改进的面向连铸质量判定模型的动态数据挖掘方法及装置与流程

1.本发明涉及数据挖掘技术领域，尤其涉及一种改进的面向连铸质量判定模型的动态数据挖掘方法及装置。


背景技术：

2.钢铁产业作为国民经济的基础原材料产业，在经济发展中具有重要地位。在钢铁厂生产各类钢铁产品过程中，使用钢水凝固成型有两种方法：传统的模铸法和连续铸钢(continuous steel casting，简称连铸)法。与传统方法相比，连铸技术具有大幅提高金属收得率和铸坯质量，以及节约能源等显著优势。
3.连铸坯是炼钢炉炼成的钢水经过连铸机铸造后得到的产品，在实际生产过程中，连铸坯容易出现各种质量缺陷。如何利用连铸坯生产过程中产生的海量数据，分析质量事故原因，从而改善产品质量是亟待解决的问题之一。


技术实现要素：

4.本技术实施例提供一种改进的面向连铸质量判定模型的动态数据挖掘方法，能够利用连铸坯生产过程中产生的海量数据，分析质量事故原因，从而有利于改善产品质量。
5.为解决上述问题，本发明实施例提供了一种改进的面向连铸质量判定模型的动态数据挖掘方法，所述方法包括：获取产品质量事故的发生时间和所述产品质量事故的类型；根据所述产品质量事故的类型和预设的先验知识信息，确定与所述产品质量事故关联的质量指标参数；根据所述发生时间推算所述质量指标参数的检测时间段；获取所述检测时间段内所述质量指标参数的实际测量值；根据预先构建的连铸质量判定模型和所述实际测量值，确定所述检测时间段内与所述质量指标参数关联的一种或多种工艺参数的数值，其中，所述连铸质量判定模型用于描述所述质量指标参数和所述工艺参数之间的数学关系；根据所述检测时间段内每种工艺参数的数值和该工艺参数的预设取值范围，确定与所述产品质量事故关联的工艺参数。
6.可选的，所述先验知识信息包括：所述质量指标参数的特征值类型和特征值的预设取值范围，根据预先构建的连铸质量判定模型和所述实际测量值，确定所述检测时间段内与所述质量指标参数关联的一种或多种工艺参数的数值之前，所述方法还包括：根据所述特征值类型，计算所述检测时间段内所述质量指标参数的实际测量值的特征值；若所述实际测量值的特征值处于所述特征值的预设取值范围，则确定所述检测时间段内的实际测量值为合格数据，否则，确定所述检测时间段内的实际测量值包括不合格数据；根据预先构建的连铸质量判定模型和所述实际测量值，确定所述检测时间段内与所述质量指标参数关联的一种或多种工艺参数的数值包括：在所述检测时间段内的实际测量值为合格数据的情况下，根据所述连铸质量判定模型和所述实际测量值确定与所述质量指标参数关联的一种或多种工艺参数的数值。
7.可选的，根据预先构建的连铸质量判定模型和所述实际测量值，确定所述检测时
间段内与所述质量指标参数关联的一种或多种工艺参数的数值还包括：在所述检测时间段内的实际测量值包括不合格数据的情况下，则将所述检测时间段划分为多个时间区间；分别判断每个时间区间内所述质量指标参数的实际测量值是否包括不合格数据；剔除包括不合格数据的时间区间内的实际测量值，以得到剔除后的实际测量值；根据所述剔除后的实际测量值和所述连铸质量判定模型，确定所述检测时间段内与所述质量指标参数关联的一种或多种工艺参数的数值。
8.可选的，所述连铸质量判定模型的构建方法包括：获取所述质量指标参数的样本数据序列，其中，所述样本数据序列包括所述质量指标参数的多个历史测量值；获取所述工艺参数的样本数据序列，所述工艺参数的样本数据序列包括所述工艺参数的多个历史测量值，每个历史测量值具有采样时间点信息；根据所述采样时间点信息对所述质量指标参数的样本数据序列进行数据规整，以得到规整后的数据序列，其中，所述规整后的数据序列和所述工艺参数的样本数据序列是时间对齐的；根据所述工艺参数的样本数据序列和所述规整后的数据序列进行拟合，得到所述连铸质量判定模型。
9.可选的，所述产品质量事故为：出现铸坯纵向裂纹，所述质量指标参数为：铸坯拉速，与所述质量指标参数关联的一种或工艺参数包括：结晶器出口处的坯壳厚度。
10.可选的，所述方法还包括：获取第一时间段内所述质量指标参数的实际测量值；将所述第一时间段内所述质量指标参数的实际测量值输入至预先训练得到的质量预测模型，以得到所述质量预测模型输出的预测质量结果，所述预测质量结果用于指示所述第一时间段内是否出现与所述质量指标参数关联的产品质量事故；其中，所述质量预测模型是采用训练数据预先对预设模型进行训练得到的，所述训练数据包括：所述质量指标参数的样本测量值序列和所述样本测量值序列对应的实际质量结果。
11.可选的，所述预设模型为：双向长短期记忆网络。
12.本发明实施例还提供一种改进的面向连铸质量判定模型的动态数据挖掘装置，包括：第一获取模块，用于获取产品质量事故的发生时间和所述产品质量事故的类型；质量指标参数确定模块，用于根据所述产品质量事故的类型和预设的先验知识信息，确定与所述产品质量事故关联的质量指标参数；检测时间段确定模块，用于根据所述发生时间推算所述质量指标参数的检测时间段；第二获取模块，用于获取所述检测时间段内所述质量指标参数的实际测量值；第三获取模块，用于根据预先构建的连铸质量判定模型和所述实际测量值，确定所述检测时间段内与所述质量指标参数关联的一种或多种工艺参数的数值，其中，所述连铸质量判定模型用于描述所述质量指标参数和所述工艺参数之间的数学关系；质量追溯模块，用于根据所述检测时间段内每种工艺参数的数值和该工艺参数预设的取值范围，确定与所述产品质量事故关联的工艺参数。
13.本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器运行时，使得上述的改进的面向连铸质量判定模型的动态数据挖掘方法被执行。
14.本发明实施例还提供一种终端，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时执行上述的改进的面向连铸质量判定模型的动态数据挖掘方法的步骤。
15.与现有技术相比，本技术实施例的技术方案具有以下有益效果：
16.在本发明实施例的方案中，获取产品质量事故的发生时间和类型，一方面，根据产品质量事故的类型和预设的先验知识信息，确定与产品质量事故关联的质量指标参数，另一方面，根据产品质量事故的发生时间推算质量指标参数的检测时间段。进一步地，获取检测时间段内质量指标参数的实际测量值，并根据预先构建的连铸质量判定模型和质量指标参数的实际测量值反向求解得到检测时间段内工艺参数的数值，由此可以根据工艺参数的数值确定该工艺参数是否与产品质量事故关联，从而确定可能引起产品质量事故的工艺参数。采用这样的方案可以基于生产过程中质量指标参数的实际测量值，高效、准确地确定产品质量问题的可能原因。
17.进一步，本发明实施例的方案中，所述先验知识信息包括：所述质量指标参数的特征值类型和特征值的预设取值范围，在确定所述检测时间段内与所述质量指标参数关联的一种或多种工艺参数的数值之前，先判断检测时间段内的实际测量值是否包括不合格数据，并将不合格数据进行剔除。采用这样的方案，基于先验知识信息进行合格数据的验证，从而能够在合格历史数据的状态下，分析引起产品质量事故的可能参数原因，有利于确保结果的准确度。
18.进一步，本发明实施例的方案中，先获取质量指标参数的样本数据序列和工艺参数的样本数据序列，然后对质量指标参数的样本数据进行数据规整，以得到规整后的数据序列，最后根据规整后的数据序列和工艺参数的样本数据序列进行拟合，以得到连铸质量判定模型。由于根据工艺参数的样本数据序列中每个历史测量值的采用时间点信息，因此，规整后的数据序列和工艺参数的样本数据序列是时间对齐的，通过在离散的质量指标参数的测量值中加入时序因素，以与工艺参数时间对齐，从而可以针对时间空间上的数据进行相关性的动态数据挖掘，有利于提高连铸质量判定模型的准确性。
附图说明
19.图1为本发明实施例中一种改进的面向连铸质量判定模型的动态数据挖掘方法的流程示意图；
20.图2为本发明实施例中一种连铸质量判定模型的构建方法的流程示意图；
21.图3是本发明实施例中一种改进的面向连铸质量判定模型的动态数据挖掘装置的结构示意图。
具体实施方式
22.如背景技术所述，如何利用连铸坯生产过程中产生的海量数据，分析质量事故原因，从而改善产品质量是亟待解决的问题之一。
23.产品质量事故通常是工艺参数(process parameter)引起的，出现产品质量不良的原因可以包括：工艺参数的设计值不合理，以及生产过程中工艺参数的实际值未能控制在合理值内。其中，所述工艺参数是指完成某项工作的工艺的一系列基础数据或指标，更具体地，工艺参数是指与工艺相关的机械和/或设备的指标参数，能够用于体现工艺的一些性能等信息。在本发明实施例的方案中，工艺参数可以是指连铸工艺中采用或设置的参数。由此，建立产品质量事故和工艺参数之间的关联关系，对于分析连铸坯质量事故的原因至关重要。
24.本发明的发明人研究发现，产品质量不良的原因能够在生产过程中工艺参数的时间序列数据中反映出来。也即，工艺参数的时间序列数据的某些特征的改变，会引起产品质量的变化。然而，在实际生产过程中，部分工艺参数的实际值是较难测量的，在这种情况下，由于无法获取工艺参数的实际测量值，也就无法确定工艺参数时序数据的特征，此时根据工艺参数时序数据的特征分析产品质量问题存在技术障碍。
25.为解决上述问题，本发明实施例提供了一种改进的面向连铸质量判定模型的动态数据挖掘方法，在本发明实施例的方案中，获取产品质量事故的发生时间和类型，一方面，根据产品质量事故的类型和预设的先验知识信息，确定与产品质量事故关联的质量指标参数，另一方面，根据产品质量事故的发生时间推算质量指标参数的检测时间段。进一步地，获取检测时间段内质量指标参数的实际测量值，并根据预先构建的连铸质量判定模型和质量指标参数的实际测量值反向求解得到检测时间段内工艺参数的数值，由此可以根据工艺参数的数值确定该工艺参数是否与产品质量事故关联，从而确定可能引起产品质量事故的工艺参数。采用这样的方案可以基于生产过程中质量指标参数的实际测量值，高效、准确地确定产品质量问题的可能原因。
26.为使本发明的上述目的、特征和有益效果能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。
27.参照图1，图1是本发明实施例中一种改进的面向连铸质量判定模型的动态数据挖掘方法的流程示意图。所述方法可以由终端执行，所述终端可以是现有的各种具有数据接收和数据处理能力的设备，例如，可以是手机、计算机、平板电脑、物联网设备和服务器等，本发明实施例对此并不进行限制。图1示出的方法可以包括步骤s101至步骤s106：
28.步骤s101：获取产品质量事故的发生时间和所述产品质量事故的类型；
29.步骤s102：根据所述产品质量事故的类型和预设的先验知识信息，确定与所述产品质量事故关联的质量指标参数；
30.步骤s103：根据所述发生时间推算所述质量指标参数的检测时间段；
31.步骤s104：获取所述检测时间段内所述质量指标参数的实际测量值；
32.步骤s105：根据预先构建的连铸质量判定模型和所述实际测量值，确定所述检测时间段内与所述质量指标参数关联的一种或多种工艺参数的数值，其中，所述连铸质量判定模型用于描述所述质量指标参数和所述工艺参数之间的数学关系；
33.步骤s106：根据所述检测时间段内每种工艺参数的数值和该工艺参数的预设取值范围，确定与所述产品质量事故关联的工艺参数。
34.可以理解的是，在具体实施中，所述方法可以采用软件程序的方式实现，该软件程序运行于芯片或芯片模组内部集成的处理器中；或者，该方法可以采用硬件或者软硬结合的方式来实现。
35.在步骤s101的具体实施中，可以获取产品质量事故的发生时间和产品质量事故的类型。在本发明实施例中，所述产品是指连铸坯(也可以简称为“铸坯”)，所述产品质量事故是指连铸坯出现质量缺陷的情况，所述产品质量事故的类型可以是指质量缺陷的类型。
36.在具体实施中，可以对连铸坯进行检测，以得到检测结果，在所述连铸坯存在质量缺陷的情况下，所述检测结果可以包括：产品质量事故的发生时间和产品质量事故的类型。
37.在一个具体的例子中，可以人为地对连铸坯进行检测，以得到所述检测结果，并将
检测结果输入至终端。
38.在另一个具体的例子中，也可以是终端自动地对连铸坯进行检测，以得到所述检测结果。例如，可以是对连铸坯进行拍摄，以得到连铸坯图像，并对所述连铸坯图像进行图像处理，以得到检测结果。
39.在实际生产场景中，所述产品质量事故的类型可以是以下任意一项：铸坯出现纵向裂纹、铸坯出现横向裂纹、铸坯出现气泡、铸坯表面夹渣等，但并不限于此，还可以是其他在实际生产过程中出现的质量缺陷。下文将以“铸坯出现纵向裂纹”这一类型为例进行非限制性的描述。
40.进一步地，所述产品质量事故的发生时间可以是指检测到连铸坯出现质量缺陷的时间。
41.在其他实施例中，也可以根据连铸坯出现质量缺陷的检测时间推算出现质量缺陷的时间，并将推算得到的时间作为所述发生时间。例如，可以是对连铸坯的质量缺陷情况进行分析，以推算出现质量缺陷的时间。在具体实施中，可以是对整个连铸坯进行检测，以得到该连铸坯的检测结果，所述检测结果可以包括连铸坯上的多个质量缺陷。对于每个质量缺陷，可以根据检测时间和连铸坯的质量缺陷分布，确定该质量缺陷在所述连铸坯上的位置，然后根据每个质量缺陷在连铸坯上的位置，确定发生该质量缺陷的时间。其中，连铸坯的质量缺陷分布是指所述多个质量缺陷在整个连铸坯上的分布。采用这样的方案，可以在质量缺陷的检测存在滞后的情况下，更加准确地确定质量问题的发生时间，从而可以更加准确地确定后续的质量指标参数的检测时间段。
42.在步骤s102的具体实施中，可以读取预设的先验知识信息，所述先验知识信息可以预先存储于所述终端的存储器中，或者，也可以存储于与终端耦接的数据库中，本实施例对此并不进行限制。
43.具体而言，所述先验知识信息可以包括每种类型的产品质量事故关联的质量指标参数以及所述质量指标参数的模式信息。其中，所述模式信息可以包括：质量指标参数的特征值类型和特征值的预设取值范围。
44.在本发明实施例的方案中，所述质量指标参数是指对产品的质量进行表征的参数。更具体地，不同的质量指标参数可以用于表征生产过程中不同生产节点的产品质量。
45.进一步地，所述特征值类型是指所述质量指标参数的时间序列数据的特征值的类型，所述特征值类型可以是以下任意一项：方差、平均值、协方差等，但并不限于此。
46.例如，上述的“铸坯出现纵向裂纹”关联的质量指标参数可以是：铸坯拉速。在具体实施中，“铸坯出现纵向裂纹”的先验知识信息可以包括：在连铸生产工艺中，铸坯拉速不稳定时，容易出现纵向裂纹，将铸坯拉速测量值时间序列的方差作为影响铸坯纵向裂纹质量事故的一种模式。
47.需要说明的是，每种产品质量事故的类型可以关联多种质量指标参数，针对每种质量指标参数可以继续执行步骤s103至步骤s106。
48.进一步地，读取先验知识信息之后，可以根据步骤s101中获取的产品质量事故的类型和所述先验知识信息，确定质量指标参数。以上述的产品质量事故为“出现铸坯纵向裂纹”为例，根据先验知识信息，可以确定关联的质量指标参数包括：铸坯拉速，还可以确定铸坯拉速的特征值类型为方差。
49.在步骤s103的具体实施中，可以根据产品质量事故的发生时间推算质量指标参数的检测时间段。可以理解的是，所述检测时间段是所述发生时间之前的时间段。
50.在具体实施中，可以根据预先设置的逻辑关系和产品质量事故的发生时间推算质量指标参数的检测时间段。更具体地，所述先验知识信息可以包括所述预先设置的逻辑关系。
51.在一个具体的例子中，产品质量事故的发生时间为t1时刻，则可以推算确定检测时间段为(t
1-δt)时刻至t1时刻之间的时间段，其中，δt用于指示所述检测时间段的时长，所述时长可以是预先确定的。
52.在步骤s104的具体实施中，可以获取检测时间段内质量指标参数的实际测量值。
53.进一步地，还可以根据上述的特征值类型，计算所述检测时间段内质量指标参数的实际测量值的特征值，并将计算得到的特征值与特征值的预设取值范围进行比较，以判断检测时间段内的实际测量值是否包括不合格数据。
54.需要说明的是，特征值的预设取值范围是指允许的取值范围。具体而言，当生产过程中质量指标参数的实际测量值的特征值超出特征值的预设取值范围，则说明该实际测量值本身存在错误，也即，数据本身存在错误。例如，可能是测量方式不当导致数据错误，从而无法用于后续的数据挖掘和分析，但并不限于此。换言之，当生产过程中质量指标参数的实际测量值的特征值超出特征值的预设取值范围，并不说明该实际测量值指示出现产品质量事故。为便于描述，下文将特征值的预设取值范围记为第一取值范围，所述第一取值范围和特征值的类型是一一对应的。
55.进一步地，如果确定检测时间段内的实际测量值的特征值处于第一取值范围，则可以确定检测时间段内的实际测量值为合格数据，由此，可以根据检测时间段的实际测量值继续执行步骤s105和步骤s106。
56.如果确定检测时间段内实际测量值的特征值未处于第一取值范围，则可以确定检测时间段内的实际测量值包括不合格数据。
57.进一步地，如果确定检测时间段内的实际测量值包括不合格数据，则可以将检测时间段划分为多个时间区间。进一步地，可以分别判断每个时间区间内质量指标参数的实际测量值是否包括不合格数据。
58.具体而言，可以分别计算每个时间区间内质量指标参数的实际测量值的特征值，并判断是否处于对应的第一取值范围内。对于任意一个时间区间，若实际测量值的特征值不处于第一取值范围内，则可以确定该时间区间包括不合格数据。
59.进一步地，可以剔除包括不合格数据的时间区间内的实际测量值，以得到剔除后的实际测量值。进一步地，可以对剔除后的实际测量值执行步骤s105和步骤s106。
60.在一个非限制性的例子中，如果每个时间区间均包括不合格数据，则可以进一步对每个时间区间进行划分，以得到多个时间子区间。
61.进一步地，对于每个时间子区间，可以判断该时间子区间内质量指标参数的实际测量值是否包括不合格数据。具体而言，可以分别计算每个时间子区间内质量指标参数的实际测量值的特征值，并判断是否处于对应的第一取值范围内。对于任意一个时间子区间，若实际测量值的特征值不处于第一取值范围内，则可以确定该时间子区间包括不合格数据。
62.进一步地，可以从整个检测时间段的实际测量值中剔除包括不合格数据的时间子区间内的实际测量值，以得到剔除后的实际测量值。若每个时间子区间均包括不合格数据，则可以确定所述检测时间段内均为不合格数据。在这种情况下，可以向用户发出异常提醒信息，所述异常提醒信息用于指示所述检测时间段内均为不合格数据。
63.需要说明的是，本发明实施例的方案中，多个时间区间的时长可以是相同的，多个时间子区间的时长也可以是相同的。
64.由此，本发明实施例的方案中，可以在合格历史数据的状态下，分析引起产品质量事故的可能参数原因。
65.在步骤s105的具体实施中，对于步骤s102中确定的每种质量指标参数，可以获取该种质量指标参数对应的连铸质量判定模型。其中，质量指标参数和连铸质量判定模型可以是一一对应的。
66.其中，所述连铸质量判定模型用于描述质量指标参数和一种或多种工艺参数之间的数学关系(或者，也可称为“函数关系”)。更直观地，可以将所述连铸质量判定模型表示为y＝f(x1,x2,
…
,xn)，其中，y为所述质量指标参数，xi为与质量指标参数y关联的第i种工艺参数，1≤i≤n，i和n均为正整数。
67.在具体实施中，所述连铸质量指标模型可以是预先构建得到的，并可以存储于所述终端的存储器中，或者存储于与终端耦接的数据库中，本实施例对此并不限于此。关于所述连铸质量判定模型的构建过程，可以参照下文图2的相关描述，在此不再赘述。
68.进一步地，可以根据步骤s104中得到的检测时间段内质量指标参数的实际测量值和所述连铸质量判定模型，反向求解得到质量指标参数关联的每种工艺参数在检测时间段内的数值。需要说明的是，如果在步骤s104中执行了剔除不合格数据的操作，也可以根据剔除后的实际测量值和连铸质量判定模型，反向求解质量指标参数关联的每种工艺参数的数值
69.以上文所述的产品质量事故为“铸坯出现纵向裂纹”，质量指标参数为铸坯拉速为例，连铸质量判定模型可以表示为：
[0070][0071]
其中，v为铸坯拉速，δ为结晶器出口处的坯壳厚度，k为结晶器凝固系数，lm为结晶器的有效强度长度。结晶器出口处的坯壳厚度δ为与铸坯拉速v关联的一种工艺参数，结晶器凝固系数k和结晶器的有效强度长度lm均为预先确定的定值。在步骤s105中，可以根据检测时间段内铸坯拉速v的实际测量值，计算得到检测时间段内结晶器出口处的坯壳厚度δ的值。
[0072]
在步骤s106的具体实施中，对于每种工艺参数，可以根据检测时间段内该种工艺参数的数值和该工艺参数的预设取值范围，确定该种工艺参数是否与上述的产品质量事故相关。为便于描述，下文将工艺参数的预设取值范围记为第二取值范围，第二取值范围和工艺参数的类型可以是一一对应的。
[0073]
在具体实施中，对于质量指标参数关联的每种工艺参数，如果检测时间段内该种工艺参数的数值超过该种工艺参数的第二取值范围，则可以确定该种工艺参数与上述的产品质量事故关联。工艺参数与产品质量事故关联可以是指工艺参数可能是引起产品质量事
故的原因之一。
[0074]
例如，通过将步骤s105中得到的结晶器出口处的坯壳厚度δ的值和坯壳厚度δ对应的第二取值范围进行比较，以判断结晶器出口处的坯壳厚度是否可能是引起铸坯出现纵向裂纹的原因之一。
[0075]
由上，本发明实施例的方案中，采用动态数据挖掘方法，针对动态数据和实时数据进行信息挖掘，从而能够利用连铸坯生产过程中产生的海量数据，分析质量事故原因，发现工艺参数未能控制在合理值的范围内的情况，便于后续改善产品质量。
[0076]
参照图2，图2是本发明实施例中一种连铸质量判定模型的构建方法的流程示意图。如图2所示，所述构建方法可以包括步骤s201至步骤s204：
[0077]
步骤s201：获取所述质量指标参数的样本数据序列，其中，所述样本数据序列包括所述质量指标参数的多个历史测量值；
[0078]
步骤s202：获取所述工艺参数的样本数据序列，所述工艺参数的样本数据序列包括所述工艺参数的多个历史测量值，每个历史测量值具有采样时间点信息；
[0079]
步骤s203：根据所述采样时间点信息对所述质量指标参数的样本数据序列进行数据规整，以得到规整后的数据序列，其中，所述规整后的数据序列和所述工艺参数的样本数据序列是时间对齐的；
[0080]
步骤s204:根据所述工艺参数的样本数据序列和所述规整后的数据序列进行拟合，得到所述连铸质量判定模型。
[0081]
在步骤s201和步骤s202的具体实施中，分别获取质量指标参数的样本数据序列和工艺参数的样本数据序列，为便于描述，可以将质量指标参数的样本数据序列记为第一样本序列h1，以及可以将工艺参数的样本数据序列记为第二样本序列h2。可以理解的是，第一样本序列包括质量指标参数的多个历史测量值，第二样本序列包括工艺参数的多个历史测量值。
[0082]
对于针对钢铁生产过程，内部生产流程可以分为连续型过程和批量型过程，连续型过程中涉及的数据通常为时序数据，批量型过程涉及的数据通常为批次数据。连续型生产过程的特点是原料连续经过生产线各工艺装置处理后成为产品，各工艺装置操作参数的设计值为定值。批量型生产过程的特点是单批产品在同一工艺装置中，一般要经历多个加工处理时段，因此通常其各个操作参数的设计值在生产过程的不同时段取不同的值。连铸过程主要以连续型生产过程为主，但是对于每批次的钢包数据，具有批量型的特点。因此针对时序数据和批次数据采用不同的预处理规整方式。
[0083]
具体到本发明实施例的方案中，工艺参数为连续型过程数据(也可称为“时序数据”)。具体而言，上述的第二样本序列h1,可以是按照预设的采样周期对工艺参数的测量值进行采样得到的，为此，第二样本序列h1包括多个历史测量值，且每个历史测量值具有采样时间点信息。
[0084]
质量指标参数为批量型过程数据(也可称为“批次数据”)，由此，上述的第一样本序列h1包括质量指标参数的多个历史测量值，其中，第一样本序列h1中多个历史测量值之间的时间间隔是不规律的，为此，可以通过执行步骤s203对第一样本序列h1进行数据规整。
[0085]
在具体实施中，可以先执行步骤s201，也即，先获取第一样本序列h1，由于第一样本序列h1中的历史测量值是对产品进行质量检测得到的，因此可以提取对第一样本序列h1
中的历史测量值有影响的时间段内工艺参数的历史测量值。其中，所述有影响的时间段的时长可以是预先设置的。换言之，连续型过程数据的规整方式是将不同工艺参数在不同时刻对参与质量抽样检验的部分产品的测量值与质量检验结果一起组成样本，也即将工艺参数的测量值时间序列中对某个质量检验结果有影响的一段时间序列提取出来，与质量指标参数的历史测量值一起组成样本。
[0086]
更具体地，产品质量检验在t时刻完成，也即，t时刻的质量指标参数的测量值可以记为yt，各工艺产生yt的测量点可能安装在生产线的同一区域或不同区域，换言之，yt关联的多种工艺参数可能位于生产线的同一区域或者不同区域。
[0087]
在步骤s203的具体实施中，根据第二样本序列h2中每个历史测量值的采样时间点信息，对第一样本序列h1进行数据规整，以得到规整后的数据序列(也即，规整后的第一样本序列h1)，其中，规整后的数据序列和所述工艺参数的样本数据序列是时间对齐的。其中，所述时间对齐可以是指规整后的数据序列中的历史测量值和工艺参数的样本数据序列中的历史测量值是一一对应的，且一一对应的两个历史测量值具有相同的时间点信息。
[0088]
换言之，通过执行步骤s203将质量指标参数的测量值这种离散的检测值进行对齐，也即，加入时序的因素进行数据的对齐。
[0089]
在步骤s204的具体实施中，可以根据上述的第二样本序列和规整后的数据序列进行拟合，以得到上述的连铸质量判定模型。在具体实施中，拟合方法可以是现有的各种拟合方法，例如可以是：多项式拟合、最小二乘法拟合等，本实施例对此并不进行限制。
[0090]
由上，本发明实施例的方案中，对连铸坯生产过程中的连续型数据(也即，工艺参数的历史测量值)和批量型过程数据(也即，质量指标参数的历史测量值)数据的预处理数据规整，然后根据规整后的数据进行模型的拟合，从而得到连铸质量判定模型。
[0091]
在本发明的其他实施例中，还可以构建质量预测模型，所述质量预测模型可以用于表征质量指标参数和产品质量事故之间的关系。
[0092]
具体而言，可以采用训练数据对预设模型进行训练，所述训练数据可以包括：质量指标参数的样本测量值序列和样本测量值序列对应的实际质量结果。换言之，样本测量值序列为输入数据，实际质量结果为标签数据。在一个具体的例子中，预设模型可以是双向长短期记忆网络(bidirectional long short-term memory，bi-lstm)。需要说明的是，本发明实施例对于训练方法并不进行限制，可以是现有的各种训练神经网络模型的训练方法。当满足预设的训练停止条件时，即可得到质量预测模型。通过训练可以使质量预测模型学习到产品质量事故和质量指标参数之间的规律或关系。例如，可以学习关于铸坯纵裂纹受实际拉速等因素所影响的规律。
[0093]
进一步地，在具体实施中，可以将第一时间段内所述质量指标参数的实际测量值输入至预先训练得到的质量预测模型，以得到所述质量预测模型输出的预测质量结果，所述预测质量结果用于指示所述第一时间段内是否出现与所述质量指标参数关联的产品质量事故。其中，所述第一时间段可以是生产过程中的任意一个时间段。例如，可以预测现有拉速的状态下是否将会造成的纵裂纹质量事故影响，达到最终预先判定的目标结果。
[0094]
在本发明实施例的方案中，上述的连铸质量判定模型和上述的质量预测模型均可以在线使用和离线使用。
[0095]
在线使用时，可以根据工艺参数的测量值和连铸质量判定模型实时预测生产过程
中的质量指标参数的数值，此时可以无需测量质量指标参数，进一步地，可以根据质量指标参数和连铸质量判定模型，实时对产品质量事故进行预测。
[0096]
离线使用时，可以根据工艺参数的设计值进行工艺设计验证。具体而言，可以将工艺参数的设计值输入连铸质量判定模型，以得到工艺参数的设计值对应的质量指标参数，然后将连铸质量判定模型输出的质量指标参数输入至质量预测模型，以得到质量预测模型输出的预测质量结果，从而可以验证工艺参数的设计值是否合理，如果不合理，则可以进行调整，从而进行质量控制。
[0097]
参照图3，图3是本发明实施例中一种改进的面向连铸质量判定模型的动态数据挖掘装置的结构示意图，图3示出的动态数据挖掘装置可以包括：
[0098]
第一获取模块31，用于获取产品质量事故的发生时间和所述产品质量事故的类型；
[0099]
质量指标参数确定模块32，用于根据所述产品质量事故的类型和预设的先验知识信息，确定与所述产品质量事故关联的质量指标参数；
[0100]
检测时间段确定模块33，用于根据所述发生时间推算所述质量指标参数的检测时间段；
[0101]
第二获取模块34，用于获取所述检测时间段内所述质量指标参数的实际测量值；
[0102]
第三获取模块35，用于根据预先构建的连铸质量判定模型和所述实际测量值，确定所述检测时间段内与所述质量指标参数关联的一种或多种工艺参数的数值，其中，所述连铸质量判定模型用于描述所述质量指标参数和所述工艺参数之间的数学关系；
[0103]
质量追溯模块36，用于根据所述检测时间段内每种工艺参数的数值和该工艺参数预设的取值范围，确定与所述产品质量事故关联的工艺参数。
[0104]
在具体实施中，上述用于改进的面向连铸质量判定模型的动态数据挖掘装置可以对应于终端内具有数据处理功能的芯片；或者对应于终端中具有数据处理功能的芯片模组，或者对应于终端。
[0105]
关于图3示出的改进的面向连铸质量判定模型的动态数据挖掘装置的工作原理、工作方式和有益效果等更多内容，可以参照上文关于图1至图3的相关描述，在此不再赘述。
[0106]
本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器运行时，执行上述的改进的面向连铸质量判定模型的动态数据挖掘方法的步骤。所述存储介质可以包括rom、ram、磁盘或光盘等。所述存储介质还可以包括非挥发性存储器(non-volatile)或者非瞬态(non-transitory)存储器等。
[0107]
本发明实施例还提供一种终端，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时执行上述方法的步骤。所述终端可以是手机、计算机、电脑和物联网设备等。
[0108]
应理解，本技术实施例中，所述处理器可以为中央处理单元(central processing unit，简称cpu)，该处理器还可以是其他通用处理器、数字信号处理器(digital signal processor，简称dsp)、专用集成电路(application specific integrated circuit，简称asic)、现成可编程门阵列(field programmable gate array，简称fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0109]
还应理解，本技术实施例中的存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(read-only memory，简称rom)、可编程只读存储器(programmable rom，简称prom)、可擦除可编程只读存储器(erasable prom，简称eprom)、电可擦除可编程只读存储器(electrically eprom，简称eeprom)或闪存。易失性存储器可以是随机存取存储器(random access memory，简称ram)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的随机存取存储器(random access memory，简称ram)可用，例如静态随机存取存储器(static ram，简称sram)、动态随机存取存储器(dram)、同步动态随机存取存储器(synchronous dram，简称sdram)、双倍数据速率同步动态随机存取存储器(double data rate sdram，简称ddr sdram)、增强型同步动态随机存取存储器(enhanced sdram，简称esdram)、同步连接动态随机存取存储器(synchlink dram，简称sldram)和直接内存总线随机存取存储器(direct rambus ram，简称dr ram)。
[0110]
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本技术实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机程序可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机程序可以从一个网站站点、计算机、服务器或数据中心通过有线或无线方式向另一个网站站点、计算机、服务器或数据中心进行传输。
[0111]
在本技术所提供的几个实施例中，应该理解到，所揭露的方法、装置和系统，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的；例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式；例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0112]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理包括，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。例如，对于应用于或集成于芯片的各个装置、产品，其包含的各个模块/单元可以都采用电路等硬件的方式实现，或者，至少部分模块/单元可以采用软件程序的方式实现，该软件程序运行于芯片内部集成的处理器，剩余的(如果有)部分模块/单元可以采用电路等硬件方式实现；对于应用于或集成于芯片模组的各个装置、产品，其包含的各个模块/单元可以都采用电路等硬件的方式实现，不同的模块/单元可以位于芯片模组的同一组件(例如芯片、电路模块等)或者不同组件中，或者，至少部分模块/单元可以采用软件程序的方式实现，该软件程序运行于芯片模组内部集成的处理器，剩余的(如果有)部分模块/单元可以采用电路等硬件方式实现；对于应用于或集成于终端的各个装置、产品，其包含的各个模块/单元可以都采用电路等硬件的方式实现，不同的模块/单元可以位于终端内同一组件(例如，芯片、电路模块等)
或者不同组件中，或者，至少部分模块/单元可以采用软件程序的方式实现，该软件程序运行于终端内部集成的处理器，剩余的(如果有)部分模块/单元可以采用电路等硬件方式实现。
[0113]
应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，表示前后关联对象是一种“或”的关系。
[0114]
本技术实施例中出现的“多个”是指两个或两个以上。
[0115]
本技术实施例中出现的第一、第二等描述，仅作示意与区分描述对象之用，没有次序之分，也不表示本技术实施例中对设备个数的特别限定，不能构成对本技术实施例的任何限制。
[0116]
虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。