60· 工程科学学报，第37卷，增刊1 体方法如下： 点号 控制状态 质量状态 (1)选取每个控制观察变量b,对应的546组数 1 某控制状态 某质量状态 据，计算最大值与最小值的差值，即bnas-bn; 某控制状态 某质量状态 (2)将差值的19作为区间间隔，将连续的数据 离散化到b到b中间的九个区间，由低到高分别记 N 某控制状态 某质量状态 作：LC、LB、LA、MC、MB、MA、HC、HB、HA; (3)将所有的连续数据全部转化为了状态空间中 图3状态空间中状态链 Fig.3 State chain of state space 的状态，而加工工艺过程数据的变化过程，就转变成为 了状态空间中状态链的形式.图3表示的是经过预处 数据矩阵对每一项控制观察变量的状态进行单维 理之后的数据的形式.例如，0712020的精轧F7工作 空间数据子序列挖掘，然后对于每一个控制状态按 辊线速度，该条带钢的最终质量状态为HA,经过离散 照产生的质量的好坏程度再依次计数，可以发现， 化的状态链就可以表示为：53HBHA. 控制过程的数据主要是在某几个状态之中转换，只 通过上述步骤，离散化之后的控制状态与质量状 有少数的情况，会进入到其他的控制状态中，这是 态按照点号完全对应的匹配，而且由点号构成的链状 由于控制系统闭环的自适应控制调控的结果.表6 结构的顺序与加工工艺的顺序完全一致 所示的是宽度指标多维关联规则挖掘，最小支持度 2.2多维状态空间数据子序列挖掘 大于0.2，并且频繁次数较高（频繁次数≥4）的数 根据已经建立的离散化热连轧带钢状态空间 据分析结果 表6多维空间数据子序列挖掘结果 Table 6 Results of multi-dimensional spatial data subsequence mining 须繁次数 关联规则 6 12MBHB',14LCHB',19HCHB','1HCHB',26HAHB',53HAHB 12MBHB,14LCHB',1HCHB,26HAHB'.53HAHB',8MCHB 12LAMA,14MBMA',26HAMA,53HBMA',8MBMA 1MAMA,21MCMA.25MCMA,26HAMA.53HBMA 21HCMB',25HBMB',26HAMB,53HBMB',8MCMB 12MBHB,14LCHB,19HCHB,1HCHB',26HAHB 14LALA,26HALA,8MCLA 12MCHA,14LCHA,53HAHA 12LALA°，14LALA°，26HALA 从表7中可以发现，这些状态的支持度非常高，而 工艺流程对控制观察变量进行结构辨识，如图4. 且在这些状态下，发生质量异常的概率非常低，这些状 (2)利用层次分析法进行定量分析 态是最普遍的正常状态.对于宽度误差值来说，它们 a.递阶层次结构的建立. 的状态转移也都是主要在某些状态之间转移，有时候 目标层为宽度指标，准则层按照粗轧、精轧分为两 会转移到另外一些出现次数较少的状态中去.然而， 层，方案层为因子分析法确定的关键控制观察变量. 往往就是这些少数状态的情况下，在生产中常常会引 b.由递阶层次结构模型建立判断矩阵和权向量 发质量的缺陷，这里需要设定一个较低的支持度.由 在各层次元素中进行两两比较，构造出比较判断 于控制系统在带钢中部具有良好的稳定性，因此设定 矩阵C=(C)mx·其中C反映了专家认为指标S,比 最小支持度为0.02，缺陷最小置信度为50%.也就是 指标S,的重要程度的倾向性意见 说寻找那些已进入该状态并且至少有50%可能会引 以准则层为例，构成指标经过两两比较得到准则 起质量缺陷的控制状态 层判决矩阵： 经过对于状态的置信度的设置，得到容易引发质 (5) 量缺陷的控制状态的高危状态集（频繁次数≥3），如 表7所示 对每一个成对比较的矩阵，利用求和法判断矩阵 2.3关键控制变量影响力评估 最大特征根以及对应特征向量，准则层权向量为： (1)根据故障逻辑分析思想5-1a,按照生产线的 Wa=(0.66670.3333)T (6)工程科学学报，第 37 卷，增刊 1 体方法如下: ( 1) 选取每个控制观察变量 bj 对应的 546 组数 据，计算最大值与最小值的差值，即 bmax － bmin ; ( 2) 将差值的 1 /9 作为区间间隔，将连续的数据 离散化到 bmin到 bmax中间的九个区间，由低到高分别记 作: LC、LB、LA、MC、MB、MA、HC、HB、HA; ( 3) 将所有的连续数据全部转化为了状态空间中 的状态，而加工工艺过程数据的变化过程，就转变成为 了状态空间中状态链的形式． 图 3 表示的是经过预处 理之后的数据的形式． 例如，0712020 的精轧 F7 工作 辊线速度，该条带钢的最终质量状态为 HA，经过离散 化的状态链就可以表示为: 53HBHA． 通过上述步骤，离散化之后的控制状态与质量状 态按照点号完全对应的匹配，而且由点号构成的链状 结构的顺序与加工工艺的顺序完全一致． 2. 2 多维状态空间数据子序列挖掘 根据已经建立的离散化热连轧带钢状态空间 点号 控制状态 质量状态 1 某控制状态 某质量状态 2 某控制状态 某质量状态    N 某控制状态 某质量状态 图 3 状态空间中状态链 Fig． 3 State chain of state space 数据矩阵对每一项控制观察变量的状态进行单维 空间数据子序列挖掘，然后对于每一个控制状态按 照产生的质量的好坏程度再依次计数，可 以 发 现， 控制过程的数据主要是在某几个状态之中转换，只 有少数的情 况，会进入到其他的控制状态中，这 是 由于控制系统闭环的自适应控制调控的结果． 表 6 所示的是宽度指标多维关联规则挖掘，最小支持度 大于 0. 2，并且频繁次数较高( 频 繁 次 数≥4 ) 的 数 据分析结果． 表 6 多维空间数据子序列挖掘结果 Table 6 Results of multi-dimensional spatial data subsequence mining 频繁次数 关联规则 6 '12MBHB'，'14LCHB'，'19HCHB'，'1HCHB'，'26HAHB'，'53HAHB' '12MBHB'，'14LCHB'，'1HCHB'，'26HAHB'，'53HAHB'，'8MCHB' 5 '12LAMA'，'14MBMA'，'26HAMA'，'53HBMA'，'8MBMA' '1MAMA'，'21MCMA'，'25MCMA'，'26HAMA'，'53HBMA' … '21HCMB'，'25HBMB'，'26HAMB'，'53HBMB'，'8MCMB' '12MBHB'，'14LCHB'，'19HCHB'，'1HCHB'，'26HAHB' 4 '14LALA'，'26HALA'，'8MCLA' '12MCHA'，'14LCHA'，'53HAHA' … '12LALA'，'14LALA'，'26HALA' 从表 7 中可以发现，这些状态的支持度非常高，而 且在这些状态下，发生质量异常的概率非常低，这些状 态是最普遍的正常状态． 对于宽度误差值来说，它们 的状态转移也都是主要在某些状态之间转移，有时候 会转移到另外一些出现次数较少的状态中去． 然而， 往往就是这些少数状态的情况下，在生产中常常会引 发质量的缺陷，这里需要设定一个较低的支持度． 由 于控制系统在带钢中部具有良好的稳定性，因此设定 最小支持度为 0. 02，缺陷最小置信度为 50% ． 也就是 说寻找那些已进入该状态并且至少有 50% 可能会引 起质量缺陷的控制状态． 经过对于状态的置信度的设置，得到容易引发质 量缺陷的控制状态的高危状态集( 频繁次数≥3) ，如 表 7 所示． 2. 3 关键控制变量影响力评估 ( 1) 根据故障逻辑分析思想［15 － 16］，按照生产线的 工艺流程对控制观察变量进行结构辨识，如图 4． ( 2) 利用层次分析法进行定量分析． a. 递阶层次结构的建立． 目标层为宽度指标，准则层按照粗轧、精轧分为两 层，方案层为因子分析法确定的关键控制观察变量． b. 由递阶层次结构模型建立判断矩阵和权向量． 在各层次元素中进行两两比较，构造出比较判断 矩阵 C = ( Cij ) m × n ． 其中 Cij反映了专家认为指标 Si 比 指标 Sj 的重要程度的倾向性意见． 以准则层为例，构成指标经过两两比较得到准则 层判决矩阵: CStd = 1 4 /3 3 / [ ] 4 1 ． ( 5) 对每一个成对比较的矩阵，利用求和法判断矩阵 最大特征根以及对应特征向量，准则层权向量为: WStd = ( 0. 6667 0. 3333) T ． ( 6) ·60·