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，王小明，楊志強(qiáng)，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(qiáng)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(zé)任公司，鄭州 450000；2.河南工程學(xué)院 管理工程學(xué)院，鄭州 451191；3.鄭州大學(xué)商學(xué)院，鄭州 450001；4.河南中心線電子科技有限公司，鄭州 450004）

針對(duì)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(jī)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(duì)卷接過程潛在失效模式進(jìn)行識(shí)別和措施優(yōu)先級(jí)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(hào)。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(shí)際生產(chǎn)數(shù)據(jù)對(duì)所提方法的性能進(jìn)行驗(yàn)證。對(duì)7種不同失效模式的識(shí)別，文中所提方法的總體平均識(shí)別精度達(dá)到93.53%，在識(shí)別準(zhǔn)確性和識(shí)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(jī)

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(jìn)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(yùn)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(shí)現(xiàn)自動(dòng)化和智能化[2]。然而，由于卷接工藝復(fù)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(dǎo)致卷接機(jī)組停機(jī)和成本損失時(shí)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(zhǔn)確地檢測過程運(yùn)行狀態(tài)、智能地診斷過程故障，對(duì)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(duì)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(duì)卷煙生產(chǎn)進(jìn)行過程分析，針對(duì)風(fēng)險(xiǎn)優(yōu)先級(jí)高的失效模式進(jìn)行風(fēng)險(xiǎn)預(yù)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(duì)卷接過程中的質(zhì)量風(fēng)險(xiǎn)因素進(jìn)行識(shí)別，設(shè)計(jì)出卷接過程穩(wěn)態(tài)判定準(zhǔn)則，并利用細(xì)支煙卷接過程實(shí)際數(shù)據(jù)驗(yàn)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(yù)防措施，但是很難直接應(yīng)用到卷接過程的實(shí)時(shí)質(zhì)量檢測中，而卷接過程運(yùn)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(jìn)而造成嚴(yán)重的質(zhì)量損失[5]。為了進(jìn)一步提高卷接過程質(zhì)量檢測的自動(dòng)化和智能化水平，余清等[6]利用支持向量機(jī)（Support Vector Machine, SVM）算法構(gòu)建了一種卷接機(jī)的軸承故障診斷方法，利用SVM對(duì)卷接機(jī)軸承故障數(shù)據(jù)進(jìn)行智能學(xué)習(xí)，實(shí)現(xiàn)了卷接過程質(zhì)量異常的快速診斷和自動(dòng)識(shí)別。支持向量機(jī)是一種能夠處理小樣本、非線性問題的機(jī)器學(xué)習(xí)算法，與其他基于經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化為目標(biāo)的傳統(tǒng)機(jī)器學(xué)習(xí)算法相比，基于統(tǒng)計(jì)學(xué)習(xí)理論的SVM是以結(jié)構(gòu)風(fēng)險(xiǎn)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(shí)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(jī)（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(duì)卷接過程潛在失效模式進(jìn)行識(shí)別；然后，對(duì)每個(gè)失效模式的發(fā)生度（Occurrence,）、嚴(yán)重度（Severity,）和不可探測度（Detectability,）進(jìn)行判定，按照新版FMEA手冊中措施優(yōu)先級(jí)（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(duì)關(guān)鍵失效模式進(jìn)行分析，得到主要特征信號(hào)；最后，將識(shí)別出的特征信號(hào)作為SVM診斷模型的輸入信號(hào)，訓(xùn)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(shí)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(jī)都會(huì)自動(dòng)識(shí)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(gè)，分別為吸絲風(fēng)速及煙絲喂入量不準(zhǔn)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(biāo)、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(píng)估

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

老版FMEA手冊使用風(fēng)險(xiǎn)優(yōu)先級(jí)（Risk Priority Number, RPN）評(píng)估失效模式的風(fēng)險(xiǎn)，雖然可以提供有關(guān)評(píng)級(jí)范圍的一些信息，但是由于、、對(duì)RPN值的貢獻(xiàn)相等，使得評(píng)估人員并不能確定是否需要采取更多措施[11]。同時(shí)，由于采用RPN值可能會(huì)對(duì)、和的不同組合產(chǎn)生類似的風(fēng)險(xiǎn)數(shù)，使團(tuán)隊(duì)無法確定如何進(jìn)行優(yōu)先級(jí)排序[12]，因此，文中采用新版FMEA手冊中的AP對(duì)失效模式進(jìn)行評(píng)估。為實(shí)現(xiàn)卷接生產(chǎn)過程的分級(jí)質(zhì)量管控，可以根據(jù)AP的大小將失效模式的等級(jí)劃分成3個(gè)級(jí)別，部分判定標(biāo)準(zhǔn)見表1。

在實(shí)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(shí)時(shí)監(jiān)控的管控辦法，對(duì)措施優(yōu)先級(jí)高的失效模式進(jìn)行實(shí)時(shí)監(jiān)控，能夠同時(shí)兼顧過程質(zhì)量和生產(chǎn)成本，因此，通過調(diào)取卷接機(jī)組3個(gè)月內(nèi)各個(gè)失效模式的歷史數(shù)據(jù)，對(duì)失效模式進(jìn)行風(fēng)險(xiǎn)評(píng)估，進(jìn)而完成PFMEA分析，得到7個(gè)高風(fēng)險(xiǎn)等級(jí)的失效模式，其分析結(jié)果見表2。

表1 FMEA的措施優(yōu)先級(jí)判定標(biāo)準(zhǔn)（部分）

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

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

表2 卷接機(jī)組PFMEA分析結(jié)果

Tab.2 PFMEA analysis results of rolling unit

1.3 特征信號(hào)提取

采用FMEA和關(guān)聯(lián)度分析方法對(duì)煙支卷接過程高措施優(yōu)先級(jí)的失效模式進(jìn)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(hào)，包括吸絲風(fēng)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(duì)煙支卷接過程存在的關(guān)鍵失效模式進(jìn)行識(shí)別、評(píng)判和特征提取，將歷史數(shù)據(jù)和專家經(jīng)驗(yàn)等先驗(yàn)信息轉(zhuǎn)換成能夠定量分析的特征檢測信號(hào)，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(xùn)練提供重要輸入信號(hào)[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(hào)

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(duì)卷接過程潛在失效模式進(jìn)行識(shí)別，對(duì)每個(gè)失效模式的發(fā)生度、嚴(yán)重度和不可探測度進(jìn)行判定得到AP值，并通過關(guān)聯(lián)度分析法對(duì)關(guān)鍵失效模式進(jìn)行分析，得到主要特征信號(hào)；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(shí)別模型；最后，將識(shí)別出的特征信號(hào)作為SVM診斷模型的輸入信號(hào)，將樣本數(shù)據(jù)分為訓(xùn)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(xùn)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(yàn)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(jī)連續(xù)6個(gè)月的運(yùn)行數(shù)據(jù)進(jìn)行測試。當(dāng)卷接生產(chǎn)過程發(fā)生異常時(shí)，卷接機(jī)會(huì)自動(dòng)剔除存在質(zhì)量缺陷的產(chǎn)品，并且記錄當(dāng)前生產(chǎn)過程的特征數(shù)據(jù)，包括吸絲風(fēng)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(hào)，并進(jìn)行整理作為樣本數(shù)據(jù)。針對(duì)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(shí)隨機(jī)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(jìn)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(shí)別模型的泛化能力，將每組樣本均分成訓(xùn)練樣本和測試樣本。當(dāng)模型訓(xùn)練精度達(dá)到既定標(biāo)準(zhǔn)（95%）后，使用測試樣本進(jìn)行監(jiān)測，得到的測試精度就是識(shí)別模型的性能。

圖2 質(zhì)量監(jiān)測與診斷流程

表4 識(shí)別模型的測試結(jié)果

Tab.4 Test results of the recognition model

由表4可知，針對(duì)7種不同失效模式的識(shí)別，所提方法的測試精度均超過90%，總體平均識(shí)別精度達(dá)到93.53%，識(shí)別準(zhǔn)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(shí)，除了煙支空頭模式的訓(xùn)練樣本數(shù)較多導(dǎo)致模型訓(xùn)練時(shí)間較長外，其他失效模式的識(shí)別模型訓(xùn)練時(shí)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(jìn)一步驗(yàn)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(jìn)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(duì)其參數(shù)進(jìn)行優(yōu)化[18]，分別將7種卷接過程關(guān)鍵失效模式所對(duì)應(yīng)的1 228組數(shù)據(jù)作為訓(xùn)練樣本，當(dāng)模型訓(xùn)練精度達(dá)到95%時(shí)，計(jì)算測試樣本的測試精度，對(duì)比測試精度的結(jié)果見圖3。

圖3 與BPNN和SVM診斷模型的對(duì)比結(jié)果

通過圖3中的對(duì)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(hào)，將人工經(jīng)驗(yàn)轉(zhuǎn)換成定量指標(biāo)，同時(shí)通過LS–SVM的分類模型可以更準(zhǔn)確地對(duì)7種失效模式數(shù)據(jù)進(jìn)行分類診斷。綜上，文中所提方法在準(zhǔn)確性和時(shí)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(duì)煙支卷接過程失效模式的分析，從眾多特征信號(hào)中識(shí)別出對(duì)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(shí)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(jī)生產(chǎn)過程數(shù)據(jù)為對(duì)象進(jìn)行試驗(yàn)，結(jié)果表明：針對(duì)7種不同失效模式的識(shí)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(shí)別精度達(dá)到93.53%，模型訓(xùn)練總時(shí)間為313 s，識(shí)別準(zhǔn)確性和識(shí)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(yàn)和專家知識(shí)轉(zhuǎn)換成過程監(jiān)測的特征信號(hào)，為實(shí)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(shí)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(xì)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(fēng)險(xiǎn)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(jī)組實(shí)時(shí)質(zhì)量風(fēng)險(xiǎn)識(shí)別方法[J]. 中國煙草學(xué)報(bào), 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(fēng)險(xiǎn)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(jī)組刀盤半軸機(jī)構(gòu)軸承故障識(shí)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(jī)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(jī)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(jìn)型FMEA方法[J]. 中國安全科學(xué)學(xué)報(bào), 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(jī)的故障診斷方法[J]. 華東理工大學(xué)學(xué)報(bào)(自然科學(xué)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(jìn)的支持向量機(jī)的文本分類算法[J]. 計(jì)算機(jī)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(jī)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(fēng)險(xiǎn)預(yù)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(xué)基金（71672209）；河南中煙工業(yè)有限責(zé)任公司科技項(xiàng)目（XC202036）

劉著文（1983—），男，工程師，主要研究方向?yàn)榫頍煿に嚒①|(zhì)量管理。

王海宇（1979—），男，博士，教授，主要研究方向?yàn)橘|(zhì)量工程。

責(zé)任編輯：曾鈺嬋