[發(fā)明專利]一種基于數(shù)據(jù)模式的板形時(shí)間序列數(shù)據(jù)挖掘方法

有效

• 申請?zhí)枺?/td>: 201310287558.8
• 申請日: 2013-07-10
• 公開（公告）號: CN103341506A
• 公開（公告）日: 2013-10-09
• 發(fā)明（設(shè)計(jì)）人: 柴明亮;王軍生;張巖;劉寶權(quán);秦大偉;宋君;侯永剛
• 申請（專利權(quán)）人: 鞍鋼股份有限公司
• 主分類號: B21B37/28
• 分類號: B21B37/28
• 代理公司: 鞍山華惠專利事務(wù)所 21213
• 代理人: 趙長芳

1.一種基于數(shù)據(jù)模式的板形時(shí)間序列數(shù)據(jù)挖掘方法，采用Apriori算法，其特征在于，通過引入和使用平均支持度和平均置信度閾值，高效挖掘出時(shí)間序列數(shù)據(jù)中有意義的頻繁項(xiàng)集和關(guān)聯(lián)規(guī)則，有效去除無意義的數(shù)據(jù)關(guān)聯(lián)，為高精度板形控制提供數(shù)據(jù)依據(jù)；包括數(shù)據(jù)預(yù)處理、頻繁項(xiàng)集發(fā)現(xiàn)、關(guān)聯(lián)規(guī)則發(fā)現(xiàn)三個(gè)步驟；

數(shù)據(jù)預(yù)處理：采用數(shù)據(jù)模式對冷連軋生產(chǎn)現(xiàn)場的PDA監(jiān)測數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，排除原始數(shù)據(jù)中的噪聲數(shù)據(jù)、空缺數(shù)據(jù)及不一致數(shù)據(jù)，為數(shù)據(jù)頻繁項(xiàng)集和關(guān)聯(lián)規(guī)則進(jìn)行數(shù)據(jù)準(zhǔn)備；

頻繁項(xiàng)集發(fā)現(xiàn)：對數(shù)據(jù)預(yù)處理完的數(shù)據(jù)進(jìn)行頻繁一項(xiàng)集和多項(xiàng)集的發(fā)現(xiàn)，找出頻繁一項(xiàng)集和多項(xiàng)集，為快速調(diào)整板形提供數(shù)據(jù)參考；

關(guān)聯(lián)規(guī)則發(fā)現(xiàn)：對頻繁項(xiàng)集發(fā)現(xiàn)過程中找出的頻繁項(xiàng)集進(jìn)行關(guān)聯(lián)規(guī)則的發(fā)現(xiàn)，找出隱藏在數(shù)據(jù)里面潛在的關(guān)聯(lián)規(guī)則，為冷連軋板形調(diào)整提供數(shù)據(jù)參考；

數(shù)據(jù)模式：

若某一時(shí)刻???????????????????????????????????????????????數(shù)據(jù)能夠反映某一段時(shí)間數(shù)據(jù)的綜合信息，則定義這一時(shí)刻的數(shù)據(jù)為一類數(shù)據(jù)模式；這段時(shí)間數(shù)據(jù)的最大值?和最小值，則時(shí)刻數(shù)據(jù)模式的數(shù)值為這段時(shí)間的平均值；其中，I為任意時(shí)間，N為時(shí)間間隔；

數(shù)據(jù)模式包含：若時(shí)刻數(shù)據(jù)的最大值?和最小值，定義為數(shù)據(jù)模式；另一時(shí)刻數(shù)據(jù)的最大值和最小值，定義為數(shù)據(jù)模式；若存在關(guān)系且,則稱數(shù)據(jù)模式包含數(shù)據(jù)模式，即；

數(shù)據(jù)模式預(yù)處理算法流程如下：

、?定義數(shù)據(jù)模式時(shí)間間隔N，找出所有數(shù)據(jù)模式以及所對應(yīng)的最大值和最小值；

(2)、合并數(shù)據(jù)模式，循環(huán)處理，根據(jù)數(shù)據(jù)模式包含，找出相似模式，進(jìn)行合并處理，同時(shí)該種數(shù)據(jù)模式支持度加1；

(3)、對各個(gè)數(shù)據(jù)模式進(jìn)行分類匯總；

經(jīng)對冷連軋板形PDA監(jiān)測數(shù)據(jù)進(jìn)行以上處理后，構(gòu)建板形相關(guān)數(shù)據(jù)空間，T_I?為傾斜，B_I為中間輥彎輥力，?B_W為工作輥彎輥力，CVC為輥型；

利用Apriori算法尋找最大項(xiàng)目集：算法需要對數(shù)據(jù)集進(jìn)行多步處理；第一步,簡單統(tǒng)計(jì)所有含一個(gè)元素項(xiàng)目集出現(xiàn)的頻率,并找出那些不小于最小支持度的項(xiàng)目集,?即一維最大項(xiàng)目集；從第二步開始循環(huán)處理直到再沒有最大項(xiàng)目集生成；循環(huán)過程是：第k步中,?根據(jù)第k-1步生成的(k-1)維最大項(xiàng)目集產(chǎn)生k維候項(xiàng)目集，然后對數(shù)據(jù)庫進(jìn)行搜索，得到候項(xiàng)目集的項(xiàng)集支持度,?與最小支持度比較,?從而找到k維最大項(xiàng)目集；一旦由數(shù)據(jù)庫D中的事務(wù)找出頻繁項(xiàng)集，則由這些頻繁項(xiàng)集產(chǎn)生強(qiáng)關(guān)聯(lián)規(guī)則，規(guī)則的支持度和置信度需滿足最小支持度閾值和最小置信度閾值，最小支持度閾值和最小置信度閾值均為預(yù)先設(shè)定的經(jīng)驗(yàn)值；

基于平均閾值的Apriori算法關(guān)聯(lián)規(guī)則挖掘流程如下：

?、頻繁項(xiàng)集的生成：根據(jù)數(shù)據(jù)庫計(jì)算一項(xiàng)集的支持度及其平均值，找出支持度大于等于平均支持度的項(xiàng),作為頻繁一項(xiàng)集；循環(huán)處理；第k步，根據(jù)k-1步頻繁的k-1項(xiàng)集L_k-1按照Apriori_gen產(chǎn)生候選的k項(xiàng)集C_k集，對候選的k項(xiàng)集計(jì)算每項(xiàng)的支持度及其平均值，找出支持度大于等于平均支持度的項(xiàng)，作為頻繁k項(xiàng)集；

(2)、根據(jù)規(guī)則結(jié)論中的項(xiàng)目數(shù)，把規(guī)則進(jìn)行分類，計(jì)算每類中各個(gè)規(guī)則的置信度及其每類的平均置信度，把每類的平均置信度作為該類的最小置信度，找出置信度不低于最小置信度的規(guī)則即為關(guān)聯(lián)規(guī)則。