具有多工况特性的超高速小盒包装机状态监测与诊断方法
【技术领域】
[0001] 本发明涉及意大利G.D公司超高速小盒包装机H1000的统计监测建模、状态监测与 诊断技术。
【背景技术】
[0002] 随着近年来烟草行业全球化、新的法律法规以及外部环境的重大变化，中国烟草 面临愈来愈严峻的竞争压力和社会压力。在保证产品质量的前提下，有效提升设备的智能 化水平和高效运行能力成为卷烟工厂关注的焦点。智能化，即生产设备具有感知、分析、推 理和决策等功能；高效运行，即在规定时间内消耗更少的资源生产更多、更好的产品。卷烟 工厂设备的智能化水平和高效运行能力与其自动化程度密不可分，设备状态监测与诊断技 术是提升智能化水平、保证高效运行的重要手段。
[0003] 意大利G.D公司超高速包装设备是中国烟草总公司"十二五"期间重点引进的目前 世界上最高速、最先进的卷烟包装设备，其设计生产能力为1〇〇〇包香烟/分钟。超高速包装 设备由小盒包装机H1000、小盒薄膜封装机W1000和条盒包装机BV三部分组成。小盒包装机 H1000是一台高速连续运动硬盒翻盖包装机，利用烟支、内衬纸、内框纸、商标纸将烟支按7-6-7共20支的形式进行翻盖式小盒包装。小盒包装机H1000是超高速包装设备最关键、最核 心的单元，也是生产现场故障最集中的部位。由于G.D公司超高速包装设备底层PLC开放的 程序源代码和库文件非常有限，生产现场主要通过每班一组的数据报表、生产时的人工目 测、轮保时的人工检测、设备故障的计划维修和事后抢修等方式保证小盒包装机H1000的设 备完好性。杭州卷烟厂2014年超高速包装设备的运行效率仅为70.08%，目前采用的设备状 态监测方式已经不能满足卷烟生产的实际需要，亟需一种切实有效的超高速小盒包装机 H1000状态监测与诊断方法。
[0004] 为解决G.D公司超高速包装设备底层PLC参数数据难以获取的问题，杭州卷烟厂 (朱立明，钱杰，王琪，李钰靓，李勇.一种超高速包装机数据采集系统：中国，CN204056360U [P]. 2014-12-31.)提出了一种基于Beckoff软PLC的超高速包装设备数据采集方法，通过对 设备底层PLC源代码和库文件的分析，能够采集超高速小盒包装机H1000的部分参数数据， 从而为基于多元统计分析方法实施具有多工况特性的超高速小盒包装机H1000状态监测与 诊断提供了丰富的运行数据。
【发明内容】
[0005] 超高速小盒包装机H1000生产过程中，操作人员根据目测的设备运行状态频繁调 整车速设定值，使得生产过程具有多个运行工况。由于小盒包装机H1000的高速运行，从一 个稳定运行工况到另外一个稳定运行工况的时间非常短(如从车速为940包/分钟降低到50 包/分钟仅需20秒，即在两个采样周期内完成），因此本发明仅考虑各个不同的稳定运行工 况。不同稳定运行工况之间数据的均值、方差、相关关系等特征变量会有明显的变化，直接 应用PCA方法进行统计建模和状态监测会产生大量的误报警或漏报警。
[0006] 为满足超高速小盒包装机H1000状态监测与诊断的实际需要，本发明面向设备生 产过程的多工况特性，提出一种包含离线工况识别和划分、稳定工况统计监测建模、多工况 过程状态监测、故障原因变量分离等关键技术的超高速小盒包装机H1000状态监测与诊断 方法。该方法基于滑动时间窗口离线计算稳定度因子识别稳定工况和过渡工况，采用自适 应k-means聚类方法对稳定工况进行划分形成若干个稳定工况数据簇，再利用PCA方法对每 个稳定工况数据簇独立建立统计监测模型。多工况过程状态监测时，根据当前滑动时间窗 口内数据的稳定度因子判断工况类型，若为过渡工况，则将当前时刻T 2、SPE两个监测统计 量赋值为〇;若为稳定工况，计算当前滑动时间窗口内有效数据与各个聚类中心的欧式距 离，利用距离最小的聚类所对应的PCA监测模型进行实时监测，任一统计量超限时利用贡献 图方法确定引起故障的主要过程变量，最终为超高速小盒包装机H1000的状态监测与诊断 提供了一种有效可行的方法。
[0007] 本发明所采用的具体技术方案如下：
[0008] -种具有多工况特性的超高速小盒包装机H1000状态监测与诊断方法，包括：
[0009] 1)根据超高速小盒包装机H1000的运行机理确定统计模型的输入变量，采集某一 机台底层PLC中的设备运行数据，获得二维原始数据MKX J)，K为采样点个数，J为监测变量 个数；
[0010] 2)基于车速检测值，采用滑动时间窗口 Η方法计算稳定度因子SF，当其值较小时 (小于等于阈值ζ)表明过程处于稳定工况，反之表明过程处于过渡工况。采用平滑滤波方法 对处于稳定工况的滑动时间窗口 Η内原始数据进行算术平均，获得一组移动平均数据，将移 动平均数据中"车速"变量值大于阈值Φ的数据作为稳定工况的有效数据D= {Di，D2，…，DN}， N为有效数据的个数；
[0011] 3)稳定工况的有效数据被识别出以后，采用自适应k-means聚类方法对有效数据 的相似度进行聚类分析，获得每一种稳定工况的建模数据.
〕表示将 稳定工况划分成C个聚类，每个聚类中具有相似过程特性的建模数据可以用一个统计监测 模型来描述；
[0012] 4)对每一种稳定工况的建模数据乂
_，C)进行均值中心化和 方差归一化的数据预处理，获得处理后的建模数据Xr(KrmXJ)。对建模数据Xr进行PCA分解， 得到对应的主元个数A r、负载矩阵Pr、控制限和&rSPt,，建立对应第r个稳定工况的PCA 监测模型；
[0013] 5)多工况过程状态监测时，计算当前滑动时间窗口内数据的稳定度因子SFnew，通 过与给定阈值ζ的比较确定当前所处的工况类型。若为过渡工况，则将当前时刻
印 SPEne3W两个监测统计量赋值为0;否则采用平滑滤波方法计算当前滑动时间窗口内的移动平 均数据，并计算其与各个聚类中心的欧式距离，调用距离最小的聚类所对应的PCA监测模型 在线计算和SPEne3W两个监测统计量。如果两个统计量都位于控制限以内，表明设备状态 正常，如果至少其中一个统计量超出控制限，表明设备状态异常；
[0014] 6)当检测到设备出现有异常时，根据超限统计量处于T2的主元子空间或是SPE的 残差子空间，计算每个过程变量对超限统计量的贡献率，贡献率较大的变量被初步确定为 造成设备异常的原因变量。
[0015]所述步骤2)中，采用滑动时间窗口Η方法计算稳定度因子SF，计算公式如下：
limx
[0017] 其中VH max表示滑动时间窗口Η内车速数据的最大值，VH min表示滑动窗口Η内车速 数据的最小值，￥_\表示设备允许的车速最大值。Η表示滑动时间窗口的长度。
[0018] 在步骤3)中，采用自适应k-means聚类方法对有效数据的相似度进行聚类分析，通 过定义两个聚类中心的最小距离的阈值Θ，同时最小化同一聚类数据之间的局部距离平方 和以及所有聚类之间的全局距离平方和，获得最优的聚类数目和聚类中心，实现对稳定工 况的自适应划分。
[0019] 在步骤4)中，对建模数据预处理包括依次进行的减均值、除标准差 处理获得Xr(KrmXJ)，计算公式如下：
[0021] 其中足.^·表示建模数据...... 1第rk行第j列的数据，下标r代表工况、k代
表样本、j代表变量，I.,表示第r个稳定工况第j个变量的均值f表示第r个稳定工况第j 个变量的标准差。
[0022] 将数据Xr进行PCA分解，PCA分解的计算公式为：
[0024] 其中Tr为主元子空间中(KrmXAr)维的得分矩阵;Pr为主元子空间中（JXA r)维的负 载矩阵;Er为残差子空间中（KrmXJ)维的残差矩阵。Ar表示主元个数，由累计贡献率方法确 定。
[0025] 离线计算主成分子空间的Hotelling-T2和残差子空间的SPE(Squared Prediction Error)监测统计量。I]2监测统计量的计算公式为：
[0027] 其中trk = XrkPr为（1 X Ar )维的主元得分向量，Xrk为建模数据Xr的第k行，Pr为主元 子空间的负载矩阵，对角矩阵\ ，· · ·，.也,）由建模数据Xr的协