发明内容
本发明的目的是提供一种卷烟生产过程稳定性监测方法,为改进卷烟生产,提高产品质量稳定性提供有力支持。
本发明采用的技术方案为:一种卷烟生产过程稳定性监测方法,依次包括以下步骤:
一,将卷烟生产过程中的变量进行分类,分类类型包括有允差要求的望目控制型、无允差要求的望目控制型、极值控制型和范围控制型;
二,将分类后的变量进行量化表征,其中,望目控制型变量通过偏离度和离散度来表征,极值控制型变量通过实测值与设定值的偏移程度来表征;
三,进行单变量监测,根据变量类型的不同采用不同的监测模型,望目控制型变量采用基于偏离度和离散度的望目控制变量模型进行监测,极值控制型变量采用基于实测值与设定值的偏移程度的极值控制变量模型进行监测;
四,进行多变量监测,多变量监测包括工序综合监测和批次综合监测两部分,工序综合监测采用基于单变量监测结果加权平均的工序稳定性监测综合指数模型,批次综合监测采用基于工序综合监测结果几何平均的批次稳定性综合监测指数模型。
所述的步骤二中有允差要求的望目控制型变量的偏离度的计算公式为其中,A表示偏离度;表示实测平均值;χpv表示标准设计值;δpv表示标准设计标准偏差,δpv=允差/3;下标pv表示标准值;
所述的步骤二中无允差要求的望目控制型变量的偏离度通过计算相对变化量转化为极值控制型得到,或通过增加控制限转化为有允差的望目型得到,相对变化量的计算公式为其中,B表示相对变化量;表示实测平均值;χpv表示标准设计值;下标pv表示标准值;
所述的步骤二中望目控制型变量的离散度的计算公式为其中P表示离散度;s表示实测标准偏差;δpv表示标准设计标准偏差,δpv=允差/3;下标pv表示标准值;
所述的步骤二中极值控制型变量的实测值与设定值的偏移程度的计算公式为其中,C表示实测值与设定值的偏移程度;表示实测平均值;χpv表示标准设计值;χbest表示理论或实际最优值;下标pv表示标准值;下标best表示最优值。
所述的望目控制变量模型为:其中,Ic表示望目型控制变量稳定性监测指数;Ibest表示最优监测指数;Ibase表示基线监测指数;A表示偏离度;P表示离散度;下标c表示望目型控制变量;下标best表示最优值;下标base表示基线值;
所述的极值控制变量模型为:Id=Ibase+(Ibest-Ibase)×C,其中,Id表示极值型控制变量稳定性监测指数;Ibest表示最优监测指数;Ibase表示基线监测指数;C表示实测值与设定值的偏移程度;下标d表示极值型控制变量;下标best表示最优值;下标base表示基线值。
所述的工序稳定性监测综合指数模型为:其中,G表示工序综合监测指数;Ii表示第i个变量的稳定性监测指数;wi表示第i个变量的权重;下标i=1、2、3...k;
所述的批次稳定性综合监测指数模型为:其中,L表示批次综合监测指数;Gi表示第i个工序的稳定性监测指数;di表示第i个工序的权重;下标i=1、2、3...n。
本发明根据卷烟生产过程中的变量的不同进行不同的量化表征,进而进行单变量监测,在单变量监测的基础上进行多变量监测,即监测工序的加工稳定性和批次综合稳定性。本发明所述的卷烟生产过程稳定性监测方法不仅可以监测生产过程单个变量的稳定性,还可以监测工序的加工稳定性和批次综合加工质量的稳定性,为改进卷烟生产,提高产品质量稳定性提供有力支持。
具体实施方式
如图1所示,本发明所述的卷烟生产过程稳定性监测方法,依次包括以下步骤:
一,将卷烟生产过程中的变量(包括控制参数和质量指标)进行分类,分类类型包括有允差要求的望目控制型、无允差要求的望目控制型、极值控制型和范围控制型;
望目控制型包括有允差要求的望目控制型和无允差要求的望目控制型两类:有允差要求的望目控制型,如筒壁温度、物料水分、烟支吸阻等;无允差要求的望目控制型,如物料流量、加料比例等,但其可转化为波动量和精度来控制或增加控制限,还有一类如滚筒转速和阀门开度等,在生产过程中设定后基本不随时间变化,监视即可。
极值控制型,如填充值、碎丝率、端部落丝和卷烟外观质量等。
范围控制型,如贮叶时间等,要求在一定的范围内,即符合要求即可。
因此,卷烟生产过程稳定性监测中需重点监测的主要是望目控制型变量和极值控制型变量。
二,将分类后的变量进行量化表征,其中,望目控制型变量通过偏离度和离散度来表征,极值控制型变量通过实测值与设定值的偏移程度来表征;对分类后的变量进行量化表征主要通过与技术标准要求相比较来实现。
望目型控制变量通常为在线数据采集***采集的连续数据,可通过偏离度和离散度来表征。
偏离度表征的是实际控制值与工艺标准值的偏离程度,即准确度。
有允差要求的望目控制型变量,一般要求控制在允差或3倍标准设计标准偏差范围内,即χ=χpv±3δpv,偏离度的计算公式为:
其中,A表示偏离度;表示实测平均值;χpv表示标准设计值;δpv表示标准设计标准偏差,δpv=允差/3;下标pv表示标准值。A值越小,表征实际控制均值与技术标准值越接近,即控制准确度越好。
无允差要求的望目控制型变量的偏离度通过计算相对变化量后,转化为极值控制型得到,或增加控制限转化为有允差的望目型。相对变化量的计算公式为:
其中,B表示相对变化量;表示实测平均值;χpv表示标准设计值;下标pv表示标准值。
离散度表征的是实际控制波动情况(标准偏差)与技术标准要求的满足程度,即精确度。望目控制型变量的离散度的计算公式为:
其中,P表示离散度;s表示实测标准偏差;δpv表示标准设计标准偏差,δpv=允差/3;下标pv表示标准值。P值越小,表征实际控制的波动情况越能满足技术标准要求,即控制精度更好。
极值型变量通常为离线检测数据,通常有望大(≥χpv)和望小(≤χpv)设定,主要通过实测值与设定值的偏移程度来表征。望大即与标准设定值相比,实测值越大越好;望小即与标准设定值相比,实测值越小越好。极值控制型变量的实测值与设定值的偏移程度的计算公式为:
其中,C表示实测值与设定值的偏移程度;表示实测平均值;χpv表示标准设计值;χbest表示理论或实际最优值;下标pv表示标准值;下标best表示最优值。
三,进行单变量监测,根据变量类型的不同采用不同的监测模型,望目控制型变量采用基于偏离度和离散度的望目控制变量模型进行监测,极值控制型变量采用基于实测值与设定值的偏移程度的极值控制变量模型进行监测;单变量是生产过程的最小评价尺度,其稳定性水平与技术标准要求直接相关。
望目控制型变量要求控制中心值和标准偏差,即对偏离度和离散度均有要求,监测模型是A和P的函数,且与A和P均是负相关。望目控制型变量控制要求如图2所示,监测要求如下:
(1)当A=0,P=0时为最优,即此时控制水平最优;
(2)圆周或虚线参考线为最基本控制要求或基本控制线。
所述的望目控制变量模型为:
其中,Ic表示望目型控制变量稳定性监测指数;Ibest表示最优监测指数;Ibase表示基线监测指数;A表示偏离度;P表示离散度;rbase表示理论或实际期望基线值,rbase=1;rbest表示理论或实际期望最优值,rbest=0;下标c表示望目型控制变量;下标best表示最优值;下标base表示基线值。
令Ibest=100,Ibase=60,可得:
其中,Ic表示望目型控制变量稳定性监测指数;A表示偏离度;P表示离散度。
极值控制型变量包括望大极值控制型和望小极值控制型两种类型,望大极值控制型变量的控制要求如图3所示,望小极值控制型变量的控制要求如图4所示。极值控制变量模型为:
其中,Id表示极值型控制变量稳定性监测指数;Ibest表示最优监测指数;Ibase表示基线监测指数;表示实测平均值;χpv表示标准设计值;χbest表示理论或实际期望最优值;C表示实测值与设定值的偏移程度;下标d表示极值型控制变量;下标best表示最优值;下标base表示基线值;下标pv表示标准值。
令Ibest=100,Ibase=60,可得:
Id=60+40×C(8)
如卷烟成品外观质量为望大极值控制型变量,要求≥90,即等于90分为及格,其Id=60;满分100,其Id=100,由式(8)可得:
其中,Id表示极值型控制变量稳定性监测指数;表示实测平均值。
四,进行多变量监测,多变量监测包括工序综合监测和批次综合监测两部分,工序综合监测采用基于单变量监测结果加权平均的工序稳定性监测综合指数模型,批次综合监测采用基于工序综合监测结果几何平均的批次稳定性综合监测指数模型。
工序加工稳定性水平主要通过工序的参数和稳定性监测指数来评价。工序内各变量是平行的,采用统计加权的方法,构建量化的工序稳定性监测综合指数模型:
其中,G表示工序稳定性综合监测指数;Ii表示第i个变量的稳定性监测指数;wi表示第i个变量的权重;下标i=1、2、3...k。
批次综合稳定性水平主要通过关键工序的稳定性综合监测指数来评价。批次各工序是前后相互影响的,采用几何平均的方法,构建量化的批次稳定性综合监测指数模型为:
其中,L表示批次稳定性综合监测指数;Gi表示第i个工序的稳定性监测指数;di表示第i个工序的权重;下标i=1、2、3...n。
以下将结合实施例做进一步祥述,但并不限制本发明。卷烟生产过程稳定性监测指数中,若在小于等于100大于等于80的范围内,则为优;若在小于80大于等于60的范围内,则为良;若在小于60大于等于0的范围内则为差,需对卷烟生产过程进行改进。
利用某一类牌号卷烟制丝中控室自动采集数据,分别对批次稳定性综合监测指数优、良、差三种情况进行说明。
(1)松散回潮工序
主要考察入口物料流量、出料含水率和热风温度三个变量,入口物料流量、出料含水率和热风温度均为有允差要求的望目控制型变量,分别计算三个变量的偏离度和离散度,进而根据望目控制型变量模型计算稳定性监测指数。入口物料流量的采集数据及稳定性监测指数计算结果如表1所示;出料含水率的采集数据及稳定性监测指数计算结果如表2所示;热风温度的采集数据及稳定性监测指数计算结果如表3所示。由表1、表2和表3可知,出料含水率控制较差,与松散回潮实行定量加水,出料含水率控制较差的结果吻合。
表1入口物料流量的采集数据及控制能力监测指数计算结果
表2出料含水率的采集数据及控制能力监测指数计算结果
批号 |
标准值/% |
平均值/% |
标准偏差/% |
允差/% |
A |
P |
Ic |
087 |
18.50 |
18.48 |
0.04 |
1.00 |
0.060 |
0.117 |
95.25 |
018 |
18.50 |
18.43 |
0.33 |
1.00 |
0.210 |
0.990 |
60.30 |
075 |
18.50 |
18.47 |
0.36 |
1.00 |
0.090 |
1.080 |
56.78 |
表3热风温度的采集数据及控制能力监测指数计算结果
批号 |
标准值/℃ |
平均值/℃ |
标准偏差/℃ |
允差/℃ |
A |
P |
Ic |
087 |
60 |
60.03 |
0.40 |
2 |
0.045 |
0.596 |
76.14 |
018 |
60 |
59.98 |
0.56 |
2 |
0.030 |
0.844 |
66.25 |
075 |
60 |
60.17 |
0.51 |
2 |
0.255 |
0.769 |
69.05 |
(2)筛分加料工序
主要考察入口物料流量、加料精度、出料含水率和热风温度四个变量,入口物料流量、出料含水率和热风温度均为有允差要求的望目控制型变量,分别计算三个变量的偏离度和离散度,加料精度为极值控制型变量,根据其实测平均值和标准设计值计算实测值与设定值的偏移程度,进而根据望目控制变量模型和极值控制变量模型分别计算稳定性监测指数。入口物料流量的采集数据及稳定性监测指数计算结果如表4;加料精度的采集数据及稳定性监测指数计算结果如表5所示;出料含水率的采集数据及稳定性监测指数计算结果如表6所示;热风温度的采集数据及稳定性监测指数计算结果如表7所示。由表4、表5、表6和表7可知,筛分加料工序各指标均控制得较好。
表4入口物料流量的采集数据及控制能力监测指数计算结果
表5加料精度的采集数据及控制能力监测指数计算结果
批号 |
平均值/% |
Id |
087 |
0.014 |
98.88 |
018 |
0.019 |
98.48 |
075 |
0.015 |
98.80 |
表6出料含水率的采集数据及控制能力监测指数计算结果
批号 |
标准值/% |
平均值/% |
标准偏差/% |
允差/% |
A |
P |
Ic |
087 |
19.50 |
19.45 |
0.10 |
1.00 |
0.150 |
0.300 |
87.83 |
018 |
19.70 |
19.70 |
0.13 |
1.00 |
0.012 |
0.390 |
84.40 |
075 |
19.50 |
19.50 |
0.10 |
1.00 |
0.003 |
0.290 |
88.40 |
表7热风温度的采集数据及控制能力监测指数计算结果
批号 |
标准值/℃ |
平均值/℃ |
标准偏差/℃ |
允差/℃ |
A |
P |
Ic |
087 |
95 |
95.00 |
0.47 |
3 |
0.000 |
0.472 |
81.13 |
018 |
95 |
94.99 |
0.60 |
3 |
0.010 |
0.605 |
75.81 |
075 |
95 |
95.02 |
0.31 |
3 |
0.020 |
0.305 |
87.79 |
(3)薄板烘丝工序
主要考察入口物料流量、HT蒸气流量、Ⅰ区筒壁温度、Ⅱ区筒壁温度、热风温度和出料含水率六个变量,入口物料流量、HT蒸气流量、Ⅰ区筒壁温度、Ⅱ区筒壁温度、热风温度和出料含水率均为有允差要求的望目控制型变量,分别计算六个变量的偏离度和离散度,进而根据望目控制变量模型计算稳定性监测指数。入口物料流量的采集数据及稳定性监测指数计算结果如表8所示;HT蒸气流量的采集数据及稳定性监测指数计算结果如表9所示;Ⅰ区筒壁温度的采集数据及稳定性监测指数计算结果如表10所示;Ⅱ区筒壁温度的采集数据及稳定性监测指数计算结果如表11所示;热风温度的采集数据及稳定性监测指数计算结果如表12所示;出料含水率的采集数据及稳定性监测指数计算结果如表13所示。由表8、表9、表10、表11、表12和表13可知,批号075和018的这两批叶丝干燥入口流量控制较差,导致筒壁温度控制得较差,与实际情况一致。
表8入口物料流量的采集数据及控制能力监测指数计算结果
表9HT蒸气流量的采集数据及控制能力监测指数计算结果
表10Ⅰ区筒壁温度的采集数据及控制能力监测指数计算结果
批号 |
标准值/℃ |
平均值/℃ |
标准偏差/℃ |
允差/℃ |
A |
P |
Ic |
087 |
128 |
128.00 |
0.07 |
2 |
0.000 |
0.105 |
95.79 |
018 |
127 |
128.09 |
0.38 |
2 |
1.635 |
0.573 |
68.36 |
075 |
128 |
129.75 |
1.43 |
2 |
2.625 |
2.145 |
7.34 |
表11Ⅱ区筒壁温度的采集数据及控制能力监测指数计算结果
批号 |
标准值/℃ |
平均值/℃ |
标准偏差/℃ |
允差/℃ |
A |
P |
Ic |
087 |
128 |
128.00 |
0.09 |
2 |
0.000 |
0.136 |
94.58 |
018 |
127 |
128.10 |
0.47 |
2 |
1.650 |
0.702 |
64.31 |
075 |
128 |
127.56 |
0.96 |
2 |
0.660 |
1.440 |
41.73 |
表12热风温度的采集数据及控制能力监测指数计算结果
批号 |
标准值/℃ |
平均值/℃ |
标准偏差/℃ |
允差/℃ |
A |
P |
Ic |
087 |
115 |
115 |
0.18 |
3 |
0.000 |
0.183 |
92.68 |
018 |
115 |
115 |
0.08 |
3 |
0.000 |
0.076 |
96.95 |
075 |
115 |
115.7 |
0.42 |
3 |
0.700 |
0.420 |
80.78 |
表13出料含水率的采集数据及控制能力监测指数计算结果
批号 |
标准值/% |
平均值/% |
标准偏差/% |
允差/% |
A |
P |
Ic |
087 |
13.00 |
12.97 |
0.056 |
0.50 |
0.180 |
0.336 |
86.35 |
018 |
13.00 |
13.01 |
0.044 |
0.50 |
0.060 |
0.264 |
89.41 |
075 |
12.90 |
12.86 |
0.055 |
0.50 |
0.240 |
0.330 |
86.42 |
(4)混丝加香工序
主要考察入口流量波动值、加香精度和出料含水率两个变量,入口流量波动值和加香精度均为极值控制型变量,根据其实测平均值和标准设计值分别计算两个变量的实测值与设定值的偏移程度,出料含水率均为有允差要求的望目控制型变量计算其偏离度和离散度,进而根据极值控制变量模型和望目控制变量模型分别计算稳定性监测指数。入口流量波动值的采集数据及稳定性监测指数计算结果如表14所示;加香精度的采集数据及稳定性监测指数计算结果如表14所示;出料含水率的采集数据及稳定性监测指数计算结果如表15所示。由表14和表15可知,混丝加香各指标均控制得较好。
表14加香精度和入口物料流量波动的采集数据及控制能力监测指数计算结果
表15出料含水率的采集数据及控制能力监测指数计算结果
批号 |
标准值/% |
平均值/% |
标准偏差/% |
允差/% |
A |
P |
Ic |
087 |
12.70 |
12.79 |
0.027 |
0.50 |
0.540 |
0.162 |
90.31 |
018 |
12.70 |
12.69 |
0.080 |
0.50 |
0.060 |
0.480 |
80.78 |
075 |
12.70 |
12.74 |
0.041 |
0.50 |
0.240 |
0.246 |
89.65 |
(5)各工序及批次综合控制能力监测
对各工序中的参数及质量指标根据其重要程度赋予权重,分别利用工序稳定性综合监测指数模型计算松散回潮工序、筛分加料工序、薄板烘丝工序和混丝加香工序的工序稳定性综合监测指数。进而,根据其重要程度对各工序赋予权重,利用批次稳定性综合监测指数模型计算批次稳定性综合监测指数。松散回潮工序、筛分加料工序、薄板烘丝工序和混丝加香工序的的权重设置如表16所示。松散回潮工序、筛分加料工序、薄板烘丝工序和混丝加香工序的工序稳定性综合监测指数以及批次稳定性综合监测指数的计算结果如表17所示。由表17可知,087整体质量稳定性较好;018松散回潮和烘丝质量稳定性良好,整体质量稳定性良好;075松散回潮质量稳定性良好,烘丝质量稳定性差,整体质量稳定性较差,需对烘丝质量控制进行改进。
表16评价项目及权重设置
表17稳定性综合检测指数评价结果
本发明不限于以上实施例,还可以有许多变形。凡在本发明的精神和原则之内,本领域的普通技术人员能从本发明公开的内容直接导出或联想到的所有变形,均应认为是本发明的保护范围。