徐哲揚(yáng)

摘 要：當(dāng)今，隨著大數(shù)據(jù)、人工智能時(shí)代的到來，新能源和自動(dòng)駕駛汽車、機(jī)器人等計(jì)算機(jī)測試系統(tǒng)的測試對象日趨復(fù)雜化、大型化、和現(xiàn)代化，為了滿足被測對象對機(jī)械工程計(jì)算機(jī)測試系統(tǒng)越來越高的要求，即需要適應(yīng)被測對象的日益智能化，現(xiàn)代的機(jī)械工程計(jì)算機(jī)測試系統(tǒng)的方向也朝著智能化發(fā)展。目前在機(jī)械工程測試領(lǐng)域?qū)?shù)據(jù)的分析和處理通常采用的是統(tǒng)計(jì)學(xué)的方法，本文介紹了兩個(gè)常用來處理分析數(shù)據(jù)的數(shù)學(xué)模型，即灰色預(yù)測模型和K-means聚類模型在機(jī)械工程測試中的應(yīng)用。

關(guān)鍵詞：機(jī)械工程；測試技術(shù)；聚類分析；灰色預(yù)測

一.機(jī)械工程計(jì)算機(jī)測試系統(tǒng)數(shù)據(jù)分析概述和環(huán)節(jié)

1） 機(jī)械工程計(jì)算機(jī)測試系統(tǒng)概述

人類對自然界各個(gè)方面的深入理解離不開對自然界的信息的獲取。隨著計(jì)算機(jī)科學(xué)與技術(shù)的高速進(jìn)步，伴隨著智能化的時(shí)代的到來機(jī)械工程機(jī)電一體化的也程度越來越高。因此，機(jī)械工程測試系統(tǒng)也無法避免的越來越復(fù)雜，所涉及的學(xué)科知識也越來越廣泛和深入。而機(jī)械工程計(jì)算機(jī)測試系統(tǒng)數(shù)據(jù)分析的基本任務(wù)就是利用各種物理和化學(xué)效應(yīng)，選取合適的方法與裝置，將生產(chǎn)生活中的有待發(fā)掘的信息通過測量與實(shí)驗(yàn)的方法獲取出來，并從中獲取被測試對象的變化規(guī)律與過程控制的動(dòng)態(tài)信息，并且對這些數(shù)據(jù)進(jìn)行數(shù)據(jù)分析與數(shù)據(jù)挖掘，從而得出它們內(nèi)在的聯(lián)系與規(guī)律，從而進(jìn)一步能夠提高信息的利用率。一個(gè)系統(tǒng)完善的機(jī)械工程計(jì)算機(jī)測試系統(tǒng)主要有模/數(shù)轉(zhuǎn)換、傳感器、信號調(diào)理和信號顯示記錄和分析處理裝置等多個(gè)功能模塊構(gòu)成。

2） 機(jī)械工程計(jì)算機(jī)測試系統(tǒng)數(shù)據(jù)分析環(huán)節(jié)

機(jī)械工程測試的數(shù)據(jù)分析的第一步是獲取傳感信號，也就是將被測量轉(zhuǎn)換成某種電信號的器件。其主要包含了敏感器和轉(zhuǎn)換器兩個(gè)部分。其中的敏感器可以將溫度、壓力、位移、振動(dòng)等被測量轉(zhuǎn)換成某種物理量，然后可以通過轉(zhuǎn)換器把這些物理量轉(zhuǎn)換成某種容易檢測的電量，例如電阻，電容，電感的變化，而這也就是機(jī)械工程測試的數(shù)據(jù)分析的第二步

此外，若想使信號能夠被輸入計(jì)算機(jī)中進(jìn)行更進(jìn)一步的數(shù)據(jù)分析和處理，還必須對采集得到的信號進(jìn)行放大、調(diào)理、濾波存儲重放和一些專門等加工處理過程，以便能夠去掉采集過程中不可避免的干擾和噪聲，而這也就便于后續(xù)步驟中對采集得到數(shù)據(jù)的分析和處理。

機(jī)械工程測試的數(shù)據(jù)分析的第三步就是利用數(shù)據(jù)挖掘挖掘、分析，并處理采集得到的信號，并且輸出分析成果。數(shù)據(jù)分析主要包括信號的頻域分析、時(shí)域分析等，如灰色預(yù)測模型和K—means聚類分析等方法。輸出成果則主要是通過對這些數(shù)據(jù)的分析，能過比較可靠的預(yù)測出實(shí)際工程應(yīng)用中機(jī)器的運(yùn)作。

二.機(jī)械工程計(jì)算機(jī)測試系統(tǒng)數(shù)據(jù)分析方法

機(jī)械工程測試中的數(shù)據(jù)分析的方法法是多種多樣的，在不同的數(shù)據(jù)分析過程中必須實(shí)際情況選擇出相適應(yīng)的數(shù)據(jù)分析方法。前面提到的統(tǒng)計(jì)學(xué)的方法是基于“大數(shù)據(jù)”，其本質(zhì)是通過大量樣本數(shù)據(jù)或某種普遍現(xiàn)象所表現(xiàn)的大量隨機(jī)性數(shù)據(jù)來發(fā)掘事物內(nèi)在的“發(fā)展規(guī)律”。下面主要介紹一下灰色預(yù)測模型和K— means聚類模型在機(jī)械工程測試中的應(yīng)用方法。

1） 灰色預(yù)測模型GM（1，1）

3. 模型檢驗(yàn)：灰色模型一般有殘差、關(guān)聯(lián)度檢驗(yàn)。

2） K-means聚類分析

聚類算法往往在處理某些需要識別類別的機(jī)械工程測試工作中用到，如需要透過采集到的數(shù)據(jù)的來識別偵測設(shè)備是否處于故障狀態(tài)。K-Means聚類分析算法的核心是隨機(jī)給定若干個(gè)簇中心，按照某種判別標(biāo)準(zhǔn)將待分類樣本數(shù)據(jù)點(diǎn)分到各個(gè)簇。然后按平均法重新計(jì)算各個(gè)簇的質(zhì)心，從而確定新的簇心。一直這樣循環(huán)迭代下去，直到簇心的判別值小于某個(gè)給定的值。K-Means聚類算法主要分為三個(gè)步驟：

1. 第一步：為待聚類的數(shù)據(jù)尋找聚類中心。

2. 第二步：計(jì)算每個(gè)數(shù)據(jù)點(diǎn)到聚類中心的距離，將每個(gè)數(shù)據(jù)點(diǎn)聚類到離該數(shù)據(jù)點(diǎn)最近的聚類中去。

3. 第三步：計(jì)算每個(gè)聚類中所有數(shù)據(jù)點(diǎn)的坐標(biāo)平均值，并將這個(gè)平均值作為新的聚類中心

反復(fù)執(zhí)行2和3，直到聚類中心不再進(jìn)行大范圍移動(dòng)或者聚類次數(shù)達(dá)到要求為止。

三.結(jié)論

當(dāng)今時(shí)代是一個(gè)處于“信息爆炸”的時(shí)代，工程領(lǐng)域亦是如此。如何能夠透過這些過剩的信息發(fā)掘到我們所需要的信息也就變得舉足輕重。將統(tǒng)計(jì)學(xué)與工程測試技術(shù)緊密的結(jié)合起來能夠使我們充分的將所測信息的內(nèi)在規(guī)律發(fā)掘出來，而數(shù)據(jù)分析與數(shù)據(jù)挖掘方法的選擇也成為了影響數(shù)據(jù)分析質(zhì)量的決定性因素。本文針對易用性介紹了兩個(gè)常用來處理分析數(shù)據(jù)的統(tǒng)計(jì)模型，并簡單闡述了其實(shí)現(xiàn)步驟。

參考文獻(xiàn)：

[1]王娜，杜海峰，莊健，王孫安.用于故障診斷的網(wǎng)絡(luò)分割普聚類方法[D].西安交通大學(xué)，2008

[2]陳崇樂.改進(jìn)的關(guān)聯(lián)規(guī)則挖掘算法在網(wǎng)絡(luò)用戶訪問日志 分析中的應(yīng)用[D].上海師范大學(xué)，2007.

[3]曾輝.基于數(shù)據(jù)挖掘的銀行個(gè)人客戶信用評分模型的研究[D].對外經(jīng)濟(jì)貿(mào)易大學(xué)，2007.

[4]朱亞臣.基于知識工程的電機(jī)產(chǎn)品網(wǎng)絡(luò)化制造平臺技術(shù) 研究及其應(yīng)用[D].浙江大學(xué)，2007.