制限，表明过 程有异常状况发生；
[0013] (5)当检测到过程有异常状况发生时，计算各个过程变量对超限统计量的贡献值， 其中贡献较大变量被初步确定为造成过程异常状况的原因变量。
[0014] 在步骤（1)中，对连续多个采样点的过程变量进行平滑处理，形成三维建模数据 矩阵，该平滑处理可采用对连续6个过程变量做算数平均获得一个有效数据。
[0015] 在步骤（2)中，通过过程运行特性分析，某一产品牌号同一生产批次内只含有一 个稳定工况，不存在多模态工况，即同一生产批次内不具有多个稳定工作点，说明变量间的 相互关系具有相同的过程特征。由于操作时间不确定造成不同批次间的采样数据不等长， 按照属性展开后的二维矩阵为XdK iX J)。
[0016] 二维矩阵的预处理包括依次进行的减均值、除标准差处理，各元素均与对应列 的均值和标准差进行比较，并将预处理后的二维矩阵的同一行元素视为建模数据集X = [X1, X2，…，Xik,…，Xik]，对X进行PCA分解，PCA分解的计算公式如下：
【主权项】
1. 一种数据驱动的卷烟制丝过程制叶丝段在线监测和故障诊断方法，其特征在于，包 括步骤： 1) 在一个生产批次中周期性对制叶丝段中的增温增湿以及薄板烘丝设备的过程变量 进行采样，获得采样矩阵X(KXJ)，K为采样点个数，J为监测变量个数，重复I个生产批次 后，获得相应的三维建模数据矩阵X(IXJXig，!^为第i个生产批次的采样点个数； 2) 将所述的三维建模数据矩阵xaxjxig按照属性展开成二维矩阵，并对二维矩阵 内的各元素进行预处理，得到预处理后的二维矩阵； 3) 对预处理后的二维矩阵进行PCA分解，建立针对当前产品的PCA监测模型，采用类似 方法建立面向不同产品的PCA监测模型； 4) 计算各PCA监测模型的T2和SPE统计量及对应的控制限； 5) 实时采集增温增湿以及薄板烘丝设备的过程数据xMW(lXJ)，根据当前产品类型调 用相应的PCA监测模型，计算数据xnOT(lXJ)对应的T2统计量和SPE统计量； 6) 当数据xnOT(lXJ)对应的T2统计量和SPE统计量超过对应的控制限时，计算过程变 量对T2统计量和SPE统计量的贡献率，分析确定导致异常工况的过程变量。
2. 如权利要求1所述的数据驱动的卷烟制丝过程制叶丝段在线监测和故障诊断方法， 其特征在于，在步骤1)中，对连续多个采样点的过程变量进行平滑处理，形成所述的三维 建模数据矩阵。
3. 如权利要求2所述的数据驱动的卷烟制丝过程制叶丝段在线监测和故障诊断方法， 其特征在于，所述的平滑处理为对某一过程变量的连续多次采样数据做算数平均获得一个 有效数据。
4. 如权利要求1所述的数据驱动的卷烟制丝过程制叶丝段在线监测和故障诊断方法， 其特征在于，步骤2)中展开后的二维矩阵为X(IKiXJ)。
5. 如权利要求1或4所述的数据驱动的卷烟制丝过程制叶丝段在线监测和故障诊断方 法，其特征在于，步骤2)中的预处理包括依次进行的减均值、除标准差处理。
6. 如权利要求1所述的数据驱动的卷烟制丝过程制叶丝段在线监测和故障诊断方 法，其特征在于，在步骤3)中，将预处理后的二维矩阵的同一行元素视为建模数据集X= [Xpx2，…，xik,…，xIK]，对X进行PCA分解，PCA分解的计算公式如下：
其中，A为主元个数，a表示不同的PCA分解方向，1\表示保留A个主元后的（IKXA) 维得分矩阵，？&表示保留A个主元后的（JXA)维负载矩阵，E为残差矩阵。
7. 如权利要求1或6所述的数据驱动的卷烟制丝过程制叶丝段在线监测和故障诊断方 法，其特征在于，所述的步骤4)中，T2统计量的计算公式为： ik= 1，2,…，IK 其中tik=xikPA表示（IXJ)维的主元得分向量，对角矩阵S=diag(Ai，…，入A)是由 建模数据集X的协方差矩阵2XTX的前A个特征值所构成； T2统计量的控制限利用F分布采用下式计算：
其中A为保留的主元个数，N为样本数，a为置信度；Fa (A,N-A)是对应于置信度为a， 自由度为A，N-A条件下的F分布临界值； SPE统计量的计算公式为：
其中4表示重构得到的（IXJ)维估计向量；eik表示xik与重构七的偏 差向量； SPE统计量的控制限利用x2分布采用下式计算： SPE-gzla 其中g=v/2n、h= 2n2/v;n、V分别为SPE统计量的均值和方差。
8. 如权利要求7所述的数据驱动的卷烟制丝过程制叶丝段在线监测和故障诊断方法， 其特征在于，对步骤5)中实时采集的过程数据，采用步骤2)中相同产品的预处理方式，进 行新采样数据的标准化预处理。
9. 如权利要求8所述的数据驱动的卷烟制丝过程制叶丝段在线监测和故障诊断方法， 其特征在于，预处理后的实时过程数据xMW(lXJ)对应的T2统计量计算公式如下： tnew ^ new^A
其中，PA表示对应产品PCA监测模型的（JXA)维负载矩阵，S=diag(Ai，…，Aa)表 示对应产品PCA监测模型前A个特征值所构成的（AXA)维对角矩阵； 预处理后的实时过程数据xnew(lXJ)对应的SPE统计量计算公式如下：
其中，表示重构得到的（1XJ)维估计向量，enM表示xnM与重构的偏差向量。
10. 如权利要求9所述的数据驱动的卷烟制丝过程制叶丝段在线监测和故障诊断方 法，其特征在于，当71统计量的超出正常控制限时，第a个主成分〖_，3对的贡献率计 算如下：
其中Aa表示对应产品PCA监测模型的第a个特征值； 过程变量xik，#tn"，a的贡献率计算如下：
其中Pia表示对应产品PCA监测模型的负载变量； 当SPE_统计量的超出正常控制限时，过程变量对SPEnew的贡献率计算如下：
其中sign(; , -A,)表示残差的正负信息。
【专利摘要】本发明公开一种数据驱动的卷烟制丝过程制叶丝段在线监测和故障诊断方法，针对制叶丝段中Sirox增温增湿和KLD薄板烘丝等关键设备，首先通过过程运行特性分析，将具有批次、时间和属性三维特点的运行数据按照属性方向展开，克服不同批次数据不等长问题，然后，基于多模型结构采用主元分析方法(PCA)分别建立每种产品牌号的监测模型，并计算不同产品牌号监测模型的T2、SPE统计量及其控制限，其次，在线采集制丝过程制叶丝段的过程数据，根据产品牌号调用对应的监测模型在线计算T2、SPE统计量，最后，任一指标超过正常操作区域的控制限，采用贡献图方法进行故障诊断。
【IPC分类】G05B19-418
【公开号】CN104699050
【申请号】CN201510075198
【发明人】王伟, 楼卫东, 张利宏, 熊月宏, 李钰靓, 李汉莹, 赵春晖
【申请人】浙江中烟工业有限责任公司
【公开日】2015年6月10日
【申请日】2015年2月13日