论文部分内容阅读
【摘 要】本文通过对机械设备安全进行数据挖掘应用的探讨，阐明数据挖掘对安全管理的意义。
【关键词】安全管理 数据挖掘 机械设备 应用
对企业安全生产的长期研究表明，安全事故的发生源于人的不安全行为，物的不安全状态以及管理上的缺陷。其中物通常包括工具、材料和设备，而对设备的不安全状态进行有效控制是其中最重要的环节。因为设备往往和重大危险源联系在一起，避免设备发生事故就能很大程度上避免大的损失。因此做好对设备的安全工作特别是事故预防工作，不仅可以有效保证人员和财产安全，也能为企业带来社会效益。
设备在生产运行过程中，形成了大量客观、连续、完整的数据，如果发现这些数据的关联规则和意义，便能理解设备的状态，依据其所形成的经验便具有较好的推广性。而对这些数据进行发掘的过程，便是数据挖掘。
数据挖掘是从大量的、不完全的、有噪声的、模糊的、随机的数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用信息和知识的过程。它的功能主要包括关联分析、聚类分析、分类、回归、时间序列分析和偏差甄别等。使用数据挖掘方法可以利用基础数据为管理决策提供科学依据，且所建立的模型具有较强的适应性，能更好地提高管理效率，进一步促进安全管理科学发展。
设备的安全管理
预防设备事故的手段之一是在故障发生的早期及时进行处理，杜绝带病作业，防止小故障演变成大事故。
系统安全工程中重要的分析方法之一——故障树分析法FTA——是以设备最不希望发生的事件作为分析目标，找出系统内因为环境变化、人为失误等因素导致的部件与部件故障之间的逻辑联系，用道理树状逻辑因果关系图形表示出来。但故障树分析法也存在一些缺点，如在构造故障树时要运用逻辑运算，在其未被一般分析人员充分掌握的情况下，很有可能把重大影响系统故障的事件漏掉；同时，由于每个分析人员的研究范围各有不同，其所得结论的可信性也就有所差异。在复杂系统中，故障常常源于多种原因同时作用，常规分类方法更是难以诊断。而通过数据挖掘，能够有效克服这一缺点。
设备中常用到的旋转机械，其常见故障之一是转子不平衡，它产生的原因是装配不规范或机械磨损。当转子不平衡时，振动的时域波形为正旋波，转子的轴心轨迹为椭圆，这时候，振动的强烈程度对工作转速的变化非常敏感。此外，油膜涡动、油膜振荡、转子支承系统连接松动、转子不对中等也是导致转子不平衡的原因。针对这类问题的研究表明，建立故障变量与故障类型之间的多值关联规则的方法进行数据挖掘实现故障诊断是一种较好的解决办法。通过选取故障特征变量，选取故障信号的频率特征、振动特征、敏感参数作为故障识别的标准故障模式，组成故障识别参数集。再通过聚类形成的一定准则及诊断策略将特征提取获得的待检模式与数据库中已有的故障案例进行对比分析，就能识别当前设备所处的状态，从而便于维修人员采取相应的处理方法，减少维修成本，降低生产损失。
为了进一步优化设备运行和检修管理，降低设备寿命周期费用，有必要对设备进行监测和评估，尽可能防止故障的发生。而其最关键最基础的要求就是要科学地评价设备部件和材料的状态。
通常采用的做法是眼观判断，它能够及时发现问题，并进行处理解决。但此方法仍局限于阈值诊断的范畴，一般对故障的判断仅依据一个判定边界，也就是说，只有当某些特征超过“临界值”时，才能对其采取进一步措施。这样难以确切了解故障与表现特征之间的客观规律，并且很难在隐患发生初期对设备状态进行分析，并提前制定相应策略。这种缺点无疑对设备潜伏性故障的发现和分析非常不利。
另外一个方法是经常性进行检修。长期以来，对设备的检修策略主要采用以时间为标准的定期维修。虽然定期维修一般可以在维修时发现设备存在的缺陷，能够有效保证设备安全运行，但是定期维修存在“维修过剩”和“维修不足”的缺点，不仅造成部分设备盲目检修，导致人力物力的大量浪费，而且增加了产生新隐患的几率，降低了设备的可靠性。
为了有效判断设备状态，减小不必要的维护，需要对设备运行过程中产生的数据进行收集统计，正确评估该类设备在长期使用过程中的老化和损伤规律，并把这种规律和同类设备的运行状态结合起来，提高状态评估的客观性、准确性。
传统的统计方法只有在样本数趋向无穷大时其性能才有理论上的保证，而实际应用中往往设备所处环境不一，布置分散，对于这种有限样本进行的研究难以取得理想的效果。支持向量机（学术文献中常简称为SVM）是数据挖掘技术中一种有坚实理论基础的新颖的小样本学习方法，它基本上不涉及概率测度定义及大数定律等。从本质上看，它避开了从归纳到演绎的传统过程，实现了高效的从训练样本到预报样本的“转导推理”，大大简化了通常的分类和回归等问题。与其它方法相比，建立SVM模型所需要的先验干预较少，因此显得更为客观。由于有较为严格的统计学习理论作保证，应用SVM方法建立的模型还具有较好的推广能力。并且SVM方法可以给出所建模型的推广能力的确定的界，这是目前其它任何学习方法所不具备的。
模型的有效建立来自于对设备基础数据的正确收集，而设备状态的数据收集有其独特性。因为除了部分运行过程中产生的数据可以量化外，还有部分指标不能直接量化，例如漏油的严重程度、异常声响、移动速度、运行效率、锈蚀程度、磨损程度、污染程度等，另外还要考虑到历史及环境因素的影响。对于这些状态的评估，需要依靠专家经验进行定性描述，通过专家打分实现量化处理。再通过对这些参数评估的数据集，可以训练得到了一个囊括众多评估专家经验的回归函数。以后对该类型的设备进行判断时，将收集到的各类状态数据带入这个回归函数，就可以知道该设备得多少分，据此确定对其进行状态检修的措施。
数据挖掘技术还可以起到预测作用。通过反映事物输入与输出之间的关联性（即内在规律的历史数据）的学习可以建立预测模型，从而利用该模型实现对未来数据的预测。通过设备检测诊断系统的支持，可以可靠获取到设备的真实状态，并在故障发生前有计划地进行维修。
结语；数据挖掘是当前一个热门的研究方向，将数据挖掘应用于安全管理领域，可以对生产数据进行探索，揭示隐藏于其中的规律并进一步将之模型化，进而提高企业安全管理水平。它对企业综合竞争能力的提升，具有十分重要的促进作用。
参考文献：
[1]韩家炜.数据挖掘概念与技术[M].北京：机械工业出版社，2007
[2]张哲.基于支持向量机的变压器状态评估和故障诊断的研究.华北电力大学硕士论文库.北京.2009.22-36
[3]西安美林电子有限责任公司.大话数据挖掘.北京：清华大学出版社.2013
【关键词】安全管理 数据挖掘 机械设备 应用
对企业安全生产的长期研究表明，安全事故的发生源于人的不安全行为，物的不安全状态以及管理上的缺陷。其中物通常包括工具、材料和设备，而对设备的不安全状态进行有效控制是其中最重要的环节。因为设备往往和重大危险源联系在一起，避免设备发生事故就能很大程度上避免大的损失。因此做好对设备的安全工作特别是事故预防工作，不仅可以有效保证人员和财产安全，也能为企业带来社会效益。
设备在生产运行过程中，形成了大量客观、连续、完整的数据，如果发现这些数据的关联规则和意义，便能理解设备的状态，依据其所形成的经验便具有较好的推广性。而对这些数据进行发掘的过程，便是数据挖掘。
数据挖掘是从大量的、不完全的、有噪声的、模糊的、随机的数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用信息和知识的过程。它的功能主要包括关联分析、聚类分析、分类、回归、时间序列分析和偏差甄别等。使用数据挖掘方法可以利用基础数据为管理决策提供科学依据，且所建立的模型具有较强的适应性，能更好地提高管理效率，进一步促进安全管理科学发展。
设备的安全管理
预防设备事故的手段之一是在故障发生的早期及时进行处理，杜绝带病作业，防止小故障演变成大事故。
系统安全工程中重要的分析方法之一——故障树分析法FTA——是以设备最不希望发生的事件作为分析目标，找出系统内因为环境变化、人为失误等因素导致的部件与部件故障之间的逻辑联系，用道理树状逻辑因果关系图形表示出来。但故障树分析法也存在一些缺点，如在构造故障树时要运用逻辑运算，在其未被一般分析人员充分掌握的情况下，很有可能把重大影响系统故障的事件漏掉；同时，由于每个分析人员的研究范围各有不同，其所得结论的可信性也就有所差异。在复杂系统中，故障常常源于多种原因同时作用，常规分类方法更是难以诊断。而通过数据挖掘，能够有效克服这一缺点。
设备中常用到的旋转机械，其常见故障之一是转子不平衡，它产生的原因是装配不规范或机械磨损。当转子不平衡时，振动的时域波形为正旋波，转子的轴心轨迹为椭圆，这时候，振动的强烈程度对工作转速的变化非常敏感。此外，油膜涡动、油膜振荡、转子支承系统连接松动、转子不对中等也是导致转子不平衡的原因。针对这类问题的研究表明，建立故障变量与故障类型之间的多值关联规则的方法进行数据挖掘实现故障诊断是一种较好的解决办法。通过选取故障特征变量，选取故障信号的频率特征、振动特征、敏感参数作为故障识别的标准故障模式，组成故障识别参数集。再通过聚类形成的一定准则及诊断策略将特征提取获得的待检模式与数据库中已有的故障案例进行对比分析，就能识别当前设备所处的状态，从而便于维修人员采取相应的处理方法，减少维修成本，降低生产损失。
为了进一步优化设备运行和检修管理，降低设备寿命周期费用，有必要对设备进行监测和评估，尽可能防止故障的发生。而其最关键最基础的要求就是要科学地评价设备部件和材料的状态。
通常采用的做法是眼观判断，它能够及时发现问题，并进行处理解决。但此方法仍局限于阈值诊断的范畴，一般对故障的判断仅依据一个判定边界，也就是说，只有当某些特征超过“临界值”时，才能对其采取进一步措施。这样难以确切了解故障与表现特征之间的客观规律，并且很难在隐患发生初期对设备状态进行分析，并提前制定相应策略。这种缺点无疑对设备潜伏性故障的发现和分析非常不利。
另外一个方法是经常性进行检修。长期以来，对设备的检修策略主要采用以时间为标准的定期维修。虽然定期维修一般可以在维修时发现设备存在的缺陷，能够有效保证设备安全运行，但是定期维修存在“维修过剩”和“维修不足”的缺点，不仅造成部分设备盲目检修，导致人力物力的大量浪费，而且增加了产生新隐患的几率，降低了设备的可靠性。
为了有效判断设备状态，减小不必要的维护，需要对设备运行过程中产生的数据进行收集统计，正确评估该类设备在长期使用过程中的老化和损伤规律，并把这种规律和同类设备的运行状态结合起来，提高状态评估的客观性、准确性。
传统的统计方法只有在样本数趋向无穷大时其性能才有理论上的保证，而实际应用中往往设备所处环境不一，布置分散，对于这种有限样本进行的研究难以取得理想的效果。支持向量机（学术文献中常简称为SVM）是数据挖掘技术中一种有坚实理论基础的新颖的小样本学习方法，它基本上不涉及概率测度定义及大数定律等。从本质上看，它避开了从归纳到演绎的传统过程，实现了高效的从训练样本到预报样本的“转导推理”，大大简化了通常的分类和回归等问题。与其它方法相比，建立SVM模型所需要的先验干预较少，因此显得更为客观。由于有较为严格的统计学习理论作保证，应用SVM方法建立的模型还具有较好的推广能力。并且SVM方法可以给出所建模型的推广能力的确定的界，这是目前其它任何学习方法所不具备的。
模型的有效建立来自于对设备基础数据的正确收集，而设备状态的数据收集有其独特性。因为除了部分运行过程中产生的数据可以量化外，还有部分指标不能直接量化，例如漏油的严重程度、异常声响、移动速度、运行效率、锈蚀程度、磨损程度、污染程度等，另外还要考虑到历史及环境因素的影响。对于这些状态的评估，需要依靠专家经验进行定性描述，通过专家打分实现量化处理。再通过对这些参数评估的数据集，可以训练得到了一个囊括众多评估专家经验的回归函数。以后对该类型的设备进行判断时，将收集到的各类状态数据带入这个回归函数，就可以知道该设备得多少分，据此确定对其进行状态检修的措施。
数据挖掘技术还可以起到预测作用。通过反映事物输入与输出之间的关联性（即内在规律的历史数据）的学习可以建立预测模型，从而利用该模型实现对未来数据的预测。通过设备检测诊断系统的支持，可以可靠获取到设备的真实状态，并在故障发生前有计划地进行维修。
结语；数据挖掘是当前一个热门的研究方向，将数据挖掘应用于安全管理领域，可以对生产数据进行探索，揭示隐藏于其中的规律并进一步将之模型化，进而提高企业安全管理水平。它对企业综合竞争能力的提升，具有十分重要的促进作用。
参考文献：
[1]韩家炜.数据挖掘概念与技术[M].北京：机械工业出版社，2007
[2]张哲.基于支持向量机的变压器状态评估和故障诊断的研究.华北电力大学硕士论文库.北京.2009.22-36
[3]西安美林电子有限责任公司.大话数据挖掘.北京：清华大学出版社.2013