劉著文，王小明，楊志強，劉鑫，師亞珊，張帥，王海宇，李超

基于FMEA和LS–SVM的卷煙卷接過程質(zhì)量監(jiān)測與診斷

劉著文1，王小明1，楊志強1，劉鑫1，師亞珊1，張帥2，王海宇3，李超4

（1.河南中煙工業(yè)有限責任公司，鄭州 450000；2.河南工程學院 管理工程學院，鄭州 451191；3.鄭州大學商學院，鄭州 450001；4.河南中心線電子科技有限公司，鄭州 450004）

針對煙支卷接過程質(zhì)量監(jiān)測精度低和效率差的問題，提出一種基于最小二乘支持向量機的卷接過程質(zhì)量監(jiān)控潛在失效模式及影響分析方法。首先采用FMEA技術(shù)對卷接過程潛在失效模式進行識別和措施優(yōu)先級判定。其次，通過關(guān)聯(lián)度分析法得到關(guān)鍵失效模式的特征信號。最后，利用LS–SVM分類模型構(gòu)建過程質(zhì)量監(jiān)測與診斷模型。通過實際生產(chǎn)數(shù)據(jù)對所提方法的性能進行驗證。對7種不同失效模式的識別，文中所提方法的總體平均識別精度達到93.53%，在識別準確性和識別效率上顯著優(yōu)于BPNN和SVM診斷方法，為卷煙制造過程診斷提供了新的思路。

卷接過程；質(zhì)量診斷；失效模式及影響分析；最小二乘支持向量機

煙草企業(yè)之間的競爭越發(fā)激烈，產(chǎn)品質(zhì)量和成本控制受到了各煙草加工企業(yè)的關(guān)注[1]。卷接和包裝是卷煙生產(chǎn)制造過程的關(guān)鍵工序之一，主要是將煙絲卷制成煙支，進而將煙支包裝成小盒煙包，最終將小盒煙包裝成條煙和件煙，其過程平穩(wěn)運行與否直接影響煙支成品質(zhì)量。隨著卷煙生產(chǎn)制造技術(shù)的快速發(fā)展，煙草企業(yè)的卷接加工過程已經(jīng)基本實現(xiàn)自動化和智能化[2]。然而，由于卷接工藝復雜繁多，煙支空頭、過輕、爆口、跑條等產(chǎn)品質(zhì)量缺陷頻繁出現(xiàn)，導致卷接機組停機和成本損失時有發(fā)生，因此，建立卷接過程質(zhì)量檢測和診斷系統(tǒng)，就能夠定量地分析影響卷接過程質(zhì)量異常因素、準確地檢測過程運行狀態(tài)、智能地診斷過程故障，對卷煙生產(chǎn)質(zhì)量穩(wěn)態(tài)控制水平的提升具有重要意義。

針對卷接過程質(zhì)量監(jiān)測和診斷問題，方銀水等[3]使用潛在失效模式及影響分析（Failure Mode and Effects Analysis, FMEA）方法對卷煙生產(chǎn)進行過程分析，針對風險優(yōu)先級高的失效模式進行風險預防，使得卷煙生產(chǎn)過程質(zhì)量管控水平得到提升。吳小超等[4]利用過程潛在失效模式及影響分析（Process Failure Mode and Effects Analysis, PFMEA）技術(shù)對卷接過程中的質(zhì)量風險因素進行識別，設(shè)計出卷接過程穩(wěn)態(tài)判定準則，并利用細支煙卷接過程實際數(shù)據(jù)驗證了所提方法的有效性。盡管利用FMEA技術(shù)能夠找到卷接過程所有的潛在失效模式，分析其產(chǎn)生原因并制定出相應(yīng)的預防措施，但是很難直接應(yīng)用到卷接過程的實時質(zhì)量檢測中，而卷接過程運行速度快，一旦生產(chǎn)過程出現(xiàn)異常，容易使缺陷產(chǎn)品流入下道工序，進而造成嚴重的質(zhì)量損失[5]。為了進一步提高卷接過程質(zhì)量檢測的自動化和智能化水平，余清等[6]利用支持向量機（Support Vector Machine, SVM）算法構(gòu)建了一種卷接機的軸承故障診斷方法，利用SVM對卷接機軸承故障數(shù)據(jù)進行智能學習，實現(xiàn)了卷接過程質(zhì)量異常的快速診斷和自動識別。支持向量機是一種能夠處理小樣本、非線性問題的機器學習算法，與其他基于經(jīng)驗風險最小化為目標的傳統(tǒng)機器學習算法相比，基于統(tǒng)計學習理論的SVM是以結(jié)構(gòu)風險最小化的原則，因此其能夠在有限樣本條件下找到全局最優(yōu)解，被廣泛應(yīng)用于人像識別、故障診斷、質(zhì)量檢測等領(lǐng)域[7-8]。為此，文中將FMEA技術(shù)和最小二乘支持向量機（Least Squares-Support Vector Machine, LS-SVM）算法相結(jié)合，構(gòu)建一種卷接過程質(zhì)量檢測和診斷方法。首先，利用FMEA技術(shù)對卷接過程潛在失效模式進行識別；然后，對每個失效模式的發(fā)生度（Occurrence,）、嚴重度（Severity,）和不可探測度（Detectability,）進行判定，按照新版FMEA手冊中措施優(yōu)先級（Action Priority,AP）的邏輯組合得到關(guān)鍵失效模式；接著，通過關(guān)聯(lián)度分析法對關(guān)鍵失效模式進行分析，得到主要特征信號；最后，將識別出的特征信號作為SVM診斷模型的輸入信號，訓練卷接過程質(zhì)量檢測和診斷模型。

1 卷接過程質(zhì)量異常狀態(tài)特征提取

1.1 煙支卷接過程失效模式識別

煙支卷接是卷接過程的重要環(huán)節(jié)[9]，其基本流程見圖1。

圖1 煙支卷接工序基本流程

根據(jù)已有生產(chǎn)記錄分析發(fā)現(xiàn)，煙支卷接過程中容易出現(xiàn)的質(zhì)量缺陷主要包括：煙支過輕、煙支過重、空頭、爆口、煙支斷殘、煙支缺嘴、皺紋等。卷接機都會自動識別存在質(zhì)量缺陷的產(chǎn)品，記錄并剔除存在質(zhì)量缺陷的產(chǎn)品，通過整理可以得到卷接過程的失效模式，共17個，分別為吸絲風速及煙絲喂入量不準確、含末率不符合內(nèi)控要求、含水率不符合內(nèi)控要求、煙支質(zhì)量超差、煙絲除梗不完全、煙絲除雜不完全、單支質(zhì)量超標、煙支空頭、煙支爆口、煙支破損、黃斑、皺紋、濾嘴變形、夾末、搭口、切口、接裝紙搭口不齊等。

1.2 失效模式評估

通過對煙支卷接過程失效模式的識別，可以得到各個失效模式，然而不同的失效模式對卷接過程的影響不盡相同，因此需要對不同失效模式的發(fā)生度、嚴重度和不可探測度進行判定，最終得到由三者邏輯組合構(gòu)成的措施優(yōu)先級[10]，即：

老版FMEA手冊使用風險優(yōu)先級（Risk Priority Number, RPN）評估失效模式的風險，雖然可以提供有關(guān)評級范圍的一些信息，但是由于、、對RPN值的貢獻相等，使得評估人員并不能確定是否需要采取更多措施[11]。同時，由于采用RPN值可能會對、和的不同組合產(chǎn)生類似的風險數(shù)，使團隊無法確定如何進行優(yōu)先級排序[12]，因此，文中采用新版FMEA手冊中的AP對失效模式進行評估。為實現(xiàn)卷接生產(chǎn)過程的分級質(zhì)量管控，可以根據(jù)AP的大小將失效模式的等級劃分成3個級別，部分判定標準見表1。

在實際生產(chǎn)過程監(jiān)控中，并不是所有失效模式都需要采取實時監(jiān)控的管控辦法，對措施優(yōu)先級高的失效模式進行實時監(jiān)控，能夠同時兼顧過程質(zhì)量和生產(chǎn)成本，因此，通過調(diào)取卷接機組3個月內(nèi)各個失效模式的歷史數(shù)據(jù)，對失效模式進行風險評估，進而完成PFMEA分析，得到7個高風險等級的失效模式，其分析結(jié)果見表2。

表1 FMEA的措施優(yōu)先級判定標準（部分）

Tab.1 Decision criteria for AP of FMEA (part)

注：H表示高優(yōu)先級，M表示中優(yōu)先級，L表示低優(yōu)先級。

表2 卷接機組PFMEA分析結(jié)果

Tab.2 PFMEA analysis results of rolling unit

1.3 特征信號提取

采用FMEA和關(guān)聯(lián)度分析方法對煙支卷接過程高措施優(yōu)先級的失效模式進行分析，可以得到產(chǎn)品質(zhì)量缺陷和過程檢測的主要特征信號，包括吸絲風速、煙絲喂入量、吸絲帶入口壓力、烙鐵溫度、加熱器溫度、大壓板與煙槍基座的間隙等，具體見表3。

通過FMEA技術(shù)，對煙支卷接過程存在的關(guān)鍵失效模式進行識別、評判和特征提取，將歷史數(shù)據(jù)和專家經(jīng)驗等先驗信息轉(zhuǎn)換成能夠定量分析的特征檢測信號，特別是從眾多作業(yè)要素中選擇出關(guān)鍵的檢測變量，為后續(xù)質(zhì)量檢測與診斷模型的訓練提供重要輸入信號[10]。

2 卷接過程質(zhì)量診斷模型建立

2.1 LS–SVM分類算法

表3 卷接過程特征檢測信號

Tab.3 Characteristic detection signal of rolling process

通過拉格朗日乘子法求解式（1），可以得到：

2.2 基于FMEA和LS–SVM的卷接過程質(zhì)量診斷流程

文中將FMEA技術(shù)和SVM算法相結(jié)合構(gòu)建一種卷接過程質(zhì)量檢測和診斷方法。首先，利用FMEA技術(shù)對卷接過程潛在失效模式進行識別，對每個失效模式的發(fā)生度、嚴重度和不可探測度進行判定得到AP值，并通過關(guān)聯(lián)度分析法對關(guān)鍵失效模式進行分析，得到主要特征信號；然后，通過選取LS–SVM分類器的核函數(shù)和初始參數(shù)構(gòu)建識別模型；最后，將識別出的特征信號作為SVM診斷模型的輸入信號，將樣本數(shù)據(jù)分為訓練集和測試，分別用于卷接過程質(zhì)量檢測以及診斷模型的訓練和性能測試，卷接過程質(zhì)量監(jiān)測與診斷流程見圖2。

3 應(yīng)用效果

為了驗證所提過程質(zhì)量監(jiān)測方法的有效性，文中利用許昌卷煙廠卷接部ZJ19卷煙機連續(xù)6個月的運行數(shù)據(jù)進行測試。當卷接生產(chǎn)過程發(fā)生異常時，卷接機會自動剔除存在質(zhì)量缺陷的產(chǎn)品，并且記錄當前生產(chǎn)過程的特征數(shù)據(jù)，包括吸絲風速、煙絲喂入量、吸絲帶入口壓力、烙鐵溫度、加熱器溫度等特征信號，并進行整理作為樣本數(shù)據(jù)。針對7種卷接過程的關(guān)鍵失效模式，共收集異常樣本1 228組，同時隨機收集正常樣本1 228組，并且分別將每種異常樣本數(shù)據(jù)和正常樣本數(shù)據(jù)進行匹配，其中異常樣本類別為“?1”，正常樣本類別為“+1”。為測試識別模型的泛化能力，將每組樣本均分成訓練樣本和測試樣本。當模型訓練精度達到既定標準（95%）后，使用測試樣本進行監(jiān)測，得到的測試精度就是識別模型的性能。

圖2 質(zhì)量監(jiān)測與診斷流程

表4 識別模型的測試結(jié)果

Tab.4 Test results of the recognition model

由表4可知，針對7種不同失效模式的識別，所提方法的測試精度均超過90%，總體平均識別精度達到93.53%，識別準確性相較于現(xiàn)行人工判斷的方法得到了較大提升。與此同時，除了煙支空頭模式的訓練樣本數(shù)較多導致模型訓練時間較長外，其他失效模式的識別模型訓練時間均小于1 min，表明所提方法的診斷效率相較于人工診斷的效率也得到了較明顯提升。

為進一步驗證所提方法的有效性，文中選取BP神經(jīng)網(wǎng)絡(luò)（Back Propagation Neural Network, BPNN）和SVM 2種常用的質(zhì)量診斷模型與文中所提基于FMEA和LS–SVM的診斷模型進行診斷性能的比較。其中，BPNN模型采用三層“10–30–10”的穩(wěn)健網(wǎng)絡(luò)結(jié)構(gòu)[17]，SVM模型利用粒子群優(yōu)化算法對其參數(shù)進行優(yōu)化[18]，分別將7種卷接過程關(guān)鍵失效模式所對應(yīng)的1 228組數(shù)據(jù)作為訓練樣本，當模型訓練精度達到95%時，計算測試樣本的測試精度，對比測試精度的結(jié)果見圖3。

圖3 與BPNN和SVM診斷模型的對比結(jié)果

通過圖3中的對比分析不難看出，文中所提基于FMEA和LS–SVM相結(jié)合的質(zhì)量診斷方法具有較好的診斷精度，主要原因在于通過FMEA分析可以找到關(guān)鍵失效模式的特征信號，將人工經(jīng)驗轉(zhuǎn)換成定量指標，同時通過LS–SVM的分類模型可以更準確地對7種失效模式數(shù)據(jù)進行分類診斷。綜上，文中所提方法在準確性和時效性兩方面均優(yōu)于現(xiàn)行的人工監(jiān)測方法和已有的潛在失效模式診斷模型，為卷接過程質(zhì)量監(jiān)測提供了新的思路。

4 結(jié)語

通過FMEA技術(shù)對煙支卷接過程失效模式的分析，從眾多特征信號中識別出對關(guān)鍵失效模式影響最大的特征變量，建立了基于LS–SVM的卷接過程質(zhì)量監(jiān)測和診斷方法，實現(xiàn)了煙支卷接過程異常模式的智能檢測和診斷。以ZJ19卷接機生產(chǎn)過程數(shù)據(jù)為對象進行試驗，結(jié)果表明：針對7種不同失效模式的識別，所提基于FMEA和LS–SVM的卷接過程質(zhì)量監(jiān)測方法的總體平均識別精度達到93.53%，模型訓練總時間為313 s，識別準確性和識別效率相較于現(xiàn)行人工判斷的方法均得到了較大提升，因此，通過FMEA方法可以將歷史經(jīng)驗和專家知識轉(zhuǎn)換成過程監(jiān)測的特征信號，為實現(xiàn)煙支卷接過程質(zhì)量監(jiān)測和診斷提供支持。

[1] 侯杰華, 鄒暾. “互聯(lián)網(wǎng)+卷煙商業(yè)” 的研究與實踐[J]. 煙草科技, 2018, 51(4): 94-98.

HOU Jie-hua, ZOU Tun. Research and Practice of Internet+Cigarette Commerce[J]. Tobacco Science & Technology, 2018, 51(4): 94-98.

[2] 張大波, 孔臻, 吳碩, 等. 國內(nèi)細支卷煙加工工藝現(xiàn)狀[J]. 煙草科技, 2018, 51(1): 79-84.

ZHANG Da-bo, KONG Zhen, WU Shuo, et al. Current Situation of Slim Cigarette Manufacturing Technology in China[J]. Tobacco Science & Technology, 2018, 51(1): 79-84.

[3] 方銀水, 羅靖, 王昭焜. PFMEA在卷煙生產(chǎn)質(zhì)量風險管控中的應(yīng)用[J]. 山東工業(yè)技術(shù), 2018(2): 190-191.

FANG Yin-shui, LUO Jing, WANG Zhao-kun. Application of PFMEA in Quality Risk Control of Cigarette Production[J]. Shandong Industrial Technology, 2018(2): 190-191.

[4] 吳小超, 張怡, 沈軍, 等. 基于PFMEA的卷包機組實時質(zhì)量風險識別方法[J]. 中國煙草學報, 2021, 27(1): 115-122.

WU Xiao-chao, ZHANG Yi, SHEN Jun, et al. Quality Risk Real-Time Assessment Method for Cigarette Rolling Package Unit Based on PFMEA[J]. Acta Tabacaria Sinica, 2021, 27(1): 115-122.

[5] 黃雯華. FMEA在卷包工序產(chǎn)品品質(zhì)風險管理中的應(yīng)用[J]. 煙草科技, 2014, 47(4): 26-30.

HUANG Wen-hua. Application of FMEA in Risk Management of Product Quality in Cigarette Making and Packing[J]. Tobacco Science & Technology, 2014, 47(4): 26-30.

[6] 余清, 范智源, 盛浩然, 等. 基于SVM的卷接機組刀盤半軸機構(gòu)軸承故障識別方法[J]. 煙草科技, 2020, 53(6): 96-102.

YU Qing, FAN Zhi-yuan, SHENG Hao-ran, et al. SVM-Based Fault Diagnosis of Countershaft Bearing of Cutoff Blade Carrier in Cigarette Maker[J]. Tobacco Science & Technology, 2020, 53(6): 96-102.

[7] BOROUJENI M, SAMIMI Y, ROGHANIAN E. Parametric and Non-Parametric Methods for Monitoring Nonlinear Fuzzy Profiles[J]. The International Journal of Advanced Manufacturing Technology, 2022, 118(1): 67-84.

[8] GAYATHRI N, MAHESH K. Improved Fuzzy-Based SVM Classification System Using Feature Extraction for Video Indexing and Retrieval[J]. International Journal of Fuzzy Systems, 2020, 22(5): 1716-1729.

[9] 周斌, 陳文, 趙朝陽, 等. PROTOS M8卷接機組煙支切割系統(tǒng)原理分析與參數(shù)研究[J]. 煙草科技, 2014, 47(11): 14-17.

ZHOU Bin, CHEN Wen, ZHAO Zhao-yang, et al. Principle Analysis and Parameter Research of Cutoff System in PROTOS M8 Cigarette Maker[J]. Tobacco Science & Technology, 2014, 47(11): 14-17.

[10] RAMERE M, LASEINDE O. Optimization of Condition-Based Maintenance Strategy Prediction for Aging Automotive Industrial Equipment Using FMEA[J]. Procedia Computer Science, 2021, 180(16): 229-238.

[11] 姚銀歌, 張濤, 朱宇騰, 等. 基于FMEA的電主軸冷卻系統(tǒng)可靠性分析[J]. 機電工程技術(shù), 2021, 50(6): 101-103.

YAO Yin-ge, ZHANG Tao, ZHU Yu-teng, et al. Reliability Analysis of Motorized Spindle Cooling System Based on FMEA[J]. Mechanical & Electrical Engineering Technology, 2021, 50(6): 101-103.

[12] 吳耀男, 林雷, 任新溫, 等. 一種基于邏輯結(jié)構(gòu)數(shù)的改進型FMEA方法[J]. 中國安全科學學報, 2021, 31(10): 97-104.

WU Yao-nan, LIN Lei, REN Xin-wen, et al. An Improved FMEA Method Based on Logical Structure Number[J]. China Safety Science Journal, 2021, 31(10): 97-104.

[13] 王華忠, 張雪申, 俞金壽. 基于支持向量機的故障診斷方法[J]. 華東理工大學學報(自然科學版), 2004, 30(2): 179-182.

WANG Hua-zhong, ZHANG Xue-shen, YU Jin-shou. Fault Diagnosis Based on Support Vector Machine[J]. Journal of East China University of Science and Technology (Natural Science Edition), 2004, 30(2): 179-182.

[14] CHEN B, LIU Q, CHEN H, et al. Multi-Objective Optimization of Building Energy Consumption Based on BIM-DB and LSSVM-NSGA-Ⅱ[J]. Journal of Cleaner Production, 2021, 294(5): 126-153.

[15] 鞏知樂, 張德賢, 胡明明. 一種改進的支持向量機的文本分類算法[J]. 計算機仿真, 2009, 26(7): 164-167.

GONG Zhi-le, ZHANG De-xian, HU Ming-ming. An Improved SVM Algorithm for Chinese Text Classification[J]. Computer Simulation, 2009, 26(7): 164-167.

[16] CHEN N, HAO B, GUO Y, et al. Research on Tool Wear Monitoring in Drilling Process Based onAPSO-LS-SVM Approach[J]. International Journal of Advanced Manufacturing Technology, 2020, 108(1-4): 1-11.

[17] 閆君杰, 蘇晨. 基于人工神經(jīng)網(wǎng)絡(luò)的煤礦機械齒輪故障診斷研究[J]. 煤炭技術(shù), 2017, 36(9): 266-268.

YAN Jun-jie, SU Chen. Research on Fault Diagnosis of Coal Mine Machinery Gear Based on Artificial Neural Network[J]. Coal Technology, 2017, 36(9): 266-268.

[18] 吳紅, 王曉明, 王斌, 等. PSO–SVM模型在化工事故風險預測中的應(yīng)用研究[J]. 工業(yè)安全與環(huán)保, 2022, 48(4): 70-73.

WU Hong, WANG Xiao-ming, WANG Bin, et al. Research on the Application of PSO-SVM Model in the Risk Prediction of Chemical Industry Accidents[J]. Industrial Safety and Environmental Protection, 2022, 48(4): 70-73.

Quality Detection and Diagnosis of Cigarette Rolling Process Based on FMEA and LS-SVM

LIU Zhu-weng1, WANG Xiao-ming1, YANG Zhi-qiang1, LIU Xin1, SHI Ya-shan1, ZHANG Shuai2, WANG Hai-yu3, LI Chao4

(1. China Tobacco Henan Industrial Co., Ltd., Zhengzhou 450000, China; 2. School of Management Engineering, Henan University of Engineering, Zhengzhou 451191, China; 3. School of Business, Zhengzhou University, Zhengzhou 450001, China; 4. Henan Center Line Electronic Science and Technology Co., Ltd., Zhengzhou 450004, China)

The work aims to propose a potential failure mode and effects analysis method of quality detection in cigarette rolling process based on LS-SVM, so as to solve the problem of low accuracy and efficiency of quality detection in the cigarette rolling process. First of all, FMEA was used to identify the potential failure modes of rolling process and determine the priority of solutions. Secondly, the characteristic signals of key failure modes were obtained by correlation analysis. Finally, the LS-SVM classification model was used to construct process quality detection and diagnosis model. The performance of the proposed method was verified by actual production data. For the identification of seven different failure modes, the overall average identification accuracy of the proposed method was 93.53%, which was much better than BPNN and SVM models in identification accuracy and efficiency and provided a new way for diagnosis of cigarette rolling process.

rolling process; quality diagnosis; failure mode and effects analysis; least squares-support vector machine

TS433

A

1001-3563(2023)03-0255-06

10.19554/j.cnki.1001-3563.2023.03.032

2022?03?14

國家自然科學基金（71672209）；河南中煙工業(yè)有限責任公司科技項目（XC202036）

劉著文（1983—），男，工程師，主要研究方向為卷煙工藝、質(zhì)量管理。

王海宇（1979—），男，博士，教授，主要研究方向為質(zhì)量工程。

責任編輯：曾鈺嬋