(江南大學(xué) 江蘇 無(wú)錫 214122)

科技的發(fā)展為工業(yè)領(lǐng)域帶來(lái)了技術(shù)的變革，自動(dòng)化和智能化的發(fā)展趨勢(shì)使得工業(yè)各個(gè)環(huán)節(jié)都在被信息技術(shù)影響，各種自動(dòng)控制系統(tǒng)正在迅速應(yīng)用?，F(xiàn)代信息技術(shù)與工業(yè)的整合使每個(gè)鏈路的數(shù)據(jù)都得以完整記錄，這些數(shù)據(jù)正以驚人的速度擴(kuò)張，工業(yè)已進(jìn)入“大數(shù)據(jù)時(shí)代”。這些數(shù)據(jù)通過(guò)科學(xué)的手段便能“變廢為寶”，而數(shù)據(jù)挖掘技術(shù)就是幫助企業(yè)去挖掘?qū)毑氐年P(guān)鍵。數(shù)據(jù)挖掘技術(shù)可以分析行業(yè)生成的數(shù)據(jù)，發(fā)現(xiàn)隱藏的關(guān)系和規(guī)則。利用這些關(guān)系和規(guī)則來(lái)幫助工業(yè)在準(zhǔn)備、制造、采購(gòu)階段提高效率、優(yōu)化質(zhì)量和降低成本等。

在復(fù)雜的工業(yè)生產(chǎn)過(guò)程中，當(dāng)某一環(huán)節(jié)發(fā)生故障時(shí)，會(huì)導(dǎo)致一系列的連鎖問題，使得整個(gè)生產(chǎn)系統(tǒng)受到影響，甚至可能會(huì)危及人身安全，因此故障預(yù)警是必不可少的。然而，生產(chǎn)線的復(fù)雜情況，即使是經(jīng)驗(yàn)豐富的老師傅也很難快速地反應(yīng)過(guò)來(lái)，而數(shù)據(jù)挖掘卻不同，它通過(guò)數(shù)據(jù)的挖掘與分析，找出其中的關(guān)聯(lián)，能夠達(dá)到快速預(yù)測(cè)的效果。本文嘗試?yán)脭?shù)據(jù)挖掘算法，對(duì)中科云谷公司混凝土泵車砼活塞進(jìn)行故障診斷，以期更快、更有效地解決工業(yè)企業(yè)生產(chǎn)故障問題。

一、數(shù)據(jù)挖掘分類預(yù)測(cè)方法

活塞故障預(yù)測(cè)其本質(zhì)就是預(yù)測(cè)該零件存在質(zhì)量問題的傾向性，屬于二元分類預(yù)測(cè)模型，常用的有神經(jīng)網(wǎng)絡(luò)、決策樹、邏輯回歸和支持向量機(jī)等算法[1-3]。

(一)決策樹算法。決策樹算法由構(gòu)建決策樹和決策樹剪枝兩個(gè)基本步驟組成，利用數(shù)據(jù)中具有分類功能的屬性作為節(jié)點(diǎn)生成決策樹，然后利用測(cè)試數(shù)據(jù)集對(duì)分類規(guī)則進(jìn)行剪枝，最終形成的決策樹可對(duì)數(shù)據(jù)進(jìn)行分類。常見的構(gòu)建決策樹的方法有CART算法、J48等。

(二)邏輯回歸。邏輯回歸用于描述范疇型響應(yīng)變量與預(yù)測(cè)變量之間的關(guān)系，是在多響應(yīng)線性回歸的基礎(chǔ)上，在一個(gè)經(jīng)轉(zhuǎn)換的目標(biāo)變量上建立的線性模型。

(三)支持向量機(jī)。支持向量機(jī)(SVM)是建立在VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小原理等統(tǒng)計(jì)學(xué)理論基礎(chǔ)上的，它由于在解決小樣本、非線性、高維模式識(shí)別中具有特別的優(yōu)勢(shì)而受到了廣泛的關(guān)注，并能夠推廣到函數(shù)擬合等其他機(jī)器學(xué)習(xí)的應(yīng)用中。

二、實(shí)驗(yàn)數(shù)據(jù)及數(shù)據(jù)預(yù)處理

本研究采用中科云谷科技有限公司公開提供的混凝土泵車砼活塞故障有關(guān)的數(shù)據(jù)，包括工作時(shí)間等多類工況數(shù)據(jù)，以及相應(yīng)情況下，當(dāng)混凝土泵送量完成時(shí)，活塞是否有故障的識(shí)別信息。

由于數(shù)據(jù)屬性較多，為提高結(jié)果準(zhǔn)確度，需要進(jìn)行數(shù)據(jù)預(yù)處理剔除冗余屬性，這里通過(guò)計(jì)算皮爾森系數(shù)來(lái)評(píng)估屬性重要程度的方法，選擇Ranker作為搜索方法，計(jì)算結(jié)果顯示，屬性反泵、低壓開關(guān)、攪拌超壓信號(hào)、高壓開關(guān)、正泵與預(yù)測(cè)結(jié)果關(guān)系為0，將它們移除，最終篩選出的屬性如表1所示。

表1 屬性篩選結(jié)果

三、實(shí)驗(yàn)結(jié)果

(一)對(duì)比實(shí)驗(yàn)結(jié)果及評(píng)估

本章中活塞故障預(yù)測(cè)模型，輸入變量是連續(xù)型變量，輸出變量是分類變量，因此本文選擇邏輯回歸、決策樹、支持向量機(jī)3種分類算法進(jìn)行建模，并對(duì)結(jié)果進(jìn)行對(duì)比分析。

模型評(píng)估有多種指標(biāo)，常用的有精確率、覆蓋率和兩類錯(cuò)誤率。然而，某個(gè)類的精確率與覆蓋率不一定能同時(shí)高，對(duì)于故障預(yù)測(cè)問題，由于未能預(yù)測(cè)出故障造成的損失要比把不故障產(chǎn)品判斷成故障產(chǎn)品造成的損失高出許多，因此對(duì)故障識(shí)別能力要求較高，也就是對(duì)覆蓋率要求更高，具體需要比較兩類錯(cuò)誤的不同代價(jià)，從而尋求平衡使得總代價(jià)最小。兩類錯(cuò)誤率的概念來(lái)自統(tǒng)計(jì)學(xué)，將其放入本模型中，即原假設(shè)為活塞是故障的，那么把一個(gè)將故障的活塞預(yù)測(cè)為不會(huì)故障的錯(cuò)誤就是第一類錯(cuò)誤，把一個(gè)不會(huì)故障的活塞預(yù)測(cè)為會(huì)故障的活塞預(yù)測(cè)為會(huì)故障的錯(cuò)誤是第二類錯(cuò)誤。對(duì)比分析結(jié)果如表2所示：

表2 三種模型對(duì)比分析結(jié)果

從表2可以看出，決策樹J48算法不僅達(dá)到最高的精確率，覆蓋率，和F值，各類型錯(cuò)誤率也是最低的。通過(guò)各類指標(biāo)的比較，本文選取決策樹作為故障預(yù)測(cè)模型

(二)決策規(guī)則

決策樹應(yīng)用于故障預(yù)測(cè)模型的優(yōu)勢(shì)之一就是可以歸納出規(guī)則，便于工作人員操作，根據(jù)預(yù)測(cè)結(jié)果，本文可以歸納出以下幾條：

規(guī)則1：如果：流量檔位≥9.75；那么：故障傾向?不故障

規(guī)則2：如果：流量檔位>9.75 & 排流電量≤588.52；那么：故障傾向?不故障

根據(jù)這些規(guī)則，操作人員可以迅速定位有故障傾向的機(jī)器，然后進(jìn)行整修。

四、結(jié)論

工業(yè)水平體現(xiàn)了一個(gè)國(guó)家的綜合國(guó)力，我國(guó)作為一個(gè)工業(yè)強(qiáng)國(guó)，工業(yè)領(lǐng)域的數(shù)據(jù)庫(kù)中有著大量的、模糊的、冗余的信息，工業(yè)生產(chǎn)過(guò)程所面臨的復(fù)雜的預(yù)測(cè)、優(yōu)化問題，靠以往的人工經(jīng)驗(yàn)和簡(jiǎn)單的統(tǒng)計(jì)分析方法已經(jīng)不能解決，而數(shù)據(jù)挖掘?yàn)楣I(yè)的優(yōu)化帶來(lái)了新的方向。借助數(shù)據(jù)挖掘技術(shù)可以提高企業(yè)效率、優(yōu)化產(chǎn)品質(zhì)量，在工業(yè)領(lǐng)域中數(shù)據(jù)挖掘技術(shù)革新了企業(yè)的研發(fā)、生產(chǎn)、運(yùn)營(yíng)和管理方式，讓工業(yè)生產(chǎn)過(guò)程更加智能化和自動(dòng)化。本文討論了在這個(gè)“數(shù)據(jù)爆炸”的時(shí)代，將數(shù)據(jù)挖掘技術(shù)應(yīng)用于工業(yè)企業(yè)故障診斷的可行性。通過(guò)對(duì)中科云谷科技公司混凝土泵車砼活塞建立多個(gè)故障預(yù)警的模型，并進(jìn)行對(duì)比分析，發(fā)現(xiàn)該公司砼活塞故障預(yù)警的最佳方法。