技术领域
[0001] 本
发明属于卷烟生产线控制技术领域，特别是指一种卷烟制丝过程数据的处理方法。
背景技术
[0002] 制丝过程工序多、流程长、设备种类繁杂。每道工序从过程开始至结束，无法始终处于稳定状态，生产状态的变化直接影响到过程的精准控制和诊断。为进一步提升制丝精细化加工和智能化控制
水平，提高过程
质量的
稳定性、均匀性和一致性，在复杂的过程数据中识别系统的稳态就显得尤为重要。
[0003] 2016版《卷烟工艺规范》首次对全批次生产过程数据进行稳态数据集和非稳态数据集的划分，并提出了非稳态时间的概念。为此，以制丝过程全批次数据为研究对象，开展制丝过程稳态识别方法研究，并建立相应的数据预处理截取规则，旨在为制丝加工过程稳态的智能识别提供技术参考。
[0004] 目前，MES系统在线采集的过程数据混杂着异常数据，如料头料尾数据集、中间
波动数据集、突变数据集、数采异常数据集、停机断料型数据、多稳态型数据等。但是
现有技术对数据的预处理规则均是直接对非稳态数据剔除，而只保留多稳态型数据用于后期的数据分析、预测及使用。而多稳态型数据只针对生产线的有限参数范围的数据，不能对生产线进行全面的分析，为此，如何将非稳态数据进行有效的进一步识别，对全面分析制丝过程的生产状态变化，以实现精准控制和数据诊断，是本领域需要解决的问题。
[0005] 另一方面，数采异常数据集中所包含的数据中，有些数据是因为
数据采集仪器的问题导致，并非因为实际数据的异常，而这些数据如何能够被利用，有利于提高生产线中多稳态型数据的比率，对后期生产线的数据的全面分析，及分析的准确性是本领域技术人员的研究方向。
发明内容
[0006] 本发明的目的是提供一种卷烟制丝过程数据的稳态识别方法，以解决现有技术的数据预处理规则不能对非稳态数据进行进一步识别的问题。
[0007] 本发明是通过以下技术方案实现的：
[0008] 一种卷烟制丝过程数据的处理方法，包括以下步骤：
[0009] S1、设定制丝生产线任一数据Kn的高相关数据Gn，并确定高相关数据采集点；
[0010] 并且高相关数据Gn至少包括一个高相关设备数据Jn，并确定高相关设备数据采集点；及一个高相关工艺数据Yn，并确定高相关工艺数据采集点；
[0011] S2、从采集异常数据中提取任一采集异常数据Ln,其n为自然数；
[0012] S3、判断与采集异常数据Ln对应的高相关设备数据Jn是否为多稳态型数据；若高相关设备数据Jn为非多稳态型数据，不对采集异常数据Ln进行调整；
[0013] 若高相关设备数据Jn为多稳态型数据，判断对应的高相关工艺数据Yn是多稳态型数据还是中间波动数据，并按如下规则对采集异常数据Ln进行调整；
[0014] 若Jn-Jn-1＝0，且Yn-Yn-1＝0，调整后的采集异常数据Ln1＝Ln-1；
[0015] 若Jn-Jn-1＝0，且Yn-Yn-1≠0，调整后的采集异常数据Ln1＝Ln-1+(Ln-1-Ln-2)；
[0016] 若Jn-Jn-1≠0，且Yn-Yn-1＝0，调整后的采集异常数据Ln1＝Ln-1+(Ln-1-Ln-2)；
[0017] 若Jn-Jn-1≠0，且Yn-Yn-1≠0，调整后的采集异常数据Ln1＝Ln-1+ax+b,其中a为直线方程系数，b为常数。
[0018] 其中，数据Ln-1为多稳态型数据。
[0019] 采集异常数据的采集包括以下步骤：
[0020] S11、采集制丝生产线即时的数据Kn，并判断：
[0021] 若制丝生产线启动时间T≥T1，其中T1为第一设定时间，则进入步骤S21；
[0022] 若制丝生产线启动时间T＜T1，则确定该数据Kn为料头数据，其中n为自然数；
[0023] S21、判断制丝生产线上是否有设备停机，若有设备停机，则判断该数据Kn为停机断料型数据；
[0024] 若没有设备停机，则进入步骤S31；
[0025] S31、判断数据Kn与数据Kn-1的差值Δ1，若Δ1在第一
阈值范围内，则进入步骤S51；
[0026] 若Δ1不在第一阈值范围内，则进入步骤S41；
[0027] S41、判断高相关数据采集点的高相关数据Gn，其中n为自然数，与高相关数据Gn-1的差值Δ2，若Δ2在第二阈值范围内，则判定数据Kn为采集异常数据Ln，否则判定数据Kn为突变数据；
[0028] S51、判断Δ1是否在第三阈值范围内，所述第三阈值为第一阈值的子集；若在第三阈值范围，判定所述数据Kn为多稳态型数据，否则判定为中间波动数据。
[0029] 所述停机断料型数据包括初始停机数据、停机稳态数据及再启动数据；
[0030] 所述停机断料型数据通过设备数据Bn判断：
[0031] 当Bn与Bn-1的差为负值时，该停机断料型数据为初始停机数据；
[0032] 当Bn与Bn-1的差为零时，该停机断料型数据为停机稳态数据；
[0033] 当Bn与Bn-1的差为正值时，该停机断料型数据为再启动数据。
[0034] 在步骤S31内，数据Kn与数据Kn-1的差值Δ1为负值，判断数据Kn-1与数据Kn-2的差值Δ3，若Δ3为负值时，判定所述数据Kn为料尾数据。
[0035] 调整后的采集异常数据Ln1存储于多稳态型数据集中。
[0036] 本发明的有益效果是：
[0037] 本技术方案将采集的数据在实时传输过程中，或离线传输数据后进行数据类型的识别，并分别形成各自数据集，进行分别储存，既有利于对后期数据分析的利用，又便于对相应数据的再处理，以提高数据利用的精准性。
[0038] 本技术方案的关键是对数据类型识别后的采集异常数据集，进行分析及调整，以将采集异常数据集中的实际正常数据进行有效的提取并重新归于多稳态型数据集中，以提高后期数据分析的准确性及增加多稳态型数据链长有积极的效果。
附图说明
[0039] 图1为本发明数据稳态识别的逻辑图；
[0040] 图2为采集异常数据调整逻辑图。
具体实施方式
[0041] 以下通过
实施例来详细说明本发明的技术方案，以下的实施例仅是示例性的，仅能用来解释和说明本发明的技术方案，而不能解释为是对本发明技术方案的限制。
[0042] 本
申请的技术方案是依靠卷烟制丝过程数据的稳态识别后，对识别的数据进行归类，形成相应的数据集，本申请中，主要包括料头数据集、料尾数据集、停机断料型数据集、采集异常数据集、突变数据集、中间波动数据集及多稳态型数据集，其中，停机断料型数据集还可以包括初始停机数据子集、停机稳态数据子集及再启动数据子集。
[0043] 如图1所示，本申请提供一种卷烟制丝过程数据的稳态识别方法，包括以下步骤：
[0044] 选择两个或两个以上的完整的制丝生产线历史数据，利用统计方法统计每个历史数据K的高相关数据G，并确定高相关数据采集点；在此以切丝机转速为例进行说明，其它的参数均与此相同，参考切丝机转速有变化的数据，同时将切丝机转速发生变化时，有哪些参数跟随变化，将所有参数变化的数据均进行列表统计，并将多次的统计进行
整理后，得到烟丝宽度数据变化最显著，为所有参数变化的第一位，因此，将烟丝宽度数据列为切丝机转速的高相关数据，同时，再分析设备方面的数据，比如，驱动
电机的
电流变化时，切丝机转速变化随之变化，经过统计后，得出
驱动电机的电流数据为切丝机转速变化的高相关数据，同时也得到了驱动电机及烟丝宽度为高相关数据采集点，当对切丝机转速数据进行识别时，需要的高相关数据来源为驱动电机的电流数据及烟丝宽度数据。
[0045] 为了获得更准确的高相关数据，也可以选择两个以上的高相关数据。
[0046] 所述高相关数据G为两个或两个以上，并且高相关数据至少包括一个高相关设备数据J，并确定高相关设备数据采集点；一个高相关工艺数据Y，并确定高相关工艺数据采集点。
[0047] 采集制丝生产线即时的数据Kn，并判断：在此继续以切丝机转速数据为例进行说明。控制系统采集切丝机的实时转速1000r/min，在进行数据稳态识别时，首先判断制丝生产线启动时间，生产线由启动到稳态需要一个时间段，该时间内的数据均处于非稳定状态，在本实施例中，第一设定时间T1为通过历史分析，制丝生产丝由启动至稳定的最大时间或平均时间，通常为了保证数据识别的准确，第一设定时间表示制丝生产丝由启动至稳定的最大时间。
[0048] 若制丝生产线启动时间T＜T1，则确定该数据Kn为料头数据，其中n为自然数，并进行下一次的数据识别，因为在第一设定时间内，切丝机的转速为逐步上升过程，可能在第一设定时间的后期，切丝机的转速能够达到1000r/min。
[0049] 若制丝生产线启动时间T≥T1，其中T1为第一设定时间，则：
[0050] 判断制丝生产线上是否有设备停机，若有设备停机，则判断该数据Kn为停机断料型数据；在本申请中，最佳的数据稳态识别是确定该数据Kn的高相关设备，在本实施例中，以驱动电机为高相关设备，判断其是否停机，若驱动电机停机，判定切丝机转速数据为停机断料型数据，该数据的确定只与设备停机相关，而有时，其它设备的停机，也会将切丝机转速数据判定为停机断料型数据，实际上切丝机的转速没有变化。
[0051] 若没有设备停机，则，
[0052] 判断数据Kn与数据Kn-1的差值Δ1，在此举例进行说明，切丝机的即时转速为1000r/min，前一时间即数据Kn-1切丝机的转速为995r/min，差值Δ1＝5r/min。
[0053] 在本实施例中，设定差值Δ1的第一阈值范围为±4r/min，此时，Δ1不在第一阈值范围内。
[0054] 判断高相关数据采集点的高相关数据Gn，其中N为自然数，与高相关数据Gn-1的差值Δ2，若Δ2在第二阈值范围内，则判定数据Kn为采集异常数据，否则判定数据Kn为突变数据。
[0055] 具体为，判定驱动电机的电流数据，即Jn-Jn-1的差值Δ2，比如，驱动电机的电流Jn为50A，Jn-1的电流为50A，差值Δ2为0；同时，烟丝宽度Y的数据Yn为2.0mm,Yn-1的宽度也为2.0mm，差值Δ2为0，此时，说明切丝机的即时转速实际应当没有变化，而是因为速度
传感器的原因，导致该数据被判定为非正常数据，因此，将该数据识别为采集异常数据，通过后期的数据预处理，对该数据进行调整，做为稳态数据进行后期的应用。
[0056] 假设，切丝机的即时转速为1000r/min，前一时间即数据Kn-1切丝机的转速为998r/min，差值Δ1＝2r/min，此时，Δ1在第一阈值范围内，则：
[0057] 判断Δ1是否在第三阈值范围内，所述第三阈值为第一阈值的子集；在本实施例中，第三阈值范围为±2r/min，此时差值Δ1在第三阈值范围，判定所述数据Kn为多稳态型数据，否则判定为中间波动数据。
[0058] 为了更准确的对停机断料型数据进行识别，所述停机断料型数据包括初始停机数据、停机稳态数据及再启动数据。
[0059] 所述停机断料型数据通过设备数据Bn判断：
[0060] 当Bn与Bn-1的差为负值时，该停机断料型数据为初始停机数据；
[0061] 当Bn与Bn-1的差为零时，该停机断料型数据为停机稳态数据；
[0062] 当Bn与Bn-1的差为正值时，该停机断料型数据为再启动数据。
[0063] 进一步的，数据Kn与数据Kn-1的差值Δ1为负值，判断数据Kn-1与数据Kn-2的差值Δ3，若Δ3为负值时，判定所述数据Kn为料尾数据。
[0064] 在本申请的实施例中，仅以切丝机的数据为例进行举例说明，在本申请的其它实施例中，可以对其它数据进行识别，识别方法相同。
[0065] 如图2所示，本申请的技术是利用上面的采集异常数据形成的采集异常数据集，并对该采集异常数据集进行重新分析，将其中的可用数据归类到多稳态型数据集中的技术。
[0066] 本申请提供一种卷烟制丝过程数据的处理方法，包括以下步骤：
[0067] S1、设定制丝生产线任一数据Kn的高相关数据Gn，并确定高相关数据采集点；
[0068] 并且高相关数据Gn至少包括一个高相关设备数据Jn，并确定高相关设备数据采集点；及一个高相关工艺数据Yn，并确定高相关工艺数据采集点；此处高相关数据及高相关数据采集点的方法与数据稳态识别方法中的相同，在此不进行重复说明。
[0069] S2、从采集异常数据中提取任一采集异常数据Ln,其n为自然数；通过上述数据稳态识别方法识别的采集异常数据，会存储于控制系统内或相应的
数据库内。本申请的采集异常数据调整可以在识别的同时进行，也可以在储存到采集异常数据集后进行调整。
[0070] S3、判断与采集异常数据Ln对应的高相关设备数据Jn是否为多稳态型数据；若高相关设备数据Jn为非多稳态型数据，不对采集异常数据Ln进行调整；此处表明，高相关设备的数据存在相应的问题，在此即使高相关设备数据中，也存在采集异常数据，但为了保证后其数据分析的精准，依然不进行调整。当然，若有确定的
数据处理方法，不排除对高相关设备的数据为非多稳态型数据时，也可以进行数据调整的可能。
[0071] 若高相关设备数据Jn为多稳态型数据，表明，高相关设备为正常运行状态，并且运行状态稳定，对最后的采集异常数据有影响的仅为高相关的工艺数据，因此，判断对应的高相关工艺数据Yn是多稳态型数据还是中间波动数据，并按如下规则对采集异常数据Ln进行调整。
[0072] 若Jn-Jn-1＝0，且Yn-Yn-1＝0，调整后的采集异常数据Ln1＝Ln-1；
[0073] 若Jn-Jn-1＝0，且Yn-Yn-1≠0，调整后的采集异常数据Ln1＝Ln-1+(Ln-1-Ln-2)；
[0074] 若Jn-Jn-1≠0，且Yn-Yn-1＝0，调整后的采集异常数据Ln1＝Ln-1+(Ln-1-Ln-2)；
[0075] 若Jn-Jn-1≠0，且Yn-Yn-1≠0，调整后的采集异常数据Ln1＝Ln-1+a(Ln-1-Ln-2)+b,其中a为直线方程系数，b为常数，数据Ln-1和Ln-2均为多稳态型数据。
[0076] 尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、
修改、替换和
变形，本发明的范围由所附
权利要求及其等同限定。
