CN115344014A - 基于回归模型的制丝设备状态异常分析方法 - Google Patents
基于回归模型的制丝设备状态异常分析方法 Download PDFInfo
- Publication number
- CN115344014A CN115344014A CN202210888921.0A CN202210888921A CN115344014A CN 115344014 A CN115344014 A CN 115344014A CN 202210888921 A CN202210888921 A CN 202210888921A CN 115344014 A CN115344014 A CN 115344014A
- Authority
- CN
- China
- Prior art keywords
- index
- equipment
- tracked
- regression model
- indexes
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 132
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 38
- 230000008569 process Effects 0.000 claims abstract description 80
- 238000004519 manufacturing process Methods 0.000 claims abstract description 35
- 238000010219 correlation analysis Methods 0.000 claims abstract description 20
- 238000000611 regression analysis Methods 0.000 claims abstract description 18
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 67
- 238000004458 analytical method Methods 0.000 claims description 18
- 230000005856 abnormality Effects 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 4
- 230000003247 decreasing effect Effects 0.000 claims description 4
- 238000001514 detection method Methods 0.000 abstract description 11
- 238000004891 communication Methods 0.000 description 10
- 238000007689 inspection Methods 0.000 description 8
- 238000012795 verification Methods 0.000 description 8
- 241000208125 Nicotiana Species 0.000 description 6
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 6
- 230000003750 conditioning effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 235000019504 cigarettes Nutrition 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000009960 carding Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005520 cutting process Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000010009 beating Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000001007 puffing effect Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000007873 sieving Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及一种基于回归模型的制丝设备状态异常分析方法，其包括：对制丝生产线上待分析设备的多个工艺指标和多个设备指标，进行双变量相关性分析，将具有强相关性的个工艺指标和设备指标列为待跟踪指标组；对待跟踪指标组对应的工艺指标和设备指标进行回归分析，确定回归模型；实时采集各个设备指标和工艺指标的实测数据并记录，以设备指标和工艺指标中的一个指标为已知指标，另一个指标为未知指标，根据其对应的回归模型，得到对应采集时间点上未知指标的预测值；根据未知指标的预测值及其对应的实测值，判定设备指标涉及的设备部件是否状态异常。该方法可以做到生产的同时在现金检测，减低对人工的依赖，减少人工成本，提高有效检测的效率。
Description
技术领域
本发明涉及制丝技术领域，尤其涉及一种基于回归模型的制丝设备状态异常分析方法。
背景技术
烟草的制作过程主要包括制丝、卷接和包装三个主要工序。其中，烟草制丝工艺是卷烟生产过程中一个必不可少的重要环节。制备过程中涉及到的工艺种类繁多，生产过程复杂，是烟草制作过程的中心环节。卷烟生产企业在生产卷烟的过程中，需要对烟草制丝工艺的质量进行控制，这样不仅能够有效的降低生产成本，也能提高卷烟的质量。
造成制丝工艺不达标的大部分原因是设备异常造成的，因为对设备状态的排查对于制丝工艺的质量控制具有重要影响。目前，制丝设备的隐患排查都是通过人工定期或周期巡查的方式，按照相关制度和流程，检查设备的运行情况和零件的健康状态。但是这种方式有很明显的弊端：一方面，人工成本较高，由于生产线较长，涉及的设备较多，所有需要耗费较多的时间成本来进行检查；另一方面，检查效果无法量化，由于是人工检查，每个人的经验程度不同，导致对设备的检查效果也不同，而且无法形成有效的量化指标，无法有效的监督指导检查；最后、由于是定期或者周期检查，对零件的使用情况无法实时掌握，存在设备故障隐患。
发明内容
为解决或部分解决相关技术中存在的问题，本发明提供了一种基于回归模型的制丝设备状态异常分析方法、装置、设备和存储介质。
首先，本发明提供一种基于回归模型的制丝设备状态异常分析方法，包括以下步骤：
S01)、对制丝生产线上待分析设备的多个工艺指标和多个设备指标，进行双变量相关性分析，将具有强相关性的个工艺指标和设备指标列为待跟踪指标组；
S02)、对所述待跟踪指标组对应的工艺指标和设备指标进行回归分析，确定回归模型；
S03)、实时采集各个设备指标和工艺指标的实测数据并记录，以所述设备指标和工艺指标中的一个指标为已知指标，另一个指标为未知指标，根据其对应的回归模型，得到对应采集时间点上未知指标的预测值；
S04)、根据所述未知指标的预测值及其对应的实测值，判定所述设备指标涉及的设备部件是否状态异常。
进一步地，所述步骤S01)中，所述进行双变量相关性分析是基于皮尔森相关系数进行的相关性分析；并且，当皮尔森相关系数大于0.5时，判定为双变量具有强相关性。
进一步地，所述步骤S04)中，在判定所述设备指标涉及的设备部件是否状态异常之后还包括：若判定所述设备指标涉及的设备部件状态异常，则发出预警。
进一步地，所述待分析设备为松散回潮机。
进一步地，所述待跟踪指标组为四组，分别为第一待跟踪指标组、第二待跟踪指标组、第三待跟踪指标组和第四待跟踪指标组；其中，
所述第一待跟踪指标组包括：入口加水阀开度和入口瞬时加水量；
所述第二待跟踪指标组包括：出口加水阀开度和出口瞬时加水量；
所述第三待跟踪指标组包括：蒸汽阀开度和出口温度；
所述第四待跟踪指标组包括：蒸汽阀开度和循环风温。
进一步地，所述第一待跟踪指标组的回归模型为：
Y1＝4.585 X1+182.34 式I
式I中，X1为入口加水阀开度，Y1为入口瞬时加水量；
所述第二待跟踪指标组的回归模型为：
Y2＝7.0727 X2+78.154 式II
式II中，X2为出口加水阀开度，Y2为出口瞬时加水量；
所述第三待跟踪指标组的回归模型为：
Y3＝0.1127 X3+53.007 式III
式III中，X3为蒸汽阀开度，Y3为出口温度；
所述第四待跟踪指标组的回归模型为：
Y4＝0.0251 X4+51.678 式IV
式IV中，X4为蒸汽阀开度，Y4为循环风温。
进一步地，所述步骤S04)具体为：
对所述未知指标的9个连续采集时间点的预测值和对应的实测值进行分别比对，得到9连续采集时间点对应的偏差值，偏差值平均值
以及三分之一最大偏差值δ；
当满足任意一个如下条件时，则判定所述设备指标涉及的设备部件状态异常：
任意一个1个偏差值落在
范围以外；
连续9个偏差值均大于
或者均小于
连续6个偏差值递增或递减；
连续3个偏差值中有2个偏差值均大于
或者均小于
连续5个偏差值中有4个偏差值均大于
或者均小于
连续8个偏差值均未在
范围内。
本发明还提供一种基于回归模型的制丝设备状态异常分析装置，其包括：
待跟踪指标组确定单元，用于对制丝生产线上待分析设备的多个工艺指标和多个设备指标，进行双变量相关性分析，将具有强相关性的个工艺指标和设备指标列为待跟踪指标组；
回归模型确定单元，用于对所述待跟踪指标组对应的工艺指标和设备指标进行回归分析，确定回归模型；
数据采集处理单元，用于实时采集各个设备指标和工艺指标的实测数据并记录，以所述设备指标和工艺指标中的一个指标为已知指标，另一个指标为未知指标，根据其对应的回归模型，得到对应采集时间点上未知指标的预测值；
状态异常判定单元，用于根据所述未知指标的预测值及其对应的实测值，判定所述设备指标涉及的设备部件是否状态异常。
本发明还提供一种基于回归模型的制丝设备状态异常分析设备，其包括：
存储器，用于存储计算机程序；
处理器，用于调用并执行所述计算机程序，以实现如权利要求1至7中任一项所述状态异常分析方法的步骤。
本发明还提供一种计算机可读存储介质，包括软件程序，所述软件程序适于由处理器执行如上述任一项所述状态异常分析方法的步骤。
本发明提供的基于回归模型的制丝设备状态异常分析方法可以包括以下有益效果：
1、该方法可以自动完成在线检测，因此可以大大降低停机排查的时间，可以做到在生产的同时，通过在线数据分析，实时的对设备的运行状态进行检测，能够准确并及时的定位隐患点，有着很强的及时性；
2、该方法基于数据回归分析，使得数据量化，有准可依，可以准确的了解零件的健康状态；利用信息化开发自动分析系统，系统分析后提供决策指导意见，减低对人工的依赖，减少了人工成本，提高了有效检测的效率。
3、该方法不需要附加采购昂贵的检测器件，就可以实现对设备零件的状态检测，有利于降低技改成本。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
通过结合附图对本发明示例性实施方式进行更详细地描述，本发明的上述以及其它目的、特征和优势将变得更加明显，其中，在本发明示例性实施方式中，相同的参考标号通常代表相同部件。
图1是本发明实施例一示出的基于回归模型的制丝设备状态异常分析方法步骤示意图；
图2是本发明实施例二示出的基于回归模型的制丝设备状态异常分析装置的结构示意图；
图3是本发明实施例三示出的基于回归模型的制丝设备状态异常分析设备的结构示意图。
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。
在本发明使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本发明中可能采用术语“第一”、“第二”、“第三”等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本发明范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
实施例一
为了简化制丝设备的状态排查，降低人工检测的时间成本，提高有效检测的效率，本实施例提供一种基于回归模型的制丝设备状态异常分析方法，请参见图1，其包括以下步骤：
S01)、对制丝生产线上待分析设备的多个工艺指标和多个设备指标，进行双变量相关性分析，将具有强相关性的个工艺指标和设备指标列为待跟踪指标组；
S02)、对所述待跟踪指标组对应的工艺指标和设备指标进行回归分析，确定回归模型；
S03)、实时采集各个设备指标和工艺指标的实测数据并记录，以所述设备指标和工艺指标中的一个指标为已知指标，另一个指标为未知指标，根据其对应的回归模型，得到对应采集时间点上未知指标的预测值；
S04)、根据所述未知指标的预测值及其对应的实测值，判定所述设备指标涉及的设备部件是否状态异常。
本实施例提供的上述方法是基于回归模型量化设备指标和工艺指标之间的关系，由此根据实测数据以及由回归模型得到的预测来判断设备是否状态异常，并且迅速定位存在故障隐患的设备部件。
制丝生长线上涉及有多个生产设备，例如：真空回潮机、铺叶切尖解把机、筛砂润叶机、打叶风分机组、润叶机、润梗机、压梗机、切梗丝机、切叶丝机、烘丝机、梗丝风选除杂器、梗丝膨化塔、加香机、加料机、贮叶柜、贮梗柜和贮丝柜等。每个设备又涉及到诸多的工艺指标和设备指标，上述步骤S01)是针对每个设备的多个工艺指标和多个设备指标进行分析以确定相关性的步骤，由该步骤可以确定具有强相关性的个工艺指标和设备指标，并将二者列为待跟踪指标组，该待跟踪指标组作为后续进行回归分析和数据跟踪比对的基础。优选的，本步骤中，所述进行双变量相关性分析是基于皮尔森相关系数进行的相关性分析；并且，当皮尔森相关系数大于0.5时，判定为双变量具有强相关性。
步骤S01)具体可以包括：
S011)梳理相关参数
梳理制丝生产线上待分析设备涉及的工艺指标和设备指标，对这些指标进行梳理分析，确定进行双变量相关性分析的工艺指标组和设备指标组；工艺指标组可以包括一个或多个工艺指标，设备指标组可以包括一个或多个设备指标。上述指标的确定可以将该待分析设备涉及到的所有指标均列入，也可以根据需求仅选择重要的若干个指标。
松散回潮工序作为烟草制丝的工艺中的重要工序，其质量直接影响着烟丝的质量，进而也会影响卷烟的质量。以制丝线生产设备中的松散回潮机作为待分析设备为例：其共有4个设备指标：入口加水阀开度、出口加水阀开度、排潮开度和蒸汽开度；其共有4个工艺指标：入口水流量、出口水流量、循环风温和出口温度。由于涉及到的指标数目较少，因此本实施例以上述4个设备指标作和4个工艺指标分别作为进行双变量相关性分析的设备指标组和工艺指标组。
S012)收集指标数据
收集所述工艺指标组和设备指标组中指标的数据，并采用3Σ原则剔除噪音数据，得到上述指标的样品数据。
继续以松散回潮机为待分析设备为例，本步骤具体为：
采用3Σ原则，剔除断流、不符合工艺要求、实验批次等中噪音数据，得到上述8个指标的样品数据。本实施具体统计了17个牌号、共计7000多个数据作为数据样本。
S013)相关性验证
根据上述样品数据，对工艺指标组和设备指标组中的指标进行双变量相关性分析，将具有强相关性的个工艺指标和设备指标列为待跟踪指标组。
仍然以松散回潮机为待分析设备为例，对8个指标的上述7000多个数据进行相关性验证，得到如下结论：入口加水阀开度和入口瞬时加水量具有强相关性，出口加水阀开度和出口瞬时加水量具有强相关性，蒸汽阀开度和出口温度具有强相关性，蒸汽阀开度和循环风温具有强相关性。
以松散回潮机为所述待分析设备为例，其待跟踪指标组为四组，分别为第一待跟踪指标组、第二待跟踪指标组、第三待跟踪指标组和第四待跟踪指标组；其中，
第一待跟踪指标组包括：入口加水阀开度和入口瞬时加水量；
第二待跟踪指标组包括：出口加水阀开度和出口瞬时加水量；
第三待跟踪指标组包括：蒸汽阀开度和出口温度；
第四待跟踪指标组包括：蒸汽阀开度和循环风温。
上述S02)是根据待跟踪指标组确定涉及的工艺指标和设备指标之间回归模型的步骤，具体的可以分别对每个待跟踪指标组对应的工艺指标和设备指标进行回归分析，绘制拟合线图，得到回归模型。优选的，在确定回归模型后，还优选包括如下步骤：
以待跟踪指标组中的一个指标为已知指标，另一个指标为未知指标，根据其对应的回归模型计算出未知指标的预测值；引用双T检验判定未知指标的预测值与实测值是否存在等价关系。
继续以松散回潮机为所述待分析设备为例，将四组待跟踪指标组对应的工艺指标和设备指标进行回归分析，得到：
第一待跟踪指标组的回归模型为：
Y1＝4.585 X1+182.34 式I
式I中，X1为入口加水阀开度，Y1为入口瞬时加水量；
第二待跟踪指标组的回归模型为：
Y2＝7.0727 X2+78.154 式II
式II中，X2为出口加水阀开度，Y2为出口瞬时加水量；
第三待跟踪指标组的回归模型为：
Y3＝0.1127 X3+53.007 式III
式III中，X3为蒸汽阀开度，Y3为出口温度；
第四待跟踪指标组的回归模型为：
Y4＝0.0251 X4+51.678 式IV
式IV中，X4为蒸汽阀开度，Y4为循环风温。
上述步骤S03)是对涉及指标的数据进行采集、记录和处理的过程。此步骤一方面实时采集各个设备指标和工艺指标的实测数据并记录，同时以设备指标和工艺指标中的一个指标为已知指标，另一个指标为未知指标，根据其对应的回归模型，得到对应采集时间点上未知指标的预测值；由此获得了实时的指标数据集，该指标数据集包括：各个采集时间点的已知指标的实测值、各个采集时间点的未知指标的实测值和预测值。本实施例以连续的9个采集时间点的数据作为一组指标数据集，其具体形式可以参照表1：
表1指标数据集
| 采集时间点 | 已知指标的实测值 | 未知指标的实测值 | 未知指标的预测值 |
| t<sub>1</sub> | X<sub>1</sub> | M<sub>1</sub> | Y<sub>1</sub> |
| t<sub>2</sub> | X<sub>2</sub> | M<sub>2</sub> | Y<sub>2</sub> |
| t<sub>3</sub> | X<sub>3</sub> | M<sub>3</sub> | Y<sub>3</sub> |
| t<sub>4</sub> | X<sub>4</sub> | M<sub>4</sub> | Y<sub>4</sub> |
| t<sub>5</sub> | X<sub>5</sub> | M<sub>5</sub> | Y<sub>5</sub> |
| t<sub>6</sub> | X<sub>6</sub> | M<sub>6</sub> | Y<sub>6</sub> |
| t<sub>7</sub> | X<sub>7</sub> | M<sub>7</sub> | Y<sub>7</sub> |
| t<sub>8</sub> | X<sub>8</sub> | M<sub>8</sub> | Y<sub>8</sub> |
| t<sub>9</sub> | X<sub>9</sub> | M<sub>9</sub> | Y<sub>9</sub> |
由于待跟踪指标组中工艺指标与设备指标存在相关性，并且已经确定相关模型，因此根据某一指标预测值与实测值的偏差情况可以评价待分析设备的工作状态。具体如步骤S04)，其是根据获取到的指标数据信息进行处理，以判定设备指标涉及的设备部件是否状态异常的步骤。优选的，本步骤具体可以为：
对所述未知指标的9个连续采集时间点的预测值和对应的实测值进行分别比对，得到9连续采集时间点对应的偏差值，偏差值平均值
以及三分之一最大偏差值δ；偏差值为实测值与预测值的差值；
当满足任意一个如下条件时，则判定所述设备指标涉及的设备部件状态异常：
任意一个1个偏差值落在
范围以外；
连续9个偏差值均大于
或者均小于
连续6个偏差值递增或递减；
连续3个偏差值中有2个偏差值均大于
或者均小于
连续5个偏差值中有4个偏差值均大于
或者均小于
连续8个偏差值均未在
范围内。
作为本实施例的优选方案，本步骤中，在判定所述设备指标涉及的设备部件是否状态异常之后还包括：若判定所述设备指标涉及的设备部件状态异常，则发出预警。例如：发出警示提示音，并且对状态异常的设备部件以语音和/或图像的方式进行提示。
下面以松散回潮机为待检测待分析设备为例，对本发明实施例提供的制丝设备状态异常分析方法进一步阐述。
基于回归模型的松散回潮机状态异常分析方法，包括如下步骤：
S011)梳理相关参数
1、梳理相关参数
梳理松散回潮机涉及的工艺指标和设备指标，其共有4个设备指标：入口加水阀开度、出口加水阀开度、排潮开度和蒸汽开度；其共有4个工艺指标：入口水流量、出口水流量、循环风温和出口温度。以上述4个设备指标作和4个工艺指标分别作为进行双变量相关性分析的工艺指标组和设备指标组。
S012)收集指标数据
采用3Σ原则，剔除断流、不符合工艺要求、实验批次等中噪音数据，得到上述8个指标的样品数据。本实施具体统计了17个牌号、共计7000多个数据作为数据样本。
S013)相关性验证
对8各指标的上述7000多个数据进行相关性验证，得到如下结论：
1)、入口加水阀开度和入口瞬时加水量具有强相关性，其相关性列于表2。
表2入口加水阀开度和入口瞬时加水量相关性验证
2)、出口加水阀开度和出口瞬时加水量具有强相关性，其相关性列于表3：
表3出口加水阀开度和出口瞬时加水量相关性验证
3)、蒸汽阀开度和出口温度具有强相关性，其相关性列于表4：
表4蒸汽阀开度和出口温度相关性验证
4)、蒸汽阀开度和循环风温具有强相关性，其相关性列于表5：
表5蒸汽阀开度和循环风温相关性验证
通过双变量相关性分析，以上四组变量：入口加水阀开度-入口瞬时加水量、出口加水阀开度-出口瞬时加水量、蒸汽阀开度-出口温度、蒸汽阀开度-循环风温，相关系数﹥0.5，相关显著性性较较强，因此作为待跟踪指标组。
S02)、对第一待跟踪指标组(入口加水阀开度和入口瞬时加水量)的数据进行回归分析，绘制拟合线图，得到第一待跟踪指标组的回归模型如下，其线性相关性R2＝0.8328：
Y1＝4.585 X1+182.34 式I
式I中，X1为入口加水阀开度，Y1为入口瞬时加水量；
对第二待跟踪指标组(出口加水阀开度和出口瞬时加水量)的数据进行回归分析，绘制拟合线图，得到第二待跟踪指标组的回归模型如下，其线性相关性R2＝0.8622：
Y2＝7.0727 X2+78.154 式II
式II中，X2为出口加水阀开度，Y2为出口瞬时加水量；
对第三待跟踪指标组(蒸汽阀开度和出口温度)的数据进行回归分析，绘制拟合线图，得到第三待跟踪指标组的回归模型如下，其线性相关性R2＝0.8169：
Y3＝0.1127 X3+53.007 式III
式III中，X3为蒸汽阀开度，Y3为出口温度；
对第四待跟踪指标组(蒸汽阀开度和循环风温)的数据进行回归分析，绘制拟合线图，得到第四待跟踪指标组的回归模型如下，其线性相关性R2＝0.8062：
Y4＝0.0251 X4+51.678 式IV
式IV中，X4为蒸汽阀开度，Y4为循环风温。
双T检验：根据回归模型，以待跟踪指标组中的设备指标为已知指标，工艺指标为未知指标，计算出工艺指标的预测值；引用双T检验判定未知指标的预测值与实测值是否存在等价关系。具体如下：
(1)检验入口瞬时加水量实测值与入口瞬时加水量预测值等价关系。
(2)检验出口瞬时加水量实测值与出口瞬时加水量预测值等价关系。
(3)检验出口温度实测值与出口温度预测值等价关系。
(4)检验循环风温实测值与循环风温预测值等价关系。
S03)、实时采集如下设备指标的实测数据并记录：入口加水阀开度，出口加水阀开度，蒸汽阀开度；实时采集如下工艺指标的实测数据并记录：入口瞬时加水量、出口瞬时加水量、出口温度、循环风温。以上述设备指标的实测值为已知指标，对应的工艺指标为未知指标，根据其对应的回归模型，得到对应采集时间点上未知指标的预测值。
S04)、以9个连续采集时间点作为一组，对未知指标的9个连续采集时间点的预测值和对应的实测值进行分别比对，得到9连续采集时间点对应的偏差值，偏差值平均值
以及三分之一最大偏差值δ(即δ为最大偏差值的三分之一)；偏差值为实测值与预测值的差值；
当满足任意一个如下条件时，则判定所述设备指标涉及的设备部件状态异常：
任意一个1个偏差值落在
范围以外；
连续9个偏差值均大于
或者均小于
连续6个偏差值递增或递减；
连续3个偏差值中有2个偏差值均大于
或者均小于
连续5个偏差值中有4个偏差值均大于
或者均小于
连续8个偏差值均未在
范围内。
表6示出了某组9个连续采集时间点对应的入口瞬时加水量相关数值(实测值、根据公式I得到的预测值，以及偏差值)
表6 9个连续采集时间点对应的入口瞬时加水量相关数值
根据上述判断标准，入口瞬时加水量与入口加水阀开度相关性符合预期，相关设备零件没有出现故障。
表7示出了某组9个连续采集时间点对应的出瞬时加水量相关数值(实测值、根据公式II得到的预测值，以及偏差值)
表7 9个连续采集时间点对应的出口瞬时加水量相关数值
根据上述判断标准，出口瞬时加水量与出口加水阀开度相关性符合预期，相关设备零件没有出现故障。
表8示出了某组9个连续采集时间点对应的出口温度相关数值(实测值、根据公式III得到的预测值，以及偏差值)。
表8 9个连续采集时间点对应的出口温度相关数值
根据上述判断标准，出口温度与蒸汽阀开度相关性符合预期，相关设备零件没有出现故障。
表9示出了某组9个连续采集时间点对应的循环风温相关数值(实测值、根据公式IV得到的预测值，以及偏差值)
表9 9个连续采集时间点对应的循环风温相关数值
根据上述判断标准，循环风温与蒸汽阀开度相关性符合预期，相关设备零件没有出现故障。
由上述内容可知，本发明实施例提供的基于回归模型的制丝设备状态异常分析方法具有如下优点：
1、该方法可以自动完成在线检测，因此可以大大降低停机排查的时间，可以做到在生产的同时，通过在线数据分析，实时的对设备的运行状态进行检测，能够准确并及时的定位隐患点，有着很强的及时性；
2、该方法基于数据回归分析，使得数据量化，有准可依，可以准确的了解零件的健康状态；利用信息化开发自动分析系统，系统分析后提供决策指导意见，减低对人工的依赖，减少了人工成本，提高了有效检测的效率。
3、该方法不需要附加采购昂贵的检测器件，就可以实现对设备零件的状态检测，有利于降低技改成本。
实施例二
与方法实施例相对应的，在本发明实施例的另一面，还提供了一种基于回归模型的制丝设备状态异常分析装置，图2示出本发明实施例提供的基于回归模型的制丝设备状态异常分析装置的结构示意图，所述基于回归模型的制丝设备状态异常分析装置为与图1所对应实施例中所述基于回归模型的制丝设备状态异常分析方法对应的装置，即，通过虚拟装置的方式实现图1所对应实施例中方法，构成所述基于回归模型的制丝设备状态异常分析装置的各个虚拟模块可以由电子设备执行，例如网络设备、终端设备、或服务器。具体来说，本发明实施例中的装置包括：
待跟踪指标组确定单元01，用于对制丝生产线上待分析设备的多个工艺指标和多个设备指标，进行双变量相关性分析，将具有强相关性的个工艺指标和设备指标列为待跟踪指标组；
回归模型确定单元02，用于对所述待跟踪指标组对应的工艺指标和设备指标进行回归分析，确定回归模型；
数据采集处理单元03，用于实时采集各个设备指标和工艺指标的实测数据并记录，以所述设备指标和工艺指标中的一个指标为已知指标，另一个指标为未知指标，根据其对应的回归模型，得到对应采集时间点上未知指标的预测值；
状态异常判定单元04，用于根据所述未知指标的预测值及其对应的实测值，判定所述设备指标涉及的设备部件是否状态异常。
需要说明的是，在本发明实施例中的的具体实现方式和技术效果可以参考图1所对应的基于回归模型的制丝设备状态异常分析方法，在此就不再赘述。
实施例三
与方法实施例相对应的，本发明实施例中，还提供了一种设备，该，如终端、服务器等。其中，服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等，但并不局限于此。
本申请实施例提供的基于回归模型的制丝设备状态异常分析设备的硬件结构框图的示例图如图3所示，可以包括：
处理器1，通信接口2，存储器3和通信总线4；
其中处理器1、通信接口2、存储器3通过通信总线4完成相互间的通信；
可选的，通信接口2可以为通信模块的接口，如GSM模块的接口；
处理器1可能是一个中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本申请实施例的一个或多个集成电路。
存储器3可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器。
其中，处理器1具体用于执行存储器3中存储的计算机程序，以执行如下步骤：
S01)、对制丝生产线上待分析设备的多个工艺指标和多个设备指标，进行双变量相关性分析，将具有强相关性的个工艺指标和设备指标列为待跟踪指标组；
S02)、对所述待跟踪指标组对应的工艺指标和设备指标进行回归分析，确定回归模型；
S03)、实时采集各个设备指标和工艺指标的实测数据并记录，以所述设备指标和工艺指标中的一个指标为已知指标，另一个指标为未知指标，根据其对应的回归模型，得到对应采集时间点上未知指标的预测值；
S04)、根据所述未知指标的预测值及其对应的实测值，判定所述设备指标涉及的设备部件是否状态异常。
上述产品可执行本发明实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例一所提供的基于回归模型的制丝设备状态异常分析方法。
实施例五
本发明实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质可存储有适于处理器执行的程序，所述程序用于：
S01)、对制丝生产线上待分析设备的多个工艺指标和多个设备指标，进行双变量相关性分析，将具有强相关性的个工艺指标和设备指标列为待跟踪指标组；
S02)、对所述待跟踪指标组对应的工艺指标和设备指标进行回归分析，确定回归模型；
S03)、实时采集各个设备指标和工艺指标的实测数据并记录，以所述设备指标和工艺指标中的一个指标为已知指标，另一个指标为未知指标，根据其对应的回归模型，得到对应采集时间点上未知指标的预测值；
S04)、根据所述未知指标的预测值及其对应的实测值，判定所述设备指标涉及的设备部件是否状态异常。
可选的，所述程序的细化功能和扩展功能可参照上文描述。
上述产品可执行本发明实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明其他实施例所提供的方法。
上述产品可执行本发明实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例所提供的方法。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
应当理解，本申请实施例中，从权、各个实施例、特征可以互相组合结合，都能实现解决前述技术问题。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于回归模型的制丝设备状态异常分析方法，其特征在于，包括以下步骤：
S01)、对制丝生产线上待分析设备的多个工艺指标和多个设备指标，进行双变量相关性分析，将具有强相关性的个工艺指标和设备指标列为待跟踪指标组；
S02)、对所述待跟踪指标组对应的工艺指标和设备指标进行回归分析，确定回归模型；
S03)、实时采集各个设备指标和工艺指标的实测数据并记录，以所述设备指标和工艺指标中的一个指标为已知指标，另一个指标为未知指标，根据其对应的回归模型，得到对应采集时间点上未知指标的预测值；
S04)、根据所述未知指标的预测值及其对应的实测值，判定所述设备指标涉及的设备部件是否状态异常。
2.根据权利要求1所述的基于回归模型的制丝设备状态异常分析方法，其特征在于，所述步骤S01)中，所述进行双变量相关性分析是基于皮尔森相关系数进行的相关性分析；并且，当皮尔森相关系数大于0.5时，判定为双变量具有强相关性。
3.根据权利要求1所述的基于回归模型的制丝设备状态异常分析方法，其特征在于，所述步骤S04)中，在判定所述设备指标涉及的设备部件是否状态异常之后还包括：若判定所述设备指标涉及的设备部件状态异常，则发出预警。
4.根据权利要求1至3任意一项所述的基于回归模型的制丝设备状态异常分析方法，其特征在于，所述待分析设备为松散回潮机。
5.根据权利要求4所述的基于回归模型的制丝设备状态异常分析方法，其特征在于，所述待跟踪指标组为四组，分别为第一待跟踪指标组、第二待跟踪指标组、第三待跟踪指标组和第四待跟踪指标组；其中，
所述第一待跟踪指标组包括：入口加水阀开度和入口瞬时加水量；
所述第二待跟踪指标组包括：出口加水阀开度和出口瞬时加水量；
所述第三待跟踪指标组包括：蒸汽阀开度和出口温度；
所述第四待跟踪指标组包括：蒸汽阀开度和循环风温。
6.根据权利要求5所述的基于回归模型的制丝设备状态异常分析方法，其特征在于，
所述第一待跟踪指标组的回归模型为：
Y1＝4.585X1+182.34 式I
式I中，X1为入口加水阀开度，Y1为入口瞬时加水量；
所述第二待跟踪指标组的回归模型为：
Y2＝7.0727X2+78.154 式II
式II中，X2为出口加水阀开度，Y2为出口瞬时加水量；
所述第三待跟踪指标组的回归模型为：
Y3＝0.1127X3+53.007 式III
式III中，X3为蒸汽阀开度，Y3为出口温度；
所述第四待跟踪指标组的回归模型为：
Y4＝0.0251X4+51.678 式IV
式IV中，X4为蒸汽阀开度，Y4为循环风温。
7.根据权利要求6所述的基于回归模型的制丝设备状态异常分析方法，其特征在于，所述步骤S04)具体为：
对所述未知指标的9个连续采集时间点的预测值和对应的实测值进行分别比对，得到9连续采集时间点对应的偏差值，偏差值平均值
以及三分之一最大偏差值δ；
当满足任意一个如下条件时，则判定所述设备指标涉及的设备部件状态异常：
任意一个1个偏差值落在
范围以外；
连续9个偏差值均大于
或者均小于
连续6个偏差值递增或递减；
连续3个偏差值中有2个偏差值均大于
或者均小于
连续5个偏差值中有4个偏差值均大于
或者均小于
连续8个偏差值均未在
范围内。
8.一种基于回归模型的制丝设备状态异常分析装置，其特征在于，包括：
待跟踪指标组确定单元，用于对制丝生产线上待分析设备的多个工艺指标和多个设备指标，进行双变量相关性分析，将具有强相关性的个工艺指标和设备指标列为待跟踪指标组；
回归模型确定单元，用于对所述待跟踪指标组对应的工艺指标和设备指标进行回归分析，确定回归模型；
数据采集处理单元，用于实时采集各个设备指标和工艺指标的实测数据并记录，以所述设备指标和工艺指标中的一个指标为已知指标，另一个指标为未知指标，根据其对应的回归模型，得到对应采集时间点上未知指标的预测值；
状态异常判定单元，用于根据所述未知指标的预测值及其对应的实测值，判定所述设备指标涉及的设备部件是否状态异常。
9.一种基于回归模型的制丝设备状态异常分析设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于调用并执行所述计算机程序，以实现如权利要求1至7中任一项所述状态异常分析方法的步骤。
10.一种计算机可读存储介质，其特征在于，包括软件程序，所述软件程序适于由处理器执行如权利要求1至7中任一项所述状态异常分析方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210888921.0A CN115344014A (zh) | 2022-07-27 | 2022-07-27 | 基于回归模型的制丝设备状态异常分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210888921.0A CN115344014A (zh) | 2022-07-27 | 2022-07-27 | 基于回归模型的制丝设备状态异常分析方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115344014A true CN115344014A (zh) | 2022-11-15 |
Family
ID=83949597
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210888921.0A Pending CN115344014A (zh) | 2022-07-27 | 2022-07-27 | 基于回归模型的制丝设备状态异常分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115344014A (zh) |
-
2022
- 2022-07-27 CN CN202210888921.0A patent/CN115344014A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110414155B (zh) | 一种带有单测点的风机部件温度异常检测和报警方法 | |
| CN111475680A (zh) | 检测异常高密子图的方法、装置、设备及存储介质 | |
| CN115409131B (zh) | 基于spc过程管控系统的生产线异常检测方法 | |
| CN108802535B (zh) | 筛选方法、主干扰源识别方法及装置、服务器及存储介质 | |
| CN112629585A (zh) | 基于多维参数估计的设备在线监测方法及装置 | |
| CN114004306A (zh) | 一种基于物联网多维度数据的设备故障评估系统及其方法 | |
| CN110378618A (zh) | 基于在线烟丝表面缺陷检测的质量评价方法及系统 | |
| CN105334738B (zh) | 一种适用于烟草加工过程pid控制回路的性能评价方法 | |
| CN116345700A (zh) | 一种用于储能电站的能耗监测方法及监测系统 | |
| CN117630800A (zh) | 一种电能表自动检定装置故障诊断方法及系统 | |
| CN104376078A (zh) | 一种基于知识熵的异常数据检测方法 | |
| CN111077876B (zh) | 一种电站设备状态智能评价和预警方法、装置及系统 | |
| CN112202630A (zh) | 一种基于无监督模型的网路质量异常检测方法及装置 | |
| CN115526258A (zh) | 基于Spearman相关系数特征提取的电力系统暂稳评估方法 | |
| CN113449792A (zh) | 一种无损快速检测食品质量的方法 | |
| CN115344014A (zh) | 基于回归模型的制丝设备状态异常分析方法 | |
| CN111999435A (zh) | 空气负氧离子监测数据质量管控及相关设备 | |
| CN116843225A (zh) | 基于lstm和tpa机制的制丝加香工艺质量预测方法、系统 | |
| CN111507374A (zh) | 一种基于随机矩阵理论的电网海量数据异常检测方法 | |
| CN116383623A (zh) | 一种基于机器学习卷烟机剔除率特征选取的方法 | |
| CN110866221B (zh) | 一种打叶复烤数据准确性的检测方法 | |
| CN114112819A (zh) | 一种测量磨矿粒度的方法及装置 | |
| CN114638484A (zh) | 一种制丝过程质量评价方法 | |
| CN113869641A (zh) | 基于主成分分析法的烟丝质量综合评价方法 | |
| CN111881502A (zh) | 一种基于模糊聚类分析的桥梁状态判别方法 |
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 |