的制丝环节在线设备异常监控方法，其特征在于：所述步骤四中：
根据各工序关键参数预测模型的预测值，将预测值与对应关键参数的标准值进行对比时，结合历史生产数据对关键参数标准值进行修偏。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010835793.4A CN112132316A (zh) | 2020-08-19 | 2020-08-19 | 制丝环节在线设备异常监控系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010835793.4A CN112132316A (zh) | 2020-08-19 | 2020-08-19 | 制丝环节在线设备异常监控系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112132316A true CN112132316A (zh) | 2020-12-25 |
Family
ID=73851777
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010835793.4A Withdrawn CN112132316A (zh) | 2020-08-19 | 2020-08-19 | 制丝环节在线设备异常监控系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112132316A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113040412A (zh) * | 2021-03-15 | 2021-06-29 | 红塔烟草(集团)有限责任公司 | 一种滚筒气流烘丝机智能控制方法和装置 |
| CN114271523A (zh) * | 2021-12-30 | 2022-04-05 | 贵州中烟工业有限责任公司 | 一种制丝系统 |
| CN115167552A (zh) * | 2022-06-28 | 2022-10-11 | 张家口卷烟厂有限责任公司 | 基于响应曲面法优化加料循环风温的自动控制方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108562854A (zh) * | 2018-04-08 | 2018-09-21 | 华中科技大学 | 一种电机异常状态在线预警方法 |
| CN108596229A (zh) * | 2018-04-13 | 2018-09-28 | 北京华电智慧科技产业有限公司 | 在线异常的监测诊断方法和系统 |
| CN108720069A (zh) * | 2018-06-20 | 2018-11-02 | 福建中烟工业有限责任公司 | 干燥烟丝的方法及预测出口烟丝含水率的装置 |
| CN111090939A (zh) * | 2019-12-17 | 2020-05-01 | 上海汉中诺软件科技有限公司 | 石化装置异常工况的预警方法和系统 |
| CN111184246A (zh) * | 2018-11-14 | 2020-05-22 | 厦门邑通软件科技有限公司 | 一种控制烘丝入口含水率的方法和系统 |
| CN111275331A (zh) * | 2020-01-20 | 2020-06-12 | 张家口卷烟厂有限责任公司 | 一种生产系统的监控方法和装置 |
-
2020
- 2020-08-19 CN CN202010835793.4A patent/CN112132316A/zh not_active Withdrawn
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108562854A (zh) * | 2018-04-08 | 2018-09-21 | 华中科技大学 | 一种电机异常状态在线预警方法 |
| CN108596229A (zh) * | 2018-04-13 | 2018-09-28 | 北京华电智慧科技产业有限公司 | 在线异常的监测诊断方法和系统 |
| CN108720069A (zh) * | 2018-06-20 | 2018-11-02 | 福建中烟工业有限责任公司 | 干燥烟丝的方法及预测出口烟丝含水率的装置 |
| CN111184246A (zh) * | 2018-11-14 | 2020-05-22 | 厦门邑通软件科技有限公司 | 一种控制烘丝入口含水率的方法和系统 |
| CN111090939A (zh) * | 2019-12-17 | 2020-05-01 | 上海汉中诺软件科技有限公司 | 石化装置异常工况的预警方法和系统 |
| CN111275331A (zh) * | 2020-01-20 | 2020-06-12 | 张家口卷烟厂有限责任公司 | 一种生产系统的监控方法和装置 |
Non-Patent Citations (2)
| Title |
|---|
| 张辉: "大数据技术在烘丝出口水分预测与控制中的应用", 《通讯世界》 * |
| 钟文焱 等: "基于多因素分析的烘丝机入口含水率预测模型的建立与应用", 《烟草科技》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113040412A (zh) * | 2021-03-15 | 2021-06-29 | 红塔烟草(集团)有限责任公司 | 一种滚筒气流烘丝机智能控制方法和装置 |
| CN114271523A (zh) * | 2021-12-30 | 2022-04-05 | 贵州中烟工业有限责任公司 | 一种制丝系统 |
| CN115167552A (zh) * | 2022-06-28 | 2022-10-11 | 张家口卷烟厂有限责任公司 | 基于响应曲面法优化加料循环风温的自动控制方法 |
| CN115167552B (zh) * | 2022-06-28 | 2023-09-26 | 张家口卷烟厂有限责任公司 | 基于响应曲面法优化加料循环风温的自动控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112132316A (zh) | 制丝环节在线设备异常监控系统及方法 | |
| CN112021626B (zh) | 烟用制丝环节智能化控制系统及方法 | |
| CN112021641B (zh) | 烟用制丝环节在线水分仪校验系统 | |
| AU2021102749A4 (en) | Intelligent control system and method of thin plate drier for cut tobacco | |
| CN112034095B (zh) | 在线烘后烟丝结构分析系统及方法 | |
| CN113017132A (zh) | 一种基于烘丝机工艺参数预测的烟丝质量优化的方法 | |
| CN111144667A (zh) | 一种基于梯度提升树的烟草回潮机出料含水率预测方法 | |
| CN112327960B (zh) | 松散回潮设备智能控制系统 | |
| CN104573850A (zh) | 一种火电厂设备状态评估方法 | |
| CN110097209A (zh) | 一种基于参数残差的设备劣化分析方法 | |
| CN112273696B (zh) | 切丝后水分控制方法、装置以及设备 | |
| CN112529320A (zh) | 空压机集群智能诊断系统 | |
| CN115789856A (zh) | 一种用于通风设备的在线监测控制系统 | |
| Zhang et al. | An intelligent digital twin system for paper manufacturing in the paper industry | |
| CN105242660A (zh) | 基于相对变化分析的多模态卷烟制叶丝过程在线监测与故障诊断方法 | |
| CN112099393A (zh) | 烟机设备运行监控及异常判定系统及方法 | |
| TW202100900A (zh) | 液態氣體充填之智能化學習機制與自適應調節系統 | |
| CN115099457A (zh) | 烟丝结构在线预测分析系统 | |
| CN112884212A (zh) | 烟支单支克重偏差分析预测方法 | |
| CN114510098B (zh) | 一种生产环境调控方法与系统 | |
| CN111275331A (zh) | 一种生产系统的监控方法和装置 | |
| CN110889495A (zh) | 一种基于能动参数的制丝设备状态维护分析方法 | |
| CN108158028A (zh) | 基于分块分层思想的卷烟制叶丝过程多阶段分布式监测与诊断方法 | |
| CN116757354A (zh) | 一种基于多层感知机的烟叶复烤段关键参数筛选方法 | |
| CN116205622A (zh) | 烟机设备智能故障预警与维修决策方法 |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20201225 |
|
| WW01 | Invention patent application withdrawn after publication |