[發明專利]一種基于數據模式的板形時間序列數據挖掘方法

有效

• 申請號: 201310287558.8
• 申請日: 2013-07-10
• 公開（公告）號: CN103341506A
• 公開（公告）日: 2013-10-09
• 發明（設計）人: 柴明亮;王軍生;張巖;劉寶權;秦大偉;宋君;侯永剛
• 申請（專利權）人: 鞍鋼股份有限公司
• 主分類號: B21B37/28
• 分類號: B21B37/28
• 代理公司: 鞍山華惠專利事務所 21213
• 代理人: 趙長芳

技術領域

本發明屬于過程自動控制領域，特別涉及一種基于數據模式的冷連軋板形控制時間序列數據挖掘方法。

背景技術

時間序列數據挖掘是時間序列數據庫知識發現的重要步驟之一，板形數據時間序列的一種。板形控制是冷軋板帶加工的核心技術之一，近年來隨著科學技術的不斷進步，先進的板形控制技術不斷涌現，在眾多高精度板形控制方法中，具有代表性的方法有：優化軋制規程、液壓彎輥、軋輥傾斜、軋輥橫移、軋輥分段冷卻等。板形控制技術的發展，促進了冷軋板帶工業的裝備進步和產業升級，生產效益和效率大幅度提升。目前，國內大部分的冷軋生產線都安裝了板形儀，板形儀的安裝使得板形控制有了長足的進步，板形儀上分布的眾多傳感器采集了海量的板形數據信息，大部分的公司對這些數據并沒有很好進行利用，許多可以進一步提高板形控制精度和解決板形相關問題的數據知識并沒有得到發現。

數據挖掘就是從大量的﹑不完全的、有噪聲的﹑模糊的、隨機的數據中，提取隱含在其中的﹑人們事先不知道的﹑但又是潛在的有用信息和知識的過程。數據挖掘的主要方法有：關聯規則、神經網絡、統計方法、決策樹、K-近鄰法﹑遺傳算法﹑數據可視化、OLAP聯機分析等。

關聯規則是數據挖掘中最重要的方法之一。所謂關聯規則數據挖掘就是發現數據中項集之間有趣的關聯和相關聯系，這種發現的相關關系可以幫助進行商務決策等。在關聯規則發現算法之中，Apriori算法是最經典的算法之一，然而Apriori算法本身亦存在固有的局限性。

Apriori算法本身固有的局限性主要體現在：

1、在支持度方面

如果挖掘的最小支持度定得較高，那么覆蓋較少數據但卻有意義的關聯知識將不能被發現；

如果最小支持度定得過低，那么大量的無實際意義的數據關聯將充斥在挖掘過程中，大大降低挖掘的效率和得到規則的可用性。

2、在置信度方面

如果采用唯一的置信度，它的前提條件就是各個規則用于推理的強度非常相似,但在現實生活中這個條件很難成立。

針對以上問題，最早在1996年就有學者提出采用變支持度和變置信度閾值來進行關聯規則的挖掘的算法。專利公開號CN1627292A公開的“一種自適應快速關聯規則挖掘算法”中，提出一種自適應快速關聯規則挖掘算法，該算法構造一種伸縮超結構，設計了一種能夠自動適應計算機內存要求來構建超結構并進行關聯規則挖掘。專利公開號CN101127037A提供了一種“基于時序向量差異序列法聚類的周期關聯規則發現算法”，公開了一種基于時序向量差異序列聚類的周期關聯規則，提出了CSDMA算法和CFP-tree。CSDMA算法選擇由項目支持度組成的時序向量作為時域數據特征點進行聚類，CFP-tree算法采用了基于條件FP樹的周期性剪枝技術。專利公開號CN1479902提供的“工作流挖掘系統和方法”則披露了一種通過在工作流系統的運行過程中積累的工作流紀錄數據中使用特定的數據挖掘技術，而可以評價、分析和確定過程和活動的先前執行結果的工作流系統，以及由此得到的方法。

上述方法雖各有所長，但均未解決Apriori算法固有的局限，同時在已經公開的各類文獻中也沒有檢索有關解決Apriori算法固有局限的報道，更未見到在板形控制中的應用的先例。但卻仍未本發明應用平均閾值的概念，

發明內容

本發明旨在克服Apriori算法的固有缺限，提供一種在時間序列數據挖掘時，利用數據模式高效挖掘出有意義的頻繁項集和關聯規則，有效去除無意義的數據關聯，從而為高精度板形控制提供數據依據的板形時間序列數據挖掘方法。

為此，本發明所采取的解決方案是：

一種基于數據模式的板形時間序列數據挖掘方法，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，高效挖掘出時間序列數據中有意義的頻繁項集和關聯規則，有效去除無意義的數據關聯，為高精度板形控制提供數據依據；包括數據預處理、頻繁項集發現、關聯規則發現三個步驟；

數據預處理：采用數據模式對冷連軋生產現場的PDA監測數據進行數據預處理，排除原始數據中的噪聲數據、空缺數據及不一致數據，為數據頻繁項集和關聯規則進行數據準備；

頻繁項集發現：對數據預處理完的數據進行頻繁一項集和多項集的發現，找出頻繁一項集和多項集，為快速調整板形提供數據參考；

關聯規則發現：對頻繁項集發現過程中找出的頻繁項集進行關聯規則的發現，找出隱藏在數據里面潛在的關聯規則，為冷連軋板形調整提供數據參考；

數據模式：