[发明专利]一种卷包剔除相关烟丝损耗异常的实时分析方法和装置

说明书

本发明公开了一种卷包剔除相关烟丝损耗异常的实时分析方法和装置，包括：(1)获取卷包剔除工艺过程中每个工段的剔除烟支，并计算每个工段的实时剔除率；(2)为每个工段建立包含双向长短期记忆模型和自注意力机制的Atten‑LSTM时序分析模型；(3)利用双向长短期记忆模型计算输入剔除率的隐藏特征；利用自注意力机制中加性函数计算隐藏特征的权重系数矩阵，隐藏特征与权重系数矩阵的乘积作为剔除率对应的特征值；对特征值进行逻辑回归和激活得到损耗预测值。该方法和装置能够解决卷包机组生产中烟丝损耗异常识别耗时长、精准排查难的问题。

技术领域

本发明属于烟草损耗分析技术领域，具体涉及一种卷包剔除相关烟丝损耗异常的实时分析方法和装置。

背景技术

目前，从卷烟生产的产品成本构成来看，原材料占生产总成本的49％左右，而烟叶是其中占比最大的原料。在保证生产质量的前提下，降低制烟过程中的烟叶损耗量，提高烟丝利用率，可以显著降低制烟成本，提升经济效益。为此，研究人员基于统计分析对卷烟生产的各个环节量化分析烟丝损耗率的各项因素，其中包括1、采用单因素方差分析和多元线性回归构建卷烟物料消耗分析模型，探究影响物料消耗的内在动因；2、基于对制丝、切丝工序的统计分析结果改进制丝线生产流程，降低烟叶损耗率；3、使用偏最小二乘回归(PLS)解决变量间多重共线性问题，分析影响单箱耗丝的显著性因素。

卷包生产过程中会出现烟支过轻、烟支过重、软点、硬点、烟支缺嘴、空头、模盒缺支、小盒外观缺陷等诸多质量缺陷，卷包机组会自动识别存在质量缺陷的烟支或烟包，对其进行剔除并记录剔除的数目。针对卷包生产过程的烟丝损耗问题，基于烟丝投料和报工产量等生产参数进行烟丝损耗建模，量化班次的烟丝损耗，除了当班烟丝损耗率的汇总分析，生产中还需要对异常的烟丝损耗进一步人工排查、追溯，此过程需要耗费较多的人力和时间成本。随着人工智能技术的发展，深度学习技术被应用在各个工业生产领域中，特别是以循环神经网络(Recurrent Neural Network,RNN)[6]为代表的时序分析模型和以卷积神经网络(Convolutional Neural Network,CNN)为代表图像识别模型的在工业领域的数据分析、生产质控中取得了显著性成果。与统计学习、传统机器学习相比，深度学习算法在人工先验的基础上使用非定式的自适应特征工程，避免了人工设计特征的局限性，并通过构建凸优化损失函数挖掘数据中的潜在关联，在分析速度、准确率、泛化性等性能方面取得了长足的进步。但在烟丝损耗分析方面尚无与深度学习结合的相关研究。

同时，工段包含从卷接机切割分离后到包装机辅机完成条透包装，共包含VE喂料供丝工段(工段I)、SE烟支成型工段(工段II)、卷接机切割分离后到卷接机输出(工段III)、卷接机输出烟支并输入包装主机的工段(工段IV)；包装主机工段，即小盒包装工段(工段V)；包装机辅机工段，即小盒透明纸包装、条盒包装及条盒透明纸包装工段(工段VI)。其中工段III、V、VI此三个工段包含了烟草从切割分离到完成条盒包装进入提升机前的生产工序，包含了卷包机绝大多数的瑕疵检测位点。当卷包机组传感器检测到经过的烟支样本不符合规格或存在瑕疵时，传感器会记录该样本，之后将其剔除。因此，存在多项瑕疵的单个样本在剔除前被多个传感器重复记录，使得总剔除损耗略高于实际损耗。

发明内容

鉴于上述，本发明的目的是提供一种卷包剔除相关烟丝损耗异常的实时分析方法和装置，能够解决卷包机组生产中烟丝损耗异常识别耗时长、精准排查难的问题。

一种卷包剔除相关烟丝损耗异常的实时分析方法，包括以下步骤：

(1)获取卷包剔除工艺过程中每个工段的剔除烟支，并计算每个工段的实时剔除率；

(2)为每个工段建立包含双向长短期记忆模型和自注意力机制的Atten-LSTM时序分析模型；

(3)利用双向长短期记忆模型计算输入剔除率的隐藏特征；利用自注意力机制中加性函数计算隐藏特征的权重系数矩阵，隐藏特征与权重系数矩阵的乘积作为剔除率对应的特征值；对特征值进行逻辑回归和激活得到损耗预测值。