数字化矿山构建过程中的数据挖掘模型研究..docVIP

数字化矿山构建过程中的数据挖掘模型研究 摘要：矿山数字化集矿山管理、生产、设计、地质勘察、测绘、开采、调度于一体。 实现矿山数字化可以充分合理地开采资源， 高效组织矿山生产， 降低工人劳动强度， 提高矿山企业经济、社会效益。而构建数字化矿山模型过程中， 涉及到大量数据的合理组织和有效利用。针对数字化矿山过程中产生积累的大量数据，以新的视角分析了应用数据挖掘的基础和数据特点。 讨论了数据挖掘的基本思想，提出了集成数据挖掘的模型结构， 为数字化矿山及矿山管理决策提出了一条新的途径。 关键词 :数据 数据挖掘 数字化矿山 模型 数字化矿山不仅是信息社会的主要组成部分, 而且也是数字地球技术系统的集中表现, 是数字地球理论在地学领域的应用。数字化矿山是综合运用 GIS(地理信息系统 )、遥感、遥测、网络、多媒体及虚拟仿真等技术系统对矿山资源的开发利用、信息采集、动态监测管理和辅助决策服务的技术系统。它是地理、资源、生态环境等复杂系统的数字化、网络化、虚拟仿真, 具有优化决策支持和可视化表现等强大功能。数字化矿山是随数字技术、信息技术的飞速发展和计算机技术的广泛应用而发展起来的。 在数字化过程中产生积累了大量的数据。面对如此庞大的数据, 一方面, 可以通过数据库管理系统结合统计分析方法, 实现查询、检索及表报功能, 也可以进行联机分析处理 LAP(或 OLTP联机事务处理 )得出可供决策参考的统计分析数据, 但数据中隐藏的内在有用知识无法得到, 我们处在数据丰富而知识贫乏的矛盾之中。另一方面, 就人工智能中的知识获取而言, 它主要依靠用户或者领域专家手工将知识输入到知识库中,耗时费力, 且因主观性易于出错。因此迫切需要能够自动发现获取知识的新技术, 这便是数据挖掘产生的直接推动力。数据挖掘技术涉及人工智能、数据库技术、模式识别、数据可视化、统计学等多门交叉学科。本文针对数据挖掘在数字化矿山构建过程的应用问题进行讨论。数据挖掘是指从大量数据中提取或 ? 采掘 ?知识, 进而形成了广义的 DM 定义。数据挖掘是从存在于大量数据的数据库、数据仓库或信息储存体中发现有价值知识的过程。DM 的对象不仅是数据库, 也可以据集合。知识发现是指识别出存在于数据库中可信的、新颖的、具有潜在应用价值和最终可理解模式的非平凡过程。而数据挖掘是此过程的一个特定关键步骤。数据挖掘和知识发现的最终目标都是从大量数据集合中挖掘出各种有价值、被人理解的可用于指导实践的知识。KDD的定义完整准确但表面上仅局限于数据库, 而 DM 对其进行了扩充, 指组织在一起的数据集合。但这里的数据集合应该是来源于实践中有用系统的, 而不是杂乱无章的数据堆积。DM 的过程可归纳为: 数据准备 (数据选择、清洗、变换 )、数据采掘 (各种挖掘算法的运用 )和知识的表达、解释与验证 3个阶段, 是一个循环往复的过程。主要任务有分类、回归分析、聚类、预测、关联性、变化和偏差分析、模式发现和路径发现等。 1 数字化矿山构建过程中 DM 的基础与现状 数字化矿山集地理、资源、生态环境等因素于一体, 又面临资源开发利用、经济效益、环境保护、安全等多方面的挑战, 因此它是一个十分复杂的大系统。 在构造矿山数字模型过程中, 以计算机为核心的各种控制系统能够采集、存储大量矿山生产过程的过去 (历史 )和当前运行状态 (动态 )的丰富有价值的数据 (包括, 矿产品保有储量、开采品位、矿岩性质、设备状态等 ); 以往人们往往过分重视控制算法的开发, 而忽视了对矿山生产过程中有关生产人员的行为特征、经验, 设备运行状态及开采过程、环境状态、资源、开采条件等大量数据的全面分析利用, 更难从中发现知识。部分原因由于系统的复杂性、处理数据量的庞大和缺乏相应的技术手段, 而DM 的产生为解决这些问题提供了强有力的工具。它可以充分利用积累的历史数据和当前数据, 提取潜在的模式、规则, 以新的视角为数字化矿山构建开辟新的途径。这使得在数字化矿山构建过程中展开数据挖掘应用研究有了坚实的基础。 DM 理论与技术的研究已经较为广泛, 国外已广泛应用于商业、金融、电信和企业管理中。英国已应用 DM 于化工过程的监控中, 取得了显著的效益。美国钢铁公司和神户钢铁公司运用 DM 技术研究分析产品性能规律进行质量控制。CASSIOPEE故障发现系统被欧洲三大航空公司用来诊断和预测波音 737客机的故障, 其应用获得了 ? 欧洲创新应用 的一等奖。国内有关数字化矿山方面 DM 的理论和应用研究才开始, 报道很少。 2 数字化矿山构建过程中数据的特点 要进行数字化矿山构建过程中的数据挖掘, 在遵循 DM 一般方法的基础上, 必须认真分析其数据特点并结合具体生产工艺上的要求进行。其数据特点可概括如下： （1）数据量巨大、高维且有较强