基于現場數據的產品工藝質量預測模型的建立方法及系統的制作方法
【專利摘要】本發明公開了基于現場數據的產品工藝質量預測模型的建立方法及系統，包括以下步驟：獲取卷煙設備的現場數據并將獲取的數據存儲至數據庫中；對卷煙設備的現場數據進行處理，卷煙設備的現場數據包括卷煙機停機數據、剔除數據、產量數據及產品質量數據；建立產品工藝質量神經網絡預測模型；建立設備故障樹；輸入卷煙設備實時數據至產品工藝質量神經網絡預測模型得到預測產品質量數據，結合設備故障樹對卷煙設備進行控制。本發明能夠避免數據統計分析方法的單一性，將卷煙設備數據有效結合，建立數據綜合分析模型，預測下一時間段內的產品質量情況，防止問題產品的產出，做到以產品質量為導向指導設備管理。
【專利說明】
基于現場數據的產品工藝質量預測模型的建立方法及系統
技術領域
[0001] 本發明設及煙草行業數據模型的建立領域，具體設及基于現場數據的產品工藝質 量預測模型的建立方法及系統。
【背景技術】
[0002] 近些年來，卷煙企業工業自動化方面得到了長足的發展，建立了底層數采、集控和 狀態監測等系統，管理層也建立了大量的應用系統，運些工業自動化系統和應用系統中存 在大量的設備數據資源，但在設備管理方面的數據管理和數據價值挖掘水平并不高，導致 大量數據資源的浪費，不能有效支撐精益管理。
[0003] 卷煙設備的現場數據主要包含停機數據、剔除數據、產量數據W及產品質量數據。 在W往應用中，各類數據往往是被單獨應用的，如產量、質量考核，設備停機分析等，且應用 方法多為統計分析，數據應用手段較為貧乏。
[0004] 目前針對卷煙設備的產品工藝質量的預測僅僅靠人工根據煙支質量變化趨勢，通 過經驗進行判斷，主觀性比較強，沒有基于相關的數據進行分析，精確性不高。
【發明內容】
[0005] 為解決現有技術存在的不足，本發明公開了基于現場數據的產品工藝質量預測模 型的建立方法及系統，本申請基于卷煙設備各類現場數據建立相應的模型，并結合設備故 障樹，對卷煙設備的產品進行實時預測。
[0006] 為實現上述目的，本發明的具體方案如下：
[0007] 基于現場數據的產品工藝質量預測模型的建立方法，包括W下步驟：
[000引獲取卷煙設備的現場數據并將獲取的數據存儲至數據庫中；
[0009] 對卷煙設備的現場數據進行處理，卷煙設備的現場數據包括卷煙機停機數據、剔 除數據、產量數據及產品質量數據；
[0010] W卷煙機停機數據、剔除數據、產量數據作為輸入，產品質量數據作為輸出，建立 產品工藝質量神經網絡預測模型；
[0011] 建立設備故障樹，該設備故障樹包含故障現象、故障部位、故障原因、解決措施四 個層級；
[0012] 輸入卷煙設備實時數據至產品工藝質量神經網絡預測模型得到預測產品質量數 據，結合設備故障樹對卷煙設備進行控制。
[0013] 進一步的，對卷煙設備的現場數據進行處理時，包括W下步驟：
[0014] 1-1)、采用聚類方法篩選出建立產品工藝質量神經網絡預測模型所需的停機數 據；
[00巧]1-2)、將各類現場數據按時間順序分別排序；
[0016] 1-3)、各類現場數據W彼此采集周期的最小公倍數為單位進行數據采集，設備產 量數據、停機數據、剔除數據為該時間段內的最大最小值之差，設備重量數據為該時間段內 數據的平均值；
[0017] 1-4)、將各類現場數據按時間段一一對應，產品質量數據與上一時段的停機、剔 除、產量數據對應。
[0018] 進一步的，建立產品工藝質量神經網絡預測模型之前對卷煙設備的現場數據進行 處理之后還需要對處理后的數據進行歸一化。
[0019] 進一步的，采用最大最小法對數據進行歸一化，其函數形式如下：
[0020] Xk= ( Xk-Xmin)/ ( Xmax-Xmin)
[0021 ]式中，Xmin為某一指標數據序列中的最小數，Xmax為該指標序列中的最大數，Xk為該 指標數據序列中的第k個數據。
[0022] 進一步的，設備故障樹在建立時，故障部位按照上下游關系排序，每個故障部位的 故障原因按照出現概率進行排序，依據設備維修記錄數據反饋的出現頻次調整故障部位及 故障原因的順序。
[0023] 基于現場數據的產品工藝質量預測模型的建立系統，包括：
[0024] 數據獲取模塊:用于獲取卷煙設備的現場數據并將獲取的數據存儲至數據庫中；
[0025] 數據處理模塊，用于對卷煙設備的現場數據進行處理，卷煙設備的現場數據包括 卷煙機停機數據、剔除數據、產量數據及產品質量數據；
[0026] 模型建立模塊，用于W卷煙機停機數據、剔除數據、產量數據作為輸入，產品質量 數據作為輸出，建立產品工藝質量神經網絡預測模型；
[0027] 設備故障樹建立模塊，建立設備故障樹，該設備故障樹包含故障現象、故障部位、 故障原因、解決措施四個層級；
[0028] 數據預測模塊，用于輸入卷煙設備實時數據至產品工藝質量神經網絡預測模型得 到預測產品質量數據，結合設備故障樹對卷煙設備進行控制。
[0029] 數據處理模塊中，對卷煙設備的現場數據進行處理時，包括：
[0030] 數據篩選模塊，采用聚類方法篩選出建立產品工藝質量神經網絡預測模型所需的 停機數據；
[0031] 數據排序模塊，將各類現場數據按時間順序分別排序；
[0032] 數據采集模塊，將各類現場數據W彼此采集周期的最小公倍數為單位進行數據采 集，設備產量數據、停機數據、剔除數據為該時間段內的最大最小值之差，設備重量數據為 該時間段內數據的平均值；
[0033] 數據對應模塊，將各類現場數據按時間段一一對應，產品質量數據與上一時段的 停機、剔除、產量數據對應。
[0034] 進一步的，模型建立模塊在建立產品工藝質量神經網絡預測模型之前及數據處理 模塊對卷煙設備的現場數據進行處理之后還需要對處理后的數據進行歸一化。
[0035] 進一步的，采用最大最小法對數據進行歸一化，其函數形式如下：
[0036] 化=(Xk-Xmin)/(Xmax-Xmin)
[0037] 式中，Xmin為某一指標數據序列中的最小數，Xmax為該指標序列中的最大數，Xk為該 指標數據序列中的第k個數據。
[0038] 進一步的，設備故障樹建立模塊在建立設備故障樹時，故障部位按照上下游關系 排序，每個故障部位的故障原因按照出現概率進行排序，依據設備維修記錄數據反饋的出 現頻次調整故障部位及故障原因的順序。
[0039] 本發明的有益效果：
[0040] 本發明綜合應用卷煙設備停機、剔除、產量、質量等數據制定卷煙設備管理策略。 首先整理各類現場設備數據，按時間段排序整理，其中質量數據與上一時間段的其他數據 對應。然后W停機、剔除、產量數據為輸入，采用神經網絡方法預測產品質量。最后根據預測 結果，結合設備故障樹制定管理策略。本發明能夠避免數據統計分析方法的單一性，將卷煙 設備數據有效結合，建立數據綜合分析模型，預測下一時間段內的產品質量情況，防止問題 產品的產出，做到W產品質量為導向指導設備管理。
[0041] 本發明能夠避免數據統計分析方法的單一性，將卷煙設備數據有效結合，建立數 據綜合分析模型，預測下一時間段內的產品質量情況，防止問題產品的產出，做到W產品質 量為導向指導設備管理。
【附圖說明】
[0042] 圖1是本發明基于現場數據的卷煙設備管理策略的構建流程圖；
[0043] 圖2是本發明實施例停機數據在不同類別數下的聚類優度分布圖；
[0044] 圖3是本發明實施例停機數據的聚類結果圖；
[0045] 圖4是本發明實施例產品質量預測模型的預測結果圖；
[0046] 圖5是本發明實施例短期標準偏差過大的故障樹。
【具體實施方式】：
[0047] 下面結合附圖對本發明進行詳細說明：
[0048] 如圖1所示，基于現場數據的產品工藝質量預測模型的建立方法，包括W下步驟：
[0049] 步驟1、通過數據分析軟件整理各類現場設備數據;步驟2、采用神經網絡方法預測 產品質量;步驟3、根據預測結果結合設備故障樹制定管理策略。
[0050] 整理各類現場設備數據包含W下分步驟:步驟11、采用數據分析軟件讀取儲存在 數據庫中的卷煙設備現場數據;步驟12、停機數據采用聚類方法篩選出較為重要的停機因 素;步驟13、將各類數據按時間順序分別排序;步驟14、各類數據W彼此采集周期的最小公 倍數15分鐘為單位進行數據整理，設備產量、剔除、停機類的數據為該時間段內的最大最小 值之差，設備重量數據為該時間段內數據的平均值，形成數據矩陣;步驟15、將各類數據按 時間段一一對應，即在數據矩陣中將同時刻的數據置于同一行，產品質量數據與上一時段 的停機、剔除、產量數據對應，即在數據矩陣中將所有產品質量數據提前一行。
[0051] 采用神經網絡方法預測產品質量包含W下分步驟:步驟21、對整理后的數據進行 歸一化處理;步驟22、W卷煙機停機、剔除、產量數據作為輸入，產品質量數據作為輸出，采 用BP神經網絡模型，建立產品質量神經網絡預測模型。其中，剔除數據指的是卷煙機煙支剔 除的數據。
[0052] 根據預測結果結合設備故障樹制定管理策略包含W下分步驟:步驟31、依據維修 經驗，建立設備故障樹，該設備故障樹包含故障現象、故障部位、故障原因、解決措施四個層 級，包含了造成停機故障所有可能的部位及原因；步驟32、輸入卷煙設備實時數據，得到預 測產品質量結果;步驟33、判斷預測的產品質量結果是否符合生產要求，若符合，則正常生 產，若不符合，則結合設備故障樹，及時采取維修管理措施。
[0053] 設備故障樹的故障部位按照上下游關系排序，每個故障部位的故障原因根據經驗 按照出現概率進行排序，依據設備維修記錄數據反饋的出現頻次調整故障部位及故障原因 的順序。
[0054] 本實施例采用某卷煙廠ZJ112卷煙機的實際生產數據進行了基于現場數據的卷煙 設備管理策略的構建。
[0055] 本實施例中，考慮的產品質量指標主要為煙支重量短期標準偏差。
[0056] -種基于現場數據的卷煙設備管理策略的構建方法，具體包括W下步驟：
[0057] 停機數據對設備的影響主要表現在停機時長及停機次數兩個方面。統計該卷煙機 2014年4月1日至8月31日的班次停機數據，如下表1所示，由于卷煙機的停機原因種類較多， 需要采用聚類方法篩選出對設備影響較大的停機原因。首先依據組間平方和占總平方和的 比值，確定最優聚類數，如圖2所示;然后W此最優聚類數進行數據聚類，聚類結果如圖3所 示;最終選擇對設備影響較大的類別作為分析要素，運里選取了 SE手動停機、SE跑條、MAX磋 板堵塞、SE斷紙、MX出煙堵塞、下游機器停機作為分析要素。
[005引選定停機數據的主要因素后，采集卷煙機2014年8月份日志文件中的數據，將各類 數據W15分鐘為單位進行整理，設備產量、停機、剔除的數據為該時間段內的最大最小值之 差，設備質量數據為該時間段內數據的平均值，將各類數據按時間段一一對應，而產品質量 數據與上一時段的其他數據對應。
[0059]表1班次停機數據統計表
[0060]
[0061]
[0062] 然后采用最大最小法對整理后的數據進行歸一化，其函數形式如下：
[0063] Xk 一 ( Xk~Xmin ) / ( Xmax~Xmin )
[0064] 式中，Xmin為數據序列中的最小數，Xmax為序列中的最大數。
[0065] W卷煙機停機、剔除、產量數據作為輸入，產品質量數據作為輸出，使用R語言的 nnet程序包建立產品質量神經網絡預測模型。預測結果如圖4所示，圖4中X軸方向為短期標 準偏差的實際值，Y軸為預測值。通過計算，該模型的平均誤差為0.24%。
[0066] 如代入數據表中第942行的數據，可得預測值為29.53mg，說明該模型預測出在下 一個15分鐘的時間段內煙支重量標準偏差將超出規定的小于20mg的要求，需要立即結合圖 5所示的故障樹按照故障出現概率的高低，對設備進行維保處理。
[0067] 上述雖然結合附圖對本發明的【具體實施方式】進行了描述，但并非對本發明保護范 圍的限制，所屬領域技術人員應該明白，在本發明的技術方案的基礎上，本領域技術人員不 需要付出創造性勞動即可做出的各種修改或變形仍在本發明的保護范圍W內。
【主權項】
1. 基于現場數據的產品工藝質量預測模型的建立方法，其特征是，包括以下步驟： 獲取卷煙設備的現場數據并將獲取的數據存儲至數據庫中； 對卷煙設備的現場數據進行處理，卷煙設備的現場數據包括卷煙機停機數據、剔除數 據、產量數據及產品質量數據； 以卷煙機停機數據、剔除數據、產量數據作為輸入，產品質量數據作為輸出，建立產品 工藝質量神經網絡預測模型； 建立設備故障樹，該設備故障樹包含故障現象、故障部位、故障原因、解決措施四個層 級； 輸入卷煙設備實時數據至產品工藝質量神經網絡預測模型得到預測產品質量數據，結 合設備故障樹對卷煙設備進行控制。2. 如權利要求1所述的基于現場數據的產品工藝質量預測模型的建立方法，其特征是， 對卷煙設備的現場數據進行處理時，包括以下步驟： 1-1)、采用聚類方法篩選出建立產品工藝質量神經網絡預測模型所需的停機數據； 1-2 )、將各類現場數據按時間順序分別排序； 1-3)、各類現場數據以彼此采集周期的最小公倍數為單位進行數據采集，設備產量數 據、停機數據、剔除數據為該時間段內的最大最小值之差，設備重量數據為該時間段內數據 的平均值； 1-4)、將各類現場數據按時間段一一對應，產品質量數據與上一時段的停機、剔除、產 量數據對應。3. 如權利要求1所述的基于現場數據的產品工藝質量預測模型的建立方法，其特征是， 建立產品工藝質量神經網絡預測模型之前對卷煙設備的現場數據進行處理之后還需要對 處理后的數據進行歸一化。4. 如權利要求3所述的基于現場數據的產品工藝質量預測模型的建立方法，其特征是， 采用最大最小法對數據進行歸一化，其函數形式如下： Xk - ( Xk-Xmin ) / ( Xmax-Xmin ) 式中，Xmin為某一指標數據序列中的最小數，Xmax為該指標序列中的最大數，Xk為該指標 數據序列中的第k個數據。 5 .如權利要求1所述的基于現場數據的產品工藝質量預測模型的建立方法，其特征是， 設備故障樹在建立時，故障部位按照上下游關系排序，每個故障部位的故障原因按照出現 概率進行排序，依據設備維修記錄數據反饋的出現頻次調整故障部位及故障原因的順序。6.基于現場數據的產品工藝質量預測模型的建立系統，其特征是，包括： 數據獲取模塊:用于獲取卷煙設備的現場數據并將獲取的數據存儲至數據庫中； 數據處理模塊，用于對卷煙設備的現場數據進行處理，卷煙設備的現場數據包括卷煙 機停機數據、剔除數據、產量數據及產品質量數據； 模型建立模塊，用于以卷煙機停機數據、剔除數據、產量數據作為輸入，產品質量數據 作為輸出，建立產品工藝質量神經網絡預測模型； 設備故障樹建立模塊，建立設備故障樹，該設備故障樹包含故障現象、故障部位、故障 原因、解決措施四個層級； 數據預測模塊，用于輸入卷煙設備實時數據至產品工藝質量神經網絡預測模型得到預 測產品質量數據，結合設備故障樹對卷煙設備進行控制。7. 如權利要求6所述的基于現場數據的產品工藝質量預測模型的建立系統，其特征是， 數據處理模塊中，對卷煙設備的現場數據進行處理時，包括： 數據篩選模塊，采用聚類方法篩選出建立產品工藝質量神經網絡預測模型所需的停機 數據； 數據排序模塊，將各類現場數據按時間順序分別排序； 數據采集模塊，將各類現場數據以彼此采集周期的最小公倍數為單位進行數據采集， 設備產量數據、停機數據、剔除數據為該時間段內的最大最小值之差，設備重量數據為該時 間段內數據的平均值； 數據對應模塊，將各類現場數據按時間段一一對應，產品質量數據與上一時段的停機、 剔除、產量數據對應。8. 如權利要求6所述的基于現場數據的產品工藝質量預測模型的建立系統，其特征是， 模型建立模塊在建立產品工藝質量神經網絡預測模型之前及數據處理模塊對卷煙設備的 現場數據進行處理之后還需要對處理后的數據進行歸一化。9. 如權利要求8所述的基于現場數據的產品工藝質量預測模型的建立系統，其特征是， 采用最大最小法對數據進行歸一化，其函數形式如下： Xk - ( Xk-Xmin ) / ( Xmax-Xmin ) 式中，Xmin為某一指標數據序列中的最小數，Xmax為該指標序列中的最大數，Xk為該指標 數據序列中的第k個數據。10. 如權利要求6所述的基于現場數據的產品工藝質量預測模型的建立系統，其特征 是，設備故障樹建立模塊在建立設備故障樹時，故障部位按照上下游關系排序，每個故障部 位的故障原因按照出現概率進行排序，依據設備維修記錄數據反饋的出現頻次調整故障部 位及故障原因的順序。
【文檔編號】G06F17/50GK105956330SQ201610373992
【公開日】2016年9月21日
【申請日】2016年5月31日
【發明人】馬萬強, 程繼忠, 郭紅廣, 馬俊, 吳艷麗, 宋磊, 張東生
【申請人】山東中煙工業有限責任公司