1、設備故障診斷的數(shù)據(jù)挖掘論文1數(shù)據(jù)挖掘技術概念1.1數(shù)據(jù)準備數(shù)據(jù)準備過程有三個主要步驟，分別是數(shù)據(jù)選擇、數(shù)據(jù) 預處理以及數(shù)據(jù)變換。不管是哪一個行業(yè)的檢測系統(tǒng)，其所檢測得到 的數(shù)據(jù)都具有多樣性與復雜性以及海量行的特點，正是這些造成人們 分析數(shù)據(jù)的困難。所以想要解決問題，首先就要先確定挖掘目標，這 樣在檢測數(shù)據(jù)庫與歷史數(shù)據(jù)庫中才能夠獲得相對應的數(shù)據(jù)，并且實行 預處理與變化和歸化等。不過如果挖掘出來的數(shù)據(jù)質量不高會影響最 終結果，所以提升挖掘質量，就要花費大量時間與精力去實行，絕絕 大多數(shù)這個挖掘過程需要耗費整個過程的百分之八十以上。1.2數(shù)據(jù)挖掘這個過程是持續(xù)反復與重復的過程，在這個過程中能夠 持續(xù)

2、發(fā)現(xiàn)一些潛藏的知識與信息，能夠利用決策樹或者規(guī)則學習等多 種方法來實行分析統(tǒng)計。1.3結果分析和評估在持續(xù)檢測數(shù)據(jù)的情況下，得到的數(shù)據(jù)也在持續(xù) 發(fā)生變化，大量數(shù)據(jù)下需要持續(xù)的分析與建模，這樣才能持續(xù)發(fā)現(xiàn)新 設備的運行過程與故障，從而保證在較短時間內獲得故障診斷結果。2數(shù)據(jù)挖掘的常用技術數(shù)據(jù)挖掘技術算法的好快直接影響到所發(fā)現(xiàn)信息質量的好壞，當前對 該技術的研究方向也集中在算法與應用方面，常用的技術主要有以下 幾點：2.1粗糙集理論這項研究數(shù)據(jù)的不確定性的數(shù)學工具由波蘭科學家第 一次提出，并且在經過二十年的持續(xù)進展中已經廣泛應用到人工智能 的各分支中，不管是在模式識別還是機械學習等方面都帶來了成功

3、。 成功應用主要還在于存有的幾點優(yōu)點：其一該理論不用事先給出額外 信息，能夠減掉冗余信息的輸入，減輕數(shù)據(jù)的復雜度與輸入時間。其 二算法簡單，更方便人們操作。雖然優(yōu)點明顯，但是缺點也存有，在對實際發(fā)生問題的處理過程中，抗干擾的水平十分差，有可能會直接 影響故障分類。2.2決策樹技術決策樹算法是一種外形像樹的預測模型結構，樹的節(jié) 點表述所屬類別，非終端節(jié)點表示問題屬性。根據(jù)數(shù)據(jù)不同取值來實 行分類，建立樹的分叉，從而形成決策樹。決策樹的規(guī)則是可直觀容 易理解的，這個點是與神經元網(wǎng)絡存有的最大不同點，因為算法直觀 所以分類不需要很多時間，所以十分適用于記錄故障分類和分析預測。2.3人工神經元網(wǎng)絡技術

4、這是當前數(shù)據(jù)挖掘技術使用最多也是最廣泛 的一項技術，該項技術主要是模仿人的神經系統(tǒng)來建立數(shù)據(jù)庫的，從 而分析數(shù)據(jù)庫中的數(shù)據(jù)并實行預測與分類。與上述技術不同的是，神 經元網(wǎng)絡技術在機械故障十分復雜的情況下還能夠得到較為準確的預 測技術，所以能夠處理一些連續(xù)變量的問題，但對于高維變量數(shù)據(jù)則 不適合，主要原因在于其最大的特點是不透明性，不能夠就是分析結 果是怎樣產生的，以及產生結果的推算過程，所以神經元網(wǎng)絡技術比 較適合于較為復雜數(shù)據(jù)的分析，比如聚類模式。典型三層前饋神經網(wǎng) 絡結構如圖1所示。2.4遺傳算法這種算法來自于生物進化理論，其使用的適者生存觀點， 也救贖常把一些任務看成一項能夠搜索的問題，

5、實行遺傳算法搜索， 從而得到最優(yōu)解。遺傳算法能夠解決很多數(shù)據(jù)類型的問題，還能夠同 時處理不同類型的數(shù)據(jù)，但計算的時候因為使用的參數(shù)過多，很多編 碼問題十分困難，計算量也十分大。3數(shù)據(jù)挖掘技術在工業(yè)優(yōu)化中的應用工業(yè)優(yōu)化也分類型，根據(jù)不同的優(yōu)化類型的不同要求，要采取不同的 挖掘技術來實現(xiàn)找出問題解決的辦法。一些需要解決的優(yōu)化目標比較 容易獲得評價或者說需要優(yōu)化的問題是比較容易表達的這些情況下， 通常使用遺傳算法實行全局搜索，這樣比較方便。比如工業(yè)配方、工 藝工序組成等。粗糙集方法能夠用于需要學習目標值與其相關變量間 的定量關系，利用技術來挖掘數(shù)據(jù)庫中的目標數(shù)據(jù)間的關聯(lián)規(guī)律，當 然也能夠利用神經網(wǎng)絡

6、技術來找尋目標值與數(shù)據(jù)間的模糊關系。想要 確定優(yōu)化目標邊界，能夠采納隧道映射方法。通過假定各變量目標需 要優(yōu)化的邊界在二維空間中體現(xiàn)出來的是一個凸出來的多面體來包圍 顯示的。定量預測的一個十分好的方法就是非線性回歸預測，能夠先 利用模式識別方法來收集數(shù)據(jù)，建立數(shù)據(jù)結構，再根據(jù)相關數(shù)據(jù)確定 非線性回歸的方程式，最后再實行非線性回歸，不過這樣做會存有一 個明顯缺點就是要在實行非線性回歸預測之前要主觀確定方式公式。 向外推廣尋找更優(yōu)化的方式在工業(yè)應用上更為有效，能夠采納多種方 法配合使用，形成一種比較適用于各種數(shù)據(jù)結構外推尋優(yōu)的數(shù)據(jù)處理 過程。4數(shù)據(jù)挖掘技術在設備故障診斷中的實現(xiàn)步驟4.1基本原理數(shù)

7、據(jù)挖掘技術主要是利用歷史數(shù)據(jù)里的設備運行記錄來 對現(xiàn)在機械設備出現(xiàn)故障的原因實行診斷，分析其原因并找出解決方 法，并對未來可能出現(xiàn)的故障做出預測。機械設備故障的根本性質就 是模式識別，所以對其診斷的過程也就是模式獲得并匹配的過程。4.2故障診斷的數(shù)據(jù)挖掘方法建模對機械設備故障診斷，首先要做的 就是要收集與本設備相關的大量數(shù)據(jù)，不但要有機械正常運行工作時 的數(shù)據(jù)，更要有機械出現(xiàn)問題時產生的數(shù)據(jù)，一般現(xiàn)場的監(jiān)控系統(tǒng)都 存有歷史數(shù)據(jù)與故障數(shù)據(jù)，而且現(xiàn)在的檢測系統(tǒng)十分先進，出現(xiàn)故障 的時候已經對此實行分類，這樣數(shù)據(jù)收集的時候更加方便。進一步完 成各項數(shù)據(jù)的獵取并建立完整的數(shù)據(jù)庫。而數(shù)據(jù)挖掘技術的目標就是 要從這些雜亂無章的大量數(shù)據(jù)中找出潛藏在里面的相關規(guī)律與信息， 并且提取信息特征。一般故障類型的劃分，能夠根據(jù)概率統(tǒng)計來實行， 這也是現(xiàn)在剛出現(xiàn)的一種新方法。當前故障模式識別理論中比較成熟 的理論是關聯(lián)規(guī)則理論，這是一種利用數(shù)據(jù)間相互關聯(lián)關系來達到分 類的最終目的。根據(jù)相關之間的關聯(lián)關系劃分出類別，并對新數(shù)據(jù)實 行歸納，分析故障類別，這樣更快速的找到故障原因并實行解決。數(shù) 據(jù)挖掘系統(tǒng)總體設計策略如圖2所示。5結束語本文想大家介紹了一種十分先進并且對機械設備故障診斷十分有效的 方法一一數(shù)據(jù)挖掘技術。利用該項技術能夠有效并且方便地解決各種 設備故障診斷