周經(jīng)龍

(重慶科創(chuàng)職業(yè)學(xué)院，重慶 402160)

1 計(jì)算機(jī)數(shù)據(jù)挖掘技術(shù)方法

1.1 神經(jīng)網(wǎng)絡(luò)法

該方法是模仿生物神經(jīng)系統(tǒng)的功能和結(jié)構(gòu)，利用了大自然的鬼斧神工而發(fā)展來的一種方法。通過非線性預(yù)測(cè)模型將每一個(gè)關(guān)系單元連接起來，利用大數(shù)據(jù)實(shí)現(xiàn)數(shù)據(jù)收集、儲(chǔ)存、分析、數(shù)據(jù)深度挖掘的過程。隨著數(shù)據(jù)庫(kù)數(shù)據(jù)不斷地增加，能夠從大量的數(shù)據(jù)中分析出可以遵循的規(guī)律，克服了傳統(tǒng)分析過程復(fù)雜，需要大量時(shí)間支撐的弊端，能夠高精度地計(jì)算出結(jié)果。其缺點(diǎn)是長(zhǎng)時(shí)間積累數(shù)據(jù)，不適合處理高維變量的數(shù)據(jù)，缺乏中間工作過程的監(jiān)控能力，在與農(nóng)機(jī)設(shè)備狀態(tài)智能檢測(cè)技術(shù)結(jié)合時(shí)，具有很大的不確定性。雖然神經(jīng)網(wǎng)絡(luò)法應(yīng)用廣泛，但是目前缺乏與農(nóng)機(jī)智能檢測(cè)技術(shù)融合使用的兼容性，無論是理論層面還是技術(shù)層面，都需要研究和摸索。

1.2 決策樹方法

該方法源于樹形狀和特點(diǎn)而得名，其可以從無規(guī)律的數(shù)據(jù)中經(jīng)過分析、推理得出以決策樹形式表示出來的分類規(guī)律法。與樹的特點(diǎn)相同是從頂端向下歸納總結(jié)，在決策樹的根節(jié)點(diǎn)到枝節(jié)點(diǎn)進(jìn)行屬性值分析，在葉節(jié)點(diǎn)端得到結(jié)論，從根節(jié)點(diǎn)到葉節(jié)點(diǎn)就會(huì)分析出一個(gè)規(guī)律，得到這個(gè)規(guī)律的過程方法就是決策樹方法。其適用于多級(jí)決策，能夠描述多級(jí)決策的有效方法，具有分析思路，決策結(jié)果明確的優(yōu)點(diǎn)。但是其是依據(jù)變量的閾值作為決策要素，難以做到精準(zhǔn)取值從而達(dá)到結(jié)果精確的目的。此外，決策樹的知識(shí)晦澀難懂，又取值閾值影響計(jì)算結(jié)果的應(yīng)用，所以其不適用于農(nóng)機(jī)設(shè)備狀態(tài)智能檢測(cè)技術(shù)的計(jì)算方法。

1.3 遺傳算法

該方法起源于美國(guó)，依據(jù)達(dá)爾文生物進(jìn)化理論的自然選擇和遺傳機(jī)理而來，通過模擬自然進(jìn)化而得出普遍規(guī)律和最優(yōu)解決方法。通過選擇、交叉、變異的過程得出最優(yōu)解，在數(shù)據(jù)挖掘技術(shù)中使用比較廣泛。其對(duì)編碼要求極高，如果編碼不規(guī)范會(huì)導(dǎo)致結(jié)果不準(zhǔn)確，進(jìn)而影響對(duì)結(jié)果的參考和應(yīng)用。其次是某一個(gè)遺傳的規(guī)律不能全面地優(yōu)化、解決問題，如果問題較為復(fù)雜情況還會(huì)耗費(fèi)很長(zhǎng)的計(jì)算時(shí)間，在應(yīng)用方面存在技術(shù)壁壘和方法。在農(nóng)機(jī)設(shè)備狀態(tài)智能檢測(cè)技術(shù)應(yīng)用方面存在明顯的維度不夠、精度不高的劣勢(shì)，目前沒有一個(gè)較為科學(xué)、高效的融合方法，所以目前不適用農(nóng)機(jī)設(shè)備狀態(tài)智能檢測(cè)技術(shù)的融合。

1.4 粗糙集法

該方法擅長(zhǎng)處理不確定性數(shù)據(jù)、不精確的知識(shí)表達(dá)，可以對(duì)數(shù)據(jù)庫(kù)的知識(shí)進(jìn)行化簡(jiǎn)得出數(shù)據(jù)之間的規(guī)律關(guān)系。其在數(shù)據(jù)挖掘技術(shù)中應(yīng)用愈加廣泛，未來的發(fā)展和應(yīng)用也是很有前景的，其能夠處理各種不完整的數(shù)據(jù)和擁有多變量的數(shù)據(jù)，能夠處理精確和不精確的復(fù)雜數(shù)據(jù)，并計(jì)算得出合理的表達(dá)和區(qū)分?jǐn)?shù)據(jù)層次，操作也很簡(jiǎn)單，很適合智能領(lǐng)域的應(yīng)用。但是其缺點(diǎn)影響了其在農(nóng)機(jī)設(shè)備狀態(tài)智能檢測(cè)的應(yīng)用，不能處理連續(xù)的數(shù)值，會(huì)忽略一些有價(jià)值的變量從而影響計(jì)算結(jié)果，這對(duì)農(nóng)機(jī)故障的檢測(cè)是非常致命的，需要一個(gè)更加科學(xué)、精準(zhǔn)、可靠的計(jì)算方法來實(shí)現(xiàn)農(nóng)機(jī)狀態(tài)智能檢測(cè)。

1.5 支持向量機(jī)分類法

該方法是基于數(shù)學(xué)函數(shù)回歸理論，針對(duì)二值分類問題得出。其不僅具有數(shù)據(jù)挖掘技術(shù)的分類功能，也融入了數(shù)學(xué)回歸函數(shù)的計(jì)算能力，對(duì)結(jié)果的分析相對(duì)科學(xué)和精確，是農(nóng)機(jī)設(shè)備狀態(tài)檢測(cè)技術(shù)算法的最佳選擇。將農(nóng)機(jī)設(shè)備的狀態(tài)檢測(cè)數(shù)據(jù)集合用回歸函數(shù)的形式表示出來，并依據(jù)農(nóng)機(jī)的型號(hào)，故障類型等進(jìn)行高維建設(shè)，再對(duì)對(duì)應(yīng)的故障現(xiàn)象計(jì)算故障方位，最后根據(jù)故障部位給出修理建議。這種數(shù)據(jù)挖掘技術(shù)和農(nóng)機(jī)設(shè)備狀態(tài)智能檢測(cè)融合率很高，能夠精準(zhǔn)計(jì)算出故障部位，給出故障解決策略，是數(shù)據(jù)挖掘技術(shù)在農(nóng)機(jī)設(shè)備狀態(tài)智能檢測(cè)中計(jì)算方法的優(yōu)選。

2 農(nóng)機(jī)設(shè)備狀態(tài)智能檢測(cè)技術(shù)應(yīng)用

2.1 數(shù)據(jù)收集

農(nóng)機(jī)設(shè)備各個(gè)組成的狀態(tài)需要進(jìn)行實(shí)時(shí)收集，根據(jù)農(nóng)機(jī)的特點(diǎn)采取傳感器的形式進(jìn)行數(shù)據(jù)收集，對(duì)農(nóng)機(jī)設(shè)備能夠影響狀態(tài)的因素上安裝無線傳感器，對(duì)這些數(shù)據(jù)進(jìn)行賦值量化。其次對(duì)這些傳回的信息進(jìn)行回歸函數(shù)計(jì)算，根據(jù)設(shè)備的狀態(tài)能夠計(jì)算出對(duì)應(yīng)的數(shù)值，在對(duì)應(yīng)區(qū)間定性故障狀態(tài)，并排除一些無用的干擾數(shù)據(jù)，避免影響計(jì)算結(jié)果的準(zhǔn)確性。

2.2 建立數(shù)據(jù)庫(kù)

建立數(shù)據(jù)庫(kù)很重要，其包含了設(shè)備狀態(tài)的各種情況及數(shù)據(jù)閾值，對(duì)傳感器實(shí)時(shí)上傳的數(shù)據(jù)進(jìn)行收集、處理、分析、檢測(cè)結(jié)果、應(yīng)對(duì)方法、儲(chǔ)存等，一切涉及設(shè)備狀態(tài)智能檢測(cè)的數(shù)據(jù)都在數(shù)據(jù)庫(kù)里。根據(jù)設(shè)備的型號(hào)、使用年限、常見故障、零件組成的狀態(tài)等等，是一個(gè)最大的數(shù)據(jù)集成和處理中心，是設(shè)備智能檢測(cè)的大腦。數(shù)據(jù)挖掘技術(shù)是建立在龐大數(shù)據(jù)庫(kù)的基礎(chǔ)之上，所以數(shù)據(jù)的建設(shè)需要越全越好、越多越好、越精準(zhǔn)越好，因?yàn)閿?shù)據(jù)支撐著計(jì)算的精準(zhǔn)度，決定著設(shè)備檢測(cè)的結(jié)果正確與否。

2.3 建立模型

我們基于計(jì)算機(jī)數(shù)據(jù)挖掘技術(shù)建立農(nóng)機(jī)設(shè)備狀態(tài)智能檢測(cè)模型，在無限傳感器對(duì)農(nóng)機(jī)設(shè)備和各個(gè)零件的監(jiān)控下，采集需要的數(shù)據(jù)，對(duì)這些數(shù)據(jù)進(jìn)行處理和甄選，排除無用的干擾數(shù)據(jù)，以求數(shù)據(jù)真實(shí)有效。其次是處理這些數(shù)據(jù)計(jì)算出收集數(shù)據(jù)的實(shí)際賦值，將數(shù)值對(duì)應(yīng)到到農(nóng)機(jī)設(shè)備的狀態(tài)閾值中，通過數(shù)據(jù)挖掘分析出最可能出現(xiàn)故障的幾個(gè)部位。這里首先要確定是否出現(xiàn)故障，確定出現(xiàn)故障后根據(jù)計(jì)算分析出故障的源頭是哪里。最后是輸出檢測(cè)結(jié)果，對(duì)檢測(cè)結(jié)果顯示出的故障源進(jìn)行排除，建立一個(gè)全過程的模型，用于驗(yàn)證其實(shí)用性、精確性等。

2.4 模擬數(shù)據(jù)分析

模型建立后需要進(jìn)行模擬分析，模擬分析有2個(gè)目的，一是要驗(yàn)證檢測(cè)系統(tǒng)的可靠性，多種情況下的表現(xiàn)和檢測(cè)的精準(zhǔn)度及其工作的時(shí)間效率是否能夠滿足現(xiàn)實(shí)應(yīng)用；二是擴(kuò)充數(shù)據(jù)庫(kù)的數(shù)據(jù)給計(jì)算提供分析數(shù)據(jù)或者分析依據(jù)，針對(duì)各種情況是否能夠滿足計(jì)算的數(shù)據(jù)支持及計(jì)算數(shù)據(jù)的精準(zhǔn)度是否受到收集的數(shù)值真實(shí)度影響。在進(jìn)行模擬分析時(shí)，對(duì)數(shù)據(jù)庫(kù)進(jìn)行補(bǔ)全的同時(shí)，要不斷地發(fā)現(xiàn)存在的問題，這些問題和數(shù)據(jù)都將為進(jìn)一步發(fā)展研究提供數(shù)據(jù)基礎(chǔ)。此外，農(nóng)機(jī)設(shè)備的狀態(tài)是不確定的，而數(shù)據(jù)庫(kù)的數(shù)據(jù)是有限的。要對(duì)數(shù)據(jù)挖掘和智能檢測(cè)的融合進(jìn)行評(píng)估，是否能夠完整地描述出設(shè)備的狀態(tài)規(guī)律，計(jì)算出現(xiàn)的錯(cuò)誤概率是否處在可以接受的范圍內(nèi)，結(jié)果是否具有說服力，時(shí)間效率是否提高等等。

2.5 故障排除方法的選擇

在計(jì)算機(jī)數(shù)據(jù)挖掘技術(shù)和農(nóng)機(jī)設(shè)備狀態(tài)智能檢測(cè)技術(shù)融合中，主要解決的問題是檢測(cè)農(nóng)機(jī)的狀態(tài)及故障的排除，發(fā)現(xiàn)問題到解決問題的智能過程。故障排除方法的選擇要更具智能化，提供暫時(shí)修復(fù)和徹底修復(fù)，根據(jù)實(shí)際情況選擇修復(fù)的方法，如果工作任務(wù)比較緊急可以選擇暫時(shí)修復(fù)，如果不緊急或者故障潛在危險(xiǎn)比較大，可以選擇徹底修復(fù)，以保證設(shè)備狀態(tài)的良好運(yùn)行性。

3 結(jié)語(yǔ)

基于計(jì)算機(jī)數(shù)據(jù)挖掘技術(shù)的農(nóng)機(jī)設(shè)備狀態(tài)智能檢測(cè)是兩個(gè)領(lǐng)域的良性融合，實(shí)現(xiàn)了數(shù)據(jù)挖掘技術(shù)的實(shí)用性，保證了農(nóng)機(jī)狀態(tài)通過智能檢測(cè)的可控性。對(duì)比分析得出支持向量分類法比較適合農(nóng)機(jī)設(shè)備狀態(tài)智能檢測(cè)后，我們通過數(shù)據(jù)收集、建立數(shù)據(jù)庫(kù)、建立模型、模擬數(shù)據(jù)分析、故障排除方法的選擇等步驟進(jìn)行融合之后的可行性，得到了肯定的驗(yàn)證。實(shí)現(xiàn)了基于計(jì)算機(jī)數(shù)據(jù)挖掘的農(nóng)機(jī)設(shè)備狀態(tài)智能檢測(cè)技術(shù)應(yīng)用，其擴(kuò)展了數(shù)據(jù)挖掘技術(shù)的應(yīng)用范圍，提高了農(nóng)機(jī)設(shè)備狀態(tài)智能檢測(cè)的效率和可操作性。