基于图结构学习的卷烟制造过程异常识别方法研究

针对卷烟卷制过程中高产量、高速度导致的异常识别难题，研究人员提出CR-GSL方法，通过图结构学习动态建模多指标交互关系，实现异常检测（F1=0.938）与根因解释（如气压不稳导致吸阻异常）。该方法突破传统模型对先验知识的依赖，为农业加工行业智能化质量控制提供新范式。

　　

论文解读

在农业加工领域，卷烟生产作为典型的高产量、高速度流程（单机每分钟超1万支），其质量监控面临巨大挑战。传统方法依赖专家经验构建静态模型，难以捕捉187个异构传感器指标的复杂关联，且无法解释异常根源。例如，现有研究仅通过热力学建模（Ge et al., 2024）或图像处理（Condorí et al., 2020）分析单一环节，忽略了卷制过程的时序空间特性。更棘手的是，现有深度学习模型如GRU（门控循环单元）和S-GGRU（结构化门控图循环单元）虽能处理时序数据，但要么忽视指标间相互作用，要么需人工构建图结构，导致性能与可解释性双输。

针对这些痛点，浙江大学联合实验室团队提出CR-GSL（基于图结构学习的卷烟卷制异常识别方法）。该方法创新性地将生产流程转化为动态图模型：首先初始化包含VE（供丝）、SE（卷制）、MAX（接嘴）三阶段拓扑的图结构；随后在双曲空间度量指标嵌入相似性，通过可学习参数和稀疏化优化边连接；最后采用动态注意力机制传播节点信息，实现异常检测与根因追溯。实验证明，该方法在5小时真实生产数据中达到F1值0.938，并首次揭示"气源压力不稳导致吸阻异常"等机制。相关成果发表于《Computers and Electronics in Agriculture》，为农业工业化场景提供了可解释AI的标杆案例。

关键技术方法
研究团队从卷烟厂采集187维时序数据，通过多图并行训练策略提升效率。核心创新包括：1) 基于工艺序列初始化图结构；2) 双曲空间嵌入指标特征；3) Gumbel-Softmax边采样优化图连接；4) 动态注意力机制适配产线节奏；5) 全局周期分析替代时间戳检测。

研究结果
1. 卷烟卷制过程异常识别问题定义
通过解析VE-SE-MAX三阶段物料流（图1-2），明确吸阻、漏气等关键指标异常阈值，将问题转化为图节点预测任务。

2. 提出的CR-GSL方法
• 图结构初始化：按工艺顺序构建有向边，保留空间约束；
• 指标嵌入：在庞加莱球模型中对187维指标降维；
• 图学习模块：通过可微稀疏化剔除冗余边（如SE到MAX的无效反馈）；
• 动态注意力传播：节点权重随生产节奏自适应调整，较静态图提升Recall 12.7%；
• 异常解释：反向追踪异常节点的最高权重邻边，定位气源压力（VE节点）与辊温（SE节点）的因果关系。

3. 实验与结果
在3080 GPU环境实现0.926精度，较GDN（图偏差网络）提升15.8%。案例显示：当SE阶段节点异常时，83%概率由VE气压波动引起，与工程师经验吻合。

结论与展望
该研究首次将图结构学习引入农业加工领域，突破传统方法在复杂系统建模中的三大局限：先验知识依赖、静态拓扑僵化、解释性缺失。通过CR-GSL实现的"检测-诊断"闭环，可使卷包设备故障排查时间缩短60%。未来可扩展至咖啡烘焙、纺织印染等连续型农产品加工场景，但需解决跨工艺迁移学习的泛化性问题。国家自然科学基金（51675481）的支持凸显其在智能制造中的战略价值。