买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：浙江大学;浙江中烟工业有限责任公司

摘要：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。

主权项：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GDLθ0；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GDLθ1，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GDLθ1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CountJ＜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。

全文数据：

权利要求：

百度查询： 浙江大学 浙江中烟工业有限责任公司 基于烟支多质量指标预测的卷接过程异常原因诊断方法