CN116681340A - 一种卷烟制丝生产批次间差异性评价方法及改进方法 - Google Patents
一种卷烟制丝生产批次间差异性评价方法及改进方法 Download PDFInfo
- Publication number
- CN116681340A CN116681340A CN202310692830.4A CN202310692830A CN116681340A CN 116681340 A CN116681340 A CN 116681340A CN 202310692830 A CN202310692830 A CN 202310692830A CN 116681340 A CN116681340 A CN 116681340A
- Authority
- CN
- China
- Prior art keywords
- batch
- optimal
- matrix
- data
- evaluated
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 57
- 235000019504 cigarettes Nutrition 0.000 title claims abstract description 17
- 241000208125 Nicotiana Species 0.000 title abstract description 11
- 235000002637 Nicotiana tabacum Nutrition 0.000 title abstract description 11
- 239000011159 matrix material Substances 0.000 claims abstract description 57
- 101000872083 Danio rerio Delta-like protein C Proteins 0.000 claims abstract description 3
- 230000008859 change Effects 0.000 claims abstract description 3
- 238000011156 evaluation Methods 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 4
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 2
- 239000000945 filler Substances 0.000 claims 1
- 230000006872 improvement Effects 0.000 abstract description 7
- 230000008569 process Effects 0.000 description 22
- 230000007547 defect Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- 238000003324 Six Sigma (6σ) Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000003750 conditioning effect Effects 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000265 homogenisation Methods 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003466 welding Methods 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
- 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)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种卷烟制丝生产批次间差异性评价方法及改进方法,改进方法包括:步骤S1,确定最佳生产批次X、被评价批次Y;步骤S2,初始化M×N的矩阵D;步骤S3,计算最佳批次与被评价批次每个时刻之间的距离,并将每个时刻之间的距离填充至矩阵D中;步骤S4,确定其最佳路径;步骤S5:输出其距离数值L;步骤S6,寻找Y中某个变量变化时,对最佳批次与被评价批次的距离产生的影响ΔCij,根据ΔCij调整距离数值L,使其接近于0,以使得评价批次Y接近最佳批次,本发明以最佳批次为参考,考虑多个变量对产品质量的影响,利用余弦距离来反映生产数据的生产流程是否一致,从而更加客观地评价生产过程的能力和差异性,进而有效指导生产中的参数调整。
Description
技术领域
本发明涉及卷烟制丝生产技术领域,具体涉及一种卷烟制丝生产批次间差异性评价方法及改进方法。
背景技术
随着卷烟工业自动化信息化及智能化水平的提高,企业过程控制和品质检验等生产过程中产生的品质数据越来越丰富,为加工过程品质指标的稳定性控制提供了大量基础性数据,然而有关影响批次间产品稳定性的研究较少。烟草行业普遍认为,加工时各设备参数、加工参数将直接决定产品的最终品质。对同一品牌批次间差异性的研究,旨在为提高企业过程品质稳定性控制水平,为卷烟加工企业提高在线均质化更上水平提供理论依据和技术支撑。
目前,主要的研究方法是基于统计过程分析的过程能力指数(CPK)和西格玛水平(或称为六西格玛)是两种卷烟制丝及其他流程制造常用的过程能力评价方法。它们都用于测量生产过程的质量和性能,以确定过程是否符合规格要求和质量标准。这两种方法有不同的侧重点和应用,但它们都可以为改进生产过程提供有价值的信息。
第一种是基于过程能力指数(CPK):过程能力指数(CPK)是一种衡量生产过程能否在规定的规格范围内生产产品的指标。CPK通过比较过程的实际性能(如均值、标准差等)与规格限(规定的上限和下限)来计算。
如果CPK≥1.33,表明过程能力良好,生产出的产品基本满足质量要求。
如果1.00≤CPK<1.33,表明过程能力一般,可能需要改进生产过程以提高产品质量。
如果CPK<1.00,表明过程能力不足,需要对生产过程进行改进。
第二种是基于西格玛水平(六西格玛):
西格玛水平通常用整数或带有小数点的数字表示。一个过程的西格玛水平越高,表明生产过程的质量越好,缺陷率越低。以下是常见的西格玛水平解读:
1σ:表示缺陷率约为69%,质量非常差。
3σ:表示缺陷率约为0.27%,质量一般,但仍有改进空间。
6σ:表示缺陷率约为3.4DPMO,即每百万个单位中有3.4个缺陷,质量非常好。
六西格玛管理方法的核心理念是通过不断降低过程的变异性来提高生产过程的质量。目标是在过程中减少缺陷和差异,从而提高客户满意度和降低生产成本。
CPK(过程能力指数)和西格玛水平(六西格玛)虽然是评估生产过程质量和性能的重要指标,但它们也存在一些缺点:
(1)CPK和西格玛水平的计算通常基于正态分布的假设,但实际生产过程中的数据分布可能并非总是正态分布。当数据分布偏离正态分布时,这两个指标的准确性可能会受到影响。
(2)CPK和西格玛水平要求生产过程在一定时间范围内保持稳定,以获得准确的评估结果。然而,在实际生产过程中,过程稳定性可能会受到各种因素的影响,导致指标的准确性降低。
(3)CPK指数关注过程能力和规格限的匹配程度,但它可能忽略了过程的偏移情况。当过程发生偏移时,尽管CPK值可能仍然较高,但实际产品质量可能会受到影响。
(4)计算CPK和西格玛水平通常需要收集一定数量的生产数据样本。这意味着它们无法实时反映生产过程中发生的质量问题,可能导致问题及时发现和解决的难度增加。
(5)当收集到的样本数量较少时,CPK和西格玛水平的计算结果可能会受到较大的波动。这使得它们在小样本情况下的应用受到限制。
(6)CPK和西格玛水平主要关注产品质量,而对其他生产过程中的因素(如生产效率、成本等)关注较少。这可能导致企业在追求高质量的过程中忽略了其他重要的生产指标。
基于此,本发明旨在解决CPK和西格玛水平存在的缺点,提供一种更为全面和实时的生产过程质量评估方法。
在相关计算机领域,有一类基于DTW的数据聚类方法,如201811060561.5《一种基于DTW和MDS的锚链闪光焊质量在线评估方法》、202111560425.4《飞行质量自适应评估方法》等,都是基于欧式距离的动态时间规整(DTW)方法,对于低维度数据,欧式距离效果较好,而待评估的数据维度相对较高,因此,在使用欧式距离的动态时间规整(DTW)方法时,需要将待评估的数据降维后使用,但是在生产制造领域生产中的质量数据均是对批次评价的具体指标,降维后的数据因缺少可解释性,无法用于指导生产过程的改进,不适宜采用降维的方法,仅能实现评价的技术效果。
发明内容
针对上述问题,本发明提出了一种卷烟制丝生产批次间差异性评价与改进方法,以最佳批次为参考,考虑多个生产中的变量对产品质量的影响,通过将被评价批次与最佳批次进行差异性对比,进而实现对被评价批次的评价,可以很方便的发现偏差发生的时间节点,查找偏差发生时的原因,便于质量追溯,以及有针对性的进行质量检查。
根据第一方面,本发明提供了一种卷烟制丝生产批次间差异性评价方法,包括如下步骤:
步骤S1:从历史数据中选出最佳批次,最佳批次的质量相关数据,组成数据矩阵X;数据矩阵X的大小为(M,P);矩阵X表示为:
确定被评价批次Y,其数据大小为(N,P);被评价批次Y表示为:
其中,m代表最佳批次采样点的数量,n代表被评价批次采样点的数量,P为数据种数;
质量相关数据包括生产线的传感器数据以及操作员输入的相关数据(如质量检测数据)。
步骤S2:初始化M×N的矩阵D,所有位置用∞填充,作为优选,在计算机程序中可用np.inf填充;
步骤S3:计算最佳批次与被评价批次每个时刻之间的距离,并将每个时刻之间的距离填充至矩阵D中;
步骤S4:矩阵D填充完成后,确定其最佳路径;
步骤S5:对最佳路径进行可视化的展示,或
计算其距离后,输出其距离数值L;
距离数值L越小,则被评价批次与最佳批次差异越小。
进一步地,所述步骤S1包括:
获取历史数据,对历史各批次的各质量参数的加权分数进行排名,选出历史最佳批次及其各类数据,组成数据矩阵X。
进一步地,在卷烟生产中,每个批次由于原材料、工艺条件、操作方法的不同,数据的量是完全不一致的,并且,在实际应用中,生产数据往往是高维数据,因此,在步骤S3中,采用向量之间空间的夹角作为距离的度量,即采用余弦距离作为度量,以此更好地处理生产数据的特征。余弦距离作为度量能够忽略数据维度之间的差异,因为它只关心两个向量之间的角度,这使得它在处理高维数据时更加可靠,并且对生产过程中的异常值和噪声的鲁棒性更强。
对于某一时刻t,最佳批次与被评价批次之间的距离为:
其中,k为0~d,其中d为该生产线所采集数据点的数量;Xik和Yjk分别表示向量Xi和Yj在第k个维度上的值;Cij的范围为[0,2]。
进一步地,所述步骤S3中,采用动态规划的方法将最佳批次与被评价批次每个时刻之间的距离填充至矩阵D;即:
Dij=Cij+min(Di-1,j-1,Di-1,j,Di,j-1)
其中,i代表矩阵D中的行,j代表矩阵D中的列。
进一步地,确定填充后的矩阵D的最佳路径的约束条件为:
边界条件,即该路径是从矩阵D的(1,1)到(M,N);
单调条件,即该路径长度只能增加或平行移动,不能减少;
连续性条件,即路径中的相邻点的相邻最大距离为1,例如(1,1)只能移动到(1,2)或(2,1)或(2,2)。
数学上表示为,设p为当前时刻t的横坐标,q为纵坐标,则
|pt+1-pt|≤1且|qt+1-qt|≤1。
进一步地,所述步骤S5中,距离数值L为矩阵D右下角元素D[M,N]的数值。
根据第二方面,本发明还提供了一种卷烟制丝生产批次间差异性改进方法,包括上述评价方法,还包括:
步骤S6:寻找被评价批次Y中某个变量变化时,对最佳批次与被评价批次的距离产生的影响ΔCij,根据ΔCij调整距离数值L,使其接近于0,以使得评价批次Y接近最佳批次。
进一步地,所述步骤S6中,对Cij产生的影响,表示为:
其中,Xik表示参考批次,Yjk表示被评价批次,参考批次是不变的,而被评价批次是在生产中可以因操作等因素改变。
ΔCij为要计算的量,它是Xik和Yjk的函数,找出Yjk变化时ΔCij的变化大小。Δ是微积分中表示导数的符号。
相比现有技术,本发明的有益效果:
(1)本发明可整合生产效率、成本等其他生产指标,使评估方法能够更全面地反映生产过程的实际情况。
(2)本发明通过将问题分解为多个子问题并使用存储结构来提高计算效率,使用动态规划与余弦距离结合可以大大减少计算复杂度,从而加快计算速度。
(3)本发明以最佳批次为参考,考虑多个生产中的变量对产品质量的影响,利用余弦距离来反映出同一品牌的生产数据的生产流程是否一致,从而更加客观地评价生产过程的能力和差异性。
附图说明
图1为本发明提供的卷烟制丝生产批次间差异性评价方法的流程示意图;
图2为实施例1中被评价批次的最优路径示意图;
图3为实施例1中的最佳批次与被评价批次的最优路径对比示意图;
图4为实施例1中的多批次的最优路径对比示意图;
图5为本发明提供的卷烟制丝生产批次间差异性改进方法的流程示意图;
图6为实施例2中被评价批次的最优路径示意图。
具体实施方式
下面通过具体实施方式对本发明作进一步详细说明。
实施例1
本实施例提供了一种卷烟制丝生产批次间差异性评价方法,包括如下步骤:
步骤S1:从历史数据中选出最佳批次,最佳批次的质量相关数据,组成数据矩阵X;数据矩阵X的大小为(M,P);矩阵X表示为:
M代表最佳批次采样点的数量,P为数据种数。
以制丝线某台叶片加料加料设备为例,其某一批次的数据矩阵X为最佳批次,X是一个形状为(30,6)的矩阵,具体数据如表1所示,该数据是一个简化数据,不代表真实的生产情况。
加料精度误差 | 加料前皮带秤流量 | 加料后皮带秤流量 | 实际加料比例 | 加料电机转速 | 料液温度 |
0.22515 | 3689.6 | 4525.4 | 9.4095 | 27.133 | 42.395 |
0.22588 | 3655.1 | 4489 | 9.263 | 26.598 | 42.294 |
0.25957 | 3715.6 | 4513.6 | 9.358 | 26.735 | 42.391 |
0.25765 | 3669 | 4515.6 | 9.4451 | 27.014 | 42.21 |
0.25449 | 3667.7 | 4400.5 | 9.3541 | 26.918 | 42.49 |
0.25645 | 3635.5 | 4408.3 | 9.2819 | 26.774 | 42.549 |
0.30454 | 3676.8 | 4517.3 | 9.2999 | 26.969 | 42.666 |
0.30425 | 3687.9 | 4468.7 | 9.256 | 26.847 | 42.377 |
0.25375 | 3619.1 | 4544.2 | 9.2548 | 27.227 | 42.424 |
0.25421 | 3601.1 | 4486.7 | 9.3263 | 26.846 | 42.582 |
0.25674 | 3683.3 | 4472.1 | 9.2549 | 26.829 | 42.854 |
0.25626 | 3714.9 | 4522.3 | 9.2305 | 26.842 | 42.746 |
0.26309 | 3677.2 | 4536.7 | 9.3614 | 26.785 | 42.414 |
0.26513 | 3685.6 | 4522 | 9.2694 | 26.943 | 42.696 |
0.22186 | 3618.8 | 4524.4 | 9.2022 | 26.879 | 42.447 |
0.21873 | 3645.2 | 4548.2 | 9.2642 | 26.832 | 42.127 |
0.24697 | 3636.3 | 4487.2 | 9.2969 | 27.051 | 42.247 |
0.24535 | 3625.6 | 4540.8 | 9.3654 | 26.819 | 42.293 |
0.22258 | 3651.6 | 4489 | 9.3374 | 27.126 | 42.126 |
0.22461 | 3674.6 | 4498.1 | 9.4294 | 27.063 | 42.056 |
0.27849 | 3612.3 | 4464.2 | 9.4126 | 27.011 | 42.321 |
0.27471 | 3625 | 4482.2 | 9.3097 | 26.674 | 42.446 |
0.24733 | 3692.4 | 4418.1 | 9.2317 | 27.197 | 42.279 |
0.24838 | 3691.8 | 4449.6 | 9.3274 | 27.122 | 42.144 |
0.277 | 3666.8 | 4494.6 | 9.4456 | 26.73 | 42.52 |
0.27252 | 3711.4 | 4480 | 9.4108 | 27.057 | 42.335 |
0.21817 | 3682.7 | 4540.2 | 9.3548 | 26.656 | 42.419 |
0.22013 | 3679.2 | 4537.5 | 9.3848 | 26.872 | 42.536 |
0.23404 | 3596.1 | 4490.6 | 9.2517 | 26.696 | 42.247 |
0.23528 | 3627.5 | 4508.4 | 9.3557 | 27.116 | 42.405 |
0.24545 | 3564.6 | 4503.7 | 9.4303 | 26.958 | 42.234 |
0.24532 | 3587.6 | 4480.2 | 9.3047 | 27.082 | 42.449 |
0.2345 | 3633.8 | 4501.4 | 9.3804 | 27.1 | 42.024 |
0.23414 | 3611.8 | 4474.9 | 9.5003 | 26.972 | 42.503 |
0.24231 | 3704.8 | 4563.1 | 9.4203 | 26.952 | 42.764 |
0.24382 | 3707.6 | 4593.2 | 9.392 | 26.878 | 42.405 |
表1
确定被评价批次Y,其数据大小为(N,P);被评价批次Y表示为:
N代表被评价批次采样点的数量。
本实施例1中,被评价批次Y如表2,数据Y形状为(35,6)。
加料精度误差 | 加料前皮带秤流量 | 加料后皮带秤流量 | 实际加料比例 | 加料电机转速 | 料液温度 |
0.25038 | 3674.0 | 4529.0 | 9.2320 | 26.889 | 42.402 |
0.25109 | 3659.4 | 4556.6 | 9.4264 | 26.721 | 42.576 |
0.25038 | 3660.3 | 4477.8 | 9.4426 | 26.875 | 42.07 |
0.24977 | 3661.3 | 4512.1 | 9.4776 | 26.758 | 42.063 |
0.29405 | 3679.0 | 4497.0 | 9.3381 | 26.889 | 42.65 |
0.29303 | 3691.7 | 4502.2 | 9.3780 | 27.111 | 41.999 |
0.24301 | 3658.8 | 4541.6 | 9.3374 | 26.623 | 42.448 |
0.2409 | 3653.3 | 4500.0 | 9.3495 | 27.075 | 42.412 |
0.29416 | 3654.3 | 4454.7 | 9.3213 | 27.363 | 42.238 |
0.29372 | 3675.9 | 4487.4 | 9.4107 | 26.809 | 42.144 |
0.2348 | 3677.4 | 4489.8 | 9.3199 | 26.695 | 42.014 |
0.2357 | 3643.6 | 4517.4 | 9.4013 | 26.404 | 42.81 |
0.25649 | 3680.1 | 4506.3 | 9.3763 | 27.232 | 42.42 |
0.25909 | 3693.7 | 4514.2 | 9.3814 | 27.158 | 42.552 |
0.2908 | 3713.0 | 4521.6 | 9.3023 | 26.873 | 42.685 |
0.29176 | 3713.7 | 4501.2 | 9.3591 | 26.744 | 42.092 |
0.23719 | 3672.7 | 4534.8 | 9.2755 | 26.619 | 42.459 |
0.23812 | 3661.2 | 4479.4 | 9.2821 | 27.286 | 42.303 |
0.25179 | 3666.1 | 4526.5 | 9.3263 | 26.953 | 42.107 |
0.25299 | 3650.4 | 4477.0 | 9.2933 | 27.165 | 42.307 |
0.27833 | 3649.7 | 4479.9 | 9.3498 | 26.379 | 42.488 |
0.27992 | 3647.2 | 4516.1 | 9.4246 | 27.084 | 42.347 |
0.24735 | 3648.7 | 4505.7 | 9.4650 | 26.751 | 42.653 |
0.24847 | 3677.2 | 4491.0 | 9.3595 | 26.869 | 42.423 |
0.23415 | 3732.0 | 4481.1 | 9.3340 | 26.891 | 41.973 |
0.23569 | 3763.0 | 4542.1 | 9.3545 | 26.791 | 42.078 |
0.30566 | 3647.5 | 4534.5 | 9.2294 | 26.761 | 42.29 |
0.30383 | 3660.6 | 4519.3 | 9.2774 | 26.717 | 42.627 |
0.3256 | 3703.7 | 4478.6 | 9.2911 | 27.055 | 42.436 |
0.3279 | 3672.1 | 4498.5 | 9.3309 | 26.882 | 42.23 |
0.37912 | 3684.9 | 4522.9 | 9.3740 | 27.134 | 42.36 |
0.37985 | 3650.4 | 4486.6 | 9.2179 | 26.599 | 42.264 |
0.45912 | 3710.9 | 4510.2 | 9.3014 | 26.738 | 42.39 |
0.4572 | 3664.2 | 4512.2 | 9.3754 | 27.016 | 42.209 |
0.49741 | 3664.7 | 4397.0 | 9.2692 | 26.923 | 42.514 |
0.25038 | 3674.0 | 4529.0 | 9.2320 | 26.889 | 42.402 |
表2
步骤S2:初始化M×N的矩阵D,所有位置用∞填充,作为优选,在计算机程序中可用np.inf填充。
初始化一个(30,35)的矩阵D,用np.inf填充。
[[np.inf np.inf np.inf np.inf np.inf]
[np.inf np.inf np.inf np.inf np.inf]
[np.inf np.inf np.inf np.inf np.inf]
[np.inf np.inf np.inf np.inf np.inf]
[np.inf np.inf np.inf np.inf np.inf]]
步骤S3:计算最佳批次与被评价批次每个时刻之间的距离。
对于某一时刻t,最佳批次与被评价批次之间的距离为:
其中,k为0~d,其中d为该生产线所采集数据点的数量,作为优选,本实施例中有6个列,表示有6个数据采集点;Xik和Yjk分别表示向量Xi和Yj在第k个维度上的值;Cij的范围为[0,2]。
例如初始时刻,通过上述距离公式计算出X[0]与Y[0]之间距离为3.0348454446160744e-06。以此类推,将矩阵D全部填满,从X[0]与Y[0]填充至X[30]与Y[35]。
然后采用动态规划的方法将最佳批次与被评价批次每个时刻之间的距离填充至矩阵D;即:
Dij=Cij+min(Di-1,j-1,Di-1,j,Di,j-1)
其中,i代表矩阵D中的行,j代表矩阵D中的列。
确定填充后的矩阵D的最佳路径的约束条件为:
边界条件,即该路径是从矩阵D的(1,1)到(M,N);
单调条件,即该路径长度只能增加或平行移动,不能减少;
连续性条件,即路径中的相邻点的相邻最大距离为1,例如(1,1)只能移动到(1,2)或(2,1)或(2,2)。
数学上表示为,设p为当前时刻t的横坐标,q为纵坐标,则
|pt+1-pt|≤1且|qt+1-qt|≤1。
矩阵D第一个位置D[0,0]数值为3.0348454446160744e-06,然后取其上、下、斜上中最小的数值与其相加,比较后D[1,0]为0,因此直接填充至D[0,0],填充D[0,1]时,距离计算结果为2.7223675436949257e-05,与D[0,1]上、下、斜上中最小的D[0,0]相加,结果为3.0258520881565332e-05,填充至D[0,1],以此类推,直至填充至D[30,35],其数值为0.00032420661126053574。
步骤S4:矩阵D填充完成后,寻找D[0,0]到D[30,35]之间的路径。
在具体实现上,可以生成一个名为代价的矩阵cost_mat,以及一个索引矩阵traceback_mat,使用双重循环遍历矩阵,计算代价矩阵cost_mat的每个元素。在每个元素(i,j)处,计算以下匹配类型的代价:
匹配(0):cost_mat[i,j]
插入(1):cost_mat[i,j+1]
删除(2):cost_mat[i+1,j]
选择具有最小代价的匹配类型,并将其索引存储在traceback_mat[i,j]中。然后将dist_mat[i,j]与选择的最小代价相加,并将结果存储在cost_mat[i+1,j+1]中。
从代价矩阵的右下角开始回溯,并沿着最小代价路径向左上角移动。在回溯过程中,根据traceback_mat中存储的匹配类型选择相应的移动方式。将每个访问的元素(i,j)添加到路径列表path中。
至此,path路径(最佳路径)搜索完成。
最佳路径的距离数值L即为D[30,35]的数值,为0.00032420661126053574。
步骤S5:可直接输出结果0.00032420661126053574数值较小,可以根据实际需要扩大1000倍,为0.32420661126053574,命名为相似性指数,越接近0越好。也可以可视化为路径的图像,如图2所示,图像中蓝色部分为path的路径。其意义为,如果生产符合最佳批次,评价批次应当与最佳批次距离越小越好。
如图3所示,最优批次与最优批次自身相比是黑线所表示的,线是被评价批次与标准批次的路径,可以很方便的发现偏差发生的时间节点,查找偏差发生时的原因,便于质量追溯。
当生产批次足够多时,可以确定一个允许偏差的范围,如图4所示,橙色、黄色和绿色所代表的批次,与最佳批次存在明显差异,可以判断存在较大偏差,从而有针对性的进行质量检查。
实施例2
本实施例提供了一种卷烟制丝生产批次间差异性改进方法,包括如下步骤:
步骤S1:从历史数据中选出最佳批次,最佳批次的各类数据,组成数据矩阵X;数据矩阵X的大小为(M,P);以制丝线某台烟叶回潮设备的出口水分与温度例。
数据矩阵X的大小为(2,5)。
确定被评价批次Y,其数据大小为(N,P);被评价批次Y表示为
Y的数据大小也为(2,5)。
步骤S2:初始化M×N的矩阵D,所有位置用∞填充,作为优选,在计算机程序中可用np.inf填充。
[[np.inf np.inf np.inf np.inf np.inf]
[np.inf np.inf np.inf np.inf np.inf]
[np.inf np.inf np.inf np.inf np.inf]
[np.inf np.inf np.inf np.inf np.inf]
[np.inf np.inf np.inf np.inf np.inf]]
填充的矩阵大小为(5,5);
步骤S3:计算最佳批次与被评价批次每个时刻之间的距离。
Cij={0.00013735035464823575,0.00001278846858532301}
步骤S4:矩阵D填充完成后,寻找D[0,0]到D[5,5]之间的路径,矩阵D=[[2.95774852e-05,6.91735910e-06,0.00000000e+00,0.00000000e+00,0.00000000e+00],
[1.98601559e-05,9.63338578e-06,3.60521360e-07,0.00000000e+00,
0.00000000e+00],
[2.26312570e-05,1.34311961e-05,4.50325955e-07,1.63437170e-06,inf],
[0.00000000e+00,9.17685385e-08,6.60142971e-06,1.39764910e-06,
1.39764910e-06],
[0.00000000e+00,0.00000000e+00,1.23930202e-05,5.17008282e-06,
2.33655309e-06]]
步骤S5:输出结果2.33655309e-06,扩大1000倍后为0.002336,也可以输出路径图像,如图5所示。
步骤S6,改进后的批次数据为,
和Y相比,仅[12.5,52.5]该数据点增加0.4℃,变为[12.5,52.9],数据矩阵D2=[[2.95774852e-05,6.91735910e-06,0.00000000e+00,0.00000000e+00,
0.00000000e+00],
[1.98601559e-05,9.63338578e-06,3.60521360e-07,0.00000000e+00,
0.00000000e+00],
[1.21021321e-05,1.00827845e-05,2.85091931e-06,-2.22044605e-16,inf],
[0.00000000e+00,8.14132145e-07,2.62632989e-06,5.37871903e-08,
1.45256937e-06],
[0.00000000e+00,0.00000000e+00,1.23930202e-05,3.82622090e-06,
9.92691182e-07]]
输出的距离L为9.92691182e-07,扩大1000倍后为0.0009926,与之前相比更接近0,说明仅改变一个时刻的一个变量,就能使被评价批次更接近参考批次,本发明对于生产中的多变量数据更加敏感,能够有效指导生产中的参数调整。
以上应用了具体个例对本发明进行阐述,只是用于帮助理解本发明,并不用以限制本发明。对于本发明所属技术领域的技术人员,依据本发明的思想,还可以做出若干简单推演、变形或替换。
Claims (8)
1.一种卷烟制丝生产批次间差异性评价方法,其特征在于,包括如下步骤:
步骤S1:从历史数据中选出最佳批次,最佳批次的质量相关数据,组成数据矩阵X;数据矩阵X的大小为(M,P);
确定被评价批次Y,其数据大小为(N,P);
其中,M代表最佳批次采样点的数量,N代表被评价批次采样点的数量,P为数据种数;
所述质量相关数据包括生产线的传感器数据、操作员输入的数据;
步骤S2:初始化M×N的矩阵D;
步骤S3:计算最佳批次与被评价批次每个时刻之间的距离,并将每个时刻之间的距离填充至矩阵D中;
步骤S4:矩阵D填充完成后,确定其最佳路径;
步骤S5:对最佳路径进行可视化的展示,或
计算其距离后,输出其距离数值L;
距离数值L越小,则被评价批次与最佳批次差异越小。
2.如权利要求1所述的方法,其特征在于,所述步骤S1包括:
获取历史数据,对历史各批次的各质量参数的加权分数进行排名,选出历史最佳批次及其各类数据,组成数据矩阵X。
3.如权利要求1所述的方法,其特征在于,所述步骤S3中,对于某一时刻t,最佳批次与被评价批次之间的距离为:
其中,k为0~d,d为该生产线所采集数据点的数量;Xik和Yjk分别表示向量Xi和Yj在第k个维度上的值;Cij的范围为[0,2]。
4.如权利要求3所述的方法,其特征在于,所述步骤S3中,采用动态规划的方法将最佳批次与被评价批次每个时刻之间的距离填充至矩阵D;即:
Dij=Cij+min(Di-1,j-1,Di-1,j,Di,j-1)
其中,i代表矩阵D中的行,j代表矩阵D中的列。
5.如权利要求4所述的方法,其特征在于,确定填充后的矩阵D的最佳路径的约束条件为:
边界条件,即该路径是从矩阵D的(1,1)到(M,N);
单调条件,即该路径长度只能增加或平行移动,不能减少;
连续性条件,即路径中的相邻点的相邻最大距离为1。
6.如权利要求5所述的方法,其特征在于,所述步骤S5中,距离数值L为矩阵D右下角元素D[M,N]的数值。
7.一种卷烟制丝生产批次间差异性改进方法,其特征在于,包括:权利要求1-6任一项所述的评价方法,还包括:
步骤S6:寻找被评价批次Y中某个变量变化时,对最佳批次与被评价批次的距离产生的影响ΔCij,根据ΔCij调整距离数值L,使其接近于0,以使得评价批次Y接近最佳批次。
8.如权利要求7所述的卷烟制丝生产批次间差异性改进方法,其特征在于,所述ΔCij表示为:
其中,k为0~d,d为该生产线所采集数据点的数量;Xik和Yjk分别表示向量Xi和Yj在第k个维度上的值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310692830.4A CN116681340A (zh) | 2023-06-12 | 2023-06-12 | 一种卷烟制丝生产批次间差异性评价方法及改进方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310692830.4A CN116681340A (zh) | 2023-06-12 | 2023-06-12 | 一种卷烟制丝生产批次间差异性评价方法及改进方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116681340A true CN116681340A (zh) | 2023-09-01 |
Family
ID=87783414
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310692830.4A Pending CN116681340A (zh) | 2023-06-12 | 2023-06-12 | 一种卷烟制丝生产批次间差异性评价方法及改进方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116681340A (zh) |
-
2023
- 2023-06-12 CN CN202310692830.4A patent/CN116681340A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110245802B (zh) | 基于改进梯度提升决策树的卷烟空头率预测方法及系统 | |
CN111184246B (zh) | 一种控制烘丝入口含水率的方法和系统 | |
CN110514619B (zh) | 基于有偏估计的近红外定量分析模型构建方法 | |
CN113092981B (zh) | 晶圆数据检测方法及系统、存储介质及测试参数调整方法 | |
US10345794B2 (en) | Product quality prediction method for mass customization | |
CN111103854A (zh) | 一种用于提升烟草烘丝机生产稳定性的系统及方法 | |
CN113655768B (zh) | 装配良率控制方法、设备及计算机可读存储介质 | |
CN115936262B (zh) | 基于大数据的环境干扰的产量预测方法、系统和介质 | |
KR20210091130A (ko) | 물리적 생산 공정을 개선하기 위한 방법 및 시스템 | |
CN111428329A (zh) | 基于模型的机器学习系统 | |
CN115617743A (zh) | 一种基于数据采集的科技项目档案管理系统 | |
CN116681340A (zh) | 一种卷烟制丝生产批次间差异性评价方法及改进方法 | |
CN113592538A (zh) | 一种工程造价概算方法及系统 | |
CN116720079A (zh) | 基于多特征融合的风力发电机故障模式识别方法及系统 | |
CN116414095A (zh) | 数据驱动的中医药制造过程工艺参数优化方法 | |
CN113836826A (zh) | 关键参数确定方法、装置、电子装置及存储介质 | |
CN110648023A (zh) | 基于二次指数平滑改进gm(1,1)的数据预测模型的建立方法 | |
CN112067514B (zh) | 基于土工筛分试验的土壤粒径检测方法、系统及介质 | |
CN113665079B (zh) | 一种塑料注塑成型工艺控制方法及系统 | |
US20240126244A1 (en) | Information Processing Method, Information Processing Apparatus, Molding Machine System and Non-Transitory Computer Readable Recording Medium | |
CN114139643B (zh) | 一种基于机器视觉的单甘酯质量检测方法及系统 | |
CN109858699B (zh) | 水质定量模拟方法、装置、电子设备及存储介质 | |
CN111062118B (zh) | 一种基于神经网络预测分层的多层软测量建模系统及方法 | |
CN112505337B (zh) | 一种辅助分析样品的数据处理方法 | |
CN118014442B (zh) | 共混型互穿网络热塑性弹性体的质量评估方法及系统 |
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 |