数据挖掘技术在挖掘机故障诊断中应用效果研究.docVIP

数据挖掘技术在挖掘机故障诊断中应用效果研究 　　摘 要 随着计算机信息技术的高速发展，数据挖掘技术在对各个领域中得到了广泛的应用，它是一种结合了人工智能、数理统计以及模式辨别等高端技术为一身的新兴技术，具体作用是在大量的数据和信息中发掘价值高的知识和内容。尤其在挖掘机的故障诊断中，数据挖掘技术的应用得到了高度的重视，本文简单介绍了数据挖掘技术的基本概念，并详细研究了数据挖掘技术在挖掘机故障诊断中的应用建模及效果，可为相关部门提供借鉴和参考。 　　关键词 数据挖掘；挖掘机故障诊断；应用效果；研究 　　中图分类号：TP399 文献标识码：A 文章编号：1671-7597（2014）23-0034-02 　　目前，大多数企业的自动化程度得到了显著的提高，而且数据库技术的应用也达到了炉火纯青的地步，企业对内部重要的设备制定了完善的监控系统，通过设备实时状态下的运行参数确定设备的情况，并将数据储存起来形成规模巨大的数据库。虽然这些数据中包含了该设备在运行下的各项指标，但在变现形式上并不直观和明确。数据挖掘技术的目的是在大量不完整、模糊且随机性较高的数据中提取和挖掘人们并不知晓的信息。挖掘机故障诊断工作的实质就是模式的识别，而相应的诊断过程就是模式的匹配及确定的过程。在挖掘机故障诊断的过程中，最为困难的环节是知识获取，因此，数据挖掘技术凭借它在获取知识环节的显著优势，在挖掘机故障诊断中的应用取得了令人满意的效果。 　　1 数据挖掘技术的概念 　　数据发掘技术作为从数据库中发掘知识的重要技术，它对数据的质量几乎没有任何要求，而且获取的知识往往是人们无法预知的又非常有实用价值。数据挖掘技术的基本概念主要包括以下几个方面。 　　1）定义。数据的种类千差万别，但对正处在微弱变化的数据而言，它的变化是人们以及专家察觉不到的，因此这类数据更适合使用数据挖掘技术。例如在对设备机械的运行状态进行监管和故障分析时，工作人员往往可以很好的了解设备的总体水平，但不容易察觉由于设备零件需要更新和处理而引起的微量变化，从而为设备的监管工作带来了一定的麻烦。 　　2）数据的收集以及预处理。数据准备的步骤在一定程度上可分为三部分，分别是数据的选取过程（Data Selection process）、数据的变换过程（Data Transformation process）和数据的预处理（Data Preprocessing process）。因为在设备的检测环节中获取的数据具有多样、复杂以及大量等特点，所以需要结合挖掘的目标数据，在总数据库和此检测环节形成的数据库中确定对应的数据集。进一步对获取的数据进行处理，处理的过程较为复杂，大致包括清理、变换以及归纳。该环节是数据挖掘技术的核心，因此为了保证挖掘的质量，需要在该环节中花费不低于整体挖掘项目80%的精力和时间。 　　3）挖掘的结果解释与评估。随着现实应用数据的不断变化，并在大量数据的影响下，模型也会进行不断的更新，以此发掘设备的新型行为和故障的类型，进而保证设备诊断的正确率。 　　2 数据挖掘技术在挖掘机故障诊断中的应用建模及效果 　　在挖掘机故障诊断技术中，建模的过程是决定诊断方向的关键因素之一。其中主要包括自学习建模、粗集挖掘诊断规则、人工神经的诊断建模、混合知识模型以及基本原理等五种方式。它们可以根据知识的特殊性简单分为三个层次。第一层次的知识特殊性表示通常情况下的诊断知识，此模型描述了挖掘机在正常运行是的具体形态，可用于正常的输出值，从而确定出现故障的特征，以此为诊断提供便利。第二层次的知识特殊性表示一般情况下的诊断知识，常用于针对于规则的诊断，诊断规则的表现形式主要IF和THEN，并且通常将挖掘机故障的症状成为前件，而将诊断的结果成为后件。第三层次的知识特殊性表示与这些诊断情况相似的一般诊断知识，它是神经网络模型的重要组成部分。 　　1）基本原理。数据挖掘技术在挖掘机故障诊断中的应用，实际上就是结合挖掘机运行的历史记录，对其可能发生的故障及状态进行统筹亲预估其运行趋势。挖掘机故障的实质就是模式的识别环节，对故障进行诊断的环节实际上就是模式的获取和匹配的过程。 　　2）自学习建模。首先，故障诊断数据库需要按照诊断的具体对象以及相关的故障诊断结果合理的进行排序。然后对不同诊断对象的不同故障诊断结果进行自学习形式的建模。该过程依据的具体原则为，首先要学习挖掘机的症状与诊断结果当中存在的规则，数据集可以运用粗集的方法进行确定，然后还需要对确定的数据集进行测试，根据测试结果，彻底删除可以被诊断规则解释的数据，这意味着此类数据所含有的故障诊断知识可通过已经确定的诊断规则表达。进一步得到的数据集可以成为训练样本集，在神经网络的构造环节中起到关键作用，在神经网络构造完成以后，还需要对该数据集进行