ZB45包装机组安全联锁装置失效预警系统的设计

王 伟，王 金，谢俊明

1.张家口卷烟厂有限责任公司，河北省张家口市桥东区钻石北路9号075000

2.中国烟草总公司职工进修学院，郑州市金水区鑫苑路7号450008

ZB45包装机组是目前国内卷烟工业企业的主流硬盒包装设备之一，其防护罩主要采用直动式安全联锁装置，即通过行程开关将位移信号转换为电信号，实现对防护罩位置的保护。ZB45机组的安全联锁装置在电控系统的配合下具有电气自诊断功能［1］，确保安全防护功能有效，但在设备维修保养以及安全联锁装置出现机械故障等情况下，容易导致部分安全联锁装置失效。而且ZB45机组不具备排空功能，生产结束时需要人工使CT条盒纸包装机出口防护罩（简称CT出口防护罩）的安全联锁装置失效才能进行收尾排空操作，存在安全隐患。因此，提高ZB45机组安全联锁装置的有效性是日常安全管理的重点之一［2］。目前常用的管理方法主要是人工巡检、安全点检、安全培训等手段［3］，但存在人工巡检效率低、及时性差、人为操作不规范等问题。针对此，常莎［4］对安全联锁装置的失效原因进行了分析并提出了改进建议；刑建钢［5］研究了不同因素影响下安全联锁装置的失效定义与评价方法。随着人工智能技术的发展［6］，采用技术防范手段进行安全预警已得到广泛应用。张建刚［7］提出了一种海上交通冲突自动预警方法；鞠兴华等［8］构建了基坑监测的预警模型，并提出了基坑施工的安全预警方法；王佳宇等［9］将自动监测与人工智能技术相结合，提出了一种草原虫害预警方法。但应用人工智能技术对ZB45机组生产过程进行安全管理的研究则鲜见报道。为此，以ZB45机组为研究对象，基于 非 线 性 支 持 向 量 机［10］（Non-Linear Support Vector Machine，简称Non-Linear SVM）算法建立预测模型，设计了安全联锁装置失效预警系统，以期提高卷烟包装设备运行安全性。

1 问题分析

ZB45包装机组由YB45型硬盒包装机（X2）、YB55型小盒透明纸包装机（CH）、YB65型条盒包装机（CT）、YB95型条盒透明纸包装机（CV）共4部分组成。当生产中出现设备故障、材料更换、维修保养等情况时，需要相关设备停机并打开防护罩进行处理。在此过程中，CT出口防护罩、CH右前防护罩等5个防护罩（位置见图1），由于收尾排空操作、设备元件老化、操作频繁等原因，其安全联锁装置容易失效。ZB45机组的数据采集系统以监听的方式获取MICRO-Ⅱ电控系统的通信数据包并完成数据存储［11-12］，但通常只采集设备产量、不合格品剔除量等信息，对于设备运行过程中的特征数据记录不完整，因此无法利用这些模糊数据与模糊逻辑［13］建立数学模型进行安全联锁装置失效预警。

图1 ZB45包装机组关键防护罩位置示意图Fig.1 Locations of key protective covers in ZB45 packing line

2 系统设计

2.1 系统结构

预警系统按层次结构划分为数据层、数据访问层、业务逻辑层、展示层共4层，见图2。信息系统采用PHP语言进行WEB服务端的开发；经过特征选择与筛选的数据集训练得到预测模型，并导出模型文件以提供给信息系统调用，预测模型采用Python语言在Jupyter Notebook编辑器下编程设计；通过数采系统采集实时特征数据（设备停机原因、防护罩开合红色信息等）存入Oracle数据库中；通过信息系统程序完成实时数据交互、Python子程序调用、预警显示和记录等任务，并将数据存入MySQL数据库中。

图2 预警系统层次结构示意图Fig.2 Hierarchical structure of early warning system

根据系统层次结构设计的预警功能包括预测模型与信息系统两部分内容，见图3。其中，预测判定每3 min执行一次，预测结果存入信息系统数据库的流水表中；根据预警结果动态刷新预警概要界面，展示模式有预警汇总表和3D动画两种形式；由相关责任人进行预警确认操作。

图3 预警系统功能流程图Fig.3 Function flow chart of early warning system

2.2 数采系统的改进

为建立预测模型，在特征构建阶段需要对电控系统进行分析，得到与防护罩有关联的设备产量、剔除量、相关停机原因以及非停机原因的防护罩开合红色信息（简称防护罩红色信息）4类实时数据。由于原数采系统无法采集非停机原因的防护罩红色信息，对其进行了改进。由图4可见，改进后增加了非停机原因防护罩红色信息，并将其作为模型训练与预测的关键特征。

图4 改进后数据采集系统流程图Fig.4 Flow chart of rebuilt data acquisition system

2.3 预测模型的特征选择

以CT出口防护罩安全联锁装置失效预测模型为例，基于128组数据（取样时间段为2020年10月—12月），建立4维（包括防护罩红色信息、设备产量、剔除量、相关停机原因）特征数据集，并结合现场人工巡检与维修状况加入异常标签（正常为0，异常为1）。造成CT故障停机的原因主要包括：①第一提升器堵塞；②第二提升器堵塞；③CV透明纸丢失；④CV无透明纸；⑤CV拉带用完；⑥CT上部折叠器堵塞；⑦CV透明纸展开堵塞。采用包裹式特征选择中的递归式特征消除方法［14］（Recursive Feature Elimination，简称RFE），分别利用支持向量机（SVM）和逻辑回归（Logistic Regression，简称LR）作为基分类器，步长为1，对数据集进行特征选择，结果见表1。可知，两种分类器的特征选择输出结果一致，均为True-False-False-True，即防护罩红色信息与相关停机原因均为有效特征，表明在相关停机原因产生时需要操作防护罩，上述过程存在模糊逻辑关系。

表1 基于RFE方法的特征选择结果Tab.1 Feature selection results based on RFE method

2.4 预测模型的建立

为进一步了解数据特征并建立合适的算法模型，对特征选择后的数据集（防护罩红色信息与相关停机原因）进行可视化分析，结果见图5。可见，失效样本（红色）靠近图5的左上方，正常样本（蓝色）靠近右下方。也有部分数据集中在（0，0）点附近，分界不清，原因是包装设备运行状态良好时，即CT停机次数接近0时，防护罩开合信息与停机信息较少，该部分数据不能用于模型训练。因此，在特征选择中增加约束条件“CT相关停机次数大于3次”以筛除这部分数据，结果见图6。可见，在预测精度要求不高的情况下，可以采用线性分类模型，但在实际操作中难以总结出线性分类方法。

图5 特征数据散点图Fig.5 Feature data scatter diagram

图6 增加条件约束后特征数据散点图Fig.6 Feature data scatter diagram after adding constraints

为保证预测模型具有通用性且分类效果最佳，设计中选用了非线性分类方法。非线性支持向量机［15］是在线性支持向量机的基础上，通过核函数完成向量空间映射，进而将非线性问题转化为线性问题求解。为方便训练并评估模型性能，将特征选择与条件约束后的最优数据子集随机按照7∶3的比例划分为训练集与测试集，使用高斯内核进行训练与测试，不同参数下预测模型准确率见表2。可见，在不同参数下，训练集与测试集的预测模型准确率发生变化，并且在所给参数下准确率普遍较高。但是由于数据集样本量较少，尤其是失效样本较少，因此在保证预测模型准确率的同时，还要考虑未知样本的分类效果，即模型的泛化能力。

根据表2中数据可知，模型在惩罚系数C≥1 851，γ=0.001时训练集与测试集的准确率均最高（100.0%），但惩罚系数C过大会出现过拟合［15］。为此，取C=1 851，分别与γ=0.1、0.001、0.000 1建立分类模型并进行对比，结果见图7。可见，在C=1 851，γ=0.1时模型影响区域（即红色区域）较小，出现过拟合现象，导致预测时泛化能力差；C=1 851，γ=0.001时得到的分类效果最优；C=1 851，γ=0.000 1时模型接近线性，出现欠拟合现象，导致预测精度降低。故采用参数C=1 851，γ=0.001建立的模型分类效果最优。

图7 分类模型效果可视化图Fig.7 Visualization diagram of classification model effects

表2 不同参数下预测模型的准确率①Tab.2 Accuracy rate of prediction model with different parameters （%）

3 应用效果

3.1 实验设计

设备：ZB45硬盒包装机组（上海烟草机械有限责任公司）；HL-8801型数采工控机（深圳华龙讯达信息技术股份有限公司）；数采服务器和预警系统服务器（X3850型服务器，联想集团有限公司）。

方法：对改进后ZB45机组2021年3—7月共258班次的CT出口防护罩报警情况进行统计。①将HL-8801型数采工控机接入ZB45机组电控系统，将数据信息以套接字的方式发送到X3850型数采服务器，数据存储间隔时间为30 s。②预警系统服务器每隔3 min从X3850型数采服务器中获取实时特征数据，并调用预先训练好的分类模型进行预测，预测结果存储于信息系统数据库中。③按照每天生产两班次（早班7∶00—15∶30，中班15∶30—23∶50）划分预警时间，预警间隔为3 min，页面刷新时间为5 s/次。④将班次内产生的预警信息推送给安全员，由安全员根据人工巡检和预测结果，对表3中4种情况［失效且报警（TP）、未失效报警（FP）、失效未报警（FN）、未失效未报警（TN）］进行统计，并分别计算两种方式的预测精度、预测准确率和查全率。

表3 预测结果分类Tab.3 Classification of prediction results

3.2 数据分析

由表4可知，预警系统的预测精度高于人工巡检3.1百分点，表明利用预测模型发现的安全联锁装置失效和未失效的正确率略高于人工巡检；查全率高于人工巡检47.4百分点，表明模型对于失效的发现能力远高于人工巡检；预测准确率低于人工巡检5.3百分点，表明模型的误报率略高于人工巡检。实验中还发现安全联锁装置失效大多是因为工作人员操作不规范，对其中典型的失效（TP+FN）进行分析，结果见表5。可知，对于组合特征中包含因故障原因导致的安全联锁装置失效，系统预测效果较好，能够满足现场监控要求，且实时性优于人工巡检；对于电控系统无法显示的机械类故障，系统预测效果不理想。

表4 预警系统测试数据Tab.4 Test data of early warning system

表5 安全联锁装置失效报警情况及失效原因分析①Tab.5 Malfunction warning state and malfunction cause analysis of safety interlock

4 结论

通过对ZB45包装机组数采系统进行改进，确定了预测安全联锁装置有效性的特征数据集，并建立了基于非线性支持向量机的安全联锁装置失效预警系统，弥补了人工巡检方式的不足。以CT出口防护罩安全联锁装置失效为例建立预测模型，结果表明：模型预测精度为99.2%，高于人工巡检3.1百分点；准确率为94.7%，低于人工巡检5.3百分点；查全率为94.7%，高于人工巡检47.4百分点。系统的实时性优于人工巡检，能够满足现场监控要求，但对于机械类故障无法准确预警。该技术可在同类设备上推广应用，以进一步提升卷烟生产设备的安全性能。