王 偉，王 金，謝俊明

1.張家口卷煙廠有限責(zé)任公司，河北省張家口市橋東區(qū)鉆石北路9號075000

2.中國煙草總公司職工進修學(xué)院，鄭州市金水區(qū)鑫苑路7號450008

ZB45包裝機組是目前國內(nèi)卷煙工業(yè)企業(yè)的主流硬盒包裝設(shè)備之一，其防護罩主要采用直動式安全聯(lián)鎖裝置，即通過行程開關(guān)將位移信號轉(zhuǎn)換為電信號，實現(xiàn)對防護罩位置的保護。ZB45機組的安全聯(lián)鎖裝置在電控系統(tǒng)的配合下具有電氣自診斷功能［1］，確保安全防護功能有效，但在設(shè)備維修保養(yǎng)以及安全聯(lián)鎖裝置出現(xiàn)機械故障等情況下，容易導(dǎo)致部分安全聯(lián)鎖裝置失效。而且ZB45機組不具備排空功能，生產(chǎn)結(jié)束時需要人工使CT條盒紙包裝機出口防護罩（簡稱CT出口防護罩）的安全聯(lián)鎖裝置失效才能進行收尾排空操作，存在安全隱患。因此，提高ZB45機組安全聯(lián)鎖裝置的有效性是日常安全管理的重點之一［2］。目前常用的管理方法主要是人工巡檢、安全點檢、安全培訓(xùn)等手段［3］，但存在人工巡檢效率低、及時性差、人為操作不規(guī)范等問題。針對此，常莎［4］對安全聯(lián)鎖裝置的失效原因進行了分析并提出了改進建議；刑建鋼［5］研究了不同因素影響下安全聯(lián)鎖裝置的失效定義與評價方法。隨著人工智能技術(shù)的發(fā)展［6］，采用技術(shù)防范手段進行安全預(yù)警已得到廣泛應(yīng)用。張建剛［7］提出了一種海上交通沖突自動預(yù)警方法；鞠興華等［8］構(gòu)建了基坑監(jiān)測的預(yù)警模型，并提出了基坑施工的安全預(yù)警方法；王佳宇等［9］將自動監(jiān)測與人工智能技術(shù)相結(jié)合，提出了一種草原蟲害預(yù)警方法。但應(yīng)用人工智能技術(shù)對ZB45機組生產(chǎn)過程進行安全管理的研究則鮮見報道。為此，以ZB45機組為研究對象，基于 非 線 性 支 持 向 量 機［10］（Non-Linear Support Vector Machine，簡稱Non-Linear SVM）算法建立預(yù)測模型，設(shè)計了安全聯(lián)鎖裝置失效預(yù)警系統(tǒng)，以期提高卷煙包裝設(shè)備運行安全性。

1 問題分析

ZB45包裝機組由YB45型硬盒包裝機（X2）、YB55型小盒透明紙包裝機（CH）、YB65型條盒包裝機（CT）、YB95型條盒透明紙包裝機（CV）共4部分組成。當(dāng)生產(chǎn)中出現(xiàn)設(shè)備故障、材料更換、維修保養(yǎng)等情況時，需要相關(guān)設(shè)備停機并打開防護罩進行處理。在此過程中，CT出口防護罩、CH右前防護罩等5個防護罩（位置見圖1），由于收尾排空操作、設(shè)備元件老化、操作頻繁等原因，其安全聯(lián)鎖裝置容易失效。ZB45機組的數(shù)據(jù)采集系統(tǒng)以監(jiān)聽的方式獲取MICRO-Ⅱ電控系統(tǒng)的通信數(shù)據(jù)包并完成數(shù)據(jù)存儲［11-12］，但通常只采集設(shè)備產(chǎn)量、不合格品剔除量等信息，對于設(shè)備運行過程中的特征數(shù)據(jù)記錄不完整，因此無法利用這些模糊數(shù)據(jù)與模糊邏輯［13］建立數(shù)學(xué)模型進行安全聯(lián)鎖裝置失效預(yù)警。

圖1 ZB45包裝機組關(guān)鍵防護罩位置示意圖Fig.1 Locations of key protective covers in ZB45 packing line

2 系統(tǒng)設(shè)計

2.1 系統(tǒng)結(jié)構(gòu)

預(yù)警系統(tǒng)按層次結(jié)構(gòu)劃分為數(shù)據(jù)層、數(shù)據(jù)訪問層、業(yè)務(wù)邏輯層、展示層共4層，見圖2。信息系統(tǒng)采用PHP語言進行WEB服務(wù)端的開發(fā)；經(jīng)過特征選擇與篩選的數(shù)據(jù)集訓(xùn)練得到預(yù)測模型，并導(dǎo)出模型文件以提供給信息系統(tǒng)調(diào)用，預(yù)測模型采用Python語言在Jupyter Notebook編輯器下編程設(shè)計；通過數(shù)采系統(tǒng)采集實時特征數(shù)據(jù)（設(shè)備停機原因、防護罩開合紅色信息等）存入Oracle數(shù)據(jù)庫中；通過信息系統(tǒng)程序完成實時數(shù)據(jù)交互、Python子程序調(diào)用、預(yù)警顯示和記錄等任務(wù)，并將數(shù)據(jù)存入MySQL數(shù)據(jù)庫中。

圖2 預(yù)警系統(tǒng)層次結(jié)構(gòu)示意圖Fig.2 Hierarchical structure of early warning system

根據(jù)系統(tǒng)層次結(jié)構(gòu)設(shè)計的預(yù)警功能包括預(yù)測模型與信息系統(tǒng)兩部分內(nèi)容，見圖3。其中，預(yù)測判定每3 min執(zhí)行一次，預(yù)測結(jié)果存入信息系統(tǒng)數(shù)據(jù)庫的流水表中；根據(jù)預(yù)警結(jié)果動態(tài)刷新預(yù)警概要界面，展示模式有預(yù)警匯總表和3D動畫兩種形式；由相關(guān)責(zé)任人進行預(yù)警確認操作。

圖3 預(yù)警系統(tǒng)功能流程圖Fig.3 Function flow chart of early warning system

2.2 數(shù)采系統(tǒng)的改進

為建立預(yù)測模型，在特征構(gòu)建階段需要對電控系統(tǒng)進行分析，得到與防護罩有關(guān)聯(lián)的設(shè)備產(chǎn)量、剔除量、相關(guān)停機原因以及非停機原因的防護罩開合紅色信息（簡稱防護罩紅色信息）4類實時數(shù)據(jù)。由于原數(shù)采系統(tǒng)無法采集非停機原因的防護罩紅色信息，對其進行了改進。由圖4可見，改進后增加了非停機原因防護罩紅色信息，并將其作為模型訓(xùn)練與預(yù)測的關(guān)鍵特征。

圖4 改進后數(shù)據(jù)采集系統(tǒng)流程圖Fig.4 Flow chart of rebuilt data acquisition system

2.3 預(yù)測模型的特征選擇

以CT出口防護罩安全聯(lián)鎖裝置失效預(yù)測模型為例，基于128組數(shù)據(jù)（取樣時間段為2020年10月—12月），建立4維（包括防護罩紅色信息、設(shè)備產(chǎn)量、剔除量、相關(guān)停機原因）特征數(shù)據(jù)集，并結(jié)合現(xiàn)場人工巡檢與維修狀況加入異常標(biāo)簽（正常為0，異常為1）。造成CT故障停機的原因主要包括：①第一提升器堵塞；②第二提升器堵塞；③CV透明紙丟失；④CV無透明紙；⑤CV拉帶用完；⑥CT上部折疊器堵塞；⑦CV透明紙展開堵塞。采用包裹式特征選擇中的遞歸式特征消除方法［14］（Recursive Feature Elimination，簡稱RFE），分別利用支持向量機（SVM）和邏輯回歸（Logistic Regression，簡稱LR）作為基分類器，步長為1，對數(shù)據(jù)集進行特征選擇，結(jié)果見表1。可知，兩種分類器的特征選擇輸出結(jié)果一致，均為True-False-False-True，即防護罩紅色信息與相關(guān)停機原因均為有效特征，表明在相關(guān)停機原因產(chǎn)生時需要操作防護罩，上述過程存在模糊邏輯關(guān)系。

表1 基于RFE方法的特征選擇結(jié)果Tab.1 Feature selection results based on RFE method

2.4 預(yù)測模型的建立

為進一步了解數(shù)據(jù)特征并建立合適的算法模型，對特征選擇后的數(shù)據(jù)集（防護罩紅色信息與相關(guān)停機原因）進行可視化分析，結(jié)果見圖5?？梢?，失效樣本（紅色）靠近圖5的左上方，正常樣本（藍色）靠近右下方。也有部分數(shù)據(jù)集中在（0，0）點附近，分界不清，原因是包裝設(shè)備運行狀態(tài)良好時，即CT停機次數(shù)接近0時，防護罩開合信息與停機信息較少，該部分數(shù)據(jù)不能用于模型訓(xùn)練。因此，在特征選擇中增加約束條件“CT相關(guān)停機次數(shù)大于3次”以篩除這部分數(shù)據(jù)，結(jié)果見圖6?？梢姡陬A(yù)測精度要求不高的情況下，可以采用線性分類模型，但在實際操作中難以總結(jié)出線性分類方法。

圖5 特征數(shù)據(jù)散點圖Fig.5 Feature data scatter diagram

圖6 增加條件約束后特征數(shù)據(jù)散點圖Fig.6 Feature data scatter diagram after adding constraints

為保證預(yù)測模型具有通用性且分類效果最佳，設(shè)計中選用了非線性分類方法。非線性支持向量機［15］是在線性支持向量機的基礎(chǔ)上，通過核函數(shù)完成向量空間映射，進而將非線性問題轉(zhuǎn)化為線性問題求解。為方便訓(xùn)練并評估模型性能，將特征選擇與條件約束后的最優(yōu)數(shù)據(jù)子集隨機按照7∶3的比例劃分為訓(xùn)練集與測試集，使用高斯內(nèi)核進行訓(xùn)練與測試，不同參數(shù)下預(yù)測模型準(zhǔn)確率見表2?？梢?，在不同參數(shù)下，訓(xùn)練集與測試集的預(yù)測模型準(zhǔn)確率發(fā)生變化，并且在所給參數(shù)下準(zhǔn)確率普遍較高。但是由于數(shù)據(jù)集樣本量較少，尤其是失效樣本較少，因此在保證預(yù)測模型準(zhǔn)確率的同時，還要考慮未知樣本的分類效果，即模型的泛化能力。

根據(jù)表2中數(shù)據(jù)可知，模型在懲罰系數(shù)C≥1 851，γ=0.001時訓(xùn)練集與測試集的準(zhǔn)確率均最高（100.0%），但懲罰系數(shù)C過大會出現(xiàn)過擬合［15］。為此，取C=1 851，分別與γ=0.1、0.001、0.000 1建立分類模型并進行對比，結(jié)果見圖7?？梢?，在C=1 851，γ=0.1時模型影響區(qū)域（即紅色區(qū)域）較小，出現(xiàn)過擬合現(xiàn)象，導(dǎo)致預(yù)測時泛化能力差；C=1 851，γ=0.001時得到的分類效果最優(yōu)；C=1 851，γ=0.000 1時模型接近線性，出現(xiàn)欠擬合現(xiàn)象，導(dǎo)致預(yù)測精度降低。故采用參數(shù)C=1 851，γ=0.001建立的模型分類效果最優(yōu)。

圖7 分類模型效果可視化圖Fig.7 Visualization diagram of classification model effects

表2 不同參數(shù)下預(yù)測模型的準(zhǔn)確率①Tab.2 Accuracy rate of prediction model with different parameters （%）

3 應(yīng)用效果

3.1 實驗設(shè)計

設(shè)備：ZB45硬盒包裝機組（上海煙草機械有限責(zé)任公司）；HL-8801型數(shù)采工控機（深圳華龍訊達信息技術(shù)股份有限公司）；數(shù)采服務(wù)器和預(yù)警系統(tǒng)服務(wù)器（X3850型服務(wù)器，聯(lián)想集團有限公司）。

方法：對改進后ZB45機組2021年3—7月共258班次的CT出口防護罩報警情況進行統(tǒng)計。①將HL-8801型數(shù)采工控機接入ZB45機組電控系統(tǒng)，將數(shù)據(jù)信息以套接字的方式發(fā)送到X3850型數(shù)采服務(wù)器，數(shù)據(jù)存儲間隔時間為30 s。②預(yù)警系統(tǒng)服務(wù)器每隔3 min從X3850型數(shù)采服務(wù)器中獲取實時特征數(shù)據(jù)，并調(diào)用預(yù)先訓(xùn)練好的分類模型進行預(yù)測，預(yù)測結(jié)果存儲于信息系統(tǒng)數(shù)據(jù)庫中。③按照每天生產(chǎn)兩班次（早班7∶00—15∶30，中班15∶30—23∶50）劃分預(yù)警時間，預(yù)警間隔為3 min，頁面刷新時間為5 s/次。④將班次內(nèi)產(chǎn)生的預(yù)警信息推送給安全員，由安全員根據(jù)人工巡檢和預(yù)測結(jié)果，對表3中4種情況［失效且報警（TP）、未失效報警（FP）、失效未報警（FN）、未失效未報警（TN）］進行統(tǒng)計，并分別計算兩種方式的預(yù)測精度、預(yù)測準(zhǔn)確率和查全率。

表3 預(yù)測結(jié)果分類Tab.3 Classification of prediction results

3.2 數(shù)據(jù)分析

由表4可知，預(yù)警系統(tǒng)的預(yù)測精度高于人工巡檢3.1百分點，表明利用預(yù)測模型發(fā)現(xiàn)的安全聯(lián)鎖裝置失效和未失效的正確率略高于人工巡檢；查全率高于人工巡檢47.4百分點，表明模型對于失效的發(fā)現(xiàn)能力遠高于人工巡檢；預(yù)測準(zhǔn)確率低于人工巡檢5.3百分點，表明模型的誤報率略高于人工巡檢。實驗中還發(fā)現(xiàn)安全聯(lián)鎖裝置失效大多是因為工作人員操作不規(guī)范，對其中典型的失效（TP+FN）進行分析，結(jié)果見表5?？芍?，對于組合特征中包含因故障原因?qū)е碌陌踩?lián)鎖裝置失效，系統(tǒng)預(yù)測效果較好，能夠滿足現(xiàn)場監(jiān)控要求，且實時性優(yōu)于人工巡檢；對于電控系統(tǒng)無法顯示的機械類故障，系統(tǒng)預(yù)測效果不理想。

表4 預(yù)警系統(tǒng)測試數(shù)據(jù)Tab.4 Test data of early warning system

表5 安全聯(lián)鎖裝置失效報警情況及失效原因分析①Tab.5 Malfunction warning state and malfunction cause analysis of safety interlock

4 結(jié)論

通過對ZB45包裝機組數(shù)采系統(tǒng)進行改進，確定了預(yù)測安全聯(lián)鎖裝置有效性的特征數(shù)據(jù)集，并建立了基于非線性支持向量機的安全聯(lián)鎖裝置失效預(yù)警系統(tǒng)，彌補了人工巡檢方式的不足。以CT出口防護罩安全聯(lián)鎖裝置失效為例建立預(yù)測模型，結(jié)果表明：模型預(yù)測精度為99.2%，高于人工巡檢3.1百分點；準(zhǔn)確率為94.7%，低于人工巡檢5.3百分點；查全率為94.7%，高于人工巡檢47.4百分點。系統(tǒng)的實時性優(yōu)于人工巡檢，能夠滿足現(xiàn)場監(jiān)控要求，但對于機械類故障無法準(zhǔn)確預(yù)警。該技術(shù)可在同類設(shè)備上推廣應(yīng)用，以進一步提升卷煙生產(chǎn)設(shè)備的安全性能。