智能預(yù)診過程關(guān)聯(lián)規(guī)則提取方法研究.pdf

1、智能預(yù)診是智能維護系統(tǒng)的核心環(huán)節(jié)，對智能預(yù)診結(jié)果的理解程度會直接影響到設(shè)備維護人員制定決策的準(zhǔn)確率和執(zhí)行效率，但是智能預(yù)診模型的預(yù)診結(jié)果通常是以繁雜的數(shù)據(jù)形式存在的，比如神經(jīng)網(wǎng)絡(luò)的知識廣泛分布在各個連接權(quán)值和閾值中，尤其當(dāng)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)比較復(fù)雜時，連接權(quán)值矩陣和閾值矩陣會非常龐大，這些數(shù)據(jù)就難以直接被人們理解和應(yīng)用。本文從數(shù)據(jù)挖掘角度通過提取關(guān)聯(lián)規(guī)則來挖掘預(yù)診結(jié)果數(shù)據(jù)中隱藏的預(yù)診信息和預(yù)診知識，將以數(shù)據(jù)形式存在的智能預(yù)診結(jié)果轉(zhuǎn)化為以關(guān)聯(lián)規(guī)

2、則形式表示的知識，提高智能預(yù)診結(jié)果的可理解性。
　　支持向量回歸機SVR已經(jīng)被廣泛應(yīng)用于智能預(yù)診過程中的剩余壽命預(yù)測，但是SVR的預(yù)測精度與正則化參數(shù)C、不敏感系數(shù)ε以及核函數(shù)參數(shù)θ的選擇緊密相關(guān)。針對傳統(tǒng)方法的不足，本文提出了基于關(guān)聯(lián)規(guī)則的參數(shù)選擇方法。首先構(gòu)建參數(shù)樣本數(shù)據(jù)，然后利用數(shù)據(jù)挖掘工具 CBA提取關(guān)聯(lián)規(guī)則，最后驗證關(guān)聯(lián)規(guī)則。驗證結(jié)果表明那些正確率高的參數(shù)關(guān)聯(lián)規(guī)則可以被直接應(yīng)用于SVR參數(shù)的選擇，該方法為SVR參數(shù)選擇提

3、供一種新的途徑。
　　由于CBA工具對數(shù)據(jù)的規(guī)范性要求過于嚴(yán)格，本文進而提出了一種基于多重剪枝策略的分類關(guān)聯(lián)規(guī)則提取算法MAMP。首先利用MA算法產(chǎn)生支持度和置信度滿足閾值條件的原始關(guān)聯(lián)規(guī)則，然后對這些規(guī)則進行相關(guān)性分析、冗余分析和數(shù)據(jù)覆蓋技術(shù)分析，保留用戶最感興趣的關(guān)聯(lián)規(guī)則。驗證結(jié)果表明，MAMP算法具有很好的剪枝效果，它能夠在保證分類精度的前提下保持盡量少的關(guān)聯(lián)規(guī)則，而且能夠處理一般的數(shù)據(jù)，對數(shù)據(jù)規(guī)范性沒有特殊的要求，因此MA

4、MP算法能夠較好地處理智能預(yù)診模型生成的各種數(shù)據(jù)。
　　性能評估是智能預(yù)診過程中的一個關(guān)鍵環(huán)節(jié)。針對傳統(tǒng)的基于斷裂力學(xué)的金屬疲勞性能評價方法建模的復(fù)雜性，本文從實驗的角度建立了一種基于貝葉斯網(wǎng)絡(luò)的金屬疲勞性能衰退評估模型，直接利用貝葉斯網(wǎng)絡(luò)來學(xué)習(xí)金屬疲勞實驗數(shù)據(jù)，而不必去考慮金屬疲勞破壞過程中疲勞裂紋的產(chǎn)生和擴展。性能評價結(jié)果表明本文提出的評估方法較傳統(tǒng)方法有較大改進，它大大降低了建模的復(fù)雜性，考慮了更多因素對疲勞性能的影響，而且