CN1996188A - 烟草加工过程稳态检测方法 - Google Patents

Abstract

本发明公开了一种烟草加工过程稳态检测方法。它解决了目前在烟草加工过程中对影响烟草质量的因素无法有效鉴别，导致无法对烟草加工的过程能力进行合理的定量和定性分析的问题，具有简便易行，能有效对烟草加工过程中各种异常状态进行剔除，便于对烟草加工的过程能力进行合理的定量和定性分析，从而保证烟草质量等优点。其利用加工过程指标的时序折线图、分布统计图和累积概率曲线，将过程稳态从整个过程中准确地分离出来，并判断其分布与正态分布的符合性，可以有效辨别过程异因，并追踪异常因素的时序区间，从而分析异因的来源、种类以及对质量指标的影响程度。

Description

烟草加工过程稳态检测方法

技术领域

本发明涉及一种烟草加工过程稳态检测方法。

背景技术

稳态是统计控制状态的简称，是指过程中只有偶因，而无异因产生的变异状态。理想的稳态条件下，过程的产品质量符合正态分布X～N(μ，σ²)。产品的实际生产中心往往偏离产品设计中心(M)，实际偏移一般为1.5σ以下。因此，在容差(T/2)范围内，产品的合格率与产品的均值偏移有密切的相关性。例如，当容差为：①3σ时，均值无偏移不合格品率为0.27％；均值偏移1.5σ的不合格品率为6.68％；②6σ时，均值无偏移不合格品率为0.002ppm，均值偏移1.5σ的不合格品率为3.4ppm。因此，稳态是生产追求的目标，也是SPC的基准状态。稳态下的均值 标准差σ是SPC应用的基础。

烟草加工的每一道工序，在过程的开始和结束，几乎都不会处于稳定状态(机头、机尾产生不合格)；同时，在加工过程中往往会有一些异因造成的质量不合格。这些不合格不但来源复杂、难以剔除，而且也会通过在线检测仪器的检测而混杂在过程的质量数据之中，很难予以有效鉴别，给统计过程控制(SPC)带来一定的影响，也会影响到过程控制诊断(SPD)的准确性，造成无法对烟草加工的过程能力进行合理的定量和定性分析。烟草加工过程的影响因素虽然很多，但根据对产品质量的影响，仍然可以分为偶因和异因。偶因是固有的，难以去除但对质量影响微小或相对固定；异因不是过程固有的，对质量影响较大，但可以祛除。

发明内容

本发明的目的就是为了解决目前在烟草加工过程中对影响烟草质量的因素无法有效鉴别，导致无法对烟草加工的过程能力进行合理的定量和定性分析的问题，提供供一种具有简便易行，能有效对烟草加工过程中各种异常状态进行剔除，便于对烟草加工的过程能力进行合理的定量和定性分析，从而保证烟草质量等优点的烟草加工过程稳态检测方法。

为实现上述目的，本发明采用了如下技术方案：

一种烟草加工过程稳态检测方法，它的方法为，

(1)利用在线指标检测仪对加工过程中烟叶的含水率进行实时检测并利用计算机自动记录各检测值，由计算机软件建立指标的时序折线图；

(2)由该折线确定烟叶通过指标检测仪的起止时序点和过程受控状态的起止时序点；

(3)根据过程受控状态的起止时间点内的指标数据，建立过程指标的区间频率分布图和累计概率曲线；

(4)取区间频率分布图中符合正态分布特点的区间，确定各正态分布的与其他分布的两个分界点，分别计算累计概率；将指标的累计概率最大的正态分布区间作为过程稳态的指标分布区间；

(5)将稳态的指标分布区间的指标数据按时序绘制指标折线图。在预定时长内保持连续的，其时序范围为稳态过程区间；

(6)计算稳态过程区间的指标平均值

标准偏差(S)，得到稳态过程指标的实际正态分布函数

(7)将指标稳态分布区间的两个分界点对应的指标，分别作为控制线UCL和LCL，利用公式UCL＝Q_max＝μ+3σ和LCL＝Q_min＝μ-3σ计算理论μ和σ，得到稳态过程指标的理论正态分布函数X～N(μ，σ²)；

(8)对比稳态过程指标正态分布的实际函数和理论函数，判断稳态过程指标实际分布的正态性；

(9)令z＝(X-μ)/σ，将该稳态过程指标的理论分布函数转换为标准正态分布Z～N(0，1)，确定稳态条件下的指标合格概率；并采用Cp＝T/6σ，CpK＝(T-2|M-μ|)/6σ，确定稳态条件下的过程能力。

所述步骤(1)中，对某工序的一个批次的烟草技术指标进行采集，采集频率为不少于10次/分钟。

所述步骤(2)中，①在累积概率曲线拐点A和D其对应的时序值a、d是整个加工过程的起止时间点，加工过程总计采集含水率数据是(d-a)个；②从加工起点A，指标在较短的时间内保持同一变化趋势(上升或下降)至B点，是过程的起始阶段；从点C起，指标在较短的时间内保持同一变化趋势(上升或下降)至加工的终点D，是过程的结束阶段；③点B～C之间的含水率曲线是过程受控状态，过程起始、结束阶段属于含水率指标非受控状态。

所述步骤(4)中，分界点为正态分布的凹点或突变点，其对应的含水率值用Q_i表示；用Q_max、Q_min表示最大正态分布区间的两个分界点的指标对应值。

所述步骤(5)中，预定时长应根据烟草加工的经验确定，用h表示。一般情况下，h不应少于5分钟。

所述步骤(8)中，指标的实际分布的正态性检验采用峰态用左偏或右偏，高峰或低峰来定性描述。

所述步骤(9)中，稳态过程的合格概率和工序能力计算中，用理论分布中心μ和标准差σ代替实际均值

和标准偏差S。

本发明：

(1)利用加工过程指标的时序折线图、分布统计图和累积概率曲线，将过程稳态从整个过程中准确地分离出来，并判断其分布与正态分布的符合性。

(2)可以有效辨别过程异因，并追踪异常因素的时序区间，从而分析异因的来源、种类以及对质量指标的影响程度。

(3)稳态是过程的追求目标。在非稳态条件下产生不合格比较固定的情况下，增加过程时间(既增加批投料量)，避免过程异常，可以有效提高过程的稳态时间，从而提高整批加工的总体合格率。

本发明的有益效果是：方法简便，准确度高，能有效发现影响烟草加工的异常因素，保证加工过程的稳定性。

附图说明

图1为本发明含水率时序折线，A(23，2.8)表示第23时序点含水率2.8％，其余依次类推；

图2为过程含水率示意图，A(20.8，0.75)表示含水率至2.8％的累计概率0.75％，其他依次类推；

图3为含水率分布I的示意图，A(137，23.6)表示第137时序点含水率23.6％，依此类推；

图4为稳态含水率示意图，A(21.9，80)表示含水率21.9％的频率为80，依此类推。

具体实施方式

下面结合附图与实施例对本发明作进一步说明。

如A牌号烟叶加料过程的出口含水率指标设计值为(22.0±1.0)％。对该牌号某试验批次的出口含水率进行采集，采集频率为20次/分，在加工过程中从加料机入口集中采样(50kg)一次。其出口含水率时序折线见图1。

图1表明，①点A和D其对应的时序点23、1632是加工过程的起止时间点，加工过程含水率数据：1632-23＝1609个，共用时80.45分钟；②点A～B间的含水率曲线是过程的起始阶段，点C和D之间的含水率曲线是过程的结束阶段；③点B和C之间的含水率曲线是过程受控状态。

显然，过程起始、结束阶段属于含水率指标非受控状态，由不可避免的系统性异因造成，这两个阶段均属于非稳态过程；同时过程受控状态是否存在异因造成的异常状态，是影响过程稳态判断的关键问题。因此，对加工过程含水率进行分布统计和累积概率计算，结果如图2。

图2表明，①含水率的频率分布存在两个正态分布，从左到右，分别命名为分布I和分布II。②分布I和分布II的交汇点B(凹点)对应的含水率(Q₂)为23.8％，既两个分布存在混杂；③含水率分布I的另一个突变点A对应的含水率(Q₁)为20.8％；④含水率分布I的累积频率：94.47％-0.75％＝93.72％，是过程的主要组成部分；分布II的累积频率：100％-94.47％＝5.53％，是过程的次要组成部分。显然含水率分布I是过程稳态的含水率分布区间。对含水率分布I的数据按时序绘制折线图，结果如图3：

图3表明，①点E前的含水率分布I的折线，但被分成数段，且每段持续时间均低于预定时长h(5分钟)，显然过程未达到稳态，出现了潮头现象(机头烟)；②F～G间含水率曲线连续26个点(累计78秒)，持续超出分布I的范围，可判该时间段内过程异常(加料机入口取样50kg引起)；③E～F间(区间I)和点G～C间(区间II)的含水率在20.8％～23.8％间旋回性波动(以不等长时间间隔为重复的周期规律性变化)，且保持连续；④区间I的持续时间(1368-137+1)/20＝61.6分钟，区间II持续时间(1630-1395+1)/20＝11.75分钟，两个区间的含水率稳定时间均大于预定时长。因此，区间I、II的含水率，显然是含水率达到过程稳态的表现。计算稳态过程的含水率均值 $\stackrel{\‾}{X}=22.15\%,$ 标准偏差S＝0.63％。则该过程的稳态含水率实际分布可用x-n(22.15，0.63²)表示。

假设UCL＝Q_max＝23.8％，LCL＝Q_min＝20.8％，则点H等极少数数据(共3个)出界，可看作第一类错误(虚发警报)；两区间端点数据(E、F、G、C)虽未越界，但很难直接判断是否是稳态过程数据，可作为第二类错误(漏发警报)处理。这两类错误不可避免，但只要两类错误造成的总损失足够小的原则，就可以接受原假设成立。该加工过程两类错误总计7点，占总样本的比例在0.5％以下，因此，接受UCL＝23.8％，LCL＝20.8％的假设成立。

因此，UCL＝μ+3σ＝23.8％，LCL＝μ-3σ＝20.8％，则：μ＝22.3％，σ＝0.50，即稳态过程的理论正态分布X～N(22.3，0.50²)。显然，生产中心

小于理论分布中心μ，实际标准偏差S大于理论标准差σ。因此，判断含水率的实际统计分布x-n(22.15，0.63²)与理论正态分布X～N(22.3，0.50²)相比略呈左偏低峰态。为分析造成实际统计分布与理论分布不同的原因，对稳态过程含水率进行分布统计和累积概率计算，结果如图4：

图4表明，该稳态过程含水率的统计分布略呈双峰。分析其主要原因，①由于受异因作用、投料结束影响，区间I、II含水率波动旋回周期不完整(见图3)，导致 低于μ；②受异因影响，稳态区间形成两个独立区间，区间I的 ${\stackrel{\‾}{X}}_I=22.19\%,$ S_I＝0.56％，区间II的 ${\stackrel{\‾}{X}}_{\mathrm{II}}=21.97\%,$ S_II＝0.54％。即区间I和区间II的生产中心不一致，造成该过程稳态区间的S增大。

因此，在无异因情况下，判断稳态过程的含水率分布服从X～N(22.3，0.50²)更合理。

令z＝(X-μ)/σ，将该稳态过程含水率的理论统计分布转换为标准正态分布Z～N(0，1)。计算稳态过程含水率满足指标(22.0±1.0)的概率：①均值无偏移时，合格概率95.45％；②均值偏移1.5σ时，合格概率69.12％。

稳态条件下的过程能力：Cp＝T/6σ＝0.67  CpK＝(T-2|M-μ|)/6σ＝0.47

Claims (7)

1、一种烟草加工过程稳态检测方法，其特征是：它的方法为，

(1)利用在线指标检测仪对加工过程中烟叶的含水率进行实时检测并利用计算机自动记录各检测值，由计算机软件建立指标的时序折线图；

(2)由该折线确定烟叶通过指标检测仪的起止时序点和过程受控状态的起止时序点；

(3)根据过程受控状态的起止时间点内的指标数据，建立过程指标的区间频率分布图和累计概率曲线；

(4)取区间频率分布图中符合正态分布特点的区间，确定各正态分布的与其他分布的两个分界点，分别计算累计概率；将指标的累计概率最大的正态分布区间作为过程稳态的指标分布区间；

(5)将稳态的指标分布区间的指标数据按时序绘制指标折线图。在预定时长内保持连续的，其时序范围为稳态过程区间；

(6)计算稳态过程区间的指标平均值( )，标准偏差(S)，得到稳态过程指标的实际正态分布函数

(7)将指标稳态分布区间的两个分界点对应的指标，分别作为控制线UCL和LCL，利用公式UCL＝Q_max＝μ+3σ和LCL＝Q_min＝μ-3σ计算理论μ和σ，得到稳态过程指标的理论正态分布函数X～N(μ，σ²)；

(8)对比稳态过程指标正态分布的实际函数和理论函数，判断稳态过程指标实际分布的正态性；

(9)令z＝(X-μ)/σ，将该稳态过程指标的理论分布函数转换为标准正态分布Z～N(0，1)，确定稳态条件下的指标合格概率；并采用Cp＝T/6σ，CpK＝(T-2|M-μ|)/6σ，确定稳态条件下的过程能力。

2、根据权利要求1所述的烟草加工过程稳态检测方法，其特征是：所述步骤(1)中，对某工序的一个批次的烟草技术指标进行采集，采集频率为不少于10次/分钟。

3、根据权利要求1所述的烟草加工过程稳态检测方法，其特征是：所述步骤(2)中，①在累积概率曲线拐点A和D其对应的时序值a、d是整个加工过程的起止时间点，加工过程总计采集含水率数据是(d-a)个；②从加工起点A，指标在较短的时间内保持同一变化趋势(上升或下降)至B点，是过程的起始阶段；从点C起，指标在较短的时间内保持同一变化趋势(上升或下降)至加工的终点D，是过程的结束阶段；③点B～C之间的含水率曲线是过程受控状态，过程起始、结束阶段属于含水率指标非受控状态。

4、根据权利要求1所述的烟草加工过程稳态检测方法，其特征是：所述步骤(4)中，分界点为正态分布的凹点或突变点，其对应的含水率值用Q_i表示；用Q_max、Q_min表示最大正态分布区间的两个分界点的指标对应值。

5、根据权利要求1所述的烟草加工过程稳态检测方法，其特征是：所述步骤(5)中，预定时长应根据烟草加工的经验确定，用h表示。一般情况下，h不应少于5分钟。

6、根据权利要求1所述的烟草加工过程稳态检测方法，其特征是：所述步骤(8)中，指标的实际分布的正态性检验采用峰态用左偏或右偏，高峰或低峰来定性描述。

7、根据权利要求1所述的烟草加工过程稳态检测方法，其特征是：所述步骤(9)中，稳态过程的合格概率和工序能力计算中，用理论分布中心μ和标准差σ代替实际均值

和标准偏差S。