论文部分内容阅读
[摘 要]为了解决炮兵雷达出现的故障，这里将会利用数据挖掘技术来诊断雷达故障问题。分析数据挖掘技术在诊断雷达故障系统中的应用，同时对于故障诊断系统结构进行分析，在根据系统结构建立数据挖掘模型，分析该建设系统的实用性和可行性，为实际故障诊断和维修提供参考。
[关键词]炮兵雷达；数据挖掘；故障诊断；算法
中图分类号：TN959.1；TP311.13 文献标识码：A 文章编号：1009-914X（2018）39-0326-01
數据挖掘技术可以从大量的复杂信息中提取有用的数据，从而提高信息的使用价值。数据挖掘技术是建立在数据仓库、大型数据库技术上的，该技术目前被广泛使用到多个领域。在炮兵雷达装置经常会出现各种设备故障，为了保证雷达的战斗力和正常训练，这里将会针对数据挖掘技术在炮兵雷达故障诊断中的应用进行分析，以提高雷达检测故障的效率和准确性。
1 数据挖掘的流程
数据挖掘过程包括：清理数据和集成、变换和选择数据、评估模式和数据挖掘等环节。
（1）变换和选择：就是根据数据仓库中数据状态进行选择和变换，比如：标准化数据、消除噪音、变换数据（聚集、平滑、概化）、归约数据（离散化）等都是对数据进行聚集和汇总来找出有用的数据。
（2）集成和清理：根据炮兵雷达数据状态进行收集，输入端将数据发送给数据挖掘系统，之后按照用户需求，消除不一致或是具有噪声的数据，将多种数据资源进行组合，并提取对应的数据，从而构建数据库或是数据仓库。
（3）模式评估和表示：利用可视化技术来展示有趣的知识，从而便于用户进行知识挖掘。
（4）数据挖掘：根据实际炮兵雷达系统特征，选择合适的数据挖掘算法进行数据提取。
2 数据挖掘的算法
数据挖掘算法包括：聚类分析、序列模式、分类、关联分析等。
（1）序列模式分析：主要是挖掘数据之间存在的关系。比如：利用序列模式对销售记录进行分析，从而发现潜在的购物客户信息；客户在微波炉消费中比较喜欢购买哪种品牌等。
（2）聚类分析：该方法采集的是没有具体标定的记录，在没有记录前不进行相关分类，之后按照相关规则，对记录集合进行有效划分，通过隐式和显式方法进行类别描述。聚类技术包括基于模型、层次、划分的聚类，另外还有偏差检查、联系分析、预测模型、可视化、偏差检测、数据库分段等对应的算法。
（3）关联分析：通过关联规则来分析数据，主要是挖掘数据之间隐藏的关系，并生成用户固定最小支持度和最小置信度联系规则。在挖掘数据方面，关于数据关联性研究比较多，所以关于关联规则算法比较多，比如：Stem、Apriori等算法。
（4）分类分析：就是根据数据示例，来描述数据类别，建立数据模型和数据挖掘规则，之后根据分类规则来分类数据库记录的信息。分类方法主要包括：神经网络后向传播技术、树归纳判定法、k-最邻近分类法、遗传算法、案例推理法、模糊集、粗糙集理论等。
3 诊断故障系统架构
在雷达故障诊断系统中使用数据挖掘技术，主要是利用软件输入故障诊断信息，实现智能诊断，在利用推理诊断和信息处理模块中的数据库，判断设备故障情况，之后根据知识库选择合适的诊断方法，根据结果综合分析具体故障类型，然后将诊断结果在用户界面显示。其中知识库是由专家诊断经验规则、征兆库、数据挖掘规则等基础的系统，每个技术都有自身的优势。征兆库是储存在数据库中被处理过，并经过系统推理提取的征兆事实，维护知识库可以实现删除、扩展、修改等功能操作。知识库包括粗糙知识集、传统经验、关联规则、专家经验等方法进行数据挖掘。关联规则是根据数据特征和变量隐含的关系和因果，来预测故障出现的可能。
4 诊断故障的模型
炮兵雷达故障诊断就是从检测数据发现规则，通过有效的知识利用，智能分析雷达所处的状态，从而发现系统中隐藏的故障。关于故障诊断见图1。
图1 故障诊断模型
挖掘数据是一个不断重复处理的过程，它需要不断选择合适的算法对知识库进行充实，之后慢慢诊断系统出现的故障机理和规则。首先，根据挖掘主题去整理原始数据，之后利用相关算法规则来提取数据集中的信息。然后对挖掘结果进行合理性、一致性判断，并和预期目标作比较。如果预期目标和结果存在很大偏差，需要在返回算法设计环节，对挖掘算法进行调整。偏差小也是回到算法设计环节，调整算法。如果得到理想的数据，就是不断扩充数据集，在回到开始进行数据挖掘，不断重复这个步骤，直到数据结果达到最优化。
5 故障诊断的仿真
使用关联规则从海量的数据中挖掘隐藏的数据价值，从而判断数据故障。炮兵雷达中的每个模块都存在联系，如果一个单元出现了故障，那么其他设备也可能处于非正常情况下运行，所以，关联规则提取的数据对诊断故障非常有用。它是先分析异常数据，根据从高到底的置信度规则排序，分析数据中支持度和置信度比定值大的强壮规则，其就属于造成故障的因素。利用Apriori算法实施数据挖掘关联规则，根据雷达系统收集到的电路图和故障情况，建立信号检索属性检测表，之后根据属性表检测获得统计故障表，见表1.其中1-9分别是：电压-15V、电压1条幅、中频信号、电压调相、信号本振、电压+12V、电压+5V、电压跟踪板、信号激励等。在仿真过程中置信度和支持度阈值较小，出现很多弱关联规则，同时增加了挖掘时间，如果相反可能是出现了关联规则价值信息的遗漏，在实际应用中要先修改小样本阈值，进行挖掘信息交互，明确阈值后，在大量的数据中碗蕨价值信息，采取置信度和支持度排序技术，本文分析的置信度是65%，支持度是14.6%，相关度是1.
根据上述扫描的数据异常变量和结果，可以得到造成设备出现故障的因素和关联性。
根据数据分析，可以发现设备出现故障与其他设备异常工作有关系。比如5号出现异常，1、3、7等出现异常的概率是100%等。这种分析结果和雷达检查是一样的，也表示该仿真算法具有可行性。
结语
通过数据挖掘技术，建立雷达故障智能诊断系统，可以提高故障诊断准确性。而且该系统可以实现故障诊断自学习功能，根据加入数据中不同的数据，实现在线故障诊断，从而提高故障诊断的准确性，提高系统使用价值。
参考文献
[1]李田英，胡道生.基于数据挖掘的某型雷达装备保障辅助决策系统[J].系统仿真技术，2016，12（3）：239-244.
[关键词]炮兵雷达；数据挖掘；故障诊断；算法
中图分类号：TN959.1；TP311.13 文献标识码：A 文章编号：1009-914X（2018）39-0326-01
數据挖掘技术可以从大量的复杂信息中提取有用的数据，从而提高信息的使用价值。数据挖掘技术是建立在数据仓库、大型数据库技术上的，该技术目前被广泛使用到多个领域。在炮兵雷达装置经常会出现各种设备故障，为了保证雷达的战斗力和正常训练，这里将会针对数据挖掘技术在炮兵雷达故障诊断中的应用进行分析，以提高雷达检测故障的效率和准确性。
1 数据挖掘的流程
数据挖掘过程包括：清理数据和集成、变换和选择数据、评估模式和数据挖掘等环节。
（1）变换和选择：就是根据数据仓库中数据状态进行选择和变换，比如：标准化数据、消除噪音、变换数据（聚集、平滑、概化）、归约数据（离散化）等都是对数据进行聚集和汇总来找出有用的数据。
（2）集成和清理：根据炮兵雷达数据状态进行收集，输入端将数据发送给数据挖掘系统，之后按照用户需求，消除不一致或是具有噪声的数据，将多种数据资源进行组合，并提取对应的数据，从而构建数据库或是数据仓库。
（3）模式评估和表示：利用可视化技术来展示有趣的知识，从而便于用户进行知识挖掘。
（4）数据挖掘：根据实际炮兵雷达系统特征，选择合适的数据挖掘算法进行数据提取。
2 数据挖掘的算法
数据挖掘算法包括：聚类分析、序列模式、分类、关联分析等。
（1）序列模式分析：主要是挖掘数据之间存在的关系。比如：利用序列模式对销售记录进行分析，从而发现潜在的购物客户信息；客户在微波炉消费中比较喜欢购买哪种品牌等。
（2）聚类分析：该方法采集的是没有具体标定的记录，在没有记录前不进行相关分类，之后按照相关规则，对记录集合进行有效划分，通过隐式和显式方法进行类别描述。聚类技术包括基于模型、层次、划分的聚类，另外还有偏差检查、联系分析、预测模型、可视化、偏差检测、数据库分段等对应的算法。
（3）关联分析：通过关联规则来分析数据，主要是挖掘数据之间隐藏的关系，并生成用户固定最小支持度和最小置信度联系规则。在挖掘数据方面，关于数据关联性研究比较多，所以关于关联规则算法比较多，比如：Stem、Apriori等算法。
（4）分类分析：就是根据数据示例，来描述数据类别，建立数据模型和数据挖掘规则，之后根据分类规则来分类数据库记录的信息。分类方法主要包括：神经网络后向传播技术、树归纳判定法、k-最邻近分类法、遗传算法、案例推理法、模糊集、粗糙集理论等。
3 诊断故障系统架构
在雷达故障诊断系统中使用数据挖掘技术，主要是利用软件输入故障诊断信息，实现智能诊断，在利用推理诊断和信息处理模块中的数据库，判断设备故障情况，之后根据知识库选择合适的诊断方法，根据结果综合分析具体故障类型，然后将诊断结果在用户界面显示。其中知识库是由专家诊断经验规则、征兆库、数据挖掘规则等基础的系统，每个技术都有自身的优势。征兆库是储存在数据库中被处理过，并经过系统推理提取的征兆事实，维护知识库可以实现删除、扩展、修改等功能操作。知识库包括粗糙知识集、传统经验、关联规则、专家经验等方法进行数据挖掘。关联规则是根据数据特征和变量隐含的关系和因果，来预测故障出现的可能。
4 诊断故障的模型
炮兵雷达故障诊断就是从检测数据发现规则，通过有效的知识利用，智能分析雷达所处的状态，从而发现系统中隐藏的故障。关于故障诊断见图1。
图1 故障诊断模型
挖掘数据是一个不断重复处理的过程，它需要不断选择合适的算法对知识库进行充实，之后慢慢诊断系统出现的故障机理和规则。首先，根据挖掘主题去整理原始数据，之后利用相关算法规则来提取数据集中的信息。然后对挖掘结果进行合理性、一致性判断，并和预期目标作比较。如果预期目标和结果存在很大偏差，需要在返回算法设计环节，对挖掘算法进行调整。偏差小也是回到算法设计环节，调整算法。如果得到理想的数据，就是不断扩充数据集，在回到开始进行数据挖掘，不断重复这个步骤，直到数据结果达到最优化。
5 故障诊断的仿真
使用关联规则从海量的数据中挖掘隐藏的数据价值，从而判断数据故障。炮兵雷达中的每个模块都存在联系，如果一个单元出现了故障，那么其他设备也可能处于非正常情况下运行，所以，关联规则提取的数据对诊断故障非常有用。它是先分析异常数据，根据从高到底的置信度规则排序，分析数据中支持度和置信度比定值大的强壮规则，其就属于造成故障的因素。利用Apriori算法实施数据挖掘关联规则，根据雷达系统收集到的电路图和故障情况，建立信号检索属性检测表，之后根据属性表检测获得统计故障表，见表1.其中1-9分别是：电压-15V、电压1条幅、中频信号、电压调相、信号本振、电压+12V、电压+5V、电压跟踪板、信号激励等。在仿真过程中置信度和支持度阈值较小，出现很多弱关联规则，同时增加了挖掘时间，如果相反可能是出现了关联规则价值信息的遗漏，在实际应用中要先修改小样本阈值，进行挖掘信息交互，明确阈值后，在大量的数据中碗蕨价值信息，采取置信度和支持度排序技术，本文分析的置信度是65%，支持度是14.6%，相关度是1.
根据上述扫描的数据异常变量和结果，可以得到造成设备出现故障的因素和关联性。
根据数据分析，可以发现设备出现故障与其他设备异常工作有关系。比如5号出现异常，1、3、7等出现异常的概率是100%等。这种分析结果和雷达检查是一样的，也表示该仿真算法具有可行性。
结语
通过数据挖掘技术，建立雷达故障智能诊断系统，可以提高故障诊断准确性。而且该系统可以实现故障诊断自学习功能，根据加入数据中不同的数据，实现在线故障诊断，从而提高故障诊断的准确性，提高系统使用价值。
参考文献
[1]李田英，胡道生.基于数据挖掘的某型雷达装备保障辅助决策系统[J].系统仿真技术，2016，12（3）：239-244.