（电路与系统专业论文）基于模糊决策树的热轧工艺关键变量的分析与提取.pdf

武汉科技大学硕士学位论文第l 页 摘要 随着我国经济的快速发展，各行各业对钢铁的需求量不断增大，同时对钢铁的质量也 提出了更高的要求。钢铁产品中最主要的就是热轧带钢，而精轧终轧温度又是影响热轧带 钢的组织和性能的重要因素。因此，我们需要建立可靠的精轧温度模型来对精轧终轧温度 进行实时有效的控制，而建立可靠的终轧温度控制模型的前提，就需要对众多的精轧过程 变量进行分析，提取出对精轧终轧温度有决定性影响的若干关键特征变量。 目前，大多数对终轧温度影响因素的分析，都是基于确定了终轧温度控制模型后，逐 个对每一个影响因素进行分析，这样不仅花费的时间周期长，而且忽略了各影响因素之间 的联系，使得结果也不够准确，再者也无法快速有效地确定对终轧温度的影响程度。因此， 要找到适当的方法和工具来分析各个因素对终轧温度的影响程度，并提取关键的特征变量， 就具有深远的意义。 为此，本文提出了一种基于模糊决策树的热轧关键变量的提取方法，该方法可以确定 过程变量对热轧终轧温度的影响程度，结合热轧工艺机理进行分析，提取出对热轧终轧温 度有决定性影响的若干关键特征变量。 论文首先对热轧带钢温度有关系的变量进行简单的介绍，通过对比分析决策树算法与 模糊决策算法的优缺点，确定模糊决策树的建立过程。然后针对于热轧工艺数据的特点来 对数据进行预处理，并对属性进行约减，以减少属性间的冗余。最后对模糊决策树进行了 改进，同时开发了关键变量提取系统，本系统更容易嵌入到在线系统中，实现了在功能上 的集成。 运用关键变量提取系统，从热轧过程中的众多过程变量中，提取出了热轧终轧温度有 决定性影响的关键变量，并对这些变量进行分析，量化地给出了各个关键变量与终轧温度 之间的相关性，为进一步的因果分析提供了参考，同时也为建立可靠的终轧温度控制模型 奠定了基础。 关键词：模糊决策树；终轧温度；决策树：属性约减；关键变量 第1 i 页武汉科技大学硕士学位论文 a b s t r a c t w i t ht h er a p i dd e v e l o p m e n to fc h i n e s ee c o n o m y , t h ed e m a n df o rs t e e li nm a n yf i e l d st e n d s t oe x p a n dc o n s i d e r a b l ya n dt h eq u a l i t yf o rs t e e li sr e q u e s t e dt oah i g h e rl e v e l h o tr o l l e ds t r i pi s o n eo ft h em a i ns t e e lp r o d u c t s ，a n di t sm i c r o s t r u c t u r e sa n dp r o p e r t i e sa r es i g n i f i c a n t l ya f f e c t e d b yt h et e m p e r a t u r eo ff i n i s hr o l l i n g t h e r e f o r e ，w en e e dt os e tu par e l i a b l ef i n i s h - r o l l i n g t e m p e r a t u r em o d e lt op e r f o r mar e a l - t i m ea n de f f e c t i v ec o n t r o lo ff i n i s h r o l l i n gt e m p e r a t u r e t h e p r e m i s eo fe s t a b l i s h i n gar e l i a b l et e m p e r a t u r ec o n t r o lm o d e ln e e d s t oa n a l y z ea l lo ft h ef i n i s h i n g p r o c e s sv a r i a b l e sa n de x t r a c ts e v e r a lk e yc h a r a c t e r i s t i cv a r i a b l e sw h i c ha f f e c tf i n i s h - r o l l i n g t e m p e r a t u r e i nt h ee x i s t i n gm e t h o d sf o ra n a l y z i n gc r i t i c a lf a c t o r s ，w h i c hh a v ei m p o r t a n ti n f l u e n c eo n f i n i s hr o l l i n gt e m p e r a t u r e ，e v e r yf a c t o r si sa n a l y z e di n d i v i d u a l l yb a s e do nt h eg i v e nf i n i s hr o l l i n g t e m p e r a t u r ec o n t r o lm o d e l t h ea n a l y z i n gp r o c e s sc o s t sp l e n t yo ft i m e ，i g n o r e st h el i n kb e t w e e n i n f l u e n c i n gf a c t o r s ，a n dt h ea n a l y z i n gr e s u l t sa r en o ta c c u r a t e f u r t h e r m o r e ，i tc a nn o td e t e r m i n e t h ed e g r e eo fe f f e c to nf i n i s hr o l l i n gt e m p e r a t u r eq u i c k l ya n de f f e c t i v e l y t h e r e f o r e ，i ti sv e r y i m p o r t a n tt of i n da p p r o p r i a t em e t h o d sa n dt o o l sf o re x t r a c t i n gc r i t i c a lf a c t o r sw h i c hh a v e s i g n i f i c a n ti n f l u e n c eo nf i n i s hr o l l i n gt e m p e r a t u r e b a s e do nf u z z yd e c i s i o nt r e e ，a ne x t r a c t i o nm e t h o do fh o tr o l l i n gk e yv a r i a b l e si sp r e s e n t e d i nt h i sp a p e r b ys t u d y i n ga n da n a l y z i n gt h eh o tr o l l i n gm e c h a n i s m ，s e v e r a lk e yc h a r a c t e r i s t i c v a r i a b l e sc a nb ee x t r a c t e dw h i c hh a v ec r i t i c a li n f l u e n c eo nf i n i s h i n gt e m p e r a t u r e ，a n dt h e i n f l u e n c ed e g r e eo f e v e r yv a r i a b l eo nt h eh o tr o l l i n gf i n i s h i n gt e m p e r a t u r ec a na l s ob ed e f i n e d f i r s t l y , t h i sp a p e ri l l u s t r a t e st h er e l a t i o n sb e t w e e nt e m p e r a t u r eo fh o tr o l l e ds t r i pa n d r e l e v a n tv a r i a b l e s b yc o m p a r i n ga n da n a l y s i st h ea d v a n t a g e sa n dd i s a d v a n t a g e so fd e c i s i o nt r e e a n df u z z yd e c i s i o na l g o r i t h m ，t h ec o n s t r u c t i o np r o c e s so f f u z z yd e c i s i o nt r e ei sd e t e r m i n e d t h e n ac o m p a r a t i v ea n a l y s i so nt h ea d v a n t a g e sa n dd i s a d v a n t a g e so ft h ed e c i s i o nt r e ea l g o r i t h ma n d f u z z yd e c i s i o na l g o r i t h mi s c o n d u c t e da l s o t h ea c t u a lp r o c e s sd a t ai sp r e p r o c e s s e da n ds o m e a t t r i b u t e sa r er e d u c e db a s e do nt h ec h a r a c t e r i s t i c so ft h e h o tr o l l i n gp r o d u c t i o ns oa st ol i g h t e n t h er e d u n d a n c ya m o n ga t t r i b u t ef a c t o r s f i n a l l y , t h ef u z z yd e c i s i o nt r e ea l g o r i t h mi si m p r o v e d a n dak e yv a r i a b l e se x t r a c t i o ns y s t e mi sd e v e l o p e d ，w h i c hi sm o r ee a s i l ye m b e d d e di n t oo n l i n e s y s t e ma n da c h i e v e sf u n c t i o n a li n t e g r a t i o n w i t ht h ek e yv a r i a b l e se x t r a c t i o ns y s t e m ，t h em o s tc r i t i c a lv a r i a b l e sa n df a c t o r st oh o t r o l l i n gf i n i s h i n gt e m p e r a t u r ec a nb ee x t r a c t e df r o man u m b e ro fv a r i a b l e si nt h eh o tr o l l i n g p r o c e s s b ya n a l y z i n gt h e s ev a r i a b l e s ，t h ec o r r e l a t i o nb e t w e e nt h et e m p e r a t u r ea n ds o m ec r i t i c a l v a r i a b l e sa r er e v e a l e dq u a n t i t a t i v e l y , w h i c hn o to n l y p r o v i d e sar e f e r e n c ef o rf u r t h e rc a u s a l a n a l y s i s ，b u ta l s oe s t a b l i s h e sas o l i df o u n d a t i o nf o rt h eb u i l d i n go fa r e l i a b l et e m p e r a t u r ec o n t r o l m o d e lf o rf i n i s h i n gr o l l i n g k e yw o r d s ：f u z z yd e c i s i o nt r e e ；f i n i s hr o l l i n gt e m p e r a t u r e ；d e c i s i o nt r e e ；a t t r i b u t er e d u c t i o n ； k e y v a r i a b l e s 武汉科技大学硕士学位论文第1 页 第一章绪论 1 1 研究背景和意义 热轧工艺在国民经济发展过程中起着重要的作用，是一个国家的钢铁工业水平的重要 体现。近年来，随着国家经济的快速发展，消费品的层次发生多元化的改变，对于钢铁等 材料的使用也大幅度增长，客户对热轧带钢产品的质量、品种和性能等都提出了更高的要 求。现有的轧制过程都使用了大量的工艺模型，这些模型的基本结构大多源于轧制工艺机 理，对定性分析变量间的关系有一定的帮助，但其精度却受限于复杂多变的实际轧制工况， 无法完全满足现代工业生产的需求。因此，提高精轧过程控制精度，优化精轧工艺过程， 改善带钢产品组织性能是热轧生产过程中的重要研究课题。 在整个热轧带钢生产过程中，温度是一个十分重要的因素，精确地计算带钢在生产过 程中各个环节的温度变化是实现热轧控制的重要前提【2 1 。在实际生产中都需要保证带钢 头部及全长的温度在要求范围内，而对终轧温度的有效控制是直接影响着热轧带钢过程的 控制精度和产品质量。实际生产中影响终轧温度的因素复杂且繁多，在热轧精轧区域内， 温度的变化就受到粗轧出口温度、机架轧制力、带钢厚度、带钢穿带速度等多种因素的影 响，且每个因素对终轧温度的影响程度不一，且各因素间耦合情况比较严重。因此，分析 各个因素对终轧温度的影响程度，提取关键的特征变量，可以有效提高精轧控制精度。 提取出对终轧温度有影响的特征变量的过程，就是以终轧温度为识别目标，通过映射 或者变换的方法，将高维的特征信息变成低维的特征信息，以到达压缩维数的目的。一般 来说，为了找出最有利的特征变量，既要满足可以准确识别，又不降低识别效果的目的。 特征的提取就是以某种分类判决规则为准则，从所有特征变量中选出对分类贡献较大的特 征变量，删去贡献比较小的特征变量，这样特征空间维数也进一步的压缩了。充分合理的 提取特征变量，直接影响着系统的实时性和可靠性。 目前，大多数对终轧温度影响因素的分析，都是基于确定了终轧温度控制模型后，逐 个对每一个影响因素进行分析，这样不仅花费的时间周期长，而且忽略了各影响因素之间 的联系，使得结果也不够准确，再者也无法快速有效地确定对终轧温度的影响程度。因此， 要找到适当的方法和工具来分析各个因素对终轧温度的影响程度，并提取关键的特征变量， 就具有深远的意义。 基于信息论的决策树分类学习算法【3 1 ，是通过计算数据集合对于决策属性的信息量的 大小对信息进行分类和归纳，适合于实时分析和处理数据量大的样本，分类结果是以树状 形式输出，每一条路径都是一个测试规则，所以决策树也可看成是具有单个或者多个规则 组成的规则库。决策树的建立过程是一个不断选择最佳输人变量的过程，且在划分数据方 面，高层结点上的输人变量比低层结点上的输人变量更有价值，所以可以将决策树看成一 种测度变量价值大小的工具。 但现实中存在着大量的模糊现象，传统的决策树已经无法处理那些模糊的不确定的样 第2 页武汉科技大学硕士学位论文 例集，于是，将模糊集理论与传统模糊决策树方法相结合，使传统的决策树学习方法得到 改进和发展，模糊决策树方法便应运而生。 从实际的应用中也证实了，使用模糊决策树来处理学习和推理过程中的不确定信息， 具有更强的分类能力，使知识表达更易于理解，不仅为决策者提供了丰富的决策信息，同 时也提供了一种构造专家系统的有效途径，更是在热轧工艺中对终轧温度的影响因素的分 析发挥了实际的作用。 1 2 国内外研究现状 1 2 1 模糊决策树研究现状 决策树分类算法是一种研究的非常深入的归纳方法，通过构造精度高、规模小的决策 树来发掘数据中隐藏的分类规则。决策树分类方法是一种逼近离散值函数的方法，对噪声 数据有很好的健壮性且能够学习析取表达式。学习得到的决策树可以认为是一个或者多个 规则的集合。 最早的决策树雏形是1 9 6 6 年由h u n t 提出的完全搜索决策树方法，该算法没有明确的 给出分割属性的选取标准，在此基础上，q u i n l a n 提出了i d 3 1 5 】算法采用以信息熵作为属性 选择的标准且要求属性值都必须是离散的，这样可能会导致最大增益偏向于多值属性上， 且在处理连续值的问题上有一定的困难，c 4 5 t 3 】【6 】就是基于这些问题由i d 3 改进而成的。 上个世纪八十年代各种决策树算法应运而生，如：c a r t 算澍7 】采用基于最小距离的选择 标准，b o o s t i n g 算法【7 】是一种多决策树综合式分类方法。 越来越多的研究人员投身于决策树算法的改进中，同时模糊集理论，粗糙集理论、遗 传算法等技术的相继提出和发展，对决策树的改进有了更广阔的发展空间。在现实生活中 存在大量的模糊现象，以及为了满足专家系统对模糊规则的需要，人们纷纷将模糊集理论 引入到传统的决策树算法中进行研究，提出了模糊决策树【9 】【l o 】f l l 】【12 1 ( f u z z yd e c i s i o nt r e e ， f d t ) 的概念，将决策树的广泛应用和易于知识表达的优点与模糊集理论能处理不精确和 不确定信息的优点完美的结合。 第一篇关于模糊决策树的文章是1 9 7 7 年由r o b i nl p c h a n g 和t h e o d o s i o sp a v l i d i s 在 i e e e 上发表( ( f u z z yd e c i s i o nt r e ea l g o r i t h m s ) ) 【9 】。之后对模糊决策树的研究进入高峰期， 其中最著名的是i d 3 算法模糊推广f u z z y i d 3 ( 模糊i d 3 ) 算法【9 】【，m i n a m b i g u i t y 算法【1 】 是一种基于不确定性减少的启发式模糊决策树生成算法；也有通过选择最小模糊度的方法 或是按照属性重要度来创建模糊决策树。 在实际应用中，决策树和模糊决策树算法已经广泛应用于各种领域，决策树的应用如： 宋健使用决策树方法来分析热轧带钢表面质量缺陷【1 3 1 ，殷俊等将决策树来识别影响屈服强 度的关键因素【1 4 】，程晓兰使用决策树来分析钢铁企业亏损产品的关键影响因烈”】，迟庆云 等就使用决策树算法来分析枣树成活率与各种外在因素的关系【1 6 】；模糊决策树的应用如： 徐晓丽等将模糊决策树方法来识别磨削状态【1 7 】，王建等将模糊决策应用于r o b o c u p 仿真组 “二对一决策”中，为决策者提供了更多的选择方案【1 8 】，王晓锋使用模糊决策树算法进行 武汉科技大学硕士学位论文第3 页 对w e b 异常入侵的检测，并有效的提高了检测精度【1 9 】。 1 2 2 热轧工艺温度影响因素分析方法 热轧工艺中终轧温度的控制一直都是一项重要的研究课题，终轧温度的控制精度对轧 制力和负荷分配的设定有直接的关联关系，也会影响到产品的组织性能。在整个带钢轧制 过程中，引起带钢终轧温度的因素有很多中。因此，为了提高带钢精轧设定和控制精度， 首先就需要分析这些因素对带钢温度的影响规律。 在热轧工艺中，分析各种影响因素对终轧温度的影响的方法主要有： 专家系统：根据钢铁领域内的大量专家提供的知识和经验，对各种因素进行推理 和判断，模拟热轧带钢过程，分析出各种影响因素对终轧温度的影响程度和规律。 统计与对比：建立温度控制模型，对轧制过程进行温度模拟，调整某个影响因素 的值，将模拟结果与实际测试的结果进行比较分析，得到该因素的影响程度和规 律。a r s h a h a n i 使用神经网络的方法来分析热轧工艺中的各种因素1 2 0 l 。张鹏等使 用有限元方法对轧制过程温度场进行模拟，分析了热传导系数和轧件物理参数对 温度的影响1 2 ，但轧制过程一个很复杂的过程，涉及的变量很多，且变量间的关 系都是非线性的，耦合性非常强，我们需要从整体上进行分析比较【2 2 1 。 相关性分析：通过统计分析方法考察变量之间的关系，其关系可以用相关系数来 定量说明。肖根福对热轧工艺中各个影响参数进行相关性分析，根据相关性系数 进行等级划分，确定了各个影响参数对精轧温度影响的大小【2 3 】。基于统计的相关 性分析法都是假设样本为原始的、准确的、数值连续的，对于存在缺失的，模糊 的数据不是很适合。 数据挖掘方法：汇集了来自机器学习、模式识别、数据库、统计学、人工智能以 及管理信息系统等各学科的成果，对大量的、有噪声的、模糊的原始数据进行处 理，发掘隐含的、有价值的信息，揭示客观规律、反映数据间内在联系。通过演 绎归纳的方法进行知识提取，发掘的知识可用于决策支持和过程控, l ie 3 1 1 2 4 】【2 引。 1 3 本文的主要研究内容 从国内外研究现状可以看出，不管是从模糊决策树算法本身的改进上，还是算法的应 用上，都取得了比较可喜的进展。本文以热轧工艺为研究基础，重点考虑了模糊决策树有 很强的分类能力，易于处理不确定数据，对分类结果更易于理解等优点，还借助于模糊决 策树的建立过程是一个不断选择最佳变量的过程，来测量热轧工艺中的各个影响因素的价 值大小，以有利于提取热轧工艺中的关键变量。 本文的主要研究包括： ( 1 ) 介绍了车l , i j 过程中温度变化规律，强调了温度因素对带钢产品性能的重要性；分 析并比较了决策树算法和模糊决策树算法的优缺点，并提出了模糊决策树需要解决的内容。 ( 2 ) 对热轧工艺数据进行预处理，针对于数据集中存在不相关和冗余的属性，选择基 于属性重要的算法进行属性约减，并对算法的有效性进行验证。 第4 页武汉科技大学硕士学位论文 ( 3 ) 使用模糊聚类的方法来对连续属性进行离散化，并将聚类结果应用于隶属度函数 参数设置中；并使用具体实例详细介绍t f u z z y i d 3 模糊决策树算法的构建过程。 ( 4 ) 基于模糊决策树算法，开发了特征关键变量提取系统，叙述了整个系统的结构， 并对提取结果进行分析。 1 4 本文创新点 本文的主要创新点包括： ( 1 ) 通过分析比较了模糊决策树算法与决策树算法的优缺点，提出了使用模糊决策树 作为度量变量价值大小的工具。分析表明，这种方法不仅可以处理模糊的、不确定等数据， 而且可以有效的度量出变量的价值大小。 ( 2 ) 针对于属性集中存在不相关的属性或者冗余属性，我们提出了一种基于属性重要 性的数据约减算法，该算法是依据属性重要度来不断的筛选掉不重要属性和冗余属性。我 们选择决策树来分别处理没有属性约减的训练集与属性约减过的训练集，试验证明，使用 属性约减算法后，可以有效的提高分类效率，在一定程度上减小分类树的规模。 ( 3 ) 基于模糊决策树的方法，开发了关键特征变量提取系统，并应用于热轧工艺中。 通过试验结果可以表明，使用该系统提取出的热轧关键变量确实对终轧温度有重要影响。 1 5 论文组织结构 本论文的结构安排如下： 第一章首先介绍本文研究的背景和意义，然后介绍了国内外研究的现状，提出了本文 的主要研究内容和创新点，最后确定本文的组织结构。 第二章介绍了轧制过程中温度的变化规律，简述了各种影响因素与终轧温度之间的关 系；然后简单介绍了模糊集合理论；最后分析比较了模糊决策树算法与决策树算法之间的 优缺点。 第三章对热轧数据进行预处理，包括数据的清理、连续属性离散化以及热轧数据表结 构的整理；然后对训练集进行属性约减。 第四章选择模糊聚类方法来确定隶属度函数的参数；然后详细介绍了模糊决策树的构 建过程。 第五章开发热轧工艺关键变量提取系统，分析系统各个部分的结构，系统实现了对影 响终轧温度的关键因素的提取，并对提取结果进行分析。 第六章总结和展望，主要是总结了本文做的主要工作，以及需要进一步解决的问题做 出的展望。 武汉科技大学硕士学位论文第5 页 第二章相关理论与技术 2 1 精轧终轧温度影响因素分析 2 1 1 轧制过程中温度变化规律 在热轧生产过程中，温度是一个极为重要的工艺参数，准确地预报各个环节的温度变 化是实现热轧控制的前提。热轧过程中的温度，主要是指开轧温度、终轧温度和卷取温度。 这些温度对金属在各机架中的变形抗力、轧制压力、机械性能等有直接的影响。 温度在轧制过程中的变化过程有钢坯的加热和轧件的不断冷却两个过程。为了使金属 易于加工成形，保证热轧产品带钢尺寸精确、板形良好、有高的组织性能和机械性能，通 常在轧制之前必须将钢坯加热到大约1 1 8 0 一1 2 5 0 ，随着钢坯不断的被轧薄，温度也逐渐 开始降低，到粗轧出口处温度大约为1 0 8 0 一1 1 0 0 ，通过中间辊道，到精轧入口时温度 降到1 0 0 0 一1 0 5 0 ，精轧机组末架时的终轧温度大约为8 3 0 - 8 8 0 ，最后轧钢温度强 迫冷却到6 0 0 一6 5 0 后卷成钢卷心6 1 幽“2 9 。 在整个轧制过程中需要采用不同的轧制速度、加速度和调节机架间冷却水以及层流冷 却的水流量与水压力等等来控制温度，同时金属在变形时也会产生一部分变形热。由此可 见，温度的变化在热轧带钢生成过程中是一个很复杂的过程。 温度对产品的性能有重要性还体现在： 1 精轧终轧温度太低可能使带钢的机械性能降低，而太高则容易产生二次氧化影响带 钢表面质量。 2 各机架的变形阻力和车l * j j 压力会影响轧件的尺寸和带钢形状。 3 带钢中温度的均匀性直接影响带钢厚度的均匀性。 2 1 2 精轧终轧温度影响因素分析 在热轧带钢生产中，精轧终轧温度的控制精度对轧制力以及带钢厚度精度等有重要的 影响，并将直接影响到最终产品的组织性能。带钢的终轧温度取决于带钢的材质、加热温 度、带钢厚度、速度制度以及冷却水的压力、流量等一系列因素。对影响精轧终轧温度的 各种因素进行分析，可以为建立终轧温度预报模型和修正精轧温度工艺模型提供参考和帮 助【2 6 】【2 7 】【2 8 1 1 2 9 1 1 3 0 1 。 1 带钢厚度和轧制力对精轧终轧温度的变化有密切关系，带钢厚度以及与负荷分配 相关的压下率等都是温度模型中的重要参数。 由于金属在轧制过程中会出现塑性变形，在其过程中，轧辊传递给轧件的机械能，在 使轧件产生形状改变的同时，还会使金属产生加工硬化，在随后的再结晶过程中，加工硬 化组织中积累的机械能会以热能的形式释放，使轧件的温度升高。 由制作原理可知，金属的塑性变形功为： 第6 页武汉科技大学硕士学位论文 w = 盯；。v l n 导x1 0 3( 式2 1 ) ，t 式中，w 为金属的塑性变形功；盯掣为平均变形抗力；矿为轧件的体积；h 为变形前轧件厚 度；，l 为变形后轧件厚度。 金属的塑性变形功只有一部分是以热能的形式释放，从而影响温度的变化，从式2 1 中可以看出，l 常l j 变形过程中轧件厚度的变化会影响金属的塑性变形功，最后影响温度的 变化。另外，轧件内部存在着热传导，当轧件很厚时，轧件表面层对介质的散热很快，而 轧件表面的热能损失有可能来不及从内部得到补充，结果在轧件内部各点会产生一定的温 度差，导致热量的流动。 2 轧制速度与精轧终轧温度的变化密切相关，目前现场一般采用控制带钢出口速度 来保证终轧温度的变化。 当带钢的头部进入精轧机组中时，但带钢的尾部仍然在中间辊道上，即尾部在空气 中冷却的时间比头部长，因而引起带钢尾部的终轧温度低于带钢头部的终轧温度，若带坯 愈长，精轧入口速度愈低，则带钢头部与尾部进入精轧机得时间差愈大，他们的终轧温度 差也愈大。 为了减少或消除带钢尾终轧温度差，使带钢全长上的终轧温度均匀，可以在带钢头 部离开精轧机后，使整个精轧机组与输出辊道和卷取机逐渐增速，从而缩短带钢头尾部进 入精轧机组的时间差，进而减少了带钢头尾部的温度差。 现代化的热连轧机终轧温度的允许的波动范围一般定为+ ( 1 0 - 1 5 ) o c ，当精轧机出口 处测得的终轧温度在允许波动范围内，n l 机就以预先规定的速度进行轧制，以保持终轧 温度的恒定；当终轧温度超出允许的波动范围外，便将控制信号反馈给轧机，调整速度的 升降，以使得终轧温度能控制在要求范围内。 3 喷嘴组态与精轧终轧温度的变化密切相关，喷嘴组态主要是使用高压水对轧件进 行除磷和冷去处理，控制着水的流量以及水压。 当大量的高压冷却水流与高温轧件表面相接触，将一部分热量带走，使得轧件产生 温降，这个过程基本上是强迫对流传热方式引起的热量损失，强迫对流的热交换过程是比 较复杂的，不仅与轧件的温度、高压冷却水的温度和轧件材质的物理性能有关，还与高压 冷却水的压力和流速有关。 对流传热时热量散失计算： 、 q = 一a ( t t 7 i ( 12 f & t 、 。1 。【= 足q m ( 式2 2 ) 式中，q 为热量散失；a 为对流的散热系数，它与阀的开度与水压的函数有关，见式 2 2 ；为轧件的温度；t 7 k 高压冷却水的温度：f 轧件与高压冷却水接触面积；t 为对流传热 时间。 4 粗轧出口温度与精轧温度有密切的影响。 粗轧出口处是一个条件较好的温度测量点，其测得的带刚表面温度可通过计算得到 带钢的实际平均温度，是精轧温度计算的起始温度。 武汉科技大学硕士学位论文第7 页 粗轧出口温度计采集的轧件表面温度实际值，按照式2 3 转化为平均温度，并作为精 轧温度计算的起始温度。 m = 知+ t 口+ 警。l ( 式2 3 ) q = 仃( 知+ + 2 7 3 o ) 1 式中，为轧件平均温度；t n 为$ l 件表面温度；t a 为空气温度；l 为轧件平均厚度；c 为轧 件比热容；为空冷辐射系数：仃为史蒂芬波尔兹曼常数。 2 2 模糊集理论 客观事物在中介过渡时会呈现“亦此亦彼”的差异特性，这种特别表现为模糊性。模 糊性理论【3 l 】是l a z a d e h 于1 9 6 5 年创立的，他用精确的数学语言来描述模糊性。差异的中 介过渡可以用一种叫隶属函数( m e m b e r s h i pf u n c t i o n ) 来表示，这种适当的模糊反而使现 实世界描述起来更加精确，这也更加突出了模糊理论有更广阔的实际应用前景。模糊技术 己成功应用于机器人、故障诊断、医疗设备、模式识别等各个方面。 2 2 1 模糊集合定义 集合一般指具有某种属性的、确定的、彼此间可以区别的事物的全体。将组成集合的 事物成为集合的元素或者元。被考虑对象的所有元素的全体称为论域。在康托创立的经典 集合论中，某一事物要么属于某集合，要么不属于某集合，二者必居其一，没有模棱两可 的情况。但在人们的思维中，却存在模糊的概念。比如以人的年龄为论域，“年轻”、“中 年”、“年老”是没有明确的界限的。 模糊集合的定义：给定论域，到 0 , 1 】闭区间的任一映射肛 j a ：u 一 0 , 1 】 都确定u 的一个模糊集合4 ，纵称为模糊集合a 的隶属函数，它反映了模糊集合中的元 素属于该集合的程度。若a 中的元素用z 表示，则心( x ) 称为x 属于4 的隶属度。j a ) 的取值 范围为闭区间 o ，1 。若心 ) 接近1 ，则表示z 属于a 的程度高；若心( x ) 接近0 ，则表示z 属 于4 的程度低。可见，模糊集合完全由隶属函数所描述。 2 2 2 模糊集合表示方法 ( 1 ) 当模糊集合中的元素为有限个时，模糊集合可以用以下三种方式表示： 曲z a d e h 表示法：a ：丛吐+ 丛生+ + 业2 ， u 1 u 2u n 上式中a 表示论域( u 1 ，u 2 ，u 3 ，) 上的模糊集合。 b ) 向量表示法：a = ( a ( u 1 ) ，a ( u 2 ) ，a ( u n ) ) ，其中a ( u j ) = o 的项不能省略。 c ) 序偶表示法：( ( u 1 ，a ( u 1 ) ) ，( u 2 ，a ( u ：) ) ，( t ，t ，a ( ) ) ) ( 2 ) 当模糊集合中的元素为无穷多个时，模糊集合可用z a d e h 法表示为 a = f 业 第8 页武汉科技大学硕士学位论文 注意，公式中的“+ ”号和公式中“，”号，并不是表示加法运算和积分运算，而是 模糊集合的一种记号，表示论域中所有元素的集合。公式中“一”和公式中“”不是表示 减法运算和除法运算，而是表示论域元素与隶属度的对应关系【3 i 】【3 2 】【3 3 】。 2 2 3 模糊集合的运算与关系 模糊集的交运算 设a 和b 为两个模糊集，其交集c 的隶属度为 c ( z ) = r a i n i n ( x ) ，b ( x ) 】 即两个模糊集的交集的隶属度取两个隶属度中较小的数，还可以表示为c = anb 。 模糊集的并运算 设a 和b 为两个模糊集，其并集c 的隶属度为 c ( x ) = m a x 陋( z ) ，b ( x ) 】 即两个模糊集的并集的隶属度取两个隶属度中较大的数，还可以表示为c = aub 。 模糊集的包含和相等关系 设a ，b 为论域u 上的两个模糊子集，对于u 中的每一个元素u ，都有a ( 札) b ( u ) ， 则称a 包含b ，记作a2b 。 如果对于两个模糊子集a 和口相等，则对于论域是哪个的任何元素u 都有 4 ( 札) = b ) 。 集合的基数度量 设a 为论域u 上的一个模糊子集，则a 的基数度量( 或求和) 由如下公式来表示： m 似) = a ( u ) j 一 i r e ， 集合的模糊分割 设a 且为论域，上的两个模糊子集，且满足bca ，则称b 构成a 的一个模糊分割。 入水平截集 设4 为x = 缸】中的模糊集，其中隶属度大于入的元素组成的集合，称模糊集a 的入水 平截集，即 a a = x l a ( x ) a ) 显然九水平截集山为普通集合，它的特征函数为 a a ( 加砝辎主三 特别，当入= 1 时，a 1 称为a 的核，s u p p ( a ) = x l x x ，a a ( x ) 0 ) 称为4 支集。 当九的取值从l 逐渐下降趋于0 时，如从核a 1 逐渐扩展至：l j s u p p ) ，直到整个论域。 由此可见，截集是经典集合与模糊集合之间的枢纽，可以实现模糊集合与经典集 合之间的相互转换。具体可见图2 1 所示： 武汉科技大学硕士学位论文第9 页 j i 甜 l 厂、 a 一 4 一 | | a 1 s u p p ( 1 ) 图2 1 截集、支集、模糊集的关系 2 3 决策树与模糊决策树方法比较 2 3 1 决策树分类方法 ( 1 ) 决策树概述 决策树【3 】【4 】【5 1 1 2 4 1 ( d e c i s i o nt r e e ) 又被称为判定树，是一个树状结构，类似于流程图， 如图2 2 所示即为一典型的决策树。它包括决策结点( 内部结点) 、分枝和叶子结点。每一 个决策结点代表一个问题，即待分类的属性，在图2 2 中用方形框表示，如框内属性：头 发和眼睛：树的每一个叶结点代表一种可能的分类结果，即类别，在图2 2 中用椭圆框表 示，如框内类别：第一类人和第二类人。在沿着决策树从上到下遍历过程中，每一个结点 都会遇到一个测试，每个结点上问题的不同测试输出导致不同的分枝，一条边代表一个测 试结果。 图2 2 一个决策树实例 决策树分类方法就是一种自上而下逼近离散值目标函数的归纳学习算法，它从一组无 序、无规则的样例中推理出若干分类规则，并对未知数据进行分类和预测。决策树在学习 第1 0 页武汉科技大学硕士学位论文 过程中，不需要了解很多的背景知识，只需要将数据样本以属性分类结果的样式表示，就 可以使用决策树来进行学习。 决策树分类方法是一种在机器学习、人工智能、知识发现等领域中广泛应用而且有效 的分类方法。人们通过对大量数据进行有目的性的分类，从中找到一些具有潜在价值的信 息，是构造人工智能系统的有效方法之一，也将在未来发挥越来越强大的作用。 ( 2 ) 决策树方法的理论基础 由c e s h a n n o n 创建的信息论是决策树方法的理论基础，信息论技术最初是为了解决 信息传递( 通信) 过程中的问题而建立的。一个信息系统是由发送端( 信源) 和接受端( 信宿) 以及连接两者的通道( 信道) 三者组成的。信息论技术把通信过程看作是随机过程或随机 序列。因此，在进行实际的通信之前，传递的信息都是随机的，收信者( 信宿) 无法确切 判断信状态和具体信息，这就是信宿对信源的不确定性，且存在于通信之前，因而叫做先 验不确定性【3 4 】。 在进行实际通信之后，信宿接收信源信息，如果干扰很少，不会对信息的传递产生任 何影响且被信宿全部吸收，在这种情况下，信宿的先验不确定性就会被全部消除。但是， 在一般情况下，干扰总是会存在且对信源发出的信息造成一定的破坏性，使信宿收到的信 息并不完全是信源传递过来的信息。因此先验不确定性只是部分地被消除，而使信宿仍然 具有一定程度的不确定性，这就是后验不确定性。显然，后验不确定性总是小于先验不确 定性。由此可见，信息是用来消除不确定性的度量，信息量的大小可以由所消除的不确定 性的大小来度量。 如果把反映实体类别的特征看成信源，把实体外部特征看成信宿，那么这就是一个信 息传递系统。在信源中，除了实体类别的关键特征外，还有非关键特征，可以看成是噪声。 所以，信宿中实体所表现的特征是一个分不清主次关系的多特征混合体，我们需要从信宿 中分析出实体类别的关键性特征。因此，可以理由信息论的原理来解决决策树归纳学习问 题。通过计算可以得出该特征判断实体类别的信息量大小，表明特征的重要程度。 c e s h a n n o n 创建的信息论中提出了几个比较重要的概念【2 4 】： 样本空间：消息 i ( f = 1 , 2 ，r ) 的发生的概率p ( u f ) 组成的信源数学模型： p 】_ 【p ( 1 ) p ( 篆：) p ( u r ) j 自信息：消息发生后包含的信息量，定义为： 1 l ( u 3 = z d 目两石= 一l o g p ( u i ) 信息熵：反映信源发出消息前的平均确定性，定义为： 删) = p u i 嘞( 志) 一幻2 酬 i 。 i 条件熵：接受信息y 后，关于输入u 的平均不确定性的减少，定义为： 武汉科技大学硕士学位论文 第1 1 页 小) - 车盹) ；p i 训( 南) 信息增益：变量y 分割变量，的样例而导致的期望熵的降低，即为信息增益： ，( 以矿) = h ( u ) 一h ( u i v ) ( 3 )决策树分类算法的生成 决策树通过把实例从根结点排列到某个叶子结点来分类实例，叶子结点即为实例所属 的分类。树上的每一个结点说明了对实例的某个属性的测试，并且该结点的每个后继分支 都对应于该属性的一个可能值。分类实例的方法是从这颗树的根结点开始，测试这个结点 指定的属性，然后按照给定实例的该属性值对应的树枝向下移动。然后这个过程在以新结 点为根的子树上重复。 决策树分类算法主要包括两个过程： 利用训练样本集建立一个决策树模型。在决策树模型建立以前还需要对原始数据 进行预处理，并对已经建立的决策树进行剪枝操作，最后形成规则集。 利用所建的决策树模型对新的数据进行分类。 决策树分类算法整个处理流程如图2 3 所示： 固一曩辇恒吲装恒亟 蒜匦千骆怪 图2 3 决策树分类算法流程 决策树生成基本算法描述如下： f u n c t i o nc o n s t r u c td e c i s i o nt r e e ( s a m p l e s ，a t t r i b u t el i s t ) n e w ( n ) ；木建立一个结点术 i fs a m p l e si n 相同分类c t h e nn = l e a f ( c ) 并返回；* n w 标为叶结点木 i fa t t r i b u t e - l i s t = n u l l t h e nn = l e a f ( ) 并返回；木标为普通类木 选择a t t r i b u t e l i s t 中具有最高信息增益的属性t e s t a t t r ； 标记结点n 为t e s ta t t r ； f o re a c ht e s ta t t r 中的己知值a i ； 从结点n 长出一个条件为t e s t a t t r = a i 的分支； 设s i 是s a m p l e s 中t e s t _ a t t r = a i 的样本集合； i fs i = n u l l t h e n 增加一个叶结点，标记为l e a f ( ) ： e l s e 增加一个结点由c o n s t r u c t d e c i s i o n t r e e ( a t t r i b u t e l i s t ，t e s t _ a t t r ) 产 生： ) 输入：训练样本集s a m p l e s ，由离散属性表示；a t t r