制丝线设备状态感知模型的研究与应用.pdfVIP

12制丝线设备状态感知模型的研究与应用

制丝线设备状态感知模型的研究与应用

ResearchandApplicationonStateSensingModelofTobaccoProductionLineEquipment

温小龙李正奎田凯李荣（红云红河烟草(集团)有限责任公司昆明卷烟厂,云南昆明650231)

摘要：针对制丝线在生产、设备、质量等方面的异常感知不及时、不全面的问题，通过基于孤立森林算法的电机电流感

知、状态组合标定的光电传感器状态感知、AI智能摄像头和物料跟踪信号的堵料断料感知、掺配精度的质量异常状态感知，

建立制丝线设备运动检测和状态感知模型，并对异常状态进行及时预判和预警。

关键词：烟草制丝线；状态感知；孤立森林；堵料断料；掺配精度

当前烟草制丝线设备自动化程度较高，其故障也较容易监现异常样本,能够自动学习数据的分布和模式，从而能够检测出

测，然而现有控制系统缺乏对生产线全面的智能感知、监控措各种未知的异常类型，并且无监督异常检测算法可以自适应地

施，对堵料、断料等生产异常及关键设备异常无法及时感知，质学习数据的分布,对于分布变化有更好的适应性。

量分析及报警基于生产结果数据进行，存在较大的滞后性，无法因此，选择无监督异常检测算法进行电机电流异常检测能

提前诊断异常，不具备对当前生产的指导作用。为此,实现对关够弥补标注数据不足,适应未知异常类型、数据分布变化和异常

键设备的运动检测和状态感知就显得尤为重要。本文研究建立样本不平衡等问题,提高异常检测的准确性和鲁棒性。

设备状态感知模型，通过传感器检测技术和状态感知模型实现2.2孤立森林算法

对生产现场的现场信号、物料信号、生产状态、设备状态等进行在制丝生产过程中,设备一般持续工作数小时及十数小时，

识别,并对生产、设备等相关异常实现自动预判和预警。属于连续数据，且数据比较稳定，异常数据点稀少,所以选择孤

1现状问题分析立森林可以很好地监测到整个生产过程中的异常数据。

制丝生产线中使用了大量的电机，保证电机良好的运行状孤立森林算法(IsolationForestiForest)是一种常用的无

态对制丝生产的稳定运行起着关键的作用。目前制丝生产线中监督异常检测算法，它适用于连续数据的异常检测,将异常定义

的电机缺乏有效的状态感知途径，仅靠修理工在日常的巡检过为“容易被孤立的离群点”一一可以理解为分布稀疏且离密度高

程中通过人工触摸或听觉识别的方式来判断电机的运行状态。的群体较远的点。用统计学来解释，在数据空间里面，分布稀疏

但制丝线覆盖的区域广，设备种类多，依靠人工巡检的方式实现的区域表示数据发生在此区域的概率很低，因此可以认为落在

电机的状态监测和健康诊断在效率和实时性方面具有较大的局这些区域里的数据是异常的。

限性，不具可行性。在制丝生产过程中,电机故障损坏是比较常2.3模型应用实现

见的设备故障，更换过程非常耗时,严重影响正常的生产过程。(1)数据收集

制丝生产为流水生产线，工艺流程复杂、生产线长、覆盖区通过制丝数据服务平台获取2023年5月至10月某生产

域广，包含了松散一加、二加、切烘丝、掺配、加香等多个生产环线切烘丝掺配段带变频器的15个电机电流点，数据的采样周期

节,在实际生产过程中,会出现非正常情况下的物料堵塞和物料为1S,对于每一个电机电流点单独收集,形成15个数据集。

中断现象,即堵料断料现象。当生产线发生堵料断料情况时，人(2)实验过程

工无法实时感知，只有当堵料断料持续较长时间产生电机跳闸1)数据集划分：针对每一个电机数据集,使用sklearn的

或电子秤流量降低等设备连锁反应时，才会被操作工发现。train_test_split()方法将数据集按8:2划分训练集和测试集，80%

掺配作为制丝生产中重要的加工环节，对于烟丝的质量起的数据集用于训练模型,而20%的数据集用于评估模型的性能。

着关键作用，掺配精度异常属于重大质量事故，因此实现对掺配2)构建模型：使用sklearn,ensemble.Isolat