CN112469649B - 用于在卷绕成卷的薄产品的中间处理步骤期间预测产品缺陷的存在的方法 - Google Patents

Abstract

一种用于在卷绕成卷的薄产品的中间处理步骤期间预测产品缺陷的存在的方法，该方法提供了‑接收已被指派唯一标识码的薄产品的卷，所述唯一标识码存储在数据库系统中，数据库系统包含与所述唯一标识码相关联的在所述中间处理步骤上游卷绕成所述卷的所述薄产品的生产步骤中检测到的工艺和/或产品参数，‑访问所述数据库系统，‑将所述数据库系统中包含的与所述卷的唯一标识码相关联的工艺和/或产品参数中的一个或多个输入预测模型中，该预测模型使用根据与从所述中间处理步骤输出的工艺和/或产品参数相关的历史值以及与在所述中间处理步骤上游的所述卷的生产步骤中检测到的相同卷的工艺和/或产品参数相关的历史值借助于机器学习逻辑创建的相关性，以便预测从所述中间处理步骤输出的产品参数，‑将所述上述产品参数与相应的预定义的极限值进行比较，‑基于所述比较的结果生成薄产品缺陷的预测诊断信息。

Description

用于在卷绕成卷的薄产品的中间处理步骤期间预测产品缺陷 的存在的方法

技术领域

本发明涉及将要卷绕成卷的连续薄或网状产品的生产领域，诸如基于纸的产品、纸、纸巾、无纺布、膜、多种材料和类似产品。

更特别地，本发明涉及一种用于在卷绕成卷的薄产品的中间处理步骤期间预测产品缺陷的存在的方法。

另外，本发明还涉及使用所述方法的用于卷绕成卷的薄产品的生产设备。

背景技术

在许多工业领域，要求通过借助于卷绕或再次卷绕器解绕这些主卷并再次卷绕成具有不同尺寸特点的卷的处理，将例如被卷绕在圆柱芯上而制成的被称为主卷的网状材料的卷转换成不同尺寸的卷。如此获得的较小的成品子卷被用作半成品，以馈送到其它制品的生产线(称为转换线)。

一些生产主卷的设施只能生产主卷，然后将这些卷发送给客户以进行后续转换，例如，包括通过再次卷绕器将其分成子卷以进行进一步处理，或者可以在内部产生子卷然后将这些子卷发送给最终客户以生产成品。卷或子卷在发送前先进行包装，以保护产品。

在生产卷、子卷和最终产品期间，会出现可能导致最终产品质量失效或产生生产问题的产品缺陷。

通常，术语“缺陷”是指材料中的孔、缺口边缘、深色污渍、水、油迹、材料变稠、异物的存在。

以考虑到卷的生产步骤期间所需的质量等级的严重性的程度对这些缺陷进行评估和分类。一般而言，这些缺陷的存在是不能容忍的，并且在后续的生产步骤中采取措施消除它们。

缺陷的消除一般会造成两个问题。一方面，不可避免地会损失包含缺陷的产品的部分，而另一方面，常常必须大大减慢生产处理甚至停止生产处理以消除缺陷。

发明内容

本发明的目的是解决与在将要卷绕成卷的连续的薄的或网状的产品(诸如纸产品、纸、纸巾、无纺布、膜、多种材料和类似产品)的制造时的产品缺陷的生成相关的问题。

在这个目标内，本发明的重要目的是开发一种方法，该方法能够在卷绕成卷的薄产品的处理步骤期间预测产品缺陷的存在，从而能够优化生产、获得高质量产品、减少生产停机时间并避免或减少后续处理步骤期间的次品和问题。

将在下文中更加明显的这些和其它目的是利用用于在卷绕成卷的薄产品的中间处理步骤期间预测产品缺陷的存在的方法实现的，该方法提供：

-接收已被指派唯一标识码的薄产品的卷，所述唯一标识码存储在数据库系统中，并且包含与这个唯一标识码相关联的在中间处理步骤上游卷绕成所述卷的薄产品的生产步骤中检测到的工艺和/或产品参数，

-访问这个数据库系统，

-在预测模型中输入与数据库系统中包含的卷的唯一标识码相关联的工艺和/或产品参数中的一个或多个，该预测模型使用根据与从中间处理步骤输出的工艺和/或产品参数相关的历史值以及与在中间处理步骤上游在这些卷的生产步骤中检测到的相同卷的工艺和/或产品参数相关的历史值、借助于机器学习逻辑创建的相关性，以便预测从中间处理步骤输出的产品参数，

-将所述上述产品参数与相应的预定义的极限值进行比较，

-基于所述比较的结果生成薄产品缺陷的预测诊断信息。

优选地，机器学习逻辑是指人工智能逻辑。

本发明源于对以下事实的观察：在卷的再次卷绕和转换步骤期间，成品中可能会形成缺陷，这些缺陷由于在最初的处理步骤中不存在、不可检测或不可分类而没有被事先检测到。对于从再次卷绕器出来的卷，这些缺陷中的一些是由产品的成型、卷绕、包装以及开卷和二次成型步骤期间的处理条件或故障产生的。这些操作条件或故障可能并不表示其发生的步骤中的实际缺陷，而可能是下游处理中缺陷的原因(或并发原因)。

因此，本发明涉及一种方法，该方法允许在上游的每个步骤中识别随后将在下游的处理中产生缺陷的操作条件和故障。本发明还允许预测从下游的(一个或多个)步骤输出的产品的一些特性，以及这些处理的最优设置。可以基于对操作条件的观察在以后的阶段或实时地实现识别，从而允许对可能在后续的处理步骤中出现在产品上缺陷进行标记，并且对工艺参数进行更改，以避免或限制潜在问题的发生。

预测模型可以使用与在中间处理步骤上游的这些卷的生产步骤中检测到的多个工艺和/或产品参数有关的第一历史数据集合，以及与从预测的中间处理步骤输出的检测到的多个工艺和/或者产品参数有关的第二历史数据集合；借助于机器学习或人工智能算法，生成将所述两个集合相关联的学习功能，生成预测功能，该功能允许通过对中间处理步骤上游检测到的相同工艺和/或产品参数中的一个或多个、从所述中间处理步骤输出的一个或多个工艺和/或产品参数进行分析来进行预测。

清楚的是，在中间处理步骤的上游，检测到的参数相对于单独的产品缺陷数量较多(可以与特定的产品参数相比较)，并且优选地具有一个或多个工艺参数以及可选地一个或多个产品参数。可以相互关联的使用的产品和工艺参数的数量越大，预测精度就将越高。

有利地，预测模型考虑彼此组合并在中间处理步骤的上游检测到的至少两个不同的工艺和/或产品参数，以便预测事件，即工艺和/或产品参数，诸如优选地产品缺陷或不祥工艺事件。

预测模型基于执行学习功能和预测功能的人工智能算法：

-所述学习功能基于获得的工艺和产品参数，目的是寻找系统变量之间存在的相关性和因果关系的结构；所述学习功能实现在先前步骤中历史化的所有参数与在后续步骤中识别出的参数之间的相关性，诸如转换和再次卷绕步骤与产品质量；所述学习功能允许开发人工智能模型，该人工智能模型将产品和工艺参数以及产品质量与能够影响缺陷外观的条件相关联；所述学习函数生成预测函数；

-所述预测功能的目的是基于直到那时为止检测到的参数来实时地指示可以出现的潜在产品和/或工艺参数。

优选地，该方法提供在数据库系统中存储在中间处理步骤上游卷绕成所述卷的薄产品的生产步骤中检测到的多个工艺参数。

优选地，该方法提供在数据库系统中存储在中间处理步骤期间检测到的多个工艺参数。

优选地，该方法提供在数据库系统中存储在中间处理步骤上游卷绕成所述卷的薄产品的生产步骤中检测到的多个产品参数。

优选地，该方法提供在数据库系统中存储在中间处理步骤期间检测到的多个产品参数。

优选地，该方法提供在数据库系统中存储在中间处理步骤上游卷绕成所述卷的薄产品的生产步骤中检测到的多个产品参数和多个工艺参数两者。

优选地，该方法提供在数据库系统中存储在中间处理步骤期间在卷绕成所述卷的薄产品的生产步骤中检测到的多个产品参数和多个工艺参数两者。

优选地，可以从以下中选择可以与卷相关联的产品和工艺参数，并且必须在中间处理步骤的上游或中间处理步骤期间对其进行检测

-产品类型标识；

-机器类型；

-卷长度；

-卷格式宽度；

-外部卷直径；

-宽度分布(profile)，作为卷绕长度的函数，作为Y的函数；

-卷绕的薄产品的基重；

-卷绕的薄产品的基重公差；

-薄产品卷绕在其上以产生卷的芯的类型；

-芯直径；

-锭子标识符；

-卷重量；

-卷生产开始日期和时间

-卷生产结束日期和时间；

-室温；

-相对湿度；

-产品质量等级；

-卷质量等级；

-卷密度；

-卷密度分布，作为Y的函数；

-操作员或生产管理者标识符

-卷速度分布，作为Y的函数；

-卷绕器速度分布，作为Y的函数；

-作为Y的函数的生产线加速度和/或作为Y的函数的卷绕器加速度；

-所应用的表面处理；

-表面处理的位置；

-沿着X和沿着Y的基重分布；

-沿着X轴和沿着Y的厚度分布；

-沿着X轴和沿着Y的湿度分布；

-形成规格；

-键合的类型；

-所使用的纤维的混合，或所使用的聚合物的混合；

-细化程度；

-所使用的水的类型的混合；

-凝结剂(coagulant)浓度；

-絮凝剂(flocculant)浓度；

-浆料电导率；

-机械特性-负载；

-机械特性-湿爆(wet burst)；

-机械特性-弹性常数；

-沿着Y随着产品的形成检测到的温度；

-沿着Y的烤箱或机盖(hood)温度分布；

-沿着Y的打印节距；

-由砑光机(calender)沿着Y每单位长度施加的夹持力；

-沿着Y的砑光机温度；

-沿着Y的卷绕张力分布；

-卷绕器打滑分布；

-所应用的控制的类型；

-生产方案标识符；

-检测系统检测到的包含的缺陷，包括：

-包含的缺陷的数量；

-缺陷图像；

-缺陷类型；

-位置X；

-位置Y；

-沿着X的尺寸；

-沿着Y的尺寸；

-缺陷区域；

-严重性的程度；

-卷生长分布卷绕的直径/米；

-随着产品的形成收集的带有时间戳的视频图像，该时间戳参考卷的Y轴。

优选地，在中间处理步骤上游卷绕成所述卷的薄产品的生产步骤中检测到的所使用的工艺参数优选地数量大于三个，并且更优选地数量大于五个，从而确保更大程度的预测。优选地，在中间处理步骤的上游卷绕成所述卷的薄产品的生产步骤中检测到的所使用的产品参数优选地数量大于三个，并且更优选地数量大于五个，从而确保更大程度的预测。

有利地，在生成预测信息之后，该方法包括在中间处理步骤中适于修改处理工艺参数以避免超过所述极限值、或拒绝对所述站下游的任何处理有潜在危险的产品部分的动作。

有利地，中间处理步骤是再次卷绕步骤，其包括：将卷(定义的初级卷)的薄产品解绕，并且将薄产品卷绕成横向尺寸等于或小于初级卷的一个或多个卷(定义的次级卷)，其中与初级卷相关联的是存储在数据库系统中的唯一标识码(定义的初级码)，并且在再次卷绕步骤上游的产品的生产步骤中检测到的工艺和/或产品参数与之相关联，并且与每个次级卷相关联的是相关的唯一标识码(定义的次级码)，并且在再次卷绕步骤上游的薄产品的生产步骤中检测到的工艺参数和/或产品参数以及在再次卷绕步骤中检测到的工艺和/或产品参数皆与之相关联。

可替代地，中间处理步骤是将卷绕成卷的薄产品转换成成品或半成品制品的转换步骤，该步骤包括将薄产品的卷解绕并将薄产品插入卷成卷的薄产品到的成品或半成品制品的转换模块中。

有利地，在数据库系统中，存在唯一标识码与在薄产品的联机生产期间和/或在随后联机生产的所述薄产品卷绕成所述卷期间检测到的卷工艺和/或产品参数的相关联。

优选地，在数据库系统中，存在唯一标识码与在卷的包装步骤期间检测到的卷工艺和/或产品参数的相关联。

有利地，该方法包括沿着整个工艺检测这些工艺和/或产品参数，因此与包含该参数所指的薄产品的卷相关联，这从在初级卷中卷绕之前薄产品的生产步骤开始到转换步骤，因此还可以包括再次卷绕步骤和包装步骤，并且该预测模型适用于基于预测所参考的步骤上游检测到的参数、基于与对应步骤相关的历史参数来预测产品参数。

有利地，对于相关的卷，产品和/或工艺参数被存储为在检测到的产品的参数中产品区域的位置的函数。

参考这后一个方面，优选地，借助于原点指向同一卷的坐标系存储在检测到的产品的参数中的产品区域的位置，该坐标系包括：

-平行于卷的轴的第一坐标轴，其中零优选地与卷的侧面对应，以及与薄产品绕其所卷绕的卷的轴线性解绕对应的第二坐标轴，其原点优选地与薄产品在卷芯上卷绕的起点重合。

有利地，向卷指派唯一标识码可以包括通过应用以下内容来标记卷：a)图形、b)电子产品(例如RFID类型)，或c)包含唯一标识码的磁带介质，并在数据库系统中存储该唯一标识码。

在电子或磁性介质的情况下，它可以包括用于指派所述介质的所述标识码的编程步骤，该步骤在将介质施加到所述至少一个卷之前或者在将所述介质施加到初级卷时发生。

有利地，可以存在在卷绕成卷的薄产品的所述中间处理步骤开始时读取所述卷的唯一码的步骤。

根据另一方面，本发明涉及一种用于生产薄产品的卷的设备，该设备包括：

-连续薄产品的生产线，包括：能够知道同一条生产线的产品和/或工艺参数的控制系统，

-数据库系统，包含：在薄产品和卷的生产期间检测到的产品和/或工艺参数，以及与和所述卷相关的产品和/或工艺参数相关联的所生产的卷的标识码，

-定位在连续薄产品的生产线的出口处的至少一个卷绕器，该卷绕器适于将从所述生产线排出的薄产品卷绕成初级卷，该卷绕器包括卷绕器的管理系统、与被卷绕的初级卷相关联的图形、电子或磁性介质上的读取和/或写入装置，适于写入或编程所述介质，与电子管理单元和进入卷绕器的产品的评估系统可操作地连接，优选地包括质量控制模块QCS，和/或检测金属颗粒的缺陷和/或类型的视觉检查模块，

-可选的再次卷绕器，适于从来自卷绕器的所述初级卷产生一个或多个次级卷，包括被卷绕成次级卷的产品的评估系统，其可以例如包括检测金属颗粒的缺陷和/或类型的视觉检查模块，以及另一个可选的质量控制模块QCS、解绕的卷的标识码的读取装置，以及与被卷绕的次级卷相关联的图形、电子或磁性介质上的标识码的读取和/或写入装置，以及适于将由被卷绕产品的所述评估系统检测到的产品和/或工艺参数传送到与所述参数所指的次级卷的标识码相关联的所述数据库系统的管理系统，

-用于初级或次级卷的可选的包装站，包括：与所述卷相关联的介质上的卷的标识码的读取装置，以及要包装的卷的评估系统与之相关联的包装步骤的管理系统，其可以包括例如视觉检查模块，所述管理系统适于将由正被包装的卷的所述评估系统检测到的与包装相关联的产品和/或工艺参数传送到与所述参数所指的卷的标识码相关联的所述数据库系统，

-用于卷到成品或半成品的转换站，包括：用于一个或多个卷的一个或多个解绕站、所述一个或多个卷的转换机、正解绕的卷的标识码的读取装置、从卷解绕并进入转换机的产品的评估系统，该评估系统可以例如包括视觉检查模块，可选地存在转换机的传感器以确定正处理的产品的参数，在转换步骤期间获取的工艺和/或产品参数与正解绕的各个卷相关联或者与其在数据库系统中的标识码相关联，

-与包含在所述数据库系统中的卷的唯一标识码相关联的工艺和/或产品参数的管理软件，其中实现了预测模型，该预测模型使用由机器学习逻辑产生的与从设备的处理步骤输出的工艺和/或产品参数相关的历史值以及与在所述中间处理步骤上游的所述卷的生产步骤中检测到的相同卷的工艺和/或产品参数相关的历史值之间的相关性，所述模型适于预测从所述处理步骤输出的产品参数。有利地，设备可以包括用于改变所述薄产品的生产线和/或所述卷绕器和/或所述包装和/或所述再次卷绕器和/或所述转换站的工艺参数的部件，适于为了避免超过所述极限值或拒绝对所述站的下游的任何处理有潜在危险的产品部分而修改处理工艺参数。

根据另一方面，描述了一种再次卷绕器，用于从初级卷(或主卷)上解绕薄产品并在一个或多个子卷(或次级卷)上将其再次卷绕，包括：

-可选的站，用于生产用于要形成的次级卷的次级圆柱芯，

-设有解绕区的卷绕站(包括初级卷的解绕机)，

-卷绕架，其适于在所述解绕区的前面接纳同轴且并排布置的次级芯，

-布置在所述解绕区和所述卷绕架之间的具有多个刀片的切割装置，

-被卷绕在一个或多个次级卷中的产品的评估系统，该评估系统可以包括检测金属颗粒的缺陷和/或类型的视觉检查模块。

附图说明

通过对本发明的几个优选但非排他的实施例的描述，本发明的另外的特征和优点将变得更加明显，这些实施例通过附图中的非限制性示例示出，其中：

图1表示根据本发明的薄产品的卷的生产设备的示意图；

图2表示图1的设备中使用的再次卷绕器的示意性顶视图；

图3是图1的设备中使用的卷和卷芯的组件；

图4是图示卷上的缺陷的位置的参考系统的图。

具体实施方式

参考前述附图详细描述本发明的实施例，总体上以数字10表示根据本发明的设备的图。这个设备位于生产设施11内部，适于生产和存储主卷(在下文中也称为初级卷B1)，并从主卷B1生产另外的卷或子卷(在下文中也称为次级卷B2i)。

在下文中，首先描述已知类型的设备10的组件。设备10包括连续薄或网状产品T(诸如纸、纸巾、无纺布或其它类似产品(膜、多材料产品等))的生产线，其端部用数字12指示。这条生产线的控制系统用12A指示。这个控制系统能够知道下文所述的生产线12的产品和工艺参数。

在生产线12的端部，提供了一个或多个卷绕器13(图中仅示出了一个卷绕器)。卷绕器13包括锭子，薄产品T的圆筒形管状芯(以下称为初级芯14)放置在锭子上。初级芯在与生产线12上的薄产品T的馈送f1(机器方向)相同的方向上旋转，从而将产品卷绕在初级芯14上，以生产主卷或初级卷B1。以13A指示卷绕器13的管理系统。

设备10设有各个部分的电子控制装置30，该电子控制装置30设有用于管理各个部分的操作的PLC系统和借助于网络可操作地彼此连接的接口计算机。电子控制装置30还包括数据库系统31，该数据库系统31包括一个或多个子数据库，该子数据库具有在生产开始之前加载并在各个处理步骤期间获取的信息(产品和工艺参数以及其它信息)。数据库系统31允许各个部分以彼此协调的方式进行交互。

提供进入卷绕器13的产品的评估系统，例如包括在造纸领域中已知类型的质量控制模块QCS(质量控制系统)32A(例如包括以下传感器中的一个或多个：用于检测基重、厚度、湿度、用于检测灰分(ash)、颜色、不透明度、纤维的朝向、薄产品的渗透性等的传感器)，其可以包括查看系统，以及也是已知类型的检测金属颗粒的缺陷和/或类型的视觉检查模块32B，其也可以包括查看系统。

通常，“缺陷”是指孔(直径也小于1mm)、碎裂的边缘、深色污点、水、油痕、材料变稠、异物的存在、在材料中的接合(即，这些接合沿着薄产品的延伸的位置，薄产品是通过在缺陷区的上游和下游横向切割产品并将剩余的端部拼接而成的)。

查看系统是通过图像获取能够检测诸如孔、裂缝、折痕、异物等缺陷的系统。QCS系统例如基于红外光源的反射和/或折射或基于β粒子的吸收，并允许检测例如产品厚度分布、基重分布、相对湿度分布、特定处理(涂层)的厚度分布；这些参数可以与产品质量相关联。这些测量与参考值的偏差过大可与产品缺陷相比。金属检测系统是能够检测产品中其尺寸甚至小于1毫米的金属异物的存在的系统。

该方法提供用于在数据库系统31中存储由生产线12的控制系统12A、卷绕器13的管理系统13A、质量控制模块QCS 32A、检测金属颗粒32B的缺陷和/或类型的视觉检查模块检测并知晓的产品和工艺参数，及其与初级卷的初级标识码的关联，如下所述。

一般而言，在设备中，工艺和/或产品参数可以被划分为例如两类：“静态”类型的数据(其整体表征每个卷)和“动态”类型的数据(即，与卷的长度和/或直径相关，并因此与其处理瞬间相关)。这些参数作为卷的长度或直径的函数作为分布被历史化。如果作为时间的函数获取值，那么所述值可以基于卷的卷绕速度被转换为长度或直径的函数。

为了识别设备中生产的卷中的位置和距离，例如使用以下与卷相关联的参考系统。参考系统卷的X轴的原点与卷的左侧重合；左侧旨在是假设的操作员从下方向他/她自己解绕卷的左侧；这个X轴平行于卷的卷绕/解绕轴，与机器的“横向”对应。卷参考系统的Y轴的原点与卷的起点、卷绕的起点(即，紧固到卷的芯)重合，因此表示长度方向上的位置，或“机器方向”。自然，有可能将Y轴的坐标转换成与到卷绕轴的距离(即，卷的直径)相关联。

可以与初级卷的唯一码相关联的产品和工艺参数例如如下：

-产品类型标识(这是识别产品类型的码；表示法取决于产品/工艺/生产者/客户的类型)；

-机器类型(代表所使用的(一个或多个)机器的码)；

-卷长度；

-卷格式宽度；

-外部卷直径；

-宽度分布，作为卷绕长度的函数，作为Y的函数；

-卷绕的薄产品的基重；

-卷绕的薄产品的基重公差；

-薄产品卷绕在其上以产生卷的芯的类型；

-芯直径；

-锭子标识符(这是识别卷卷绕在其上的锭子的参数)；

-卷重量；

-卷生产开始日期和时间；

-卷生产结束日期和时间；

-室温；

-相对湿度；

-产品质量等级(这是通过自动仪器生成或由操作员指示的卷绕的产品的质量指标)；

-卷质量等级(这是卷的质量指标，旨在作为形状和外部美学缺陷；通过自动仪器生成或由操作员指示的指标)；

-卷密度；

-卷密度分布，作为Y的函数；

-操作员或生产管理者标识符(系统不知道标识符和自然人之间的关联)；

-生产线速度分布，作为Y的函数；

-卷绕器速度分布，作为Y的函数；

-作为Y的函数的生产线加速度和/或作为Y的函数的卷绕器加速度；

-所应用的表面处理(指示对产品进行的处理的类型；例如化学处理、防水处理等)；

-表面处理的位置(沿着X轴的位置向量)；

-沿着X和沿着Y的基重分布(由QCS系统或检查系统测量沿着X轴的分布；该系统对沿着X测得的基重向量进行历史化，以创建沿着X和Y的完整分布；分辨率以及因此存储的点数取决于QCS仪器的分辨率；作为示例，沿着X的分辨率沿着产品的宽度可以是32个扇区)；

-沿着X轴和沿着Y的厚度分布(关于沿着X和沿着Y的基重分布，参见上面的注释)；

-沿着X轴和沿着Y的湿度分布(关于沿着X和沿着Y的基重分布，参见上面的注释)；

-形成规格(例如，无纺布的形成模式)；

-键合类型(用于键合纤维的方法，在无纺布领域中很常见，例如，针、超声波、水、通过砑光机等)；

-所使用的纤维的混合(例如，造纸领域中典型的用于浆液的不同类型纤维的百分比)，或所使用的聚合物的混合(在某些无纺布的生产领域中是典型的)；

-细化程度(所用纤维的SH细化程度，在造纸领域中是典型的)；

-所使用的水的类型的混合(用于纸浆的不同类型的水的百分比，在造纸领域中是典型的)；

-凝结剂浓度(在造纸领域中是典型的)；

-絮凝剂浓度(在造纸领域中是典型的)；

-浆料电导率(在造纸领域中是典型的)；

-机械特性-负荷(在生产线外部对产品进行的机械特性的样本测试，在造纸领域中是典型的；测试的结果可以与从中取出样本的卷相关联)；

-机械特性-湿爆(在生产线外部对产品进行机械特性的样本测试；测试的结果可以与从中取出样本的卷相关联)；

-机械特性-弹性常数(在生产线外部的产品上进行的机械特性的样本测试，在造纸领域中是典型的；测试的结果可以与从中取出样本的卷相关联)；

-在沿着Y随着产品的形成检测到的温度(通过沿着生产线安装的传感器检测到的温度；沿着卷的Y轴将值(值的向量)历史化；如果未检测到产品的直接温度，那么可替代地可以检测圆柱体表面的温度或与形成有关的空气的温度)；

-沿着Y的烤箱或机盖温度分布；

-沿着Y的打印节距(如果存在按行打印的产品)；

-由砑光机沿着Y每单位长度施加的夹持力；

-沿着Y的砑光机温度(在无纺布领域中是典型的)；

-沿着Y的卷绕张力(或拉力)分布(卷与卷绕卷之间的每单位长度施加的夹持力)；

-卷绕器的打滑分布(速度的差异)；

-所应用的控制的类型(用于形成卷的控制的类型，例如，基于子层(ply)的拉力、打滑或速度差等的控制)；

-生产方案标识符(这表示用于生产产品的方案的标识符)

-由检测系统(例如，查看系统)检测到的包含的缺陷，其包括：

-包含的缺陷的数量；

-缺陷图像(缺陷的图像)；

-缺陷类型(识别缺陷类型及其尺寸的码)；

-位置X(卷参考系统中缺陷的位置)；

-位置Y(卷参考系统中缺陷的位置)；

-沿着X的尺寸；

-沿着Y的尺寸；

-缺陷区域；

-严重性的程度；

-卷生长分布卷绕的直径/米，这将卷的直径表示为Y的函数；

-随着产品的形成收集的带有时间戳的视频图像，该时间戳参考卷的Y轴(沿着生产线收集的可以在工艺建模中给出指示的各种图像和视频可以被历史化，以便追溯到卷的Y点)。

与上面列出的产品和工艺参数中的一些或全部相关的信息存储在数据库系统31的第一数据库DB1中。

在将产品T卷绕在卷绕器13的初级芯14上以生产初级卷B1之前，通过例如在初级芯的外边缘上施加第一标签或RFID介质33来对初级芯14进行电子标记。

一旦已经生产了初级卷B1，就借助于位于卷绕器13的出口的电子介质(诸如与电子控制装置30可操作地连接的RFID天线34)上的第一读取和/或写入装置，RFID标签33被指派有初级标识码G，该初级标识码在数据库系统31的第二数据库DB2中找到。

电子装置30在所述第二数据库DB2中在上述针对第一数据库DB1中存在的初级卷的产品和工艺参数的信息与同一初级卷的初级标识码G之间产生关联，使得在这个第二数据库DB2中，存在与给定的与上述产品和工艺参数相关的初级标识码信息的关联、与初级卷的整体性(“静态”参数)以及与卷中的位置(“动态”参数)的关联。

可以理解的是，也可以在卷绕器13上的产品T的卷绕步骤开始之前将初级标识码G指派给RFID标签33(例如，可以在将RFID标签施加到初级芯上之前或紧随其后进行指派)，而检测到的缺陷的关联在卷绕步骤结束之后发生。而且，也可以在卷绕器13上的卷绕步骤之后将RFID标签33施加到初级芯14上(并且码的指派可以在将RFID标签施加到初级芯上之前或紧随其后进行)。可以将标签施加到卷的芯或卷的表面。

作为电子标签的替代，可以使用图形类型的标记(图形介质的应用，诸如字母数字码、条形码或QR码)或带有磁条的标记。

在使用电子或磁性介质的情况下，它包括用于指派介质的初级标识码的编程步骤，该步骤在将介质施加到卷之前或在将所述介质施加到初级卷时进行。

操作员可以出现在初级卷10的形成设备中。

在卷绕器13的下游设有卸载区15，该卸载区设有至少一个第一处理机16，以将初级卷B1朝着包装或存储区移动，或直接朝着一个(或多个)再次卷绕器17(在图中仅示出一个再次卷绕器)移动。

再次卷绕器17包括用于产生将要形成的次级卷B2i的次级管状圆筒形芯18i的站22，以及设有待解绕的初级卷的解绕区20的卷绕站19、在解绕区20的前面同轴并排布置的用于布置次级芯18i的区21(也称为“卷绕架”)，以及布置在解绕区20和用于布置次级芯的区21之间的具有多个刀片24的切割装置23。对于多个刀片24，存在相关联的位置指示器(未指示)，以根据方向f2(即，横向于解绕方向)移动刀片，以及调整切割位置，以便将薄产品切割成宽度等于次级芯18i的横向宽度的连续网。

术语“横向”是指与薄产品的馈送f1的方向正交的方向，即，与初级卷B1的旋转轴平行并且与次级芯18i的轴平行的方向，并且因此与次级卷B2i的轴平行。

提供至少第二处理机25，该第二处理机25适于将如此产生的次级卷朝着包装站26移动。

在这个示例中，这个包装站26包括机器人27(例如拟人手臂)，其从处理机25拾取次级卷并将其放置在一个(或多个)传送带28上。包装装置39设置在这个传送带28的端部，用于例如借助于覆盖膜包装一个或多个次级卷B2i。

通过第三处理机29，形成有一个或多个次级卷的包装件从包装站26被带到所提供的存储区。

从卷绕器13的卸载区15返回到卷绕器13，由此借助于第一处理机16(例如滑架或梭子)形成的初级卷B1被取走并装载到再次卷绕器17上。在此，电子介质(诸如第二RFID天线35)上的第二电子读取和/或写入装置读取在RFID电子标签33中编程的初级卷B1的初级标识码G。因此，电子装置30识别正在被处理的初级卷，并且通过初级码G找到关于存在于第一数据库DB 1中的产品和/或工艺参数的信息。

在定位切割装置23的刀片之前，电子装置30控制用于生产次级芯18i的站22以组织这些次级芯18i的生产，以便适当地生产次级卷(次级芯18i具有与相关次级卷的网幅相同的横向宽度)。如果有必要，那么可以考虑与初级卷中的薄产品的产品和/或工艺参数的位置相关的信息来确定多个次级芯18i的数量和横向宽度，从而确定来自初级卷B1的薄产品的对应切割，以便在每个次级卷B2i中提供期望的参数集。

产品和/或工艺参数存储在第一数据库DB1中，并与识别卷B1'的码G1相关联。一旦初级卷B1'在再次卷绕器17上，电子装置30就从相关的第一RFID标签33读取码G1并识别与同一卷相关联的参数的映射。因此，电子控制装置30将关于初级卷B1'的参数的位置信息变换成关于要生产的每个次级卷B2i的参数的位置信息(例如，次级卷18h-181-182-18y-183-184)。

在站22中，通过将公共的管状圆柱状芯切割成多个次级芯来进行次级芯的生产，在再次卷绕时，产品T将卷绕在次级芯上(在一些实施例中，可以不存在用于生产芯的站)。

在再次卷绕器13的区20中布置有次级芯，其同轴且并排的次序为18h-181-182-18y-183-184。同样，电子装置30布置切割装置23的五个刀片24，以便根据机器方向将从初级卷BG出来的产品T切割成与次级芯18h-181-182-18y-183-184之间的界面对应的网。

随后控制再次卷绕步骤，即，将薄产品T从初级卷BG上解绕，然后将产品T卷绕在次级芯18i上，所述卷绕产品T有利地由装置23在上述位置切割，以产生次级卷B2i。

有利地，在产生次级芯18h-181-182-18y-183-184之后，通过施加相应的第二电子标签或RFID介质35对它们进行电子标记。

通过电子介质(诸如再次卷绕器17中存在的第三RFID天线36)上的第三电子读取和/或写入装置，电子控制装置30将相应的次级标识码Ki指派给次级芯18i的第二RFID标签35，它们在数据库系统31的第二数据库DB2中找到。

如上所述，电子控制装置30已将关于初级卷BG的产品和/或工艺参数的位置信息转换为关于每个次级卷B2i的产品和/或工艺参数的位置信息，例如，次级卷中的参数的位置坐标，例如，从次级卷的中心起产品解绕的米数，以及距次级卷的边缘(即，相对于与次级卷成一体的参考系统)的距离。随后，装置30在第二数据库DB2中将次级码Ki和关于相关次级卷B2i的参数的相应位置信息相关联，使得与每个次级卷B2i相关联的是产品和/或工艺参数的集合并且这个集合与次级卷的码相关联地存储在数据库系统31中。

结果是，对于每个次级卷B2i，不管卷绕在其上的产品的位置如何，除了链接到同一卷的参数之外，还知道产品和/或工艺参数的映射。

优选地，对次级卷B2i的标记在相应的次级芯上的薄产品的卷绕步骤开始之前在该次级芯18i上进行。在其它实施例中，该标记可以代之以在卷绕之后进行，即，当次级卷B2i终止和/或从再次卷绕器13卸载时进行。

如上所述，用于将次级标识码Ki指派给相应的第二RFID标签35的编程步骤可以在将第二RFID标签施加到对应的次级卷之前进行，或者在将这个第二RFID标签施加到次级卷时进行，如上所述，并且，第二标识码Ki的这种指派也可以在产品在相应的次级芯18i上的卷绕步骤之后进行，但是在任何情况下都优选地在次级卷B2i离开再次卷绕器13之前进行。

一旦创建了具有相应第二标签的次级卷B2i，它们就由再次卷绕器13通过第二处理机25(例如滑架或梭子)移动到包装站26。

在其它实施例中，设备中可以没有卷绕器，并且连续的薄产品直接从生产线馈送到再次卷绕器类型的卷绕器，因此从生产线将产品切成与再次卷绕器中存在的芯宽度相同的幅材，以创建多个卷，然后将其发送到包装区或其它处理区。

应当注意的是，在再次卷绕器中切割仅涉及修整卷绕在芯上的薄产品的边缘，因此具有卷绕的成品的单个卷以及将被拒收的包含修整的一个或两个废料卷可以从再次卷绕机器交付；可替代地，只能交付一个卷，并且通过修整吸嘴连续地拒绝修整。

有利地，与再次卷绕器相关联的是被卷绕成次级卷的产品的评估系统60，该评估系统例如可以包括检测金属颗粒的缺陷和/或类型的视觉检查模块，例如类似于针对卷绕器13描述的，以及另一个可选的质量控制模块QCS(未示出)。

因此，除了与薄产品的生产步骤相关并且与卷绕器13上的卷绕步骤相关的产品和/或工艺参数，在再次卷绕步骤中检测到的产品和/或工艺参数也与数据库DB2中次级卷B2i的次级码Ki相关联。

与次级卷的唯一标识码相关联的新产品和工艺参数例如是以下一项或多项：

-主卷标识(例如，这是从其得出次级卷的初级卷的标识码；根据工艺的类型可以有一个或多个主卷)；

-机器类型(代表所使用的(一个或多个)机器的码)；

-卷长度；

-卷格式宽度；

-外部卷直径；

-宽度分布，作为卷绕长度的函数，作为Y的函数；

-子层的数；

-薄产品卷绕在其上以产生卷的芯的类型；

-芯直径；

-锭子标识符(这是识别卷卷绕在其上的锭子的参数)；

-卷重量；

-卷生产开始日期和时间；

-卷生产结束日期和时间；

-室温；

-相对湿度；

-产品质量等级(这是通过自动仪器生成或由操作员指示的卷绕的产品的质量指标)；

-卷质量等级(这是卷的质量指标，旨在作为形状和外部美学缺陷；通过自动仪器生成或由操作员指示的指标)；

-卷密度；

-卷密度分布，作为Y的函数；

-操作员或生产管理者标识符(系统不知道标识符和自然人之间的关联)；

-解绕速度分布，作为Y的函数；

-解绕速度分布，作为Y的函数；

-卷绕速度分布，作为Y的函数；

-加速度，作为Y的函数；

-伸长率，作为Y的函数；

-机械特性-弹性常数(在生产线外部对产品进行的机械特性的样本测试，在无纺布领域中是典型的；测试的结果可以与从中取出样本的卷相关联)；

-平均颈缩(这表示纵向切割之后产品变窄；这是无纺布的典型参数)；

-颈缩分布，作为Y的函数(这表示纵向切割之后产品变窄；是无纺布的典型参数)；

-作为Y的函数的测得的产品温度；

-沿着Y的打印节距(如果存在打印的产品)；

-卷和轧辊(Rider Roller)之间每单位长度施加的夹持力，作为Y的函数；

-卷和承重辊之间每单位长度施加的夹持力，作为Y的函数；

-解绕和卷绕之间的滑动分布(速度之差)，作为Y的函数；

-施加到产品上的张力(或拉力)分布，作为Y的函数；

-承载辊扭矩，作为Y的函数；

-所应用的控制的类型(用于形成卷的控制的类型，例如，基于子层的拉力、打滑或速度差等的控制)；

-生产方案标识符(这表示用于卷绕产品的方案的标识符；该方案是设置的集合)；

-由检测系统(例如，查看系统)检测到的包含的缺陷，其包括：

-包含的缺陷的数量；

-缺陷图像(缺陷的图像)

-缺陷类型(识别缺陷类型及其尺寸的码)

-位置X(卷参考系统中缺陷的位置)；

-位置Y(卷参考系统中缺陷的位置)；

-沿着X的尺寸；

-沿着Y的尺寸；

-缺陷区域；

-严重性的程度；

-卷生长分布卷绕的直径/米(这将卷的直径表示为Y的函数)；

-随着产品的形成收集的带有时间戳的视频图像，该时间戳参考卷的Y轴(沿着生产线收集的可以在工艺建模中给出指示的各种图像和视频可以被历史化，以便追溯到卷的Y点)。

如前所述，次级卷可以从再次卷绕器移动到包装站26。

后者设有在电子介质(诸如与电子控制装置30操作性连接的第四RFID天线40)上的第四电子读取和/或写入装置，其读取到达站26的第二卷B2i的第二RFID标签35，从而读取其次级标识码Ki。通过这种读取，电子控制装置30与第二数据库DB2进行交互。

包装站26还设有包装步骤的管理系统61，与之相关联的是被包装的卷的评估系统62，其可以例如包括视觉检查模块。

由包装步骤的管理系统61收集的数据可以来自用于卷的运输、处理和打包的控制系统、来自卷的评估系统62、以及直接来自操作员。

包装步骤的管理系统61还具有将收集到的信息发送到数据库系统的目的。

因此，与薄产品的生产步骤相关的产品和/或工艺参数、与卷绕器13上的卷绕步骤相关的产品和/或工艺参数、包装期间检测到的产品和/或工艺参数也在数据库系统中与卷(初级和次级)的标识码相关联。

在这个步骤中，与卷相关联的产品和/或工艺参数是恒定类型的。

已获取并传输到数据库系统并因此与包装的卷的标识码相关联的产品和/或工艺参数可以包括以下一项或多项：

-包装机的类型的标识符；

-目的地客户标识符(可替代地与运输的距离或地点相关的数据)；

-操作员或生产管理者标识符(系统不知道标识符和自然人之间的关联)；

-处理步骤开始日期和时间；

-处理步骤结束日期和时间；

-卷重量；

-来自视觉检查模块的图像；

-打包的类型、方案(这表示用于打包产品的方案的标识符；方案是设置的集合)；

-打包材料；

-打包层的数量；

-与卷的形式相关联的质量等级(存在突出或缩回的芯、分布的差异(诸如环形、星状、污点等)；质量等级可以由操作员指派或通过分析视觉检查系统的图像自动指定)；

-存储开始日期和时间；

-存储结束日期和时间；

-存储温度；

-存储湿度。

次级卷B2(或直接来自卷绕步骤的初级卷B1)在转换站70中被进一步处理，该转换站70允许获得成品或半成品，并且可以存在于生产初级卷和/或次级卷的同一生产设施11中，或者可以位于另一个生产设施50中(如当前示例中那样)。

转换站中的卷具有唯一标识码K(或Ki)，在数据库系统中，该标识码与所有与先前的处理操作(卷绕、可选的再次卷绕、可选的包装)相关联的产品和/或工艺参数相关联。

转换站70设有在电子介质(诸如与电子控制装置30操作连接的RFID天线71)上的第五电子读取和/或写入装置，其适于读取例如到达这个站的第二卷B2i的第二RFID标签35，从而读取其次级标识码Ki。通过这个读取，电子控制装置30与第二数据库DB2进行交互。

转换站70包括一个或多个解绕站72(取决于要生产的产品的类型，因此一个或多个卷连接到成品或半成品的生产)和转换机73。自然，转换站还包括转换站的管理系统74，其与从卷上解绕的产品的评估系统75相关联，并进入被包装的转换机，该转换机可以包括例如视觉检查模块。转换机内部提供有传感器，用于确定正处理的产品的特点。

在这个步骤中获取的工艺和/或产品参数与解绕的一个或多个卷或其数据库系统中的标识码相关联。

在转换步骤中收集的参数可以来自机器的控制系统、来自安装在其中的传感器、来自视觉检查模块，以及还有直接来自操作员。

转换站的管理系统74的目的还在于将收集的信息发送到数据库系统。

已获取并传输到数据库系统并因此与在转换站中处理的一个或多个卷的标识码相关联的产品和/或工艺参数可以包括以下一项或多项：

-转换标识符(这识别所参考的处理操作)；

-转换机类型(表示机器的码)；

-宽度分布，作为Y的函数；

-子层的数；

-芯直径；

-卷重量；

-生产开始日期和时间；

-生产结束日期和时间；

-卷密度；

-操作员或生产管理者标识符(系统不知道标识符和自然人之间的关联)；

-解绕速度分布，作为Y的函数(每个正解绕的卷有一个)；

-处理速度分布，作为Y的函数；

-加速度，作为Y的函数；

-伸长率，作为Y的函数；

-产品收缩率，作为Y的函数；

-施加的张力(或拉力)分布，作为Y的函数(每个正解绕的卷有一个)；

-检测系统(例如查看系统)检测到的包含的缺陷，包括：

-包含的缺陷的数量；

-缺陷图像(缺陷的图像)；

-缺陷类型(识别缺陷类型及其尺寸的码)；

-位置X(卷参考系统中缺陷的位置)；

-位置Y(卷参考系统中缺陷的位置)；

-沿着X的尺寸；

-沿着Y的尺寸；

-缺陷区域；

-严重性的程度；

-机器停止，作为Y的函数(与Y轴相关联的机器停止的历史)

-产生的撕裂，作为Y的函数(例如，经由与Y轴相关联的光学系统检测到的撕裂的历史)。

在上述示例中，具体参考RFID电子标签和用于写入/读取这些标签的对应RFID天线。在其它实施例中，代替电子标签，可以使用图形介质，例如在其上表示字母数字、条形码或QR码等的纸质标签。在这种情况下，代替用于远程写入和读取介质的天线，要求用于打印图形标签的打印机和所表示的图形符号的光学读取装置。可替代地，可以使用具有磁性带的标签以及存储在磁性带中的数据的相关写入和读取装置。

一般而言，可以将与标识码相关联的介质固定到产品在其上卷绕以形成卷的芯，或者固定在卷本身的外表面上。

有利地，数据库系统31或这个系统的至少一部分与也可经由远程信息处理网络远程访问的服务器相关联，从而在第二设施中的处理期间通过读取与RFID标签相关联的标识码G或K，有可能获得与这个码相关联的信息，即，与正被处理的初级卷B1或B2相关联的信息，并因此获得关于这个卷的产品位置和/或工艺参数的信息。因此，生产工艺可以在多个设施中进行。因此，例如，可以在第一设施中进行生产和卷绕成初级卷，在第二设施中进行再次卷绕，在第三设施中进行转换(或者这些操作可以以不同的组合进行)，并且产品的历史记录和/或工艺参数仍可以与卷相关联。

因此，很显然，上述系统能够跟踪和存储工艺和产品参数，其中，沿着薄产品的卷的生产链，到用所述卷生产的最终产品(或半成品)产生缺陷。所选的产品和工艺参数存储在数据库系统中，该数据库系统与从其生产最终产品(或半成品)的卷的标识码相关联。

根据本发明，这些产品和/或工艺参数中的全部或一些被用于通过以下方法预测在卷绕成卷的薄产品的中间处理步骤期间产品缺陷的存在：

-接收薄产品的卷，其已经被指派有唯一标识码，所述唯一标识码存储在数据库系统中，并且包含与唯一标识码相关联的在所述中间处理步骤上游卷绕成所述卷的所述薄产品的生产步骤中检测到的工艺和/或产品参数，

-访问数据库系统，

-在预测模型中输入与数据库系统中包含的卷的唯一标识码相关联的一个或多个工艺和/或产品参数，该预测模型使用根据与从中间处理步骤输出的工艺和/或产品参数相关的历史值以及与在所述中间处理步骤上游的所述卷的生产步骤中检测到的相同卷的工艺和/或产品参数相关的历史值借助于机器学习逻辑创建的相关性，以便预测从所述中间处理步骤输出的产品参数，

-将上述产品参数与相应的预定义的极限值进行比较，

-基于所述比较的结果生成薄产品缺陷的预测诊断信息。

因此，作为这个方法的结果，有可能在中间处理步骤中执行适于修改处理工艺参数的动作，以避免超过所述极限值，或者拒绝可能对所述站下游的任何处理有潜在危险的产品部分，具有明显的生产优势。

因此，对于需要预测一些参数的每个中间步骤，所述方法的预测模型将与第一历史数据集合和第二历史数据集合进行交互，该第一历史数据集合与在中间处理步骤上游的卷生产步骤中检测到的多个工艺和/或产品参数相关，第二历史数据集合与从预测的中间处理步骤输出的检测到的多个工艺和/或产品参数有关。

显然，为了产生这个方法，必须累积一定数量的产品和/或工艺参数才能实现预测模型。

在每个处理步骤中(生产薄产品、初级卷的卷绕、可选的再次卷绕、可选的包装)，将收集描述工艺的所有必要参数以及质量和缺陷方面的结果。

对于每个步骤，都有三组参数：

·描述生产工艺的参数，即，操作条件，该参数可以是恒定的(例如，切割、直径、重量方案)，也可以沿着卷绕的产品可变(例如，速度、卷绕/解绕张力、产品的条带的宽度、产品的温度)，

·与正处理的材料相关的参数：原材料、键合规格、卷的码等，并且这些通常是恒定数据，

·描述产品质量和缺陷的参数：数量和类型取决于处理操作，以拓扑信息为特征，诸如参考产品的长度和宽度的坐标；因此，它们可以被视作动态生成的参数，因为它们取决于每个处理操作。

所有参数都被收集在集中信息的数据库系统中，该数据库系统进而连接到电子控制装置30，从而可以对其进行处理。

处理系统的目的是使各个生产步骤的输入材料的特性与操作条件和缺陷“相关联”，同时还要优化要应用于每个步骤的机器的设置。为此，也可以使用先前步骤中的信息(即，产品和/或工艺参数)。

通过从初级卷开始的处理材料的可追溯性，以及通过将工艺、质量和缺陷参数指派给卷的每个点，使操作成为可能，这些质量和缺陷参数作为Y轴上的长度的函数被历史化。

处理系统被设计为创建一个或多个机器学习模型，这些模型描述每个步骤中系统的行为，从而预测缺陷，以便：

·对工艺变量进行操作，以避免形成缺陷；

·拒绝有缺陷的部分或指出包含对于下游工艺的潜在缺陷位置的卷。

目的是对于半成品和对于成品都获得更高质量的保证，以限制或避免缺陷的发生。

所开发的数学-统计模型属于人工智能(AI)或机器学习(ML)分支，因为基本上开发了一个过程，通过该过程，机器可以学习如何根据特定输入自动进行动作/反应。因此，为系统提供的人工智能由一系列专门开发的算法组成，以对诸如上述的场景进行建模。

该模型基于执行两个功能的人工智能算法：

·学习功能；

·预测功能。

学习功能基于获取的工艺和/或产品参数。学习步骤的目的是搜索系统的变量之间存在的相关性和因果关系的结构。

学习功能在先前步骤中历史化的所有参数与后续步骤中识别出的参数(主要是缺陷)之间实现关联，诸如转换和再次卷绕步骤与产品质量。

这个操作允许开发人工智能模型，该模型将产品/工艺参数(有利地，缺陷)和产品质量与能够影响缺陷外观的条件相关联。学习功能生成处理步骤的数学模型：预测功能。

预测功能的目的是基于到那时为止检测到的参数来实时或几乎实时地指示可能出现的潜在产品和/或工艺参数(有利地，缺陷)。

数据的类型和数量落在大数据的定义之内的事实推动了人工智能技术的使用：

·体积：以时间为单位生成的数据量(结构化、非结构化)；数据库收集由异构源生成的大量数据；

·多样性：数据属于不同类型，并且以非结构化和半结构化格式两者被历史化；

·速度：生成新数据的速度，以及数据的产生频率，即，采样频率；除了数据生成速度外，还考虑必须处理数据的速度。

学习步骤包括两个宏观步骤，即，模型的探索步骤和开发步骤。一旦获得所讨论的系统信任以及合并用于构建模型的数据库所必需的探索性步骤结束，接着是机器学习部分，其遵循以下工作流程：

-用于分析的数据源的识别；

-数据清理；

-要分析的特点的提取；

-机器学习模型的开发；

-要分析的特点的测试组的定义；

-学习步骤的开始；

-具有最高性能的模型和算法的选择；

-对所选择的机器学习算法的深入评估；

-对最佳机器学习模型的选择；

-机器学习模型的发布；

-机器学习模型的性能的控制，以进行调整、集成或改进。

在生成完整的人工智能基础结构所需遵循的工作流程中，提供了两个迭代周期：第一个周期从描述性功能的创建步骤到测试组的结构化步骤，第二个周期从学习步骤的开始步骤到模型选择步骤。这个第二步骤是实际的学习步骤。

当前，许多算法可用于数据分析和开发人工智能基础设施。简而言之，基于线性模型的算法(诸如主成分分析(PCA)或部分最小二乘(PLS)回归)，或非线性算法(诸如人工神经元网络(ANN)甚至是更新的作为深度学习生态系统的一部分的算法)是可用的。要使用或从中选择的算法的类型取决于数据的类型和工作的目的，即，它是无监督的(探索性的)还是受监督的(旨在分类或查找因果关系)分析。

优选地，可以用诸如PCA(在探索性分析的情况下)或PLS和随机森林之类的算法对结构固定的参数进行分析，诸如原材料的特点或机器的操作参数。代替地，当分析来自可变持续时间的获取(诸如再次卷绕或转换工艺)或来自大量复杂参数(例如缺陷图像)的参数时，使用深度学习算法(诸如分别针对时间序列的长短期记忆(LSTM)算法和针对图像的卷积神经网络(ConvNet))是有利的。

用于这个分析的软件是自适应类型的，即，随着数据库扩展以及产品缺陷和质量被记录，该软件能够更新所使用的模型。实际上，该软件包括预设的学习模型，其允许预测与成品相关联的产品和/或工艺参数(有利地，缺陷和质量)，但是这个软件还包括自动学习功能，其功能是随着数据库的扩展而更新预设的模型的标准并对其进行改进。当前模型在特定的截止日期进行控制，用新的工艺和/或产品参数对其进行更新。如果模型的性能有所提高，那么将保留新的标准，否则先前使用的模型的标准将保持有效。

示例1

假设有一个工艺，其中要创建用纸巾打包的产品，并包括初级步骤(联机生产和在初级卷上卷绕)、包装和转换。所讨论的示例中的再次卷绕步骤不存在，并且转换操作直接用初级类型的单子层卷(主卷)进行。

在生产步骤期间，有必要保证在转换步骤中限制处理问题的产品。

该工艺允许收集上面指示的参数中的一些，特别是在初级步骤中，至少收集以下测量：

-卷标识符(这是初级卷的标识码)；

-产品类型标识(识别产品类型的码；等级取决于产品/工艺/生产者/客户的类型)；

-机器类型(表示卷绕机器的码)；

-卷长度；

-格式宽度；

-外直径；

-基重；

-基重公差；

-芯类型；

-芯直径；

-卷重量；

-生产开始日期和时间；

-生产结束日期和时间；

-卷密度；

-生产线速度分布，作为Y的函数；

-卷绕器速度分布，作为Y的函数；

-横向(或X轴)和沿着Y的基重分布(沿着X轴的分布由QCS系统测量；系统对沿着X测量的基重向量进行历史化，以创建沿着X和Y的完整分布。分辨率以及因此存储的点数取决于QCS工具的分辨率。例如，沿着X的分辨率沿着产品宽度可以是32个扇区)

-由检测系统(例如，查看系统)检测到的包含的缺陷，包括：

-包含的缺陷的数量；

-缺陷类型(识别缺陷类型及其尺寸的码)；

-位置X(卷参考系统中缺陷的位置)；

-位置Y(卷参考系统中缺陷的位置)；

-沿着X的尺寸；

-沿着Y的尺寸；

-缺陷区域；

-严重性的程度；

-卷生长分布卷绕的直径/米(这将卷的直径表示为Y的函数)。

在包装和运输步骤中，至少获取卷的标识码以跟踪其从那个步骤起的中转。

在卷的后续转换步骤期间，获取至少以下参数：

-转换标识符(这识别正在进行的转换工艺)；

-卷标识(在相对的解绕站中识别正转换的卷的标识码；可以有一个或多个卷)；

-转换机器的类型(表示该机器的码)；

-从卷进行转换时薄产品的子层的数；

-生产开始日期和时间；

-生产结束日期和时间；

-解绕速度分布，作为Y的函数(每个卷一个)；

-处理速度分布，作为Y的函数；

-机器停止，作为Y的函数(与Y轴相关联的机器停止的历史)；

-出现的撕裂，作为Y的函数(例如，借助于与Y轴相关联的光学系统检测到的撕裂的历史)。

所讨论的工艺为处理过的卷存储上述参数。存储处理在关系/非关系混合结构上进行，以便存储并使所有可用参数有效使用。实际上，在所讨论的工艺中，存在静态类型的参数(诸如卷标识符、产品类型或机器类型标识符)，这些参数注定在工艺期间不会改变，而其它数据(诸如卷绕器速度分布或解绕速度分布)必须以足够高的频率逐次记录。前者可以存储在SQL数据库中，而后者必须存储在更适于快速管理大量数据的数据库中(诸如时间序列数据库，其中有那些已知的商品名“Cassandra”、“Historian”等)。

在系统收集了可观的工艺和产品参数的历史记录之后，学习功能能够开发数学模型，该模型将转换步骤中发生的撕裂与所有其它参数相关联。在模型开发步骤中，执行第一探索性分析步骤，这使得有可能了解参数合并的有效水平以及对产生适当合成参数的特定功能的任何需要。在这个步骤中，还将执行预处理和清理过程，直到准备好与参数相关的数据用于模型的构建为止。这个路径主要使用主成分分析(PCA)或图形可视化技术来实现。这些技术属于无监督类型，即，没有先验假设，以避免“污染”分析结果。然后，必须将上述过程包括在已定义、标准化和可重现的分析协议(算法)中，因为这必须是将来处理操作期间产生的所有参数都必须经过的漏斗(funnel)，以便在以下预测模型中易于使用。

为了构建预测模型，定义一个或多个目标变量，在这种情况下，目标变量可以是：

·基重；

·缺陷；

·机器停止；

·撕裂。

举例来说，考虑撕裂。因此，基重和缺陷与其它变量一起成为预测器参数。目的是防止形成撕裂，从而了解什么是预测器以及对于发生撕裂它们必然具有的特性(值)。所选择的模型是分类算法，它将告诉我们发生撕裂的条件。输入数据是上面列表中指示的所有数据，但静态数据(例如，机器类型，除非算法也扩展到其它机器)除外，或者在任何情况下都由操作员设置，这将只被用作初始参考，以区分这种生产与其它生产。

要测试的主要分类算法是：PLS-DA、随机森林、SVM和ANN。性能指标被用于核实哪一个允许获得最佳性能，并选择具有最佳性能的算法。通过定义参数测试组和包含大约20％原始数据的验证组来进行分析过程，它们同样具有代表性。测试组被用于训练和校准算法，而验证组被用于执行外部验证。

分类算法有两个输出：

·预测模型，它将在撕裂发生之前指示可能发生撕裂；

·变量的选择，其具有对应的阈值，那些变量实际上是确定是否可以形成撕裂的变量；这个选择允许获得更轻量、使用起来更快的简化的模型。

然后以简化形式再次训练模型并投入生产。

具体而言，例如，该模型可以告诉我们，当卷绕速度超过400m/min时，纸会撕裂，并且撕裂点的基重与标称基重相差超过-10％，尽管它在允许的公差范围内。这允许开发协议/算法模型，该协议/算法模型在形成期间向操作员或机器指示并预测在这些参数采用给定值的时刻可能会产生缺陷。在那个点，机器或操作员可以纠正工艺，以避免卷参数的临界条件，并且，对于已生产的卷，系统可以配置转换机器，以限制参数的组合的破坏效果(例如，产品的那部分中的自动减速)。在实践中，预测模型已考虑了至少两个彼此相关的不同工艺和/或产品参数(解绕速度和基重)，并在中间处理步骤的上游进行了检测，以便预测事件，即，工艺和/或产品参数，诸如优选地是产品缺陷或不祥工艺事件(在这种情况下为撕裂)。

示例2

让我们考虑一种用于无纺布产品的工艺，该工艺在转换步骤中将几层相同标称宽度的无纺布子层接合并键合在一起。

该工艺包括初级步骤(无纺布生产、卷绕成初级卷)、再次卷绕、包装和转换步骤。

在最终转换机器中的解绕和处理步骤中，由于不同的解绕张力，无纺布产品的宽度相对于产品的原始宽度可能会发生变化。可以观察到，在一些情况下，要接合的子层之间变窄的程度会有所不同，从而导致最终产品不合格或在任何情况下质量较低。必须识别导致子层之间不同地变窄的产品生产和卷绕因子的相互作用和影响。

关于要考虑的产品和工艺参数，这些至少是先前针对初级步骤、再次卷绕、包装和转换步骤指示的所有参数。

所讨论的工艺为处理过的卷存储上述参数。存储处理在关系/非关系混合结构上进行，以便存储并使所有可用参数有效使用。实际上，在所讨论的工艺中，存在静态类型的参数(诸如卷标识符、产品类型或机器类型标识符)，这些参数注定在工艺期间不会改变，而其它数据(诸如卷绕器速度分布或解绕速度分布)必须以足够高的频率逐次记录。前者可以存储在SQL数据库中，而后者必须存储在更适于快速管理大量数据的数据库中(诸如时间序列数据库，其中有那些已知的商品名“Cassandra”、“Historian”等)。

在系统收集了可观的工艺和产品参数的历史记录之后，学习功能能够开发数学模型，该模型在与转换机器上的接合步骤(变窄)最接近的点处将子层的标称宽度与作为Y的函数的子层的宽度分布之间的差异相关，而考虑所有其它涉及的步骤的所有其它参数。

在模型开发步骤中，执行第一探索性分析步骤，这使得有可能了解参数合并的有效水平以及对产生适当合成参数的特定功能的任何需要。在这个步骤中，还将执行预处理和清理过程，直到准备好与参数相关的数据用于模型的构建为止。这个路径主要使用“无监督”类型的主成分分析(PCA)或图形可视化技术来实现，即，没有先验假设。然后，必须将上述过程包括在已定义、标准化和可重现的分析协议(算法)中，因为这必须是将来处理操作期间产生的所有参数都必须经过的漏斗，以便在以下预测模型中易于使用。

为了构建预测模型，定义一个或多个目标变量，在这种情况下，目标变量是子层的标称宽度与实际宽度之间的差，该差是接合点的函数。与先前示例中公开的变量不同，这个变量是连续变量，因此必须使用与先前算法不同的算法进行分析。

所选择的模型将告诉我们哪些操作参数对子层的接合步骤以及最佳操作条件产生最大影响。要使用的输入数据都是上面示例中指示的那些输入数据，静态数据(例如，机器类型，除非算法也扩展到其它机器)除外，或在任何情况下都由操作员设置，这将只被用作初始参考，以区分这种生产与其它生产。

要测试的主要回归算法是：PLS、套索回归(Lasso Regression)、岭回归(Ridgeregression)、SVM和ANN。性能指标被用于核实哪一个允许获取最佳性能，并选择具有最佳性能的算法。通过定义参数数据测试组和包含大约20％原始参数数据的验证组来进行分析过程，与测试组一样，所述原始参数数据同样具有代表性。测试组被用于训练和校准算法，而验证组被用于执行外部验证。

分类算法有两个输出：

·预测模型，指示对子层的接合影响最大的变量。这种选择允许获得更轻量和更快使用的简化模型。因此，将创建仅包含最重要变量的简化模型。

·最优操作条件(根据处理的类型而定)。

然后以简化形式再次训练模型并投入生产。

具体而言，例如，可以观察到变窄的分布具有不同程度的多个相关性，其中在上游步骤中检测到众多参数。最强的相关性是通过在先前步骤中检测到的子层的基重分布和宽度分布以及转换步骤中的牵拉和滑移获得的。

借助于学习功能，可以观察到在相同处理操作的子层的缩窄之间存在最大差异的情况下，系统识别出加载到转换机器中的卷之间的最大差异在于初级步骤的生产线速度。

借助于本发明的主题可能得出的结论允许采取动作来改善形成和卷绕工艺，动态地校正转换机器上的操作张力，以最优地配合子层(例如，与形成速度彼此接近)或预先以某种程度的不合格标记产品。

应该理解的是，附图仅示出了本发明的可能的非限制性实施例，其可以在形式和布置上变化，而不脱离本发明所基于的概念的范围。根据以上描述和附图，提供所附权利要求中的任何附图标记纯粹是为了便于阅读，并且绝不以任何方式限制保护范围。

Claims (16)

1.一种用于在卷绕成卷的薄产品的中间处理步骤期间预测产品缺陷的存在的方法，所述方法包括：

-接收已被指派唯一标识码的薄产品的卷，所述唯一标识码存储在数据库系统中，数据库系统包含与所述唯一标识码相关联的在所述中间处理步骤上游卷绕成所述卷的所述薄产品的生产步骤中检测到的工艺和/或产品参数，

-访问所述数据库系统，

-将所述数据库系统中包含的与所述卷的唯一标识码相关联的工艺和/或产品参数中的一个或多个输入模型中，其中所述模型是预测模型，该预测模型使用根据与从所述中间处理步骤输出的工艺和/或产品参数相关的历史值以及与在所述中间处理步骤上游的所述卷的生产步骤中检测到的相同卷的工艺和/或产品参数相关的历史值借助于机器学习逻辑创建的相关性，以便预测从所述中间处理步骤输出的产品参数，

-将预测的所述产品参数与相应的预定义的极限值进行比较，

-基于所述比较的结果生成薄产品缺陷的预测诊断信息。

2.根据权利要求1所述的方法，其中，在生成预测诊断信息之后，该方法包括在所述中间处理步骤中适于修改处理工艺参数以避免超过所述极限值或拒绝对所述中间处理步骤下游的任何处理有潜在危险的产品部分的动作。

3.根据权利要求1所述的方法，其中所述预测模型考虑至少两个不同的工艺和/或产品参数，所述至少两个不同的工艺和/或产品参数借助于机器学习逻辑彼此相关联并且在中间处理步骤的上游被检测到，以便预测事件或者工艺和/或产品参数。

4.根据权利要求1所述的方法，其中所述预测模型使用与在中间处理步骤上游的相同卷的生产步骤中检测到的多个工艺和/或产品参数有关的第一历史数据集合、以及与从预测的中间处理步骤输出的检测到的多个工艺和/或者产品参数有关的第二历史数据集合；借助于人工智能或机器学习算法，生成将所述两个集合相关联的学习功能，生成预测功能，该预测功能允许通过对在中间处理步骤上游检测到的相同工艺和/或产品参数中的一个或多个进行分析来预测从所述中间处理步骤输出的一个或多个工艺和/或产品参数。

5.根据权利要求1所述的方法，其中所述中间处理步骤是

再次卷绕步骤，包括：将定义为初级卷的卷的薄产品解绕，并且将薄产品卷绕成横向尺寸等于或小于初级卷的一个或多个卷，定义为次级卷，其中与所述初级卷相关联的是定义为初级码的存储在所述数据库系统中的所述唯一标识码，并且在所述再次卷绕步骤上游的所述薄产品的生产步骤中检测到的工艺和/或产品参数与所述唯一标识码相关联，并且与每个次级卷相关联的是定义为次级码的相关的所述唯一标识码，并且在所述再次卷绕步骤上游的所述薄产品的生产步骤中检测到的工艺和/或产品参数以及在再次卷绕步骤中检测到的工艺和/或产品参数皆与所述相关的所述唯一标识码相关联，

或者

转换步骤，将卷绕成卷的薄产品转换为成品或半成品，该步骤包括将薄产品的卷解绕并将薄产品插入转换模块中，所述转换模块是卷成卷的薄产品到成品或半成品的转换模块。

6.根据权利要求1所述的方法，其中，在所述数据库系统中，存在与所述卷的所述唯一标识码相关联的在所述薄产品的联机生产期间和/或在联机生产的所述薄产品随后卷绕成所述卷期间检测到的工艺和/或产品参数。

7.根据权利要求1所述的方法，其中，在所述数据库系统中，存在与所述卷的所述唯一标识码相关联的在所述卷的包装步骤期间检测到的工艺和/或产品参数。

8.根据权利要求1所述的方法，其中，对于相关的卷，所述产品参数被存储为在检测到的产品的参数中产品区域的位置的函数。

9.根据权利要求8所述的方法，其中，借助于原点指向同一卷的坐标系存储检测到的产品的参数中产品区域的位置，所述坐标系包括：

-平行于卷的轴的第一坐标轴，其中原点与卷的侧面对应，以及，与绕薄产品在其上卷绕的卷的轴的薄产品的线性解绕对应的第二坐标轴，其原点与薄产品在卷芯上卷绕的起点重合。

10.根据权利要求1所述的方法，其中向至少一个卷指派唯一标识码包括通过应用以下内容来标记至少一个所述卷：包含所述唯一标识码的a)图形、b)RFID类型的电子产品，或c)磁性介质，并在所述数据库系统中存储所述唯一标识码。

11.根据权利要求10所述的方法，其中，在RFID类型的电子产品或磁性介质的情况下，所述方法包括用于指派所述介质的所述唯一标识码的编程步骤，该步骤在将介质施加到所述至少一个卷之前或者在将所述介质施加到从其得到所述至少一个卷的初级卷时发生。

12.根据权利要求1所述的方法，包括以下步骤：在卷绕成卷的薄产品的所述中间处理步骤开始时读取卷的唯一标识码。

13.根据权利要求1所述的方法，其中要在中间处理步骤的上游或在中间处理步骤期间被检测的并且与卷相关联的产品和工艺参数、以及在预测模型中使用的历史化参数选自以下之中的两个或更多个：产品类型标识；机器类型，卷长度，卷格式宽度，外部卷直径，作为卷绕长度的函数的宽度分布，卷绕长度为Y的函数，卷绕的薄产品的基重，卷绕的薄产品的基重公差，将薄产品卷绕在其上以产生卷的芯的类型，芯直径，锭子标识符，卷重量，卷生产开始日期和时间，卷生产结束日期和时间，室温，相对湿度，产品质量等级，卷质量等级，卷密度，作为Y的函数的卷密度分布，操作员或生产管理者标识符，作为Y的函数的生产线速度分布，作为Y的函数的卷绕器速度分布，作为Y的函数的生产线加速度和/或作为Y的函数的卷绕器加速度，所应用的表面处理，表面处理的位置，沿着X和沿着Y的基重分布，沿着X轴和沿着Y的厚度分布，沿着X轴和沿着Y的湿度分布，形成规格，键合的类型，所使用的纤维的混合或所使用的聚合物的混合，细化程度，所使用水的类型的混合，凝结剂浓度，絮凝剂浓度，浆料电导率，机械特性，沿着Y的随着产品的形成检测到的温度，沿着Y的烤箱或机盖温度分布，沿着Y的打印节距，由砑光机沿着Y每单位长度施加的夹持力，沿着Y的砑光机温度，沿着Y的卷绕张力分布，卷绕器打滑分布，所应用的控制的类型，生产方案标识符，检测系统检测到的包含的缺陷，卷生长分布卷绕的直径/米，随着产品的形成收集的带有时间戳的视频图像，该时间戳参考卷的Y轴。

14.一种用于生产薄产品的卷的设备，适于实现根据权利要求1所述的方法。

15.一种用于生产薄产品的卷的设备，包括

-连续薄产品的生产线，包括：能够知道同一生产线的产品和/或工艺参数的控制系统，

-数据库系统，包含：在薄产品和卷的生产期间检测到的产品和/或工艺参数，以及与所述卷相关的产品和/或工艺参数相关联的所生产的卷的标识码，

-定位在连续薄产品的所述生产线的出口处的卷绕器，适于将从所述生产线排出的薄产品卷绕成初级卷，包括：卷绕器的管理系统，要与正被卷绕的初级卷相关联的图形、电子或磁性介质上的读取和/或写入装置，适于写入或编程所述介质，与电子管理单元和进入卷绕器的产品的评估系统可操作地连接，包括质量控制模块QCS、以及/或者检测金属颗粒的缺陷和/或类型的视觉检查模块，

-再次卷绕器，适于从来自卷绕器的所述初级卷产生一个或多个次级卷，包括：正被卷绕成次级卷的产品的评估系统，其包括检测金属颗粒的缺陷和/或类型的视觉检查模块，以及质量控制模块QCS、正解绕的卷的标识码的读取装置，以及与正被卷绕的次级卷相关联的图形、电子或磁性介质上的标识码的读取和/或写入装置，以及适于将由正被卷绕产品的所述评估系统检测到的产品和/或工艺参数传送到与所述参数所指的次级卷的标识码相关联的所述数据库系统的管理系统，

-用于初级或次级卷的包装站，包括：与所述卷相关联的介质上的卷的标识码的读取装置，以及被包装的卷的评估系统与之相关联的包装步骤的管理系统，其包括视觉检查模块，所述管理系统适于将由正被包装的卷的所述评估系统检测到的与包装相关联的产品和/或工艺参数传送到与所述参数所指的卷的标识码相关联的所述数据库系统，

-用于卷到成品或半成品的转换站，包括：用于一个或多个卷的一个或多个解绕站、所述一个或多个卷的转换机、正解绕的卷的标识码的读取装置、从卷解绕并进入转换机的产品的评估系统，所述从卷解绕并进入转换机的产品的评估系统包括视觉检查模块，存在转换机的传感器以确定正处理的产品的参数，在转换期间获取的工艺和/或产品参数与正解绕的各个卷相关联或者与其在数据库系统中的标识码相关联，

-与包含在所述数据库系统中的卷的唯一标识码相关联的工艺和/或产品参数的管理软件，其中实现了预测模型，该预测模型使用由机器学习逻辑产生的与从设备的处理步骤输出的工艺和/或产品参数相关的历史值以及与在中间处理步骤上游的所述卷的生产步骤中检测到的相同卷的工艺和/或产品参数相关的历史值之间的相关性，所述模型适于预测从所述处理步骤输出的产品参数。

16.根据权利要求15所述的设备，包括用于改变所述薄产品的所述生产线和/或所述卷绕器和/或所述包装和/或所述再次卷绕器和/或所述转换站的工艺参数的部件，适于为了避免超过相应的预定义的极限值或拒绝对中间处理步骤的下游的任何处理有潜在危险的产品部分而修改处理工艺参数。

Images