论文部分内容阅读
摘要：数据挖掘技术可以从海量收集来的数据中找到有用的数据并进行有效分析，对日益复杂的各种机械设备故障诊断提供了技术支持。该文就数据挖掘技术在机械设备故障诊断中的应用进行详细分析，给出了机械设备故障诊断的方法及实现过程，对提高经济效益具有十分重要的意义。
关键词：数据挖掘；机械设备；故障诊断
中图分类号：TP393 文献标识码：A 文章编号：1009-3044（2018）30-0005-02
新时代经济发展需要社会工业生产必须向规模化、集群化、智能化方向发展和提升，在工业生产实践中，普遍使用到的机械设备发生故障的原因更加复杂，提高机械设备的故障诊断技术成为保证工业发展的重要手段之一。故障诊断需要通过收集相关数据并进行分析才能够得出精确的结果。信息技术高速发展的今天，数据挖掘技术应运而生，它能够帮助人们从海量的数据中找到一条正确的方案来实施。随着电子计算机技术的飞速发展和提升，数据收集效率和质量显著提升，人工智能识别技术、模态识别技术、统计学基本理论、人工智能等相关领域及技术的发展实现了机械设备故障的快速、精准识别及判定，且故障智能诊断技术已经被广泛使用在工业化生产领域及金融服务行业中。
1 数据挖掘技术概念
数据分析及采集技术就是从广泛、海量的信息中获取真实、有效、可用的数据信息，在数据收集实践中，部分未降噪、模糊的数据类型隐含在海量数据中，为了实现数据的精准提取和判定，必须将其从海量数据中剔除，以保证数据提取的高效性。
1.1 问题定义
海量的数据信息在总体较为细微的层面上出现极其微小的浮动和变化，数据信息专家在海量的数据信息中借助人工采集技术难以快速甄选鉴别，数据挖掘技术高效地解决了上述粗存在的问题，并提出了更加高效可用的数据挖掘技术。例如，设备操作人员及日常维修保养人样对设备的性能及参数较为了解，但是，对系统中各个组件的性能及系统的集成问题的研究较为深入，可以敏锐、快速判定出不同零部件的变化及在具体运转过程中出现的变动，但是上述问题难以被快速获取，这同时表明实际理论经验同具体知识细则之间的变化情况。
1.2 数据准备
检测系统可以快速、高效地获取数据信息，且采集到的信息类型具有显著的复杂性、系统性、多样性及集群性等特点，在具体的使用过程中控制难度较高。所以，为了彻底解决数据挖掘阶段的挖掘目标定位精度，实现数据挖掘目标的快速定位，可以先对数据信息进行预处理和转化分析。但是，数据信息挖掘的最终质量直接影响到数据挖掘的整体结果，因此，提升数据挖掘的精度及质量就显得极其重要。
1.3 数据挖掘
可以使用规则学习或决策树等多种方法来进行分析统计，不断重复，从而不断发现一些潜藏的信息。
1.4 结果分析和评估
在满足持续检测的要求下，获取的数据信息也出现不同程度的变化和发展，海量的数据信息分析必须借助数据建模技术，只有通过反复建模论证，才可以保证新获取的信息及设备在具体执行阶段的可靠性分，保证在较短时间内可以获取满意的诊断结果。
2 数据挖掘的常用技术
选用的数据挖掘技术的质量直接影响到挖掘的信息的总体质量高低，当前，在具体的技术研究领域，绝大多数的研究资源集中在算法研究方面，常用的算法技术主要基于以下几个基本理论：
2.1 粗糙集理论
粗糙度集是典型的应用在研究不确定性及模糊数学中的常用理论之一，是一款性价比较高的计算及分析工具。其中，粗糙度集的基本理论具有以下显著优势：可以不提供大量的精准信息，分析成本较低；分析流程及步骤得到显著简化；算法构成简单，便于操作。粗糙集基本理论的研究方式与二维关系下的信息表较为相似。但是，基于粗糙集的研究方式及理论难以体现数据及信息处理的联系性，但是，在具体的信息表中罗列的属性均是连续且客观的。所以，具有离散属性的粗糙度集基本理论的实用化是后续继续深入研究的重点问题。
2.2 决策树技术
决策树法是一种常用的预测模型算法，其可以实现大量数据的实时、快速分类，并快速从海量的信息中获取可用信息类型，提升了信息处理的效率。决策树分析法的优势在于功能简单、类型划分速率快，满足集群化数据处理的实际要求。
2.3 人工神经元网络技术
基于神經网络分析法是当前数据分析及挖掘的关键技术之一，也是当前使用最为广泛的分析法之一，人工神经网络分析技术的原理借助仿生学基本原理，模仿人工神经系统建立相应的数据信息库，实行对数据信息库的数据实时采集和遴选。同上述分析方式存在差异的是，神经网络分析法在出现机械故障的情况下开可以实现精准预判，所以，在处理某些连续故障及变量的问题上适用性较好，但是，对于维度较高的数据分析及处理不适用。根本原因是内部结构不透明问题，神经网络分析法比较适用于结构形式相对复杂的数据结构中，例如典型的聚类分析模式。图1为常见的三层前端反馈神经网络分析模型。
2.4 遗传算法
遗传分析法和神经网络分析法存在某些相似性，遗传分析法基于生物学基本理论，借鉴了自然选择法则和遗传学中的随机搜寻基本理论。遗传分析法具备显著的隐藏性及并行特点，其分析模型可以较好地应用在数据挖掘及分析实践中。
3 数据挖掘技术在工业优化中的应用
量化分析及预测分析技术主要应用在非线性分析实践中，选用满足数据要求的模式识别技术快速收集数据信息，建立相应的数据分析信息，根据数据反映出的数据特点，建立相应的数据结构形式，建立满足非线性特点的回归方程，并最终进行非线性回归分析，但是上述分析存在显著的缺陷，就是在具体非线性回归分析过程中回归方程是主观确定的。非线性分析法满足继续推广的特点及要求，满足多种分析法的联合分析使用，建立满足实际需要的数据搜寻及获取方式。 4 数据挖掘技术在机械设备故障诊断中的实现步骤
4.1 基本原理
数据挖掘方式主要是借助数据记录值实现对机械设备故障及类型的实时诊断，并获取对应的数据分析解决途径，对于后期可能出现的多种故障及故障类型进行合理预判。机械设备故障类型的本质特点就是模态识别，涉及的具体诊断方式就是内部数据自我匹配的过程。
4.2 故障诊断的数据挖掘方法建模
涉及机械设备的故障及诊断分析，首先应该重视的是数据的采集及收集，设备在具体使用过程中涉及大量的数据信息，上述数据类型中，既要涵盖正常运转的参数还应该涵盖故障数据值，保证设备在出现故障后可以通过采集到的数据信息实现准确分析及定位。目前，已经使用到的检测系统及工具的精度较高，且可以实现对数据信息的实时定位和分析，提升数据采集及收集的便捷性和效率。
当前，较为成熟的数据分析及识别技术中常用的基本理论和方法主要有关联关系法则，上述数据关系主要依靠内部数据的实时分类，实现数据快速采集及高效利用的目的，目前，数据相关关系中划分出的主要类别可以实现数据及信息的重新定义及归纳，实现故障诊断的实时性，快速定位故障原因。数据挖掘体系及策略如图2。
5 实现过程
机械设备故障诊断数据挖掘的开发平台如下：
（1）数据库技术 机械设备故障诊断的数据仓库使用Microsoft SQL Server 2012 网络数据库进行组建；
（2）OLAP技术又称为关联分析技术，主要针对特点问题实现关联分析和即时数据访问的一种技术， 它可以根据要求进行快速、灵活的各种复杂查询处理；
（3）使用 SQL Server 2012 Analysis Services 和SQL Server 2012 Integration Services 实现多维数据集和 ETL 过程；
（4）数据挖掘采用的相应的挖掘工具进行数据采集，并从中获取必要的知识体系及模型；
（5）前台开发软件 常用的前台开发软件主要有PHP、ASP.NET、JSP、C# 等，本平台采用 C# 进行开发。
6 结束语
文章著重分析和介绍了机械设备故障类型的通用分析及诊断技术——数据挖掘法。将数据挖掘技术迁移到机械设备故障诊断中，能够提前预测问题，采取有效措施对设备进行维修或更新从而确保机械设备的正常运行，降低了经济损失，提高了经济效益。
参考文献：
[1]李洪燕，陈步英，赵美枝. 数据挖掘技术在煤矿机械故障诊断中的应用[J]. 煤矿机械，2012.
[2]刘继清，黄金花.基于改进决策树算法的设备故障智能诊断模型[J]. 制造业自动化，2010，33（4）：30-33.
[3]张天瑞，于天彪，赵海峰，王宛山.数据挖掘技术在全断面掘进机故障诊断中的应用.东北大学学报，2015.
【通联编辑：王力】
关键词：数据挖掘；机械设备；故障诊断
中图分类号：TP393 文献标识码：A 文章编号：1009-3044（2018）30-0005-02
新时代经济发展需要社会工业生产必须向规模化、集群化、智能化方向发展和提升，在工业生产实践中，普遍使用到的机械设备发生故障的原因更加复杂，提高机械设备的故障诊断技术成为保证工业发展的重要手段之一。故障诊断需要通过收集相关数据并进行分析才能够得出精确的结果。信息技术高速发展的今天，数据挖掘技术应运而生，它能够帮助人们从海量的数据中找到一条正确的方案来实施。随着电子计算机技术的飞速发展和提升，数据收集效率和质量显著提升，人工智能识别技术、模态识别技术、统计学基本理论、人工智能等相关领域及技术的发展实现了机械设备故障的快速、精准识别及判定，且故障智能诊断技术已经被广泛使用在工业化生产领域及金融服务行业中。
1 数据挖掘技术概念
数据分析及采集技术就是从广泛、海量的信息中获取真实、有效、可用的数据信息，在数据收集实践中，部分未降噪、模糊的数据类型隐含在海量数据中，为了实现数据的精准提取和判定，必须将其从海量数据中剔除，以保证数据提取的高效性。
1.1 问题定义
海量的数据信息在总体较为细微的层面上出现极其微小的浮动和变化，数据信息专家在海量的数据信息中借助人工采集技术难以快速甄选鉴别，数据挖掘技术高效地解决了上述粗存在的问题，并提出了更加高效可用的数据挖掘技术。例如，设备操作人员及日常维修保养人样对设备的性能及参数较为了解，但是，对系统中各个组件的性能及系统的集成问题的研究较为深入，可以敏锐、快速判定出不同零部件的变化及在具体运转过程中出现的变动，但是上述问题难以被快速获取，这同时表明实际理论经验同具体知识细则之间的变化情况。
1.2 数据准备
检测系统可以快速、高效地获取数据信息，且采集到的信息类型具有显著的复杂性、系统性、多样性及集群性等特点，在具体的使用过程中控制难度较高。所以，为了彻底解决数据挖掘阶段的挖掘目标定位精度，实现数据挖掘目标的快速定位，可以先对数据信息进行预处理和转化分析。但是，数据信息挖掘的最终质量直接影响到数据挖掘的整体结果，因此，提升数据挖掘的精度及质量就显得极其重要。
1.3 数据挖掘
可以使用规则学习或决策树等多种方法来进行分析统计，不断重复，从而不断发现一些潜藏的信息。
1.4 结果分析和评估
在满足持续检测的要求下，获取的数据信息也出现不同程度的变化和发展，海量的数据信息分析必须借助数据建模技术，只有通过反复建模论证，才可以保证新获取的信息及设备在具体执行阶段的可靠性分，保证在较短时间内可以获取满意的诊断结果。
2 数据挖掘的常用技术
选用的数据挖掘技术的质量直接影响到挖掘的信息的总体质量高低，当前，在具体的技术研究领域，绝大多数的研究资源集中在算法研究方面，常用的算法技术主要基于以下几个基本理论：
2.1 粗糙集理论
粗糙度集是典型的应用在研究不确定性及模糊数学中的常用理论之一，是一款性价比较高的计算及分析工具。其中，粗糙度集的基本理论具有以下显著优势：可以不提供大量的精准信息，分析成本较低；分析流程及步骤得到显著简化；算法构成简单，便于操作。粗糙集基本理论的研究方式与二维关系下的信息表较为相似。但是，基于粗糙集的研究方式及理论难以体现数据及信息处理的联系性，但是，在具体的信息表中罗列的属性均是连续且客观的。所以，具有离散属性的粗糙度集基本理论的实用化是后续继续深入研究的重点问题。
2.2 决策树技术
决策树法是一种常用的预测模型算法，其可以实现大量数据的实时、快速分类，并快速从海量的信息中获取可用信息类型，提升了信息处理的效率。决策树分析法的优势在于功能简单、类型划分速率快，满足集群化数据处理的实际要求。
2.3 人工神经元网络技术
基于神經网络分析法是当前数据分析及挖掘的关键技术之一，也是当前使用最为广泛的分析法之一，人工神经网络分析技术的原理借助仿生学基本原理，模仿人工神经系统建立相应的数据信息库，实行对数据信息库的数据实时采集和遴选。同上述分析方式存在差异的是，神经网络分析法在出现机械故障的情况下开可以实现精准预判，所以，在处理某些连续故障及变量的问题上适用性较好，但是，对于维度较高的数据分析及处理不适用。根本原因是内部结构不透明问题，神经网络分析法比较适用于结构形式相对复杂的数据结构中，例如典型的聚类分析模式。图1为常见的三层前端反馈神经网络分析模型。
2.4 遗传算法
遗传分析法和神经网络分析法存在某些相似性，遗传分析法基于生物学基本理论，借鉴了自然选择法则和遗传学中的随机搜寻基本理论。遗传分析法具备显著的隐藏性及并行特点，其分析模型可以较好地应用在数据挖掘及分析实践中。
3 数据挖掘技术在工业优化中的应用
量化分析及预测分析技术主要应用在非线性分析实践中，选用满足数据要求的模式识别技术快速收集数据信息，建立相应的数据分析信息，根据数据反映出的数据特点，建立相应的数据结构形式，建立满足非线性特点的回归方程，并最终进行非线性回归分析，但是上述分析存在显著的缺陷，就是在具体非线性回归分析过程中回归方程是主观确定的。非线性分析法满足继续推广的特点及要求，满足多种分析法的联合分析使用，建立满足实际需要的数据搜寻及获取方式。 4 数据挖掘技术在机械设备故障诊断中的实现步骤
4.1 基本原理
数据挖掘方式主要是借助数据记录值实现对机械设备故障及类型的实时诊断，并获取对应的数据分析解决途径，对于后期可能出现的多种故障及故障类型进行合理预判。机械设备故障类型的本质特点就是模态识别，涉及的具体诊断方式就是内部数据自我匹配的过程。
4.2 故障诊断的数据挖掘方法建模
涉及机械设备的故障及诊断分析，首先应该重视的是数据的采集及收集，设备在具体使用过程中涉及大量的数据信息，上述数据类型中，既要涵盖正常运转的参数还应该涵盖故障数据值，保证设备在出现故障后可以通过采集到的数据信息实现准确分析及定位。目前，已经使用到的检测系统及工具的精度较高，且可以实现对数据信息的实时定位和分析，提升数据采集及收集的便捷性和效率。
当前，较为成熟的数据分析及识别技术中常用的基本理论和方法主要有关联关系法则，上述数据关系主要依靠内部数据的实时分类，实现数据快速采集及高效利用的目的，目前，数据相关关系中划分出的主要类别可以实现数据及信息的重新定义及归纳，实现故障诊断的实时性，快速定位故障原因。数据挖掘体系及策略如图2。
5 实现过程
机械设备故障诊断数据挖掘的开发平台如下：
（1）数据库技术 机械设备故障诊断的数据仓库使用Microsoft SQL Server 2012 网络数据库进行组建；
（2）OLAP技术又称为关联分析技术，主要针对特点问题实现关联分析和即时数据访问的一种技术， 它可以根据要求进行快速、灵活的各种复杂查询处理；
（3）使用 SQL Server 2012 Analysis Services 和SQL Server 2012 Integration Services 实现多维数据集和 ETL 过程；
（4）数据挖掘采用的相应的挖掘工具进行数据采集，并从中获取必要的知识体系及模型；
（5）前台开发软件 常用的前台开发软件主要有PHP、ASP.NET、JSP、C# 等，本平台采用 C# 进行开发。
6 结束语
文章著重分析和介绍了机械设备故障类型的通用分析及诊断技术——数据挖掘法。将数据挖掘技术迁移到机械设备故障诊断中，能够提前预测问题，采取有效措施对设备进行维修或更新从而确保机械设备的正常运行，降低了经济损失，提高了经济效益。
参考文献：
[1]李洪燕，陈步英，赵美枝. 数据挖掘技术在煤矿机械故障诊断中的应用[J]. 煤矿机械，2012.
[2]刘继清，黄金花.基于改进决策树算法的设备故障智能诊断模型[J]. 制造业自动化，2010，33（4）：30-33.
[3]张天瑞，于天彪，赵海峰，王宛山.数据挖掘技术在全断面掘进机故障诊断中的应用.东北大学学报，2015.
【通联编辑：王力】