面向機(jī)械工程計(jì)算機(jī)測(cè)試系統(tǒng)的數(shù)據(jù)挖掘技術(shù)研究.pdf

1、隨著科學(xué)技術(shù)和社會(huì)經(jīng)濟(jì)的發(fā)展，武器裝備、航空飛行器、流程生產(chǎn)系統(tǒng)等被測(cè)對(duì)象日益大型化、復(fù)雜化和現(xiàn)代化，對(duì)測(cè)試系統(tǒng)的需求越來(lái)越多，同時(shí)要求也越來(lái)越高，促使現(xiàn)代測(cè)試系統(tǒng)向著智能化、自動(dòng)化和網(wǎng)絡(luò)化方向發(fā)展。目前，計(jì)算機(jī)技術(shù)、自動(dòng)化技術(shù)和通信技術(shù)廣泛應(yīng)用于測(cè)試系統(tǒng)中，大量的過(guò)程數(shù)據(jù)被采集并存儲(chǔ)下來(lái)，但是這些包含過(guò)程運(yùn)行狀態(tài)信息的數(shù)據(jù)并沒(méi)有被有效地利用，以致出現(xiàn)了所謂的“數(shù)據(jù)豐富，信息匱乏”的現(xiàn)象。如何將這些存儲(chǔ)的數(shù)據(jù)變?yōu)橛杏玫男畔?，從中挖掘出過(guò)

2、程運(yùn)行的深層次信息，并利用這些信息提高過(guò)程監(jiān)控能力，正是目前測(cè)試系統(tǒng)研究領(lǐng)域的熱點(diǎn)之一，也是本文的研究重點(diǎn)。 本文以中國(guó)工程物理研究院國(guó)防技術(shù)基礎(chǔ)項(xiàng)目的“大量程線加速度計(jì)檢測(cè)技術(shù)研究”課題為背景，以數(shù)據(jù)挖掘?yàn)橹骶€，針對(duì)不同檢測(cè)對(duì)象的特點(diǎn)對(duì)傳統(tǒng)的數(shù)據(jù)挖掘方法作了不同程度的改進(jìn)，提出了一些新的檢測(cè)數(shù)據(jù)分析處理和故障診斷預(yù)測(cè)的方法。整個(gè)工作主要分兩大部分，即線加速度計(jì)網(wǎng)絡(luò)測(cè)試系統(tǒng)產(chǎn)生的靜態(tài)數(shù)據(jù)的挖掘和航空飛行器、流程生產(chǎn)等監(jiān)控系統(tǒng)產(chǎn)生

3、的動(dòng)態(tài)數(shù)據(jù)的挖掘。本文的研究成果及核心內(nèi)容歸納如下： (1)介紹了線加速度計(jì)測(cè)試數(shù)據(jù)庫(kù)及數(shù)據(jù)發(fā)掘系統(tǒng)的項(xiàng)目背景、總體目標(biāo)，給出了系統(tǒng)的總體設(shè)計(jì)方案。并對(duì)系統(tǒng)開(kāi)發(fā)中用到的關(guān)鍵技術(shù)：實(shí)時(shí)數(shù)據(jù)庫(kù)建立、數(shù)據(jù)挖掘應(yīng)用以及Matlab與外部程序接口進(jìn)行了討論。以運(yùn)行實(shí)例的形式對(duì)系統(tǒng)各部分進(jìn)行了介紹。 (2)本論文研究了面向服務(wù)的體系結(jié)構(gòu)(SOA)，并應(yīng)用該方法對(duì)面向數(shù)據(jù)挖掘服務(wù)的網(wǎng)絡(luò)測(cè)試系統(tǒng)進(jìn)行了體系結(jié)構(gòu)分析和設(shè)計(jì)，并構(gòu)建了原型系統(tǒng)

4、。采用基于實(shí)例推理的數(shù)據(jù)挖掘向?qū)лo助用戶完成從數(shù)據(jù)清理到知識(shí)表示的知識(shí)發(fā)現(xiàn)的全過(guò)程。為網(wǎng)絡(luò)化分布式測(cè)試系統(tǒng)共享數(shù)據(jù)挖掘服務(wù)，實(shí)現(xiàn)資源共享和服務(wù)集成提供了有效方法。 (3)數(shù)據(jù)挖掘中聚類分析作為無(wú)監(jiān)督的學(xué)習(xí)方法在海量數(shù)據(jù)的未知信息發(fā)掘中起著重要的作用，是廣為研究的問(wèn)題之一。本論文通過(guò)對(duì)基于密度的算法和基于網(wǎng)格的算法的分析，提出了一種密集單元識(shí)別與密度可達(dá)對(duì)象搜索的等效規(guī)則，并由此提出了一種基于網(wǎng)格和密度的聚類算法CLGRID。該算

5、法通過(guò)分階段聚類，并選取種子對(duì)象來(lái)擴(kuò)展類，從而減少區(qū)域查詢次數(shù)，降低I/O開(kāi)銷，實(shí)現(xiàn)快速聚類。在此基礎(chǔ)上針對(duì)DBSCAN算法的參數(shù)選取困難和難以發(fā)現(xiàn)密度相差較大的簇的問(wèn)題，提出多密度閾值的DBSCAN改進(jìn)算法，算法采用網(wǎng)格密度矩陣?yán)L制密度分布圖，自動(dòng)確定密度層次劃分，通過(guò)多密度層次的聚類過(guò)程得到多個(gè)密度層次上的更加精細(xì)的聚類結(jié)果，解決了因使用全局ε值而導(dǎo)致的聚類質(zhì)量惡化問(wèn)題。 (4)時(shí)間序列數(shù)據(jù)挖掘是數(shù)據(jù)挖掘研究的重要內(nèi)容，其中

6、時(shí)序模式挖掘就是通過(guò)挖掘時(shí)序數(shù)據(jù)中的序列模式得到潛在的有用的知識(shí)或信息。針對(duì)航空武器監(jiān)控系統(tǒng)和復(fù)雜流程工業(yè)監(jiān)控系統(tǒng)中監(jiān)測(cè)變量眾多、參數(shù)時(shí)變、變量間關(guān)聯(lián)耦合嚴(yán)重的現(xiàn)狀，提出采用在關(guān)聯(lián)性發(fā)現(xiàn)方面具有強(qiáng)大優(yōu)勢(shì)的序列模式挖掘，以發(fā)現(xiàn)故障產(chǎn)生過(guò)程中的一些關(guān)聯(lián)耦合關(guān)系，為故障診斷提供依據(jù)。本文分析了復(fù)雜動(dòng)態(tài)系統(tǒng)監(jiān)測(cè)數(shù)據(jù)的高維、時(shí)變、非同步等動(dòng)態(tài)特征，提出采用異常點(diǎn)標(biāo)注、故障時(shí)窗約束和基于特征元素的時(shí)序化簡(jiǎn)將監(jiān)控系統(tǒng)的多維時(shí)序數(shù)據(jù)轉(zhuǎn)變?yōu)檫m合挖掘的符號(hào)