CN102069094B - 一种基于数据挖掘的板形控制关键工艺参数优化*** - Google Patents
一种基于数据挖掘的板形控制关键工艺参数优化*** Download PDFInfo
- Publication number
- CN102069094B CN102069094B CN201010545725A CN201010545725A CN102069094B CN 102069094 B CN102069094 B CN 102069094B CN 201010545725 A CN201010545725 A CN 201010545725A CN 201010545725 A CN201010545725 A CN 201010545725A CN 102069094 B CN102069094 B CN 102069094B
- Authority
- CN
- China
- Prior art keywords
- data
- plate shape
- process data
- module
- parameter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- General Factory Administration (AREA)
- Control Of Metal Rolling (AREA)
Abstract
一种基于数据挖掘的板形控制关键工艺参数优化***,属于冷连轧板形自动控制技术领域。采用数据挖掘方法,获取能够满足冷连轧板形良好的关键工艺参数优化设定,其特征在于:该***包含如下功能模块:实际数据采集和存储模块、工艺数据预处理模块、工艺数据存储模块、工艺数据相关性分析模块、工艺数据聚类分析模块、工艺数据关联规则分析模块、优化结果产生模块、优化结果应用模块。优点在于,应用于板形控制***,得到良好板形。该方法避开了对板形控制理论无止境的研究,充分利用包含了现场操作人员成功操作经验的实际板形控制过程数据,通过数据挖掘,从中获取能够得到良好板形的板形工艺参数设定,提高了冷连轧带钢的板形合格率和成才率。
Description
技术领域
本发明属于冷连轧板形自动控制技术领域,特别涉及一种基于数据挖掘的板形控制关键工艺参数优化的方法。
背景技术
冷连轧板形控制是一个多变量、时变、强耦合和非线性的复杂过程,轧制过程中各种板形影响因素,如轧制力、轧制速度、弯辊、窜辊、冷却流量、张应力等会随着时间进程与空间位置而变化,并且互相影响、耦合。
根据轧辊弹性变形和带钢塑性变形理论,各种板形因素和最终辊缝之间的数学关系相当复杂,因此目前板形控制***中的数学模型都是建立在大量简化和假设基础之上的,计算结果往往不能满足用户需求和产品精度。另外,板形控制往往存在多种手段,例如轧制力、弯辊、窜辊和分段冷却等,他们的有效组合也是一个未解的难题。
在这种情况下,随着计算机水平的迅猛发展以及人工智能研究热潮的兴起,人工智能被应用在轧制过程中,作为人工智能重要成员的数据挖掘技术开始应用于对板形过程控制工艺参数的分析和理解上。
数据挖掘方法与传统方法不同,它避开了过去那种对轧制过程深层规律无止境的探求,而是以事实和数据为根据,实现对轧制过程的优化分析和控制。这样就不必担心哪一条基本假设脱离实际,也不必怀疑哪一步简化处理过于粗糙,只要相信传感器,相信过去发生的事件、采集到的数据是真实可靠的,就有理由相信数据挖掘的结果是正确的。
在冷连轧生产实践中,人们发现高水平的轧机操作人员有着非常丰富的参数设定经验,他们可以根据各种工况,合理地控制各种轧制参数,从而获得满意的板形精度。对于一定的产品规格,经验工艺相对稳定,形成了一些在一定工况下较为成熟的板形控制规律。另外,现代化冷连轧生产线配备了大量的传感器、检测仪器和仪表,利用冷连轧数据采集***,可以完整记录轧制过程的有关数据,获得大量的轧制信息,如带钢宽度、厚度、平坦度、辊缝、张力、轧制速度、轧制力、轧辊倾斜量、弯辊力、窜辊量等,这些数据记录了轧制过程中的设备状况、轧件状况、控制状况和板带质量状况,尤其重要的是这些参数蕴涵了操作工人成功的板形控制经验。
发明内容
本发明的目的在于提供一种基于数据挖掘的板形控制关键工艺参数优化***,克服了冷连轧板形控制过程中面临的板形数学模型设定精度不高,板形控制手段众多,如何最优组合才能获得良好板形等问题。
本发明实时采集实际板形控制工艺过程数据,经过数据预处理后,形成板形工艺参数优化数据挖掘的历史数据库;经过板形影响工艺参数与最终板形之间的相关性分析,确定分析和挖掘的对象(所包含的各种工艺参数);应用模糊聚类分析的方法将实际工艺数据离散化;利用关联规则分析的方法进行规则挖掘;在工艺知识的指导下,评价产生的规则,最终产生可用的规则,获得优化的板形控制参数;将规则根据来料带钢和产品带钢的PDI数据,实施应用于板形控制***,得到良好板形。避开了对板形控制理论无止境的研究,充分利用包含了现场操作人员成功操作经验的实际板形控制过程数据,通过数据挖掘,提取经验信息,获取知识模型,从中获取能够得到良好板形的板形工艺参数设定,并最终将优化结果应用于板形控制中,提高了冷连轧带钢的板形合格率和成才率。
本发明利用数据挖掘算法,获取能够满足冷连轧板形良好的关键工艺参数优化设定,共包含如下八个功能模块:实际数据采集和存储模块、工艺数据预处理模块、工艺数据存储模块、工艺数据相关性分析模块、工艺数据聚类分析模块、工艺数据关联规则分析模块、优化结果产生模块、优化结果应用模块。各模块的功能为:
(1)实际数据采集和存储模块采用TCP/IP协议与现场冷连轧L1级板形控制***通信,以200ms的频率实时连续采集实际生产过程数据,每一个数据都包括该数据的采集时间、采集位置和数据值。在每一个数据采集周期,该模块根据带钢跟踪信息,将本次采集到的所有实际过程数据与带钢位置匹配,并以堆栈的方式存入***数据缓存区域,当一卷带钢轧制完成后,从缓存区中读取该卷带钢的数据,以钢卷为单位进行存储;
(2)工艺数据预处理模块从以钢卷为单位存储的实际过程数据文件中读取实际过程数据,这些数据直接来自于环境恶劣、干扰源众多的L1级现场,因此含有较多的干扰信息,具有杂乱性、重复性和不完整性的特点。本模块以带钢板形控制工艺知识为指导,经过数据选取、数据集成和数据预处理等步骤,重新组织实际过程数据,为后面的数据挖掘提供干净、准确和更有针对性的工艺数据,从而提高了数据挖掘的效率和准确度。将经过处理的工艺数据发送到工艺数据存储模块;
(3)工艺数据存储模块将工艺数据预处理模块处理之后的用于数据挖掘的工艺数据以数据产生的时间序列方式存储,此时的工艺数据来自于多个已轧钢卷,反映了过去一段时间的板形控制状况,与具体钢卷没有关系。为了保证数据挖掘的执行效率,存储工艺数据采用多个小数据文件的存储方式;
(4)工艺数据相关性分析模块用相关性分析方法从影响冷连轧带钢板形质量的多种工艺参数中,找到起关键作用的工艺参数,作为工艺数据聚类分析模块和工艺数据关联规则分析模块的最终分析对象;
(5)工艺数据聚类分析模块使用模糊聚类分析的方法选择数据,科学地选取相对少量分析样本,消除数据冗余和冲突,同时保证了工艺数据关联规则分析模块所使用的分析样本的代表性和典型性,能以较少的分析样本取得较好的分析效果。同时完成对连续工艺数据的离散化处理;
(6)工艺数据关联规则分析模块利用数量关联规则挖掘算法Apriori算法以工艺数据相关性分析模块得到的影响板形质量的关键工艺参数为分析对象,对经过工艺数据聚类分析模块处理后的工艺数据进行关联规则分析,挖掘板形质量与各板形影响关键参数组合之间的关联规则,筛选满足最小可信度和支持度要求的关联规则,构成板形控制规则库;
(7)优化结果产生模块在板形控制工艺知识的指导下,从板形控制规则库中提取能够获得良好板形的板形控制规则,获得各种板形影响关键工艺参数的最优组合,构成良好板形控制规则库;
(8)优化结果应用模块根据来料带钢和产品带钢的PDI数据,从良好板形控制规则库中选择相应的板形控制规则(板形影响关键工艺参数的组合)发送到L1级板形控制***,用于现场板形控制;
上述工艺数据预处理模块中的工艺数据预处理步骤包括:
①数据的选取:轧制过程数据量巨大,涵盖范围也比较广泛,本方法的研究目标是冷连轧板形过程控制,在深入分析冷连轧板形控制工艺的基础上,只选取与板形控制过程密切相关的各机架速度、轧制力、弯辊力、窜辊量、机架间张力、机架出口厚度、板形测量结果等数据作为分析对象,将研究对象限定在一定的范围内;
②数据的集成:根据分析目的选取的工艺数据来自多个检测***,数据集成完成异构数据的转换问题,包括数据的命名、结构、单位、含义。同时多个检测***的数据采集时间和采集位置都不相同,也必须以带钢长度方向上的位置为基准,把实际数据对应起来,组成一组数据,在最低层次上加以转换、提炼和聚集,形成最初始的数据空间;
③数据的清理:主要解决实际数据中必然和广泛存在的数据空缺值、错误数据、孤立点、噪声等问题。处理步骤包括:
④处理空缺值:采用忽略或者填补的方法。对不同的属性值空缺采用了不同的处理方式:对于可测属性的空缺,采取删除的方法;对于不可测属性,则根据领域知识对其进行补充;
⑤处理错误数据:对采集到的实际数据经过极限检查,确认其有效性,超出极限范围时用极限值替代;
⑥处理数据中的奇异项:针对实际数据序列中的奇异项数据,采用一阶差分方法进行处理。判断奇异项的准则是:给定一个误差限W,若t时刻的采样值为xt,预测值为x′t,当|xt-x′t|>W时,则认为此采样值xt是奇异项,应当予以剔除,而以预测值x′t取代采样值xt。误差限W要根据数据采集***的速率、被测物理量的变化特性来决定。预测值x′t可以根据下式所示一阶差分方程推算。
x′t=xt-1+(xt-1-xt-2)
式中:x′t——t时刻的预测值;
xt-1——t时刻前1个时刻的值;
xt-2——t时刻前2个时刻的值。
⑦数据的滤波处理:将算术平均值法和中值滤波法这两种方法结合,即先用中值滤波法滤除由于脉冲干扰而有偏差的采样值,然后再作算术平均。这样既可以去除脉冲干扰,又可以对采样值进行平滑处理。其原理如下式所示:
x1≤x2≤…≤xN 3≤N≤5
Y=(x2+x3+…+xN-1)/(N-2)
上述工艺数据存储模块中的工艺数据存储为了保证后面各功能模块读取数据的高效性,数据存储采用多个小容量文件的形式存储;同时,为了保证数据挖掘结果的时效性,真正反映过去一段时间的板形控制状况,工艺数据的存储采用了循环覆盖的方式,始终存储的是过去一天内的工艺数据。
上述工艺数据相关性分析模块中的工艺数据相关性分析模块,采用简单相关性分析算法,对工艺数据存储模块所存储的海量工艺数据进行相关性分析,定量确定工艺数据预处理模块所选择的每一种工艺参数和板形质量之间的相关性,将相关性绝对值大于给定阈值的参数作为工艺数据聚类分析模块和模块工艺数据关联规则分析模块的研究对象,相关性绝对值小于或等于给定阈值的参数则不作为工艺数据聚类分析模块和工艺数据关联规则分析模块的研究对象。这样可以将工艺数据聚类分析模块和工艺数据关联规则分析模块的研究对象限定在少量的参数范围内,提高模块的执行效率,同时也便于优化结果的使用。
经过上述工艺数据预处理模块和工艺数据相关性分析模块对数据的预处理和选择后,每组数据的准确性和针对性满足了进一步分析的要求,但依然是海量的连续工艺数据,上述工艺数据聚类分析模块中的工艺数据聚类分析使用模糊C均值聚类方法,将工艺数据相关性分析模块筛选出来的每一种对板形质量起关键作用的工艺参数分成不同密度的数值区间,科学地选取相对少量分析样本,同时保证工艺数据关联规则分析模块所使用的分析样本的代表性和典型性;同时,满足了关联规则分析算法对数据对象离散化的要求,完成了对具有连续属性的板形控制关键工艺参数的离散化处理。
上述工艺数据关联规则分析模块中的工艺数据关联规则分析模块具有如下特点:
①根据所述工艺数据相关性分析模块确定的板形影响关键参数和板形质量参数,构造待分析的数据结构;
②对于钢种、产品宽度、产品厚度这些本身已经有明确分类的参数,对它们的处理是直接利用现有的产线产品大纲的类别区间;
③对于轧制力、轧制速度、中间辊弯辊、工作辊弯辊、中间辊窜辊、前张应力和后张应力这些存在随机的、较大的变化范围的参数,采用工艺数据聚类分析模块的聚类结果,获得不同的数值区间;
④在冷连轧板形控制工艺知识的指导下,将已经离散化,具有不同数值区间的工艺数据相关性分析模块确定的板形影响关键参数和板形质量参数进行组合,获得一系列项目集(数据记录集),每一个项目集包含多个项目;
⑤运用Apriori算法挖掘板形质量与各板形影响关键参数之间的关联规则,筛选满足最小可信度和支持度要求的关联规则,构成板形控制规则库。
上述工艺数据关联规则分析模块所产生的板形控制规则库中所包含的板形控制规则,是对实际数据客观分析的结果,既可能包含能产生良好板形的规则,也可能包含能导致板形质量缺陷的规则。上述优化结果产生模块在板形控制工艺知识的指导下,从板形控制规则库中提取能够获得良好板形的板形控制规则,获得各种板形影响关键工艺参数的最优组合,构成良好板形控制规则库。
上述优化结果应用模块将原料厚度、产品厚度、产品宽度和钢种作为良好板形控制规则的查询条件,如果从良好板形控制规则库中可以查询到一条板形控制规则,则直接可以作为应用规则;如果可以查询到多条板形控制规则,则按照支持度由高到低的顺序排列,取支持度最高的板形控制规则作为应用规则;如果没有查询到可用的板形控制规则,则不向控制***发出应用规则,控制***使用默认设定结果。
有益效果:
本发明与传统的板形控制方法相比,具有如下一些优越性:
(1)充分利用现代化冷连轧生产线配备的大量传感器、检测仪器和仪表,完整记录轧制过程的有关设备状况、轧件状况、控制状况和板带质量状况数据,获得大量蕴涵了操作工人成功的板形控制经验的轧制信息,如带钢宽度、厚度、平坦度、辊缝、张力、轧制速度、轧制力、轧辊倾斜量、弯辊力、窜辊量等。通过对这些数据的重新组织和可靠性处理,掌握了真实反映板形控制状况的可靠数据;
(2)利用数据挖掘技术对板形控制过程工艺数据进行数据挖掘,提取隐含在海量数据中的操作人员和控制***的成功板形控制经验,形成良好板形控制规则。利用这些来自于现场实际数据的板形控制规则,能够有效提高冷连轧板形控制的成才率和合格率;
(3)避开了过去那种对板带轧制过程深层规律无止境的探求,而是以事实和数据为根据,实现对板形控制过程的优化分析和控制。这样就不必担心哪一条基本假设脱离实际,也不必怀疑哪一步简化处理过于粗糙,只要相信传感器,相信过去发生的事件、采集到的数据是真实可靠的,就有理由相信数据挖掘的结果是正确的、可靠的。
总之,本发明根据冷连轧板形控制过程的工艺特点,以事实和数据为依据,有效运用了数据挖掘中的数据采集、数据存储、数据预处理、聚类分析和关联规则分析算法,从海量板形控制工艺数据中挖掘获取可靠和可信的良好板形控制规则,达到提高冷连轧带钢板形质量的目的。
附图说明
下面结合附图对本发明的具体实施方式作进一步说明。
图1为本发明“一种基于数据挖掘的板形控制关键工艺参数优化***”的总体流程图。
图2为本发明具体实施方式的实际数据采集和存储过程流程图。
图3为本发明具体实施方式的工艺数据处理和工艺数据存储过程流程。
图4为本发明具体实施方式的关联规则分析过程流程图及与其他模块关系示意图。
具体实施方式
本发明提出的一种基于数据挖掘的板形控制关键工艺参数优化方法,采用数据挖掘算法获得板形良好控制规则,应用于冷连轧板形控制***,结合附图和实例详细说明如下:
下面以一个具体的冷连轧产线为例,详细说明对其应用基于数据挖掘的板形控制关键工艺参数优化***的全过程。
本实施例选用的冷连轧产线的主要参数为:
连轧工艺段:西马克五机架串列式冷连轧机组;
轧辊类型:五个机架均是六辊轧机,中间辊带CVC辊形;
板形控制手段:工作辊弯辊、中间辊窜辊和中间辊窜辊;
原料厚度范围:1.60~6.00mm;
原料宽度范围:800~1900mm
产品厚度范围:0.2~2.5mm;
产品宽度范围:800~1870mm
本发明的基础和研究的核心对象是板形控制工艺过程数据,该实例冷连轧产线配备了先进的检测仪表,这为本发明的实施提供了坚实的数据基础。以下是该产线的主要检测仪器和仪表。
(1)该产线共三台测厚仪,分别位于第一机架前后和第五机架后,测量带钢中点的厚度;
(2)该生产线共配置了三台激光测速仪,分别为第一机架后和第五机架前后,测量带钢实际轧制速度;
(3)轧机区域机架间和机组前后配置ABB压力检测仪间接测量带钢张力;
(4)各机架压下液压缸内配置索尼磁尺,测量机架压下量、倾斜等信息;
(5)各机架压下***中配置HYDAC压力传感器,测量实际轧制力信息;
(6)液压弯辊和窜辊***中的HYDAC压力传感器和GR位置测量装置,可以测量弯辊力和窜辊量信息;
(7)该产线五机架出口配置德国Achenbach(阿申巴赫)公司的BFI板形仪,一共62个测量段;
(8)该产线共具有四台焊缝检测仪和多个带钢位置跟踪点,能够准确的将产线工艺参数和带钢匹配起来;
本发明的一种基于数据挖掘的板形控制关键工艺参数优化***在实例冷连轧产线的应用总体过程参见附图1所示,共包含如下八个步骤:实际数据采集和存储、工艺数据预处理、工艺数据存储、工艺数据相关性分析、工艺数据聚类分析、工艺数据关联规则分析、优化结果产生、优化结果应用。
(1)实际数据采集和存储
如附图2所示,产线配备的各种检测仪器和仪表,将冷连轧过程中包括板形控制参数在内的各种工艺参数实际值发送到现场L1级控制***,本方法的实际数据采集和存储模块采用TCP/IP协议与现场冷连轧L1级板形控制***通信,以200ms的频率实时连续采集实际生产过程数据。具体的数据采集项如下表1所示:
表1 实际数据采集项
No. | 采集项目 |
1 | 原料厚度 |
2 | 原料宽度 |
3 | 凸度 |
4 | 屈服强度 |
5 | 钢种 |
6 | 楔形 |
7 | 产品厚度 |
8 | 产品宽度 |
9 | 各机架轧制力 |
10 | 各机架间张力 |
11 | 各机架带钢速度 |
12 | 各机架轧辊速度 |
13 | 各机架前滑 |
14 | 各机架窜辊量 |
15 | 各机架弯辊力 |
16 | 各机架轧辊倾斜 |
17 | 各机架出口厚度 |
18 | 第五机架平坦度 |
每一种数据采集项都包括该数据的采集时间、采集位置和数据值。将每一个采集项所获得的位置信息与带钢跟踪信息比较,确定该数据项是属于产线上多块带钢的哪一块,并以堆栈的方式存入所属带钢的数据缓存区域,当该卷带钢轧制完成剪切后,从缓存区中读取该卷带钢的数据,以钢卷为单位进行存储。
(2)工艺数据预处理
如附图3所示,工艺数据预处理模块从以钢卷为单位存储的实际过程数据文件中读取实际过程数据,为了消除这些数据所具有的杂乱性、重复性和不完整性的特点,对这些数据进行了数据选取、数据集成和数据预处理等步骤,重新组织实际过程数据,为后面的数据挖掘提供干净、准确和更有针对性的工艺数据。如附图3所示,具体步骤包括:
①数据的选取:本方法的研究目标是冷连轧板形过程控制,将研究对象限定在一定的范围内,只选取与板形控制过程密切相关的各机架速度、轧制力、弯辊力、窜辊量、机架间张力、机架出口厚度、板形测量结果等数据作为分析对象;
②数据的集成:根据分析目的选取的工艺数据来自多个检测***,从数据的命名、结构、单位、含义等角度完成异构数据的转换。同时以带钢长度方向上的位置为基准,把实际数据对应起来,组成完成的一组数据,在最低层次上将实际测量数据加以转换、提炼和聚集,形成最初始的数据空间;
③处理空缺值:采用忽略或者填补的方法。对不同的属性值空缺采用了不同的处理方式:对于可测属性的空缺,采取删除的方法,例如速度、轧制力等出现空缺则将该组数据删除;对于不可测属性,则根据领域知识对其进行补充,例如第二、三、四机架的出口厚度,因为没有测厚仪,可以根据采用的负荷分配策略,利用已有的第一、五机架的出口厚度计算得出;
④处理错误数据:对采集到的实际数据经过极限检查,确认其有效性,超出极限范围时用极限值替代;
⑤处理数据中的奇异项:针对实际数据序列中的奇异项数据,采用一阶差分方法进行处理。判断奇异项的准则是:给定一个误差限W,若t时刻的采样值为xt,预测值为x′t,当|xt-x′t|>W时,则认为此采样值xt是奇异项,应当予以剔除,而以预测值x′t取代采样值xt。预测值x′t可以根据下式所示一阶差分方程推算。
x′t=xt-1+(xt-1-xt-2)
式中:x′t——t时刻的预测值;
xt-1——t时刻前1个时刻的值;
xt-2——t时刻前2个时刻的值。
本发明在该产线实施中,误差限W取机械设备允许的控制参数单步变化量,例如中间辊窜辊的误差限取为25mm。
⑥数据的滤波处理:将算术平均值法和中值滤波法这两种方法结合,即先用中值滤波法滤除由于脉冲干扰而有偏差的采样值,然后再作算术平均。这样既可以去除脉冲干扰,又可以对采样值进行平滑处理。其原理如下式所示:
x1≤x2≤…≤xN 3≤N≤5
Y=(x2+x3+…+xN-1)/(N-2)
(3)工艺数据存储
工艺数据存储模块将工艺数据预处理模块处理之后的用于数据挖掘的工艺数据以数据产生的时间序列方式存储,形成5个与钢卷无关的5M大小的数据文件TechData.an1、TechData.an2、TechData.an3、TechData.an4和TechData.an5,并且采用循环存储覆盖的方式,始终存储的是过去一天内的工艺数据。
(4)工艺数据相关性分析
工艺数据相关性分析采用简单相关性分析算法,对所存储的海量工艺数据进行相关性分析,定量确定工艺数据预处理模块所选择的每一种工艺参数和板形质量之间的相关性,以0.1作为参数选择的阈值,将相关性绝对值大于该给定阈值的参数作为工艺数据聚类分析模块和工艺数据关联规则分析模块的研究对象,如下表2所示,从而找到对板形质量起关键作用的工艺参数对象。
表2 工艺数据相关性分析结果
参数 | 相关性 |
带钢厚度 | -0.37844 |
带钢宽度 | 0.444298 |
轧制力 | 0.359302 |
带钢速度 | 0.162127 |
中间辊弯辊 | -0.54999 |
工作辊弯辊 | -0.51429 |
中间辊窜辊 | 0.176165 |
入口张应力 | 0.266909 |
出口张应力 | 0.335824 |
(5)工艺数据聚类分析
工艺数据聚类分析模块使用模糊C均值聚类方法,将工艺数据相关性分析模块筛选出来的每一种对板形质量起关键作用的工艺参数分成不同密度的数值区间,科学地选取相对少量分析样本,同时保证工艺数据关联规则分析模块所使用的分析样本的代表性和典型性;同时,为了满足关联规则分析算法对数据对象离散化的要求,完成对具有连续属性的板形控制关键工艺参数进行离散化处理。
针对不同的对象使用不同的处理方法。
①钢种、产品宽度、产品厚度是几个相对变化较小,本身已经有明确分类的量,所以对它们的处理是直接利用现有的该产线产品大纲的分类。例如,成品厚度可以分成[0.10,0.23]、[0.23,0.34]、[0.34,0.50]、[0.50,0.75]、[0.75,1.20]、[1.20,2.60]等类别区间;
②轧制力、轧制速度、中间辊弯辊、工作辊弯辊、中间辊窜辊、前张应力和后张应力存在随机的、较大的变化范围,因此采用上文提到的聚类分析的方法,基于距离对数值属性进行离散化分类,获得不同的数值区间;
③对于板形质量评价,根据不同产品质量要求和下道工序对带钢的板形需求,将板形质量评价分为了[0.0,1.0]、[1.0,2.0]、[2.0,3.0]、[3.0,4.0]、[4.0,6.0]等类别区间。
轧制力Rf、轧制速度Vs、中间辊弯辊力BfIr、工作辊弯辊力BfWr、中间辊窜辊量SrIr、前张应力Tf、后张应力Tb,将他们离散化聚类为4类,某次聚类分析的结果如下表3所示:
表3 工艺数据聚类分析结果
(6)工艺数据关联规则分析模块
如附图4所示,工艺数据关联规则分析模块利用数量关联规则挖掘算法Apriori算法以工艺数据相关性分析模块得到的影响板形质量的关键工艺参数为分析对象,对经过工艺数据聚类分析模块处理后的工艺数据进行关联规则分析,挖掘板形质量与各板形影响关键参数组合之间的关联规则,筛选满足最小可信度和支持度要求的关联规则,构成板形控制规则库。具体步骤及与其他模块的关系如附图4所示:
①根据工艺数据相关性分析模块确定的板形影响关键参数和板形质量参数,构造待分析的数据结构;
{Grade,B,h,Rf,Vs,BfIr,BfWr,SrIr,Tf,Tb,Fl}
式中:Grade——钢种;
B——产品宽度,mm;
h——产品厚度,mm;
Rf——轧制力,kN;
Vs——轧制速度,m/s;
BfIr——中间辊弯辊力,kN;
BfWr——工作辊弯辊力,kN;
SrIr——中间辊窜辊量,mm;
Tf——前张应力,MPa;
Tb——后张应力,MPa;
Fl——板形质量评价,I-Unit。
②在冷连轧板形控制工艺知识的指导下,将已经经过工艺数据聚类分析模块离散化以后的,具有不同数值区间的钢种、产品宽度、产品厚度、轧制力、轧制速度、中间辊弯辊、工作辊弯辊、中间辊窜辊、前张应力和后张应力等板形影响关键参数和板形质量参数进行组合,获得一系列项目集(数据记录集),每一个项目集包含11个项目;
③运用Apriori算法挖掘板形质量与各板形影响关键参数之间的关联规则,筛选满足最小可信度和支持度要求的关联规则,构成板形控制规则库。运用Apriori算法从项目集中发现频繁项目集,判断一个条件属性集和决策属性集之间的关联规则是否成立,例如判断下式所示规则
(Grade=C1)^(B=C2)^(h=C3)^(Rf=C4)^(Vs=C5)^(BfIr=C6)
式中:C1、C2、C3、C4、C5、C6、C7、C8、C9、C10——各条件属性的取值范围;
D1——决策属性的取值。
是否成立,只需要判断该规则的支持度及信任度是否大于Smin和Cmin。
(7)优化结果产生
如附图4所示,优化结果产生模块在板形控制工艺知识的指导下,从板形控制规则库中提取能够获得良好板形的板形控制规则,获得各种板形影响关键工艺参数的最优组合,构成良好板形控制规则库。综合步骤(5)和步骤(6)举例说明。
取关联规则分析的支持度Smin=10%,可信度Cmin=80%,以带钢板形最优(Fl在[0,2]范围内)为目标,在领域知识的指导下,这些聚类类别互相组合,可以得到124种项目集(数据记录集)。利用Apriori算法从这些数据记录集中发现频繁项目集,进而得到满足Smin和Cmin分析条件,并且可使板形最优的关联规则如表4所示:
表4 良好板形控制规则
通过以上分析可以认为,当轧制钢种为SPHC,带钢宽度B为[900,1200],成品厚度h为[0.34,0.5]的时候,板形控制***中的轧制力Rf、轧制速度Vs、中间辊弯辊力BfIr、工作辊弯辊力BfWr、中间辊窜辊量SrIr、前张应力Tf、后张应力Tb采用如表4所示的参数范围,可以得到较好的板形。
(8)优化结果应用
优化结果应用模块根据来料带钢和产品带钢的PDI数据,以钢种、来料带钢的厚度、产品带钢的厚度和带钢宽度为索引,从良好板形控制控制规则库中选择相应的板形控制规则(板形影响关键工艺参数的组合)发送到L1级板形控制***,用于现场板形控制;
Claims (8)
1.一种基于数据挖掘的板形控制关键工艺参数优化***,采用数据挖掘方法,获取能够满足冷连轧板形良好的关键工艺参数优化设定,其特征在于:该***包括:实际数据采集和存储模块、工艺数据预处理模块、工艺数据存储模块、工艺数据相关性分析模块、工艺数据聚类分析模块、工艺数据关联规则分析模块、优化结果产生模块、优化结果应用模块;各模块的功能为:
(1)实际数据采集和存储模块与现场冷连轧L1级板形控制***通信,以200ms的周期实时连续采集实际生产过程数据;在每一个数据采集周期,模块根据带钢跟踪信息,将本次采集到的所有实际过程数据与带钢位置匹配,并以堆栈的方式存入***数据缓存区域,当一卷带钢轧制完成后,从缓存区中读取该卷带钢的数据,以钢卷为单位存储实际生产过程数据;
(2)工艺数据预处理模块从以钢卷为单位存储的实际过程数据文件中读取实际过程数据,以带钢板形控制工艺知识为指导,经过数据选取、数据集成和数据预处理步骤,重新组织实际过程数据,为后面的数据挖掘提供干净、准确和更有针对性的工艺数据;完成处理后,将经过处理的工艺数据发送到工艺数据存储模块;
(3)工艺数据存储模块将工艺数据预处理模块处理之后的用于数据挖掘的工艺数据以数据产生的时间序列方式存储,保证数据挖掘的执行效率,存储工艺数据采用多个小数据文件的方式;
(4)工艺数据相关性分析模块用相关性分析方法从影响冷连轧带钢板形质量的多种工艺参数中,找到起关键作用的工艺参数,作为工艺数据聚类分析模块和工艺数据关联规则分析模块的最终分析对象;
(5)工艺数据聚类分析模块使用聚类分析的方法选择数据,选取相对少量分析样本,消除数据冗余和冲突,同时保证了工艺数据关联规则分析模块所使用的分析样本的代表性和典型性,能以较少的分析样本取得较好的分析效果;同时达到对连续工艺数据的离散化处理;
(6)工艺数据关联规则分析模块利用数量关联规则挖掘算法Apriori算法以工艺数据相关性分析模块得到的影响板形质量的关键工艺参数为分析对象,对经过工艺数据聚类分析模块处理后的工艺数据进行关联规则分析,挖掘板形质量与各板形影响关键参数组合之间的关联规则,筛选满足最小可信度和支持度要求的关联规则,构成板形控制规则库;
(7)优化结果产生模块在板形控制工艺知识的指导下,从板形控制规则库中提取能够获得良好板形的板形控制规则,获得各种板形影响关键工艺参数的最优组合,构成良好板形控制规则库;
(8)优化结果应用模块根据来料带钢和产品带钢的PDI数据,从良好板形控制规则库中选择相应板形影响关键工艺参数的组合,发送到L1级板形控制***,用于现场板形控制。
2.根据权利要求1所述的***,其特征在于,所述工艺数据预处理模块中的工艺数据预处理模块的步骤包括:
(1)数据的选取:对冷连轧板形过程控制,在深入分析冷连轧板形控制工艺的基础上,只选取与板形控制过程密切相关的各机架速度、轧制力、弯辊力、窜辊量、机架间张力、机架出口厚度、板形测量结果数据作为分析对象;
(2)数据的集成:根据分析目的选取的工艺数据来自多个检测***,数据集成完成异构数据的转换问题,包括数据的命名、结构、单位、含义;同时多个检测***的数据采集时间和采集位置都不相同,也必须以带钢长度方向上的位置为基准,把实际数据对应起来,组成一组数据,在最低层次上加以转换、提炼和聚集,形成最初始的数据空间;
(3)数据的清理:解决实际数据中必然和广泛存在的数据空缺值、错误数据、孤立点、噪声问题。
3.根据权利要求1所述的***,其特征在于,所述的工艺数据存储模块中的工艺数据存储如下:
数据存储采用多个小容量文件的形式存储;
工艺数据的存储采用了循环覆盖的方式,始终存储的是过去一天内的工艺数据。
4.根据权利要求1所述的***,其特征在于,所述的工艺数据相关性分析模块中的工艺数据相关性分析,采用简单相关性分析算法,对工艺数据存储模块所存储的海量工艺数据进行相关性分析,定量确定工艺数据预处理模块所选择的每一种工艺参数和板形质量之间的相关性,将相关性绝对值大于给定阈值的参数作为工艺数据聚类分析模块和工艺数据关联规则分析模块的对象。
5.根据权利要求1所述的***,其特征在于,所述工艺数据聚类分析模块中的工艺数据聚类分析模块使用模糊C均值聚类方法,达到两个目的:
选取相对少量分析样本,消除数据冗余和冲突,同时保证工艺数据关联规则分析模块所使用的分析样本的代表性和典型性;
满足关联规则分析算法对数据对象离散化的要求,完成对具有连续属性的板形控制关键工艺参数进行离散化处理。
6.根据权利要求1所述的***,其特征在于,所述工艺数据关联规则分析模块中的工艺数据关联规则分析特点如下:
根据所述工艺数据相关性分析模块确定的板形影响关键参数和板形质量参数,构造待分析的数据结构;
对于钢种、产品宽度、产品厚度这些本身已经有明确分类的参数,对它们的处理是直接利用现有的产线产品大纲的类别区间;
对于轧制力、轧制速度、中间辊弯辊、工作辊弯辊、中间辊窜辊、前张应力和后张应力这些存在随机的、较大的变化范围的参数,采用工艺数据聚类分析模块的聚类结果,获得不同的数值区间;
在冷连轧板形控制工艺知识的指导下,将已经离散化,具有不同数值区间的工艺数据相关性分析模块确定的板形影响关键参数和板形质量参数进行组合,获得一系列项目集,每一个项目集包含多个项目;
运用Apriori算法挖掘板形质量与各板形影响关键参数之间的关联规则,筛选满足最小可信度和支持度要求的关联规则,构成板形控制规则库;
7.根据权利要求1所述的***,其特征在于,所述优化结果产生模块优化结果产生如下:
所述工艺数据关联规则分析模块所产生的板形控制规则库中所包含的板形控制规则,是对实际数据客观分析的结果,既包含能产生良好板形的规则,也包含能导致板形质量缺陷的规则;
在板形控制工艺知识的指导下,从板形控制规则库中提取能够获得良好板形的板形控制规则,获得各种板形影响关键工艺参数的最优组合,构成良好板形控制规则库。
8.根据权利要求1所述的***,其特征在于,所述优化结果应用模块优化结果应用如下:
用于从良好板形控制规则库中选择板形控制规则的来料带钢和产品带钢的PDI数据包括:原料厚度、产品厚度、产品宽度和钢种;
若根据上述数据从良好板形控制规则库中可以查询到一条板形控制规则,则直接可以作为应用规则;如果可以查询到多条板形控制规则,则按照支持度由高到低的顺序排列,取支持度最高的板形控制规则作为应用规则;如果没有查询到可用的板形控制规则,则不向控制***发出应用规则,控制***使用默认设定结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010545725A CN102069094B (zh) | 2010-11-16 | 2010-11-16 | 一种基于数据挖掘的板形控制关键工艺参数优化*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010545725A CN102069094B (zh) | 2010-11-16 | 2010-11-16 | 一种基于数据挖掘的板形控制关键工艺参数优化*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102069094A CN102069094A (zh) | 2011-05-25 |
CN102069094B true CN102069094B (zh) | 2012-08-29 |
Family
ID=44027971
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201010545725A Active CN102069094B (zh) | 2010-11-16 | 2010-11-16 | 一种基于数据挖掘的板形控制关键工艺参数优化*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102069094B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102022211278B3 (de) | 2022-10-25 | 2023-12-28 | Sms Group Gmbh | Verfahren und Computerprogramm zum Anpassen des Soll-Dickenwertes für eine Regelung der Dicke eines neu zu walzenden Bandes für mindestens ein Walzgerüst |
Families Citing this family (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102581030B (zh) * | 2012-03-19 | 2013-11-20 | 中冶南方工程技术有限公司 | 冷轧带钢板板形闭环控制周期的确定方法 |
JP5888175B2 (ja) * | 2012-08-07 | 2016-03-16 | 東芝三菱電機産業システム株式会社 | データ解析装置 |
CN103123483B (zh) * | 2012-12-20 | 2014-12-31 | 北京首钢自动化信息技术有限公司 | 一种基于聚类分析的新钢种轧制变形抗力预测*** |
CN103341506B (zh) * | 2013-07-10 | 2015-03-11 | 鞍钢股份有限公司 | 一种基于数据模式的板形时间序列数据挖掘方法 |
CN103605649A (zh) * | 2013-08-22 | 2014-02-26 | 中国电子科技集团公司第四十八研究所 | 一种用于预估mocvd工艺结果的数据挖掘方法 |
CN103473641A (zh) * | 2013-09-06 | 2013-12-25 | 上海大学 | 隧道管片生产管理方法 |
CN103530664A (zh) * | 2013-09-06 | 2014-01-22 | 上海大学 | 隧道管片生产管理*** |
CN104415976B (zh) * | 2013-09-11 | 2016-07-06 | 上海宝信软件股份有限公司 | 冷轧生产线跨机组产品质量关联分析方法 |
CN104750680B (zh) * | 2013-12-26 | 2018-01-23 | 中富通股份有限公司 | 一种基于堆栈循环检测的连续线性特征区域快速聚拢方法 |
CN103902712A (zh) * | 2014-04-03 | 2014-07-02 | 河北普阳钢铁有限公司 | 一种工业实时数据采集*** |
CN104898430B (zh) * | 2015-06-03 | 2017-07-18 | 北京首钢自动化信息技术有限公司 | 基于数据挖掘的单机架冷轧轧制力模型参数优化方法 |
CN106623446B (zh) * | 2016-11-29 | 2018-05-01 | 武汉考克利尔工程技术有限公司 | 热冷轧生产线上工艺检测点的钢卷开始结束时间获取方法 |
CN107085623B (zh) * | 2016-11-30 | 2020-07-31 | 江西洪都航空工业集团有限责任公司 | 一种框肋零件制造工艺知识覆盖度计算方法 |
CN109079427B (zh) * | 2017-06-14 | 2021-01-19 | 宿迁市三石包装容器有限公司 | 一种应用数据挖掘技术的钢桶生产工艺 |
CN107559944B (zh) * | 2017-09-22 | 2019-11-19 | 天津大学 | 一种识别集中供热***调节模式的方法 |
CN107695107B (zh) * | 2017-11-23 | 2019-01-29 | 北京科技大学设计研究院有限公司 | 一种双机架粗轧机设定数据的跟踪管理方法 |
CN109859066A (zh) * | 2017-11-30 | 2019-06-07 | 阿里巴巴集团控股有限公司 | 一种确定工艺参数的方法和装置 |
CN108108752B (zh) * | 2017-12-15 | 2022-01-11 | 中冶南方工程技术有限公司 | 一种冷连轧生产实绩中工艺数据处理方法 |
CN108171818A (zh) * | 2017-12-26 | 2018-06-15 | 安徽马钢自动化信息技术有限公司 | 一种冷轧带钢过程数据统计方法 |
CN108334557B (zh) * | 2017-12-29 | 2022-03-11 | 东软集团(上海)有限公司 | 一种聚合数据分析方法、装置、存储介质及电子设备 |
CN111752233A (zh) * | 2019-03-28 | 2020-10-09 | 宝山钢铁股份有限公司 | 一种生产过程数据在带钢长度位置上的赋值方法 |
CN109759452B (zh) * | 2019-03-28 | 2020-06-09 | 攀钢集团攀枝花钢钒有限公司 | 构建钢轨规格调整量模型的方法 |
CN109948283B (zh) * | 2019-03-29 | 2023-08-18 | 上海华力集成电路制造有限公司 | 一种半导体器件的分析方法 |
CN109933946B (zh) * | 2019-03-29 | 2023-08-18 | 上海华力集成电路制造有限公司 | 一种半导体器件的分析方法 |
CN111177862B (zh) * | 2019-12-13 | 2021-11-16 | 燕山大学 | 一种基于关联规则的板形曲线系数设定方法 |
CN113751511B (zh) * | 2020-06-04 | 2024-03-08 | 宝山钢铁股份有限公司 | 一种钢板厚度控制方法、计算机可读介质及电子设备 |
CN111665761B (zh) * | 2020-06-23 | 2023-05-26 | 上海一旻成锋电子科技有限公司 | 工业控制***及控制方法 |
CN114472546B (zh) * | 2020-10-27 | 2023-06-13 | 宝山钢铁股份有限公司 | 一种基于大数据对轧制力进行优化的方法及*** |
CN113627469B (zh) * | 2021-07-01 | 2024-02-09 | 北京科技大学 | 一种基于模糊推理算法的热轧带钢板形凸度预测的方法 |
CN113505890A (zh) * | 2021-07-29 | 2021-10-15 | 中船黄埔文冲船舶有限公司 | 一种船舶制造工艺生成方法和装置 |
CN115600930B (zh) * | 2022-11-29 | 2023-03-28 | 天津佰利金电力有限公司 | 用于电力金具生产数据的智能管理方法 |
CN115591947B (zh) * | 2022-12-15 | 2023-03-17 | 太原科技大学 | 一种连轧过程板带质量分布式调控方法 |
CN116882822B (zh) * | 2023-07-11 | 2024-05-07 | 安徽中科维德数字科技有限公司 | 一种pvb产品质量关联规则分析方法和*** |
CN117406668B (zh) * | 2023-12-14 | 2024-02-23 | 邢台金昆冶金机械有限公司 | 基于数值分析的轧辊质量控制数据模型及其应用 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1485156A (zh) * | 2002-09-28 | 2004-03-31 | 鞍钢集团新钢铁有限责任公司 | 热轧带钢中浪板形控制法 |
CN101003063A (zh) * | 2006-01-18 | 2007-07-25 | 宝山钢铁股份有限公司 | 在平整轧制过程中带钢的延伸率、板形及综合控制方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4181000B2 (ja) * | 2003-09-16 | 2008-11-12 | 新日本製鐵株式会社 | 板圧延機の変形特性同定方法およびそれを用いる板圧延方法 |
WO2008000845A1 (es) * | 2006-06-19 | 2008-01-03 | Fundacion Labein | Método y sistema de optimización de procesos de laminación de acero |
-
2010
- 2010-11-16 CN CN201010545725A patent/CN102069094B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1485156A (zh) * | 2002-09-28 | 2004-03-31 | 鞍钢集团新钢铁有限责任公司 | 热轧带钢中浪板形控制法 |
CN101003063A (zh) * | 2006-01-18 | 2007-07-25 | 宝山钢铁股份有限公司 | 在平整轧制过程中带钢的延伸率、板形及综合控制方法 |
Non-Patent Citations (3)
Title |
---|
JP特开2005-88026A 2005.04.07 |
吴少敏等.宝钢数据挖掘***.《宝钢技术》.2001,(第1期),第43-47,第63页. * |
彭亚侬.一种改进Apriori算法的数据挖掘算法研究.《电脑知识与技术》.2009,第5卷(第6期),第1450,1451,1458页. * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102022211278B3 (de) | 2022-10-25 | 2023-12-28 | Sms Group Gmbh | Verfahren und Computerprogramm zum Anpassen des Soll-Dickenwertes für eine Regelung der Dicke eines neu zu walzenden Bandes für mindestens ein Walzgerüst |
EP4360770A1 (de) | 2022-10-25 | 2024-05-01 | SMS Group GmbH | Verfahren und computerprogramm zum anpassen des soll-dickenwertes für eine regelung der dicke eines neu zu walzenden bandes für mindestens ein walzgerüst |
Also Published As
Publication number | Publication date |
---|---|
CN102069094A (zh) | 2011-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102069094B (zh) | 一种基于数据挖掘的板形控制关键工艺参数优化*** | |
CN104898430B (zh) | 基于数据挖掘的单机架冷轧轧制力模型参数优化方法 | |
CN109822399A (zh) | 基于并行深度神经网络的数控机床刀具磨损状态预测方法 | |
CN103246702B (zh) | 一种基于分段形态表示的工业序列数据缺失的填补方法 | |
CN101905248B (zh) | 一种带钢断面形状检测识别方法 | |
CN103722022B (zh) | 一种轧制过程中摩擦系数模型优化***及方法 | |
CN105403245A (zh) | 日光温室无线传感器多数据融合方法 | |
CN103123483B (zh) | 一种基于聚类分析的新钢种轧制变形抗力预测*** | |
CN109396576A (zh) | 基于深度学习的电火花加工稳定性与能耗状态优化决策***及决策方法 | |
CN104019739A (zh) | 基于分布式光纤光栅传感网络的板结构冲击载荷定位方法 | |
CN114329810B (zh) | 基于大数据的盾构机工作姿态实时预测方法 | |
Dong et al. | Multiscale feature extraction from the perspective of graph for hob fault diagnosis using spectral graph wavelet transform combined with improved random forest | |
CN107627152A (zh) | 一种基于bp神经网络的数控加工切屑控制方法 | |
CN107263211A (zh) | 一种基于多传感融合的刀具状态监测方法 | |
CN103345200A (zh) | 一种基于广义区间的切削加工颤振辨识方法 | |
CN105180850A (zh) | 计算玉米叶部大斑病病斑面积比例的方法及装置 | |
CN116335925B (zh) | 基于数据增强的煤矿井下乳化泵站智能调控*** | |
CN113404502A (zh) | 基于碴片形貌的盾构滚刀磨耗监测装置及方法 | |
CN117086117B (zh) | 一种钛带热轧过程温度控制方法及*** | |
CN110956155B (zh) | 基于co数据的综采工作面作业工序模糊聚类识别方法 | |
CN103729571A (zh) | 一种高炉炼铁过程一氧化碳利用率的建模方法 | |
CN101976307A (zh) | 印染流程污水监测指标时间约束关联规则挖掘算法 | |
CN117139380A (zh) | 一种基于调控经验自学习的镰刀弯控制方法 | |
CN102886384A (zh) | 基于支持向量机的森吉米尔20辊轧机板形缺陷识别方法 | |
CN117057666B (zh) | 一种数字化配电网的配电质量评估方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |