工業大數據挖掘分析及應用前景研究

摘 要：當前傳感器、多媒體、數據庫和無線網絡技術得到了快速發展和普及，并已經在工業生產中得到了廣泛應用，由此開發了工業生產監控系統、工業設備維護系統、工業生產流程處理系統等，這些自動化系統在運行中積累了海量的數據資源。為了提高數據資源利用成效，發現數據中潛在的有價值的信息，亟需引入大數據挖掘技術，主要包括K均值算法、BP神經網絡、遺傳算法、關聯規則等，以便能夠提高工業大數據挖掘分析能力，建立一個先進的數據挖掘模式，具有較強的應用環境。

關鍵詞：工業大數據；關聯規則；設備維護；BP神經網絡

1 概述

目前工業設計、生產制造等環節中引入了自動化系統，系統運行積累了海量的數據資源，如何從海量數據中挖掘有價值、有用的信息，幫助工業生產作出正確的決策，已經成為許多學者研究的熱點[1]。大數據挖掘分析可以從海量的、帶有噪聲數據的、不完全的數據記錄中發現隱含的模式，可以為工業數據挖掘提供契機。大數據挖掘可以使用相關的算法尋找隱藏的數據知識，其功能主要包括關聯分析、聚類分析、分類預測、偏差檢測等[2]。

（1）關聯分析。工業系統運行產生的大數據來源于設計、制造和生產等環節，涉及各類型軟硬件設備，這些數據信息資源存在極大的關聯關系，比如簡單關聯關系、時序關聯關系、設備-軟件關聯關系、日志操作關聯關系等。

（2）分類預測。應用工業大數據的過程中，許多信息數據保存得較為繁亂，比如設備種類和數量多，設備購置、維修、更換等運行記錄保存日期、位置、版本較多，容易產生不一致。因此，分類預測可以根據工業企業管理人員的需求，引入貝葉斯理論等構件一個分類算法，挖掘數據中相同類別的信息，這些類別可以是維修記錄、購置記錄，也可以是時間內容等，并且可以利用預測管理功能，預測設備運行趨勢。

（3）聚類分析。工業大數據多是設備運行自動產生的數據，相關子數據集缺乏詳細的描述信息，此時可以采用聚類分析方法，將數據劃分為多個簇，簇內保持高度的相似性、同構性，簇間保持較大的差別性，這就可以把相同類別的數據劃分到一組，不同類別的數據劃分到多個簇。

（4）偏差檢測。數據挖掘發現數據集中的離群點或異常數據是一個重要的功能，比如工業生產網絡安全監測，該功能被稱為偏差檢測。偏差檢測主要包括分類中的反常實例、例外模式、觀測結果對期望值存在的偏離以及量值可以隨時間的變化而變化。偏差檢測包括尋找觀察結果、參照之間的有意義差別，偏差分析的一個非常重要的特征是可以有效地過濾掉大量不感興趣的信息。

2 工業大數據挖掘分析技術及模式

工業生產引入自動化系統始于第二次工業革命，隨著傳感器、移動通信等技術的快速改進，工業生產正在向著密度更高、效率更高的綜合信息化運行模式發展，引入了許多先進的計算機系統，這些系統運行產生了海量的數據信息資源，導致了人們不能夠繼續使用傳統的生產模式，必須從多個方面和切入點進行有效研究和發展，引入大數據挖掘分析技術，一般實現工業生產科學管理，有效地控制生產設備，形成一個全過程生產模式[3]。目前，工業大數據挖掘分析技術包括多種技術，最常用的包括K均值、BP神經網絡、遺傳算法和貝葉斯理論等，可以從海量的流量數據中發掘潛在的有價值的信息，利用這些信息可以指導、創新工業生產管理模式，構建一個大數據挖掘系統[4]。

（1）基于K均值算法構建聚類分析模式。K均值是常用的主流聚類分析算法，使用工業數據之前，許多用戶不知道期望的目標，并且無法獲取更多的數據應用背景知識，因此可以利用K均值算法構建一個自動聚類分析的大數據模式，比如可以自動將工業設計數據劃分為高中低等檔次，可以把高檔設計案例推薦給企業，提高企業工業設計能力。

（2）基于BP神經網絡構建分類預測模型。BP神經網絡是一種數據挖掘方法，其可以通過學習獲取相關的風險關鍵特征，然后將待評估的工業設備運行狀態數據輸入到系統中，自動分析設備維護次數、更新次數、使用周期，這種工業設備運行管理模型速度快，評估結果具有較高的準確度。工業大數據分類預測可以采用BP神經網絡算法構建一個分類預測系統，這樣就可以準確地判斷大數據的運行維護記錄，判斷設備日常運行趨勢，能夠提高工業設備的運行維護效率。

3 工業大數據挖掘作用及前景

隨著自動化控制、多媒體通信等技術的快速發展，大數據挖掘技術可以在船舶設計制造、工業生產安全監測等領域得到應用，實現自動化制造和工業安全生產管理等，進一步實現工業生產過程的智能化。

3.1 智能制造

目前，隨著工業4.0、互聯網+等深入發展和應用，大數據挖掘技術可以有效地提升智能制造的相關產品設計、制造、生產和展示等階段的性能，大數據挖掘在完善產品設計功能、優化產品性能、改進產品質量等方面具有重要的作用，可以大大提高工業產品的生產成功率和降低開發成本。比如在鋼鐵工業制造中，帶鋼生產工序較為復雜，涉及多個環節，每一個環節的工藝設置參數較多，造成帶鋼成品很容易產生各類型的缺陷，比如擦傷、邊裂、劃痕、輥印、結疤和氧化鐵皮壓入等，大數據挖掘可以構建一個集成多方面優勢的構建一個帶鋼缺缺陷識別模型，能夠利用圖像處理技術分析帶鋼上的各種缺陷類型，及時發現不合格的產品。

3.2 安全監測

工業生產過程中，安全生產一直是生產監管的重要方面，大數據挖掘技術可以在工業安全生產中發揮重要的作用。比如電力工業生產可以利用大數據分析技術監控電網的運行狀態，并且將其輸入到虛擬仿真系統中，可以實時觀察電網運行是否存在故障和漏洞。鋼鐵工業生產環境多處于高溫、封閉狀態，并且已經不利于人們的行動，可以利用傳感器、視頻攝像頭采集鋼鐵生產作業環境的實時狀況，并且構建一個鋼鐵工業生產現場監控系統，可以采集鋼鐵工業生產、加工的實時數據，將其輸入到鋼鐵工業服務器中，能夠實時的顯示在監控終端，比如電視墻、大屏幕上，分析鋼鐵工業的生產設備、作業環境等信息，確保鋼鐵工業生產的安全性。

4 結束語

工業生產涉及環節較多，每一個環節都需要采用不同種類和數量的軟件系統和硬件設備，這些軟硬件資源在運行過程中產生了海量的數據，利用K均值、BP神經網絡等構件大數據挖掘與分析系統，能夠有效提升工業大數據分析和挖掘能力，從海量數據資源中發現潛在的有價值信息，提高工業生產決策的準確度，進一步改進工業生產效率。

參考文獻

[1]陳良臣.大數據挖掘與分析的關鍵技術研究[J].數字技術與應用， 2015（11）：93.

[2]鄭茂寬，徐志濤，明新國，等.船舶工業大數據技術應用與發展前景分析[C]//長三角地區船舶工業發展論壇，2014.

[3]宮宇，呂金壯.大數據挖掘分析在電力設備狀態評估中的應用[J].南方電網技術，2014，8（6）：74-77.

[4]嚴明良.電力行業大數據技術及應用研究[J].南京工業職業技術學院學報，2015（2）：1-5.