基于計算機數據挖掘的農機設備狀態智能檢測技術

周經龍

(重慶科創職業學院，重慶 402160)

1 計算機數據挖掘技術方法

1.1 神經網絡法

該方法是模仿生物神經系統的功能和結構，利用了大自然的鬼斧神工而發展來的一種方法。通過非線性預測模型將每一個關系單元連接起來，利用大數據實現數據收集、儲存、分析、數據深度挖掘的過程。隨著數據庫數據不斷地增加，能夠從大量的數據中分析出可以遵循的規律，克服了傳統分析過程復雜，需要大量時間支撐的弊端，能夠高精度地計算出結果。其缺點是長時間積累數據，不適合處理高維變量的數據，缺乏中間工作過程的監控能力，在與農機設備狀態智能檢測技術結合時，具有很大的不確定性。雖然神經網絡法應用廣泛，但是目前缺乏與農機智能檢測技術融合使用的兼容性，無論是理論層面還是技術層面，都需要研究和摸索。

1.2 決策樹方法

該方法源于樹形狀和特點而得名，其可以從無規律的數據中經過分析、推理得出以決策樹形式表示出來的分類規律法。與樹的特點相同是從頂端向下歸納總結，在決策樹的根節點到枝節點進行屬性值分析，在葉節點端得到結論，從根節點到葉節點就會分析出一個規律，得到這個規律的過程方法就是決策樹方法。其適用于多級決策，能夠描述多級決策的有效方法，具有分析思路，決策結果明確的優點。但是其是依據變量的閾值作為決策要素，難以做到精準取值從而達到結果精確的目的。此外，決策樹的知識晦澀難懂，又取值閾值影響計算結果的應用，所以其不適用于農機設備狀態智能檢測技術的計算方法。

1.3 遺傳算法

該方法起源于美國，依據達爾文生物進化理論的自然選擇和遺傳機理而來，通過模擬自然進化而得出普遍規律和最優解決方法。通過選擇、交叉、變異的過程得出最優解，在數據挖掘技術中使用比較廣泛。其對編碼要求極高，如果編碼不規范會導致結果不準確，進而影響對結果的參考和應用。其次是某一個遺傳的規律不能全面地優化、解決問題，如果問題較為復雜情況還會耗費很長的計算時間，在應用方面存在技術壁壘和方法。在農機設備狀態智能檢測技術應用方面存在明顯的維度不夠、精度不高的劣勢，目前沒有一個較為科學、高效的融合方法，所以目前不適用農機設備狀態智能檢測技術的融合。

1.4 粗糙集法

該方法擅長處理不確定性數據、不精確的知識表達，可以對數據庫的知識進行化簡得出數據之間的規律關系。其在數據挖掘技術中應用愈加廣泛，未來的發展和應用也是很有前景的，其能夠處理各種不完整的數據和擁有多變量的數據，能夠處理精確和不精確的復雜數據，并計算得出合理的表達和區分數據層次，操作也很簡單，很適合智能領域的應用。但是其缺點影響了其在農機設備狀態智能檢測的應用，不能處理連續的數值，會忽略一些有價值的變量從而影響計算結果，這對農機故障的檢測是非常致命的，需要一個更加科學、精準、可靠的計算方法來實現農機狀態智能檢測。

1.5 支持向量機分類法

該方法是基于數學函數回歸理論，針對二值分類問題得出。其不僅具有數據挖掘技術的分類功能，也融入了數學回歸函數的計算能力，對結果的分析相對科學和精確，是農機設備狀態檢測技術算法的最佳選擇。將農機設備的狀態檢測數據集合用回歸函數的形式表示出來，并依據農機的型號，故障類型等進行高維建設，再對對應的故障現象計算故障方位，最后根據故障部位給出修理建議。這種數據挖掘技術和農機設備狀態智能檢測融合率很高，能夠精準計算出故障部位，給出故障解決策略，是數據挖掘技術在農機設備狀態智能檢測中計算方法的優選。

2 農機設備狀態智能檢測技術應用

2.1 數據收集

農機設備各個組成的狀態需要進行實時收集，根據農機的特點采取傳感器的形式進行數據收集，對農機設備能夠影響狀態的因素上安裝無線傳感器，對這些數據進行賦值量化。其次對這些傳回的信息進行回歸函數計算，根據設備的狀態能夠計算出對應的數值，在對應區間定性故障狀態，并排除一些無用的干擾數據，避免影響計算結果的準確性。

2.2 建立數據庫

建立數據庫很重要，其包含了設備狀態的各種情況及數據閾值，對傳感器實時上傳的數據進行收集、處理、分析、檢測結果、應對方法、儲存等，一切涉及設備狀態智能檢測的數據都在數據庫里。根據設備的型號、使用年限、常見故障、零件組成的狀態等等，是一個最大的數據集成和處理中心，是設備智能檢測的大腦。數據挖掘技術是建立在龐大數據庫的基礎之上，所以數據的建設需要越全越好、越多越好、越精準越好，因為數據支撐著計算的精準度，決定著設備檢測的結果正確與否。

2.3 建立模型

我們基于計算機數據挖掘技術建立農機設備狀態智能檢測模型，在無限傳感器對農機設備和各個零件的監控下，采集需要的數據，對這些數據進行處理和甄選，排除無用的干擾數據，以求數據真實有效。其次是處理這些數據計算出收集數據的實際賦值，將數值對應到到農機設備的狀態閾值中，通過數據挖掘分析出最可能出現故障的幾個部位。這里首先要確定是否出現故障，確定出現故障后根據計算分析出故障的源頭是哪里。最后是輸出檢測結果，對檢測結果顯示出的故障源進行排除，建立一個全過程的模型，用于驗證其實用性、精確性等。

2.4 模擬數據分析

模型建立后需要進行模擬分析，模擬分析有2個目的，一是要驗證檢測系統的可靠性，多種情況下的表現和檢測的精準度及其工作的時間效率是否能夠滿足現實應用；二是擴充數據庫的數據給計算提供分析數據或者分析依據，針對各種情況是否能夠滿足計算的數據支持及計算數據的精準度是否受到收集的數值真實度影響。在進行模擬分析時，對數據庫進行補全的同時，要不斷地發現存在的問題，這些問題和數據都將為進一步發展研究提供數據基礎。此外，農機設備的狀態是不確定的，而數據庫的數據是有限的。要對數據挖掘和智能檢測的融合進行評估，是否能夠完整地描述出設備的狀態規律，計算出現的錯誤概率是否處在可以接受的范圍內，結果是否具有說服力，時間效率是否提高等等。

2.5 故障排除方法的選擇

在計算機數據挖掘技術和農機設備狀態智能檢測技術融合中，主要解決的問題是檢測農機的狀態及故障的排除，發現問題到解決問題的智能過程。故障排除方法的選擇要更具智能化，提供暫時修復和徹底修復，根據實際情況選擇修復的方法，如果工作任務比較緊急可以選擇暫時修復，如果不緊急或者故障潛在危險比較大，可以選擇徹底修復，以保證設備狀態的良好運行性。

3 結語

基于計算機數據挖掘技術的農機設備狀態智能檢測是兩個領域的良性融合，實現了數據挖掘技術的實用性，保證了農機狀態通過智能檢測的可控性。對比分析得出支持向量分類法比較適合農機設備狀態智能檢測后，我們通過數據收集、建立數據庫、建立模型、模擬數據分析、故障排除方法的選擇等步驟進行融合之后的可行性，得到了肯定的驗證。實現了基于計算機數據挖掘的農機設備狀態智能檢測技術應用，其擴展了數據挖掘技術的應用范圍，提高了農機設備狀態智能檢測的效率和可操作性。