CN112884212A - 烟支单支克重偏差分析预测方法 - Google Patents

Abstract

提供一种烟支单支克重偏差分析预测方法，该方法借助大数据分析挖掘服务，深入探索卷接烟支重量相关性分析内在规律，并对生产过程中的产品质量异常情况作出准确预测，综合考虑了卷接设备实时生产状态、来料烟丝质量参数情况，实现烟支单支克重实时监控，单支克重的历史监控，烟支单支克重的偏差预警，烟支单支克重偏差分析，根据这些监控数据可以实时向生产一线人员发出预警提醒，由被动查看转变为主动预测，有效降低质量异常出现的概率，最终实现烟丝节能降耗，节省成本，提高经济效益。

Description

烟支单支克重偏差分析预测方法

技术领域

本发明属于卷烟生产技术领域，具体涉及一种烟支单支克重偏差分析预测方法。

背景技术

随着生产设备越来越先进，工艺流程越来越规范，工艺水平越来越高，对于烟支克重的标准提高也越来越难。大数据分析是一种发展趋势，现如今卷包车间还未采用过大数据对卷包车间的设备参数、工艺参数进行过分析。

烟支单支克重偏差作为卷烟工厂创优对标重要指标，能有效反映烟支质量的精度控制水平；然而卷烟的生产环节、工艺复杂，导致烟支重量影响因素过多，每次发生烟支重量偏差过大的情况，需由技术人员凭借以往的经验采用排除法进行原因查找，耗时费力、严重制约生产的效率，而且最终效果有可能不太理想。因此，质量管理部希望以现有制造执行系统(MES)数据为主体，通过海量复杂数据采集、处理与存储，借助数据分析挖掘服务，深入探索卷接烟支重量相关性分析内在规律，并对生产过程中的产品质量异常情况作出准确预测，实时向生产一线人员发出预警提醒，由被动查看转变为主动预测，有效降低质量异常出现的概率，实现节能降耗、保持增效，提升生产经济效益。为此提出此改进。

发明内容

本发明解决的技术问题：提供一种烟支单支克重偏差分析预测方法，本发明能够进行实时烟支克重预测，根据这些监控数据实时向生产一线人员发出预警提醒，由被动查看转变为主动预测，有效降低质量异常出现的概率，最终实现烟丝节能降耗，节省成本，提高经济效益。

本发明采用的技术方案：烟支单支克重偏差分析预测方法，包括以下步骤：

步骤1)：实时数据采集，构建与烟支克重相关性分析模型：

采集卷烟生产使用的卷接机台设备运行状态值和机台综合测试台自检数据，主要通过对综合测试台的机台物检数据的分析，找出当某个机台某个班的物检数据出现重量偏差数据多个批次不合格数据时，对这台设备当班的机台生产报告、来料烟丝质检、设备停机、生产剔除、设备本体参数数据抽取出来，通过大数据分析对烟支单支克重与这些数据参数进行相关性关联，训练构建烟支克重相关性分析模型，分析之间存在的规律；

步骤2)：实时烟支克重预测：在完成烟支克重相关性分析模型后，系统实时采集卷接机台设备状态数据输入模型，系统根据模型预测当前烟支的克重趋势；

步骤3)：烟支克重超标预警：每一个卷烟牌号烟支都有上限值、中心值和下限值，若克重不符合当前牌号质量标准，则系统对于预测超标烟支进行及时预警提醒；

步骤4)：克重超标原因分析：系统在预警的同时还展示当前烟支克重超标预警的相关性原因；

步骤5)：故障维修后原因反馈：克重超标原因分析帮助维修人员查找克重超标的设备故障并进行人工干预维修，在维修人员完成设备故障维修后，系统对人工干预设备进行信息记录，对故障实际原因进行反馈，系统根据反馈原因检验模型的正确性，并优化模型，形成经验库指导类似故障解决。

3、根据权利要求1所述的烟支单支克重偏差分析预测方法，其特征在于：上述步骤1)中，烟支克重相关性分析模型的设计：是通过扩充输入变量，不断地优化模型，充分考虑烟丝、烟支、设备数据的情况，在业务理解的基础上结合业务专家的经验，初步确定烟支单支影响因素，运用筛选变量的技术方法，将影响烟支单支克重的影响因素筛选出来，采用筛选出来的变量，建立预测模型，当预测值超出告警范围时，将出现警告，并将出现告警原因，具有较大影响的因素、影响程度的大小进行展示，工作人员参考此意见进行具体的调整和处理；具体包括以下步骤：

数据预处理：数据来源主要有三部分：卷接机台运行参数数据、来料烟丝的物检数据以及质检设备上烟支单支重量检测数据，其中，质检设备上烟支单支重量检测数据为因变量，卷接机台运行参数数据和来料烟丝的物检数据为自变量；

数据预处理主要处理两部分的连接，通过最短的时间差进行数据表之间的连接，第一部分：将来料烟丝的物检数据与卷接机台运行参数数据进行关联形成模型输入变量表；第二部分：将第一部分合并成功的模型输入变量表与质检设备数据进行关联，得到处理后的数据；

影响因素与烟支单支克重质检的相关性检验：将因变量和自变量纳入相关性校验模型进行检验，校验可得出相关性系数绝对值作为数据筛选的依据；

变量筛选：根据上述的相关性分析，可知多个自变量与因变量之间存在的相关性的大小存在差异，因此在建立模型之前需要对多个自变量进行筛选；

划分数据集：将筛选出数据集按照8:2的比例划分为训练集以及测试集；训练集是将模型用来进行训练的，测试集是将模型进行测试模型效果好坏的；

建立模型：对划分出数据集进行训练测试，通过对拟合度、RMSE、最大偏差参数来判断选用哪类算法作为预测模型；

烟支质量预测模型：构建分析预测模型，通过数据的相关性分析来识别影响因素，找出影响质量破洞的显著参数，应用多元线性回归模型建模或支持向量机，通过模型的预测和反复的烟支优化，准确掌握数据控制变化对质量波动造成的影响程度，找到最佳的预测参数组合；

对模型进行反复的验证和完善，以确保模型预测分析结果的准确性；模型通过对工序大量历史数据的预测分析，找到最佳的参数组合，指导生产进度质量控制的同时，辅助完成内控标准的制定。

本发明与现有技术相比的优点：

本方案与现有技术相比，该烟支单支克重偏差分析预测方法借助大数据分析挖掘服务，深入探索卷接烟支重量相关性分析内在规律，并对生产过程中的产品质量异常情况作出准确预测，综合考虑了卷接设备实时生产状态、来料烟丝质量参数情况，实现烟支单支克重实时监控，单支克重的历史监控，烟支单支克重的偏差预警，烟支单支克重偏差分析，根据这些监控数据可以实时向生产一线人员发出预警提醒，由被动查看转变为主动预测，有效降低质量异常出现的概率，最终实现烟丝节能降耗，节省成本，提高经济效益。

附图说明

图1为本发明的原理图；

图2为本发明告警效果展示图；

图3为本发明反馈效果展示图；

图4为本发明实施例中单支实时监控图；

图5为本发明实施例中克重历史记录图；

图6为本发明实施例中偏差分析图；

图7为本发明实施例中偏差影响因素图。

具体实施方式

请参阅图1-7，详述本发明的实施例。

实施例1：

烟支单支克重偏差分析预测方法，包括以下步骤：

步骤1)：实时数据采集，构建与烟支克重相关性分析模型：

采集卷烟生产使用的卷接机台设备运行状态值和机台综合测试台自检数据，主要通过对综合测试台的机台物检数据的分析，找出当某个机台某个班的物检数据出现重量偏差数据多个批次不合格数据时，对这台设备的当班的机台生产报告、来料烟丝质检、设备停机、生产剔除、设备本体参数数据抽取出来，通过大数据分析对烟支单支克重与这些数据参数进行相关性关系，训练构建烟支克重相关性分析模型，分析之间存在的规律；

步骤2)：实时烟支克重预测：在完成烟支克重相关性分析模型后，系统实时采集卷接机台设备状态数据输入模型，系统根据模型预测当前烟支的克重趋势；

步骤3)：烟支克重超标预警：每一个卷烟牌号烟支都有上限值、中心值和下限值，若克重不符合当前牌号质量标准，则系统对于预测超标烟支进行及时预警提醒；

步骤4)克重超标原因分析：系统在预警的同时还展示当前烟支克重超标预警的相关性原因；

步骤5)：故障维修后原因反馈：克重超标原因分析帮助维修人员查找克重超标的设备故障并进行人工干预维修，在维修人员完成设备故障维修后，系统对人工干预设备进行信息记录，对故障实际原因进行反馈，系统根据反馈原因检验模型的正确性，并优化模型，因此形成经验库指导类似故障解决。

实施例2：模型的具体建立及使用情况。

烟支单支克重相关性分析模型的设计：是通过扩充输入变量，不断地优化模型，充分考虑烟丝、烟支、设备数据的情况，在业务理解的基础上，结合业务专家的经验，初步确定烟支单支影响因素，运用筛选变量的技术方法，将影响烟支单支克重的影响因素筛选出来，采用筛选出来的变量，建立预测模型，当预测值超出告警范围时，将出现警告，并将出现告警原因，具有较大影响的因素、影响程度的大小进行展示，工作人员参考此意见进行具体的调整和处理；

数据合并的过程：通过两个数据集中的数据检测时间+机台进行关联，找到对应的检测烟支的相关TAG实时采集的数据，时间间隔为1分钟左右，合并成统一的数据集合；

缺失值处理：对于统一的数据集合中的缺失值进行处理，去掉有缺失值的数据记录。

离群值检测以及处理：为反映实际生产过程中的异常生产状况，对烟支克重异常值的记录进行离群值检测以及处理。

具体的做法如下：

数据预处理：数据来源主要有三部分：卷接机台运行参数数据、来料烟丝的物检数据以及质检设备上烟支单支重量检测数据，其中，质检设备上烟支单支重量检测数据为因变量，卷接机台运行参数数据和来料烟丝的物检数据为自变量。如表2所示的输入量与输出量。

数据预处理主要处理两部分的连接，通过最短的时间差进行数据表之间的连接，第一部分：将来料烟丝的物检数据与卷接机台运行参数数据进行关联形成模型输入变量表；烟丝数据主要包括整丝率、碎丝率、填充度、纯净度以及含水率等数据；由于此类数据来源两个烟丝的步骤，分别是加香工序以及贮丝部分。贮丝包括贮丝含水率，加香工序包括烟丝整丝率、碎丝率、填充度以及纯净度。首先，贮丝含水率数据通过“批次号”字段与烟丝加香工序的数据进行关联，形成烟丝批次质量数据表。接着，在烟丝批次质量数据表中，烟丝批次质量数据输入模型时，采用最近时间的检验值将烟丝数据与卷接机数据进行连接。第二部分：将第一部分合并成功的模型输入变量表与质检设备数据进行关联，得到处理后的数据；由于卷烟机机台未与质检设备在同一条生产线上，那么在车间人员进行质检时，在机台处取烟后，需步行一段路程再进行检测，就会出现卷烟机机台的数据与质检设备的数据存在一定的时间差，因此在数据预处理时，需先通过专家经验与实验相结合的方法，确定从卷烟机机台步行至质检设备所花费的时间，然后将机台数据与质检设备数据对齐。根据现场实验可得，从机台卷接机处到质检设备的时间花费约35秒左右的时间。因此根据此专家建议，将质检设备中(综合测试台)检测烟支单支质量的时间(单支检测时间)减去35秒，由于烟支检测时间每批次都相同，因此需要将每支烟的单支检测时间与检测的顺序进行相加，再与机台数据的采集时间对齐，得到处理后的数据。

影响因素与烟支单支克重质检的相关性检验：将因变量和自变量纳入相关性校验模型进行检验，校验可得出相关性系数绝对值作为数据筛选的依据；

变量筛选：根据上述的相关性分析，可知多个自变量与因变量之间存在的相关性的大小存在差异，因此在建立模型之前需要对多个自变量进行筛选；可采用lasso回归等模型算法进行变量筛选，筛选出“红色”的变量；如表3所示的初次选择的输入变量列举表。

划分数据集：将筛选出数据集按照8:2的比例划分为训练集以及测试集；训练集是将模型用来进行训练的，测试集是将模型进行测试模型效果好坏的；

建立模型：对划分出数据集采用随机森林、gbdt算法等进行训练测试，通过对拟合度、RMSE、最大偏差等参数来判断选用哪类算法作为预测模型；如表1所示的模型分析表。

模型建立的原理：

GBDT(Gradient Boosting Decision Tree，梯度提升树)算法是一种迭代的决策树算法，该算法由多棵决策树组成，所有树的结论累加起来做最终答案。GBDT中的树是回归树(不是分类树)，GBDT用来做回归预测，还能得到输入变量的重要性排序，其具有天然优势可以发现多种有区分性的特征以及特征组合，不受输入变量量纲差异大的影响，并且是一种泛化能力较强的算法。具体算法如下

1.Decision Tree：CART回归树

回归树 成算法：

输入：训练数据集D:

输出：回归树f(x):

在训练数据集所在的输入空间中，递归的将每个区域划分为两个子区域并决定每个子区域上的输出值，构建二叉决策树：

(1)选择最优切分变量j与切分点s，求解

遍历变量j，对固定的切分变量j扫描切分点s，选择使得上式达到最小值的对(j，s)

(2)用选定的对(j，s)划分区域并决定相应的输出值：

R₁(j，s)＝x|x^(j)≤s，R₂(j，s)＝x|x^(j)＞s

(3)继续对两个子区域调用步骤(1)和(2)，直至满足停止条件。

(4)将输入空间划分为M个区域R1，R2，…RM，生成决策树：

2.Gradient Boosting：拟合负梯度

提升树算法：

(1)初始化f0(x)＝0

(2)对m＝1，2，...，M

(a)计算残差

rmi＝yi_fm-1(x)，i＝1，2，...，N

(b)拟合残差rmi学习一个回归树，得到hm(x)

(c)更新fm(x)＝fm_1+hm(x)

(3)得到回归问题提升树

3.GBDT算法原理

Decision Tree和Gradient Boosting两部分组合在一起就是GBDT

GBDT算法：

(1)初始化模型

(2)对m＝1,2,...,M有：

(a)对每个样本i＝1,2,...,N，计算负梯度，即残差

(b)将上步得到的残差作为样本新的真实值，并将数据(xi,rim)，i＝1,2,..N作为下棵树的训练数据，得到一颗新的回归树fm(x)其对应的叶子节点区域为Rjm,j＝1,2,...,J。其中J为回归树t的叶子节点的个数。(c)对叶子区域j＝1,2,..J计算最佳拟合值

(d)更新模型

(3)最终模型

烟支质量预测模型：构建分析预测模型，通过数据的相关性分析来识别影响因素，找出影响质量破洞的显著参数，应用多元线性回归模型建模或支持向量机，通过模型的预测和反复的烟支优化，准确掌握数控制变化对质量波动造成的影响程度，找到最佳的预测参数组合；

对模型进行反复的验证和完善，以确保模型预测分析结果的准确性；模型通过对工序大量历史数据的预测分析，找到最佳的参数组合，指导生产进度质量控制的同时，辅助完成内控标准的制定。

在实际应用中：

模型预警与相关性分析

模型预警

烟支单支克重预测模型预警，以好猫(A)为例，该牌号烟支克重标准克重为500mg，标准允差范围为50mg，为提高该产品质量，降低烟丝成本，根据实际超过标准的数据统计可得，预警范围设置成[450，550]，当预测烟支单支克重低于450mg或者高于550mg时，进行预警，并据此进行相关性因素分析，根据影响因素权重排序，给出影响权重较大的因素，车间人员可参考此因素进行设备调整和处理。如图2所示的告警效果展示图。

模型相关因素分析

基于调优模型，当预测模型出现预警时，对当前预警的各输入变量和输出变量做相关性分析，得到各影响因素对输出变量的权重大小。以卷烟厂2018年12月份数据为例，根据相关性大小得出权重，根据权重从大到小进行排序，列出前六影响较大的因素，如图3所示的反馈效果图。

根据图3可知影响因素权重大小的情况，在烟支克重异常情况下，车间人员可参考上图3所示影响因素，进行机器设备问题排查，节约人力物力等成本，实现更快更好地生产。

烟支质量预测报警

基于卷烟烟支单支克重偏差预测模型，改变原有按规程频次检验，系统平台自动按照每分钟40分钟对班组当前生产机台进行一次烟支克重预测，当系统平台预测烟支单支克重偏差超标时，依据预警规则(预测超标时长或者影响单支支数等)产生预警信息并推送给机台操作工和卷包车间质量管理人员，督促机台操作工及时对生产异常进行调整、处理。

以烟支质量预测模型，实时监控各影响因素的趋势变化，当因素异常情况达到影响烟支克重质量的条件下，发出预警信息，及时告知机台操作工或者卷包车间工艺员，经人工确认后，进行相关处理措施。

根据实时从卷包机系统采集到的设备数据和MES系统相关数据，对班组当前生产机台进行烟支克重分析，将当前班次4小时内离线检测的烟支克重实测值进行打点。

当系统监测发生超标时，产生警告，如值标红加粗，点击大红点，可弹框查看超标情况及原因定位分析。待处理完毕后，操作人员可将处理明细进行填写，以备后续作为类似超标报警的解决经验措施。

烟支单支克重实时监控

根据实时从卷包数采系统采集到的设备数据和MES系统相关数据，如表4所示的从mes中获取的数据，对班组当前生产机台进行烟支克重分析，将当前班次4小时内离线检测的烟支克重实测值进行打点，如图4所示的单支实时监控图。

当系统监测发生超标时，产生警告，如值标红加粗，点击大红点，可弹框查看超标情况及原因定位分析。待处理完毕后，操作人员可将处理明细进行填写，以备后续作为类似超标报警的解决经验措施。

烟支单支克重历史记录分析

系统提供烟支克重历史数据分析功能，用户可通过生产日期和班次定位当前机台的生产工单，提取工单的烟支克重实测数据，系统自动形成汇总分析结果，为用户提供当前机台的烟支克重控制情况，同时还可快速查看异常情况，为后续烟支克重问题的跟踪和改进提供支撑。

提取所选工单的单支克重数据进行趋势图描点绘制展示，如图5所示的克重历史图。

烟支克重偏差综合统计分析

烟支克重偏差统计分析是以卷包检验室专检的物检结果为数据依据，此烟支偏差是物检组偏差(30支烟为一组)。

以烟支克重偏差统计分析上方查询条件中所选的牌号，对其历史年度的烟支克重偏差进行统计，计算出每个牌号历史年度的平均偏差，同时计算所选牌号的平均水平(偏差)。起始年份可自定义，可支持计算最近五年的年度平均偏差。

分析可分为包括当前年月度烟支克重偏差趋势分析、历史年度克重偏差统计两个部分的内容。

烟支单支克重偏差趋势分析

提取所选工单每5分钟的单支克重预测数据进行趋势图描点绘制展示，如图6所示的偏差分析图。同时还可将在线、离线检测的烟支克重偏差值进行复合打点(可用于预测值与实测值的比对验证)，用以颜色区分标识。

烟支克重超标预警记录分析

提取当前工单烟支克重的超标记录，用户可查看超标情况、原因定位分析及处理措施。同时，操作人员也可在此处将处理措施进行填写记录，以备作为后续类似超标预警的解决经验措施。

烟支克重偏差影响因素统计

按所选开始日期和结束日期(默认当天)，所选牌号、班组、机组，对偏差影响因素进行统计，形成月度偏差趋势图及对应的数据表。如图7所示的偏差影响因素图。

以下为上述所述的表1—4的内容。

表1模型分析示意图

表2输入量与输出量

表3初次选择的输入变量(列举)

表4从mes中获取的数据

本方案与有技术相比，该烟支单支克重偏差分析预测方法借助大数据分析挖掘服务，深入探索卷接烟支重量相关性分析内在规律，并对生产过程中的产品质量异常情况作出准确预测，综合考虑了卷接设备实时生产状态，来料(烟丝)质量参数情况(含水率、整丝率)，实现烟支单支克重实时监控，单支克重的历史监控，烟支单支克重的偏差预警，烟支单支克重偏差分析，根据这些监控数据可以实时向生产一线人员发出预警提醒，由被动查看转变为主动预测，有效降低质量异常出现的概率，最终实现烟丝节能降耗，节省成本，提高经济效益。

上述实施例，只是本发明的较佳实施例，并非用来限制本发明实施范围，故凡以本发明权利要求所述内容所做的等效变化，均应包括在本发明权利要求范围之内。

Claims (2)

1.烟支单支克重偏差分析预测方法，其特征在于：包括以下步骤：

步骤1)：实时数据采集，构建与烟支克重相关性分析模型：

采集卷烟生产使用的卷接机台设备运行状态值和机台综合测试台自检数据，主要通过对综合测试台的机台物检数据的分析，找出当某个机台某个班的物检数据出现重量偏差数据多个批次不合格数据时，对这台设备当班的机台生产报告、来料烟丝质检、设备停机、生产剔除、设备本体参数数据抽取出来，通过大数据分析对烟支单支克重与这些数据参数进行相关性关联，训练构建烟支克重相关性分析模型，分析之间存在的规律；

步骤2)：实时烟支克重预测：在完成烟支克重相关性分析模型后，系统实时采集卷接机台设备状态数据输入模型，系统根据模型预测当前烟支的克重趋势；

步骤3)：烟支克重超标预警：每一个卷烟牌号烟支都有上限值、中心值和下限值，若克重不符合当前牌号质量标准，则系统对于预测超标烟支进行及时预警提醒；

步骤4)：克重超标原因分析：系统在预警的同时还展示当前烟支克重超标预警的相关性原因；

步骤5)：故障维修后原因反馈：克重超标原因分析帮助维修人员查找克重超标的设备故障并进行人工干预维修，在维修人员完成设备故障维修后，系统对人工干预设备进行信息记录，对故障实际原因进行反馈，系统根据反馈原因检验模型的正确性，并优化模型，形成经验库指导类似故障解决。

2.根据权利要求1所述的烟支单支克重偏差分析预测方法，其特征在于：上述步骤1)中，烟支克重相关性分析模型的设计：是通过扩充输入变量，不断地优化模型，充分考虑烟丝、烟支、设备数据的情况，在业务理解的基础上结合业务专家的经验，初步确定烟支单支影响因素，运用筛选变量的技术方法，将影响烟支单支克重的影响因素筛选出来，采用筛选出来的变量，建立预测模型，当预测值超出告警范围时，将出现警告，并将出现告警原因，具有较大影响的因素、影响程度的大小进行展示，工作人员参考此意见进行具体的调整和处理；具体包括以下步骤：

数据预处理：数据来源主要有三部分：卷接机台运行参数数据、来料烟丝的物检数据以及质检设备上烟支单支重量检测数据，其中，质检设备上烟支单支重量检测数据为因变量，卷接机台运行参数数据和来料烟丝的物检数据为自变量；

数据预处理主要处理两部分的连接，通过最短的时间差进行数据表之间的连接，第一部分：将来料烟丝的物检数据与卷接机台运行参数数据进行关联形成模型输入变量表；第二部分：将第一部分合并成功的模型输入变量表与质检设备数据进行关联，得到处理后的数据；

影响因素与烟支单支克重质检的相关性检验：将因变量和自变量纳入相关性校验模型进行检验，校验可得出相关性系数绝对值作为数据筛选的依据；

变量筛选：根据上述的相关性分析，可知多个自变量与因变量之间存在的相关性的大小存在差异，因此在建立模型之前需要对多个自变量进行筛选；

划分数据集：将筛选出数据集按照8:2的比例划分为训练集以及测试集；训练集是将模型用来进行训练的，测试集是将模型进行测试模型效果好坏的；

建立模型：对划分出数据集进行训练测试，通过对拟合度、RMSE、最大偏差参数来判断选用哪类算法作为预测模型；

烟支质量预测模型：构建分析预测模型，通过数据的相关性分析来识别影响因素，找出影响质量破洞的显著参数，应用多元线性回归模型建模或支持向量机，通过模型的预测和反复的烟支优化，准确掌握数据控制变化对质量波动造成的影响程度，找到最佳的预测参数组合；

对模型进行反复的验证和完善，以确保模型预测分析结果的准确性；模型通过对工序大量历史数据的预测分析，找到最佳的参数组合，指导生产进度质量控制的同时，辅助完成内控标准的制定。

Images