數據挖掘技術在制冷空調行業的應用

朱成文 任鳳

摘要：我國制冷空調行業的發展時間較短，雖然積累了一定的經驗，但是在市場發展上依舊存在諸多問題，對制冷空調行業發展的影響因素也相對較多，導致制冷空調行業的發展速度一直較為緩慢。同時，大部分制冷空調企業都沒有自身的技術，且綜合實力較弱，極大制約了制冷空調行業的持續發展。而數據挖掘技術可以對各種數據進行有效提取，將這些有用信息服務于制冷空調行業中，能夠有效推動制冷空調行業的進步和發展。鑒于此，本文就針對數據挖掘技術進行深入分析，結合實際情況對數據挖掘技術在制冷空調行業的應用進行詳細闡述，希望能為數據挖掘技術在制冷空調行業中的應用提供有效參考依據。

關鍵詞：數據挖掘技術；制冷空調行業；應用

在科學技術的迅速發展背景下，數據挖掘技術被廣泛應用到各個行業領域中，對我國人民的生活生產造成了較大影響，不僅提高了我國人民的信息交流效率，也促進了我國社會經濟的快速發展。隨著數據進入爆炸式增長的階段中，數據的存儲能力和計算能力也得到了顯著提高，在各種信息化技術的應用條件下，我國逐漸進入了大數據時代。在制冷空調行業的發展過程中，各個企業和部門對大數據的重視性日益提高，逐漸加強了對數據挖掘技術的研究和實踐，期望能夠以此促進制冷空調行業與信息技術行業的融合及發展，使我國制冷空調行業的發展現狀得到有效改善，有效提高我國制冷空調行業的整體素質。因此，有必要對數據挖掘技術進行分析，對數據挖掘技術在制冷空調行業的應用進行詳細闡述，以此為制冷空調行業的發展提供更多的技術支持。

1.數據挖掘技術

就目前來看，數據挖掘技術涉及到的學科較多，主要由數據庫技術、信息檢索、統計學、人工智能、機器學習等各種先進技術共同組成，其主要作用就是對海量的數據進行分析，將其中的有用信息提取出來，以此為人類的生活生產提供有利依據。在制冷空調行業的發展過程中，積累了大量的物流、運營、管理及產品等不同類型的數據，對其進行數據挖掘的過程可以分為數據預處理、數據挖掘及結果解釋與應用等三個階段。

1.1數據預處理

在制冷空調行業中，對于數據的采集都是選擇人為記錄或傳感器測量等方式進行的，并選擇本地保存或遠程傳輸方式，將其存儲到數據庫。但是在進行數據采集的時候，常常會出現許多不穩定因素，這就很容易影響到數據的準確性和完整性，顯著降低了數據的整體質量，對數據挖掘中的性能和精度存在著較大影響。面對這種情況，就需要做好數據預處理，對某些異常的數據進行正確處理，以此提高數據的整體質量[1]。一般數據預處理是數據挖掘中不可或缺的步驟，整個過程包括了數據清理、數據集成、數據變換及數據歸約等多個步驟，其中數據清理就是對不一致的數據進行糾正，并減少孤立數據、清除數據噪聲、填充數據中的缺失值，以此提高數據的整體質量；其中數據集成就是對同一類型、不同數據源的數據進行集中保存，整個數據集成過程要充分考慮到數據值的沖突、冗余屬性 及模式集成等問題；其中數據變換就是對數據的形式進行轉換，比如數據類型和數據標準化的轉換等等，確保其能夠滿足數據挖掘的需求；其中數據歸約就是在保持原始數據重要特征的基礎上，通過數值壓縮、數據壓縮及數據降維等方法對數據進行壓縮，為數據的后續處理提供有利條件。

1.2數據挖掘

在完成數據預處理之后，就要通過數據挖掘獲取數據的有用價值，將制冷空調領域的專業知識作為核心基礎，結合計算機技術和數學理論等先進技術，通過Python、MATLAB等應用軟件進行數據分析和處理。在進行數據分析的時候，需要建立好數學算法模型，便于對數據進行分類、回歸和聚類，深入挖掘各種數據之間的隱藏關系，有效獲取數據中的有用價值。同時，數據挖掘算法可以區分為無監督學習算法和有監督學習算法，一般在制冷空調行業中使用的有監督學習算法包括了貝葉斯網絡、BP神經網絡、支持向量機及決策樹等等，無監督學習算法則包括了關聯規則分析及聚類分析等等[2]。其中有監督學習算法就是在已經知道輸出和部分輸出的對應關系時，建立一個數學模型，將輸入映射到預期的輸出中，通過訓練模型對輸出數據進行準確分析；其中無監督學習算法就是在不知道輸出和輸入關系的情況下，對輸入數據進行數學模型的建立，對數據特征進行全面分析。

1.3結果解釋與應用

一般數據挖掘結果都是以表格或圖形形式進行呈現，雖然在數學方面能夠得到較好的解釋效果，但是在物理方面很難進行有效解釋，這就需要結合制冷空調領域的專業知識對其物理意義進行有效解釋，繼而將其中具有價值的知識和信息提取出來，并將其使用到制冷空調行業中，為制冷空調行業的發展提供可靠的信息支持[3]。

2.數據挖掘技術在制冷空調行業中的應用分析

2.1故障檢測和診斷中的應用

就目前來看，我國制冷空調行業利用數據挖掘技術進行數據研究的信息資料較少，大部分都是關于對制冷空調系統故障檢測和診斷及節能優化等幾個方面的文獻資料。在進行數據挖掘技術的研究過程中，研究人員對人工神經網絡和粗糙理論進行了結合運用，通過這種數據挖掘方法對空調系統中的傳感器進行了全面的故障檢測及診斷，并對其診斷結果進行了科學分析，發現空調機組的溫濕度測量值能夠有效區分回水溫度及供水溫度傳感器的并發故障，整個檢測過程所消耗的時間相對較短，體現出較好的應用優勢[4]。同時，有關人員利用概率神經網絡算法進行故障檢測及診斷的時候，需要選擇人工引入故障方式進行模型建立，在樣本數量符合相關要求之后，其故障檢測的整體效率能夠得到有效提高，使制冷空調行業的各項要求得到有效滿足。

2.2在產品開發中的應用

制冷空調行業中產生的海量數據具有較高的使用價值，對其中的有用數據進行科學處理和使用，不僅能夠提高制冷空調行業的生產效率和質量，也能夠為制冷空調行業的產品開發提供可靠的信息依據，使制冷空調行業的產品開發更具有合理性、科學性及可靠性。在針對制冷空調行業的數據進行研究時，需要充分發揮數據挖掘技術的作用，通過數據挖掘技術對產品數據進行有效分析，繼而根據企業的發展要求對其進行合理調整，使企業產品開發的效率和質量得到有效提高[5]。同時，在進行產品開發的時候，制冷空調企業可以根據客戶的實際需求進行綜合考慮，通過對產品數據進行分析，把握產品創新的可行性，繼而對空調產品的功能結構進行合理優化，將各種先進技術應用到空調產品的開發過程中，使空調產品的智能化水平得到有效提高，為客戶提供更加便利、舒適的使用體驗，有效促進制冷空調行業的穩定發展。

3.結語

綜上所述，我國制冷空調行業處于關鍵的轉型發展時期，從傳統的制造行業逐漸轉變向多元化的服務行業，對數據挖掘技術的應用有著較高的需求，需要準確把握數據挖掘技術的應用方法、思路和流程，充分發揮數據挖掘技術在制冷空調行業中的應用價值，為我國制冷空調行業的進步和發展提供有利支持。

參考文獻：

[1]楊天翔.數據挖掘技術在制冷空調行業的應用研究[J].智能城市，2017，3（03）：240.

[2]梁志豪.基于數據挖掘的房間空調器長效性能研究[D].華南理工大學，2016.

[3]陳煥新，孫劭波，劉江巖，李冠男.數據挖掘技術在制冷空調行業的應用[J].暖通空調，2016，46（03）：20-26.

[4]侯聰.數據挖掘在短期空調負荷預測中的應用研究[D].中原工學院，2016.

[5]陳煥新，劉江巖，胡云鵬，李冠男.大數據在空調領域的應用[J].制冷學報，2015，36（04）：16-22.