一种基于关联规则的制丝车间数据波动关系的挖掘方法技术

本发明专利技术提供一种基于关联规则的制丝车间数据波动关系的挖掘方法，属于数据挖掘领域。针对制丝工艺参数间波动关系难以描述的问题，本发明专利技术借助关联规则充分挖掘不同变量间的波动关系。依托数据离散化设计面向制丝数据关联规则挖掘的数据预处理方法，将制丝数据转换成蕴含原始数据信息的波动数据；进一步利用关联规则原理来设计待挖掘数据的波动规则公式。本发明专利技术充分挖掘了不同工艺参数间的波动规则，提高了规则的可解释性和关联结果的准确性，可以准确判断制丝车间各工艺参数之间是否存在波动关系，有利于制丝车间工艺参数的统计与管理，便于制丝产品质量出现问题时可通过调节工艺参数来优化工艺过程。艺参数来优化工艺过程。艺参数来优化工艺过程。

【技术实现步骤摘要】
一种基于关联规则的制丝车间数据波动关系的挖掘方法


[0001]本专利技术涉及一种基于关联规则的制丝车间数据波动关系的挖掘方法，属于数据挖掘领域。

技术介绍

[0002]随着云计算、大数据、物联网、人工智能等信息技术的快速发展和传统产业数字化的转型，我们进入了数据爆炸式增长即大数据的时代。对于制丝数据类似的时序数据挖掘是当今时代的研究热点。但传统方法在时序数据方面挖掘数据要素间的波动关系上略显不足，不能准确判断制丝车间各工艺参数之间是否存在波动关系，而在工业大数据中要素间的变动关系是其中数据挖掘的重要环节。

技术实现思路

[0003]本申请的目的是提供一种基于关联规则的制丝车间数据波动关系的挖掘方法，针对现有技术中制丝车间中各工艺参数间波动关系难以准确直观的描述问题，通过利用关联规则来充分挖掘制丝车间中工艺参数的波动规则，并且所挖掘的规则可解释性强，有效解决了现有方法满足不了制丝车间时序数据关联挖掘分析需求的问题。
[0004]本申请实现上述目的的技术方案主要是提供一种基于关联规则的制丝车间数据波动关系的挖掘方法，包括以下步骤：
[0005]步骤(1)：根据需要确定波动关系的工艺参数，获取相应的制丝数据，根据各个工艺参数数据的最大波动来进行离散化处理得到待挖掘数据；
[0006]步骤(2)：根据待挖掘数据间的波动情况，将工艺参数间的波动细分成四种类型：正向低波动幅度
‑
正负向高波动幅度；正向高波动幅度
‑
正负向强烈波动幅度；负向低波动幅度/>‑
正负向高波动幅度；负向高波动幅度
‑
正负向强烈波动幅度；
[0007]步骤(3)：设计基于制丝数据和数据波动类型的支持度计算公式，确定工艺参数中的频繁项集；
[0008]步骤(4)：设计基于制丝数据和数据波动类型的置信度计算公式；
[0009]步骤(5)：根据支持度及置信度的公式计算出的结果和设定的最小支持度阈值和最小置信度阈值，判断所述工艺参数间是否存在波动关系。
[0010]具体地，步骤(1)中进行离散化处理的具体步骤包括：
[0011]步骤(1.1)：遍历获取到的每一个制丝数据所有时刻的数值与其前一时刻数值的差值，以差值中绝对值最大值作为基准划分成若干等份；
[0012]步骤(1.2)：按照各差值的绝对值在各等份区间的划分重新进行赋值，在同一个区间内的数据值相同，具体为：将各等份区间依次顺序的赋予数值，第一个区间内的所有值都为1，第二个区间内的所有值都为2，以此类推；
[0013]步骤(1.3)：若制丝数据某一时刻的数值相对于前一个时刻增加，则在重新赋值的数据前添加“+”；若相对于前一时刻减小，则在重新赋值的数据前添加
“‑”
；对制丝数据某一
时刻的数值大小相对于前一时刻相同，则全部重新赋值为“0”。
[0014]具体地，步骤(2)的具体步骤为：
[0015]分析两个参数之间波动关系，只有在某一时刻其中一个参数发生变化同时引发另一个参数发生有效变化的波动关系才能作为关联规则中的波动关系规则；
[0016]参数A和参数B的划分区间都为α时，在β时刻参数A的数值为X，参数B的数值为Y：
[0017]①
当时，即当β时刻参数A的正波动幅度较小时引发参数B的正负波动幅度较大；
[0018]②
当时，(X≤Y≤α)∩(
‑
α≤Y≤
‑
X),即当β时刻参数A的正波动幅度较大时引发参数B更强烈的正负波动；
[0019]③
当时，即当β时刻参数A的负波动幅度较小时引发参数B的正负波动幅度较大；
[0020]④
当时，即当β时刻参数A的负波动幅度较大时引发参数B更强烈的正负波动。
[0021]具体地，步骤(3)中设计的的工艺参数间支持度计算公式如下：
[0022]S(A,B)＝s(AB)+s(BA)
[0023]其中：
[0024][0025]S(A,B)表示制丝车间参数A和参数B的总支持度，s(AB)表示挖掘二阶频繁项集将参数A与对应的某一时刻中的数据进行频繁项挖掘，分别得出以参数A为波动基准，参数A和参数B的支持度，同理，s(BA)则表示挖掘二阶频繁项集将参数B与对应的某一时刻中的数据进行频繁项挖掘，分别得出以参数B为波动基准时，参数A与参数B的支持度。表示参数A的正波动幅度较小时引发参数B的正负波动幅度较大时的支持度，其他依次类推。
[0026]具体地，步骤(4)中设计的工艺参数间置信度计算公式如下：
[0027][0028]其中C(A
‑
＞B)表示参数A指向参数B的总置信度，表示参数A的正波动幅度较小时引发参数B的正负波动幅度较大时的置信度，其他依次类推；N表示满足四种波动情况下参数A的所有类别数值。
[0029]具体地，步骤(5)中所得到的参数间波动结果如下：
[0030]步骤(5.1)对步骤(1)中需要确定波动关系的每一个工艺参数设定支持度最小阈
值和置信度的最小阈值，对于每一个工艺参数，当由支持度公式计算出的数值高于设定的支持度最小阈值时，则这一工艺参数为频繁项；
[0031]步骤(5.2)所有得到的频繁项构成频繁项集；
[0032]步骤(5.3)从频繁项集中提取两两频繁项利用置信度公式计算置信度，当计算出的结果高于设定的最小置信度阈值时，则该两两工艺参数间具有高置信度波动规则。
[0033]本专利技术的有益效果是：
[0034]1、通过数据离散化处理后利用关联规则和不同波动类型挖掘出制丝数据间的波动关联规则。
[0035]2、基于制丝车间数据设计支持度和置信度公式，排除了要素间无关联规则和波动强度低的规则同时提高了规则的可解释行以及关联结果的准确性。
[0036]3、制丝产品质量出现问题时可通过调节工艺参数来优化工艺过程。
附图说明
[0037]图1是本专利技术所述的一种基于关联规则的制丝车间数据波动关系的挖掘方法的流程图。
[0038]图2是本专利技术所述的制丝部分数据展示；
[0039]图3是本专利技术所述的经离散化后的制丝部分数据展示；
[0040]图4是本专利技术所述的一种基于关联规则的制丝车间数据波动关系的挖掘方法与其他方法的对比测试结果图。
具体实施方式
[0041]下面将结合附图和实施例对本专利技术进一步说明，但本专利技术的内容并不限于所属范围。
[0042]实施例1：如图1
‑
4所示，一种基于关联规则的制丝车间数据波动关系的挖掘方法，主要包括以下步骤：
[0043]步骤(1)：根据需要确定波动关系的工艺参数，获取相应的制丝数据，根据各个工艺参数数据的最大波动来进行离散化处理得到待挖掘数据；
[0044]步骤(2)：根据待挖掘数据间的波动情况，将工艺参数间的波动细分成四种类型：正向低本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于关联规则的制丝车间数据波动关系的挖掘方法，其特征在于：包括以下步骤：步骤(1)：根据需要确定波动关系的工艺参数，获取相应的制丝数据，根据各个工艺参数数据的最大波动来进行离散化处理得到待挖掘数据；步骤(2)：根据待挖掘数据间的波动情况，将工艺参数间的波动细分成四种类型：正向低波动幅度
‑
正负向高波动幅度；正向高波动幅度
‑
正负向强烈波动幅度；负向低波动幅度
‑
正负向高波动幅度；负向高波动幅度
‑
正负向强烈波动幅度；步骤(3)：设计基于制丝数据和数据波动类型的支持度计算公式，确定工艺参数中的频繁项集；步骤(4)：设计基于制丝数据和数据波动类型的置信度计算公式；步骤(5)：根据支持度及置信度的公式计算出的结果和设定的最小支持度阈值和最小置信度阈值，判断所述工艺参数间是否存在波动关系。2.根据权利要求1所述的基于关联规则的制丝车间数据波动关系的挖掘方法，其特征在于：步骤(1)中进行离散化处理的具体步骤包括：步骤(1.1)：遍历获取到的每一个制丝数据所有时刻的数值与其前一时刻数值的差值，以差值中绝对值最大值作为基准划分成若干等份；步骤(1.2)：按照各差值的绝对值在各等份区间的划分重新进行赋值，在同一个区间内的数据值相同，具体为：将各等份区间依次顺序的赋予数值，第一个区间内的所有值都为1，第二个区间内的所有值都为2，以此类推；步骤(1.3)：若制丝数据某一时刻的数值相对于前一个时刻增加，则在重新赋值的数据前添加“+”；若相对于前一时刻减小，则在重新赋值的数据前添加
“‑”
；对制丝数据某一时刻的数值大小相对于前一时刻相同，则全部重新赋值为“0”。3.根据权利要求1所述的基于关联规则的制丝车间数据波动关系的挖掘方法，其特征在于：步骤(2)的具体步骤为：分析两个参数之间波动关系，只有在某一时刻其中一个参数发生变化同时引发另一个参数发生有效变化的波动关系才能作为关联规则中的波动关系规则；参数A和参数B的划分区间都为α时，在β时刻参数A的数值为X，参数B的数值为Y：
①
当时，即当β时刻参数A的正波动...

【专利技术属性】
技术研发人员：施成娟，阴艳超，张万达，张曦，汪霖宇，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：