[发明专利]一种基于数据模式的板形时间序列数据挖掘方法

说明书

技术领域

本发明属于过程自动控制领域，特别涉及一种基于数据模式的冷连轧板形控制时间序列数据挖掘方法。

背景技术

时间序列数据挖掘是时间序列数据库知识发现的重要步骤之一，板形数据时间序列的一种。板形控制是冷轧板带加工的核心技术之一，近年来随着科学技术的不断进步，先进的板形控制技术不断涌现，在众多高精度板形控制方法中，具有代表性的方法有：优化轧制规程、液压弯辊、轧辊倾斜、轧辊横移、轧辊分段冷却等。板形控制技术的发展，促进了冷轧板带工业的装备进步和产业升级，生产效益和效率大幅度提升。目前，国内大部分的冷轧生产线都安装了板形仪，板形仪的安装使得板形控制有了长足的进步，板形仪上分布的众多传感器采集了海量的板形数据信息，大部分的公司对这些数据并没有很好进行利用，许多可以进一步提高板形控制精度和解决板形相关问题的数据知识并没有得到发现。

数据挖掘就是从大量的﹑不完全的、有噪声的﹑模糊的、随机的数据中，提取隐含在其中的﹑人们事先不知道的﹑但又是潜在的有用信息和知识的过程。数据挖掘的主要方法有：关联规则、神经网络、统计方法、决策树、K-近邻法﹑遗传算法﹑数据可视化、OLAP联机分析等。

关联规则是数据挖掘中最重要的方法之一。所谓关联规则数据挖掘就是发现数据中项集之间有趣的关联和相关联系，这种发现的相关关系可以帮助进行商务决策等。在关联规则发现算法之中，Apriori算法是最经典的算法之一，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体现在：

1、在支持度方面

如果挖掘的最小支持度定得较高，那么覆盖较少数据但却有意义的关联知识将不能被发现；

如果最小支持度定得过低，那么大量的无实际意义的数据关联将充斥在挖掘过程中，大大降低挖掘的效率和得到规则的可用性。

2、在置信度方面

如果采用唯一的置信度，它的前提条件就是各个规则用于推理的强度非常相似,但在现实生活中这个条件很难成立。

针对以上问题，最早在1996年就有学者提出采用变支持度和变置信度阈值来进行关联规则的挖掘的算法。专利公开号CN1627292A公开的“一种自适应快速关联规则挖掘算法”中，提出一种自适应快速关联规则挖掘算法，该算法构造一种伸缩超结构，设计了一种能够自动适应计算机内存要求来构建超结构并进行关联规则挖掘。专利公开号CN101127037A提供了一种“基于时序向量差异序列法聚类的周期关联规则发现算法”，公开了一种基于时序向量差异序列聚类的周期关联规则，提出了CSDMA算法和CFP-tree。CSDMA算法选择由项目支持度组成的时序向量作为时域数据特征点进行聚类，CFP-tree算法采用了基于条件FP树的周期性剪枝技术。专利公开号CN1479902提供的“工作流挖掘系统和方法”则披露了一种通过在工作流系统的运行过程中积累的工作流纪录数据中使用特定的数据挖掘技术，而可以评价、分析和确定过程和活动的先前执行结果的工作流系统，以及由此得到的方法。

上述方法虽各有所长，但均未解决Apriori算法固有的局限，同时在已经公开的各类文献中也没有检索有关解决Apriori算法固有局限的报道，更未见到在板形控制中的应用的先例。但却仍未本发明应用平均阈值的概念，

发明内容

本发明旨在克服Apriori算法的固有缺限，提供一种在时间序列数据挖掘时，利用数据模式高效挖掘出有意义的频繁项集和关联规则，有效去除无意义的数据关联，从而为高精度板形控制提供数据依据的板形时间序列数据挖掘方法。

为此，本发明所采取的解决方案是：

一种基于数据模式的板形时间序列数据挖掘方法，采用Apriori算法，其特征在于，通过引入和使用平均支持度和平均置信度阈值，高效挖掘出时间序列数据中有意义的频繁项集和关联规则，有效去除无意义的数据关联，为高精度板形控制提供数据依据；包括数据预处理、频繁项集发现、关联规则发现三个步骤；

数据预处理：采用数据模式对冷连轧生产现场的PDA监测数据进行数据预处理，排除原始数据中的噪声数据、空缺数据及不一致数据，为数据频繁项集和关联规则进行数据准备；

频繁项集发现：对数据预处理完的数据进行频繁一项集和多项集的发现，找出频繁一项集和多项集，为快速调整板形提供数据参考；

关联规则发现：对频繁项集发现过程中找出的频繁项集进行关联规则的发现，找出隐藏在数据里面潜在的关联规则，为冷连轧板形调整提供数据参考；

数据模式：