探讨数据挖掘在机械设备状态监测和故障诊断中运用问题.docVIP

探讨数据挖掘在机械设备状态监测和故障诊断中运用问题 　　作为智能化技术同数据库技术相融合而衍生出的重要产物，数据挖掘技术在实际应用中优势明显，其利用专业性算法，可将数据库中的大量资料抽取并整理出最为有效的解决模式，并且还能够依据机械设备状态监测的需要提供最为贴近设备情况的专业知识。本文针对数据挖掘技术在机械设备状态监测及故障诊断中的应用进行了全面解析，并对该技术的未来应用、及发展进行了预测，以供实际工作参考。 　　【关键词】数据挖掘技术 故障诊断 设备状态监测 　　在我国社会主义经济的迅速发展下，市场竞争越发激烈，相应的机械设备性能测试技术也得到了快速发展。在机械设备状态监测以及故障诊断的实践工作中，测试技术的进步与传感器设备的完善，使得测试数据库内容更为完善，相关企业的监测经验也日益丰富。因此，如何整合庞大的设备数据，进行更有效测试，极为重要。 　　1 数据挖掘技术简介 　　数据挖掘技术属于近年来不断整合智能化技术与数据库技术产生的一类新型技术，通过大规模数据整合，分析整理出新型可用的知识。该项技术解决了以往设备性能诊断当中需要相关专业人员查阅大批数据进行研究时效率较低的问题，推动相关技术进入了更高水平。 　　目前的数据挖掘技术，主要包含多种数据模型，常见的包括：分类模型，即利用对既有数据信息的整合，提炼出具有代表性的信息数据；回归模型，即通过对过往数据的分析，实现对未来数据的合理预测；关联模型，即整理数据之间的相互联系性，从而确定测试流程。此外，还包含序列模型、聚类模型等多个种类，按照设备状态监测工作的需要，可以进行合理选择。 　　2 数据挖掘技术的实施要点 　　数据挖掘技术的大部分方法，均由机器学习衍生而来，故常用的机械设备状态监测技术，如模式识别、人工智能监测、机器学习等均可以利用统计方法、决策树理论等方式进行完善后，运用到数据挖掘当中去。常见的数据挖掘技术在设备中的实际运用主要可包含以下几种。 　　2.1 决策树理论的故障分析功效 　　从主观上来看，可以将决策树看作为与流程图相似的树形结构图，属于数据挖掘技术中较为简单的一类数据表示手段。决策树方法在机械设备状态监测及故障诊断当中的应用，主要是整合设备故障的分类规则，并对潜在故障问题进行预测。由于该方法将设备故障分成了不同类型，而且分类规则又具有较强的直观性，故操作人员的理解较为简便。目前机械设备领域中决策树理论的运用，衍生出了ID3等新型算法，但仅用于故障的分类，通过整合故障并家已分类，可以逐渐分析出众多故障数据潜在规律，并较为直观的展示出来。 　　2.2 结果优化中遗传算法的应用 　　遗传算法由达尔文进化论与孟德尔遗传变异论进行模拟后得到，该算法所采用的算法因子具有随机性，故设备故障的出现往往不会受到常规故障规则的限制，但是遗传算法在实际应用过程中，其对故障的整合分析，并不是盲目式的，而是针对机械设备状态运行情况，以设备最优化为基本原则进行不断完善计算进行的。 　　若设备状态监测和故障诊断当中，直接采用了与设备情况相应的参数进行适值计算，但又不需要对优化参数进行明确计算，在针对部分无法明确计算得到的设备参数时，即可采用遗传算法对结果进行优化。遗传算法的智能性与并行性较强，利用该方法，可以对设备故障当中还未得到有效解决的部分复杂问题进行妥善处理。目前，遗传算法在设备运行函数的优化、设备模式的识别以及设备运行信号的整合处理等相关工作当中有着较为全面的应用，在将复杂的运行数据进行优化时，遗传算法具有较为良好的性能。综合其相关特点，在建立设备状态监测和故障诊断的模型时，可采用该技术使得模型更为合理化，使得设备状态监测与故障诊断的结果更为准确。 　　以滚动轴承的状态监测与故障诊断为例。在实际工作当中，运用各类运算符集，对滚动轴承的原始性特征向量进行测量后，采取最优的组合方式获得新型向量，配合采用遗传算法得到最终的滚动轴承参数，并利用分类法，对各项间距进行了调整，使得滚动轴承的诊断参数更为准确。此外，利用该方法，还有效区分了滚动轴承的不同工作状态，测量结果较为全面，效果显著。 　　2.3 模糊集理论的应用要点 　　该方法通过模糊集合与模糊推理两种方法，其研究测试的对象是各类不确定性因素，属于传统集合理论的创新。模糊集理论在设备状态监测和故障诊断中的应用，主要包含了两个方面。 　　一方面，是在相关数据概念的形成时，采用不准确和较为模糊的语言变量，根据人们习惯，对设备状态的变化及变量变化状态进行描述。具有较强的直观性，且相关人员在接受该类概念时，也可以更方便的理解接受；另一方面，该方法通过提炼模糊性规则，在建模时模糊化，使得机械设备的控制、预测以及故障诊断等过程拥有更为广阔的空间。 　　2.4 基于实例分析的方案优化及调整 　　该种方法拥有