面向数据挖掘数字化矿山结构模型研究.docVIP

面向数据挖掘数字化矿山结构模型研究 　　 [摘要]分析数字化矿山的概念，在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，以新的视角分析应用数据挖掘的基础和数据特点，讨论数据挖掘的基本思想，提出集成数据挖掘的模型结构。该技术的应用，可有效推动数字矿山建设，强化矿山地理信息系统功能，提高矿山企业的管理水平，能产生显著的社会经济效益。 　　[关键词]数据挖掘 数据 数字化矿山 模型 　　中图分类号：TD2 文献标识码：A 文章编号：1671－7597(2008)1010128－02 　　 　　一、数字化矿山的概念 　　 　　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，也可以显示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机关报技术，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模型构建过程的应用问题进行讨论。 　　 　　二、数字化矿山模型中数据挖掘的基本思想 　　 　　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，也可以是文件系统或其它任何组织在一起的数据集合，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。由于矿山生产过程的复杂性及特点，其数据挖掘必须将传统数据挖掘的方法与现代以计算智能为核心的众多理论方法融合集成起来。以矿山生产过程积累的大量数据为研究对象，发挥现行监控平台的作用，结合生产工艺要求研究适用于数字化矿山构建系统数据特点的鲁棒，有效的新挖掘方法，解决数据丰富、知识贫乏的问题。并运用新方法获取知识，补充、完善和更新知识系统和监控手段。指导生产操作，优化生产工艺，提高矿石产品质量。 　　（一）融合集成各种DM方法 　　结合数据先验知识、工程背景知识，将基于统计学的传统DM方法、机器学习方法及计算智能方法融合集成起来，研究能从大量数据中提取反映系统状态的模式，规则的算法与策略。该方法对数据的不确定性，不完整性，噪声有较强的鲁棒性。 　　（二）建立面向DM的矿山数据仓库 　　采用传统的数据仓库模型建模方法，以矿山数据的采集与传输作为矿山数据仓库的基础，顾及矿山数据的海量、时空性等特点，根据矿山决策者的决策要求及矿山生产活动的实际，同时，还要兼顾已有的知识与回馈，在统一的数据字典下，采用一定的提取、转换、综合、表达，从而形成面向矿山决策的矿山数据视图。通过构建多维数据模型，运用多维分析技术对数据进行分析比较，从不同角度对数据进行深入分析和加工，实现分析方法和数据结构的分离。按照主题的要求，选择、过滤、聚合成矿山数据仓库。根据确定的主题和决策任务，运用矿山领域的专业知识，结合已有的比如矿山岩石移动规律模型、矿床分布模型及矿产储量、矿体与井巷工程、开拓开采等数据的空间矢量栅格一体化模型，设计出相关的挖掘模型，选用适当的数据挖掘算法，从矿山空间数据仓库中分析、提取、挖掘出隐藏的矿山规律与潜在信息，预测和指导矿山的安全、生产、经营与管理活动。 　　（三）建立系统的状态监控与故障诊断模式 　　基于数据挖掘的新方法，对数字化矿山构建过程的历史数据包括正常状态，异常状态及各种故障状态数据(系统中各种变量在故障发生后，它们中的一部分或全部其数据或状态变化都会与正常情况下有所不同，其中包括了丰富的故障信息)进行聚类、分类分析，建立系统状态评估和故障预测模型。在此基础上，对系统过程，系统状态的当前数据进行在线挖掘分析。对已建立的模式进行检验和修正，形成系统动态分析模式。并进行可视化处理，提供操作指导和分析，使操作员得到充分的信息，进行生产过程监视和操作，从而实现更高水平的监控，防