專利名稱：基于決策樹的精軋溫控過(guò)程關(guān)鍵特征變量提取方法
技術(shù)領(lǐng)域：
本發(fā)明涉及帶鋼熱連軋精軋終軋溫度模型建立過(guò)程中的關(guān)鍵特征變量提取方法， 特別涉及基于決策樹的精軋溫控過(guò)程關(guān)鍵特征變量提取方法。
背景技術(shù)：
在熱軋帶鋼生產(chǎn)中，精軋機(jī)組終軋溫度的控制精度對(duì)最終產(chǎn)品的組織性能有直接 影響。精軋帶鋼全長(zhǎng)終軋溫度控制一直是熱軋生產(chǎn)中的重要研究課題，也是難點(diǎn)之一。第 一，影響精軋終軋溫度的過(guò)程變量眾多；第二，精軋區(qū)內(nèi)有效測(cè)溫點(diǎn)少，只有粗軋出口和精 軋出口的兩個(gè)點(diǎn)測(cè)溫條件最可靠；第三，原有的溫度相關(guān)工藝模型精度有限，達(dá)不到實(shí)時(shí)控 制的要求；第四，用來(lái)控制全長(zhǎng)終軋溫度的常用手段包括控制帶鋼運(yùn)行加速度和機(jī)架間噴 淋的水量和水壓，它們對(duì)終軋溫度的影響都有很大的滯后，很難用常規(guī)的無(wú)模型控制方法 實(shí)現(xiàn)有效控制。綜合分析以上問(wèn)題，可以得出結(jié)論，建立可靠的終軋溫度控制模型是對(duì)精軋終軋 溫度進(jìn)行有效控制的前提。建立有效的溫度模型，就可以克服精軋生產(chǎn)線缺少有效測(cè)溫點(diǎn) 的困難，也可以彌補(bǔ)原有工藝模型精度低不能用于實(shí)時(shí)控制的缺點(diǎn)，更可以進(jìn)行有效的溫 度預(yù)報(bào)，從而解決水量和速度對(duì)溫度的控制滯后問(wèn)題。而建立可靠的終軋溫度控制模型的 前提，就是從眾多的精軋過(guò)程變量中提取出對(duì)精軋終軋溫度有決定性影響的若干關(guān)鍵特征 變量。為建立終軋溫度預(yù)報(bào)模型和修正精軋溫度工藝模型奠定基礎(chǔ)。

發(fā)明內(nèi)容
基于以上原因，本專利提出一種基于決策樹的精軋溫控過(guò)程關(guān)鍵特征變量提取方 法。這種方法能從精軋海量過(guò)程數(shù)據(jù)中，最終提取到精軋溫控過(guò)程中的具有決定性作用的 關(guān)鍵特征變量，為建立終軋溫度預(yù)報(bào)模型和修正精軋溫度工藝模型奠定基礎(chǔ)。本發(fā)明的基于決策樹的精軋溫控過(guò)程關(guān)鍵特征變量提取方法，包括如下步驟a)對(duì)精軋過(guò)程數(shù)據(jù)進(jìn)行預(yù)處理，將以帶鋼號(hào)為索引的過(guò)程數(shù)據(jù)轉(zhuǎn)化為以精軋溫度 為目標(biāo)屬性的決策屬性向量；b)對(duì)精軋終軋溫度進(jìn)行非線性離散化；c)計(jì)算以精軋終軋溫度為目標(biāo)屬性的決策屬性向量中每個(gè)離散或連續(xù)值決策屬 性的信息增益率，生成以精軋終軋溫度為目標(biāo)屬性的決策樹；d)根據(jù)信息增益率判定各個(gè)離散或連續(xù)值決策屬性對(duì)精軋終軋溫度影響的大小， 并按照決策樹的結(jié)點(diǎn)順序?qū)Q策屬性向量重新排序；e)提取影響精軋終軋溫度的關(guān)鍵特征變量。所述步驟a)對(duì)精軋過(guò)程數(shù)據(jù)進(jìn)行預(yù)處理，包括去噪和數(shù)據(jù)整理。從現(xiàn)場(chǎng)采集的海量過(guò)程數(shù)據(jù)，是按帶鋼號(hào)索引并由幾百個(gè)字段數(shù)據(jù)組成。首先，數(shù) 據(jù)采集過(guò)程中必然有一些偶然因素，所以要把超限幅噪聲數(shù)據(jù)濾掉，避免它們給信息熵和 信息增益率的計(jì)算帶來(lái)不利影響；其次，過(guò)程數(shù)據(jù)的索引排列形式也不符合對(duì)終軋溫度進(jìn)行決策的物理意義要求，因此要對(duì)數(shù)據(jù)進(jìn)行去噪和整理。所述的去噪為首先根據(jù)工藝和設(shè)備條件給出精軋過(guò)程數(shù)據(jù)的各個(gè)字段值的上下 限幅值，然后按照限幅值對(duì)相應(yīng)字段的所有數(shù)據(jù)，用限幅濾波法濾掉所有的該字段數(shù)據(jù)超 過(guò)限幅值的過(guò)程數(shù)據(jù)向量。在給出精軋過(guò)程數(shù)據(jù)的各個(gè)字段值的上下限幅值時(shí)需要按照精 軋工藝和設(shè)備情況進(jìn)行確定。所述的數(shù)據(jù)整理是將精軋過(guò)程數(shù)據(jù)的所有索引變量去掉，再將一條帶鋼的一個(gè)分 段號(hào)對(duì)應(yīng)的所有數(shù)據(jù)整理為一個(gè)數(shù)據(jù)向量，然后以精軋終軋溫度為目標(biāo)屬性，將數(shù)據(jù)向量 中的各個(gè)數(shù)據(jù)字段對(duì)應(yīng)作為向量的各個(gè)決策屬性，從而將過(guò)程數(shù)據(jù)轉(zhuǎn)化為以精軋終軋溫度 為目標(biāo)屬性的決策屬性向量。由帶鋼號(hào)索引的精軋過(guò)程數(shù)據(jù)是按照帶鋼號(hào)、帶鋼分段號(hào)和機(jī)架號(hào)分別采集的。 具體的過(guò)程數(shù)據(jù)分類形式為數(shù)據(jù)系列1 : {帶鋼號(hào)，字段n，字段12，字段13，......}數(shù)據(jù)系列2 {帶鋼號(hào)，字段21，字段22，字段23，......}數(shù)據(jù)系列3 {帶鋼號(hào)，分段號(hào)i，字段3il，字段3i2，......}數(shù)據(jù)系列4 {帶鋼號(hào)，分段號(hào)i，機(jī)架號(hào)j，字段4ijl，字段4ij2，……}其中，i e {1，2，3}，是帶鋼分段的索引號(hào);j e {1，2，...，7}，是精軋機(jī)架的索引號(hào)；舉例說(shuō)明字段下標(biāo)含義“字段12”表示一條帶鋼的第1個(gè)數(shù)據(jù)系列的第2個(gè)字段， “字段22”表示同一帶鋼的第2個(gè)數(shù)據(jù)系列的第2個(gè)字段，“字段3i2”表示同一帶鋼的第3個(gè) 數(shù)據(jù)系列的對(duì)應(yīng)第i個(gè)帶鋼分段的第2個(gè)字段，“字段4U2”表示同一帶鋼的第4個(gè)數(shù)據(jù)系列 的對(duì)應(yīng)第i個(gè)帶鋼分段的、第j個(gè)機(jī)架的第2個(gè)字段。這種過(guò)程數(shù)據(jù)組合形式，不符合溫控過(guò)程建模的物理意義，因此需要重新整理，去 掉所有索引變量，包括帶鋼號(hào)、段號(hào)、和機(jī)架號(hào)，將一條帶鋼的某一分段號(hào)對(duì)應(yīng)的所有數(shù)據(jù) 整理為一個(gè)數(shù)據(jù)向量，以終軋溫度為目標(biāo)屬性，數(shù)據(jù)向量中的各個(gè)數(shù)據(jù)字段對(duì)應(yīng)作為向量 的各個(gè)決策屬性，從而將過(guò)程數(shù)據(jù)轉(zhuǎn)化為以精軋溫度為目標(biāo)屬性的決策屬性向量。整理之后，對(duì)應(yīng)某一條帶鋼的第i個(gè)分段的屬性數(shù)據(jù)向量形式為目標(biāo)屬性^{字段 ，字段12，字段13，......，字段21’字段22’字段23，......字段3il，字段3,2，……字段4m ,字段4n2 .......，字段4/21 ‘字段4,.22，......，字段4,.71，字段4/72 .......}(1)其中，目標(biāo)屬性是該帶鋼的第i個(gè)分段的精軋終軋溫度。大括號(hào)內(nèi)的所有字段構(gòu)成與目標(biāo)屬性相對(duì)應(yīng)的屬性向量，各字段對(duì)應(yīng)為各個(gè)決策 屬性。通過(guò)以上方法，可以把現(xiàn)場(chǎng)采集的過(guò)程數(shù)據(jù)向量，轉(zhuǎn)化為用于構(gòu)造決策樹的決策屬性向量。所述步驟b)對(duì)精軋終軋溫度進(jìn)行非線性離散化，是以精軋終軋目標(biāo)溫度為中心 將精軋終軋溫度定義為對(duì)稱分布的五個(gè)區(qū)域，五個(gè)區(qū)域?qū)?yīng)目標(biāo)屬性的五個(gè)離散值。由于決策樹生成過(guò)程中，需要對(duì)目標(biāo)屬性值離散分類，才能進(jìn)行信息熵和信息增 益率的計(jì)算，因此需要對(duì)精軋終軋溫度進(jìn)行非線性離散化。根據(jù)精軋過(guò)程的工藝特點(diǎn)和實(shí)際過(guò)程數(shù)據(jù)中終軋溫度的實(shí)際分布情況，定義以精 軋終軋目標(biāo)溫度為中心的對(duì)稱分布的五個(gè)區(qū)域，從而實(shí)現(xiàn)作為目標(biāo)屬性終軋溫度的非線性 離散化。具體離散化方式可見

圖1。其中，T0是終軋目標(biāo)溫度，a是溫度變化量，其大小根據(jù)精軋工藝具體確定。以目 標(biāo)溫度Ttl為中心，對(duì)稱分布的五個(gè)區(qū)域被劃分為表1目標(biāo)屬性的非線性離散化
權(quán)利要求
1.基于決策樹的精軋溫控過(guò)程關(guān)鍵特征變量提取方法，其特征在于包括如下步驟a)對(duì)精軋過(guò)程數(shù)據(jù)進(jìn)行預(yù)處理，將以帶鋼號(hào)為索引的過(guò)程數(shù)據(jù)轉(zhuǎn)化為以精軋溫度為目 標(biāo)屬性的決策屬性向量；b)對(duì)精軋終軋溫度進(jìn)行非線性離散化；c)計(jì)算以精軋終軋溫度為目標(biāo)屬性的決策屬性向量中每個(gè)離散或連續(xù)值決策屬性的 信息增益率，生成以精軋終軋溫度為目標(biāo)屬性的決策樹；d)根據(jù)信息增益率判定各個(gè)離散或連續(xù)值決策屬性對(duì)精軋終軋溫度影響的大小，并按 照決策樹的結(jié)點(diǎn)順序?qū)Q策屬性向量重新排序；e)提取影響精軋終軋溫度的關(guān)鍵特征變量。
2.根據(jù)權(quán)利要求1所述的基于決策樹的精軋溫控過(guò)程關(guān)鍵特征變量提取方法，其特征 在于所述步驟a)對(duì)精軋過(guò)程數(shù)據(jù)進(jìn)行預(yù)處理，包括去噪和數(shù)據(jù)整理。
3.根據(jù)權(quán)利要求2所述的基于決策樹的精軋溫控過(guò)程關(guān)鍵特征變量提取方法，其特征 在于所述的去噪為首先根據(jù)工藝和設(shè)備條件給出精軋過(guò)程數(shù)據(jù)的各個(gè)字段值的上下限幅 值，然后按照限幅值對(duì)相應(yīng)字段的所有數(shù)據(jù)，用限幅濾波法濾掉所有的該字段數(shù)據(jù)超過(guò)限 幅值的過(guò)程數(shù)據(jù)向量；所述數(shù)據(jù)整理是將精軋過(guò)程數(shù)據(jù)的所有索引變量去掉，再將一條帶 鋼的一個(gè)分段號(hào)對(duì)應(yīng)的所有數(shù)據(jù)整理為一個(gè)數(shù)據(jù)向量，然后以精軋終軋溫度為目標(biāo)屬性， 將數(shù)據(jù)向量中的各個(gè)數(shù)據(jù)字段對(duì)應(yīng)作為向量的各個(gè)決策屬性，從而將過(guò)程數(shù)據(jù)轉(zhuǎn)化為以精 軋終軋溫度為目標(biāo)屬性的決策屬性向量。
4.根據(jù)權(quán)利要求1所述的基于決策樹的精軋溫控過(guò)程關(guān)鍵特征變量提取方法，其特征 在于所述步驟b)對(duì)精軋終軋溫度進(jìn)行非線性離散化，是以精軋終軋目標(biāo)溫度為中心將精 軋終軋溫度定義為對(duì)稱分布的五個(gè)區(qū)域，五個(gè)區(qū)域分別對(duì)應(yīng)目標(biāo)屬性的五個(gè)離散值。
5.根據(jù)權(quán)利要求1所述的基于決策樹的精軋溫控過(guò)程關(guān)鍵特征變量提取方法，其特征 在于所述步驟c)的具體步驟如下對(duì)未成為決策結(jié)點(diǎn)的所有決策屬性進(jìn)行如下操作，1)對(duì)連續(xù)值決策屬性進(jìn)行離散分割；2)對(duì)離散決策屬性和離散分割后的連續(xù)值決策屬性進(jìn)行信息增益和信息增益率的計(jì)算；3)對(duì)比所有決策屬性的信息增益率值，取信息增益率最大的屬性作為決策樹當(dāng)前的決策結(jié)點(diǎn)ο4)反復(fù)執(zhí)行1)-3)步驟，直至所有決策屬性被遍歷，生成決策樹。
6.根據(jù)權(quán)利要求5所述的基于決策樹的精軋溫控過(guò)程關(guān)鍵特征變量提取方法，其特征 在于所述對(duì)連續(xù)值決策屬性進(jìn)行離散分割的方法為找出連續(xù)值決策屬性的取值范圍[a，b]，在區(qū)間[a,b]內(nèi)插入η個(gè)數(shù)值 (i = 1,2,1, η)，將[a, b]等分為n+1個(gè)小區(qū)間；比較用= 1,2, L, η)劃分連續(xù)值決策屬性[a，b]的信息增益率，找出具有最大信 息增益率的分割點(diǎn)％，用％作為離散分割閾值，將連續(xù)值決策屬性離散化。
7.根據(jù)權(quán)利要求6所述的基于決策樹的精軋溫控過(guò)程關(guān)鍵特征變量提取方法，其特征 在于所述用％劃分連續(xù)值決策屬性，計(jì)算信息增益率的方法為A、設(shè)某連續(xù)值決策屬性為A；B、設(shè)全部決策屬性向量構(gòu)成的集合為S，集合中的數(shù)據(jù)向量按照目標(biāo)屬性劃分為五個(gè)類，S相對(duì)于這5個(gè)類的信息熵為
8.根據(jù)權(quán)利要求7所述的基于決策樹的精軋溫控過(guò)程關(guān)鍵特征變量提取方法，其特征 在于所述2)步驟中進(jìn)行信息增益和信息增益率的計(jì)算，計(jì)算方法與用％劃分連續(xù)值決策 屬性，計(jì)算信息增益率的方法相同。
9.根據(jù)權(quán)利要求1所述的基于決策樹的精軋溫控過(guò)程關(guān)鍵特征變量提取方法，其特征 在于所述步驟d)具體為根據(jù)c步驟決策樹生成過(guò)程中計(jì)算的每個(gè)決策屬性信息增益率的 大小，判斷該屬性字段對(duì)應(yīng)的特征變量對(duì)終軋溫度影響的大小，并按照決策樹中的結(jié)點(diǎn)排 序?qū)λ袑傩宰侄闻判?，生成新的以精軋終軋溫度為目標(biāo)屬性的屬性向量。
10.根據(jù)權(quán)利要求1所述的基于決策樹的精軋溫控過(guò)程關(guān)鍵特征變量提取方法，其特 征在于所述步驟e)提取影響精軋終軋溫度的關(guān)鍵特征變量，根據(jù)溫度預(yù)報(bào)精度要求，提取 d)步驟中獲得的新的屬性向量中的前面若干個(gè)屬性作為精軋終軋溫度的關(guān)鍵特征變量，并 結(jié)合精軋實(shí)際工藝特點(diǎn)進(jìn)行篩選和調(diào)整。
全文摘要
本發(fā)明涉及一種基于決策樹的精軋溫控過(guò)程關(guān)鍵特征變量提取方法。該方法首先對(duì)精軋過(guò)程數(shù)據(jù)進(jìn)行預(yù)處理，將以帶鋼號(hào)為索引的過(guò)程數(shù)據(jù)轉(zhuǎn)化為以精軋終軋溫度為目標(biāo)屬性的決策屬性向量，并對(duì)精軋終軋溫度進(jìn)行非線性離散化；然后用決策樹方法，計(jì)算每個(gè)離散或連續(xù)值決策屬性的信息增益率；最后根據(jù)信息增益率判定各個(gè)屬性對(duì)精軋終軋溫度影響的大小，并對(duì)決策屬性向量按照增益率的值重新排序，再結(jié)合精軋工藝機(jī)理和模型精度要求，提取對(duì)精軋終軋溫度有決定性影響的關(guān)鍵特征變量。該方法可以根據(jù)實(shí)際現(xiàn)場(chǎng)過(guò)程數(shù)據(jù)，判定對(duì)精軋終軋溫度有決定性影響作用的關(guān)鍵變量，為建立終軋溫度預(yù)報(bào)模型和修正精軋溫度工藝模型奠定基礎(chǔ)。
文檔編號(hào)B21B37/74GK102049420SQ200910272628
公開日2011年5月11日 申請(qǐng)日期2009年11月5日 優(yōu)先權(quán)日2009年11月5日
發(fā)明者劉斌, 勞兆利, 單旭沂, 葉紅衛(wèi), 張尉, 方康玲, 梁開, 董暉, 蔣崢 申請(qǐng)人:劉斌, 勞兆利, 單旭沂, 葉紅衛(wèi), 張尉, 方康玲, 梁開, 董暉, 蔣崢