【技术实现步骤摘要】
本专利技术涉及异常监测诊断，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。
技术介绍
1、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。
2、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
3、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。
4、鉴于上述内容，为解决
技术介绍
中存在的问题及需求，本专利技术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。
技术实现思路
1、本专利技术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
技术介绍
中所提出的问题，本专利技术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。
2、为了实现上述目的，本专利技术采用了如下技术方案：
3、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：
4、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)；
5、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；
6、s3、利用实时时序数据、gdl模型对烟支多质量指标进行预测；
7、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；
8、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。
9、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：
10、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。
11、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
12、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；
13、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)；
14、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；
15、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。
16、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：
17、p0→p1→p2→p3 (1)
18、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、m11本文档来自技高网...
【技术保护点】
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：
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，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：
3.根据权利要求2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，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
4.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：
5.根据权利要求4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：
6.根据权利要求1所述的基于烟支多
7.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，所述S4具体包括如下内容：
8.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，所述S5具体包括如下内容：
...【技术特征摘要】
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：
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，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：
3.根据权利要求2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，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
4.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...
【专利技术属性】
技术研发人员：余忠华，陈琳升，张博，夏琛，樊虎，
申请(专利权)人：浙江大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。