袁利國，崔恒武，曹詩杰

(1. 海軍北海艦隊裝備部, 山東 青島 266071；2. 青島92001部隊司令部, 山東 青島 266011；3. 海軍工程大學 動力工程學院，湖北 武漢 430033)

艦船推進系統(tǒng)集成管理知識挖掘方法研究

袁利國1，崔恒武2，曹詩杰3

(1. 海軍北海艦隊裝備部, 山東 青島 266071；2. 青島92001部隊司令部, 山東 青島 266011；3. 海軍工程大學 動力工程學院，湖北 武漢 430033)

針對艦船推進系統(tǒng)集成管理中的實船訓練仿真建模與機械設(shè)備狀態(tài)評估等高級應(yīng)用對知識的需求，研究知識管理中所需要的知識內(nèi)容與形式，探索數(shù)據(jù)挖掘方法在大數(shù)據(jù)知識獲取中的應(yīng)用模式。以某型推進裝置為對象，研究使用數(shù)據(jù)挖掘技術(shù)獲取所需集成管理知識的途徑，包括聚類算法在推進系統(tǒng)穩(wěn)態(tài)工況基準模式識別中的應(yīng)用，以及關(guān)聯(lián)算法在狀態(tài)特征模式識別中的應(yīng)用等。本文研究為實現(xiàn)基于知識的艦船推進系統(tǒng)集成管理提供了研究基礎(chǔ)。

集成管理；推進系統(tǒng)；數(shù)據(jù)挖掘；知識獲取

0 引 言

隨著艦船推進系統(tǒng)的復雜程度及相應(yīng)的集成管理要求的不斷提高，對集成管理中數(shù)據(jù)信息層次的提升越來越引起了人們的重視?；谥R的集成管理是實現(xiàn)系統(tǒng)智能化的關(guān)鍵，也是集成管理的發(fā)展趨勢[1–3]，這其中知識的獲取是關(guān)鍵問題，所獲取的知識可以以專家系統(tǒng)、智能程序等形式應(yīng)用到集成管理的高級功能之中。

另一方面，新型艦船動力監(jiān)控系統(tǒng)具備數(shù)據(jù)長時存儲的能力，隨著服役時間的增長，運行數(shù)據(jù)不斷積累，這些實時/歷史數(shù)據(jù)中保存了豐富的設(shè)備與系統(tǒng)的狀態(tài)信息，是一個新的寶貴知識源泉。研究針對海量數(shù)據(jù)的合適的知識獲取方法，提升數(shù)據(jù)的智能化程度，將各種數(shù)據(jù)轉(zhuǎn)化為計算機可以理解的知識形式，是數(shù)據(jù)信息處理的研究熱點[4–6]。使用數(shù)據(jù)挖掘算法，從歷史運行數(shù)據(jù)中找出系統(tǒng)和設(shè)備的運行模式知識，是知識獲取中的一個新途徑，可以彌補以專家經(jīng)驗為主要來源的知識獲取方式的不足。

本文針對艦船推進系統(tǒng)集成管理中的實船訓練仿真建模與機械設(shè)備狀態(tài)評估等高級應(yīng)用功能對知識的需求，研究推進裝置運行狀態(tài)模式知識的內(nèi)容與形式，以及數(shù)據(jù)挖掘算法的應(yīng)用模式，并詳細研究聚類分析算法在穩(wěn)態(tài)運行工況基準模式識別中的應(yīng)用，以及關(guān)聯(lián)分析算法在運行狀態(tài)特征模式識別中的應(yīng)用。

1 集成管理中的知識挖掘模式

集成管理中的知識主要應(yīng)用于高級應(yīng)用功能中，其基礎(chǔ)是用合適的知識形式對推進系統(tǒng)所處的狀態(tài)模式進行正確識別，即提取推進系統(tǒng)所處狀態(tài)模式的量化特征，以及對推進系統(tǒng)狀態(tài)模式的分類與預測。

在實船訓練仿真建模中，隨著設(shè)備運行時間的增長，設(shè)備特性也在變化。常規(guī)仿真模型中，所有的參數(shù)一旦確定后，很少改變，這樣模型特性無法反映設(shè)備性能的時間衰減特性，對于實船訓練來講，模型精度和訓練效果會下降，模型性能與實際系統(tǒng)的性能之間的偏差會越來越大。需要找出一個方法，從歷史運行數(shù)據(jù)中識別出設(shè)備的當前狀態(tài)基準模式知識，便于對相應(yīng)的模型參數(shù)進行修正。

在機械設(shè)備健康狀態(tài)監(jiān)測中，需要發(fā)現(xiàn)設(shè)備健康狀態(tài)的基準模式知識，以及健康狀態(tài)下，系統(tǒng)與設(shè)備的特征模式知識，以此作為健康狀態(tài)監(jiān)測的標準。在機械設(shè)備故障預測和診斷中，同樣的需要非健康狀態(tài)下的系統(tǒng)與設(shè)備的特征模式知識，以及故障模式的分類匹配知識。此外，由于推進系統(tǒng)存在多種運行工況，所以需要從歷史運行記錄中找到運行工況的分類知識。通過對運行工況的模式識別，在線判斷出推進系統(tǒng)的當前運行工況，便于調(diào)用相應(yīng)工況下的健康狀態(tài)監(jiān)測知識規(guī)則和故障診斷知識規(guī)則，更好地進行知識推理。

綜上所述，根據(jù)知識應(yīng)用的需要，所需要挖掘的知識內(nèi)容應(yīng)包括：

①狀態(tài)基準模式，包括設(shè)備與系統(tǒng)的運行參數(shù)基準值；

②狀態(tài)特征模式，包括健康狀態(tài)、故障狀態(tài)、性能下降過程的特征；

③運行狀態(tài)模式識別，包括故障分類、工況分類和性能狀態(tài)分類等方面。

目前，主要有基于產(chǎn)生式規(guī)則、語義網(wǎng)絡(luò)以及基于框架的知識表示方法，其中產(chǎn)生式規(guī)則具有統(tǒng)一的IF-THEN 結(jié)構(gòu)，符合思維的自然形式，易于實現(xiàn)控制與編程操作，還具有模塊性的特點，給知識庫的建立、擴展和維護提供了可管理性，是許多成功的專家系統(tǒng)所普遍采用的知識表示方法。基于產(chǎn)生式規(guī)則的知識表示中，知識庫由若干條規(guī)則組成，一條規(guī)則通常包括前件（前提條件）和后件（結(jié)論）：

＜Rule〉 = IF ＜條件〉 THEN ＜結(jié)論〉；

本文主要研究從運行數(shù)據(jù)集中通過數(shù)據(jù)挖掘技術(shù)獲取規(guī)則形式的知識，其應(yīng)用模式如圖 1 所示。

圖 1 數(shù)據(jù)挖掘應(yīng)用模式Fig. 1 Apllication mode of data mining

監(jiān)控系統(tǒng)積累的原始大數(shù)據(jù)通過數(shù)據(jù)轉(zhuǎn)換進行預處理，去除噪音和異常數(shù)據(jù)，再根據(jù)不同的運行工況條件進行條件性拆分，得到不同工況的累積運行數(shù)據(jù)存儲在數(shù)據(jù)倉庫之中。在數(shù)據(jù)倉庫的基礎(chǔ)上，依據(jù)高級應(yīng)用功能的需要，確定所需的知識模式類型，然后選取相應(yīng)的挖掘算法進行知識發(fā)現(xiàn)。

2 聚類算法與穩(wěn)態(tài)工況基準模式識別

穩(wěn)態(tài)工況基準模式是在正常使用情況下系統(tǒng)所應(yīng)達到的目標狀態(tài)，也可以認為這是一個標準無故障的健康狀態(tài)，或者在運行優(yōu)化中的狀態(tài)標尺。它包括推進系統(tǒng)在各個穩(wěn)態(tài)工況下，所有運行參數(shù)應(yīng)達到的基準值。其中有的運行參數(shù)應(yīng)達到的基準值可以根據(jù)車令表事前確定，如進行閉環(huán)控制的轉(zhuǎn)速、槳角以及離合器狀態(tài)等；而大多數(shù)運行參數(shù)的基準值是無法事先確定的，如某一穩(wěn)態(tài)工況下的溫度、壓力等參數(shù)，需要根據(jù)實際運行狀態(tài)從歷史運行數(shù)據(jù)集中提取。

2.1 聚類算法

聚類是將數(shù)據(jù)樣本集 X {X1，X2，…，Xn} 按照某種相似性度量分成 k 簇 {C1，C2，…，Ck} 的過程[7–8]，使同一個簇中的樣本之間具有很高的相似度，而不同簇中的樣本高度相異，即

數(shù)據(jù)樣本 Xi由 d 個屬性值組成，Xi=（Xi1，Xi2，…Xid），其中 Xif表示樣本中的各屬性，d 是樣本或樣本空間的維數(shù)（或?qū)傩詡€數(shù)）。這樣，聚類的樣本集可看成是一個 n × d（n 個樣本 × d 個屬性）的數(shù)據(jù)矩陣，如式（1）所示：

簇的質(zhì)心是簇的“中間值”，不需要是簇中實際點。令 ni表示簇 Ci中樣本的數(shù)量，mi表示對應(yīng)樣本的均值，則簇的質(zhì)心滿足：

簇的半徑是簇中 2 個點間的均方差的平方根。

相異度是聚類的依據(jù)，根據(jù)樣本屬性值數(shù)據(jù)類型的不同有不同的描述形式。常見數(shù)據(jù)類型有連續(xù)型、二元變量、分類、序數(shù)以及比例標度變量，對于連續(xù)型變量，通常使用度量距離。

根據(jù)不同的聚類需求，發(fā)展出了許多聚類算法，算法的選擇取決于數(shù)據(jù)的類型、聚類的目的和應(yīng)用。

2.2 K-mean 算法

k-mean 算法最早由 Lloyd 以及 MacQueen 提出，屬于基于劃分的方法，以距離值的平均值對聚類成員進行分配，它能較好的處理連續(xù)值屬性的凸集聚類問題[9–10]。

k-mean 算法首先指定聚類數(shù) k，隨機選擇 k 個對象，每個對象代表了一個簇的初始平均值。對剩余的每個對象，根據(jù)其與各個簇均值的距離，將它指派到最相似的簇，然后計算每個簇的新均值。這個過程循環(huán)進行，直到準則函數(shù)收斂時跳出循環(huán)。通常采用平方誤差準則函數(shù)：式中：E 為數(shù)據(jù)集中所有對象的平方誤差和；p 為樣本空間中的點；mi為簇 Ci 的均值。對于每個簇中的每個樣本，求樣本到其簇中心距離的平方，然后求和。這個準則試圖使生成的 k 個結(jié)果簇盡可能的緊湊和獨立。

k-mean 算法的基本思想基于距離的概念，當狀態(tài)變量為連續(xù)值時常使用 Lp- 范數(shù)來度量距離：

當 p = 2 時，表示歐幾里得距離（L2范數(shù)）；當 p = 1時，表示曼哈頓距離（L1范數(shù)）。還可對每個屬性值根據(jù)其重要性人為的添加權(quán)重，成為加權(quán) Lp- 范數(shù)。

k-mean 算法對數(shù)據(jù)簇中的所有數(shù)據(jù)取平均值，這樣導致如果存在個別距離過大的異常數(shù)據(jù)，則會對聚類中心造成很大影響，好的方面是如果異常數(shù)據(jù)反映故障狀態(tài)，則通過 k-mean 算法可以比較明顯地看出聚類中心的偏離，從而檢測出故障的存在；不好的方面是如果異常數(shù)據(jù)只是干擾信號，則也會使聚類中心明顯偏離，使人們對系統(tǒng)狀態(tài)產(chǎn)生誤判。所以 k-mean 算法對于異常點數(shù)據(jù)敏感，如果對待處理的數(shù)據(jù)集進行了較好的 ETL（抽取、轉(zhuǎn)換、加載）的預處理，則可以發(fā)揮 k-mean 算法的優(yōu)勢，從數(shù)據(jù)集中抽取到真實的狀態(tài)模式信息。

2.3 基準模式知識識別

根據(jù)對推進系統(tǒng)工況劃分的先驗知識，各工況下的轉(zhuǎn)速、螺距穩(wěn)態(tài)值由控制器中所存儲的車令表確定。所以在數(shù)據(jù)準備階段，根據(jù)車令表對原始數(shù)據(jù)進行數(shù)據(jù)提取，匯總各個穩(wěn)態(tài)工況下的歷史運行數(shù)據(jù)，過濾其它工況下的運行數(shù)據(jù)。將提取的各個穩(wěn)態(tài)工況下的運行數(shù)據(jù)以數(shù)據(jù)表的形式存入數(shù)據(jù)倉庫中。包括不同的推進系統(tǒng)運行模式，以及各個運行模式下的所有運行工況?？紤]到在實際過程中存在狀態(tài)波動與測量誤差，取提取條件為在已知的主機轉(zhuǎn)速和調(diào)距槳螺距的基礎(chǔ)上適當擴大。這樣，從運行數(shù)據(jù)集中將符合提取條件的數(shù)據(jù)記錄提取出來，保存到單獨的數(shù)據(jù)表中。

對于各穩(wěn)態(tài)工況下的數(shù)據(jù)集合，采用基于劃分的k-mean 算法對其中的連續(xù)狀態(tài)進行聚類，得出相應(yīng)的聚類中心，從而得到各穩(wěn)態(tài)工況下的狀態(tài)基準值。聚類中有 2 個問題對最終的聚類結(jié)果影響較大，一是參加聚類的狀態(tài)參數(shù)的數(shù)目與種類，另一個是聚類簇的數(shù)目 K。

不同的狀態(tài)參數(shù)數(shù)目，直接影響 k-mean 聚類算法中的計算過程，聚類結(jié)果也會不一樣。在進行聚類時，一般按照物理原則和所分析問題的視角來劃分子系統(tǒng)與設(shè)備，從而將狀態(tài)參數(shù)劃分種類，使所研究問題中存在耦合關(guān)系的參數(shù)盡量在一類中，而不同種類的參數(shù)之間耦合度盡量小。

算法中聚類簇數(shù)目 K 值的確定對于狀態(tài)基準模式的準確識別很重要。因為通過提取得到的數(shù)據(jù)是一個在滿足提取條件的區(qū)間范圍內(nèi)匯總的數(shù)據(jù)集合，雖然這一區(qū)間范圍已經(jīng)經(jīng)過限制，但數(shù)據(jù)值還是存在相應(yīng)的區(qū)間分布；另外，在數(shù)據(jù)集合中同時存在穩(wěn)態(tài)與動態(tài)過程的狀態(tài)點，僅依據(jù)主機轉(zhuǎn)速和螺距這 2 個狀態(tài)屬性無法將穩(wěn)態(tài)與動態(tài)狀態(tài)完全區(qū)分。所以在初次聚類時，選擇不同的 K 值分別計算狀態(tài)基準值，與研究平臺的穩(wěn)態(tài)值相比較，選取最接近工況穩(wěn)態(tài)值的簇中心點作為狀態(tài)基準值，因為抽取的樣本狀態(tài)已經(jīng)相對集中，所以 K 值不用取較大的測試值，在 5 以內(nèi)即可。

經(jīng)過聚類計算和篩選后，可以得到在各穩(wěn)態(tài)工況下的推進系統(tǒng)動力學狀態(tài)基準值，表 1 是某 CODAD推進系統(tǒng)港內(nèi)模式 1# 機工作時聚類基準值與工況穩(wěn)態(tài)值的比較列表。

系統(tǒng)的穩(wěn)定狀態(tài)是一種理想情況，在實船穩(wěn)態(tài)運行過程中，各參數(shù)實際上存在小范圍波動，一般測量的瞬時穩(wěn)態(tài)值難以代表長期的狀態(tài)基準值，而采用聚類分析的手段能夠較好的從運行數(shù)據(jù)集中提取出推進系統(tǒng)各穩(wěn)定工作狀態(tài)的基準值。采用聚類算法提取的狀態(tài)基準值，相對精確地反映了設(shè)備與系統(tǒng)的當前狀態(tài)，可以用于系統(tǒng)建模與模型修正。此外，還可以在狀態(tài)監(jiān)測中作為性能退化程度的標準值，當實際狀態(tài)與該工況下的基準值之間的偏差大于一定程度時，認為系統(tǒng)處于故障狀態(tài)，相應(yīng)的啟動報警和故障診斷模塊。狀態(tài)基準值同時在運行優(yōu)化中可以作為管理者的目標值。

表 1 聚類基準值與工況穩(wěn)態(tài)值比較Tab. 1 Compare cluster centre value and stable running value

3 關(guān)聯(lián)算法與狀態(tài)特征模式識別

狀態(tài)特征模式是指在一定工況下，推進系統(tǒng)狀態(tài)參數(shù)之間的一種特定量化關(guān)系，它通過定量的數(shù)值關(guān)系描述某一運行工況的特性。通過對特征模式的識別，可以建立各個運行工況和與之相應(yīng)的特征模式之間一對一的映射關(guān)系。這樣，可以根據(jù)狀態(tài)特征模式推斷推進系統(tǒng)的運行工況。

3.1 Apriori 關(guān)聯(lián)算法

從數(shù)學上看，關(guān)聯(lián)是 2 個或多個變量取值之間存在的一類重要的可被發(fā)現(xiàn)的某種規(guī)律性。關(guān)聯(lián)分析的目的是尋找數(shù)據(jù)集中數(shù)據(jù)項之間隱藏的關(guān)聯(lián)關(guān)系，描述數(shù)據(jù)之間的密切度。關(guān)聯(lián)算法的實施一般分 2 個步驟：第 1 步從數(shù)據(jù)集中搜索頻繁項集；第 2 步在頻繁項集的基礎(chǔ)上歸納關(guān)聯(lián)規(guī)則，其中頻繁項集的計算是最主要的[11–13]。

Apriori 算法是 R.Agrawal 和 Srikant 于 1994 年提出的為布爾關(guān)聯(lián)規(guī)則挖掘頻繁項集的基本算法。它使用逐層搜索的迭代方法，通過侯選集產(chǎn)生頻繁項集，首先通過掃描數(shù)據(jù)庫，累積每個項的計數(shù)，并收集滿足最小支持度的項，找出頻繁 1 項集的集合，記作 L1。然后由 L1排列組合列出侯選 2 項集 C2，C2是頻繁 2項集 L2的超集，L2是 C2的子集。使用 Apriori 性質(zhì)從C2中剪枝得到 L2。如此下去逐步搜索 L3和L4，直到不能再找到頻繁 k 項集。

Apriori 算法的核心內(nèi)容是提出了用于壓縮搜索空間的 Apriori 性質(zhì)：頻繁項集的所有非空子集也必須是頻繁的，即如果侯選集 I 不是頻繁項集，則項 A 添加到項集 I 后的合項集（I∪U）也不是頻繁項集。這一性質(zhì)可以從較大的 C（k–1）快速提取L（k–1）。

一旦頻繁項集迭代搜索完畢，就可以由得到的頻繁項集產(chǎn)生出強關(guān)聯(lián)規(guī)則（滿足最小置信度和最小支持度）。具體步驟如下；

1）對于每個頻繁項集 Li（1 ＜ i ≤ k），產(chǎn)生 Li的所有非空子集；

2）對于 Li的每個非空子集 S，如果 confidence即規(guī)則置信度超過最小置信度，則可以輸出關(guān)聯(lián)規(guī)則

置信度的計算公式：

即為頻繁項集 Li與 S 的支持度計數(shù)之比。

對于連續(xù)型變量，使用 Apriori 算法之前需要進行變量離散化。

3.2 特征模式識別

對于子系統(tǒng)和設(shè)備的狀態(tài)參數(shù)之間存在復雜映射關(guān)系的情況，使用關(guān)聯(lián)算法從工況運行數(shù)據(jù)中提取知識規(guī)律具有獨特的優(yōu)勢。如主機主軸承溫度與主機工況之間的聯(lián)系；齒輪箱支撐軸承溫度、正倒車推力軸承溫度與齒輪箱工況之間的關(guān)聯(lián)情況；調(diào)距槳運行參數(shù)與調(diào)距槳工況間的關(guān)系等。識別出來的狀態(tài)特征模式可以作為狀態(tài)監(jiān)測的知識儲備。

以調(diào)距槳工況與正車推力軸承溫度之間的聯(lián)系為例，如果采用機理函數(shù)的思路描述兩者之間的非線性映射關(guān)系，需要考慮復雜的影響因素，并且通過大量實際試驗研究才能分析過程中的機理關(guān)系。而采用關(guān)聯(lián)分析方法，不需要對物理過程的先驗知識，可以直接從運行數(shù)據(jù)中快速的發(fā)現(xiàn)調(diào)距槳運行工況與齒輪箱正車推力軸承溫度之間的關(guān)聯(lián)關(guān)系。

選取正常每軸單機模式 1# 機工作時的各動態(tài)工況數(shù)據(jù)集，采用基于 Apriori 算法的關(guān)聯(lián)算法進行計算。表 2 是從所有健康狀態(tài)記錄中提取的 9 條模式特征規(guī)則，（取規(guī)則的提取條件為概率大于 0.9，重要性大于1.0）。它們反映調(diào)距槳轉(zhuǎn)速、推力與正車推力軸承溫度之間的復雜映射關(guān)系。令規(guī)則的前件為軸轉(zhuǎn)速和螺旋槳推力，規(guī)則的后件為正車推力軸承溫度，可以看出，當螺旋槳推力為負時，仍然可以從運行數(shù)據(jù)集中識別出相應(yīng)的知識規(guī)則，根據(jù)知識規(guī)則查出正車推力軸承的正常溫度范圍。

由于運行數(shù)據(jù)包含正常每軸單機模式 1# 機驅(qū)動下的所有運行工況，數(shù)據(jù)分布的區(qū)間較寬，所以識別出來的關(guān)聯(lián)知識規(guī)則中參數(shù)的數(shù)值分布也較寬。

表 2 動態(tài)工況特征模式關(guān)聯(lián)規(guī)則Tab. 2 Associate rules to dynamic running state characteristic

算法中連續(xù)值屬性的離散化方法對關(guān)聯(lián)規(guī)則的產(chǎn)生有一定影響，可使用聚類算法對連續(xù)值屬性進行離散化預處理。取不同的聚類數(shù)可以得到不同取值范圍的關(guān)聯(lián)規(guī)則，對于規(guī)則的敏感度與實用性影響較大。并不是每一條規(guī)則都有實用價值，存在規(guī)則篩選的問題。除了規(guī)則概率及重要性外，還要依據(jù)工況狀態(tài)的先驗知識進行分析篩選，更重要的是在應(yīng)用過程中對規(guī)則的有效性進行檢驗。經(jīng)過評估后得到的可靠特征模式規(guī)則，才能作為特征模式知識最終存入知識庫。

從推進系統(tǒng)狀態(tài)監(jiān)測和故障診斷的角度來看，在運行數(shù)據(jù)集中最多的是系統(tǒng)在健康狀態(tài)下的記錄，所以可以首先將關(guān)聯(lián)規(guī)則知識用于推進系統(tǒng)健康狀態(tài)監(jiān)測。在積累了一定程度的故障狀態(tài)運行數(shù)據(jù)信息后，可以提取故障狀態(tài)的特征模式，從而使用關(guān)聯(lián)知識規(guī)則進行故障預警與故障診斷分析。

4 結(jié) 語

在艦船推進系統(tǒng)的集成管理中，需要將數(shù)據(jù)信息提升到知識的層次。利用裝置運行數(shù)據(jù)和信息作為監(jiān)控管理工具是一個尚未充分開發(fā)的領(lǐng)域。

本文探討了在推進系統(tǒng)集成管理中所需要的知識形式，數(shù)據(jù)挖掘技術(shù)在知識獲取中的應(yīng)用模式，以某型 CODAD 聯(lián)合推進裝置為對象，研究了數(shù)據(jù)挖掘技術(shù)在知識獲取中的應(yīng)用。為實現(xiàn)基于知識的艦船推進系統(tǒng)集成管理提供了研究基礎(chǔ)。需要注意的是，數(shù)據(jù)挖掘所能夠發(fā)現(xiàn)的知識模式是由數(shù)據(jù)集中所蘊涵信息所決定的。積累信息量充足的數(shù)據(jù)集是數(shù)據(jù)挖掘知識可用性的客觀基礎(chǔ)。

[1]KIEHNE T. Co-simulation and dynamic assessment of thermal management strategies aboard naval surface ships[R]. Texas: Electric Ship Research and Development Consortium, University of Texas, 2014.

[2]PINHA D, AHLUWALIA R. Decision support system for production planning in the ship repair industry[J]. Industrial and Systems Engineering Review, 2014, 2(1): 52–61.

[3]ELBASHIR M Z, COLLIER P A, SUTTON S G. The role of organizational absorptive capacity in strategic use of business intelligence to support integrated management control systems[J]. The Accounting Review, 2011, 86(1): 155–184.

[4]SHEN Y, LI X W, GAO H J, et al. Data-based techniques focused on modern industry: an overview[J]. IEEE Transactions on Industrial Electronics, 2015, 62(1): 657–667.

[5]Rotating machine condition monitoring-the state of the art[EB/OL]. [2014-10-15]. http://www.users.aston. ac.uk:880/modiarot/.

[6]MITGMBH. DataEngine[EB/OL]. [2014-10-15]. http://www.dataengine.de/english/sp/demos/english/dataengine.exe.

[7]VELMURUGAN T. Performance based analysis between k-Means and Fuzzy C-Means clustering algorithms for connection oriented telecommunication data[J]. Applied Soft Computing, 2014, 19: 134–146.

[8]CHATURVEDI A, GREEN P E, CARROLL J D. K-modes clustering[J]. Journal of Classification, 2001, 18(5): 35–55.

[9]TZORTZIS G, LIKAS A. The MinMax k-means clustering algorithm[J]. Pattern Recognition, 2014, 47(7): 2505–2516.

[10]CHAVES A A, LORENA L A N. Clustering search algorithm for the capacitated centered clustering problem[J]. Computers & Operations Research, 2010, 37(3): 552–558.

[11]GHARIB T F, NASSAR H, TAHA M, et al. An efficient algorithm for incremental mining of temporal association rules[J]. Data & Knowledge Engineering, 2010, 69(8): 800–815.

[12]WINARKO E, RODDICK J F. ARMADA-An algorithm for discovering richer relative temporal association rules from interval-based data[J]. Data & Knowledge Engineering, 2007, 63(1): 76–90.

[13]áLVAREZ V, VáZQUEZ J M. An evolutionary algorithm to discover quantitative association rules from huge databases without the need for an a priori discretization[J]. Expert Systems With Applications, 2012, 39(1): 585–593.

Research on knowledge mining method for marine propulsion system integrated management

YUAN Li-guo1, CUI Heng-wu2, CAO Shi-jie3
(1. Equipment Department of Naval North China Sea Fleet, Qingdao 266071, China; 2. Training Office of 92001 Troops Headquarters, Qingdao 266001, China; 3. Naval University of Engineering, College of Naval Power Engineering, Wuhan 430033, China)

To meet with the knowledge requirements of integrated management advanced applications of marine propulsion system, such as on board training simulation and mechanical equipment condition estimate et al. The type and expression of integrated management knowledge are analyzed. Data mining arithmetic is put forward to explore the application mode of knowledge mining and identify the running mode regulation of propulsion system. This research emphasis on clustering arithmetic applied to identify the norm value of running mode, associated arithmetic applied to identify the characteristic of running mode. The research in this paper can be a study foundation for knowledge based integrated management of marine propulsion system.

integrated management；propulsion system；data mining；knowledge acquire

C37

A

1672–7619(2016)12–0098–06

10.3404/j.issn.1672–7619.2016.12.020

2016–05–26；

2016–07–13

中國博士后科學基金資助項目(201150M1547)；湖北省自然科學基金資助項目(2013CFB440)

袁利國(1975–)，男，博士，工程師，研究方向為艦船動力裝置總體設(shè)計。