亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        數(shù)據(jù)挖掘技術(shù)及在制造業(yè)的應(yīng)用

        2017-11-01 17:14:41吳雪峰
        關(guān)鍵詞:數(shù)據(jù)挖掘關(guān)聯(lián)可視化

        吳雪峰 馬 路

        (哈爾濱理工大學(xué)機(jī)械動(dòng)力工程學(xué)院 黑龍江 哈爾濱 150080)

        數(shù)據(jù)挖掘技術(shù)及在制造業(yè)的應(yīng)用

        吳雪峰 馬 路

        (哈爾濱理工大學(xué)機(jī)械動(dòng)力工程學(xué)院 黑龍江 哈爾濱 150080)

        隨著信息化時(shí)代的發(fā)展,各行各業(yè)催生了大量的數(shù)據(jù),為了能更好地提供決策支持,數(shù)據(jù)挖掘技術(shù)應(yīng)運(yùn)而生。在詳細(xì)分析了中國制造業(yè)現(xiàn)狀的情況下,中國政府發(fā)布了《中國制造2025》,將制造業(yè)列為國家重點(diǎn)發(fā)展支持項(xiàng)目。數(shù)據(jù)挖掘技術(shù)作為現(xiàn)代先進(jìn)制造技術(shù)之一,在現(xiàn)代制造業(yè)中將具有獨(dú)特的優(yōu)勢。首先介紹數(shù)據(jù)挖掘的基本概念、挖掘過程及數(shù)據(jù)挖掘的經(jīng)典算法,然后重點(diǎn)介紹數(shù)據(jù)挖掘在制造業(yè)的應(yīng)用,最后指出了數(shù)據(jù)挖掘的發(fā)展趨勢。

        數(shù)據(jù)挖掘 制造業(yè) 發(fā)展趨勢

        0 引 言

        隨著信息化時(shí)代的到來,各行各業(yè)迅速發(fā)展,積存了海量的數(shù)據(jù)信息。而在這些海量的、雜亂無章的數(shù)據(jù)里往往隱含著大量的對(duì)人們有用的信息。如何從海量的數(shù)據(jù)中快速的獲得有效的數(shù)據(jù)并為決策提供支持成為當(dāng)務(wù)之急,而依據(jù)傳統(tǒng)的數(shù)據(jù)處理方法顯然已無法滿足所需,數(shù)據(jù)挖掘技術(shù)應(yīng)運(yùn)而生。數(shù)據(jù)挖掘作為一個(gè)新興的多學(xué)科交叉應(yīng)用領(lǐng)域,正在各行各業(yè)的決策支持活動(dòng)中扮演著越來越重要的角色[1]。

        尤其在制造業(yè),我國已經(jīng)是世界上第一制造大國,制造業(yè)在我國國民經(jīng)濟(jì)中處于支柱產(chǎn)業(yè)。最近幾年,制造業(yè)越來越受到國家領(lǐng)導(dǎo)人的重視,2015年5月中國政府發(fā)布了《中國制造2025》,將制造業(yè)推向高速發(fā)展行列,旨在2025年進(jìn)入制造強(qiáng)國行列,這已經(jīng)成為我國新時(shí)期經(jīng)濟(jì)發(fā)展的重中之重。隨著大數(shù)據(jù)產(chǎn)業(yè)飛速發(fā)展為社會(huì)關(guān)系變革的一個(gè)主要推動(dòng)力[2],而制造業(yè)以數(shù)字化、網(wǎng)絡(luò)化、智能化為核心技術(shù),成為“中國制造2025”的制高點(diǎn)、突破口和主攻方向,這將產(chǎn)生大量數(shù)據(jù),更需要大數(shù)據(jù)技術(shù)的支持,因此數(shù)據(jù)挖掘技術(shù)在制造業(yè)方面將具有獨(dú)特的優(yōu)勢。本文結(jié)合目前數(shù)據(jù)挖掘技術(shù)在制造業(yè)的應(yīng)用,闡述了數(shù)據(jù)挖掘技術(shù)的理論支撐及算法,并結(jié)合現(xiàn)狀指出了其發(fā)展趨勢[3-5]。

        1 數(shù)據(jù)挖掘概述

        1.1 數(shù)據(jù)挖掘的定義

        數(shù)據(jù)挖掘簡單講就是從大量的數(shù)據(jù)中挖掘或抽取出對(duì)人類有用的知識(shí)。對(duì)數(shù)據(jù)挖掘概念的定義有很多版本,總的來說,數(shù)據(jù)挖掘就是從大型數(shù)據(jù)庫的數(shù)據(jù)中提取隱含的、事先未知的、有效的、新穎的、潛在應(yīng)用的知識(shí)和信息,提取的知識(shí)表示為概念(Concepts)、規(guī)則(Rules)、規(guī)律(Regularities)等形式,這種定義把數(shù)據(jù)挖掘的對(duì)象定義為數(shù)據(jù)庫或數(shù)據(jù)倉庫。也有一些文獻(xiàn)把數(shù)據(jù)挖掘稱為知識(shí)發(fā)現(xiàn)(Knowledge Discovery)、知識(shí)抽取(Knowledge Extraction)、數(shù)據(jù)考古學(xué)(Data Archaeology)、數(shù)據(jù)捕撈(Data Dredging)、智能數(shù)據(jù)分析(Intelligent Data Analysis)等[6]。

        1.2 數(shù)據(jù)挖掘的對(duì)象及涉及的學(xué)科

        數(shù)據(jù)挖掘的對(duì)象是非常廣泛的,主要是面向關(guān)系數(shù)據(jù)庫、數(shù)據(jù)倉庫、文本(文本是非結(jié)構(gòu)化或半結(jié)構(gòu)化數(shù)據(jù))、多媒體數(shù)據(jù)(主要包括圖像、音頻、視頻數(shù)據(jù))、Web數(shù)據(jù)以及復(fù)雜類型的數(shù)據(jù)(主要包括空間數(shù)據(jù)庫和時(shí)間序列數(shù)據(jù)庫)等。數(shù)據(jù)挖掘是一個(gè)跨學(xué)科領(lǐng)域,其主要涉及的學(xué)科領(lǐng)域如圖1所示。

        圖1 數(shù)據(jù)挖掘涉及學(xué)科領(lǐng)域

        1.3 數(shù)據(jù)挖掘的任務(wù)

        數(shù)據(jù)挖掘任務(wù)就是從數(shù)據(jù)集中發(fā)現(xiàn)模式[7],按功能模式主要分為描述性挖掘和預(yù)測性挖掘兩大類,其中描述性挖掘的重點(diǎn)是發(fā)現(xiàn)有趣的模式來描述數(shù)據(jù),刻畫數(shù)據(jù)的一般特征;預(yù)測性挖掘是在當(dāng)前和歷史數(shù)據(jù)的基礎(chǔ)上進(jìn)行預(yù)測推斷,側(cè)重于預(yù)測模型的行為。目前往往根據(jù)模式實(shí)際應(yīng)用,將數(shù)據(jù)挖掘的主要任務(wù)分為數(shù)據(jù)總結(jié)、概念描述、分類、聚類、關(guān)聯(lián)分析、偏差分析等。數(shù)據(jù)總結(jié)就是對(duì)現(xiàn)有數(shù)據(jù)進(jìn)行濃縮,給出它一個(gè)概念性的表述;分類就是找出一個(gè)類別的概念描述,并用這種描述來構(gòu)造模型,一般用規(guī)則或決策樹表示,具體是利用訓(xùn)練數(shù)據(jù)集通過一定的算法而求得分類規(guī)則;聚類和分類不同,聚類是將數(shù)據(jù)庫中的對(duì)象聚成多個(gè)類,同一類的對(duì)象相似度盡可能大,不同類的對(duì)象相似度盡可能小,較為常見的用于度量對(duì)象相似度的方法有距離、密度等;關(guān)聯(lián)分析是發(fā)現(xiàn)數(shù)據(jù)關(guān)聯(lián)性,數(shù)據(jù)關(guān)聯(lián)是數(shù)據(jù)庫中存在的一類重要的可被發(fā)現(xiàn)的知識(shí),一般用支持度和可信度來度量關(guān)聯(lián)規(guī)則的相關(guān)性,關(guān)聯(lián)分為簡單關(guān)聯(lián)、時(shí)序關(guān)聯(lián)和因果關(guān)聯(lián);偏差分析用于數(shù)據(jù)庫中一些數(shù)據(jù)的異常記錄,從數(shù)據(jù)庫中檢測這些偏差意義重大,偏差檢驗(yàn)的基本方法就是尋找觀察結(jié)果與參照之間的差別。

        2 數(shù)據(jù)挖掘的過程

        數(shù)據(jù)挖掘主要有數(shù)據(jù)準(zhǔn)備、數(shù)據(jù)挖掘以及對(duì)挖掘結(jié)果的評(píng)估與表示[8]三階段組成。如圖2所示。

        圖2 數(shù)據(jù)挖掘的三階段過程模型

        2.1 數(shù)據(jù)準(zhǔn)備

        數(shù)據(jù)準(zhǔn)備是整個(gè)數(shù)據(jù)挖掘過程中非常重要的一個(gè)階段,我們?cè)趶母鱾€(gè)數(shù)據(jù)源中對(duì)數(shù)據(jù)進(jìn)行整合時(shí),數(shù)據(jù)中往往存在很多噪聲、冗余,數(shù)據(jù)的好壞直接影響挖掘模型的可靠性及決策的正確性。此階段主要包括數(shù)據(jù)的選擇、數(shù)據(jù)預(yù)處理和數(shù)據(jù)變換等。

        2.2 數(shù)據(jù)挖掘

        數(shù)據(jù)挖掘是整個(gè)數(shù)據(jù)挖掘過程中最關(guān)鍵的一個(gè)階段,如何從眾多算法中選擇合適目標(biāo)的算法是最重要的一環(huán)。此階段主要是根據(jù)數(shù)據(jù)挖掘的目標(biāo)選擇相應(yīng)的算法,對(duì)數(shù)據(jù)進(jìn)行分析挖掘出相應(yīng)的模式模型。

        2.3 挖掘結(jié)果的評(píng)估與表示

        模型評(píng)估即需對(duì)數(shù)據(jù)挖掘過程進(jìn)行一次全面回顧,從而決定是否存在重要的因素或任務(wù)由于某些原因而被忽視;模型表示即可視化,使模型能夠友好地呈現(xiàn)給用戶。由于第二階段挖掘的模式模型并不一定具有實(shí)際意義或者不是目標(biāo)用戶希望得到的模型。因此要對(duì)數(shù)據(jù)進(jìn)行解釋和評(píng)估。這一階段也很重要,要以用戶希望的、易于理解的、可視的模式模型呈現(xiàn)給目標(biāo)用戶。

        3 數(shù)據(jù)挖掘的主要方法

        數(shù)據(jù)挖掘的方法眾多,主要包括遺傳算法、神經(jīng)網(wǎng)絡(luò)方法、決策樹算法、關(guān)聯(lián)分析、粗糙集方法、模糊集方法、統(tǒng)計(jì)分析方法、覆蓋正例排斥反例方法、可視化技術(shù)等,下面針對(duì)幾種主要的技術(shù)方法進(jìn)行簡要描述。

        3.1 遺傳算法

        遺傳算法GA(Genetic Algorithm)是近年來迅速發(fā)展起來的一種全新的隨機(jī)搜索與優(yōu)化算法[9],它是模擬自然界生物進(jìn)化過程與機(jī)制求解問題的一類自組織與自適應(yīng)的人工智能技術(shù)[10]。它是在自然選擇和遺傳理論的基礎(chǔ)上,將大自然生物進(jìn)化過程中適者生存不適者淘汰規(guī)則與群體內(nèi)部染色體的隨機(jī)信息交換機(jī)制相結(jié)合的搜索算法,主要有編碼機(jī)制、參數(shù)控制、適應(yīng)度函數(shù)、遺傳算子四部分組成。其主要過程如圖3所示。

        圖3 遺傳算法基本過程

        遺傳算法具有自組織、自適應(yīng)、智能性、隱含的并行性等特點(diǎn),廣泛應(yīng)用于函數(shù)優(yōu)化、組合優(yōu)化、生產(chǎn)調(diào)度、遺傳編程、機(jī)器學(xué)習(xí)、智能控制、圖像處理、機(jī)器人、人工生命、數(shù)據(jù)挖掘等領(lǐng)域。秦國經(jīng)等[11]提出了一種基于遺傳算法尋優(yōu)的PID控制,他是以誤差絕對(duì)值時(shí)間積分性能指標(biāo)為參數(shù),并結(jié)合遺傳算法的全局搜索能力實(shí)現(xiàn)對(duì)全局最優(yōu)解的尋優(yōu),解決了PID控制器參數(shù)整定難的問題。冷亮等[12]提出了一種基于遺傳算法來解決路徑誘導(dǎo)系統(tǒng)問題的方法,他是通過對(duì)遺傳算法中的一些參數(shù)和細(xì)節(jié)進(jìn)行改進(jìn)來實(shí)現(xiàn)全局尋優(yōu)。

        雖然遺傳算法得到了廣泛應(yīng)用,但遺傳算法自身也存在著很多缺點(diǎn),如容易產(chǎn)生早熟收斂、收斂速度慢,以及局部尋優(yōu)能力較差等。因此針對(duì)遺傳算法的特點(diǎn)如何結(jié)合其他算法的尋優(yōu)思想對(duì)遺傳算法進(jìn)行改進(jìn)需進(jìn)一步深入研究。

        3.2 神經(jīng)網(wǎng)絡(luò)

        人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks)是指能夠模仿人腦神經(jīng)元聯(lián)接結(jié)構(gòu)特征并且進(jìn)行分布式并行信息處理的數(shù)學(xué)模型[13]。人工神經(jīng)網(wǎng)絡(luò)能以任意精度逼近非線性函數(shù)映射關(guān)系,具有較強(qiáng)的容錯(cuò)能力,具有自學(xué)習(xí)、自適應(yīng)、并行處理等特點(diǎn)。其中使用較為廣泛的是BP神經(jīng)網(wǎng)絡(luò)和多層前饋式神經(jīng)網(wǎng)絡(luò)。其基本流程圖如圖4所示。

        圖4 BP神經(jīng)網(wǎng)絡(luò)流程圖

        神經(jīng)網(wǎng)絡(luò)廣泛應(yīng)用于自動(dòng)控制、組合優(yōu)化、模式識(shí)別、圖像處理、機(jī)器人控制等領(lǐng)域。朱堅(jiān)民等[14]提出了一種基于神經(jīng)網(wǎng)絡(luò)反饋補(bǔ)償控制、PID控制和神經(jīng)網(wǎng)絡(luò)辨識(shí)器的磁懸浮球位置控制結(jié)構(gòu),解決了磁懸浮球位置控制精度不高的問題。謝寶劍[15]提出了一個(gè)動(dòng)態(tài)生長的卷積神經(jīng)網(wǎng)絡(luò)并采用主動(dòng)的樣本學(xué)習(xí)方法構(gòu)造訓(xùn)練集進(jìn)行圖像分類,提高了分類算法效率,識(shí)別效果更加明顯。

        目前,神經(jīng)網(wǎng)絡(luò)已經(jīng)被應(yīng)用到許多方面,發(fā)展前景廣闊,但還存在著很多問題,如神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性、收斂性的分析以及單一神經(jīng)網(wǎng)絡(luò)分析無法達(dá)到理想效果、多種算法如何進(jìn)行有效結(jié)合等都需要進(jìn)一步深入研究。

        3.3 關(guān)聯(lián)分析方法

        數(shù)據(jù)挖掘意義下的關(guān)聯(lián)分析通常是指關(guān)聯(lián)規(guī)則挖掘[16]。它是通過對(duì)當(dāng)前數(shù)據(jù)分析,找出數(shù)據(jù)間的密切聯(lián)系。主要根據(jù)用戶預(yù)先設(shè)定的支持度閾值和置信度閾值,對(duì)當(dāng)前數(shù)據(jù)找出滿足這兩個(gè)閾值的關(guān)聯(lián)規(guī)則,滿足最小支持度和最小置信度要求的關(guān)聯(lián)規(guī)則即為強(qiáng)關(guān)聯(lián)規(guī)則。目前最為典型的關(guān)聯(lián)規(guī)則挖掘算法是Aprior算法。最典型的應(yīng)用就是市場購物籃問題,還廣泛應(yīng)用于銀行、金融數(shù)據(jù)分析、零售業(yè)、生物醫(yī)學(xué)、DNA數(shù)據(jù)分析、推薦系統(tǒng)等方面。汪雪鋒等[17]提出了一種將時(shí)間序列和關(guān)聯(lián)分析相結(jié)合的方法,并將其應(yīng)用于數(shù)控系統(tǒng)技術(shù)中,和整體關(guān)聯(lián)分析相比較,更加凸顯出基于時(shí)間序列的關(guān)聯(lián)分析的優(yōu)越性,深度揭示了技術(shù)領(lǐng)域的動(dòng)態(tài)變化。周劍波等[18]提出將粒子群優(yōu)化算法和灰色關(guān)聯(lián)分析相結(jié)合即二次改進(jìn)的灰色關(guān)聯(lián)分析,并應(yīng)用于航空發(fā)動(dòng)機(jī)氣路部件的故障診斷中,結(jié)構(gòu)簡單、計(jì)算量小、速度快、效果更顯著。

        目前,關(guān)聯(lián)分析方法還存在很多不足,如何使關(guān)聯(lián)規(guī)則算法體系標(biāo)準(zhǔn)化、模塊化,如何對(duì)一些非結(jié)構(gòu)化數(shù)據(jù)進(jìn)行有效處理以及如何將關(guān)聯(lián)規(guī)則與其他的決策方法結(jié)合都值得進(jìn)一步深入研究。

        3.4 決策樹算法

        決策樹學(xué)習(xí)[19]是應(yīng)用最廣的歸納推理算法之一,是一種逼近離散函數(shù)值的方法。它是在分析和歸納信息理論基礎(chǔ)上,采用樹結(jié)構(gòu),從根節(jié)點(diǎn)到葉節(jié)點(diǎn)逐層劃分,決策樹的根節(jié)點(diǎn)包含樣本的信息量最大,葉節(jié)點(diǎn)是樣本的類別值。目前應(yīng)用最為廣泛的是ID3算法和C4.5算法。決策樹算法具有分類精度高、模型可讀性強(qiáng)、對(duì)噪聲數(shù)據(jù)具有很好的健壯性等優(yōu)點(diǎn),廣泛應(yīng)用于各個(gè)領(lǐng)域。李定啟等[20]為進(jìn)一步提高煤層工作面突出預(yù)測的準(zhǔn)確率,提出了基于決策樹ID3改進(jìn)算法的煤層工作面煤與瓦斯突出預(yù)測方法,結(jié)果該模型預(yù)測的準(zhǔn)確率顯著提高。杜英麗[21]利用Fayyad技術(shù),根據(jù)Fayyad邊界點(diǎn)判別定理,對(duì)C4.5算法中的連續(xù)性離散化過程進(jìn)行了改進(jìn),并與原C4.5算法在客戶分類中進(jìn)行比較,結(jié)果表明,改進(jìn)的C4.5算法分類準(zhǔn)確率更高、計(jì)算速度更高。

        目前,數(shù)據(jù)挖掘已進(jìn)入大數(shù)據(jù)時(shí)代,決策樹方法的效率以及對(duì)復(fù)雜數(shù)據(jù)的適應(yīng)亟待提高。

        3.5 粗糙集理論

        粗糙集理論是一種刻畫不完全、不確定、不精確的數(shù)學(xué)工具,能夠有效地分析和處理不確定、不精確、不完整信息,從中發(fā)現(xiàn)隱含的知識(shí),揭示潛在的規(guī)律。由波蘭華沙理工大學(xué)Pawlak教授于1982年首次提出,在人工智能、模式識(shí)別、數(shù)據(jù)挖掘和智能決策等領(lǐng)域得到了廣泛應(yīng)用,粗糙集理論的核心問題是屬性約簡[22]。Chen[23]等利用從決策信息決策表中抽取少量樣本,而這些樣本所包含的知識(shí)量與整個(gè)樣本基本相同,并以此樣本進(jìn)行屬性約簡,有效地節(jié)約了計(jì)算時(shí)間,提高了求解屬性子集的效率。

        目前,粗糙集理論雖然得到了廣泛的應(yīng)用,在處理不確定信息方面具有不可替代的優(yōu)越性,但還存在著某些不足之處,如缺乏對(duì)噪聲數(shù)據(jù)的適應(yīng)能力,不確定性概念的邊緣刻畫過于簡單等都需要進(jìn)一步深入研究。

        3.6 可視化技術(shù)

        可視化數(shù)據(jù)挖掘是數(shù)據(jù)挖掘中的一個(gè)重要組成部分,是計(jì)算機(jī)和用戶之間進(jìn)行信息溝通的重要渠道。它將數(shù)據(jù)庫中潛在的、有用的信息以直觀的、易于理解的方式呈現(xiàn)給用戶,便于用戶正確的決策。可視化數(shù)據(jù)挖掘過程可分為數(shù)據(jù)可視化、數(shù)據(jù)挖掘過程可視化、數(shù)據(jù)挖掘結(jié)果可視化、交互式可視化數(shù)據(jù)挖掘四類。楊振艦[24]通過改進(jìn)機(jī)器學(xué)習(xí)算法、空間和非空間的聚類算法并結(jié)合挖掘算法的相關(guān)可視化技術(shù),研制了一套支持可視化數(shù)據(jù)挖掘的城市地下空間GIS原型系統(tǒng)。

        目前,數(shù)據(jù)挖掘已進(jìn)入大數(shù)據(jù)時(shí)代,可視化需求更加迫切,而可視化技術(shù)運(yùn)用于數(shù)據(jù)挖掘一般是作為表達(dá)工具,在人機(jī)交互和用戶自主性方面仍需加強(qiáng),因此,如何將可視化技術(shù)和數(shù)據(jù)挖掘技術(shù)有效結(jié)合需進(jìn)一步研究。

        4 數(shù)據(jù)挖掘在制造領(lǐng)域的應(yīng)用

        數(shù)據(jù)挖掘幾乎涉及各個(gè)領(lǐng)域,本文主要對(duì)數(shù)據(jù)挖掘在制造業(yè)領(lǐng)域的應(yīng)用進(jìn)行詳細(xì)介紹。

        和其他領(lǐng)域相比較,數(shù)據(jù)挖掘技術(shù)在制造業(yè)的應(yīng)用,其技術(shù)特性更加明顯[25]。在制造業(yè)總的來說主要應(yīng)用數(shù)據(jù)挖掘技術(shù)來進(jìn)行機(jī)器零件故障診斷、資源優(yōu)化、生產(chǎn)工藝過程分析、車間調(diào)度、客戶關(guān)系管理、決策支持系統(tǒng)等。本文主要介紹數(shù)據(jù)挖掘技術(shù)在制造業(yè)這幾個(gè)領(lǐng)域中的應(yīng)用。

        4.1 故障診斷

        設(shè)備的正常運(yùn)轉(zhuǎn)是保證產(chǎn)品質(zhì)量和企業(yè)經(jīng)濟(jì)效益的根本所在,一旦設(shè)備出現(xiàn)故障需及時(shí)查找出故障所在的位置并維修才能保證企業(yè)經(jīng)濟(jì)損失降到最低,因此,故障診斷對(duì)一個(gè)企業(yè)來說至關(guān)重要。

        張洪瑾[26]針對(duì)掘進(jìn)機(jī)液壓系統(tǒng)故障,提出了一種將模糊理論與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的故障診斷方法,并應(yīng)用VC++與Matlab實(shí)現(xiàn)了故障診斷軟件。焦朋沙[27]針對(duì)不同故障因素在故障診斷過程中具有不同的影響作用,提出了一種矩陣加權(quán)關(guān)聯(lián)規(guī)則算法,利用故障因素權(quán)值來提高故障診斷的準(zhǔn)確率,通過對(duì)剪切連接的改進(jìn)降低了候選項(xiàng)集的生成規(guī)模,從而提高了故障診斷的效率。王飛[28]在已有的決策樹方法的基礎(chǔ)上提出了基于變精度粗糙集的決策樹結(jié)構(gòu)改進(jìn)算法,提高了分類精度和噪聲數(shù)據(jù)抑制能力,并運(yùn)用到煤廠機(jī)械設(shè)備中,得到了較好的效果。薛詠舒[29]從大型旋轉(zhuǎn)設(shè)備數(shù)據(jù)出發(fā),結(jié)合Apriori算法并采用BS結(jié)構(gòu)開發(fā)了用于旋轉(zhuǎn)設(shè)備振動(dòng)故障診斷的狀態(tài)監(jiān)測系統(tǒng),在實(shí)際生產(chǎn)應(yīng)用中取得了很好的效果。Wang[30]等針對(duì)機(jī)械設(shè)備的異常,提出了應(yīng)用黎曼流行和協(xié)方差矩陣分布的可視化進(jìn)行檢測,并將其應(yīng)用到風(fēng)力渦輪機(jī)齒輪箱的故障檢測中,得到了較好的效果。Jiao[31]等根據(jù)最小二乘法支持向量機(jī)并結(jié)合模擬退火算法,提出了一種黑洞粒子群-模擬退火算法,在分類速度和精度以及極值問題上都得到很大的改善,并將其運(yùn)用到風(fēng)機(jī)齒輪箱的故障診斷中,得到了較好的效果。

        4.2 資源優(yōu)化

        資源優(yōu)化的目的是改變工作的起始和完成時(shí)間,利用工作的機(jī)動(dòng)時(shí)間(總時(shí)間差),使資源需要進(jìn)行優(yōu)化。

        Sugimura[32]應(yīng)用數(shù)據(jù)挖掘方法對(duì)透平機(jī)械進(jìn)行了相關(guān)的優(yōu)化研究,并取得了較好的效果。Gertosio[33]等使用線性回歸分析方法,對(duì)汽車引擎測試參數(shù)和性能之間的關(guān)系進(jìn)行了分析,并確定了他們之間的密切關(guān)系,將其投入到了生產(chǎn)應(yīng)用中,大大節(jié)省了測試時(shí)間。李鐵剛[34]等主要是通過影響因素分析和分類分析算法并結(jié)合關(guān)聯(lián)發(fā)現(xiàn)的規(guī)則提出了針對(duì)結(jié)構(gòu)件數(shù)控編程的切削參數(shù)選擇和優(yōu)化方法,并取得了很好的效果。王書易[35]等根據(jù)物流云理念并應(yīng)用到車輛配送路徑中,研發(fā)了一套基于數(shù)據(jù)挖掘的云計(jì)算車輛路徑優(yōu)化系統(tǒng),具有一定的實(shí)用價(jià)值。張巍[36]采用了支持向量機(jī)與遺傳算法相結(jié)合來實(shí)現(xiàn)鍋爐燃燒優(yōu)化,以支持向量機(jī)鍋爐燃燒模型為基礎(chǔ),采用遺傳算法對(duì)所建模型優(yōu)化,獲得燃燒優(yōu)化調(diào)整方式,對(duì)我國電廠具有一定的實(shí)用價(jià)值。

        4.3 生產(chǎn)工藝過程分析

        一個(gè)完整的生產(chǎn)工藝過程是指將各種胚料或半成品通過一定的設(shè)備、按照一定的加工順序,最終使之成為成品的方法與過程。因此生產(chǎn)工藝過程的每一個(gè)流程都至關(guān)重要,分析過程中的某一環(huán)節(jié)對(duì)整個(gè)生產(chǎn)來說具有重要的意義。

        Sun[37]等采用神經(jīng)網(wǎng)絡(luò)技術(shù)對(duì)檢測系統(tǒng)中的刀具狀態(tài)進(jìn)行識(shí)別,采用支持向量機(jī)方法分別調(diào)整每個(gè)刀具磨損狀態(tài)的識(shí)別能力。對(duì)刀具后刀面磨損有效地進(jìn)行識(shí)別。胡潔[38]主要是通過聚類算法、回歸預(yù)測方法并結(jié)合相關(guān)報(bào)警規(guī)則提出了一種能夠?qū)崿F(xiàn)設(shè)備狀態(tài)檢測預(yù)警的方法。該方法能夠?yàn)槠髽I(yè)一些重要設(shè)備實(shí)時(shí)的給出其狀態(tài)預(yù)測與診斷結(jié)果,具有非常好的實(shí)用價(jià)值。李海林[39]等為了有效地檢測發(fā)動(dòng)機(jī)試車實(shí)驗(yàn)中性能參數(shù)發(fā)生異常,提出了一種基于時(shí)間序列數(shù)據(jù)挖掘的發(fā)動(dòng)機(jī)故障檢測方法,該方法能夠有效地對(duì)發(fā)動(dòng)機(jī)性能參數(shù)進(jìn)行故障分析,且具有較好的魯棒性。

        4.4 車間調(diào)度

        對(duì)于現(xiàn)代的工業(yè)企業(yè),生產(chǎn)環(huán)節(jié)及協(xié)作關(guān)系復(fù)雜,車間情況變化快,某一環(huán)節(jié)出現(xiàn)問題,往往會(huì)波及整個(gè)生產(chǎn)體系。因此,加強(qiáng)了解和掌握車間調(diào)度工作非常重要。

        于藝浩[40]通過決策樹的數(shù)據(jù)挖掘方法設(shè)計(jì)了車間實(shí)時(shí)調(diào)度系統(tǒng),實(shí)現(xiàn)了有效的車間生產(chǎn)調(diào)度和生產(chǎn)過程管理,提高了生產(chǎn)過程的可視性和可控性。Ozturk[41]等采用基于數(shù)據(jù)挖掘技術(shù)的回歸樹方法去估算制造交貨時(shí)間。Wang[42]等已經(jīng)開發(fā)了利用決策樹和BP神經(jīng)網(wǎng)絡(luò)的混合知識(shí)發(fā)現(xiàn)模型,根據(jù)噪聲信息和預(yù)測規(guī)則的性能,確定了基于生產(chǎn)數(shù)據(jù)的合適的調(diào)度規(guī)則。Shahzad[43]等針對(duì)作業(yè)生產(chǎn)車間中的動(dòng)態(tài)調(diào)度問題,提出了一種基于數(shù)據(jù)挖掘的調(diào)度策略框架結(jié)構(gòu),此框架通過決策樹算法進(jìn)行逼近學(xué)習(xí)而實(shí)現(xiàn)最優(yōu)調(diào)度計(jì)劃方案。Karimi[44]等針對(duì)柔性車間的調(diào)度問題,提出了一種基于知識(shí)模塊的變鄰域搜索優(yōu)化方法,知識(shí)模塊和變鄰域搜索優(yōu)化算法之間的交互反饋,從而使算法更加高效。Guldogan[45]將一種基于知識(shí)的專家系統(tǒng)與遺傳算法相結(jié)合用于解決生產(chǎn)調(diào)度過程中的機(jī)器選擇和操作分配問題,并用于木材切割機(jī)中,取得了較好的效果。

        4.5 客戶關(guān)系管理

        客戶關(guān)系管理是一個(gè)數(shù)據(jù)挖掘被廣泛用于預(yù)測客戶行為的領(lǐng)域。能夠使企業(yè)更有效地為客戶提供滿意、周到的服務(wù),提高客戶的滿意度、忠誠度等。

        Tseng[46]等提出了一種數(shù)據(jù)挖掘方法,它是基于一種由對(duì)于特征選擇來說是新的粗糙集算法和為了更精確預(yù)測的多類SVM方法組成的混合方法。此技術(shù)已經(jīng)應(yīng)用在一個(gè)供應(yīng)商選擇的案例研究中,預(yù)測一個(gè)視頻游戲系統(tǒng)的首選供應(yīng)商。Buddhakulsomsiri[47]等開發(fā)了一種新的關(guān)聯(lián)規(guī)則生成算法來提取知識(shí)(以規(guī)則的形式),然后可以被用來識(shí)別特定保修問題的根源,并開發(fā)來自于汽車保修數(shù)據(jù)的有用結(jié)論。這方面的知識(shí)以IF-THEN關(guān)聯(lián)規(guī)則的形式提出,其中,規(guī)則的IF部分含有產(chǎn)品的特征屬性和THEN部分包括相關(guān)的勞動(dòng)法的問題。Chen[48]等應(yīng)用關(guān)聯(lián)規(guī)則挖掘得到的規(guī)則,適用于客戶需求模式直接來自于訂單數(shù)據(jù)庫。對(duì)于訂單數(shù)據(jù)庫中經(jīng)常由某些產(chǎn)品項(xiàng)組成的客戶訂單的某些系列,通過應(yīng)用關(guān)聯(lián)函數(shù)功能可以被引導(dǎo)。

        4.6 決策支持系統(tǒng)

        正確的決策對(duì)一個(gè)企業(yè)甚至國家都至關(guān)重要,而決策支持系統(tǒng)能夠?yàn)闆Q策者提供所需的數(shù)據(jù)、信息、背景材料來幫助決策者識(shí)別目標(biāo)和明確決策問題,提供多種方案模型,并評(píng)價(jià)各種方案的選擇,為必要的正確決策提供支持。

        朱付保[49]等綜合運(yùn)用粗糙集和決策樹數(shù)據(jù)挖掘算法建立了數(shù)據(jù)處理模型,實(shí)現(xiàn)了對(duì)電力設(shè)備工作狀態(tài)的快速、高效診斷,并根據(jù)其工作狀態(tài)提供決策支持。Zhou[50]開發(fā)了基于智能預(yù)測和設(shè)備故障檢測的框架的一個(gè)媒介,并且因此也支持裝備故障預(yù)測與診斷。數(shù)據(jù)挖掘被用于智能預(yù)測引擎,這是該系統(tǒng)的關(guān)鍵部件。Kusiak[51]提出了一種基于數(shù)據(jù)挖掘的強(qiáng)大的報(bào)警系統(tǒng)結(jié)構(gòu),它被用于預(yù)測水化學(xué)故障的傳入故障。Shao[52]等提出了一種基于數(shù)據(jù)挖掘的體系結(jié)構(gòu),在配置設(shè)計(jì)中發(fā)現(xiàn)基于客戶群的配置規(guī)則?;谙闰?yàn)算法的關(guān)聯(lián)規(guī)則挖掘被用來獲得產(chǎn)品規(guī)格和配置選擇簇之間的關(guān)聯(lián)規(guī)則。

        4.7 小 結(jié)

        通過本節(jié)敘述可知,數(shù)據(jù)挖掘技術(shù)已經(jīng)應(yīng)用于制造領(lǐng)域的各個(gè)方面,而目前網(wǎng)絡(luò)技術(shù)的發(fā)展已經(jīng)邁進(jìn)了大數(shù)據(jù)時(shí)代,大數(shù)據(jù)時(shí)代的到來不僅使數(shù)據(jù)的更新速度加快,還使得數(shù)據(jù)的規(guī)模和復(fù)雜性都出現(xiàn)爆炸性增長。制造業(yè)中的數(shù)據(jù)挖掘也面臨著很多挑戰(zhàn),如何更加有效地對(duì)大規(guī)模數(shù)據(jù)進(jìn)行分析、如何保證數(shù)據(jù)分析的效率和分析結(jié)果的準(zhǔn)確性、如何管理大規(guī)模數(shù)據(jù)以及數(shù)據(jù)隱私的保護(hù)等,都是我們今后需要關(guān)注和急需解決的問題。因此,我們應(yīng)在現(xiàn)有算法的基礎(chǔ)上不斷創(chuàng)新,具體問題具體分析,將數(shù)據(jù)挖掘功能和數(shù)據(jù)挖掘技術(shù)結(jié)合起來,使數(shù)據(jù)挖掘技術(shù)更好的服務(wù)于我們。

        5 數(shù)據(jù)挖掘發(fā)展趨勢

        數(shù)據(jù)挖掘語言標(biāo)準(zhǔn)化:語言若能夠得到廣泛的應(yīng)用,標(biāo)準(zhǔn)化必不可少。數(shù)據(jù)挖掘語言經(jīng)過標(biāo)準(zhǔn)化必能提高多個(gè)數(shù)據(jù)挖掘系統(tǒng)和功能之間的互操作,有利于系統(tǒng)化的開發(fā)和設(shè)計(jì)。

        Web挖掘:隨著信息化迅速發(fā)展,Web現(xiàn)在已經(jīng)成為信息傳遞的主要渠道,Web數(shù)據(jù)庫和數(shù)據(jù)庫在當(dāng)前信息處理系統(tǒng)中成為主流,Web挖掘會(huì)成為未來數(shù)據(jù)挖掘的主要發(fā)展趨勢之一。

        可視化:可視化是數(shù)據(jù)挖掘一直需要亟待解決的問題??梢暬夹g(shù)是連接模型與目標(biāo)用戶的樞紐,能很好地進(jìn)行人機(jī)交互。

        數(shù)據(jù)挖掘和隱私保護(hù):隨著數(shù)據(jù)挖掘的迅速發(fā)展,個(gè)人隱私與信息安全問題日益成為人們關(guān)注的話題。數(shù)據(jù)挖掘使用不當(dāng)就有可能涉及到人們敏感的信息,如何在不暴露用戶隱私的前提下進(jìn)行數(shù)據(jù)挖掘,也就成為人們非常感興趣的話題[53]。

        數(shù)據(jù)挖掘與物聯(lián)網(wǎng)、云計(jì)算和大數(shù)據(jù)[54]:物聯(lián)網(wǎng)、云計(jì)算和大數(shù)據(jù)都是新一代信息技術(shù)的主要組成部分,也是信息化時(shí)代的重要發(fā)展階段,如何實(shí)現(xiàn)將物聯(lián)網(wǎng)、云計(jì)算、大數(shù)據(jù)和數(shù)據(jù)挖掘緊密聯(lián)系起來具有深遠(yuǎn)的意義,將會(huì)產(chǎn)生巨大的價(jià)值。

        復(fù)雜的數(shù)據(jù)[55]:隨著信息化時(shí)代的發(fā)展,數(shù)據(jù)挖掘的對(duì)象越來越多,不僅是一些簡單的數(shù)據(jù)分析,還包括一些圖像、音頻、視頻數(shù)據(jù)、Web數(shù)據(jù)甚至是空間數(shù)據(jù)庫和時(shí)間序列數(shù)據(jù)庫等,導(dǎo)致數(shù)據(jù)復(fù)雜化,依靠傳統(tǒng)的數(shù)據(jù)挖掘方法很難達(dá)到理想的效果。如何對(duì)這些復(fù)雜的數(shù)據(jù)進(jìn)行更加有效地挖掘具有巨大的價(jià)值。

        多種數(shù)據(jù)挖掘方法結(jié)合:單一的數(shù)據(jù)挖掘算法有時(shí)不能達(dá)到令人滿意的效果,其優(yōu)劣特性明顯。而根據(jù)算法的優(yōu)缺點(diǎn)進(jìn)行多種算法的結(jié)合使用往往能達(dá)到令人滿意的效果,例如遺傳算法與神經(jīng)網(wǎng)絡(luò)結(jié)合往往能達(dá)到令人滿意的預(yù)測效果。

        6 結(jié) 語

        本文對(duì)數(shù)據(jù)挖掘過程中的相關(guān)技術(shù)和理論進(jìn)行了比較全面的概述,闡述了數(shù)據(jù)挖掘在制造業(yè)各領(lǐng)域的應(yīng)用,并指出了其不足和發(fā)展趨勢??傊S著信息化時(shí)代的到來,各行各業(yè)迅速發(fā)展,數(shù)據(jù)挖掘自然而然成為一種強(qiáng)大的應(yīng)用工具,成為人們決策支持的重要輔助工具。制造業(yè)更應(yīng)與時(shí)俱進(jìn),使數(shù)據(jù)挖掘在制造業(yè)能夠真正意義上發(fā)揮作用[56]。

        [1] 王夢雪.數(shù)據(jù)挖掘綜述[J].軟件刊,2013,12(10):135-137.

        [2] 付長軍,喬宏章.大數(shù)據(jù)產(chǎn)業(yè)發(fā)展現(xiàn)狀研究[J].無線電通信技術(shù),2016,42(4):1-4,28.

        [3] 賀正楚,潘紅玉.德國“工業(yè)4.0”與“中國制造2025”[J].長沙理工大學(xué)學(xué)報(bào)(社會(huì)科學(xué)版),2015,30(3):103-110.

        [4] 周濟(jì).智能制造——“中國制造2025”的主攻方向[J].中國機(jī)械工程,2015,26(17):2273-2284.

        [5] 郭朝先,王宏霞.中國制造業(yè)發(fā)展與“中國制造2025”規(guī)劃[J].經(jīng)濟(jì)研究參考,2015(31):3-13.

        [6] 包洋.面向制造業(yè)的數(shù)據(jù)挖掘技術(shù)研究與應(yīng)用[D].上海:東華大學(xué),2006.

        [7] 李秋丹.數(shù)據(jù)挖掘相關(guān)算法的研究與平臺(tái)實(shí)現(xiàn)[D].遼寧:大連理工大學(xué),2004.

        [8] 丁秀玲.數(shù)據(jù)挖掘算法和研究方向[J].辦公自動(dòng)化,2014(16):33-34,56.

        [9] 吉根林.遺傳算法研究綜述[J].計(jì)算機(jī)應(yīng)用與軟件,2004,21(2):69-73.

        [10] 鄭立平,郝忠孝.遺傳算法理論綜述[J].計(jì)算機(jī)工程與應(yīng)用,2003(21):50-53,96.

        [11] 秦國經(jīng),任慶昌.基于遺傳算法尋優(yōu)的PID控制與仿真[J].中國西部科技,2011,10(11):12-13,09.

        [12] 冷亮,杜慶東.基于遺傳算法解決車輛最優(yōu)路徑誘導(dǎo)問題[J].信息通信,2012(2):14-15.

        [13] 王雅軒,頊聰.數(shù)據(jù)挖掘技術(shù)的綜述[J].電子技術(shù)與軟件工程,2015(8):204-205.

        [14] 朱堅(jiān)民,沈正強(qiáng),李孝茹,等.基于神經(jīng)網(wǎng)絡(luò)反饋補(bǔ)償控制的磁懸浮球位置控制[J].儀器儀表學(xué)報(bào),2014,35(5):976-986.

        [15] 謝寶劍.基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類方法研究[D].安徽:合肥工業(yè)大學(xué),2015.

        [16] 錢圣華,許謙,陳蘭.基于關(guān)聯(lián)分析的數(shù)據(jù)挖掘方法及其實(shí)證研究[J].甘肅聯(lián)合大學(xué)學(xué)報(bào)(自然科學(xué)版),2011,25(2):23-25.

        [17] 汪雪鋒,趙晨曉,衡曉帆,等.基于時(shí)間序列的關(guān)聯(lián)分析在技術(shù)監(jiān)測中的應(yīng)用研究[J].情報(bào)雜志,2013,32(4):10-15.

        [18] 周劍波,魯峰,黃金泉.基于灰色關(guān)聯(lián)分析的航空發(fā)動(dòng)機(jī)氣路部件故障診斷[J].推進(jìn)技術(shù),2011,32(1):140-145.

        [19] 付紅偉,張愛華,張志強(qiáng),等.決策樹算法在數(shù)據(jù)挖掘中的研究與應(yīng)用[J].應(yīng)用技術(shù),2008(7):133-135.

        [20] 李定啟,程遠(yuǎn)平.基于決策樹ID3改進(jìn)算法的煤與瓦斯突出預(yù)測[J].煤炭學(xué)報(bào),2011,36(4):619-622.

        [21] 杜英麗.決策樹C4.5算法在客戶分類中的應(yīng)用研究[J].制造業(yè)自動(dòng)化,2014,36(11):23-25,50.

        [22] 丁浩,丁世飛,胡立花.基于粗糙集的屬性約簡研究進(jìn)展[J].計(jì)算機(jī)工程與科學(xué),2010,32(6):92-94,117.

        [23] Chen D G,Zhao S Y,Zhang L,et al.Sample pair selection for attribute reduction with rough set[J].IEEE Transactions on Knowledge and Data Engineering,2012,24(11):2080-2093.

        [24] 楊振艦.可視化數(shù)據(jù)挖掘技術(shù)在城市地下空間GIS中的應(yīng)用研究[D].河北:河北工業(yè)大學(xué),2012.

        [25] 梁凡.關(guān)于數(shù)據(jù)挖掘技術(shù)及其應(yīng)用的分析[J].電子技術(shù)與軟件工程,2015(22):200-200.

        [26] 張洪瑾.基于模糊神經(jīng)網(wǎng)絡(luò)的掘進(jìn)機(jī)液壓系統(tǒng)故障診斷研究[D].南京:南京理工大學(xué),2013.

        [27] 焦朋沙.基于矩陣加權(quán)關(guān)聯(lián)規(guī)則的設(shè)備故障智能診斷研究[D].河北:燕山大學(xué),2012.

        [28] 王飛.決策樹算法在機(jī)械設(shè)備故障診斷系統(tǒng)中的應(yīng)用[D].武漢:華中科技大學(xué),2013.

        [29] 薛詠舒.基于數(shù)據(jù)挖掘的旋轉(zhuǎn)設(shè)備振動(dòng)故障診斷應(yīng)用[D].吉林:吉林大學(xué),2013.

        [30] Wang S,Sun X,Li C.Wind turbine gearbox fault diagnosis method based on riem annian manifold[J].Mathematical Problems in Engineering,2014,16(4):835-892.

        [31] Jiao bin,Xu Zhixiang.Parameters optimization of LSSVM and application in fault diagnosis of wind power gearbox[J].Control Enggineering of China,2012,19(4):681-686.

        [32] Sugimura K.Design Optimization and Knowledge Mining for Turbo machinery[D].Tohoku University,Sendai,2009.

        [33] Gertosio C,Dussauchoy A.Knowledge discovery from industrial databases[J].Journal of Intelligent Manufacturing,2004,15(1):29-37.

        [34] 李鐵剛,范智廣,王宛山.基于數(shù)據(jù)挖掘的切削參數(shù)優(yōu)化[J].組合機(jī)床與自動(dòng)化加工技術(shù),2012(1):36-38,46.

        [35] 王書易,王欽若,劉尚武.基于數(shù)據(jù)挖掘的云計(jì)算車輛路徑優(yōu)化系統(tǒng)[J].電子世界,2016(6):118,121.

        [36] 張巍.電廠設(shè)備運(yùn)行優(yōu)化中數(shù)據(jù)挖掘的應(yīng)用[D].河北:河北科技大學(xué),2012.

        [37] Sun J,Hong G S,Rahman M,et al.Improved performance evaluation of tool condition identification by manufacturing loss consideration[J].International Journal of Production Research,2005,43(6):1185-1204.

        [38] 胡潔.數(shù)據(jù)挖掘在設(shè)備狀態(tài)檢測中的應(yīng)用研究[D].南京:南京大學(xué),2011.

        [39] 李海林,郭崇慧,楊麗彬.基于時(shí)間序列數(shù)據(jù)挖掘的故障檢測方法[J].數(shù)據(jù)采集與處理,2016(4):782-790.

        [40] 于藝浩.基于數(shù)據(jù)的車間實(shí)時(shí)調(diào)度系統(tǒng)的研究與開發(fā)[D].遼寧:沈陽工業(yè)大學(xué),2013.

        [41] Ozturk A,Kayaligil S,Ozdemirel N E.Manufacturing Lead time estimation using data mining[J].European Journal of Operational Research,2006,173(2):683-700.

        [42] Wang K J,Chen J C,Lin Y S.A hybrid knowledge discovery model using decision tree and neural network for selecting dispatching rules of a semiconductor final testing factory[J].Production Planning & Control,2005,16(16):665-680.

        [43] Shahzad A,Mebarki N.Discovering dispatching rules for job shop scheduling problem through data mining[C]//8th International Conference of Modeling and Simulation-MOSIM,2010:10-12.

        [44] Karimi H,Rahmati S H A,Zandieh M.An efficient knowledge-based algorithm for the flexible job shop scheduling problem[J].Knowledge-Based Systems,2012,36:236-244.

        [45] Guldogan E U.An integrated approach to machine selection and operation allocation problem[J].The International Journal of Advanced Manufacturing Technology,2011,55(5-8):797-805.

        [46] Tseng T L,Huang C C,Jiang F,et al.Applying a hybrid data-mining approach to prediction problems:a case of preferred suppliers prediction[J].International Journal of Production Research,2006,44(14):2935-2954.

        [47] Siradeghyan Y.Association rule-generation algorithm for mining automotive warranty data[J].International Journal of Production Research,2006,44(14):2749-2770.

        [48] Chen M C,Wu H P.An association-based clustering approach to order batching considering customer demand patterns[J].Omega,2005,33(4):333-343.

        [49] 朱付保,霍曉齊,徐顯景.基于數(shù)據(jù)挖掘的電力設(shè)備狀態(tài)診斷系統(tǒng)建模[J].中原工學(xué)院學(xué)報(bào),2015,26(3):85-89.

        [50] Zhou J,Li X,Andernroomer A J R,et al.Intelligent prediction monitoring system for predictive maintenance in manufacturing[C]//Conference of IEEE Industrial Electronics Society.IEEE,2005:6.

        [51] Kusiak A,Shah S.Data-mining-based system for prediction of water chemistry faults[J].IEEE Transactions on Industrial Electronics,2006,53(2):593-603.

        [52] Shao X Y,Wang Z H,Li P G,et al.Integrating data mining and rough set for customer group-based discovery of product configuration rules[J].International Journal of Production Research,2010,44(14):2789-2811.

        [53] 錢萍,吳蒙.同態(tài)加密隱私保護(hù)數(shù)據(jù)挖掘方法綜述[J].計(jì)算機(jī)應(yīng)用研究,2011,28(5):1614-1617,1622.

        [54] 任冷.數(shù)據(jù)挖掘應(yīng)用研究前沿和發(fā)展趨勢[J].科技與創(chuàng)新,2016(16):7-8.

        [55] 史尤昭.數(shù)據(jù)挖掘技術(shù)研究與應(yīng)用[J].軟件,2015,36(11):38-42.

        [56] 李濤,曾春秋,周武柏,等.大數(shù)據(jù)時(shí)代的數(shù)據(jù)挖掘——從應(yīng)用的角度看大數(shù)據(jù)挖掘[J].大數(shù)據(jù),2015,1(4):57-80.

        DATAMININGTECHNOLOGYANDITSAPPLICATIONINMANUFACTURINGINDUSTRY

        Wu Xuefeng Ma Lu

        (SchoolofMechanicalandPowerEngineering,HarbinUniversityofScienceandTechnology,Harbin150080,Heilongjiang,China)

        With the development of the information age, all walks of life have spawned a large number of data. In order to provide better decision support, data mining technology emerges as the times require. “Made in China 2025” was issued by the Chinese government based on detailed analyses of current manufacturing situations of China, and manufacturing industry is regarded as a key project of national development and support. As one of the modern advanced manufacturing technology, data milling technology possesses unique superiority in manufacturing industry. This paper firstly introduced the basic concept of data mining, mining process and classical algorithmic of data mining. Secondly, it emphatically introduced applications of data mining in manufacturing. Finally, the development trend of data mining was pointed out.

        Data mining Manufacturing Development trend

        TP205

        A

        10.3969/j.issn.1000-386x.2017.10.012

        2017-03-12。國家自然科學(xué)基金項(xiàng)目(51575144)。吳雪峰,副教授,主研領(lǐng)域:智能制造。馬路,碩士生。

        猜你喜歡
        數(shù)據(jù)挖掘關(guān)聯(lián)可視化
        基于CiteSpace的足三里穴研究可視化分析
        基于Power BI的油田注水運(yùn)行動(dòng)態(tài)分析與可視化展示
        云南化工(2021年8期)2021-12-21 06:37:54
        “苦”的關(guān)聯(lián)
        探討人工智能與數(shù)據(jù)挖掘發(fā)展趨勢
        基于CGAL和OpenGL的海底地形三維可視化
        “融評(píng)”:黨媒評(píng)論的可視化創(chuàng)新
        奇趣搭配
        基于并行計(jì)算的大數(shù)據(jù)挖掘在電網(wǎng)中的應(yīng)用
        電力與能源(2017年6期)2017-05-14 06:19:37
        智趣
        讀者(2017年5期)2017-02-15 18:04:18
        一種基于Hadoop的大數(shù)據(jù)挖掘云服務(wù)及應(yīng)用
        摸进她的内裤里疯狂揉她动图视频| 国产精品成年片在线观看| 国产98在线 | 免费| 亚洲国产综合专区在线电影| 午夜一区二区三区在线观看| 亚洲一区二区三区特色视频| 亚洲日韩一区二区一无码| 日韩欧美亚洲综合久久影院d3| 午夜无码片在线观看影院y| 日本女优中文字幕亚洲| 丰满熟妇乱又伦精品| 无码综合天天久久综合网| 狠狠久久久久综合网| 久久久久无码中文字幕| 国产人妖在线视频网站| а天堂8中文最新版在线官网| 国产成人av 综合 亚洲| 成人午夜免费福利| 久久久精品国产三级精品| 无码aⅴ精品一区二区三区| 97se亚洲国产综合自在线| 国产成人亚洲精品电影| 蜜桃视频中文在线观看| 中文乱码字幕在线亚洲av| 成人麻豆日韩在无码视频| 又色又污又爽又黄的网站| 亚洲国产成人AV人片久久网站| 亚洲av永久综合网站美女| 国产综合精品久久99之一| 免费人妻无码不卡中文字幕系| 欧美日本国产va高清cabal| 国产360激情盗摄一区在线观看 | 国产无遮挡又黄又爽无VIP| 亚洲女同av在线观看| 五月婷一本到五月天| 亚洲视频一区二区久久久| 免费人成视频网站在线不卡| 亚洲av无码国产精品色午夜洪| ZZIJZZIJ亚洲日本少妇| 国产黄色一区二区福利| 一本久久a久久免费综合|