面向烟草制丝跨工序质量追溯的多层工艺参数知识图谱构建方法与流程

摘要: 本发明涉及烟草制丝加工,尤其涉及一种利用跨工序生产时序数据、局部预测模型和shap模型解释结果构建多层工艺参数知识图谱的方法。背景技术:1、烟草制丝是卷烟生产的...
面向烟草制丝跨工序质量追溯的多层工艺参数知识图谱构建方法与流程

本发明涉及烟草制丝加工,尤其涉及一种利用跨工序生产时序数据、局部预测模型和shap模型解释结果构建多层工艺参数知识图谱的方法。

背景技术:

1、烟草制丝是卷烟生产的核心环节,通常包括松散回潮、润叶加料和薄板烘丝等连续工序。各工序的水分、温度、流量、蒸汽和热风参数相互耦合、逐级传递,共同影响最终出口质量指标。然而,当前制丝生产过程中质量波动发生时,问题分析更多依赖生产记录和现场经验,难以及时定位关联环节。现有技术主要存在以下不足:

2、其一、制丝车间各业务系统独立运行,生产数据、设备数据、工艺数据分属不同管理板块,同一指标存在多种命名方式、多个统计口径,数据零散分布、难以互通。mes、wms、scada等系统标准不一、接口不通,生产、质量、设备数据散落于信息孤岛之中;此外,松散回潮机、薄板烘丝机等筒类设备属于大时滞系统,物料通常需要在筒内停留4至6分钟。不同设备的采集数据附带各自的时间戳,但由于设备工作流程的差异和数据采集系统的不同步,各设备间的数据在时间维度上存在偏差,难以直接进行有效的分析和比较。上述问题导致前序工序的工艺参数难以与下游质量记录实现精准对应,质量追溯的链条在工序衔接处断裂。

3、其二、当前制丝质量分析多采用单工序预测模型或一次性特征重要性排序方法,虽然能够识别对当前质量指标具有重要影响的工艺参数,但无法进一步揭示这些重要参数本身受哪些上游参数影响。例如,当分析发现薄板烘丝出口物料含水率受热风风量显著影响时,现有方法无法继续追问热风风量又受哪些上游参数影响;然而,这一追问恰恰是质量根因追溯的关键所在。制丝生产链路长、环节多,质量异常往往源自多个工序参数的逐级传导与累积效应,单层分析无法还原完整的参数影响链条。

4、其三、传统依赖人工本体定义和文本抽取的知识图谱方法,主要面向非结构化或半结构化文本数据,难以直接处理制丝生产过程中产生的高频数值型时序工艺参数。采用静态规则或固定关联阈值也难以反映不同生产时段、不同质量指标下工艺参数间动态变化的预测贡献关系;此外,若将同名工艺参数强制合并为全局唯一节点,多个局部预测目标的关系将集中到少量节点上,形成大量交叉边,导致图谱结构高度复杂化,既不利于关系解析也不利于可视化展示。

5、其四、现有方法在构建参数关系图时,通常不对输入数据的完整性、模型预测性能设置有效性门槛,导致低质量数据或无效模型产生的虚假关系也被纳入图谱,严重影响追溯结果的可靠性;同时,现有方法难以在保留参数在不同父路径中上下文关系的前提下构建多层结构。当同一工艺参数在多个局部预测模型中均被识别为重要参数时,若简单合并节点,将丢失该参数在不同预测目标下的差异化贡献信息,削弱图谱的追溯表达能力。

6、综上所述,烟草制丝行业亟需一种能够对齐跨工序数据、量化预测贡献、设置模型质量门槛并保留路径上下文的动态构图方法,以支撑制丝质量指标的跨工序工艺参数追溯。

技术实现思路

1、鉴于上述,本发明旨在提供一种面向烟草制丝跨工序质量追溯的多层工艺参数知识图谱构建方法,通过对松散回潮、润叶加料和薄板烘丝等连续制丝工序生产数据进行跨工序融合,利用局部预测模型和shap方法提取工艺参数与质量指标之间的预测贡献关系,并通过递归关系抽取构建多层工艺参数知识图谱,实现烟草制丝质量指标的跨工序工艺参数追溯。

2、本发明采用的技术方案如下:

3、本发明提供了一种面向烟草制丝跨工序质量追溯的多层工艺参数知识图谱构建方法,包括以下步骤:

4、对烟草制丝多工序生产数据、制丝质量根指标和分析时间区间进行提取与预处理;

5、对目标制丝工序及其上游制丝工序数据进行字段完整性校验、生产时序对齐和跨工序融合;

6、基于制丝参数局部预测模型和shap值进行工艺参数预测贡献关系抽取;

7、基于递归关系抽取和制丝追溯路径实例化构建多层工艺参数知识图谱;

8、对所述多层工艺参数知识图谱进行关系分级、图数据库写入和可视化输出。

9、在其中至少一种可能的实现方式中,所述烟草制丝多工序生产数据包括松散回潮、润叶加料和薄板烘丝工序的时间戳、入口物料指标、设备工艺参数、过程状态参数和出口质量指标,所述设备工艺参数和过程状态参数包括烟草物料水分、物料温度、介质流量、设备压力、蒸汽、热风及设备运行参数;所述制丝质量根指标包括目标制丝工序的出口物料含水率和出口物料温度。

10、按照松散回潮、润叶加料和薄板烘丝的烟草物料流向确定参与当前质量追溯任务的工序范围。目标制丝工序为松散回潮时,读取松散回潮工序数据;目标制丝工序为润叶加料时,读取松散回潮和润叶加料工序数据;目标制丝工序为薄板烘丝时,读取松散回潮、润叶加料和薄板烘丝工序数据。

11、设烟草制丝工序集合为:

12、

13、设目标制丝工序为第个工序,则参与当前质量追溯任务的工序集合为:

14、

15、式中,表示目标制丝工序及其全部上游制丝工序组成的参与工序集合。该集合的确定使得工序数据选择与烟草物料在松散回潮、润叶加料和薄板烘丝间的实际加工流向保持一致,避免了因工序选择不当导致的数据遗漏或冗余。

16、在其中至少一种可能的实现方式中,所述的字段完整性校验、生产时序对齐和跨工序融合具体包括以下步骤:

17、对制丝质量根指标及各工序候选工艺参数执行字段完整性校验。针对根指标,校验字段存在性、数值类型、有限数值样本量及分析时间范围内的有效波动;这是因为若根指标在分析区间内缺乏足够波动,则无法建立有意义的预测模型。针对候选工艺参数,校验数值类型、有限样本量、缺失比例及取值多样性,对于取值单一(如仅有1个有效取值)的参数,其不具备预测贡献分析的统计基础。

18、设原始候选字段集合为,通过校验的有效候选工艺参数集合表示为:

19、

20、式中,为第个候选字段,为该字段有限数值样本数量,为预设最小有效样本门槛;为该字段缺失比例,为预设最大缺失比例;为该字段有效取值种类数。当目标制丝工序有效参数数量低于预设门槛,或上游制丝工序无满足条件的实测工艺参数时,说明可用数据不足以支撑可靠的知识图谱构建,此时终止当前知识图谱构建任务,避免因数据质量不足而产生不可靠的预测贡献关系。

21、以目标制丝工序生产时间戳作为主时间轴,对上游制丝工序生产记录进行跨工序时间戳匹配。

22、设目标制丝工序在所选时间区间内共有条记录,成功匹配到上游制丝工序生产记录的数量为,则精确匹配比例为:

23、

24、当精确匹配比例达到预设门槛时,采用精确时间戳匹配结果。由于目标工序与上游工序可能存在相同的生产批次标识或时间戳字段,精确匹配能够在最优时间精度上实现跨工序数据关联。

25、当精确匹配比例低于预设门槛时,从上游制丝工序数据中选择不晚于目标制丝工序当前时刻且处于预设时间容差范围内的最近生产记录,其匹配过程表示为:

26、

27、式中,表示目标制丝工序当前生产记录的时间戳,表示上游制丝工序候选生产记录的时间戳,表示最终选择的上游制丝工序时间戳,表示允许的最大时间匹配容差。该匹配方式仅采用目标时刻或之前的最近上游记录,使跨工序时间匹配方向与烟草物料实际加工方向一致。即上游工序的参数总是在下游工序之前产生,避免了使用未来数据匹配过去数据的逻辑错误。对于筒类设备的大时滞特性,适当的容差设置能够有效补偿物料在设备内停留导致的时间偏移。

28、将完成生产时序对齐的上游制丝工序参数与目标制丝工序参数进行合并,形成制丝跨工序时序融合样本,并为各字段增加所属工序信息。通过上述对齐与融合,原本分散存储于不同工序数据库中的工艺参数得以在同一时间基准下参与后续分析,消除了因时间偏差导致的虚假关联。

29、在其中至少一种可能的实现方式中,所述的制丝参数局部预测模型训练和预测贡献关系抽取具体包括以下步骤:

30、清除当前模型涉及字段中的缺失值和无穷值,按照生产时间顺序排列有效样本,并按照预设比例划分训练集和测试集。设当前局部预测模型有效样本总量为,测试集比例为,则训练集样本数量为:

31、

32、训练集和测试集按照时间顺序进行划分,不随机打乱样本。这一处理方式确保了模型训练和评估能够反映制丝生产过程的时序特性,可以理解地,制丝生产是一个连续过程,工艺参数与质量指标的关系可能随时间发生漂移,随机打乱会破坏这种时序信息,使模型评估结果失去实际生产场景的参考价值。

33、采用xgboost回归模型建立跨工序制丝工艺参数与当前制丝预测目标之间的局部预测模型。xgboost作为梯度提升树模型,能够自动捕捉工艺参数之间的非线性交互作用和阈值效应,无需预先假设参数与质量指标之间的函数形式,适合制丝生产中参数关系复杂、机理不完全清楚的场景。设局部预测模型由棵回归树组成,则第个样本的预测结果表示为:

34、

35、式中,表示局部预测模型对第个样本的预测值,表示第个样本对应的跨工序制丝工艺参数向量,表示第棵回归树对应的映射函数。

36、局部预测模型的训练目标由预测误差和模型复杂度两部分组成:

37、

38、式中,表示局部预测模型总体训练目标,表示第个训练样本真实值与预测值之间的回归损失,表示第棵回归树的复杂度约束。通过同时控制预测误差和回归树复杂度,降低局部预测模型对训练数据产生过度拟合的可能性,这对于制丝生产数据尤为重要,因为过度拟合的模型会将噪声误认为有意义的参数贡献关系。

39、使用决定系数和均方根误差rmse评价局部预测模型性能,决定系数表示为:

40、

41、均方根误差表示为:

42、

43、当制丝质量根指标模型未达到预设模型性能门槛时,说明当前可用的候选工艺参数不足以有效预测该质量指标,此时终止当前知识图谱构建任务。这避免了在缺乏有效预测关系的情况下生成不可靠的图谱关系;当中间制丝参数对应的非根局部预测模型未达到所述门槛时,仅停止对应分支继续展开,这保留了其他有效分支的继续构建能力,使图谱构建任务不会因个别参数无法建模而整体失败。

44、对达到模型性能门槛的局部预测模型进行shap解释,能够在考虑特征间交互作用的前提下量化每个工艺参数对预测目标的贡献程度。对于第个解释样本,局部预测模型的预测结果表示为:

45、

46、对于第个候选工艺参数,其总体预测贡献程度采用平均绝对shap值表示:

47、

48、式中,表示第个制丝工艺参数对当前制丝预测目标的总体预测贡献程度。按照由大到小进行排序,将入选参数生成下一层节点,并以作为工艺参数节点指向当前预测目标节点的预测贡献关系权重,形成制丝工艺参数、预测贡献关系、制丝预测目标三元组。正shap值表示该参数在当前样本中提高模型预测值,负值表示降低模型预测值,这一符号信息有助于判断工艺参数调整方向与质量指标变化趋势之间的关系。

49、在其中至少一种可能的实现方式中,所述的递归关系抽取和制丝追溯路径实例化具体包括以下步骤:

50、以目标制丝工序出口物料含水率或出口物料温度作为第0层质量根节点,根据根指标模型的shap预测贡献程度排序,选取前n1个工艺参数生成第1层节点。这一步骤将一次性特征重要性分析扩展为多层追溯的起点,使原本“扁平”的参数重要性排序获得了层级结构。

51、将第1层工艺参数分别作为新的局部预测目标,重复样本处理、局部预测模型训练、模型性能评价和shap预测贡献关系抽取,对达到模型性能门槛的局部预测模型选取前n2个工艺参数生成第2层节点。通过将第1层参数递归地作为预测目标,本发明能够回答影响重要参数的上游参数是什么这一追问,从而将质量追溯从单层扩展为多层路径。

52、将达到继续展开条件的第2层工艺参数作为新的局部预测目标,按照相同方法选取前n3个工艺参数生成第3层节点,其中,n1、n2和n3均为预设正整数。通过三层结构的设置,本发明能够覆盖从根质量指标到直接工艺参数、再到上游影响参数、最后到更上游参数的完整追溯链条,适应制丝生产链路长、环节多的特点。

53、构建烟草制丝跨工序质量追溯多层工艺参数知识图谱。根指标节点记录节点标识、节点名称、所属工序和图谱层级;工艺参数路径实例节点记录节点标识、显示名称、原始字段名称、数据字段名称、所属工序和图谱层级;预测贡献关系记录源节点、目标节点、shap权重、显示名称和贡献等级。

54、当同一原始制丝工艺参数位于不同父路径时,为该参数分别生成具有不同唯一标识的制丝追溯路径实例节点,同时保留相同的原始字段名称和所属工序属性,以保存同一制丝工艺参数在不同质量追溯路径中的父节点关系。这一路径实例化设计是本发明的重要创新点,有效避免了将同名参数强制合并为全局唯一节点所导致的关系高度交叉问题,使得每个参数节点都保留其特定的父路径上下文,不同路径中的同一参数可以具有不同的下游贡献关系而不相互干扰。

55、在其中至少一种可能的实现方式中,所述的预测贡献关系分级、图数据库写入和可视化输出具体包括以下步骤:

56、汇总当前烟草制丝质量追溯图谱中的全部预测贡献关系权重,根据关系权重在当前质量追溯任务中的分布进行关系分级。

57、各预测贡献关系的贡献等级按照下式确定:

58、

59、根据权重分布的两级分位阈值,将预测贡献关系划分为高贡献关系、中贡献关系和低贡献关系,分级结果作为图数据库关系属性及前端关系显示依据。由于不同局部预测模型的shap值量级可能存在差异,采用基于当前任务权重分布的分级方式而非固定阈值,能够使分级结果适应不同质量指标和不同数据条件下的贡献分布特征。

60、将当前质量追溯任务形成的制丝质量根指标节点、制丝追溯路径实例节点和制丝参数预测贡献关系组成待写入数据,在同一图数据库写事务中依次删除上一构图任务形成的节点和关系、批量创建本次任务节点以及批量创建本次任务预测贡献关系。当任一写入操作失败时回滚当前事务并保留上一完整知识图谱;当全部写入操作成功时统一提交事务。这种事务性写入方式确保了图谱数据的一致性,免了前端在数据更新过程中读取到部分节点或部分关系的不完整图谱状态。

61、图数据库写入成功后,按照制丝工序来源(松散回潮、润叶加料、薄板烘丝)、质量追溯层级(第0层至第3层)和预测贡献等级(高/中/低)展示多层工艺参数知识图谱,并复用制丝质量根指标模型的shap结果输出shap特征重要性图和shap特征影响分布图。

62、与现有技术相比,本发明的主要设计构思在于,按照松散回潮、润叶加料和薄板烘丝的烟草物料加工顺序,对目标制丝工序及其上游制丝工序生产数据进行时间对齐和融合,使不同工序生产参数能够在统一时间基准下参与质量指标分析;采用局部预测模型和shap方法量化制丝工艺参数对当前预测目标的预测贡献,并通过递归关系抽取将一次性参数贡献分析扩展为多层工艺参数预测贡献路径,实现制丝质量指标的跨工序参数追溯。此外,本发明采用制丝追溯路径实例化方式保留同一工艺参数在不同父路径中的上下文关系,并通过图数据库事务方式完成多层工艺参数知识图谱的整体写入,为烟草制丝质量分析提供结构化的跨工序工艺参数关系信息。