岸橋機(jī)械動態(tài)特征信息的數(shù)據(jù)挖掘與狀態(tài)識別.pdf

1、隨著岸橋在線監(jiān)測系統(tǒng)在集裝箱港口的普遍應(yīng)用,隨之產(chǎn)生了海量的狀態(tài)監(jiān)測數(shù)據(jù)；與故障診斷不同:這些動態(tài)數(shù)據(jù)是在岸橋作業(yè)時采集得到的,反映了岸橋在各種工況下的機(jī)械動態(tài)特征,顯得雜亂無章,特征不明顯；同時,數(shù)據(jù)的數(shù)據(jù)量都比較大(以GB為單位)。利用傳統(tǒng)的手段處理這些數(shù)據(jù)在方法和效率上都顯得力不從心。因此,如何有效地處理這些數(shù)據(jù),并獲得設(shè)備管理人員感興趣的知識是研究人員必須面對的問題,也是本論文的主要研究內(nèi)容。最近幾年,數(shù)據(jù)挖掘技術(shù)以其在知識獲取

2、方面的獨(dú)特優(yōu)勢,得到了迅猛發(fā)展。因此,利用數(shù)據(jù)挖掘技術(shù)在海量的監(jiān)測數(shù)據(jù)中發(fā)現(xiàn)能夠反映岸橋動態(tài)狀態(tài)的新特征,不失為一種好方法；同時,利用這些新的特征和手段進(jìn)行岸橋機(jī)械狀態(tài)的識別與評估也是一個很值得研究的課題。這不僅有利于突破傳統(tǒng)知識獲取手段的瓶頸,更能使這些存放在數(shù)據(jù)庫中的數(shù)據(jù)得到充分的利用。因此,對這些監(jiān)測數(shù)據(jù)進(jìn)行知識發(fā)現(xiàn)具有重要的理論和工程價值。
　　 本論文作為上海市教育委員會科研項(xiàng)目(項(xiàng)目編號:2004095):起重機(jī)監(jiān)測

3、信息的數(shù)據(jù)挖掘與狀態(tài)預(yù)測技術(shù)的主要成果,主要根據(jù)岸橋遠(yuǎn)程在線狀態(tài)監(jiān)評系統(tǒng)(NetCMAS)數(shù)據(jù)庫中的監(jiān)測數(shù)據(jù),利用數(shù)據(jù)挖掘的主要方法和手段,開展岸橋機(jī)械狀態(tài)識別的研究。論文主要從以下兩個方面著手開展:對岸橋在線監(jiān)測數(shù)據(jù)進(jìn)行量化關(guān)聯(lián)規(guī)則挖掘,并研究如何利用得到的規(guī)則對岸橋的狀態(tài)及其變化進(jìn)行識別和評估；針對高維的岸橋機(jī)械特征向量,利用基于粗糙集的屬性約簡和神經(jīng)網(wǎng)絡(luò)技術(shù),實(shí)現(xiàn)岸橋的機(jī)械狀態(tài)識別和可視化。同時,在論文最后,對岸橋狀態(tài)的預(yù)測模型進(jìn)

4、行了初步研究。
　　 論文以大量真實(shí)的狀態(tài)監(jiān)測數(shù)據(jù)作為數(shù)據(jù)挖掘的數(shù)據(jù)源,從研究岸橋機(jī)械狀態(tài)特征及其變化入手,進(jìn)行了量化關(guān)聯(lián)規(guī)則挖掘、基于粗糙集的維數(shù)約簡、基于神經(jīng)網(wǎng)絡(luò)的聚類及可視化等方面的研究,為數(shù)據(jù)挖掘技術(shù)在岸橋狀態(tài)監(jiān)測信息中進(jìn)行知識發(fā)現(xiàn)、狀態(tài)識別和進(jìn)行更深入的研究做出了有益的探索。本文的主要工作如下:
　　 1.設(shè)計(jì)了岸橋遠(yuǎn)程在線監(jiān)測與評估系統(tǒng)(NetCMAS),實(shí)現(xiàn)了岸橋機(jī)械狀態(tài)的遠(yuǎn)程在線監(jiān)測與評估。NetCMAS

5、系統(tǒng)的使用積累了大量的岸橋狀態(tài)監(jiān)測數(shù)據(jù),為數(shù)據(jù)挖掘提供了數(shù)據(jù)源,也保證了本論文中所有的研究結(jié)果真實(shí)可信。
　　 2.對岸橋在線監(jiān)測數(shù)據(jù)進(jìn)行量化關(guān)聯(lián)規(guī)則挖掘,并利用關(guān)聯(lián)規(guī)則作為特征量對岸橋的機(jī)械狀態(tài)進(jìn)行識別。
　　 為了適應(yīng)岸橋監(jiān)測數(shù)據(jù)分布偏度較高的特點(diǎn),論文提出了MCA-MQAR(基于改進(jìn)的競爭聚集算法的關(guān)聯(lián)規(guī)則)算法,并根據(jù)該算法對岸橋的在線監(jiān)測數(shù)據(jù)進(jìn)行了關(guān)聯(lián)規(guī)則挖掘；在此基礎(chǔ)上,論文針對以分區(qū)離散法為基礎(chǔ)的量化關(guān)聯(lián)規(guī)

6、則存在的問題,提出了直接生成頻繁項(xiàng)集的GA-MQAR(基于遺傳算法的量化關(guān)聯(lián)規(guī)則)算法,并對算法進(jìn)行了詳細(xì)的論述。在此基礎(chǔ)上,論文對上述兩種算法進(jìn)行了對比,并確定了論文后續(xù)內(nèi)容采用GA-MQAR算法。
　　 在發(fā)現(xiàn)規(guī)則的基礎(chǔ)上,論文著重對如何利用規(guī)則來對岸橋的機(jī)械狀態(tài)進(jìn)行識別進(jìn)行了研究。首先提出了劃分關(guān)聯(lián)規(guī)則的測度--相似度,并利用該測度將發(fā)現(xiàn)的規(guī)則劃分為四類:穩(wěn)定的規(guī)則、消失的規(guī)則、新生的規(guī)則和變化的規(guī)則,進(jìn)一步,論文提出了基

7、于規(guī)則的岸橋狀態(tài)識別模型,提出利用關(guān)聯(lián)規(guī)則及其變化作為特征值來識別、評價岸橋的機(jī)械狀態(tài)及其變化。
　　 3.針對岸橋機(jī)械狀態(tài)識別過程中,特征參數(shù)向量維數(shù)過高的問題,提出了首先利用基于粗糙集的屬性約簡技術(shù)對特征向量進(jìn)行約簡,再利用神經(jīng)網(wǎng)絡(luò)進(jìn)行狀態(tài)識別、可視化的方法；在可視化的過程中,提出利用增長神經(jīng)元結(jié)構(gòu)(GCS)神經(jīng)網(wǎng)絡(luò)在3D空間進(jìn)行可視化。
　　 屬性約簡中,針對岸橋監(jiān)測數(shù)據(jù)沒有決策屬性的特點(diǎn),提出了一般信息表屬性約簡

8、算法:并提出了利用Wallace測度評價屬性約簡的精度和準(zhǔn)確度,彌補(bǔ)了無監(jiān)督聚類難以評價約簡對聚類影響的局限。論文分別對岸橋起升驅(qū)動系統(tǒng)和小車行走驅(qū)動系統(tǒng)的狀態(tài)監(jiān)測數(shù)據(jù)進(jìn)行了基于粗糙集的屬性約簡。對約簡結(jié)果的評價,說明了算法對岸橋狀態(tài)監(jiān)測數(shù)據(jù)屬性約簡的有效性。
　　 在屬性約簡的基礎(chǔ)上,對岸橋狀態(tài)識別的可視化進(jìn)行了研究。為了克服SOM網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)固定的局限及取得更好的可視化效果,論文提出利用自組織神經(jīng)網(wǎng)絡(luò)的改進(jìn)算法一增長神經(jīng)元結(jié)

9、構(gòu)(GrowingCell Structure)的神經(jīng)網(wǎng)絡(luò)進(jìn)行岸橋狀態(tài)監(jiān)測數(shù)據(jù)的狀態(tài)識別和可視化；同時,為了取得更好的可視化,論文突破了以往大部分狀態(tài)識別只在2D空間進(jìn)行的局限,在3D空間實(shí)現(xiàn)了可視化。在此基礎(chǔ)上,論文對屬性約簡后的岸橋起升機(jī)構(gòu)和小車行走機(jī)構(gòu)的狀態(tài)數(shù)據(jù)分別進(jìn)行了狀態(tài)識別和可視化,實(shí)驗(yàn)結(jié)果表明,論文提出的3D空間的可視化算法運(yùn)行良好,并取得了比2D空間更好的可視化效果。
　　 4.在論文的最后,對基于支持向量機(jī)(S