基于數(shù)據(jù)挖掘技術(shù)的機械設(shè)備故障診斷應(yīng)用研究

徐紅霞

摘要：數(shù)據(jù)挖掘技術(shù)可以從海量收集來的數(shù)據(jù)中找到有用的數(shù)據(jù)并進行有效分析，對日益復(fù)雜的各種機械設(shè)備故障診斷提供了技術(shù)支持。該文就數(shù)據(jù)挖掘技術(shù)在機械設(shè)備故障診斷中的應(yīng)用進行詳細分析，給出了機械設(shè)備故障診斷的方法及實現(xiàn)過程，對提高經(jīng)濟效益具有十分重要的意義。

關(guān)鍵詞：數(shù)據(jù)挖掘；機械設(shè)備；故障診斷

中圖分類號：TP393 文獻標(biāo)識碼：A 文章編號：1009-3044（2018）30-0005-02

新時代經(jīng)濟發(fā)展需要社會工業(yè)生產(chǎn)必須向規(guī)模化、集群化、智能化方向發(fā)展和提升，在工業(yè)生產(chǎn)實踐中，普遍使用到的機械設(shè)備發(fā)生故障的原因更加復(fù)雜，提高機械設(shè)備的故障診斷技術(shù)成為保證工業(yè)發(fā)展的重要手段之一。故障診斷需要通過收集相關(guān)數(shù)據(jù)并進行分析才能夠得出精確的結(jié)果。信息技術(shù)高速發(fā)展的今天，數(shù)據(jù)挖掘技術(shù)應(yīng)運而生，它能夠幫助人們從海量的數(shù)據(jù)中找到一條正確的方案來實施。隨著電子計算機技術(shù)的飛速發(fā)展和提升，數(shù)據(jù)收集效率和質(zhì)量顯著提升，人工智能識別技術(shù)、模態(tài)識別技術(shù)、統(tǒng)計學(xué)基本理論、人工智能等相關(guān)領(lǐng)域及技術(shù)的發(fā)展實現(xiàn)了機械設(shè)備故障的快速、精準(zhǔn)識別及判定，且故障智能診斷技術(shù)已經(jīng)被廣泛使用在工業(yè)化生產(chǎn)領(lǐng)域及金融服務(wù)行業(yè)中。

1 數(shù)據(jù)挖掘技術(shù)概念

數(shù)據(jù)分析及采集技術(shù)就是從廣泛、海量的信息中獲取真實、有效、可用的數(shù)據(jù)信息，在數(shù)據(jù)收集實踐中，部分未降噪、模糊的數(shù)據(jù)類型隱含在海量數(shù)據(jù)中，為了實現(xiàn)數(shù)據(jù)的精準(zhǔn)提取和判定，必須將其從海量數(shù)據(jù)中剔除，以保證數(shù)據(jù)提取的高效性。

1.1 問題定義

海量的數(shù)據(jù)信息在總體較為細微的層面上出現(xiàn)極其微小的浮動和變化，數(shù)據(jù)信息專家在海量的數(shù)據(jù)信息中借助人工采集技術(shù)難以快速甄選鑒別，數(shù)據(jù)挖掘技術(shù)高效地解決了上述粗存在的問題，并提出了更加高效可用的數(shù)據(jù)挖掘技術(shù)。例如，設(shè)備操作人員及日常維修保養(yǎng)人樣對設(shè)備的性能及參數(shù)較為了解，但是，對系統(tǒng)中各個組件的性能及系統(tǒng)的集成問題的研究較為深入，可以敏銳、快速判定出不同零部件的變化及在具體運轉(zhuǎn)過程中出現(xiàn)的變動，但是上述問題難以被快速獲取，這同時表明實際理論經(jīng)驗同具體知識細則之間的變化情況。

1.2 數(shù)據(jù)準(zhǔn)備

檢測系統(tǒng)可以快速、高效地獲取數(shù)據(jù)信息，且采集到的信息類型具有顯著的復(fù)雜性、系統(tǒng)性、多樣性及集群性等特點，在具體的使用過程中控制難度較高。所以，為了徹底解決數(shù)據(jù)挖掘階段的挖掘目標(biāo)定位精度，實現(xiàn)數(shù)據(jù)挖掘目標(biāo)的快速定位，可以先對數(shù)據(jù)信息進行預(yù)處理和轉(zhuǎn)化分析。但是，數(shù)據(jù)信息挖掘的最終質(zhì)量直接影響到數(shù)據(jù)挖掘的整體結(jié)果，因此，提升數(shù)據(jù)挖掘的精度及質(zhì)量就顯得極其重要。

1.3 數(shù)據(jù)挖掘

可以使用規(guī)則學(xué)習(xí)或決策樹等多種方法來進行分析統(tǒng)計，不斷重復(fù)，從而不斷發(fā)現(xiàn)一些潛藏的信息。

1.4 結(jié)果分析和評估

在滿足持續(xù)檢測的要求下，獲取的數(shù)據(jù)信息也出現(xiàn)不同程度的變化和發(fā)展，海量的數(shù)據(jù)信息分析必須借助數(shù)據(jù)建模技術(shù)，只有通過反復(fù)建模論證，才可以保證新獲取的信息及設(shè)備在具體執(zhí)行階段的可靠性分，保證在較短時間內(nèi)可以獲取滿意的診斷結(jié)果。

2 數(shù)據(jù)挖掘的常用技術(shù)

選用的數(shù)據(jù)挖掘技術(shù)的質(zhì)量直接影響到挖掘的信息的總體質(zhì)量高低，當(dāng)前，在具體的技術(shù)研究領(lǐng)域，絕大多數(shù)的研究資源集中在算法研究方面，常用的算法技術(shù)主要基于以下幾個基本理論：

2.1 粗糙集理論

粗糙度集是典型的應(yīng)用在研究不確定性及模糊數(shù)學(xué)中的常用理論之一，是一款性價比較高的計算及分析工具。其中，粗糙度集的基本理論具有以下顯著優(yōu)勢：可以不提供大量的精準(zhǔn)信息，分析成本較低；分析流程及步驟得到顯著簡化；算法構(gòu)成簡單，便于操作。粗糙集基本理論的研究方式與二維關(guān)系下的信息表較為相似。但是，基于粗糙集的研究方式及理論難以體現(xiàn)數(shù)據(jù)及信息處理的聯(lián)系性，但是，在具體的信息表中羅列的屬性均是連續(xù)且客觀的。所以，具有離散屬性的粗糙度集基本理論的實用化是后續(xù)繼續(xù)深入研究的重點問題。

2.2 決策樹技術(shù)

決策樹法是一種常用的預(yù)測模型算法，其可以實現(xiàn)大量數(shù)據(jù)的實時、快速分類，并快速從海量的信息中獲取可用信息類型，提升了信息處理的效率。決策樹分析法的優(yōu)勢在于功能簡單、類型劃分速率快，滿足集群化數(shù)據(jù)處理的實際要求。

2.3 人工神經(jīng)元網(wǎng)絡(luò)技術(shù)

基于神經(jīng)網(wǎng)絡(luò)分析法是當(dāng)前數(shù)據(jù)分析及挖掘的關(guān)鍵技術(shù)之一，也是當(dāng)前使用最為廣泛的分析法之一，人工神經(jīng)網(wǎng)絡(luò)分析技術(shù)的原理借助仿生學(xué)基本原理，模仿人工神經(jīng)系統(tǒng)建立相應(yīng)的數(shù)據(jù)信息庫，實行對數(shù)據(jù)信息庫的數(shù)據(jù)實時采集和遴選。同上述分析方式存在差異的是，神經(jīng)網(wǎng)絡(luò)分析法在出現(xiàn)機械故障的情況下開可以實現(xiàn)精準(zhǔn)預(yù)判，所以，在處理某些連續(xù)故障及變量的問題上適用性較好，但是，對于維度較高的數(shù)據(jù)分析及處理不適用。根本原因是內(nèi)部結(jié)構(gòu)不透明問題，神經(jīng)網(wǎng)絡(luò)分析法比較適用于結(jié)構(gòu)形式相對復(fù)雜的數(shù)據(jù)結(jié)構(gòu)中，例如典型的聚類分析模式。圖1為常見的三層前端反饋神經(jīng)網(wǎng)絡(luò)分析模型。

2.4 遺傳算法

遺傳分析法和神經(jīng)網(wǎng)絡(luò)分析法存在某些相似性，遺傳分析法基于生物學(xué)基本理論，借鑒了自然選擇法則和遺傳學(xué)中的隨機搜尋基本理論。遺傳分析法具備顯著的隱藏性及并行特點，其分析模型可以較好地應(yīng)用在數(shù)據(jù)挖掘及分析實踐中。

3 數(shù)據(jù)挖掘技術(shù)在工業(yè)優(yōu)化中的應(yīng)用

量化分析及預(yù)測分析技術(shù)主要應(yīng)用在非線性分析實踐中，選用滿足數(shù)據(jù)要求的模式識別技術(shù)快速收集數(shù)據(jù)信息，建立相應(yīng)的數(shù)據(jù)分析信息，根據(jù)數(shù)據(jù)反映出的數(shù)據(jù)特點，建立相應(yīng)的數(shù)據(jù)結(jié)構(gòu)形式，建立滿足非線性特點的回歸方程，并最終進行非線性回歸分析，但是上述分析存在顯著的缺陷，就是在具體非線性回歸分析過程中回歸方程是主觀確定的。非線性分析法滿足繼續(xù)推廣的特點及要求，滿足多種分析法的聯(lián)合分析使用，建立滿足實際需要的數(shù)據(jù)搜尋及獲取方式。

4 數(shù)據(jù)挖掘技術(shù)在機械設(shè)備故障診斷中的實現(xiàn)步驟

4.1 基本原理

數(shù)據(jù)挖掘方式主要是借助數(shù)據(jù)記錄值實現(xiàn)對機械設(shè)備故障及類型的實時診斷，并獲取對應(yīng)的數(shù)據(jù)分析解決途徑，對于后期可能出現(xiàn)的多種故障及故障類型進行合理預(yù)判。機械設(shè)備故障類型的本質(zhì)特點就是模態(tài)識別，涉及的具體診斷方式就是內(nèi)部數(shù)據(jù)自我匹配的過程。

4.2 故障診斷的數(shù)據(jù)挖掘方法建模

涉及機械設(shè)備的故障及診斷分析，首先應(yīng)該重視的是數(shù)據(jù)的采集及收集，設(shè)備在具體使用過程中涉及大量的數(shù)據(jù)信息，上述數(shù)據(jù)類型中，既要涵蓋正常運轉(zhuǎn)的參數(shù)還應(yīng)該涵蓋故障數(shù)據(jù)值，保證設(shè)備在出現(xiàn)故障后可以通過采集到的數(shù)據(jù)信息實現(xiàn)準(zhǔn)確分析及定位。目前，已經(jīng)使用到的檢測系統(tǒng)及工具的精度較高，且可以實現(xiàn)對數(shù)據(jù)信息的實時定位和分析，提升數(shù)據(jù)采集及收集的便捷性和效率。

當(dāng)前，較為成熟的數(shù)據(jù)分析及識別技術(shù)中常用的基本理論和方法主要有關(guān)聯(lián)關(guān)系法則，上述數(shù)據(jù)關(guān)系主要依靠內(nèi)部數(shù)據(jù)的實時分類，實現(xiàn)數(shù)據(jù)快速采集及高效利用的目的，目前，數(shù)據(jù)相關(guān)關(guān)系中劃分出的主要類別可以實現(xiàn)數(shù)據(jù)及信息的重新定義及歸納，實現(xiàn)故障診斷的實時性，快速定位故障原因。數(shù)據(jù)挖掘體系及策略如圖2。

5 實現(xiàn)過程

機械設(shè)備故障診斷數(shù)據(jù)挖掘的開發(fā)平臺如下：

（1）數(shù)據(jù)庫技術(shù) 機械設(shè)備故障診斷的數(shù)據(jù)倉庫使用Microsoft SQL Server 2012 網(wǎng)絡(luò)數(shù)據(jù)庫進行組建；

（2）OLAP技術(shù)又稱為關(guān)聯(lián)分析技術(shù)，主要針對特點問題實現(xiàn)關(guān)聯(lián)分析和即時數(shù)據(jù)訪問的一種技術(shù)， 它可以根據(jù)要求進行快速、靈活的各種復(fù)雜查詢處理；

（3）使用 SQL Server 2012 Analysis Services 和SQL Server 2012 Integration Services 實現(xiàn)多維數(shù)據(jù)集和 ETL 過程；

（4）數(shù)據(jù)挖掘采用的相應(yīng)的挖掘工具進行數(shù)據(jù)采集，并從中獲取必要的知識體系及模型；

（5）前臺開發(fā)軟件 常用的前臺開發(fā)軟件主要有PHP、ASP.NET、JSP、C# 等，本平臺采用 C# 進行開發(fā)。

6 結(jié)束語

文章著重分析和介紹了機械設(shè)備故障類型的通用分析及診斷技術(shù)——數(shù)據(jù)挖掘法。將數(shù)據(jù)挖掘技術(shù)遷移到機械設(shè)備故障診斷中，能夠提前預(yù)測問題，采取有效措施對設(shè)備進行維修或更新從而確保機械設(shè)備的正常運行，降低了經(jīng)濟損失，提高了經(jīng)濟效益。

參考文獻：

[1]李洪燕，陳步英，趙美枝. 數(shù)據(jù)挖掘技術(shù)在煤礦機械故障診斷中的應(yīng)用[J]. 煤礦機械，2012.

[2]劉繼清，黃金花.基于改進決策樹算法的設(shè)備故障智能診斷模型[J]. 制造業(yè)自動化，2010，33（4）：30-33.

[3]張?zhí)烊穑谔毂?，趙海峰，王宛山.數(shù)據(jù)挖掘技術(shù)在全斷面掘進機故障診斷中的應(yīng)用.東北大學(xué)學(xué)報，2015.

【通聯(lián)編輯：王力】