基于統計模型的機械工程測試系統數據分析方法

徐哲揚

摘 要：當今，隨著大數據、人工智能時代的到來，新能源和自動駕駛汽車、機器人等計算機測試系統的測試對象日趨復雜化、大型化、和現代化，為了滿足被測對象對機械工程計算機測試系統越來越高的要求，即需要適應被測對象的日益智能化，現代的機械工程計算機測試系統的方向也朝著智能化發展。目前在機械工程測試領域對數據的分析和處理通常采用的是統計學的方法，本文介紹了兩個常用來處理分析數據的數學模型，即灰色預測模型和K-means聚類模型在機械工程測試中的應用。

關鍵詞：機械工程；測試技術；聚類分析；灰色預測

一.機械工程計算機測試系統數據分析概述和環節

1） 機械工程計算機測試系統概述

人類對自然界各個方面的深入理解離不開對自然界的信息的獲取。隨著計算機科學與技術的高速進步，伴隨著智能化的時代的到來機械工程機電一體化的也程度越來越高。因此，機械工程測試系統也無法避免的越來越復雜，所涉及的學科知識也越來越廣泛和深入。而機械工程計算機測試系統數據分析的基本任務就是利用各種物理和化學效應，選取合適的方法與裝置，將生產生活中的有待發掘的信息通過測量與實驗的方法獲取出來，并從中獲取被測試對象的變化規律與過程控制的動態信息，并且對這些數據進行數據分析與數據挖掘，從而得出它們內在的聯系與規律，從而進一步能夠提高信息的利用率。一個系統完善的機械工程計算機測試系統主要有模/數轉換、傳感器、信號調理和信號顯示記錄和分析處理裝置等多個功能模塊構成。

2） 機械工程計算機測試系統數據分析環節

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

此外，若想使信號能夠被輸入計算機中進行更進一步的數據分析和處理，還必須對采集得到的信號進行放大、調理、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，而這也就便于后續步驟中對采集得到數據的分析和處理。

機械工程測試的數據分析的第三步就是利用數據挖掘挖掘、分析，并處理采集得到的信號，并且輸出分析成果。數據分析主要包括信號的頻域分析、時域分析等，如灰色預測模型和K—means聚類分析等方法。輸出成果則主要是通過對這些數據的分析，能過比較可靠的預測出實際工程應用中機器的運作。

二.機械工程計算機測試系統數據分析方法

機械工程測試中的數據分析的方法法是多種多樣的，在不同的數據分析過程中必須實際情況選擇出相適應的數據分析方法。前面提到的統計學的方法是基于“大數據”，其本質是通過大量樣本數據或某種普遍現象所表現的大量隨機性數據來發掘事物內在的“發展規律”。下面主要介紹一下灰色預測模型和K— means聚類模型在機械工程測試中的應用方法。

1） 灰色預測模型GM（1，1）

3. 模型檢驗：灰色模型一般有殘差、關聯度檢驗。

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械工程測試工作中用到，如需要透過采集到的數據的來識別偵測設備是否處于故障狀態。K-Means聚類分析算法的核心是隨機給定若干個簇中心，按照某種判別標準將待分類樣本數據點分到各個簇。然后按平均法重新計算各個簇的質心，從而確定新的簇心。一直這樣循環迭代下去，直到簇心的判別值小于某個給定的值。K-Means聚類算法主要分為三個步驟：

1. 第一步：為待聚類的數據尋找聚類中心。

2. 第二步：計算每個數據點到聚類中心的距離，將每個數據點聚類到離該數據點最近的聚類中去。

3. 第三步：計算每個聚類中所有數據點的坐標平均值，并將這個平均值作為新的聚類中心

反復執行2和3，直到聚類中心不再進行大范圍移動或者聚類次數達到要求為止。

三.結論

當今時代是一個處于“信息爆炸”的時代，工程領域亦是如此。如何能夠透過這些過剩的信息發掘到我們所需要的信息也就變得舉足輕重。將統計學與工程測試技術緊密的結合起來能夠使我們充分的將所測信息的內在規律發掘出來，而數據分析與數據挖掘方法的選擇也成為了影響數據分析質量的決定性因素。本文針對易用性介紹了兩個常用來處理分析數據的統計模型，并簡單闡述了其實現步驟。

參考文獻：

[1]王娜，杜海峰，莊健，王孫安.用于故障診斷的網絡分割普聚類方法[D].西安交通大學，2008

[2]陳崇樂.改進的關聯規則挖掘算法在網絡用戶訪問日志 分析中的應用[D].上海師范大學，2007.

[3]曾輝.基于數據挖掘的銀行個人客戶信用評分模型的研究[D].對外經濟貿易大學，2007.

[4]朱亞臣.基于知識工程的電機產品網絡化制造平臺技術 研究及其應用[D].浙江大學，2007.