CN118134319B - 基于烟支多质量指标预测的卷接过程异常原因诊断方法 - Google Patents

基于烟支多质量指标预测的卷接过程异常原因诊断方法 Download PDF

Info

Publication number
CN118134319B
CN118134319B CN202410240578.8A CN202410240578A CN118134319B CN 118134319 B CN118134319 B CN 118134319B CN 202410240578 A CN202410240578 A CN 202410240578A CN 118134319 B CN118134319 B CN 118134319B
Authority
CN
China
Prior art keywords
cigarette
quality
cigarettes
index
ind
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
Application number
CN202410240578.8A
Other languages
English (en)
Other versions
CN118134319A (zh
Inventor
余忠华
陈琳升
张博
夏琛
樊虎
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
China Tobacco Zhejiang Industrial Co Ltd
Original Assignee
Zhejiang University ZJU
China Tobacco Zhejiang Industrial Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU, China Tobacco Zhejiang Industrial Co Ltd filed Critical Zhejiang University ZJU
Priority to CN202410240578.8A priority Critical patent/CN118134319B/zh
Publication of CN118134319A publication Critical patent/CN118134319A/zh
Application granted granted Critical
Publication of CN118134319B publication Critical patent/CN118134319B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • A—HUMAN NECESSITIES
    • A24—TOBACCO; CIGARS; CIGARETTES; SIMULATED SMOKING DEVICES; SMOKERS' REQUISITES
    • A24C—MACHINES FOR MAKING CIGARS OR CIGARETTES
    • A24C5/00—Making cigarettes; Making tipping materials for, or attaching filters or mouthpieces to, cigars or cigarettes
    • A24C5/32—Separating, ordering, counting or examining cigarettes; Regulating the feeding of tobacco according to rod or cigarette condition
    • A24C5/34—Examining cigarettes or the rod, e.g. for regulating the feeding of tobacco; Removing defective cigarettes
    • A24C5/345—Removing defective cigarettes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2123/00—Data types
    • G06F2123/02—Data types in the time domain, e.g. time-series data
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Artificial Intelligence (AREA)
  • Development Economics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Primary Health Care (AREA)
  • Manufacturing & Machinery (AREA)
  • Manufacturing Of Cigar And Cigarette Tobacco (AREA)

Abstract

本发明公开了基于烟支多质量指标预测的卷接过程异常原因诊断方法，属于异常监测诊断技术领域；本发明从数据驱动角度出发，融合卷接工艺顺序特征，搭建了烟支卷接工段图数据集。在模型选择上，使用能够处理非结构化数据(图数据)的图深度学习GDL模型实现端到端提取数据特征，同时对烟支卷接过程中的四种质量指标(吸阻、重量、通风度、漏气)的集成指标预测。并在保证GDL模型可靠的前提下，基于图注意力网络GAT中的边权重系数，诊断出在生产过程中对质量异常的贡献度排前Q名的指标(Anomaly_TopQ)，为后续生产现场的质量异常监控提供理论支持。

Description

基于烟支多质量指标预测的卷接过程异常原因诊断方法
技术领域
本发明涉及异常监测诊断技术领域，具体涉及基于烟支多质量指标预测的卷接过程异常原因诊断方法。
背景技术
在烟支卷接生产过程中，烟支卷接生产监测体系的建立得益于智能传感设备的普及，上百个与卷接生产相关的指标、预测模型被用于卷接过程异常监测。现有卷烟工业的烟支卷接生产监测方法，大多无法直接推导烟支质量异常的潜在原因，仅停留在质量指标预测阶段，且大多预测方法使用简易统计模型、质量指标监测模型的泛化性差(如吸阻预测模型无法用于通风度预测)、仅关注时序或图片等结构化数据却忽略了卷接工序的流程性特点，现缺乏智能化更高的数据驱动模型，用于在烟支质量异常情况下对卷接过程异常原因进行诊断。
烟支卷接生产的质量指标，为吸阻、烟支重量、通风度、漏气值，四种质量指标合格与否，直接关系到消费者体验感。目前关于吸阻、重量、通风度、漏气的监测、诊断方法中，如公开号为CN111612427A的专利申请公开的一种基于深度学习的烟支吸阻智能控制系统及其控制方法，多指标时序数据输入到LSTM模型并输出预测吸阻，输入指标的选择依据只有专家经验；公开号为CN112884212A的专利申请公开的烟支单支克重偏差分析预测方法，通过相关因素时序数据来训练回归预测模型进行克重预测，但模型无法进行在线更新；公开号为CN107173847B的专利申请公开的一种烟支通风度控制系统及其控制方法，仅考虑了少数相关影响因子对通风度的影响；以及公开号为CN113988593A的专利申请公开的一种烟支漏气缺陷在线诊断方法，仅使用传统检测指标如双样本T检验进行异常判定，并且后续异常因子判定完全依赖静态的专家经验库。
上述涉及烟支质量指标中的吸阻、重量、通风度、漏气的监测、诊断方法，存在三个问题：1.对于监测指标之间，不同质量指标间的相互关联特征未被考虑；2.对于模型输入的特征选择，未融合卷接流程工艺所具备的工艺顺序特征，仅简单使用时序这类结构化数据；3.对于模型输出，仅停留在质量指标预测层面，无法对生产过程中导致异常原因进行诊断。
鉴于上述内容，为解决背景技术中存在的问题及需求，本发明提出了一种基于烟支多质量指标预测的卷接过程异常原因诊断方法。
发明内容
本发明的目的在于提供基于烟支多质量指标预测的卷接过程异常原因诊断方法以解决背景技术中所提出的问题，本发明从数据驱动角度出发，融合卷接工艺顺序特征，搭建了烟支卷接工段图数据集。在模型选择上，使用能够处理非结构化数据(图数据)的图深度学习GDL模型实现端到端提取数据特征，同时对烟支卷接过程中的四种质量指标(吸阻、重量、通风度、漏气)的集成指标预测。并在保证GDL模型可靠的前提下，基于图注意力网络GAT中的边权重系数，诊断出在生产过程中对质量异常的贡献度排前Q名的指标(Anomaly_TopQ)，为后续生产现场的质量异常监控提供理论支持。
为了实现上述目的，本发明采用了如下技术方案：
基于烟支多质量指标预测的卷接过程异常原因诊断方法，包括以下步骤：
S1、获取卷接工段单支烟历史时序数据，通过相关性分析方法筛选出与烟支质量指标相关理的指标集合Ind关联，并构建图深度学习GDL模型；将所述图深度学习GDL模型经过随机初始化可学习参数后，模型记作GDL(θ0)；
S2、基于S1中所得的关联指标集合Ind关联中的单支烟历史时序数据、卷接工艺顺序特征、工序内指标间的依赖关系特征，构建卷接图数据集，训练GDL模型直至收敛，LMSE最小二乘函数作为损失函数，训练完成的GDL模型为GDL(θ1)，测试集的模型误差为±δ；
S3、利用实时时序数据、GDL模型对烟支多质量指标进行预测；
S4、基于多质量指标预测结果与测量值y，对GDL模型进行符合性判定；
S5、利用实时时序数据进行烟支质量异常判定，若烟支质量异常则通过GDL模型的GAT模块进行卷接过程异常原因诊断，并输出诊断结果Anomaly_TopQ。
优选地，所述烟支质量指标包括吸阻、烟条重量、通风度和漏气值；S1中所述获取卷接工段单支烟历史时序数据，通过相关性分析方法筛选出与烟支质量指标相关理的指标集合Ind关联具体包括如下内容：
获取数据库服务器的卷接工段时序数据，利用斯皮尔曼线性相关性分析fS、随机森林fR非线性相关性分析，计算卷接工段所有指标与烟支质量指标的相关性系数、重要性分数，筛选并保留大于阈值的指标作为与烟支质量相关联的关联指标集合Ind关联＝[Ind_P0,Ind_P1,Ind_P2,Ind_P3]，指标涉及烟丝物料P0、烟丝供应P1、烟条卷制P2、烟支成型P3中的物料指标、设备指标、生产过程指标；基于上述分析，Ind关联具体包含：短丝率、长丝率、水松纸温度、加香后水分、转序水分、填充值、烟支生产时机器速度、M105S_钢印劈刀电机速度、M11V_陡角带电机速度、M12V针辊电机速度、VE吸丝带张紧压力、VE的大风机负压、吸丝带位置、回丝量、烟丝厚度、卷烟纸盘断纸检测信号、SE布带张紧压力、SE总气源压力、压实端位置、目标重量、圆周值、烟丝温度、烟丝水分、烟支重量、MAX总气源压力、MAX大风机压力(负压)、SRM短支烟取样、SRM异物剔除阀、检测轮烟支到位、废品剔除阀的状态、吸阻、通风度、漏气值；|Ind关联|＝N，其中N＝33，共33个关联指标。
优选地，S1中所述图深度学习GDL模型的输入为卷接图数据集G卷，输出为输入烟支的后n支烟的4个质量指标的预测值
所述图深度学习GDL模型包括多头图注意力网络GAT模块、卷积神经网络CNN模块、全连接MLP模块；
所述多头图注意力网络GAT模块，注意力头数K＝8，特征变换矩阵大小为S1*S2，特征激活函数为ELU，计算注意力系数时的激活函数是LeakyReLU，多头图注意力网络GAT模块的输出维度为N*S2(即33*S2)；
所述卷积神经网络CNN模块的卷积核大小为k1*k2*k3，即卷积核尺寸为k1*k2，卷积核个数为k3，padding为填充值，滑动步长为stride，激活函数为ReLU，该模块的输出维度为4*S3；
所述全连接MLP模块的特征变换矩阵大小为S3*n，该模块的输出维度为4*n。
优选地，S2中所述卷接工序特征具体为：烟丝物料指标P0→烟丝供应P1→烟条卷制P2→烟支成型P3，其包含卷接前的烟丝物料及卷接中三个工序，函数表示为：
P0→P1→P2→P3 (1)
其中，“→”连接两个相邻工序；P1→P2→P3工序被采集的指标集合为Ind_P1、Ind_P2、Ind_P3，Ind_P0表示制丝工序采集的烟丝物料指标集合，包含短丝率P1、长丝率P2、水松纸温度P3、加香后水分P4、转序水分P5、填充值P6；Ind_P1包含烟支生产时机器速度P7、M105S_钢印劈刀电机速度P8、M11V_陡角带电机速度P9、M12V针辊电机速度P10、VE吸丝带张紧压力P11、VE的大风机负压P12、吸丝带位置P13、回丝量P14、烟丝厚度P15，Ind_P2包含卷烟纸盘断纸检测信号P16、SE布带张紧压力P17、SE总气源压力P18、压实端位置P19、目标重量P20、圆周值P21、烟丝温度P22、烟丝水分P23、烟条重量P30，Ind_P3包含MAX总气源压力P24、MAX大风机压力(负压)P25、SRM短支烟取样P26、SRM异物剔除阀P27、检测轮烟支到位P28、废品剔除阀的状态P29、吸阻值P31、通风度P32、漏气值P33；
S2中所述工序内指标间的关联特征指：根据专家经验得到工序内指标间依赖关系特征，函数表示如下：
[P7→P8,P7→P8,…,] (2)
其中，“→”连接两个指标，即工序内存在相互依赖的指标。
优选地，S2中所述构建卷接图数据集，具体包括如下内容：
A1、构建卷接图数据拓扑结构G，所述卷接图为无向加权图，边权重初始化为1，其函数表示为：
G＝(V,E) (3)
其中，V表示所有传感器或采集点位的指标节点集合，vi∈V表示卷接过程中某一采集的指标(如烟丝水分、压实端当前值、吸阻等)，i＝1,2，…，|V|＝N，是经步骤1筛选后的指标数量N＝33；E表示边关系集合，指标i与j存在依赖关系(工序相邻、工艺相关)，则两个指标间存在边eij∈E；
A2、根据图数据结构以及单支烟历史时序数据，构建卷接图数据集合G卷接，在单个图数据Gt样本中存储的信息中，包含节点特征矩阵(大小为33*S1)、邻接矩阵(大小为33*33)；
所述节点特征矩阵Xt表示在时间戳t时，按加工顺序依次排列的S1支烟(S1为滑动窗口大小)及其各烟支的N＝33个指标数值；
所述邻接矩阵A初始边权重为1，Aij的设置如下：
时间戳t与时间戳t+1之间的间隔为卷烟机生产一支烟的时间，每个时间戳t均有一个图数据Gt，m个时间戳的图数据集是G卷接＝[G1,G2,…,Gm](其中正常工况占60％，吸阻、重量、通风度、漏气异常均占10％)。
优选地，所述S3具体包括如下内容：
S3.1、基于实时时序数据关联指标Ind关联、以及图拓扑结构，得到在线t时间戳的所需时序数据再结合S2中的图拓扑结构，得到图数据Gt；其中，表示筛选指标前，卷接中采集的指标数量总数；S1表示滑窗大小；
S3.2、基于S3.1中所得图数据Gt，通过模型GDL(θ1)预测输出为t到t+n时间戳里的n支烟的四个质量指标
S3.3、将滑窗步距设为n，重复上述S3.1-S3.2预测步骤，直到累计预测了J支烟，同时输出烟支吸阻、重量、通风度、漏气质量指标预测值
优选地，所述S4具体包括如下内容：
S4.1基于J支烟的吸阻、重量、通风度、漏气值预测结果分别计算得出该J支烟预测值的吸阻、重量、通风度、漏气值的均值为(大小为4*1)、标准差为(大小为4*1)；
S4.2、基于J支烟的吸阻、重量、通风度、漏气值测量结果分别计算J支烟实际吸阻、重量、通风度、漏气值的均值为μ＝[μ吸阻,μ重量,μ通风度,μ漏气](大小为4*1)、标准差为σ＝[σ吸阻,σ重量,σ通风度,σ漏气](大小为4*1)；
S4.3、基于完成GDL模型可靠性判定，与实时测量J支烟的4个质量指标均值μ(大小为4*1)、标准差(大小为4*1)σ进行对比，函数表示如下：
-λ|δ|≤|μJ支烟-μ|≤λ|δ| (5)
-λ|δ|≤|σJ支烟-σ|≤λ|δ| (6)
其中，λ为预设定的误差允许因子；
S4.4、当四种质量指标的比较结果同时满足上述条件(5)、(6)，则认定DGL模型具备符合性，进行S5，设置变量名Count→0；反之，重复S2更新GDL模型；其中，Count表示不合格烟支数，初始化为0。
优选地，所述S5具体包括如下内容：
S5.1、完成烟支质量异常判定，若在线测量结果判定单烟支为不合格的烟支(单支异常判定标准为原有阈值判定)，则变量Count+1；当Count/J<p时，判定该J支烟的烟支质量为异常，不符合要求，其中，p为烟支质量合格率，包含p吸阻、p重量、p通风度、p漏气；
S5.2、当烟支质量不符合要求时，记录其在K头GAT模块中质量指标节点vi(v吸阻、v重量、v通风度、v漏气值)在边权重系数αi,j平均值，降序排列得到与质量指标节点vi相连的权重系数最大的Q条边，边连接的指标即为异常贡献前Q位的指标，这些指标的集合为Anomaly_TopQ，即得到质量异常原因诊断结果：
其中，K为GAT模块的注意力头数，Aij＝1表示质量指标节点vi与vj间存在边；
S5.3、所述异常贡献指标集合Anomaly_TopQ提供的诊断结果包括下列指标异常：烟支生产时机器速度、M105S_钢印劈刀电机速度、M11V_陡角带电机速度、M12V针辊电机速度、VE吸丝带张紧压力、VE的大风机负压、吸丝带位置、回丝量、烟丝厚度、卷烟纸盘断纸检测信号、SE布带张紧压力、SE总气源压力、压实端位置、目标重量、圆周值、烟丝温度、烟丝水分、MAX总气源压力、MAX大风机压力(负压)、SRM短支烟取样、SRM异物剔除阀、检测轮烟支到位、废品剔除阀的状态、短丝率、长丝率、水松纸温度、加香后水分、转序水分、填充值。
与现有技术相比，本发明提出了基于烟支多质量指标预测的卷接过程异常原因诊断方法，具备以下有益效果：
(1)本发明考虑卷接加工顺序特征，将该特征融入卷接图数据集合；
(2)本发明设计了一套处理烟支卷接图数据的端到端多质量指标预测模型DGL；
(3)本发明所提出的预测模型能同时对烟支四种质量指标(吸阻、重量、通风度、漏气值)进行预测；
(4)本发明根据多质量指标预测结果及图注意力网络权重，诊断出致使烟支质量异常的原因Anomaly_TopQ，为卷接过程的烟支质量异常监控提供理论指导。
附图说明
图1为本发明提出的基于烟支多质量指标预测的卷接过程异常原因诊断方法的原理示意图；
图2为本发明提出的基于烟支多质量指标预测的卷接过程异常原因诊断方法的流程图；
图3为本发明实施例1中提到的图深度学习GDL模型的训练流程图；
图4为本发明实施例1中提到的卷接图数据拓扑结构示意图；
图5为本发明实施例1中提到的卷接图数据邻接矩阵示意图。
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。
本发明旨在提出一种基于烟支多质量指标预测的卷接过程异常原因诊断方法，从数据驱动角度出发，融合卷接工艺顺序特征，搭建了烟支卷接工段图数据集。在模型选择上，使用能够处理非结构化数据(图数据)的图深度学习GDL模型实现端到端提取数据特征，同时对烟支卷接过程中的四种质量指标(吸阻、重量、通风度、漏气)的集成指标预测。并在保证GDL模型可靠的前提下，基于图注意力网络GAT中的边权重系数，诊断出在生产过程中对质量异常的贡献度排前Q名的指标(Anomaly_TopQ)，为后续生产现场的质量异常监控提供理论支持。
基于上述内容，下面结合具体实例对本发明所提出的基于烟支多质量指标预测的卷接过程异常原因诊断方法进行说明，具体内容如下。
实施例1：
请参阅图1-2，本实施例提出一种基于烟支多质量指标预测的卷接过程异常原因诊断方法，具体包括如下内容：
步骤1、获取卷接工段单支烟历史时序数据，通过相关性分析方法筛选出与烟支质量指标相关理的指标集合Ind关联，并构建图深度学习GDL模型。
步骤1具体包括：
步骤1.1、通过设备生产现场中的数据采集方案，获取卷接工段单支烟历史时序数据，包含过程指标、物料指标、设备状态指标、烟支质量指标；
步骤1.2、获取数据库服务器的卷接工段时序数据，利用斯皮尔曼线性相关性分析fS与随机森林fR非线性相关性分析，计算卷接工段所有指标与烟支质量指标(吸阻、烟条重量、通风度、漏气值)的相关性系数Fs或重要性分数Iscore。保留|Fs|、Iscore排名前30％的指标取并集，作为影响烟支质量的指标集合Ind质量＝[Ind_Tobacco,Ind_VE,Ind_SE,Ind_MAX]，Ind_Tobacco原材料即烟丝指标包含【1】-短丝率、【2】-长丝率、【3】-水松纸温度、【4】-加香后水分、【5】-转序水分、【6】-填充值；Ind_VE供料工艺的指标包含【7】-烟支生产时机器速度、【8】-M105S_钢印劈刀电机速度、【9】-M11V_陡角带电机速度、【10】-M12V针辊电机速度、【11】-VE吸丝带张紧压力、【12】-VE的大风机负压、【13】-吸丝带位置、【14】-回丝量、【15】-烟丝厚度；Ind_SE卷制成型工艺的指标包含【16】-卷烟纸盘断纸检测信号、【17】-SE布带张紧压力、【18】-SE总气源压力、【19】-压实端位置、【20】-目标重量、【21】-圆周值、【22】-烟丝温度、【23】-烟丝水分；Ind_MAX滤嘴接装工艺的指标包含【24】-MAX总气源压力、【25】-MAX大风机压力(负压)、【26】-SRM短支烟取样、【27】-SRM异物剔除阀、【28】-检测轮烟支到位、【29】-废品剔除阀的状态。由于后续步骤需要，本发明的Ind_SE还包含【30】-烟条重量，Ind_MAX还包含【31】-吸阻、【32】-通风度、【33】-漏气值。
步骤1.3、构建图深度学习GDL模型，该模型中包括多头图注意力网络GAT模块、卷积神经网络CNN模块、全连接MLP模块。该模型处理方法的输入为卷接工段图数据集G卷，输出为未来n＝20支烟支的4个质量指标的预测值
步骤1.4、GDL模型的多头图注意力网络GAT模块，注意力头数K＝8，特征变换矩阵大小为10000*128，特征激活函数为ELU，计算注意力系数时的激活函数是LeakyReLU。注意力头数K＝8，特征变换矩阵大小为S1*S2(即10000*128)，特征激活函数为ELU，计算注意力系数时的激活函数是LeakyReLU，该模块的输出维度为N*S2(即33*128)。
步骤1.5、GDL模型的卷积神经网络CNN模块，卷积核g大小为k1*k2*k3(卷积核尺寸k1＝30、k2＝65，卷积核个数为k3＝8)，padding为0，滑动步长stride为1，激活函数为ReLU，该模块的输出维度为4*S3(即4*64)。
步骤1.6、GDL模型的全连接MLP模块，特征变换矩阵大小为S3*n(即64*20)，该模块的输出特征的维度为4*n(即4*20)。
步骤1.7、随机初始化可学习参数后的GDL模型为GDL(θ0)。
步骤2、基于关联指标Ind关联的单支烟历史时序数据、卷接工艺顺序特征、工序内指标间的依赖关系特征，构建卷接图数据集G卷接，并训练GDL模型。
请参阅图3，步骤2具体包括：
步骤2.1、构建卷接图数据集G卷接＝(V,E)，其中图的节点集合V为Ind关联，边关系集合E考虑了卷接工艺顺序特征(烟丝物料指标P0→烟丝供应P1→烟条卷制P2→烟支成型P3)、以及工序内各指标间的依赖性(专家经验)，卷接生产的图数据拓扑结构可视化见图4。
步骤S2.2、集合|V|＝a+b+c+d＝33，即33个指标被抽象表示为卷接图数据的节点。a、b、c是P1、P2、P3工序指标数量9(具体为【7】、【8】、【9】、【10】、【11】、【12】、【13】、【14】、【15】)、9(具体为【16】、【17】、【18】、【19】、【20】、【21】、【22】、【23】、【30】)、9(具体为【24】、【25】、【26】、【27】、【28】、【29】、【31】、【32】、【33】)；d是P0工序的指标数量6(具体为【1】、【2】、【3】、【4】、【5】、【6】)。
步骤2.3、卷接图G卷接＝(V,E)，其中边关系集合E考虑卷接工艺顺序特征、以及工序内各指标间的关联性，指标i与j存在依赖关系(工序相邻、工艺相关)，则两个指标间存在边eij∈E。可视化展示如图4。在实际计算过程中的E对应于邻接矩阵A，如图5。以A11,12为例，VE吸丝带张紧压力与VE大风机负压有直接关系，后者可调控前者，又如A22,30、A23,30，在测量烟条重量时，需要考虑烟丝温度及水分；
步骤2.4、卷接图数据G卷接＝(V,E)包含的特征除邻接矩阵A以外，每个节点还具备节点特征，节点特征为指标的时序数据，时序数据被滑动窗口截取，滑窗大小S1＝10000，对应实际生产约1分钟，即t时间戳下的卷接图数据Gt具有一个固定邻接矩阵A、节点特征矩阵(大小为33*10000)；共通过m个滑窗来得到历史卷接图数据集合G卷接＝[G1,G2,...Gm]，本发明为保证样本特征较丰富，具体m＝5000(其中正常工况占60％，吸阻、重量、通风度、漏气异常均占10％)，即一周的历史生产数据；
步骤2.5、G卷接＝[G1,G2,...Gm]中随机划分50％、30％、20％的训练、验证、测试集输入到GDL模型进行训练，损失函数LMSE为最小二乘，完成可学习参数的优化GDL(θ0)→GDL(θ1)，模型在测试集上的误差为±δ：
其中，Ttrain为时间戳总长度(训练样本烟支数)，S1为窗口大小，是四个质量指标预测值，y为四个质量指标观测值(测量值)；
步骤3、利用实时时序数据、GDL模型对烟支多质量指标(吸阻、重量、通风度、漏气值)进行预测：
步骤3.1、在生产中，利用一个窗口大小S1＝10000的实时时序数据并基于步骤1)的筛选结果Ind关联，得到关联指标的实时时序xt＝[x(t-w),x(t-w+1),...,x(t-1)]，并利用步骤2)的图拓扑结构，得到t时刻的图数据Gt；
步骤3.2、以t时刻的图数据Gt为一个样本为输入，利用DGL模型，预测得到t后n支烟的四种质量预测值
步骤3.3、同理，重复步骤3.1-3.2，窗口数量S＝5000、窗口滑动步距h＝n＝20的滑窗，在实时时序上截取33个指标的实时时序数据，构建图数据，再输入DGL模型，直到累计预测得到10分钟内J＝Sgh＝100000支烟(参数设定考虑了预警时间间隔、计算成本的合理性)的4种多质量指标集成预测值
步骤4、基于多质量指标预测结果与测量值y，对GDL模型进行符合性判定。
步骤4具体包括：
步骤4.1、基于J支烟的吸阻、重量、通风度、漏气值预测结果分别计算该J支烟预测值的吸阻、重量、通风度、漏气值的均值为(大小为4*1)、标准差为(大小为4*1)；
步骤4.2、基于J支烟的吸阻、重量、通风度、漏气值测量结果分别计算J支烟的测量吸阻、重量、通风度、漏气值的均值为μ＝[μ吸阻,μ重量,μ通风度,μ漏气](大小为4*1)、标准差为σ＝[σ吸阻,σ重量,σ通风度,σ漏气](大小为4*1)；
步骤S4.3-S4.4，判定DGL模型预测精度的符合性。利用μJ支烟、σJ支烟、μ、σ，计算偏差绝对值，若同时满足条件(9)-(12)，则模型符合要求，预测结果可靠，可进行后续S5)，设置变量名Count→0(Count表示不合格烟支数，初始化或重置为0)；反之，重复步骤2更新GDL模型参数。
-λ|δ|≤|μJ吸阻-μ吸阻|≤λ|δ|，-λ|δ|≤|σJ支烟-σ吸阻|≤λ|δ| (9)
-λ|δ|≤|μJ重量-μ重量|≤λ|δ|，-λ|δ|≤|σJ重量-σ重量|≤λ|δ| (10)
-λ|δ|≤|μJ通风度-μ通风度|≤λ|δ|，-λ|δ|≤|σJ通风度-σ通风度|≤λ|δ| (11)
-λδ≤|μJ漏气-μ漏气|≤λδ，-λ|δ|≤|σJ漏气-σ漏气|≤λ|δ| (12)
其中λ为专家预设的误差允许因子0.01-0.05，|δ|是模型测试误差绝对值。
步骤5利用实时时序数据进行烟支质量异常判定，若烟支质量异常则通过GDL模型的GAT模块进行卷接过程异常原因诊断，并输出诊断结果Anomaly_TopQ：
步骤S5具体包括：
步骤5.1、对于单支烟的质量异常进行累计，当在线测量结果判定为吸阻不合格烟支(即超出吸阻上下限阈值)，变量Count吸阻+1；当在线测量结果判定为重量不合格烟支(即超出吸重量上下限阈值)，变量Count重量+1；当在线测量结果判定为通风度不合格烟支(即超出通风度上下限阈值)，变量Count通风度+1；当在线测量结果判定为漏气值不合格烟支(即超出漏气值上下限阈值)，变量Count漏气+1。
步骤5.2、生产J支烟，对该生产过程的整体烟支质量异常判定。当(J-Counti)/J<pi(pi为烟支质量指标i的规定生产合格率)时，记录此时图注意网络GAT模块的质量指标节点Vi的邻接边集合Ei的权重系数αi,j，见公式(7)：
降序排列αi,j，得到最大的TopQi(本发明Q＝3)边，边连接的指标节点即为异常贡献前3的指标集合Anomaly_TopQi＝[Vi_First,Vi_Second,Vi_Third](具体大小为1*3)。
步骤5.3、以吸阻为例，生产J＝100000支烟，Count吸阻为6000，(J-Count吸阻)/J为0.94，若p吸阻为0.95，则(100000-6000)/100000<0.95，记录此时图注意模块GAT的节点V吸阻(【31】)的邻接边集合E吸阻(包含【31】-【16】、【31】-【17】、【31】-【18】、【31】-【19】、【31】-【20】、【31】-【21】、【31】-【22】、【31】-【23】、【31】-【30】、【31】-【26】、【31】-【27】、【31】-【28】、【31】-【29】、【31】-【32】、【31】-【33】)在权重系数均值矩阵α吸阻＝[α31,16,α31,17,α31,18,α31,19,α31,20,α31,21,α31,22,α31,23,α31,30,α31,26,α31,27,α31,28,α31,29,α31,32,α31,33]，具体计算参考利用公式(7)：
降序排列α吸阻,j后，得到前3条边所连接的节点为重量【30】、压实端位置【19】、SE布带张紧压力【17】，烟支吸阻异常原因诊断结果Anomaly_TopQ吸阻＝[重量,压实端位置,SE布带张紧压力]，同理若步骤5.3中重量、通风度、漏气值合格率较低，会得到烟支重量异常原因诊断结果Anomaly_TopQ重量、烟支通风度异常原因诊断结果Anomaly_TopQ通风度、烟支漏气值异常原因诊断结果Anomaly_TopQ漏气。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (3)

1.基于烟支多质量指标预测的卷接过程异常原因诊断方法，其特征在于，包括以下步骤：
S1、获取卷接工段单支烟历史时序数据，通过相关性分析方法筛选出与烟支质量指标相关理的指标集合Ind关联，并构建图深度学习GDL模型；将所述图深度学习GDL模型经过随机初始化可学习参数后，模型记作GDL(θ0)；
所述烟支质量指标包括吸阻、烟条重量、通风度和漏气值；
所述获取卷接工段单支烟历史时序数据，通过相关性分析方法筛选出与烟支质量指标相关理的指标集合Ind关联具体包括如下内容：
获取数据库服务器的卷接工段时序数据，利用斯皮尔曼线性相关性分析fS、随机森林fR非线性相关性分析，计算卷接工段所有指标与烟支质量指标的相关性系数、重要性分数，筛选并保留大于阈值的指标作为与烟支质量相关联的关联指标集合Ind关联＝[Ind_P0,Ind_P1,Ind_P2,Ind_P3]，指标涉及烟丝物料P0、烟丝供应P1、烟条卷制P2、烟支成型P3中的物料指标、设备指标、生产过程指标；基于上述分析，Ind关联具体包含：短丝率、长丝率、水松纸温度、加香后水分、转序水分、填充值、烟支生产时机器速度、M105S_钢印劈刀电机速度、M11V_陡角带电机速度、M12V针辊电机速度、VE吸丝带张紧压力、VE的大风机负压、吸丝带位置、回丝量、烟丝厚度、卷烟纸盘断纸检测信号、SE布带张紧压力、SE总气源压力、压实端位置、目标重量、圆周值、烟丝温度、烟丝水分、烟支重量、MAX总气源压力、MAX大风机压力、SRM短支烟取样、SRM异物剔除阀、检测轮烟支到位、废品剔除阀的状态、吸阻、通风度、漏气值；|Ind关联|＝N，其中N＝33，共33个关联指标；
所述图深度学习GDL模型的输入为卷接图数据集G卷，输出为输入烟支的后n支烟的4个质量指标的预测值
所述图深度学习GDL模型包括多头图注意力网络GAT模块、卷积神经网络CNN模块、全连接MLP模块；
所述多头图注意力网络GAT模块，注意力头数K＝8，特征变换矩阵大小为S1*S2，特征激活函数为ELU，计算注意力系数时的激活函数是LeakyReLU，多头图注意力网络GAT模块的输出维度为N*S2；
所述卷积神经网络CNN模块的卷积核大小为k1*k2*k3，即卷积核尺寸为k1*k2，卷积核个数为k3，padding为填充值，滑动步长为stride，激活函数为ReLU，该模块的输出维度为4*S3；
所述全连接MLP模块的特征变换矩阵大小为S3*n，该模块的输出维度为4*n；
S2、基于S1中所得的关联指标集合Ind关联中的单支烟历史时序数据、卷接工艺顺序特征、工序内指标间的依赖关系特征，构建卷接图数据集，训练GDL模型直至收敛，LMSE最小二乘函数作为损失函数，训练完成的GDL模型为GDL(θ1)，测试集的模型误差为±δ；
S3、利用实时时序数据、GDL模型对烟支多质量指标进行预测，具体包括如下内容：
S3.1、基于实时时序数据关联指标Ind关联、以及图拓扑结构，得到在线t时间戳的所需时序数据再结合S2中的图拓扑结构，得到图数据Gt；其中，表示筛选指标前，卷接中采集的指标数量总数；S1表示滑窗大小；
S3.2、基于S3.1中所得图数据Gt，通过模型GDL(θ1)预测输出为t到t+n时间戳里的n支烟的四个质量指标
S3.3、将滑窗步距设为n，重复上述S3.1-S3.2预测步骤，直到累计预测了J支烟，同时输出烟支吸阻、重量、通风度、漏气质量指标预测值
S4、基于多质量指标预测结果与测量值y，对GDL模型进行符合性判定，具体包括如下内容：
S4.1基于J支烟的吸阻、重量、通风度、漏气值预测结果分别计算得出该J支烟预测值的吸阻、重量、通风度、漏气值的均值为标准差为
S4.2、基于J支烟的吸阻、重量、通风度、漏气值测量结果分别计算J支烟实际吸阻、重量、通风度、漏气值的均值为μ＝[μ吸阻,μ重量,μ通风度,μ漏气]、标准差为σ＝[σ吸阻,σ重量,σ通风度,σ漏气]；
S4.3、基于完成GDL模型可靠性判定，与实时测量J支烟的4个质量指标均值μ、标准差σ进行对比，函数表示如下：
-λ|δ|≤|μJ支烟-μ|≤λ|δ| (5)
-λ|δ|≤|σJ支烟-σ|≤λ|δ| (6)
其中，λ为预设定的误差允许因子；
S4.4、当四种质量指标的比较结果同时满足上述条件(5)、(6)，则认定DGL模型具备符合性，进行S5，设置变量名Count→0；反之，重复S2更新GDL模型；其中，Count表示不合格烟支数，初始化为0；
S5、利用实时时序数据进行烟支质量异常判定，若烟支质量异常则通过GDL模型的GAT模块进行卷接过程异常原因诊断，并输出诊断结果Anomaly_TopQ，具体包括如下内容：
S5.1、完成烟支质量异常判定，若在线测量结果判定单烟支为不合格的烟支，则变量Count+1；当Count/J＜p时，判定该J支烟的烟支质量为异常，不符合要求，其中，p为烟支质量合格率，包含p吸阻、p重量、p通风度、p漏气；
S5.2、当烟支质量不符合要求时，记录其在K头GAT模块中质量指标节点vi在边权重系数αi,j平均值，降序排列得到与质量指标节点vi相连的权重系数最大的Q条边，边连接的指标即为异常贡献前Q位的指标，这些指标的集合为异常贡献指标集合Anomaly_TopQ，即得到质量异常原因诊断结果：
其中，K为GAT模块的注意力头数，Aij＝1表示质量指标节点vi与vj间存在边；
S5.3、所述异常贡献指标集合Anomaly_TopQ提供的诊断结果包括下列指标异常：烟支生产时机器速度、M105S_钢印劈刀电机速度、M11V_陡角带电机速度、M12V针辊电机速度、VE吸丝带张紧压力、VE的大风机负压、吸丝带位置、回丝量、烟丝厚度、卷烟纸盘断纸检测信号、SE布带张紧压力、SE总气源压力、压实端位置、目标重量、圆周值、烟丝温度、烟丝水分、MAX总气源压力、MAX大风机压力、SRM短支烟取样、SRM异物剔除阀、检测轮烟支到位、废品剔除阀的状态、短丝率、长丝率、水松纸温度、加香后水分、转序水分、填充值。
2.根据权利要求1所述的基于烟支多质量指标预测的卷接过程异常原因诊断方法，其特征在于，S2中所述卷接工艺顺序特征具体为：烟丝物料指标P0→烟丝供应P1→烟条卷制P2→烟支成型P3，其包含卷接前的烟丝物料及卷接中三个工序，函数表示为：
P0→P1→P2→P3(1)
其中，“→”连接两个相邻工序；P1→P2→P3工序被采集的指标集合为Ind_P1、Ind_P2、Ind_P3，Ind_P0表示制丝工序采集的烟丝物料指标集合，包含短丝率P1、长丝率P2、水松纸温度P3、加香后水分P4、转序水分P5、填充值P6；Ind_P1包含烟支生产时机器速度P7、M105S_钢印劈刀电机速度P8、M11V_陡角带电机速度P9、M12V针辊电机速度P10、VE吸丝带张紧压力P11、VE的大风机负压P12、吸丝带位置P13、回丝量P14、烟丝厚度P15，Ind_P2包含卷烟纸盘断纸检测信号P16、SE布带张紧压力P17、SE总气源压力P18、压实端位置P19、目标重量P20、圆周值P21、烟丝温度P22、烟丝水分P23、烟条重量P30，Ind_P3包含MAX总气源压力P24、MAX大风机压力P25、SRM短支烟取样P26、SRM异物剔除阀P27、检测轮烟支到位P28、废品剔除阀的状态P29、吸阻值P31、通风度P32、漏气值P33；
S2中所述工序内指标间的关联特征指：根据专家经验得到工序内指标间依赖关系特征，函数表示如下：
[P7→P8,P7→P8,…,] (2)
其中，“→”连接两个指标，即工序内存在相互依赖的指标。
3.根据权利要求1所述的基于烟支多质量指标预测的卷接过程异常原因诊断方法，其特征在于，S2中所述构建卷接图数据集，具体包括如下内容：
A1、构建卷接图数据拓扑结构G，所述卷接图为无向加权图，边权重初始化为1，其函数表示为：
G＝(V,E) (3)
其中，V表示所有传感器或采集点位的指标节点集合，vi∈V表示卷接过程中某一采集的指标，i＝1,2，…，|V|＝N，是经步骤1筛选后的指标数量N＝33；E表示边关系集合，指标i与j存在依赖关系，则两个指标间存在边eij∈E；
A2、根据图数据结构以及单支烟历史时序数据，构建卷接图数据集合G卷接，在单个图数据Gt样本中存储的信息中，包含节点特征矩阵邻接矩阵
所述节点特征矩阵Xt表示在时间戳t时，按加工顺序依次排列的S1支烟及其各烟支的N＝33个指标数值；
所述邻接矩阵A初始边权重为1，Aij的设置如下：
时间戳t与时间戳t+1之间的间隔为卷烟机生产一支烟的时间，每个时间戳t均有一个图数据Gt，m个时间戳的图数据集是G卷接＝[G1,G2,…,Gm]。
CN202410240578.8A 2024-03-04 2024-03-04 基于烟支多质量指标预测的卷接过程异常原因诊断方法 Active CN118134319B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410240578.8A CN118134319B (zh) 2024-03-04 2024-03-04 基于烟支多质量指标预测的卷接过程异常原因诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410240578.8A CN118134319B (zh) 2024-03-04 2024-03-04 基于烟支多质量指标预测的卷接过程异常原因诊断方法

Publications (2)

Publication Number Publication Date
CN118134319A CN118134319A (zh) 2024-06-04
CN118134319B true CN118134319B (zh) 2024-09-24

Family

ID=91238746

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410240578.8A Active CN118134319B (zh) 2024-03-04 2024-03-04 基于烟支多质量指标预测的卷接过程异常原因诊断方法

Country Status (1)

Country Link
CN (1) CN118134319B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118552092B (zh) * 2024-07-29 2024-11-05 南京航空航天大学 一种基于注意力机制的多工序质量预测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111612427A (zh) * 2020-05-25 2020-09-01 青岛海大新星软件咨询有限公司 一种基于深度学习的烟支吸阻智能控制系统及其控制方法
CN113988593A (zh) * 2021-10-26 2022-01-28 浙江中烟工业有限责任公司 一种烟支漏气缺陷在线诊断方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111951264B (zh) * 2020-08-28 2022-03-25 浙江中烟工业有限责任公司 一种基于深度学习的卷烟包装异常检测与定位方法
CN114447378B (zh) * 2022-02-10 2023-11-07 温州大学 一种质子交换膜燃料电池的参数优化方法
CN115456460A (zh) * 2022-09-30 2022-12-09 昆明理工大学 一种制丝松散回潮工艺的多质量指标输出预测方法、系统
CN116975748A (zh) * 2023-07-26 2023-10-31 四川中烟工业有限责任公司 一种烟支重量标准偏差精准诊断方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111612427A (zh) * 2020-05-25 2020-09-01 青岛海大新星软件咨询有限公司 一种基于深度学习的烟支吸阻智能控制系统及其控制方法
CN113988593A (zh) * 2021-10-26 2022-01-28 浙江中烟工业有限责任公司 一种烟支漏气缺陷在线诊断方法

Also Published As

Publication number Publication date
CN118134319A (zh) 2024-06-04

Similar Documents

Publication Publication Date Title
CN112034095B (zh) 在线烘后烟丝结构分析系统及方法
CN110867196B (zh) 一种基于深度学习及声音识别的机器设备状态监测系统
CN118134319B (zh) 基于烟支多质量指标预测的卷接过程异常原因诊断方法
CN106447210A (zh) 一种计及可信度评价的配网设备健康度动态诊断方法
CN112232405B (zh) 齿轮箱的故障预测、监测和诊断方法及相应装置
CN119205612A (zh) 一种舌象特征提取方法
CN113569491B (zh) 一种轮对尺寸检测数据的分析和校正方法及装置
CN115265609B (zh) 一种诊断结构健康监测系统中传感器状态的方法
CN111260199A (zh) 一种人工智能感官评价食品风味系统及其构建方法
CN113988593B (zh) 一种烟支漏气缺陷在线诊断方法
CN118628132B (zh) 一种面向收费站的碳排放数据监测方法及系统
CN118859890A (zh) 一种基于肉制品生产的检测加工控制系统
CN113807431A (zh) 一种基于多源信息融合的智能主轴状态评估方法和系统
CN116794088B (zh) 一种x荧光品位分析仪铜浮选泡沫品位在线补偿方法
CN118395313A (zh) 一种基于随机森林算法的滚动轴承故障诊断方法及相关设备
CN110175166A (zh) 一种烟草卷包车间质量异常的确认方法
CN102488495B (zh) 数字化智能尼古丁依赖性测评方法
CN113837367B (zh) 一种基于概率神经网络的卷包机烟支吸阻的在线预测方法
CN110163480A (zh) 一种卷包车间质量辅助决策的方法
CN116778477A (zh) 一种基于图像处理的玉米果穗性状指标计算方法
CN118076929A (zh) 尤其使用自组织映射来监控材料板、尤其工程木质板的生产
CN115902096A (zh) 一种烟用丝束质量检测方法及系统
CN118228512A (zh) 一种计算卷烟主流烟气释放量的方法
CN119989205B (zh) 一种基于多元数据的古建筑结构病害建模分析方法及系统
CN119475194B (zh) 一种空压机运行状态监测数据处理方法及系统

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
GR01 Patent grant
GR01 Patent grant