基于pca的卷烟制丝过程监测与故障诊断-王伟.pdf

《基于pca的卷烟制丝过程监测与故障诊断-王伟.pdf》由会员分享，可在线阅读，更多相关《基于pca的卷烟制丝过程监测与故障诊断-王伟.pdf（8页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、2017 年 12 月 控 制 工 程 Dec. 2017 第 24 卷第 12 期 Control Engineering of China Vol. 24, No. 12 文章编号 ： 1671-7848(2017)12-2435-08 DOI: 10.14107/ki.kzgc.150957 基于 PCA 的卷烟制丝过程监测与故障诊断 王伟1,2，赵春晖2(1. 浙江中烟工业有限责任公司，杭州 310024； 2. 浙江大学 工业控制技术国家重点实验室，杭州 310027) 摘 要： 针对卷烟制丝过程由于多批次、 数据不等长和产品多样性而导致的无法准确监测、诊断故障的问题，提出一种基于主

2、元分析的监测与故障诊断方法。首先，通过制丝过程特性分析，将批次、时间和属性的三维数据按照属性展开成二维数据；其次，采用主元分析方法分别建立 3 个工段的监测模型，离线计算 T2、 SPE 控制限；然后，分别采集 3 个工段的运行数据，根据产品牌号调用对应的监测模型在线计算 T2、 SPE 统计量；最后，当任一统计量指标超出控制限时， 采用贡献图进行故障诊断。 基于实际运行数据的离线验证表明，该方法能够准确检测故障的发生并确定引起故障的原因变量。 关键词： 卷烟制丝过程；多批次；三维数据；主元分析；监测模型；故障诊断 中图分类号： TP18 文献标识码： A Monitoring and Fau

3、lt Diagnosis of Tobacco Primary Processing Using Principal Component Analysis WANG Wei1,2, ZHAO Chun-hui2 (1. China Tobacco Zhejiang Industrial Company Limited, Hangzhou 310024, China; 2. State Key Laboratory of Industrial Control Technology, Zhejiang University, Hangzhou 310027, China) Abstract: In

4、 view of multi-batch, unequal-length data, product diversity of tobacco primary processing and difficulties in accurate monitoring and diagnosing faults, this paper presents a monitoring and fault diagnosis method based on principal component analysis. Firstly, on the basis of the characteristic ana

5、lysis of tobacco primary processing, the three-dimensional data with batch, time and property is expanded into two-dimensional data by employing property expansion. Secondly, the monitoring models for three sections are established respectively using principal component analysis, and the T2and SPE c

6、ontrol limits are calculated off-line. Thirdly, the T2and SPE statistics are on-line calculated by utilizing the same product grade monitoring model with the current collecting data. Finally, when there is any statistic index beyond the control limit, the fault is diagnosed using the contribution pl

7、ot. Off-line testing results based on actual operation data show that the proposed method can more accurately detect the fault and determine the causal variable. Key words: Tobacco primary processing; multi-batch; three-dimensional data; principal component analysis; monitoring model; fault diagnosi

8、s 1 引 言 在保证产品质量的前提下，有效提升设备的智能化水平和高效运行能力成为卷烟工厂关注的焦点。卷烟工厂设备的智能化水平和高效运行能力与其自动化程度密不可分，设备状态的监测和故障诊断技术是提升智能化水平、保证高效运行能力的重要手段。目前，针对卷烟制丝过程设备状态的监测和故障诊断主要以连续过程单变量统计过程控制方法为基础，利用彩虹图和过程能力指数对处于高温高湿条件的设备状态进行监测1-8， 再根据操作人员经验或神经网络9进行故障诊断。上述研究更多是采用单变量统计过程控制方法对某一产品牌号同一批次内的过程特性进行分析，仅仅局限于单一时间轴的研究。由于对各过程变量独立进行监测，无法监测和诊断过

9、程变量之间的复杂关联关系变化；同收稿日期： 2015-10-10；修回日期： 2016-01-29 基金项目 ：国家自然科学基金项目（ 61422306、 61433005） ；浙江省博士后科研项目择优资助项目（ BSH1502045） 作者简介 ： 王伟 (1982-)， 男， 山西运城人， 博士， 工程师， 主要从事智能建模、 运行优化和故障诊断的研究工作； 赵春晖 (1979-)，女，山东莱州人，教授，博士生导师，主要从事过程监测、故障诊断和质量预测等方面的教学与科研工作。 万方数据2436 控 制 工 程 第 24 卷 时，没有考虑卷烟制丝过程属于连续制造批次过程的本质特性， 缺乏对批

10、次轴上动态信息的有效分析，不能准确揭示不同产品牌号以及不同生产批次间各种过程变量的动态性，使得已有监测和诊断方法结果的可靠性和准确性有待提高。 以主元分析（ Principal Component Analysis, 简称 PCA）为核心的多元统计分析方法，因只需要正常工况下的过程数据来建立监测模型，当判断故障发生时采用贡献图确定引起故障的过程变量，同时它们在处理高维、 高度耦合数据时具有独特的优势，在石油化工10-11、钢铁制造12-13、有色冶金14-15、火力发电16-17、发酵生产18-19、注塑封装20-21、半导体生产22-23等工业过程监测和故障诊断领域得到了越来越多的应用。借鉴

11、主元分析方法在间歇过程的已有研究成果，结合卷烟制丝过程的运行特性，深入分析批次轴上的有效信息，提出一种基于主元分析的多批次卷烟制丝过程监测与故障诊断方法，并基于实际运行数据验证该方法的有效性。 2 变量选取和数据处理 2.1 过程变量选取 卷烟制丝过程属于典型的流程制造批次过程，既具有批量产品生产的特点， 又具有多个生产批次、产品频繁变化的特点。卷烟制丝过程主要由片烟预处理段、 制叶丝段和掺配加香段 3 个操作工段组成，上述 3 个工段决定了成品烟丝的质量，是制丝过程监测和故障诊断的关注重点。 制丝过程片烟预处理段的关键设备为松散回潮和一次加料设备， 包含的 31 个过程变量及其工程单位，见表

12、 1。 表 1 片烟预处理段的过程变量 Tab. 1 Process variables of the strip pretreatment section 变量描述 单位 变量描述 单位 变量描述 单位 片烟流量 kg/h 分切片数 片 一次筒体转速 l/min 松散前端加水流量 l/h 松散新风温度 C 一次筒体温度 C 松散蒸汽质量流量 kg/h 松散蒸汽体积流量 m3/h 一次前端蒸汽温度 C 松散排潮负压 mbar 松散阀前蒸汽温度 C 一次前端蒸汽薄膜阀开度 % 松散热风温度 C 松散阀前蒸汽压力 bar 一次前端阀前蒸汽压力 Bar 松散热风风门开度 % 松散出口水分 % 一次前

13、端蒸汽体积流量 m3/h 松散滚筒转速 l/min 松散出口温度 C 一次前端蒸汽质量流量 kg/h 松散新风风门开度 % 一次液料流量 kg/h 一次出口水分 % 松散新风蒸汽阀门开度 % 一次烟叶流量 kg/h 一次出口温度 C 松散热风蒸汽阀门开度 % 一次加料瞬时精度 % 松散蒸汽薄膜阀开度 % 一次加料瞬时比例 制叶丝段的关键设备为 Sirox 增温增湿和 KLD薄板烘丝设备， 包含的 23个过程变量及其工程单位，见表 2。 表 2 制叶丝段的过程变量 Tab. 2 Process variables of the cut tobacco preparation section 变量

14、描述 单位 变量描述 单位 变量描述 单位 烘前叶丝流量 kg/h KLD 排潮风门开度 % KLD 热风温度 C 烘前水分 % KLD 总蒸汽压力 bar KLD 热风风速 m/s Sirox 阀前蒸汽压力 bar 1 区蒸汽压力 bar KLD 除水量 l/h Sirox 蒸汽薄膜阀开度 % 1 区筒壁温度 C KLD 烘后水分 % Sirox 蒸汽体积流量 m3/h 2 区蒸汽压力 bar KLD 烘后温度 C Sirox 蒸汽质量流量 kg/h 2 区筒壁温度 C 冷却水分 % Sirox 后温度 C 1 区冷凝水温度 C 冷却温度 C KLD 排潮负压 bar 2 区冷凝水温度 C

15、掺配加香段的关键设备为叶丝掺配和加香设 备 ，包含的 27 个过程变量及其工程单位，见表 3。 万方数据第 12 期 王伟等：基于 PCA 的卷烟制丝过程监测与故障诊断 2437 表 3 掺配加香段的过程变量 Tab. 3 Process variables of the blending and flavoring section 变量描述 单位 变量描述 单位 变量描述 单位 叶丝秤 A 瞬时精度 % 梗丝秤 A 瞬时流量 kg/h 加香机加香香精瞬时流量 kg/h 叶丝秤 A 瞬时流量 kg/h 梗丝秤 B 瞬时精度 % 加香机前秤瞬时流量 kg/h 叶丝秤 B 瞬时精度 % 梗丝秤 B

16、 瞬时流量 kg/h 加香机排潮电机电流 A 叶丝秤 B 瞬时流量 kg/h 残丝秤瞬时精度 % 加香机筒体电机电流 A 叶丝秤 C 瞬时精度 % 残丝秤瞬时流量 kg/h 加香机筒体电机实际频率 Hz 叶丝秤 C 瞬时流量 kg/h 薄丝秤 A 瞬时精度 % 加香机加料泵电机电流 A 膨丝秤瞬时精度 % 薄丝秤 A 瞬时流量 kg/h 加香机加料泵电机实际频率 Hz 膨丝秤瞬时流量 kg/h 薄丝秤 B 瞬时精度 % 加香机加香瞬时精度 % 梗丝秤 A 瞬时精度 % 薄丝秤 B 瞬时流量 kg/h 加香机出口水分 % 2.2 三维数据处理 在某一工段中，针对某一产品牌号的一个生产批次操作过程

17、具有 K个采样点和 J个测量变量，则该生产批次可以得到一个二维数据矩阵，对该产品牌号重复 I个生产批次后， 获得的数据可以表述为一个三维数据矩阵。杭州卷烟厂制丝管理系统中过程变量每 10 s采样一次，为克服测量噪声的影响同时与当前制丝管理系统彩虹图监测数据的更新频率保持一致， 采用平滑滤波方法对连续 6个采样数据做算数平均以得到一个有效数据，获得三维过程变量数据矩阵()iI JKX，由于每个生产批次操作时间不确定造成批次间采样数据不等长， 第 i个批次采样点为iK，如图 1所示。 图 1 卷烟制丝过程三维不等长数据 Fig. 1 Three-dimensional and unequal-le

18、ngth data of tobacco primary processing 通过片烟预处理段、制叶丝段和掺配加香段运行数据的分析发现，同一批次内只存在一个稳定工况，说明变量间的相互关系具有相同的过程特征，同时考虑数据不等长的特点，采用属性展开方式将三维矩阵()iI JKX展开成二维矩阵()iIKJX，如图 2所示。 设二维矩阵内任意一点的变量为,ik jx，对该变量进行减均值、除标准差的数据标准化预处理，其中，下标 i代表批次、 j代表变量、 k代表采样点。标 准化后的数据突出过程变量测量值在时间方向上的变化，由于同一批次内只存在一个稳定工况，因此该均值和方差代表了过程运行的平均水平和波动

19、程度。标准化处理的计算公式为 ,1, , ; 1, ,ik j jik j ijxxx ik IK j Js-=(1) 2,11, ( )1iiIK IKj ikj j ikj jik ikx xs xxIK IK=- (2) 图 2 按照属性展开后的二维数据分析单元 Fig. 2 Two-dimensional data analysis unit using property expansion 3 基于多模型的监测与故障诊断 PCA监测建模方法要求用来建模的正常过程数据必须来自于单一的生产操作范围（即一个稳定工况内） 。 根据卷烟制丝过程的工艺流程， 片烟预处理段、制叶丝段和掺配加香段生

20、产过程相对独立，每段拥有各自的产品牌号，同时对于某一产品牌号的一个生产批次而言，除去料头和料尾的干扰，在物料的整个中间处理过程只存在一个稳定工况，因此可以基于三维数据的属性展开采用 PCA方法为每个工段分别建立监测模型。 万方数据2438 控 制 工 程 第 24 卷 3.1 监测建模 经过三维数据的属性展开后获得二维建模数据()iIKJX，利用下式进行 PCA分解： TT1Jrrr=X TP t p(3) 式中，rt为(1)iIK 维的正交主元向量；rp为 (J1)维的正交归一化负载向量； r为不同的 PCA分解方向； T为保留全部主元的()iIKJ维得分矩阵； P为对应的 (JJ )维负载

21、矩阵。 12,J 为建模数据()iIKJX的协方差矩阵TX X的全部特征值，保留原始数据空间中90 %以上的波动信息，则 PCA模型中保留的主元个数 A可以通过下属公式计算得到： 1190 %AjjJjj=(4) PCA分解的计算公式可重新表述成如下形式： TT1AAA aaa=+= +X TP E tp E(5) 式中， a为不同的 PCA分解方向；AT为保留 A个主元后的()iIKA维得分矩阵；AP为保留 A个主元后的()J A维负载矩阵； E为残差矩阵；at为(1)iIK 维得分向量；ap为 (J1)维负载向量。 通过上述变换，将原始数据空间分解为主元空间和残差空间，主元空间内代表主要的

22、过程波动信息，这里所保留的主元个数 A能够反映原过程中90 %的过程波动信息。 基于各个 PCA监测模型的正常批次建模数据，离线计算 T2、 SPE统计量以及对应的控制限，其中，T2统计量指标刻画了每个主成分在变化趋势和幅值上偏离模型的程度， SPE统计量指标刻画了输入变量的测量值对主元模型的偏离程度。 T2统计量的计算公式为 21T1, ,ik ik ik iTikIK-=tSt (6) 式中，ik ik A=txP为 (1A)维的主元得分向量，对角矩阵1(, , )Adiag =S 是由建模数据()iIKJX的协方差矩阵TX X的前 A个特征值所构成。 T2统计量控制限可利用 F分布采用下

23、式计算： 2(1)=(,)iiTiAIKctr F A IK AIK A-(7) 式中， A为保留的主元个数，iIK为样本数； 为置信度，(, )iF AIK A-是对应于检验水平为 ，自由度为 A，iIKA-条件下的 F分布临界值。 SPE统计量的计算公式为 T21SPE ( ) 1,2, ,Jik ik ik ikj ikj ijx xik IK=- =ee (8) 式中，Tik ik A A=xxPP为重构得到的 (1J )维估计向量；ike为ikx与重构 ikx的偏差向量。 SPE统计量控制限可利用2分布采用下式计算： 2SPE ,hctr g(9) 式中，2g vn=、22hnv=；

24、 n、 v分别为 SPE统计量的均值和方差。 3.2 在线监测 在线监测时，分别采集当前时刻片烟预处理段、制叶丝段和掺配加香段的过程变量数据，利用对应工段相同产品牌号的监测模型在线计算监测统计量。设在某一工段中，经过平滑滤波后当前时刻的新数据为(1 )newJx， 根据当前产品牌号调用相同牌号建模数据的均值和标准差进行标准化预处理得到newx。在线计算数据newx对应的2newT和SPEnew统计指标，将其相应控制限进行比较，判断是否发生故障。 2newT监测统计量计算公式如下： new new At=xP(10) 2,21T1Anew anew new newaatT-=tSt(11) 式中

25、，AP为该工段中对应产品牌号监测模型的 (JA)维负载矩阵；1(, , )Adiag =S 为对应产品牌号监测模型前 A个特征值所构成的 (AA)维对角矩阵。 SPEnew监测统计量计算公式如下： TTnew new A new A Ax=tP=xPP(12) Tnew new new new A Ae=x-x=x(I-PP)(13) T2,1SPE ( )Jnew new new new j new jj= -ee x x(14) 式中， newx为重构得到的 (1J )维估计向量；newe为newx与重构 newx的偏差向量。 将上述2newT和SPEnew监测统计量计算值与对应产品牌号监

26、测模型的控制限进行比较： 22SPESPEnewTnewTctrctr (15) 如果 2 个监测统计量都位于控制限内，表明制丝过程相应工段处于正常状态，否则表明相应工段的生产设备出现故障。 3.3 故障诊断 当某一工段生产设备出现故障时，计算各个过程变量对超限统计量的贡献值，确定引起故障的主要过程变量。当2newT监测统计量超出控制限时，第 a个主成分得分变量,new at对2newT的贡献率为 万方数据第 12 期 王伟等：基于主元分析的多批次卷烟制丝过程监测与故障诊断 2439 2,2,2,(1,)new new anew aaTtnewtCaAT=(16) 式中，a为对应产品牌号监测模

27、型的第 a个特征值。 过程变量,new jx对,new at的贡献率可计算如下： ,( 1,; 1,)new a new jnew j a jtxnew axpCaAjJt=(17) 式中，,ajp为对应产品牌号监测模型的第 a个负载向量的第 j个变量。 当SPEnew监测统计量超出控制限时，过程变量,new jx对SPEnew的贡献率可以计算如下： ,2,SPE , , ,()sign( )SPEnew new jnew j new jx new j new jnewxxCxx-=-(18) 式中，,new jx为重构估计向量 newx的第 j个变量，,sign( )new j new jx

28、x-为残差的正负信息。 4 数据验证与结果分析 4.1 片烟预处理段在线监测与故障诊断 选取利群软长嘴叶片牌号下 29 个批次的片烟预处理段运行数据，通过平滑滤波获得三维过程变量数据 (29 31 )iKX ， 通过三维数据属性展开和标准化预处理获得二维建模数据 X(2 65631)。 采用主元分析方法建立片烟预处理段 PCA 监测模型， 监测模型仅需要 13 个主元 (即 A=13)便可解释 90 %的波动信息，统计控制限的置信度 =0.99， T2统计量的控制限为 27.912 4， SPE 统计量的控制限为 7.603 1。 选取利群软长嘴叶片产品牌号下的 9 个正常批次过程运行数据作为

29、测试数据 (9 31 )iKX ，通过三维数据属性展开和标准化预处理获得二维测试数据 (813 31)X ，测试数据的 T2和 SPE 过程监测结果，如图 3 所示。 图 3 正常批次的过程监测图 Fig. 3 Process monitoring plot for normal batches 引入首次故障报警时间，定义为连续 5 个监测统计量超过对应控制限的采样时刻。从图 3 可知，在 2 个监测子空间中有个别样本点的监测统计量超出控制限，根据首次异常报警的定义，两个监测统计量均未发生故障报警，说明所提方法可以准确监测片烟预处理段的正常工况。作为比较，重新选取2 个正常批次过程运行数据，

30、在第 51 个样本点的时候，令松散新风温度的值阶跃性增长 35 %，一直持续到第 90 个样本点的时候恢复正常， T2和 SPE 过程监测结果，如图 4 所示。 图 4 松散新风温度故障的过程监测图 Fig. 4 Process monitoring plot for fresh air temperature fault of loosening equipment 从图 4 可知，首次故障报警发生在第 66 个采样时刻，即模型延后 150 s 准确检测出故障的发生，说明该方法可以有效检测片烟预处理段的故障工况。 第 66 个采样时刻， 松散新风温度故障下各个变量对 T2和 SPE 的贡献率

31、，如图 5 所示。 图 5 第 66 采样时刻，松散新风温度故障的变量贡献图 Fig. 5 Contribution plot in 66th transition sample for fresh air temperature fault of loosening equipment 从图 5 可以看出，对故障贡献较大的为 13 号变量，对应为松散新风温度，与实际情况相符，说明所提方法可以准确判断引起片烟预处理段故障工况的原因变量。 4.2 制叶丝段在线监测与故障诊断 选取利群软长嘴叶丝牌号下 28 个批次的制叶丝段运行数据，通过平滑滤波获得三维过程变量数据 (28 23 )iK X ，

32、通过三维数据属性展开和标准化万方数据2440 控 制 工 程 第 24 卷 预处理获得二维建模数据 X(2 667 23)。采用主元分析方法建立制叶丝段 PCA 监测模型， 监测模型仅需要 10 个主元（即 A=10）便可解释 90 %的波动信息，控制限的置信度 0.99 = ， T2统计量的控制限为 23.362 8， SPE 统计量的控制限为 8.423 2。 选取利群软长嘴叶丝牌号下的 10 个正常批次过程运行数据作为测试数据 (10 23 )iKX ， 通过三维数据属性展开和标准化预处理获得二维测试数据X(1 007 23)， 测试数据的 T2和 SPE 过程监测结果，如图 6 所示。

33、 图 6 正常批次的过程监测图 Fig. 6 Process monitoring plot for normal batches 从图 6 可知，在 2 个监测子空间中有个别样本点的监测统计量超出控制限，根据首次异常报警的定义，两个监测统计量均未发生故障报警，说明所提方法可以准确监测制叶丝段的正常工况。作为比较，重新选取 2 个正常批次过程运行数据，在第 41个样本点的时候，令 1 区筒壁温度的值跃性增长10 %， 一直持续到第 100 个样本点的时候恢复正常，T2和 SPE 过程监测结果，如图 7 所示。 图 7 1 区筒壁温度故障的过程监测图 Fig. 7 Process monitor

34、ing plot for front region cylinder wall temperature fault of KLD equipment 从图 7 可知，首次故障报警发生在第 45 个采样时刻，即模型延后 40 s 准确检测出故障的发生，说明该方法可以有效检测制叶丝段的故障工况。第45 个采样时刻， 1 区筒壁温度故障下各个变量对 T2和 SPE 的贡献率，如图 8 所示。 图 8 第 45 采样时刻， 1 区筒壁温度故障的变量贡献图 Fig. 8 Contribution plot in 45th transition sample for front region cylind

35、er wall temperature fault of KLD equipment 从图 8 可以看出，对故障贡献较大的为 12 号变量，对应为 1 区筒壁温度，与实际情况相符，说明所提方法可以准确判断引起制叶丝段故障工况的原因变量。 4.3 掺配加香段在线监测与故障诊断 选取利群新版烟丝牌号下 30 个批次的掺配加香段运行数据，通过平滑滤波获得三维过程变量数据 (30 27 )iK X ， 按照属性展开方式可获得二维建模数据矩阵 X(1 943 27)。采用主元分析方法建立掺配加香段 PCA 监测模型，监测模型仅需要 10 个主元（即 A=10）便可解释 90 %的波动信息，统计控制限的置

36、信度 =0.99， T2统计量的控制限为23.421 2， SPE 统计量的控制限为 5.157 2。 选取利群新版烟丝牌号下的 15 个正常批次过程运行数据作为测试数据 (15 27 )iKX ， 通过三维数据属性展开和标准化预处理获得二维测试数据X(952 27)，测试数据的 T2和 SPE 过程监测结果，如图 9 所示。 图 9 正常批次的过程监测图 Fig. 9 Process monitoring plot for normal batches 从图 9 可知，在 2 个监测子空间中有个别样本点的监测统计量超出控制限，根据首次异常报警的万方数据第 12 期 王伟等：基于主元分析的多批

37、次卷烟制丝过程监测与故障诊断 2441 定义， 2 个监测统计量均未发生故障报警，说明所提方法可准确监测掺配加香段的正常工况。作为比较， 重新选取 4 个正常批次过程运行数据， 在第 101个样本点的时候，令加香机筒体电机电流的值阶跃性增长 25 %， 一直持续到第 200 个样本点的时候恢复正常， T2和 SPE 过程监测结果，如图 10 所示。 图 10 加香机筒体电机电流故障的过程监测图 Fig. 10 Process monitoring plot for cylinder motor current fault of flavoring equipment 从图 10 可知，首次故障

38、报警发生在第 105 个采样时刻， 即模型延后 40 s 准确检测出故障的发生，说明该方法可以有效检测掺配加香段的故障工况。第 105 个采样时刻，加香机筒体电机电流故障下各个变量对 T2和 SPE 的贡献率，如图 11 所示。 图 11 第 105 采样时刻， 加香机筒体电机电流故障的变量贡献图 Fig. 11 Contribution plot in 105th transition sample for cylinder motor current fault of flavoring equipment 从图 11 可以看出，对故障贡献较大的为 22 号变量，对应为加香机筒体电机电流，

39、与实际情况相符，说明所提方法可以准确判断引起掺配加香段故障工况的原因变量。 5 结 论 本文将三维数据分析方法引入卷烟制丝过程监测与故障诊断，基于片烟预处理段、制叶丝段和掺配加香段的过程特性分析，采用属性展开实现批次、时间、属性的三维数据向二维数据的转换，采用主元分析方法分别建立 3 个工段的 PCA 监测模型，通过 T2、 SPE 2 个统计量的实时计算实现过程的在线监测，统计量超限时利用贡献图追溯引起故障的原因变量。相对单变量统计过程控制方法，本文所提方法能更加深入地揭示批次间动态性以及过程变量之间关联关系变化，基于实际运行数据的离线验证表明，该方法实现了对卷烟制丝过程的有效监测，能及时发

40、现故障并确定引起故障的原因变量。 参考文献 (References) 1 Mishra B, Dangayach G S. Performance Improvement Through Statistical Process Control: a Longitudinal StudyJ. International Journal of Globalisation and Small Business, 2009, 3(1): 55-72. 2 张敏 , 童亿刚 , 戴志渊 , 等 . SPC技术在制丝质量管理中的初步应用 J. 烟草科技 , 2004, (9): 10-11. Zhang

41、M, Tong Y G, Dai Z Y, et al. Preliminary Application of Statistical Process Control in Quality Management of Primary ProcessingJ. Tobacco Science & Technology, 2004, (9): 10-11. 3 黄胜 , 李建辉 , 张永川 . 长沙卷烟厂 SPC系统的应用实践 J. 中国烟草学报 , 2008, 14(S1): 14-17. Huang S, Li J H, Zhang Y C. Application of SPC System

42、 in Changsha Cigarette FactoryJ. Acta Tabacaria Sinica, 2008, 14(S1): 14-17. 4 李文泉 , 赵文田 , 李文斌 . 统计过程控制技术 SPC在烟草制丝生产中的应用 J. 机械工程与自动化 , 2009, (5): 116-118. Li W Q, Zhao W T, Li W B. Application of Statistical Process Control in Primary Processing of TobaccoJ. Mechanical Engineering & Automation, 2009

43、, (5): 116-118. 5 罗江 , 刘强斌 . SPC系统在卷烟工业企业质量管理中的应用实践 J. 产业经济 , 2011, (3): 67-72. Luo J, Liu Q B. Application of SPC System in Cigarette Industry Enterprise Quality ManagementJ. Industrial Economy, 2011, (3): 67-72. 6 李铁军 , 杨得强 , 李强 . SPC系统在卷烟制丝工艺质量控制的应用J. 中国质量 , 2013, (4): 87-88. Li T J, Yang D Q, Li

44、 Q. Application of SPC System in Technical Quality Control of Primary ProcessingJ. China Quality, 2013, (4): 87-88. 7 朱敏 , 王培琛 , 张学礼 , 等 . 基于统计过程控制的卷烟品控系统 J. PLC & FA, 2014, (3): 58-62. Zhu M, Wang P C, Zhang X L, et al. Design and Implementation of Production Quality Control System in Tobacco Enter

45、prises Based on SPCJ. PLC & FA, 2014, (3): 58-62. 8 钱杰 , 徐进 , 季琦 , 等 . 制造执行系统在烟草企业中的应用 J. 机械制造与自动化 , 2014, 43(2): 147-149. Qian J, Xu J, Ji Q, et al. The Research on Manufacturing Execution System in the Tobacco Industry and Its ApplicationJ. Machine Building & Automation, 2014, 43(2): 147-149. 9 纪盛

46、强 , 程晶晶 , 李郡 . 基于 SPC和神经网络的卷烟制丝生产质量监控方法研究 J. 工业控制计算机 , 2011, 24(12): 65-68. Ji S Q, Cheng J J, Li J. Quality Control for Cigarette Primary Process Based on SPC and Neural NetworkJ. Industrial Control Computer, 2011, 24(12): 65-68. 10 Zhang Y W, Zhou H, Qin S J. Decentralized Fault Diagnosis of Large

47、-scale Processes Using Multiblock Kernel Principal Component AnalysisJ. ACTA AUTOMATICA SINCA, 2010, 36(4): 593-597. 11 Zhou D H, Li G, Qin S J. Total Projection to Latent Structures for Process MonitoringJ. AIChE Journal, 2010, 56(1): 168-177. 万方数据2442 控 制 工 程 第 24 卷 12 Zhang Y, Dudzic M S. Online Monitoring of Steel Casting Processes Using Multivariate Statistical Technologies: from Continuous to Transitional OperationsJ. Journal of Process Control, 2006, 1