打开文本图片集

摘要：卷烟厂为提高产品产量和质量，提高企业的经济效益，需要对卷烟包装机的运行情况进行实时监测，并对该包装机的运行故障进行重点分析，完成卷烟包装机运行故障研判。本文在神经网络基础上，采用k-means聚类方法进行该机器的运行监测数据的收集与处理，并开展相应的运行实验，完成故障分析，保证机器运行稳定，降低卷烟厂后期机器维护成本，保证产品生产质量，实现企业利润最大化，为我国卷烟厂行业的转型升级提供参考。

关键词：神经网络；卷烟包装机；运行监测；故障分析

引言：目前，我国卷烟生产质量及效率有所下滑，严重影响了卷烟厂的生产成本，使得烟草价格上调。卷烟包装机是卷烟厂产品生产的关键设备，其与生产成本具有高度关联性。本文结合现代化物联网技术，利用神经网络，实现卷烟包装机实时监测以及故障分析，降低生产成本，提高卷烟厂的市场竞争力。

一、卷烟包装机在神经网络视域下的运行原理

卷烟包装机主要使用柔性材料对卷烟产品进行全覆盖或半覆盖，再使用纸片等进行外部包装的机器。现阶段，我国卷烟厂的卷烟包装机主要由烟包包装、玻璃纸封口、条盒包装组成。该机器每分钟最多可以完成100盒卷烟的包装工作，其生产流程如图1所示[1]。

卷烟包装机在运行过程中随着运行速度的变化，其运行模式也会进行实时调整。通过利用卷烟包装机中的传感装置，获得机器运行速度数据，辨别机器运行模式。在此过程中需要依靠离线监测建模，从机器运行过程中收集到的数据中辨别出稳定和过渡两种模式，建立相应的监测模型。再将稳定因子代入到模型之中，若稳定因子在机器运行阈值内或等于该阈值，则表明机器运行稳定，反之则为过渡状态。计算出传感器监测到的最大速度和最小速度差值，即机器运行速度v1。稳定因子为v1与机器运行过程中允许的最大速度值的比值。

考虑到数据收集过程中的数据误差，相关操作人员可以使用平滑滤波计算出数据的平均值，得到机器设备运行稳定状态的平均数据值，再借助k-means聚类方法对该平均数据值进行处理，获得数据分布信息，结合每个数据聚类分布特征，完成数据预处理，进行故障预测。在故障预测过程中，结合卷烟包装机以往的故障数据，便可以计算出平均故障时间，进而计算出准确的故障时间，并得到故障率函数。卷烟包装机的相关操作人员可以根据相应的数据函数下达指令，保证机器的安全运行。

二、卷烟包装机在神经网络视域下的运行监测

根据稳定因子可以建立卷烟包装机的运行监测模型，获得不同工作状态下的机器设备运行数据[2]。如果该机器设备处于稳定状态，则选取高于速度平均值的速度值作为有效速度数据q，机器设备的操作人员需要向运行监测模型下达监测统计量定义。一方面，采用多变量检验方式（HotellingT2检验），进行两组数据的平均向量比较，实现运行监测变量的趋势预测。另一方面，确定平方预测误差，利用最小欧式距离监测模型，计算出现阶段的运行监测统计量。

前者主要是将监测模型进行归一化处理，根据模型的协方差矩阵的特点，得到对角矩阵。再将监测模型均值和标准差进行归一化处理，得到电流有效数据。随后，在分数向量、对角矩阵、电流有效数据共同作用下，确定HotellingT2检验值。后者则是需要将监测建模数据与其共轭差值的平方进行连续求和。

将这两个监测统计量与卷烟包装机预定的控制阈值的最大值进行比较分析。如果这两个监测统计量在阈值之内，则表明机器运行正常，如果大于该阈值则表示机器运行存在问题，需要立刻停止运行进行故障检测与处理。

三、卷烟包装机在神经网络视域下的故障研究

神经网络是人工智能中的一种，利用计算机等设备完成类脑思维处理，对机械设备的运行状态进行推理分析。在卷烟包装机故障研究过程中，相关机器操作人员需要及时记录停机数据信息，结合该数据信息完成机器学习。如果积累的停机数据较多则能够精准地预测下次故障的时间，便于机械设备维修人员及时更换故障区域的零部件。

在神经网络视角下，完成卷烟包装机的故障研究后，需要将相应的人工神经元之间建立信号传递连接，实现信号传递。一般情况下，人工神经元的信号需要用实数表示，并且相应的人工神经元信号的输出和输入需要进行非线性函数信号测算。人工神经元信号的输入模块信号主要包括卷烟包装机的运行时间、车间号、机器型号、故障区域、停机时间、设备使用时间。输出模块人工神经元信号则为下一次故障车间信息、故障机器型号、故障区域信息、运行时间。

在故障数据测算过程中需要考虑卷烟包装机的各个零部件的数量及参数，保证该机器运行效率在85%以上。使机器在停机状态下，机器设备具有可用性和可更换性，缩短机器故障停机时间，保证设备生产效率。在零部件数量计算中可以将卷烟厂卷烟包装机的设备数、设备子系统数、设备使用年份相乘，除以周期，获得每个间隔周期的平均事件数。在设备零部件库存充足的前提下，根据神经网络的输出结果，在下一次故障来临前，完成设备零部件的更换。

四、卷烟包装机在神经网络视域下运行实验

结合上述方法开展卷烟包装机的神经网络运行监测和故障研究实验。实验结果表明，卷烟包装机可靠性会随着故障时间的延长逐渐下降，相应的设备故障发生概率会逐渐上升，直至设备报废。采用神经网络算法完成卷烟包装机的运行监测和故障研究后，可以实现经验储备，预测到下一次运行故障的时间。本次实验一共引入13个测试样本，且测试样本预测结果的准确率均大于85%，准确率的平均值大于90%，这表明该方法能够实现对于卷烟包装机运行故障的精准预测。

并且在该方法的加持下，能够在设备实际故障发生前的264h左右完成故障预测，便于设备运维人员及时进行故障处理，避免设备停机影响到卷烟厂的经济效益。这13个测试样本的故障预测时间的平均计算值为127.68h，实际故障的平均值为166.08h，两者之间的差距相对较小。因此，证明该方法结果具有较高的准确性。

利用神经网络算法能够对卷烟厂的卷烟包装机的运行数据情况进行实时监测与处理。结合数据信息，完成机器设备运行故障预测，减少卷烟厂的设备维护成本，提高产品产量和质量，使得产品价格下调，增强产品的市场竞争力，形成品牌效应，促进行业内部革新。利用良性竞争，带动卷烟厂整个行业的技术进步，实现企业转型升级。除此之外，其他工业行业也可以借鉴该方法，提高生产效率，优化生产流程。

结论：卷烟包装机利用传感器和聚类处理方式，实现运行数据的实时收集与处理，结合数据信息确定机器运行状态，一旦出现机器运行故障，将会及时记录故障信息，为神经网络算法提供数据基础，对于机器故障进行精准预测，实现稳定生产，提高生产效率。这种方法将成为我国卷烟厂未来发展的一大研究方向。

参考文献

[1]谢崇权，赵一夫，王安宽.基于神经网络的卷烟包装机运行监测与故障分析研究[J].机械与电子，2023，41（3）：23-26.

[2]朱立明，王伟，范霞萍，等.基于无监督深度神经网络的卷烟小包拉线缺陷视觉智能检测方法[J].包装工程，2022，43（17）：273-281.