CN113592314B - 基于西格玛水平的制丝工艺质量评价方法 - Google Patents
基于西格玛水平的制丝工艺质量评价方法 Download PDFInfo
- Publication number
- CN113592314B CN113592314B CN202110888871.1A CN202110888871A CN113592314B CN 113592314 B CN113592314 B CN 113592314B CN 202110888871 A CN202110888871 A CN 202110888871A CN 113592314 B CN113592314 B CN 113592314B
- Authority
- CN
- China
- Prior art keywords
- quality
- data
- evaluation
- silk
- sigma level
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 358
- 230000008569 process Effects 0.000 title claims abstract description 264
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 50
- 238000004519 manufacturing process Methods 0.000 claims abstract description 116
- 238000011156 evaluation Methods 0.000 claims abstract description 89
- 238000013210 evaluation model Methods 0.000 claims abstract description 32
- 238000004886 process control Methods 0.000 claims abstract description 14
- 238000006243 chemical reaction Methods 0.000 claims abstract description 11
- 238000012797 qualification Methods 0.000 claims description 64
- 238000004364 calculation method Methods 0.000 claims description 40
- 238000007726 management method Methods 0.000 claims description 33
- 238000009960 carding Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 17
- 238000005259 measurement Methods 0.000 claims description 10
- 238000003070 Statistical process control Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 235000019504 cigarettes Nutrition 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 4
- 238000001035 drying Methods 0.000 claims description 4
- 230000003750 conditioning effect Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000000265 homogenisation Methods 0.000 abstract description 6
- 239000010410 layer Substances 0.000 description 52
- 238000004458 analytical method Methods 0.000 description 12
- 230000006872 improvement Effects 0.000 description 11
- 241000208125 Nicotiana Species 0.000 description 10
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 10
- 230000007704 transition Effects 0.000 description 7
- 238000003324 Six Sigma (6σ) Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 238000003908 quality control method Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000005520 cutting process Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 208000025174 PANDAS Diseases 0.000 description 2
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 2
- 240000004718 Panda Species 0.000 description 2
- 235000016496 Panda oleosa Nutrition 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000004451 qualitative analysis Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000010923 batch production Methods 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 210000001520 comb Anatomy 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000004801 process automation Methods 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000013442 quality metrics Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 235000019505 tobacco product Nutrition 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Analysis (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Computational Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Manufacturing & Machinery (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于西格玛水平的制丝工艺质量评价方法，包括：采集制丝工艺数据，得到数据样本；确定西格玛水平测评模型；根据西格玛水平测评模型和制丝工序，构建制丝工艺质量评价模型；根据制丝工艺质量评价模型和数据样本，计算制丝工艺的西格玛水平。本发明的基于西格玛水平的制丝工艺质量评价方法，实现由控制指标向控制参数转变，由结果控制向过程控制转变，提升制丝工艺的精细化管理水平，为提升制丝过程控制能力和均质化水平提供科学指导；对海量数据进行深入挖掘和分析利用，用数据作为智能制造的核心驱动力，有助于精确解决评价系统中发现的弱项和短板，实现多维度参数评价、工序评价、产品评价及制丝质量全过程管理。
Description
技术领域
本发明涉及烟草质量评价技术领域，尤其涉及一种基于西格玛水平的制丝工艺质量评价方法。
背景技术
目前，制丝生产线采用的质量评价方法多以统计过程控制(SPC)技术为主，以简单剔除料头料尾的方式处理数据。针对单指标、单参数仅定性分析，主要以质量结果评价为主，评价方法不够全面和准确。虽然在指导烟草制丝工序稳定控制和工艺优化研究中发挥了重要作用，但仍存在一定局限性。
目前，对于制丝产品质量评价有以下四点缺陷：首先，缺少对制丝产品的全过程质量评价与管控。传统SPC技术仅对单指标、单参数独立地评价，没有在产品、工序、工艺指标多层级间构建科学的评价结构，无法完整准确的判断一个批次质量的好坏。其次，对于完整加工批次的追溯只能通过不同模块的查询，无法做到全局化。再次，海量的生产数据仍处于原始阶段，未深入挖掘生产数据之间的关联性和协同性，缺少对工艺质量的深层次分析。最后，制丝产品评价主要以批次结束后的质量结果评价为主，而忽略了对生产过程中各参数控制的评价，产品评价以历史数据为依据，缺少实时预警和实时评价功能，响应周期长，响应决策慢。
因此，亟需一种基于西格玛水平的制丝工艺质量评价方法。
发明内容
本发明的目的是提供一种基于西格玛水平的制丝工艺质量评价方法，以解决上述现有技术中的问题，能够实现由控制指标向控制参数转变，由结果控制向过程控制转变，由经验决策向科学决策转变，提升制丝工艺的精细化管理水平。
本发明提供了一种基于西格玛水平的制丝工艺质量评价方法，其中，包括：
采集制丝工艺数据，得到数据样本；
确定西格玛水平测评模型；
根据所述西格玛水平测评模型和制丝工序，构建制丝工艺质量评价模型；
根据所述制丝工艺质量评价模型和所述数据样本，计算制丝工艺的西格玛水平；
根据所述西格玛水平，对制丝工艺质量进行评价。
如上所述的基于西格玛水平的制丝工艺质量评价方法，其中，优选的是，所述采集制丝工艺数据，得到数据样本，具体包括：
对制丝工艺的工艺原始数据进行采集；
对采集的工艺原始数据按照生产批次进行分批处理；
对经过分批处理的制丝工艺数据进行数据截取，以得到数据样本。
如上所述的基于西格玛水平的制丝工艺质量评价方法，其中，优选的是，所述对经过分批处理的制丝工艺数据进行数据截取，以得到数据样本，具体包括：
对经过分批处理的制丝工艺数据进行稳态识别，以筛选出有效的稳态数据；
对经过稳态识别的制丝工艺数据中的缺失值进行填充；
对经过填充处理的制丝工艺数据中的异常值进行识别并剔除；
对剔除异常值后的制丝工艺数据进行噪声检测，并对制丝工艺数据进行去噪处理。
如上所述的基于西格玛水平的制丝工艺质量评价方法，其中，优选的是，所述确定西格玛水平测评模型，具体包括：
确定过程能力西格玛水平测算的计算原则；
确定过程能力西格玛水平测算的数据计算方法；
基于过程能力西格玛水平测算的计算原则和数据计算方法，确定西格玛水平测评模型。
如上所述的基于西格玛水平的制丝工艺质量评价方法，其中，优选的是，所述确定过程能力西格玛水平测算的计算原则，具体包括：
以基于制丝线工艺的核心流程图所确定的关键品质特性指标为基础；
采用卷烟制造过程能力测评指标和工艺要求，确定关键品质特性标准，
所述确定过程能力西格玛水平测算的数据计算方法，具体包括：
针对计量型数据，基于概率分布模型，计算合格率；
针对计数型数据，计算合格率，
所述基于过程能力西格玛水平测算的计算原则和数据计算方法，确定西格玛水平测评模型，具体包括：
通过概率密度函数计算出过程的标准合格率；
基于插值法原理，根据过程的标准合格率，确定西格玛水平的测评模型。
如上所述的基于西格玛水平的制丝工艺质量评价方法，其中，优选的是，所述根据所述西格玛水平测评模型和制丝工序，构建制丝工艺质量评价模型，具体包括：
对制丝工艺关键节点评价参数进行梳理；
根据所述制丝工艺关键节点评价参数的梳理结果，构建工艺质量评价模型。
如上所述的基于西格玛水平的制丝工艺质量评价方法，其中，优选的是，所述对制丝工艺关键节点评价参数进行梳理，具体包括：
从工序评价和产品评价两个维度，对制丝工艺关键节点的工艺评价参数进行梳理，所述制丝工艺关键节点包括松散回潮、加料、切丝、烘丝、加香中的至少一个，
所述根据所述制丝工艺关键节点评价参数的梳理结果，构建工艺质量评价模型，具体包括：
根据所述制丝工艺关键节点评价参数的梳理结果，围绕工序评价，构建多层评价模型。
如上所述的基于西格玛水平的制丝工艺质量评价方法，其中，优选的是，所述多层评价模型为五层评价模型，并且所述五层评价模型包括：管理层、产品层、工序层、指标层和参数层，其中：
所述参数层和所述指标层用于对制丝工序进行多维度参数和/或协同参数进行评价；
所述工序层用于将基于自动过程控制的设备参数、基于统计过程控制的质量参数评价结果和基于信息物理系统的工序智能制造过程进行融合；
所述产品层用于对流水线协同生产多个产品的能力进行评价；
所述管理层通过集成所述参数层、所述指标层、所述工序层和所述产品层的评价结果，以对制丝质量全过程进行数字化管理。
如上所述的基于西格玛水平的制丝工艺质量评价方法，其中，优选的是，所述根据所述制丝工艺质量评价模型和所述数据样本，计算制丝工艺的西格玛水平，具体包括：
确定所述制丝工艺质量评价模型中参数层的关键质量特性指标；
确定参数指标权重；
根据所述关键质量特性指标、所述参数指标权重和所述数据样本，计算制丝工艺的西格玛水平。
如上所述的基于西格玛水平的制丝工艺质量评价方法，其中，优选的是，所述确定参数指标权重，具体包括：
采用层次分析法，基于层次分析模型，对关键工序和各关键工序对应的质量指标赋予权重，
所述根据所述关键质量特性指标、所述参数指标权重和所述数据样本，计算制丝工艺的西格玛水平，具体包括：
基于所述数据样本，计算出单工序多个关键质量特性参数的合格率；
根据各关键质量特性指标的工艺参数权重，运用几何平均数，通过以下公式计算制丝过程的单工序标准合格率，
其中，NY工序表示单工序标准合格率，αi表示工艺参数权重，Pi表示工艺参数权重为αi所对应的工艺参数的合格率；
通过查询过程能力西格玛水平换算表，得到单工序标准合格率所对应的西格玛水平，得到相应各工序层的西格玛水平；
根据各关键质量特性指标的工序权重，运用几何平均数，通过以下公式计算制丝过程的产品标准合格率，
其中，NY产品表示产品标准合格率，βj表示工序权重，
通过查询过程能力西格玛水平换算表，得到产品标准合格率所对应的西格玛水平，得到相应各产品层的西格玛水平；
根据各关键质量特性指标的产品权重，运用几何平均数，通过以下公式计算制丝过程的制丝批次的总体标准合格率，
其中，NY批次表示制丝批次的总体标准合格率，γk表示产品权重，
通过查询过程能力西格玛水平换算表，得到制丝批次的总体标准合格率所对应的西格玛水平，得到制丝批次的西格玛水平。
本发明提供一种基于西格玛水平的制丝工艺质量评价方法，根据西格玛水平，对制丝工艺质量进行评价，实现由控制指标向控制参数转变，由结果控制向过程控制转变，由经验决策向科学决策转变，提升制丝工艺的精细化管理水平，为提升制丝过程控制能力和均质化水平提供科学指导；同时对海量数据进行深入挖掘和分析利用，构建制丝工艺质量评价模型，用数据作为智能制造的核心驱动力，有助于根据西格玛水平精确解决评价系统中发现的弱项和短板，实现多维度参数评价、工序评价、产品评价及制丝质量全过程管理；通过对制丝线工序质量指标间构建多层级的科学的评价结构，采用层次分析法实现层级间指标权重计算，通过概率密度函数计算出关键质量特性所属工序的标准合格率，最终通过批次综合西格玛得分模型实现制丝质量全过程管理，通过搭建质量管理、监控和创新改进的协同工作平台，实现制丝全工序评价；可自动生成批次分析报告，显示问题点和建议项，实现计算机代替人工进行自动实时评价、实时预警，可有效指导操作人员对质量进行调整把控；可单工序评价，也可全工序可评价，进一步提高了跨工序数字协同能力，提升产品加工标准化、均质化水平。
附图说明
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步描述，其中：
图1为本发明提供的基于西格玛水平的制丝工艺质量评价方法的实施例的流程图；
图2为本发明提供的对制丝工艺数据进行处理、得到数据样本的流程图；
图3为本发明提供的制丝线工艺核心流程图；
图4为本发明提供的五层评价模型的示意图；
图5为本发明提供的关键质量特性指标的树图。
具体实施方式
现在将参照附图来详细描述本公开的各种示例性实施例。对示例性实施例的描述仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。本公开可以以许多不同的形式实现，不限于这里所述的实施例。提供这些实施例是为了使本公开透彻且完整，并且向本领域技术人员充分表达本公开的范围。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、材料的组分、数字表达式和数值应被解释为仅仅是示例性的，而不是作为限制。
本公开中使用的“第一”、“第二”：以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的部分。“包括”或者“包含”等类似的词语意指在该词前的要素涵盖在该词后列举的要素，并不排除也涵盖其他要素的可能。“上”、“下”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
在本公开中，当描述到特定部件位于第一部件和第二部件之间时，在该特定部件与第一部件或第二部件之间可以存在居间部件，也可以不存在居间部件。当描述到特定部件连接其它部件时，该特定部件可以与所述其它部件直接连接而不具有居间部件，也可以不与所述其它部件直接连接而具有居间部件。
本公开使用的所有术语(包括技术术语或者科学术语)与本公开所属领域的普通技术人员理解的含义相同，除非另外特别定义。还应当理解，在诸如通用字典中定义的术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，技术、方法和设备应当被视为说明书的一部分。
目前，对于制丝产品质量评价有以下四点缺陷：首先，缺少对制丝产品的全过程质量评价与管控。传统SPC技术仅对单指标、单参数独立地评价，没有在产品、工序、工艺指标多层级间构建科学的评价结构，无法完整准确的判断一个批次质量的好坏。其次，对于完整加工批次的追溯只能通过不同模块的查询，无法做到全局化。再次，海量的生产数据仍处于原始阶段，未深入挖掘生产数据之间的关联性和协同性，缺少对工艺质量的深层次分析。最后，制丝产品评价主要以批次结束后的质量结果评价为主，而忽略了对生产过程中各参数控制的评价，产品评价以历史数据为依据，缺少实时预警和实时评价功能，响应周期长，响应决策慢。
六西格玛是一套先进的管理方法，本质是一种以事实和数据为基础的管理模式，采用严密、科学的分析工具和方法，通过定义问题、测量现状、分析原因、实施改善、进行控制，即DMAIC模式展开项目运作，改进优化并提高产品过程控制能力，使企业的运作能力达到最佳。目前，六西格玛管理在烟草制丝产品的评价和管理中的应用较少。
在烟草制丝的实际生产中，成品的形成过程由多道工序加工而成，每道工序涉及多个产品质量特性且互相影响。传统的评价方法不够精细，只依靠单工序或单特性的过程能力来对产品质量进行评价和改进不够充分和准确。为弥补现有制丝评价方法的不足，本发明对现有制丝评价方法的适应性和精准性进行了优化和改进，具体是基于西格玛水平设计一种全面、科学、准确的制丝工艺质量评价方法，有效提升制丝精益管理水平和过程控制能力，推动企业数字化转型。
如图1所示，本实施例提供的基于西格玛水平的制丝工艺质量评价方法在实际执行过程中，具体包括如下步骤：
步骤S1、采集制丝工艺数据，得到数据样本。
如图2所示，在本发明的基于西格玛水平的制丝工艺质量评价方法的一种实施方式中，所述步骤S1具体可以包括：
步骤S11、对制丝工艺的工艺原始数据进行采集。
具体地，对制造执行系统(Manufacturing Execution System，MES)中的工艺原始数据进行采集。示例性地，工艺原始数据包括工艺质量数据、设备运行数据、智能仪器仪表数据等。
步骤S12、对采集的工艺原始数据按照生产批次进行分批处理。
对提取到的工艺原始数据进行根据生产批次进行分批处理。松散回潮和二级加料工序不存在批次连开，但在切烘、掺配加香工序经常存在批次连开的情况，如果不对数据进行断批处理，上一批的数据就会和下一批的数据相连，数采频率和点数就无法达到要求。
步骤S13、对经过分批处理的制丝工艺数据进行数据截取，以得到数据样本。
在本发明的基于西格玛水平的制丝工艺质量评价方法的一种实施方式中，所述步骤S13具体可以包括：
步骤S131、对经过分批处理的制丝工艺数据进行稳态识别，以筛选出有效的稳态数据。
步骤S132、对经过稳态识别的制丝工艺数据中的缺失值进行填充。
本发明在一种实施方式中，可以采用K最近邻距离法对缺失值进行填充。
步骤S133、对经过填充处理的制丝工艺数据中的异常值进行识别并剔除。
步骤S134、对剔除异常值后的制丝工艺数据进行噪声检测，并对制丝工艺数据进行去噪处理。
具体地，可以通过分箱法光滑数据，去除噪声，将连续数据离散化，减少误差影响。
步骤S2、确定西格玛水平测评模型。
在本发明的基于西格玛水平的制丝工艺质量评价方法的一种实施方式中，所述步骤S2具体可以包括：
步骤S21、确定过程能力西格玛水平测算的计算原则。
在本发明的基于西格玛水平的制丝工艺质量评价方法的一种实施方式中，所述步骤S21具体可以包括：
步骤S211、以基于制丝线工艺的核心流程图所确定的关键品质特性指标为基础。
西格玛水平计算以图3所示的核心流程图所确定的CTQ(Critical-To-Quality，关键品质特性指标)为基础。
步骤S212、采用卷烟制造过程能力测评指标和工艺要求，确定关键品质特性标准。
在本发明在具体实现中，可以基于《卷烟制造过程能力测评导则》以及内部产品技术标准来确定关键品质特性标准。
步骤S22、确定过程能力西格玛水平测算的数据计算方法。
在本发明的基于西格玛水平的制丝工艺质量评价方法的一种实施方式中，所述步骤S22具体可以包括：
步骤S221、针对计量型数据，基于概率分布模型，计算合格率。
计量型数据是指连续测量所得的质量特性值，当计量型数据服从正态分布时，可通过以下公式计算合格率，下面分三种情况介绍针对计量型数据的合格率计算方法。
在双侧标准(即据理论或常识无法对估计系数的影响力方向作一个肯定的判断，即有可能为正也有可能为负)的情况下，通过以下公式计算合格率，
在单侧标准(估计系数的影响方向有明确的断定，要么为正要为负)的情况下，通过以下公式计算望小值合格率，
望小值：
在单侧标准的情况下，通过以下公式计算望大值合格率，
其中，式(1)-式(3)中，USL表示关键品质特性的上规格限，LSL表示关键品质特性的下规格限，μ表示总体均值(用样本均值估计)，σ表示总体标准差(用样本标准差估计)；
下面介绍如何根据批内数据的均值估计样本均值，以及如何根据批内的均值的标准差估计样本标准差。
已知样本共有数据k批，每批共有n个数据，k批的数据分别为：
第1批的数据为x11,x12,…,x1n，第二批的数据为x21,x22,…,x2n，……，第k批的数据为xk1,xk2,…,xkn。
通过以下公式来根据样本均值估计总体均值，
其中，表式第i批数据的均值，/>代表所有数据的均值，
通过以下公式来根据样本标准差估计总体标准差，
其中，表示均值的方差，其计算公式为/> 表示批内方差的均值，其计算公式为/>Si表示第i批数据的标准差，ST表示所有数据的标准差。
由此可见，通过批内的均值和标准差可以推算出样本数据的均值和标准差。
步骤S222、针对计数型数据，计算合格率。
计数型数据是指按个数数得的非连续性取值的质量特性值，通过以下公式计算其合格率，P＝合格数/样本总数。
步骤S23、基于过程能力西格玛水平测算的计算原则和数据计算方法，确定西格玛水平测评模型。
在本发明的基于西格玛水平的制丝工艺质量评价方法的一种实施方式中，所述步骤S23具体可以包括：
步骤S231、通过概率密度函数计算出过程的标准合格率。
步骤S232、基于插值法原理，根据过程的标准合格率，确定西格玛水平的测评模型。
通过概率密度函数计算出过程的标准合格率，以关键质量特性所属工序的质量参数为基础构成核心流程，确定西格玛水平的测评模型(见表1)。该表中所列的西格玛(σ)值已包含1.5σ偏移，具体的σ水平可用插值法计算。
表1过程能力西格玛水平换算表
步骤S3、根据所述西格玛水平测评模型和制丝工序，构建制丝工艺质量评价模型。
在本发明的基于西格玛水平的制丝工艺质量评价方法的一种实施方式中，所述步骤S3具体可以包括：
步骤S31、对制丝工艺关键节点评价参数进行梳理。
具体地，从工序评价和产品评价两个维度，对制丝工艺关键节点的工艺评价参数进行梳理，所述制丝工艺关键节点包括松散回潮、加料、切丝、烘丝、加香中的至少一个。
本发明以制丝生产线工艺流程为主线，立足中支烟生产制造主体定位，围绕工序评价、产品评价两个维度，梳理了松散回潮、加料、切丝、烘丝、加香工序关键节点的工艺评价参数，为构建制丝工艺质量评价系统提供数据来源。制丝工艺核心流程图如图3所示，制丝工艺核心流程图中的关键节点具体工艺评价参数梳理结果见表2(叶片段关键节点及指标参数梳理结果)和表3(切烘段掺配加香线关键节点及指标参数梳理结果)所示。
表2叶片段关键节点及指标参数梳理结果
表3切烘段掺配加香线关键节点及指标参数梳理结果
步骤S32、根据所述制丝工艺关键节点评价参数的梳理结果，构建工艺质量评价模型。
为解决现有制丝生产管理系统只注重质量结果评价，而忽略过程控制评价的问题，本发明建立适合制丝过程能力的工艺质量评价体系。在本发明中，根据所述制丝工艺关键节点评价参数的梳理结果，围绕工序评价，构建多层评价模型。
具体而言，本发明在一种实施方式中，所述多层评价模型为五层评价模型(见图4)，并且所述五层评价模型包括：管理层、产品层、工序层、指标层和参数层，其中：
所述参数层和所述指标层用于对制丝工序进行多维度参数和/或协同参数进行评价；
所述工序层用于将基于自动过程控制(APC)的设备参数、基于统计过程控制(SPC)的质量参数评价结果和基于信息物理系统(CPS)的工序智能制造过程进行融合；
所述产品层用于对流水线协同生产多个产品的能力进行评价；
所述管理层通过集成所述参数层、所述指标层、所述工序层和所述产品层的评价结果，以对制丝质量全过程进行数字化管理。
本发明的五层评价模型通过在产品、工序、工艺指标、参数多层级间构建科学的评价结构，围绕工序评价的建设方向，始终贯穿跨工序互相协同的概念，其优势在于：通过参数层和指标层可以对工艺参数的过程控制能力、协同参数之间的关联性进行准确刻画；通过工序层可以实现工序自动化控制与单机信息物理系统(CPS)智能控制水平的对比评价；通过产品层可以更宏观地把握流水线生产的协同能力；而通过管理层可以对制丝质量全过程进行数字化管理。
步骤S4、根据所述制丝工艺质量评价模型和所述数据样本，计算制丝工艺的西格玛水平。
在本发明的基于西格玛水平的制丝工艺质量评价方法的一种实施方式中，所述步骤S4具体可以包括：
步骤S41、确定所述制丝工艺质量评价模型中参数层的关键质量特性指标。
在具体实现中，可以组织工艺技术人员，根据《卷烟制造过程能力测评导则》以及内部产品技术标准，结合制丝线生产实际，围绕影响产品质量的过程要求，逐项确定制丝线工艺质量评价指标，并将其作为参数层的关键质量特性指标。本发明选取云烟(小熊猫家园)牌号为例进行说明，最终选择其中16项工艺指标参数作为关键质量特性指标(CTQ)，图5示出了关键质量特性指标的树图，因云烟(小熊猫家园)牌号不掺加梗丝，图5中不包含梗线关键质量特性。
进一步地，可从车间目前使用的PMS(power production management system，设备管理系统)中导入各牌号工艺标准，同时可新增工艺要求。可以查看并修改水分仪零位，可存贮烟丝或梗丝的物理结构指标。
步骤S42、确定参数指标权重。
具体地，考虑到各指标之间的差异度，本发明采用层次分析法，基于层次分析模型(AHP模型)，对关键工序和各关键工序对应的质量指标赋予权重，如表4所示。
层次分析法(AHP法)是一种解决多目标的复杂问题的定性与定量相结合的分析方法。该方法将定量分析与定性分析结合起来，合理地给出每个决策方案的每个标准的权数。
表4权重计算表
本发明采用层次分析法要有以下几步：首先，建立层次结构模型；然后，构建判断举证；接着，求解权重向量；最后，计算组合权重。其中，层次结构模型以各牌号工艺路线为基础，同时结合各工序包含的生产设备和仪器仪表，依据准确性、规范性、客观性和全面性指标构建原则来构建评价指标体系。最后将进行单层排序和一致性检验，得到各类指标点的权重。
步骤S43、根据所述关键质量特性指标、所述参数指标权重和所述数据样本，计算制丝工艺的西格玛水平。
首先计算出单工序多个关键质量特性参数的合格率，接着再依据各关键质量特性参数的权重，根据流通合格率(RTY)理论(一个产品经过全过程后合格的概率)，运用几何平均数，综合得出制丝过程单工序标准合格率(NY工序)和产品标准合格率(NY产品)。在本发明的基于西格玛水平的制丝工艺质量评价方法的一种实施方式中，所述步骤S43具体可以包括：
步骤S431、基于所述数据样本，计算出单工序多个关键质量特性参数的合格率。
步骤S432、根据各关键质量特性指标的工艺参数权重，运用几何平均数，通过以下公式计算制丝过程的单工序标准合格率，
其中，NY工序表示单工序标准合格率，αi表示工艺参数权重，Pi表示工艺参数权重为αi所对应的工艺参数的合格率。
步骤S433、通过查询过程能力西格玛水平换算表(表1)，得到单工序标准合格率所对应的西格玛水平，得到相应各工序层的西格玛水平。
步骤S434、根据各关键质量特性指标的工序权重，运用几何平均数，通过以下公式计算制丝过程的产品标准合格率，
其中，NY产品表示产品标准合格率，βj表示工序权重，
步骤S435、通过查询过程能力西格玛水平换算表(表1)，得到产品标准合格率所对应的西格玛水平，得到相应各产品层的西格玛水平；
步骤S435、根据各关键质量特性指标的产品权重，运用几何平均数，通过以下公式计算制丝过程的制丝批次的总体标准合格率，
其中，NY批次表示制丝批次的总体标准合格率，γk表示产品权重，
考虑制丝生产过程加工特征，叶片线权重49％，丝线权重33％，成品丝库权重18％，根据流通合格率(RTY)理论，得到批次的总体标准合格率(NY批次)如下，
步骤S436、通过查询过程能力西格玛水平换算表(表1)，得到制丝批次的总体标准合格率所对应的西格玛水平，得到制丝批次的西格玛水平。
因此，由各参数的合格率加权计算得到该工序的合格率，产品层的合格率又由各工序的合格率加权计算得到，制丝批次的合格率又由各产品的合格率加权计算得到。
由此可见，本发明在计算西格玛水平时，首先对过程能力SIGMA水平测算的计算原则和数据计算方法进行统一和整理，接着对SIGMA水平测评模型进行确定；构建制丝工艺质量评价模型，梳理确定参数层关键质量特性指标(CTQ)，应用层次分析法方法确定各参数指标权重，最后结合SIGMA水平测算方法和指标权重对西格玛水平进行计算。
步骤S5、根据所述西格玛水平，对制丝工艺质量进行评价。
在得到各工序西格玛水平后，可以对制丝工艺质量进行评价，西格玛水平越接近6分，说明西格玛水平越高，即制丝工艺质量越好。
进一步地，本发明在一些实施方式中，所述基于西格玛水平的制丝工艺质量评价方法还包括：
步骤S6、根据所述西格玛水平，对西格玛水平较小的制丝工序进行改进。
本发明在一些实施方式中，采用六西格玛的DMAIC方法论对西格玛水平较小的工序及时进行有效的改进(具体见表5)，可追溯质量信息，形成管控闭环，确保高品质生产，进一步提升产品均值化水平。
表5 SIGMA水平及措施表
在具体实现中，用户可以在确定了所选时段内各批次的综合西格玛水平得分情况后，选择分数较低的某批次，查看各工序及各指标参数的西格玛水平得分，寻找弱项和短板，同时根据自动生成的批次分析报告，查看问题点和建议项，为用户提供相关的辅助决策，以利于后续改进。
通过应用该评价体系，对改进前后两月制丝线各工序参数过程能力西格玛水平进行汇总比对分析，结果详见表6。在采用本发明的方法优化制丝生产过程后，各工序指标参数西格玛水平显著提高。
表6西格玛水平统计表
由上述统计可知，加料出口含水率、成品烟丝含末率等生产过程相关的质量指标均有了较大幅度的提升，整线综合西格玛水平由4.12σ上升到5.09σ，改善效果明显，实现了过程创新和改善，提升了质量控制的水平和精确度。
针对现有制丝质量评价方法存在的缺陷，本发明基于所在车间的质量管理现状及质量管理综合改善的需求为出发点，设计开发一种基于西格玛水平的制丝工艺质量评价方法，对过程数据进行分析、深入挖掘制丝各工序的质量状态、过程控制能力，通过数据发现问题并辅助决策，梳理质量管理的工艺节点和关键参数，创建适用于制丝生产的评价体系，搭建质量管理、监控和创新改进的协同工作平台。同时，通过运用六西格玛管理方法，以顾客为导向分别对烟草制丝线关键质量特性指标(CTQ)进行确定，应用层次分析法得到各指标权重，通过加权求和得出生产过程能力西格玛水平(Z值)，对制丝加工过程能力进行综合评价，同时采用六西格玛的DMAIC方法论对西格玛水平(Z值)较小的工序进行持续改进，不断提高各工序过程控制及西格玛水平，最终提高整线西格玛水平以全面提升制丝线生产过程质量管控能力。进一步地，通过制丝工艺质量评价方法，可以发现和追溯制造过程的弱项和短板，通过规范化操作的改进，依托设备控制状态的稳定发挥，依靠各工序智能制造系统的不断优化，实现人机协同，确保产品的高品质，确保产品高合格率，最终提升制丝生产制造水平。本发明的制丝工艺质量评价方法，具备如下优势：以产品质量管理为中心，实现产品全生命周期评价(全流程批次管理)；既可对关键工序智能制造水平进行单独评价，也可对制丝全流程跨工序协同加工水平进行评价，进一步提升产品加工的标准化、均质化、智能化水平；既对连续数据(批次过程数据)进行评价，也可对离散数据(管理数据、业务数据、离线数据)进行评价，为卷包工序提供数据支撑，提高管理信息化水平，为工厂实现跨车间数据协同打下基础。
本发明实施例提供的基于西格玛水平的制丝工艺质量评价方法，根据西格玛水平，对制丝工艺质量进行评价，实现由控制指标向控制参数转变，由结果控制向过程控制转变，由经验决策向科学决策转变，提升制丝工艺的精细化管理水平，为提升制丝过程控制能力和均质化水平提供科学指导；同时对海量数据进行深入挖掘和分析利用，构建制丝工艺质量评价模型，用数据作为智能制造的核心驱动力，有助于根据西格玛水平精确解决评价系统中发现的弱项和短板，实现多维度参数评价、工序评价、产品评价及制丝质量全过程管理；通过对制丝线工序质量指标间构建多层级的科学的评价结构，采用层次分析法实现层级间指标权重计算，通过概率密度函数计算出关键质量特性所属工序的标准合格率，最终通过批次综合西格玛得分模型实现制丝质量全过程管理，通过搭建质量管理、监控和创新改进的协同工作平台，实现制丝全工序评价；可自动生成批次分析报告，显示问题点和建议项，实现计算机代替人工进行自动实时评价、实时预警，可有效指导操作人员对质量进行调整把控；可单工序评价，也可全工序可评价，进一步提高了跨工序数字协同能力，提升产品加工标准化、均质化水平。
至此，已经详细描述了本公开的各实施例。为了避免遮蔽本公开的构思，没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述，完全可以明白如何实施这里公开的技术方案。
虽然已经通过示例对本公开的一些特定实施例进行了详细说明，但是本领域的技术人员应该理解，以上示例仅是为了进行说明，而不是为了限制本公开的范围。本领域的技术人员应该理解，可在不脱离本公开的范围和精神的情况下，对以上实施例进行修改或者对部分技术特征进行等同替换。本公开的范围由所附权利要求来限定。
Claims (7)
1.一种基于西格玛水平的制丝工艺质量评价方法，其特征在于，包括：
采集制丝工艺数据，得到数据样本；
确定西格玛水平测评模型；
根据所述西格玛水平测评模型和制丝工序，构建制丝工艺质量评价模型；
根据所述制丝工艺质量评价模型和所述数据样本，计算制丝工艺的西格玛水平；
根据所述西格玛水平，对制丝工艺质量进行评价，
所述确定西格玛水平测评模型，具体包括：
确定过程能力西格玛水平测算的计算原则；
确定过程能力西格玛水平测算的数据计算方法；
基于过程能力西格玛水平测算的计算原则和数据计算方法，确定西格玛水平测评模型，
所述确定过程能力西格玛水平测算的计算原则，具体包括：
以基于制丝线工艺的核心流程图所确定的关键品质特性指标为基础；
采用卷烟制造过程能力测评指标和工艺要求，确定关键品质特性标准，
所述确定过程能力西格玛水平测算的数据计算方法，具体包括：
针对计量型数据，基于概率分布模型，计算合格率；
针对计数型数据，计算合格率，
所述基于过程能力西格玛水平测算的计算原则和数据计算方法，确定西格玛水平测评模型，具体包括：
通过概率密度函数计算出过程的标准合格率；
基于插值法原理，根据过程的标准合格率，确定西格玛水平的测评模型，
所述根据所述西格玛水平测评模型和制丝工序，构建制丝工艺质量评价模型，具体包括：
对制丝工艺关键节点评价参数进行梳理；
根据所述制丝工艺关键节点评价参数的梳理结果，构建工艺质量评价模型。
2.根据权利要求1所述的基于西格玛水平的制丝工艺质量评价方法，其特征在于，所述采集制丝工艺数据，得到数据样本，具体包括：
对制丝工艺的工艺原始数据进行采集；
对采集的工艺原始数据按照生产批次进行分批处理；
对经过分批处理的制丝工艺数据进行数据截取，以得到数据样本。
3.根据权利要求2所述的基于西格玛水平的制丝工艺质量评价方法，其特征在于，所述对经过分批处理的制丝工艺数据进行数据截取，以得到数据样本，具体包括：
对经过分批处理的制丝工艺数据进行稳态识别，以筛选出有效的稳态数据；
对经过稳态识别的制丝工艺数据中的缺失值进行填充；
对经过填充处理的制丝工艺数据中的异常值进行识别并剔除；
对剔除异常值后的制丝工艺数据进行噪声检测，并对制丝工艺数据进行去噪处理。
4.根据权利要求1所述的基于西格玛水平的制丝工艺质量评价方法，其特征在于，所述对制丝工艺关键节点评价参数进行梳理，具体包括：
从工序评价和产品评价两个维度，对制丝工艺关键节点的工艺评价参数进行梳理，所述制丝工艺关键节点包括松散回潮、加料、切丝、烘丝、加香中的至少一个，
所述根据所述制丝工艺关键节点评价参数的梳理结果，构建工艺质量评价模型，具体包括：
根据所述制丝工艺关键节点评价参数的梳理结果，围绕工序评价，构建多层评价模型。
5.根据权利要求4所述的基于西格玛水平的制丝工艺质量评价方法，其特征在于，所述多层评价模型为五层评价模型，并且所述五层评价模型包括：管理层、产品层、工序层、指标层和参数层，其中：
所述参数层和所述指标层用于对制丝工序进行多维度参数和/或协同参数进行评价；
所述工序层用于将基于自动过程控制的设备参数、基于统计过程控制的质量参数评价结果和基于信息物理系统的工序智能制造过程进行融合；
所述产品层用于对流水线协同生产多个产品的能力进行评价；
所述管理层通过集成所述参数层、所述指标层、所述工序层和所述产品层的评价结果，以对制丝质量全过程进行数字化管理。
6.根据权利要求5所述的基于西格玛水平的制丝工艺质量评价方法，其特征在于，所述根据所述制丝工艺质量评价模型和所述数据样本，计算制丝工艺的西格玛水平，具体包括：
确定所述制丝工艺质量评价模型中参数层的关键质量特性指标；
确定参数指标权重；
根据所述关键质量特性指标、所述参数指标权重和所述数据样本，计算制丝工艺的西格玛水平。
7.根据权利要求6所述的基于西格玛水平的制丝工艺质量评价方法，其特征在于，所述确定参数指标权重，具体包括：
采用层次分析法，基于层次分析模型，对关键工序和各关键工序对应的质量指标赋予权重，
所述根据所述关键质量特性指标、所述参数指标权重和所述数据样本，计算制丝工艺的西格玛水平，具体包括：
基于所述数据样本，计算出单工序多个关键质量特性参数的合格率；
根据各关键质量特性指标的工艺参数权重，运用几何平均数，通过以下公式计算制丝过程的单工序标准合格率，
其中，NY工序表示单工序标准合格率，αi表示工艺参数权重，Pi表示工艺参数权重为αi所对应的工艺参数的合格率；
通过查询过程能力西格玛水平换算表，得到单工序标准合格率所对应的西格玛水平，得到相应各工序层的西格玛水平；
根据各关键质量特性指标的工序权重，运用几何平均数，通过以下公式计算制丝过程的产品标准合格率，
其中，NY产品表示产品标准合格率，βj表示工序权重，
通过查询过程能力西格玛水平换算表，得到产品标准合格率所对应的西格玛水平，得到相应各产品层的西格玛水平；
根据各关键质量特性指标的产品权重，运用几何平均数，通过以下公式计算制丝过程的制丝批次的总体标准合格率，
其中，NY批次表示制丝批次的总体标准合格率，γk表示产品权重，通过查询过程能力西格玛水平换算表，得到制丝批次的总体标准合格率所对应的西格玛水平，得到制丝批次的西格玛水平。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110888871.1A CN113592314B (zh) | 2021-08-02 | 2021-08-02 | 基于西格玛水平的制丝工艺质量评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110888871.1A CN113592314B (zh) | 2021-08-02 | 2021-08-02 | 基于西格玛水平的制丝工艺质量评价方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113592314A CN113592314A (zh) | 2021-11-02 |
| CN113592314B true CN113592314B (zh) | 2024-03-26 |
Family
ID=78254664
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110888871.1A Active CN113592314B (zh) | 2021-08-02 | 2021-08-02 | 基于西格玛水平的制丝工艺质量评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113592314B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114936207B (zh) * | 2022-07-25 | 2022-11-25 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种物联网传感设备感知数据质量评估方法 |
| CN117634948A (zh) * | 2023-11-24 | 2024-03-01 | 红云红河烟草(集团)有限责任公司 | 一种制丝工艺质量评价方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102214351A (zh) * | 2011-06-02 | 2011-10-12 | 云南烟草科学研究院 | 多点生产卷烟产品质量均质化评价方法及差异指标的筛选 |
| CN107368649A (zh) * | 2017-07-19 | 2017-11-21 | 许昌学院 | 一种基于增量Kriging的序列优化试验设计方法 |
| CN107563672A (zh) * | 2017-09-29 | 2018-01-09 | 云南中烟工业有限责任公司 | 一种基于层次分析法构建卷烟制丝质量评价模型的方法 |
| CN109343344A (zh) * | 2018-09-21 | 2019-02-15 | 北京天工智造科技有限公司 | 卷烟设备操控参数寻优方法 |
| CN109902900A (zh) * | 2017-12-11 | 2019-06-18 | 红塔烟草(集团)有限责任公司 | 一种基于全叶打叶复烤生产的过程能力测评方法 |
| CN111177140A (zh) * | 2020-01-02 | 2020-05-19 | 云南昆船电子设备有限公司 | 一种卷烟制丝线生产过程数据清洗系统和方法 |
| CN111882188A (zh) * | 2020-07-15 | 2020-11-03 | 山东中烟工业有限责任公司 | 基于Birch聚类算法的工艺质量同质化水平评价方法及系统 |
| CN113126584A (zh) * | 2021-04-29 | 2021-07-16 | 陕西中烟工业有限责任公司 | 一种卷烟生产过程质量稳定性评价系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8019554B2 (en) * | 2005-03-30 | 2011-09-13 | Ethicon, Inc. | Predictive indicator model |
-
2021
- 2021-08-02 CN CN202110888871.1A patent/CN113592314B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102214351A (zh) * | 2011-06-02 | 2011-10-12 | 云南烟草科学研究院 | 多点生产卷烟产品质量均质化评价方法及差异指标的筛选 |
| CN107368649A (zh) * | 2017-07-19 | 2017-11-21 | 许昌学院 | 一种基于增量Kriging的序列优化试验设计方法 |
| CN107563672A (zh) * | 2017-09-29 | 2018-01-09 | 云南中烟工业有限责任公司 | 一种基于层次分析法构建卷烟制丝质量评价模型的方法 |
| CN109902900A (zh) * | 2017-12-11 | 2019-06-18 | 红塔烟草(集团)有限责任公司 | 一种基于全叶打叶复烤生产的过程能力测评方法 |
| CN109343344A (zh) * | 2018-09-21 | 2019-02-15 | 北京天工智造科技有限公司 | 卷烟设备操控参数寻优方法 |
| CN111177140A (zh) * | 2020-01-02 | 2020-05-19 | 云南昆船电子设备有限公司 | 一种卷烟制丝线生产过程数据清洗系统和方法 |
| CN111882188A (zh) * | 2020-07-15 | 2020-11-03 | 山东中烟工业有限责任公司 | 基于Birch聚类算法的工艺质量同质化水平评价方法及系统 |
| CN113126584A (zh) * | 2021-04-29 | 2021-07-16 | 陕西中烟工业有限责任公司 | 一种卷烟生产过程质量稳定性评价系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113592314A (zh) | 2021-11-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113592314B (zh) | 基于西格玛水平的制丝工艺质量评价方法 | |
| CN112488395B (zh) | 一种配电网线损预测方法及系统 | |
| CN108830745B (zh) | 基于监控信息的电网连锁故障诊断、预警、评估系统 | |
| CN105868373B (zh) | 电力业务信息系统关键数据处理方法及装置 | |
| CN106951984A (zh) | 一种系统健康度动态分析预测方法及装置 | |
| CN114626615B (zh) | 一种生产过程监控管理方法及系统 | |
| CN106529704A (zh) | 月最大电力负荷预测方法及装置 | |
| CN117172556B (zh) | 一种桥梁工程的施工风险预警方法与系统 | |
| CN114283023B (zh) | 一种基于云制造支撑技术的制造管理方法及系统 | |
| CN113420162B (zh) | 一种基于知识图谱的设备运行链状态监测方法 | |
| CN111626548A (zh) | 一种基于mes系统的质量管理方法和设备 | |
| CN114693367A (zh) | 一种农产品价格大数据监测与可视化系统及方法 | |
| CN117057666B (zh) | 一种数字化配电网的配电质量评估方法及系统 | |
| CN116205613B (zh) | 一种用于差旅自动巡检系统的在线监测方法及系统 | |
| CN117709617A (zh) | 一种基于mes的生产车间智能排程系统 | |
| CN113327174A (zh) | 一种配变负荷预测方法 | |
| CN116090702B (zh) | 一种基于物联网的erp数据智能监管系统及方法 | |
| CN111367255A (zh) | 一种多变量控制系统性能评价测试系统及方法 | |
| CN116911529A (zh) | 一种基于bim模型的物联网设备管理的方法与系统 | |
| Bai et al. | An OEE improvement method based on TOC | |
| CN114205355B (zh) | 一种变电网关附属设备性能测试方法、系统及电子设备 | |
| AU2020101462A4 (en) | Method and device for predicting and evaluating regional eco-quality annual harvest | |
| CN114548739A (zh) | 一种变电站防汛风险组合评估方法 | |
| CN113780655A (zh) | 一种基于智慧供应链的钢材多品种需求预测方法 | |
| CN111324062A (zh) | 一种工业大数据平台系统 |
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 |