外文翻译--热轧钢数据挖掘方法的缺陷尺度的预测 中文版.doc

译文1热轧钢数据挖掘方法的缺陷尺度的预测JarnoJ.Haapamki,SatuM.TamminenandJuhaJ.RningNeurogroup/ISGUniversityofOulu,DepartmentofElectricalandInformationEngineeringComputerEngineeringLaboratoryLinnanmaaPOBOX4500jjhaaee.oulu.fi,satuee.oulu.fi,jjree.oulu.fi摘要规模缺陷是在热轧钢表面常见的缺陷。这种缺陷的原因并不简单。随着数据挖掘方法的提高，过程变量之间的依存关系多维化和产品成分可以被发现。对于本研究中，一个高维数据集来自芬兰的拉赫RautaruukkiOyj公司等资料得集合。数据同时载有平均价值和工艺价值测量的不同的频率。同时该变量以及分配在钢带测量前建模阶段得到解决。这项研究使轧制过程的模拟和规模缺陷得以可见。自组织系统映射（SOM）的被用于这些任务。关键词数据挖掘，神经网络，热轧钢，规模缺陷1介绍规模缺陷是一种常见的表面缺陷在热轧钢中，因此它是认识钢表面风险重要的因素，从而导致对钢铁表面的规模缺陷。热轧钢带被选为本研究中，由于其要求有严格的表面质量。钢的氧化导致了3层矿组成的规模维氏体，FeO，Fe3O4的磁铁矿和赤铁矿Fe2O3的组成维氏体，它是最里层，只有在稳定温度高于570C的在热轧过程它构成条件缺陷1.2.3的规模大约95。拥有几个规模不同类型的机制形成。轧在规模开发时或黑色更难氧化物滚到1在表面整理过程。红色规模主要与一高硅含量，虽然这不是一个必要条件2。在红色规模的检测，只有一个小的可能性为混淆与其他一些缺陷红色规模4。当这两种类型是一致时，它有可能推测出一些中规模缺陷将被忽略的检测系统，并超过0.1，硅含量，因此带人调查只对红色的规模和其他部分数据滚规模。定额缺陷的起源一直是为许多研究项目感兴趣的主题，但它仍然是很难找到造型上的缺陷相关的文献。没有规模的物理模型成立至今已制订。对于这个问题建模是由于高维变组它们的相互作用。为形成规模的几个原因在文献中提到，包括对其的影响温度和时间1,3,5,6，轧制力和减少1,6，钢的成分7和天然气的气氛。硅含量和加热温度3也有关的因素，因为熔融铁橄榄石，Fe2SiO4，加快结垢速率2。此外，不平衡冷却在5因素中有人提到。然而，目前关于如何处理知识条件和钢级的最终性能影响高等教育规模零散1。温度被认为是一个最明显的潜在规模因素形成，但这一研究却取得了自相矛盾的结果。剪切机破碎F6高温计卷材箱高温计规模表面检查系统图I型精轧机布局图首次出版的按比例缩放表面质量模型研究，引起的一项申请书（奥钢联-Q表地带），日前出版发行6。这种模式进行训练与整个加工过程运用了大量的样本，例如使用高温X射线defraction测量。该系统的预测能力等同规模阶段，这些资料被利用在信息处理过程中。本研究在许多细节中采取了不同的方法。我们的目标是找到高风险的过程和引起这一进程的一部分而导致规模缺陷的原因。高频在轧制过程中的测量功能被激活在当分析规模缺陷对不同部位钢带时。该摄像机的机反应利用视觉系统在神经培训模型。预测模型被实在施神经网络（多层感知和自我组织地图）。这项研究被激活在双方的可视化轧制工艺和规模缺损模型中。2数据资料在研究开始时，数据进行了收集和反复的分析。最后是收集数据集汇总在芬兰拉赫RautaruukkiOyj公司，在2003年8月15日-2003年8月27日，它包括1326钢带和59变化的从诊断学的测量和127变量包含在内的平均价值。平均价值如同反映复合钢铁的产品性能，目标值，尺寸和烤箱鉴定数。米尔诊断时间序列资料从粗轧机精轧温度聚集。平均值变量选择与帮助数据挖掘技术，利用专家的知识。前处理和变量的选择使用数据集进行了超过15000条组成由两个独立的1个月的时间。平均有从每个轧线部分的价值，但由于有诊断信息可从各地精轧，其中一些人替换时间序列资料。诊断数据包括温度，轧制力和速度，冷却水流动的规模和断路器的压力。在时间序列数据集测量间隔之间变化在0.0025s和0.05s内。因此，有数以万计的高频率测量数千变量每带。热轧带钢轧制是一个相当复杂的从过程的角度测量和数据：在这个过程中，一钢板穿过塑料变形，从而增加其长度之间点测量不同的变量。此外，轧制速度变化时，它是用来作为一个平均控制温度。数据同步和分配问题带钢后方可数据分析解决。因此，对资料进行修改时，索引以距离为基础的轴所有变量的共同信号。目标变量，即规模的缺陷数，记录最后完成之间的看台及冷却段。该摄像机的机器视觉系统在表面质量检测，Parsytec奥迪斯4.2，显示在在图1的权利。该地带的顶部是分析，由于顶部的录音更较可靠的底部。机器视觉系统能检测多达90的规模缺陷概率，并表明了各自的精确位置缺陷。有一个可能的缺点，但是，由于唯一的缺陷数为衡量，但无论是大小也不是在缺损区的严重性。3方法一个预测系统预测误差应在其发生。由于大部分的诊断测量完成在精轧，但是，它是不可能的作出预测上限，以调整进程在带钢轧制参数。相反，由预测系统可以给出估计值与实测值执行比对。该结果比较可能被用来促进决策关于轧机设定为以下剥离或对服务的需求（预测维修）。小心数据预处理是在前建模阶段所必要的。从应用领域涉及多个的问题，限制了特征提取可用性方法。首先，这个过程包含了一些争议属性。例如，表面温度由于受规模厚度的影响，因为氧化层会降低传热1。因此作用于剪切温度测量前的规模断路器测量可能不准确。此外，规模厚度会使降低轧制比例减少，但同时减少的数额会增加难度氧化物和缺陷，由于规模的缺陷可能引开裂。其次，变量的组合是巨大的。第三，严重缺乏处理故障导致了低数量规模的缺陷，这是一个从问题数据挖掘的观点。该方法是收集未经处理的实验数据，例如通过减少规模断路器压力。但是，故意产生的故障情况不会有所帮助时正常工艺条件为基础。由于模化的先决条件是相当苛刻的和由于样本规模含量低，第一项任务是要找出影响最大的变数额的规模。3.1同步性进程状态是不断变化的过程和造型的困难原因在没有告知关于进程的信息可用的动态力度变化情况下8。高频测量要找出在整个地带的条件长度。米尔传感器位于不同的位置沿生产线和测量，因此在不同的时间记录。同步的变量和对钢材的测量分配地带后方可数据分析解决。有在每一个时间序列的开始时间戳记，但由于引发了一系列测量前地带到达适当的位置，该指示它的测量范围内的系列的一部分属于加沙地带的长度都必须解决。特征提取技术（如派生）的温度和使用轧制力信号找到了加沙地带的领先优势。此外，加沙地带边缘提取的滚动力信号被用来相称的带钢速度站到线程之间的速度，这是一个绝对的价值。在不同的地点进行测量速度同步通过搜索最大相关在不同信号之间的滞后值。基于知识的速度超过带钢长度和时间加沙地带的前沿，其它测量可以找到。每一个变量的值是作为一个（测量，位置）为后续利用对例如在建模。3.2特征提取与变流量减少测量位置对进一步处理由计算方式为每个10米部分的功能描述性统计和傅立叶变换。的特点为平均值，标准差，最小值，最大值，衍生金融工具，能源在1-5Hz的频率间隔和5-20Hz的最大振幅和频率与相关在1-25Hz相敏。此外，绝对幅度规模缺损比例向加沙地带面积段。该功能必须与相连的规模缺陷资料，以便找到关键条件形成规模。阿高级官员会议9采用可视化上规模的缺陷依存关系映射的变量对规模不同的变量组合缺陷。该亚太经合组织高官会是可以想像的非线性依赖性，并如已被用于许多工业应用至在钢铁产品质量轧制模型10,11。冗余和非影响因素的基础上被拆除可视化。图2显示了变量和一些他们的共同生存与滚规模。可以看出，F1的顶部冷却，F1_TopCoo，减少数量检测规模。此外，高加工温度，F6_Temp，似乎并没有产生负面影响，如果有足够的冷却辊之间的第一对。除垢精轧前应清除所有大规模集结，这意味着在此之前，拖延点应该不会造成大规模的缺陷。然而，延误分析，以验证这一点，因为至少红色规模编队已连接到非规模完善搬迁的FeO/Fe2SiO4化合物造成的2。但是，有关规模效应不显着缺陷延误被发现。3.3缺陷分析及规模预测在早期分析阶段，样品进行了分类到3日和5质量的基础类的严重性规模缺陷。数据群集使用的KNN分类器与集群的区别进行了研究。可视化的计算也做了总结规模以上缺陷的价值观不同范围相每个变量。原来，锰含量不红色形成规模影响，这是一个众所周知的事实2。锰红色似乎影响形成规模，但进一步分析表明，所造成的影响是由copresence硅。当锰存在单独的数量红色的规模很小。预测模型是通过使用神经网络。两个多层感知器，总纲发展蓝图12，和SOM型神经网络使用了。SOM的模型，基于50*30大小的地图包含变量向量。权重地图的单位被用来寻找最佳匹配单元，德国环境部，供参照样本每个向量。在擦窗还包含了训练数据均值规模缺陷变量，它被作为输出使用模型。采用MLP-型网络患不均目标变量的分布，这是一个