李扬等：基于数据挖掘的热轧带钢质量分析方法 ·59· 40 38 轧出口侧厚度仪表反馈的参数，其厚度实测值平均比 31.7 设定值偏小0.77692%，即超宽偏薄，符合因子分析得 30 316 出的结论 430431432 表4热轧带钢宽度误差成因分析 Table 4 Causes of hot strip width error analysis 10 0712020 1025040 0710060 1107040 变量D 样本 样本 样本 样本 53 -10.3 -121.15 1.33 -152.21 8 379.4 -113.6 318.8 -381.6 12 -133.6 -249.8 -57.6 -133 100 200300400500600 带钢样本数量 61 -324.1 9.9 -270.5 212.9 图1带钢超宽问题样本 14 46.52 83.37 48.57 59.94 Fig.1 Sample strips of wider than setting 1 5.3 2.5 25.8 -60.5 21 -6.29 -58.43 14.01 -68.16 25 -245.08 114.58 -109.88 -454.53 妇 -35.5 104.3 -1.7 172.4 19 -22.2 42.1 -32.5 65.9 22 13.8 19.6 -1.8 2.4 26 -12.36 -28.63 -5.78 -8.6 23 -10.5 -0.2 -24.4 -34.8 2 基于多维状态空间数据关联关系挖掘 490 492 135136137 在高维数据挖掘中，想要寻找变量之间的相互影 100 200300400 500 600 带钢样本数量 响的关系，关联分析是常用的方法，Apriori算法o-W 图2带钢拉窄间题样本 是所有关联规则挖掘算法的核心.在状态空间上利用 Fig.2 Sample strips of thinner than setting 控制变量数据与质量变量数据中产品号与顺序号的对 应关系来分析这些数据，找到容易导致质量缺陷的控 0703050号带钢的精轧出口侧偏差（热）值为 制状态集2.这样就可以知道控制变量在什么情 0.073553mm,即为标准样本，与其他具有宽度质量问 况下会容易产生质量的缺陷.若想得到控制变量与质 题的样本进行比较 量之间的因果关系，必须要先将控制变量与质量变量 4块问题带钢样本的因子值与标准样本的差值如 组合起来，固定某一个质量因素为关联关系的后件，将 表4所示 控制变量设定为前件，然后再进行关联规则分析 以0712020号带钢为例进行分析，精轧出口侧宽 2.1状态空间数据的离散化 度仪显示的偏差（热）值为16.9911mm,属于带钢全长 对于通过改进的因子分析得到的13个主要控制 超宽，可以看出，第8、61和25号控制观察变量得分和 观察变量的546组数据组成的状态空间矩阵整理，组 标准样本的得分偏差较大，具体代表精轧R1粗轧1道 成数据库D,将所对应的宽度误差值参考现场经验划 次轧制力、精轧F7轧辊入口温度和R1粗轧3道次出 分为六个等级，即类别合集C,(1≤j≤6)，具体如表5 口侧宽度，其中两个指标都为粗轧控制区域指标，粗轧 所示. 第一道次负荷较大，压下量较大，如符合分配不合理， 表5宽度误差分档表 将对中间坯宽度指标产生影响；R1粗轧3道次出口侧 Table 5 Width error binning table 宽度这一指标影响得分较高也可以印证这一原因，而 范围/mm≤-10-10-5-5~00~55~10≥10 7轧辊入口温度得分较高，则意味着粗轧最后一个道 分档 LB LA MB MA HB HA 次的温度命中率偏低，导致实际情况不符合根据精轧 宽展模型和精轧二次预设定期望值，导致精轧第七道 对数据库中的数据进行模糊离散化处理，将表3 次压下量偏大，致使最终超宽严重，通过查询该带钢精 中各控制观察变量的连续数据转化为离散的状态.具李 扬等: 基于数据挖掘的热轧带钢质量分析方法 图 1 带钢超宽问题样本 Fig． 1 Sample strips of wider than setting 图 2 带钢拉窄问题样本 Fig． 2 Sample strips of thinner than setting 0703050 号 带 钢 的 精 轧 出 口 侧 偏 差 ( 热) 值 为 0. 073553 mm，即为标准样本，与其他具有宽度质量问 题的样本进行比较． 4 块问题带钢样本的因子值与标准样本的差值如 表 4 所示． 以 0712020 号带钢为例进行分析，精轧出口侧宽 度仪显示的偏差( 热) 值为 16. 9911 mm，属于带钢全长 超宽，可以看出，第 8、61 和 25 号控制观察变量得分和 标准样本的得分偏差较大，具体代表精轧 R1 粗轧1 道 次轧制力、精轧 F7 轧辊入口温度和 R1 粗轧 3 道次出 口侧宽度，其中两个指标都为粗轧控制区域指标，粗轧 第一道次负荷较大，压下量较大，如符合分配不合理， 将对中间坯宽度指标产生影响; R1 粗轧 3 道次出口侧 宽度这一指标影响得分较高也可以印证这一原因，而 F7 轧辊入口温度得分较高，则意味着粗轧最后一个道 次的温度命中率偏低，导致实际情况不符合根据精轧 宽展模型和精轧二次预设定期望值，导致精轧第七道 次压下量偏大，致使最终超宽严重，通过查询该带钢精 轧出口侧厚度仪表反馈的参数，其厚度实测值平均比 设定值偏小 0. 77692% ，即超宽偏薄，符合因子分析得 出的结论． 表 4 热轧带钢宽度误差成因分析 Table 4 Causes of hot strip width error analysis 变量 ID 0712020 样本 1025040 样本 0710060 样本 1107040 样本 53 － 10. 3 － 121. 15 1. 33 － 152. 21 8 379. 4 － 113. 6 318. 8 － 381. 6 12 － 133. 6 － 249. 8 － 57. 6 － 133 61 － 324. 1 9. 9 － 270. 5 212. 9 14 46. 52 83. 37 48. 57 59. 94 1 5. 3 2. 5 25. 8 － 60. 5 21 － 6. 29 － 58. 43 14. 01 － 68. 16 25 － 245. 08 114. 58 － 109. 88 － 454. 53 42 － 35. 5 104. 3 － 1. 7 172. 4 19 － 22. 2 42. 1 － 32. 5 65. 9 22 13. 8 19. 6 － 1. 8 2. 4 26 － 12. 36 － 28. 63 － 5. 78 － 8. 6 23 － 10. 5 － 0. 2 － 24. 4 － 34. 8 2 基于多维状态空间数据关联关系挖掘 在高维数据挖掘中，想要寻找变量之间的相互影 响的关系，关联分析是常用的方法，Apriori 算法［10 － 11］ 是所有关联规则挖掘算法的核心． 在状态空间上利用 控制变量数据与质量变量数据中产品号与顺序号的对 应关系来分析这些数据，找到容易导致质量缺陷的控 制状态集［12 － 14］． 这样就可以知道控制变量在什么情 况下会容易产生质量的缺陷． 若想得到控制变量与质 量之间的因果关系，必须要先将控制变量与质量变量 组合起来，固定某一个质量因素为关联关系的后件，将 控制变量设定为前件，然后再进行关联规则分析． 2. 1 状态空间数据的离散化 对于通过改进的因子分析得到的 13 个主要控制 观察变量的 546 组数据组成的状态空间矩阵整理，组 成数据库 D，将所对应的宽度误差值参考现场经验划 分为六个等级，即类别合集 Cj ( 1≤j≤6) ，具体如表 5 所示． 表 5 宽度误差分档表 Table 5 Width error binning table 范围/mm ≤ － 10 － 10 ～ － 5 － 5 ～ 0 0 ～ 5 5 ～ 10 ≥10 分档 LB LA MB MA HB HA 对数据库中的数据进行模糊离散化处理，将表 3 中各控制观察变量的连续数据转化为离散的状态． 具 ·59·