卷烟质量风险防控体系建设与应用

卷烟质量风险指可预期或不可预期因素导致产品质量下降，引发成本上升或客户拒收的可能性。其制造涉及 20 余道工序，通过物料/能量流紧密耦合，单工序细微偏差即可影响最终产品，造成质量损失、原材料浪费等。传统质量管理模式在应对卷烟质量风险时存在诸多弊端。表现在风险识别滞后，过度依赖人工经验。在风险评估方面，方法较为粗放，传统的静态 RPN 值更新周期长，难以适应生产过程中的动态变化，使得企业无法及时采取有效措施应对质量风险，容易造成质量隐患或资源浪费。国内外学者围绕卷烟质量风险防控展开了大量研究，早期主要集中在质量检测方法与统计过程控制的应用，谈春凤首次将统计抽样法引入卷烟质量检验，有效提升了检验效率[1]。孙东亮等通过方差分析，揭示了质量波动的主要来源[2]。随着 PFMEA 等工具的引入，相关研究取得了进一步进展。乔治局构建了烟草行业首个 PFMEA 评估矩阵，RPN 值计算误差得到答复下降[3]。黄雯华在卷包工序中应用 FMEA，提高了高风险项识别准确率[4]。近年研究聚焦多工序耦合风险的动态评估，并利用复杂网络理论量化工序间风险传播路径[5]，但卷烟工序的强耦合关系使得传统模型存在明显缺陷。传统模型仅关注单工序风险，忽视了风险对下游的连锁反应，同时无法适应设备老化、原料波动等动态因素，导致人工评估风险等级与实际质量风险的吻合度较低。因此，需构建一种新的质量风险防控体系，以满足卷烟智能制造的质量管控需求[6]。

1.多工序耦合风险的传导特征

以制丝 - 储丝 - 卷接包工序链为例，风险传导具有显著的路径依赖性，在卷烟制造过程中，物料按照固定的工艺流程在各工序间流动，风险也随之沿着这些固定路径传导，风险传导的路径数量决定了其影响范围，路径越多，风险扩散的范围越广。同时，由于物理传导需要一定时间，从风险在某一工序产生，到其影响下游工序并被检测发现，往往存在时间差，这种延迟性使得难以及时察觉风险，导致风险发现滞后，错过最佳防控时机，进而可能造成更严重的质量问题。另一方面，在卷烟制造的多工序耦合系统中，风险传导存在非线性放大现象，这使得原本看似微小的风险，在经过多道工序传导后，可能演变成严重产品质量问题。

2.四维评估框架与关键技术构建

2.1 风险传导系数

为量化跨工序风险传导强度，引入风险传导系数（T）。该系数设计参考了制造系统风险传导量化方法，其表达式为 T=α⋅P+β⋅I

其中传导路径数（P）反映风险影响的下游工序数量，传导强度（I）通过 Granger 因果检验与相关系数衡量风险变动引起下游风险变动的幅度。该方法克服了传统模型忽略工序间关联性的缺陷。

2.2 四维 RPN 模型的构建

在传统 PFMEA-RPN 模型的基础上，结合风险传导系数（T），构建了四维 RPN 新模型，将风险评估从“单节点”扩展至“节点 + 网络”维度，表达式为： RPNnew=S×O×D×T

以某风险点为例，若单工序 RPN=240 （ S=8，O=6，D=5 ），当计算得出T=1.54 时，四维 RPN=240×1.54=369.6 。使得该风险点的风险等级提升，从而明确该风险需要优先处理。四维 RPN 模型能够更全面地考虑风险在多工序间的传导情况，为风险防控提供更准确的依据。

2.3 动态权重优化

为解决传统固定权重的缺陷，引入熵权法计算 S、O、D、T 的动态权重，解决了传统固定权重无法适应生产动态变化的问题。权重更新包括数据标准化，信息熵计算和实时更新。信息熵反映了数据的离散程度，信息熵越小，说明该维度数据的离散程度越大，对风险评估的影响也越大。该动态优化机制显著提升了模型灵敏度，与 Chen 等在智能制造系统中应用的动态风险评估策略形成互补[7]。

3.改进型模型的应用

为实现改进型模型的应用，开发了 “卷烟质量风险动态评估系统”。该系统全面覆盖制丝、储丝、卷接包等 306 个风险点，确保能够及时获取生产过程中的关键信息，为生产管理人员提供直观的决策依据。应用改进型模型后，各项指标得到显著改善：风险评估准确率从 65% 提升至 92% ，提高了 27% ；跨工序风险响应时间从 45 分钟缩短至 14 分钟，降低了近 69% ；烟支重量波动批次占比从 18% 降至 5% ，降低了 72.2% ；质量损失率从 1.5% 降至 0.4% ，降低了 73.3% 。这些数据充分表明，改进型模型在提升卷烟质量管控水平方面具有显著效果。这一成果也验证了动态防控体系在多工序耦合场景的有效性。

4.结论与展望

本研究成功构建基于改进 PFMEA-RPN 模型的质量风险动态防控体系，有效解决了传统模型在多工序耦合场景下的评估盲区。引入风险传导系数 T 的四维评估框架，使风险评估准确率提升了 27% ，能够更准确地识别和评估质量风险。通过对风险传导路径与强度的科学度量，为跨工序协同防控提供了可靠的数据支撑。动态评估与实时数据的结合，大幅提高了风险响应速度，使风险响应速度提高了近 69% ，充分验证了该模型在实践中的实用性和有效性。

尽管研究取得了一定成果，但仍存在改进空间。当前研究假设风险传导为线性关系，然而在实际卷烟生产中存在复杂的非线性耦合现象，未来可引入机器学习算法，优化 T 系数计算，更准确地描述风险传导的非线性特征。此外目前研究主要集中在生产工序的质量风险防控，尚需结合数据共享机制，进一步推动质量风险联防联控水平。

参考文献

[1] 谈春凤. 统计抽样法在卷烟质量检验中的应用[J]. 烟草科技， 2005，（2）： 12-15.

[2] 孙东亮， 等. 基于方差分析的卷烟质量波动源诊断[J]. 中国烟草学 报， 2010， 16（4）： 45-49.

[3] 乔治局. 烟草制造PFMEA 评估矩阵构建研究[J]. 制造业自动化， 2 016， 38（8）： 112-116.

[4] 黄雯华. FMEA 在卷烟卷包工序质量风险管控中的应用[J]. 烟草科 技， 2018， 51（11）： 88-92.

[5] Zhang L， et al. Risk transmission quantification in coupled manuf acturing processes using complex network theory[J]. Computers & Industri al Engineering， 2022， 168： 108050.

[6] 国家烟草专卖局. 卷烟智能制造能力成熟度评价规范[S]. YC/T 59 8-2021.

[7] Chen X， et al. Dynamic risk assessment in smart factories using entropy-based adaptive weights[J]. Robotics and Computer-Integrated Manu facturing， 2022， 78： 102402.