李恩寧 梁山清 葛紅志 劉榮斌 王曉玲 王玨

摘要：針對科研院所設(shè)備管理過程中普遍存在的設(shè)備真實使用率統(tǒng)計難、設(shè)備租借分配不合理等問題，將數(shù)據(jù)挖掘方法與實際問題相結(jié)合，根據(jù)設(shè)備管理系統(tǒng)采集的各設(shè)備電流數(shù)據(jù)，用支持向量機（Support Vector Machine，SVM）算法判定各設(shè)備的工作狀態(tài)，進而分析出真實使用情況。根據(jù)各部門的設(shè)備歷史租借清單，用Apriori關(guān)聯(lián)規(guī)則算法分析得出不同設(shè)備間的共同關(guān)聯(lián)關(guān)系，為科研設(shè)備管理部門采購及出租設(shè)備提供合理的分配方案。

關(guān)鍵詞：數(shù)據(jù)挖掘；支持向量機；關(guān)聯(lián)規(guī)則

中圖分類號：TP18文獻標志碼：A文章編號：1008-1739（2020）13-60-4

0引言

科研院所和院校通用設(shè)備作為固定資產(chǎn)的組成部分，是現(xiàn)代化建設(shè)事業(yè)的重要物質(zhì)保障。科學、有效地管理固定資產(chǎn)，發(fā)揮最大使用效益，對提高經(jīng)濟和社會效益、保證資產(chǎn)保值增值及保持和提高科研生產(chǎn)能力具有重要意義。

目前的設(shè)備管理系統(tǒng)[1-3]，可實現(xiàn)設(shè)備信息的存儲與查詢，可采集設(shè)備電流、位置等信息，對使用情況做簡單的統(tǒng)計分析。系統(tǒng)在信息化上有所突破，但智能化尚有不足。

數(shù)據(jù)挖掘[4]是人工智能和數(shù)據(jù)庫領(lǐng)域研究的熱點問題，涉及的分類算法[5]和關(guān)聯(lián)規(guī)則[6-7]算法可應(yīng)用于眾多領(lǐng)域。本文借助設(shè)備管理系統(tǒng)，基于多分類SVM[8]思想，探究設(shè)備狀態(tài)判定算法，分析單個設(shè)備的真實使用率；基于Apriori[9]思想，探究設(shè)備關(guān)聯(lián)分析算法，分析設(shè)備間的借用和使用關(guān)聯(lián)關(guān)系，對設(shè)備的購買、預(yù)期使用等提供合理的建議。

1優(yōu)化算法

1.1優(yōu)化方向

科研設(shè)備管理系統(tǒng)的優(yōu)化方向有2個：①設(shè)備租用后使用率是一個受關(guān)注的問題，目前只能以電流值來識別關(guān)機和開機2種模式，認為開機就是在工作，并未深度探尋設(shè)備的真實工作情況，即無法判別開機工作還是開機空轉(zhuǎn)的情況，以及工作中處于何種工作模式。將其抽象成分類問題，可考慮用SVM算法來建模判定狀態(tài)，獲取設(shè)備的真實使用率。②對于設(shè)備購置和借用分配問題，目前也未有更合理的解決方案，如果能夠通過各借用部門對每類設(shè)備的歷史使用情況分析出規(guī)律，則可作為一種輔助決策。將其抽象成關(guān)聯(lián)規(guī)則問題，可考慮用Apriori算法從歷史借用清單和使用數(shù)據(jù)中找出不同設(shè)備的關(guān)聯(lián)關(guān)系，進而為每類設(shè)備的借用去向和數(shù)量提供參考。

1.2設(shè)備狀態(tài)判定算法

SVM方法是建立在統(tǒng)計學習理論的VC維理論和結(jié)構(gòu)風險最小原理基礎(chǔ)上的，根據(jù)有限的樣本信息在模型的復(fù)雜性和學習能力之間尋求最佳折衷，以期獲得最好的推廣能力[10]。

傳統(tǒng)的SVM只能進行二分類，對于多分類問題，可組合多個二分類器來實現(xiàn)多分類器的構(gòu)造，即訓練出多個SVM分類函數(shù)，并構(gòu)成類似二叉樹的分類結(jié)構(gòu)，對輸入數(shù)據(jù)進行判定。

在設(shè)備管理系統(tǒng)中，簡單的設(shè)備狀態(tài)很少，通過電流加上允許的誤差就可以判斷出狀態(tài)，復(fù)雜的設(shè)備有很多狀態(tài)，且各種狀態(tài)下，電流差別不大。為了進行精確分析，需要掌握準確的狀態(tài)。為此，可將設(shè)備型號、電流值以及設(shè)備所處狀態(tài)3個指標作為一個樣本進行存儲，生成訓練樣本集合和驗證樣本集合，其中設(shè)備所處狀態(tài)作為標簽，運用SVM方法訓練和驗證多個SVM分類模型的組合。具體算法如下：

④再以同樣的方式，每次將工作狀態(tài)中的第一個設(shè)置為-1，其余設(shè)置為1，重復(fù)上述步驟，得到更多的分類函數(shù)，最終分類函數(shù)為（ ），2（ ），...，+1（ ）。

根據(jù)設(shè)備的實際數(shù)據(jù)，生成輸入項，依次經(jīng)過（ ），2（ ），...，+1（ ）的判斷，如果在+1（ ）之前的任一分類函數(shù)得到-1則停止，得到對應(yīng)的設(shè)備狀態(tài)；否則+1（ ）=1，即工作狀態(tài)為對應(yīng)的設(shè)備狀態(tài)。根據(jù)算法實時判定的工作狀態(tài)，可統(tǒng)計單臺設(shè)備每天的真實使用率。

1.3設(shè)備關(guān)聯(lián)分析算法

Apriori是布爾關(guān)聯(lián)規(guī)則挖掘頻繁項集的原創(chuàng)性算法，使用一種稱作逐層搜索的迭代方法，查找存在于項目集合或?qū)ο蠹现g的頻繁模式、關(guān)聯(lián)性或因果結(jié)構(gòu)[11-12]。

在設(shè)備管理系統(tǒng)中，根據(jù)設(shè)備歷史租用和使用數(shù)據(jù)，分析設(shè)備間的關(guān)聯(lián)關(guān)系。此項分析中，考慮靜態(tài)和動態(tài)2種情況：

①靜態(tài)：根據(jù)設(shè)備出借情況，分析設(shè)備間的關(guān)聯(lián)程度，從共同出借的設(shè)備找關(guān)聯(lián)關(guān)系。從各部門大量的歷史借用清單入手，用Apriori算法挖掘哪些設(shè)備總是一起被借用，這個不限于指定的部門，也許好幾個部門都需要同時借某幾種設(shè)備，這個結(jié)果反映了對各種設(shè)備的需求關(guān)聯(lián)。

②動態(tài)：以同一部門使用的設(shè)備、相同時間段處于工作狀態(tài)以及地理位置相互靠近為條件，選取滿足條件的設(shè)備，分析設(shè)備間的使用關(guān)聯(lián)關(guān)系。從使用數(shù)據(jù)中找到共同使用的設(shè)備，反映具體的科研項目對設(shè)備的需求。

上述分析，使用關(guān)聯(lián)規(guī)則算法。具體算法如下：

支持度：所有設(shè)備借用清單中，某幾類設(shè)備同時出現(xiàn)的次數(shù)與總的清單數(shù)的比例。

最小支持度閾值：設(shè)置支持度的最小值，大于或等于該閾值的可稱為頻繁項集；小于該閾值的項集則被過濾掉。

項：指單臺設(shè)備。

項集：幾類設(shè)備的組合。

頻繁項集：指頻繁在清單中出現(xiàn)的項集，所謂“頻繁”的標準就是這個項集出現(xiàn)的次數(shù)滿足最小支持度閾值。

頻繁項集：種設(shè)備同時在清單中頻繁出現(xiàn)。

算法運行結(jié)束，可從1到最大數(shù)目輸出有關(guān)聯(lián)關(guān)系的設(shè)備組，并給出每組關(guān)聯(lián)的支持度和置信度等指標。在找出相互關(guān)聯(lián)的設(shè)備后，可對管理部門在設(shè)備數(shù)量購置和借用去向上提供參考建議。

2算法應(yīng)用示例

2.1設(shè)備狀態(tài)判定算法

離線訓練階段：采集數(shù)據(jù)，形成數(shù)據(jù)矩陣，=[示波器A 10 mA待機；頻譜儀R 200 mA開機；信號發(fā)生器B 170 mA工作狀態(tài)2；……]，是一個100行3列的矩陣，即數(shù)據(jù)采集了100條，x是這個矩陣的前2列，第1列設(shè)備型號可用數(shù)字代替，便于數(shù)值計算，且要求同類設(shè)備數(shù)字相同；第2列是電流值，單位為mA；是最后一列，表示設(shè)備狀態(tài)，假如所有設(shè)備狀態(tài)共有{待機、開機、工作狀態(tài)1、工作狀態(tài)2}4種，因為SVM分類函數(shù)要求每次只能分成2類，值標簽只有{-1，1}，故先將=[{待機}、{開機、工作狀態(tài)1、工作狀態(tài)2}]，將{待機}置為-1，{開機、工作狀態(tài)1、工作狀態(tài)2}置為1，訓練分類函數(shù)（ ），得到的結(jié)果可判定新數(shù)據(jù)處于待機還是其他3種狀態(tài)；再以同樣的方式，以=[{開機}、{工作狀態(tài)1、工作狀態(tài)2}]為標簽，其中將{開機}置為-1，{工作狀態(tài)1、工作狀態(tài)2}置為1，再次劃分得到分類函數(shù)2（ ），得到的結(jié)果可判定新數(shù)據(jù)處于開機還是其他2種工作狀態(tài)；再以同樣的方式可得到3（ ），能區(qū)分新數(shù)據(jù)處于工作狀態(tài)1還是工作狀態(tài)2。

在線判定階段：如前所述生成了分類函數(shù)組合，現(xiàn)在輸入一組新數(shù)據(jù)=[信號發(fā)生器B 210 mA]，經(jīng)（ ）判定，結(jié)果為1，則繼續(xù)由2（ ）判斷，結(jié)果為1，則繼續(xù)由3（ ）判定，結(jié)果為-1，則表示處于工作狀態(tài)1，結(jié)束。具體過程如圖1所示。

圖中藍色部分為數(shù)據(jù)經(jīng)過的判定流程，上述結(jié)果為設(shè)備狀態(tài)的一次判定結(jié)果，可設(shè)定時段為5 min判定一次，則該設(shè)備當天進行了288次判斷，其中122次處于待機，54次處于開機，112次處于工作狀態(tài)1，則該設(shè)備當天的實際時長為9 h 20 min，真實使用率為38.9%，有4.5 h處于開機不工作的狀態(tài)，其余時段處于待機狀態(tài)。

2.2設(shè)備關(guān)聯(lián)分析算法

現(xiàn)在有9份設(shè)備借用清單，共涉及5類設(shè)備，即：{E1，E2，E5}，{E2，E4}，{E2，E3}，{E1，E2，E4}，{E1，E3}，{E2，E3}，{E1，E3}，{E1，E2，E3，E5}，{E1，E2，E3}，其中，E1代表示波器，E2代表頻譜儀，E3代表信號發(fā)生器，E4代表電源，E5代表噪聲發(fā)生器，最小支持度閾值min_sup=2。通過L1過程可知5種設(shè)備支持度都大于設(shè)定閾值，即都屬于頻繁被借用的；通過L2過程可知E1示波器分別與E2頻譜儀、E3信號發(fā)生器、E5噪聲發(fā)生器相關(guān)聯(lián)，E2頻譜儀分別與E3信號發(fā)生器、E4電源、E5噪聲發(fā)生器相關(guān)聯(lián)；通過L3過程可知，3種設(shè)備相互關(guān)聯(lián)的有E1示波器、E2頻譜儀、E3信號發(fā)生器，還有E1示波器、E2頻譜儀、E5噪聲發(fā)生器。具體過程如圖2所示。

算法得出互相關(guān)聯(lián)的若干類設(shè)備后，可進一步搜尋這幾種設(shè)備的使用關(guān)聯(lián)關(guān)系，具體實施步驟為：在管理平臺上將檢索條件設(shè)置為同一部門、同一地理位置，并統(tǒng)計每類設(shè)備的使用時間段，兩兩進行比較，如果某2種設(shè)備的工作時間段T1，T2的重合度大于50%，則說明這2種設(shè)備間具有使用關(guān)聯(lián)關(guān)系，依次類推。例如，在分析出E1示波器和E2頻譜儀具有關(guān)聯(lián)關(guān)系后，根據(jù)歷史GPS定位數(shù)據(jù)，查詢到在某天這2種設(shè)備處在同一部門，并根據(jù)統(tǒng)計由設(shè)備狀態(tài)判定算法給出的真實使用時段，得出當天這2種設(shè)備有67.3%的時間段在同時使用，則它們具備使用關(guān)聯(lián)關(guān)系。

3結(jié)束語

通過介紹數(shù)據(jù)挖掘方法中的SVM、Apriori兩種經(jīng)典算法，以及科研設(shè)備管理系統(tǒng)的特點和存在問題，提出將SVM、Apriori算法分別應(yīng)用在設(shè)備工作狀態(tài)判定以及設(shè)備間的關(guān)聯(lián)關(guān)系分析上，發(fā)揮2種算法的獨特優(yōu)勢，可為科研部門在設(shè)備管理、租借、購置等方面提供合理的參考依據(jù)。

參考文獻

[1]閆偉.以使用單位為主體的資產(chǎn)綜合管理系統(tǒng)的構(gòu)建[J].實驗室科學，2018，21（6）：71-73，77.

[2]王昆.探討實驗室儀器設(shè)備的管理[J].中國檢驗檢測，2017， 25（3）：59-61.

[3]陸琳睿，李光輝.大數(shù)據(jù)背景下的儀器設(shè)備信息化管理探究[J].實驗技術(shù)與管理，2018，35（4）：155-158.

[4]張曾蓮.基于非營利性、數(shù)據(jù)挖掘和科學管理的高校財務(wù)分析、評價與管理研究[M].北京：首都經(jīng)濟貿(mào)易大學出版社， 2014.

[5]田文英.機器學習與數(shù)據(jù)挖掘[J].石家莊職業(yè)技術(shù)學院學報， 2004（6）：30-32.

[6] MITCHELL T M.機器學習[M].曾華軍，張銀奎，等，譯.北京：機械工業(yè)出版社，2003.

[7]穆瑞輝，付歡.淺析數(shù)據(jù)挖掘概念與技術(shù)[J].新鄉(xiāng)教育學院學報，2008，21（3）：105-106.

[8]羅娜.數(shù)據(jù)挖掘中的新方法———支持向量機[J].軟件導刊， 2008（10）：30-31.

[9]夏火松.數(shù)據(jù)倉庫與數(shù)據(jù)挖掘技術(shù)[M].北京：科學出版社， 2004.

[10] GRUNWALD P D，RISSANEN J. The Minimum Description Length Principle[M].Cambridge，Ma：MIT Press，2007.

[11]胡可云，田鳳占，黃厚寬.數(shù)據(jù)挖掘理論與應(yīng)用[M].北京：清華大學出版社，2008.

[12]吳昱.大數(shù)據(jù)精準挖掘[M].北京：化學工業(yè)出版社，2014.