论文部分内容阅读
摘 要：当今，随着大数据、人工智能时代的到来，新能源和自动驾驶汽车、机器人等计算机测试系统的测试对象日趋复杂化、大型化、和现代化，为了满足被测对象对机械工程计算机测试系统越来越高的要求，即需要适应被测对象的日益智能化，现代的机械工程计算机测试系统的方向也朝着智能化发展。目前在机械工程测试领域对数据的分析和处理通常采用的是统计学的方法，本文介绍了两个常用来处理分析数据的数学模型，即灰色预测模型和K-means聚类模型在机械工程测试中的应用。
关键词：机械工程；测试技术；聚类分析；灰色预测
一.机械工程计算机测试系统数据分析概述和环节
1） 机械工程计算机测试系统概述
人类对自然界各个方面的深入理解离不开对自然界的信息的获取。随着计算机科学与技术的高速进步，伴随着智能化的时代的到来机械工程机电一体化的也程度越来越高。因此，机械工程测试系统也无法避免的越来越复杂，所涉及的学科知识也越来越广泛和深入。而机械工程计算机测试系统数据分析的基本任务就是利用各种物理和化学效应，选取合适的方法与装置，将生产生活中的有待发掘的信息通过测量与实验的方法获取出来，并从中获取被测试对象的变化规律与过程控制的动态信息，并且对这些数据进行数据分析与数据挖掘，从而得出它们内在的联系与规律，从而进一步能够提高信息的利用率。一个系统完善的机械工程计算机测试系统主要有模/数转换、传感器、信号调理和信号显示记录和分析处理装置等多个功能模块构成。
2） 机械工程计算机测试系统数据分析环节
机械工程测试的数据分析的第一步是获取传感信号，也就是将被测量转换成某种电信号的器件。其主要包含了敏感器和转换器两个部分。其中的敏感器可以将温度、压力、位移、振动等被测量转换成某种物理量，然后可以通过转换器把这些物理量转换成某种容易检测的电量，例如电阻，电容，电感的变化，而这也就是机械工程测试的数据分析的第二步
此外，若想使信号能够被输入计算机中进行更进一步的数据分析和处理，还必须对采集得到的信号进行放大、调理、滤波存储重放和一些专门等加工处理过程，以便能够去掉采集过程中不可避免的干扰和噪声，而这也就便于后续步骤中对采集得到数据的分析和处理。
机械工程测试的数据分析的第三步就是利用数据挖掘挖掘、分析，并处理采集得到的信号，并且输出分析成果。数据分析主要包括信号的频域分析、时域分析等，如灰色预测模型和K—means聚类分析等方法。输出成果则主要是通过对这些数据的分析，能过比较可靠的预测出实际工程应用中机器的运作。
二.机械工程计算机测试系统数据分析方法
机械工程测试中的数据分析的方法法是多种多样的，在不同的数据分析过程中必须实际情况选择出相适应的数据分析方法。前面提到的统计学的方法是基于“大数据”，其本质是通过大量样本数据或某种普遍现象所表现的大量随机性数据来发掘事物内在的“发展规律”。下面主要介绍一下灰色预测模型和K— means聚类模型在机械工程测试中的应用方法。
1） 灰色预测模型GM（1，1）
3. 模型检验：灰色模型一般有残差、关联度检验。
2） K-means聚类分析
聚类算法往往在处理某些需要识别类别的机械工程测试工作中用到，如需要透过采集到的数据的来识别侦测设备是否处于故障状态。K-Means聚类分析算法的核心是随机给定若干个簇中心，按照某种判别标准将待分类样本数据点分到各个簇。然后按平均法重新计算各个簇的质心，从而确定新的簇心。一直这样循环迭代下去，直到簇心的判别值小于某个给定的值。K-Means聚类算法主要分为三个步骤：
1. 第一步：為待聚类的数据寻找聚类中心。
2. 第二步：计算每个数据点到聚类中心的距离，将每个数据点聚类到离该数据点最近的聚类中去。
3. 第三步：计算每个聚类中所有数据点的坐标平均值，并将这个平均值作为新的聚类中心
反复执行2和3，直到聚类中心不再进行大范围移动或者聚类次数达到要求为止。
三.结论
当今时代是一个处于“信息爆炸”的时代，工程领域亦是如此。如何能够透过这些过剩的信息发掘到我们所需要的信息也就变得举足轻重。将统计学与工程测试技术紧密的结合起来能够使我们充分的将所测信息的内在规律发掘出来，而数据分析与数据挖掘方法的选择也成为了影响数据分析质量的决定性因素。本文针对易用性介绍了两个常用来处理分析数据的统计模型，并简单阐述了其实现步骤。
参考文献：
[1]王娜，杜海峰，庄健，王孙安.用于故障诊断的网络分割普聚类方法[D].西安交通大学，2008
[2]陈崇乐.改进的关联规则挖掘算法在网络用户访问日志 分析中的应用[D].上海师范大学，2007.
[3]曾辉.基于数据挖掘的银行个人客户信用评分模型的研究[D].对外经济贸易大学，2007.
[4]朱亚臣.基于知识工程的电机产品网络化制造平台技术 研究及其应用[D].浙江大学，2007.
关键词：机械工程；测试技术；聚类分析；灰色预测
一.机械工程计算机测试系统数据分析概述和环节
1） 机械工程计算机测试系统概述
人类对自然界各个方面的深入理解离不开对自然界的信息的获取。随着计算机科学与技术的高速进步，伴随着智能化的时代的到来机械工程机电一体化的也程度越来越高。因此，机械工程测试系统也无法避免的越来越复杂，所涉及的学科知识也越来越广泛和深入。而机械工程计算机测试系统数据分析的基本任务就是利用各种物理和化学效应，选取合适的方法与装置，将生产生活中的有待发掘的信息通过测量与实验的方法获取出来，并从中获取被测试对象的变化规律与过程控制的动态信息，并且对这些数据进行数据分析与数据挖掘，从而得出它们内在的联系与规律，从而进一步能够提高信息的利用率。一个系统完善的机械工程计算机测试系统主要有模/数转换、传感器、信号调理和信号显示记录和分析处理装置等多个功能模块构成。
2） 机械工程计算机测试系统数据分析环节
机械工程测试的数据分析的第一步是获取传感信号，也就是将被测量转换成某种电信号的器件。其主要包含了敏感器和转换器两个部分。其中的敏感器可以将温度、压力、位移、振动等被测量转换成某种物理量，然后可以通过转换器把这些物理量转换成某种容易检测的电量，例如电阻，电容，电感的变化，而这也就是机械工程测试的数据分析的第二步
此外，若想使信号能够被输入计算机中进行更进一步的数据分析和处理，还必须对采集得到的信号进行放大、调理、滤波存储重放和一些专门等加工处理过程，以便能够去掉采集过程中不可避免的干扰和噪声，而这也就便于后续步骤中对采集得到数据的分析和处理。
机械工程测试的数据分析的第三步就是利用数据挖掘挖掘、分析，并处理采集得到的信号，并且输出分析成果。数据分析主要包括信号的频域分析、时域分析等，如灰色预测模型和K—means聚类分析等方法。输出成果则主要是通过对这些数据的分析，能过比较可靠的预测出实际工程应用中机器的运作。
二.机械工程计算机测试系统数据分析方法
机械工程测试中的数据分析的方法法是多种多样的，在不同的数据分析过程中必须实际情况选择出相适应的数据分析方法。前面提到的统计学的方法是基于“大数据”，其本质是通过大量样本数据或某种普遍现象所表现的大量随机性数据来发掘事物内在的“发展规律”。下面主要介绍一下灰色预测模型和K— means聚类模型在机械工程测试中的应用方法。
1） 灰色预测模型GM（1，1）
3. 模型检验：灰色模型一般有残差、关联度检验。
2） K-means聚类分析
聚类算法往往在处理某些需要识别类别的机械工程测试工作中用到，如需要透过采集到的数据的来识别侦测设备是否处于故障状态。K-Means聚类分析算法的核心是随机给定若干个簇中心，按照某种判别标准将待分类样本数据点分到各个簇。然后按平均法重新计算各个簇的质心，从而确定新的簇心。一直这样循环迭代下去，直到簇心的判别值小于某个给定的值。K-Means聚类算法主要分为三个步骤：
1. 第一步：為待聚类的数据寻找聚类中心。
2. 第二步：计算每个数据点到聚类中心的距离，将每个数据点聚类到离该数据点最近的聚类中去。
3. 第三步：计算每个聚类中所有数据点的坐标平均值，并将这个平均值作为新的聚类中心
反复执行2和3，直到聚类中心不再进行大范围移动或者聚类次数达到要求为止。
三.结论
当今时代是一个处于“信息爆炸”的时代，工程领域亦是如此。如何能够透过这些过剩的信息发掘到我们所需要的信息也就变得举足轻重。将统计学与工程测试技术紧密的结合起来能够使我们充分的将所测信息的内在规律发掘出来，而数据分析与数据挖掘方法的选择也成为了影响数据分析质量的决定性因素。本文针对易用性介绍了两个常用来处理分析数据的统计模型，并简单阐述了其实现步骤。
参考文献：
[1]王娜，杜海峰，庄健，王孙安.用于故障诊断的网络分割普聚类方法[D].西安交通大学，2008
[2]陈崇乐.改进的关联规则挖掘算法在网络用户访问日志 分析中的应用[D].上海师范大学，2007.
[3]曾辉.基于数据挖掘的银行个人客户信用评分模型的研究[D].对外经济贸易大学，2007.
[4]朱亚臣.基于知识工程的电机产品网络化制造平台技术 研究及其应用[D].浙江大学，2007.