本发明属于全流程智能化制备技术领域，具体涉及了基于工艺规则和大数据分析的工艺参数优化方法。
背景技术：
扁平材制备过程是扁平材制备过程是一个极其复杂的工业过程，涉及到转炉、连铸、热轧、冷却、冷轧、退火等多工序、多控制层级的大型复杂工业流程，其产品有“通用钢材”之称，是国民经济发展的重要支撑。目前，我国扁平材制备尚处于凭经验进行人工设定和单一工序智能优化控制相结合的阶段，未形成全流程的一体化控制与各层次的协调优化，面临着产品外形尺寸与内部性能控制稳定性差、高端供给能力不足、劳动生产率低等问题，大型化、集中化、连续化生产条件下的个性化定制亟待全方位推进。通过智能化制备技术实现多工序、系统级、全局的产品质量和制备流程优化，是扁平材制备发展的重要战略方向，是解决扁平材制备过程复杂性和质量稳定性等问题的必然选择。如何使用有效的优化控制方法对扁平材制备全流程施加优化控制,对于提高生产效率,将资源优势和技术力量结合起来,发挥更大的行业效益具有重要的意义。
技术实现要素：
针对现有扁平材制备技术中存在的上述问题，现提供一种收集扁平材制备流程中的生产及工艺指标数据构建指标库，基于工艺规则和大数据分析技术建立工艺指标与综合生产指标之间的决策关系表，从而对制定相关工序的规则全流程各个工艺参数进行优化调整，构建一个基于反馈补偿的闭环控制系统，最终实现全流程产品质量优化的方法。
所述生产及工艺指标分别为制造完成后的产品质量检测标准及各工序中对应工艺改变的参数的指标。
所述工艺规则及大数据分析方法是根据过往生产经历对包括转炉参数、精炼参数、板胚参数、冷轧参数、热轧参数等在内的工艺参数和生成产品的质量关系进行建模，构建工艺指标及生成指标的对应关系
所述闭环控制，是指完成对工艺参数和产品质量关系建模，即构建决策表后，后续生产中通过对产品质量的期望值回推各个生成工艺的指标值，并将这些值反馈到各个工序的控制部分，从而进行各个工序的优化，且整个系统无需外部人为控制。
为实现上述过程本发明的具体步骤如下：
构建扁平材制备过程指标库。通过大数据分析相关技术，将扁平材制备过程历史数据集的每个产品对象的综合生产指标及所要补偿的工艺指标进行收集整理，构建扁平材制备指标数据库。
构建决策表。根据粗糙集理论的信息系统这一知识表达形式，对采集到的指标库中收集的生产数据的属性进行整合，分类形成条件属性集合c和决策属性集d，其中每一个产品属性a的值域va，，属性全体：v＝{v1，v2,v3，……},u为全体产品对象集合，m为对象和属性到属性值域的映射函数：u×a→v。根据上述知识结合表示，构建出决策信息系统s＝<u，c∪d，m>，即决策表。
决策表离散化处理。针对某些条件属性或决策属性的值域为连续值或不具计算价值的离散值，我们将通过基于信息熵的离散化处理，在属性值域范围内设置断点集，划分离散区间，从而得到更抽象层次的离散值。
决策表属性约简及工艺补偿规则生成。决策表中的一个案例就代表一条基本决策规则,所有这样的决策规则就可以构成一个决策规则的集合。但其中的基本决策规则没有适应性,只是机械地记录了每个样本的情况。为了从决策表中抽取得到适应度比较大的规则,我们对决策表进行约简,在不损失原有信息的前提下,从决策表系统的条件属性中去掉对得到决策不重要的条件属性,从而分析所得约简中的条件属性对于决策属性的决策规则，使得经过约简处理后的决策表中的决策规则具有较高的适应性和代表性。
不确定性工艺规则处理。通过步骤3、4得到具有规律性及适应性的工艺决策规则集，然而当前规则集中包含具有相同条件属性但结论不一致的不确定性规则，这里使用置信度来对当前规则进行标识，为后续反馈补偿优化提供参考。
规则查询及反馈补偿。将现场的综合生产指标的误差值离散化后作为条件属性值输入,查询出与之相匹配的规则,根据查询到的一条或数条规则的工序指标值区间，给出反馈补偿值。
规则更新。在工业制造生产过程中会不断有规则库中不包含的新规则出现,这会导致以前得到的规则集随之更新，我们利用基于apriori算法的管理规则更新算法修正原有决策表。
本发明的有益效果：
本发明是面向制备过程中的工艺参数补偿优化方法，适用于扁平材全流程智能化制备的质量优化，方法原理简单，自动化程度高，鲁棒性强，为扁平材全流程智能化生产的提供了质量保障。决策规则集本身具有可扩展性及兼容性，当生产环境发生改变时，仅更新决策规则集而不用重新收集数据进行处理，即可继续使用该优化系统。
附图说明
图1基于工艺规则和大数据分析技术的工艺参数优化方法系统构建及运行示意图；
图2为基于信息熵的离散化方法的流程图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
如图1所示,扁平材工艺规则集构建具体包括以下步骤：
1.构建扁平材制备过程指标数据库。根据历史积累的制备过程数据集，构建综合生产指标d(铸坯表面质量、铸坯内部质量)及反馈调整的工艺指标c(过热度，负滑脱时间、液位波动、碳含量、mn/s比等)之间的关系数据表。将第i组数据作为设定值,第k组数据作为新的目标值,把两者的目标值差值△y＝yk-yi看成是期望输出的变化,这样就得到综合生产指标期望与工艺指标设定值变化量△c＝ck-ci之间的关联映射：△y→△c；
2.决策表构建。我们将工艺指标ci与其变化量△c作为条件属性，综合生产指标变化量△y作为决策属性，以指标数据库为数据来源，构建基于工艺规则补偿优化的决策表；
3.决策表离散化处理。在进行属性约简前，需将值域为连续值的属性进行离散化处理，这里我们将使用如图2所示的基于信息熵的离散化方法：对任意连续值属性,求取一个分割点,该分割点把决策表分为两部分,计算由此划分出的两个区间的子集的熵平均值,比较中值序列中的所有候选离散点，获取使熵最小的断点集。对于上述离散点划分的两个子属性区间递归调用二次划分,直到满足离散化判断要求为止。上述离散化处理方法依次对所有条件属性ci、△c及决策属性△y进行处理，得到离散化后的决策表。
4.属性约简及工艺补偿规则生成。由于条件属性描述的对象特征不可变化,从可约简的条件属性中找到与决策属性的分类最相似的属性以最大可能地满足决策分类,经过约简处理后的决策表中的一个案例就代表一类具有相同规律特性的案例,这样得到的决策规则就具有较高的泛化性,适用性比较强。然后我们进行属性值约简处理，依次删除每条数据的各个条件属性后,判断新的决策表发生了决策冲突,若改变了决策表的不可分辨关系,则说明该条数据的这个属性值不能被删除,若不改变,则表示该属性值应该从这条数据中删除。所有条件的属性值都约简完成后就生成了约简后的工艺补偿规则；
5.不确定性工艺规则处理。对于具有相同的条件属性值但却有不同的决策属性值,即规则集中有多条规则且结论不一致的数据，釆用计算规则的置信度对此类不确定性规则进行处理。这里某条规则置信度为满足此规则的决策属性值di且满足前提条件ci的产品数/仅满足前提条件ci的产品数。
通过步骤1～5，一个具有适应性和代表性的工艺规则集构建完成，当实时扁平材制备生产指标数据y及期望指标差△y传入，拥有该规则集的闭环系统将会通过相关数据库技术快速查询到对应补偿规则及工艺参数调动区间，并根据对应属性的值域及离散化断点逆转为原始连续值输出至对应工序。若制备过程中出现规则集中未包含的规则，我们使用基于apriori算法的关联规则更新算法：如iua、fup等，动态更新指标数据库及工艺规则集。