工业大数据挖掘分析及应用前景研究.docVIP

工业大数据挖掘分析及应用前景研究 　　摘 要：当前传感器、多媒体、数据库和无线网络技术得到了快速发展和普及，并已经在工业生产中得到了广泛应用，由此开发了工业生产监控系统、工业设备维护系统、工业生产流程处理系统等，这些自动化系统在运行中积累了海量的数据资源。为了提高数据资源利用成效，发现数据中潜在的有价值的信息，亟需引入大数据挖掘技术，主要包括K均值算法、BP神经网络、遗传算法、关联规则等，以便能够提高工业大数据挖掘分析能力，建立一个先进的数据挖掘模式，具有较强的应用环境。 　　关键词：工业大数据；关联规则；设备维护；BP神经网络 　　1 概述 　　目前工业设计、生产制造等环节中引入了自动化系统，系统运行积累了海量的数据资源，如何从海量数据中挖掘有价值、有用的信息，帮助工业生产作出正确的决策，已经成为许多学者研究的热点[1]。大数据挖掘分析可以从海量的、带有噪声数据的、不完全的数据记录中发现隐含的模式，可以为工业数据挖掘提供契机。大数据挖掘可以使用相关的算法寻找隐藏的数据知识，其功能主要包括关联分析、聚类分析、分类预测、偏差检测等[2]。 　　（1）关联分析。工业系统运行产生的大数据来源于设计、制造和生产等环节，涉及各类型软硬件设备，这些数据信息资源存在极大的关联关系，比如简单关联关系、时序关联关系、设备-软件关联关系、日志操作关联关系等。 　　（2）分类预测。应用工业大数据的过程中，许多信息数据保存得较为繁乱，比如设备种类和数量多，设备购置、维修、更换等运行记录保存日期、位置、版本较多，容易产生不一致。因此，分类预测可以根据工业企业管理人员的需求，引入贝叶斯理论等构件一个分类算法，挖掘数据中相同类别的信息，这些类别可以是维修记录、购置记录，也可以是时间内容等，并且可以利用预测管理功能，预测设备运行趋势。 　　（3）聚类分析。工业大数据多是设备运行自动产生的数据，相关子数据集缺乏详细的描述信息，此时可以采用聚类分析方法，将数据划分为多个簇，簇内保持高度的相似性、同构性，簇间保持较大的差别性，这就可以把相同类别的数据划分到一组，不同类别的数据划分到多个簇。 　　（4）偏差检测。数据挖掘发现数据集中的离群点或异常数据是一个重要的功能，比如工业生产网络安全监测，该功能被称为偏差检测。偏差检测主要包括分类中的反常实例、例外模式、观测结果对期望值存在的偏离以及量值可以随时间的变化而变化。偏差检测包括寻找观察结果、参照之间的有意义差别，偏差分析的一个非常重要的特征是可以有效地过滤掉大量不感兴趣的信息。 　　2 工业大数据挖掘分析技术及模式 　　工业生产引入自动化系统始于第二次工业革命，随着传感器、移动通信等技术的快速改进，工业生产正在向着密度更高、效率更高的综合信息化运行模式发展，引入了许多先进的计算机系统，这些系统运行产生了海量的数据信息资源，导致了人们不能够继续使用传统的生产模式，必须从多个方面和切入点进行有效研究和发展，引入大数据挖掘分析技术，一般实现工业生产科学管理，有效地控制生产设备，形成一个全过程生产模式[3]。目前，工业大数据挖掘分析技术包括多种技术，最常用的包括K均值、BP神经网络、遗传算法和贝叶斯理论等，可以从海量的流量数据中发掘潜在的有价值的信息，利用这些信息可以指导、创新工业生产管理模式，构建一个大数据挖掘系统[4]。 　　（1）基于K均值算法构建聚类分析模式。K均值是常用的主流聚类分析算法，使用工业数据之前，许多用户不知道期望的目标，并且无法获取更多的数据应用背景知识，因此可以利用K均值算法构建一个自动聚类分析的大数据模式，比如可以自动将工业设计数据划分为高中低等档次，可以把高档设计案例推荐给企业，提高企业工业设计能力。 　　（2）基于BP神经网络构建分类预测模型。BP神经网络是一种数据挖掘方法，其可以通过学习获取相关的风险关键特征，然后将待评估的工业设备运行状态数据输入到系统中，自动分析设备维护次数、更新次数、使用周期，这种工业设备运行管理模型速度快，评估结果具有较高的准确度。工业大数据分类预测可以采用BP神经网络算法构建一个分类预测系统，这样就可以准确地判断大数据的运行维护记录，判断设备日常运行趋势，能够提高工业设备的运行维护效率。 　　3 工业大数据挖掘作用及前景 　　随着自动化控制、多媒体通信等技术的快速发展，大数据挖掘技术可以在船舶设计制造、工业生产安全监测等领域得到应用，实现自动化制造和工业安全生产管理等，进一步实现工业生产过程的智能化。 　　3.1 智能制造 　　目前，随着工业4.0、互联网+等深入发展和应用，大数据挖掘技术可以有效地提升智能制造的相关产品设计、制造、生产和展示等阶段的性能，大数据挖掘在完善产品设计功能、优化产品性能、改进产品质量等方面具有重要的作