摘  要：采用案例推理技术建立轧制规程案例库，并通过KDD挖掘技术从轧制运行数据库发现案例修改规则以适应不同轧制条件和不同轧制规格，由此建立一种基于经验和知识模型的热轧负荷分配法。试验表明，该方法提高了问题求解效率和质量，且更符合实际生产特点。

关键词：热连轧；负荷分配；案例推理；知识发现

l  前言

    由于热轧生产具有多品种、小批量、工艺过程复杂、影响产品质量的因素多等特点，应用传统方法建立的负荷分配模型在实践中常常表现出明显的不足或问题_1]。因此，建立合理的负荷分配模型一直是带钢轧制技术的研究热点。

    本文将案例推理技术与KDD(数据库中的知识发现)技术相结合，利用案例推理的思想和技术建立轧制规程案例库，再通过KDD挖掘技术从轧制运行数据库发现案例修改规则以适应不同轧制条件和不同轧制规格的生产，由此建立一种基于经验和知识模型的热轧负荷分配法。

2  基于KlDD和案例推理的热轧负荷分配法

2．1  案例表示

    在案例推理中，案例是知识的基本单元，是对应用领域内一个问题的结构化描述。为了解决问题，首先需将该问题所包含的信息表示成案例的形式，即案例的表示。案例表示决定了在案例中需要存储哪些知识并以适当的结构对其进行描述，以及按照何种结构对案例库进行索引等。案例的表示是指用一种适当的形式来描述案例的特征，将案例在计算机中表示出来，它是基于案例推理的前提和基础。对较简单的情况，可以将案例表示成一组特征；对较复杂的情况，可以将案例表示成一组相关联的子案例的集合，以形成问题的解的结构。可以说，现有的各种知识表示方法几乎都可以作为案例表示的实现方式，比较常见的表示方法有逻辑、语义网络、产生式规则、框架、面向对象等。一般案例的存储结构包括两部分：问题描述(问题的表面特征描述)和解特征(相应于问题描述的案例解)。

    根据本文研究问题的目的和特点，选取带钢出口厚度h_std划作为案例的决策属性。实际轧制中影响负荷分配的因素很多，综合考虑各种因素影响的大小及检索模型的规模并结合人工的轧制经验，选择钢种G、目标厚度h_tar、板坯宽度W、板坯厚度H、入口温度T₁、出口温度T₂等6个属性作为案例的条件属性。案例分析模型输入的是案例的条件属性，输出的是案例的决策属性。案例在案例库中的信息存储结构如表l所示。

2．2  案例检索

    案例检索实质上是从案例库中寻找与当前案例最为相似的案例。常用的案例检索方法主要有3种：最近邻法、归纳索引法和知识引导法。本文采用最近邻法计算案例的相似度H]，定义案例库Φ={C₁，C₂，…，C_n}，其中Ci(i=1，2，…，n，)的条件属性为F_i(f_i1,f_i2,f_i3,f_i4,f_i5,f_i6)，决策属性为Pi，(P_i1)。对于某一块带钢，定义条件属性F(f₁，f₂,f₃,f₄,f₅,f₆)，决策属性P(p₁)，F与Fi：的相似度函数：

式中，ω_k为案例第6个属性下的权值，其值根据经验按对负荷分配影响的大小设定。根据有关描述特征的经验知识，经过凑试确定加权系数：

    X_l=0．11，X₂=0．16，X₃=0．12，X₄=0.28，X₅=0．185，X₆=0．145。

    计算出相似度后，与该钢卷相似度最大的案例C_i。被检出并作为匹配案例，得到匹配案例的解特征。

2．3   案例修改与保存

案例推理系统检索到的案例往往只是与当前问题类似，但还有一定距离，需进行修改。本文研究的重点在于求解合理的负荷分配。根据经验和对实际轧制数据的分析，案例修改规则可简化为通过带材的重要属性参数值得到合理的负荷分配，即简化为：(G=a)^(H=6)^(h_tar=c) → (h_std=d) ^(Fstd=e)。其中，G、H、h_tar分别表示钢种、来料厚度、成品厚度，是条件属性；h_std、Fstd表示第i道次带材的出口厚度和轧制力，是决策属性。这种规则与KDD中关联规则的情形比较类似，因此，采用KDD中关联规则的挖掘算法，通过挖掘轧制运行数据库中的关联规则就可以获取案例修改的规则。

    本文所要挖掘的案例修改规则中的属性值既有数量属性(厚度)，又有类别属性(钢种)，因此，可以按照多值关联规则挖掘问题(Quanti—tative Association Rules Problem，QARP)的处理方法进行规则挖掘。QARP较复杂，一般先将其转化为BARP(Boolean Association RulesProblem，BARP)，再使用BARP的挖掘算法。具体算法是：首先进行布尔转换，将数据的各个属性按一定标准划分为单位区间，将每个区间按顺序映射为一个非负整数，并将每一条记录的属性值映射为非负整数。属性区间可以按数据的分布特征划分，也可以按，z等分的标准划分。从空间的角度来看，全部条件属性构成了一个多维数据空间。在属性区间划分后，各维度单位区间在多维空间中交叉构成了一个个称为数据包的小单位空间，而每一条数据记录可以看作数据包中的一个点。通过数据包，重新定义支持度和置信度，从而便于关联规则的挖掘。针对负荷分配模型中关联规则的条件属性和决策属性较分明，本文采用了验证型数据采掘的方法：先由专家经验确定规则中的条件属性和决策属性，通过支持度和可信度来决定规则，然后利用粗糙集理论约简规则。

    利用KDD技术和粗糙集理论进行案例修改后，如得到满意解，案例修改结束；如未得到满意解，则通过人机界面进行修改后结束。

完成案例修改后，得到当前案例的所有属性值，即得到一个完整的新案例。如果该案例有保存意义，将其存人案例库，使案例库得到不断补充完善，否则可以不进行存储。具有保存意义是指在给定描述特征下，通过案例检索和案例修改确定解特征，可使性能指标(板形、厚度精度、生产效率)最优。

3   试验研究

    以攀枝花新钢钒股份有限公司热轧板厂生产焊接气瓶钢SPHC中的一个钢卷为例，其板坯粗轧出口厚度H=32．68mm、带钢目标厚度h_tar=3．5mm、板坯宽度W=1040．91mm、入口温度T₁=984．12℃、目标温度T₂=880℃，应用上述基于KDD的案例分析技术进行热连轧带钢负荷分配编程计算，得到的运行界面如图1所示。

    得到的规程与现场模型设定计算规程和实测轧制规程进行对比，如表2所示。由表2可看出，基于案例推理的负荷分配模型生成的规程与实际采集得到的规程较接近，其负荷分配更合理。

4  结论

    本文将案例推理技术与KDD技术相结合，利用案例推理的思想和技术建立轧制规程案例库，并通过KDD技术从轧制运行数据库发现案例修改规则以适应不同轧制条件和不同轧制规格，由此建立一种基于经验和知识模型的热轧负荷分配法。该方法提高了问题求解效率和质量，更符合实际生产特点，为热连轧生产提供了新的应用理论和应用技术。