数据挖掘算法及其生产优化应用研究

《数据挖掘算法及其生产优化应用研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、洳≥：文硕士学位论文⑧摘要数据挖掘是近年来在流程工业领域大力推广的一项信息技术。一方面，这得益于数据挖掘技术的兴起和快速发展。随着数据采集、存储技术的发展，人类积累了大量的数据。这促使人们寻找一种有力的工具去发现数据中隐含的规则，以更好地指导实践。由此产生了数据挖掘技术。近年来，数据挖掘技术从实验室走向了现实应用，在商业、科学研究、工程技术等方面获得了非常广泛的应用，积累了大量的应用经验。另一方面，随着工业信息化进程的推进，流程工业中积累了大量的生产数据。尤其是DCS系统和实时数据库的广泛应用，生产数据开始有了完备的记录。这使得数据挖掘技术的进入成为可能。同时数据挖掘技术作为一种全新的

2、生产优化手段具有很大的优势，但由于工业数据的复杂性，这一应用又提出了许多新的难题。在这一背景下，本文尝试通过对传统的数据挖掘算法进行创新，以解决工业应用难题。首先提出了一种新的工业数据序列分析方法：BTS算法。该算法的特点在于其灵活性和搜索的高效率。由于实时控制的要求，工业数据库非常庞大：传统算法难以胜任分析和呈现的任务。而BTS算法有很强的压缩能力，并能够灵活地改变压缩率，从而能够以不同粒度对序列的局部和整体进行观察。同时，BTS算法在特征空间中引入位趋势表示法。它既是一种快速的初级相似性模型，又可以作为索引。大大提高了搜索效率。BTS序列分析表明该数据库蕴含了大量的调整行为，因此数

3、据挖掘技术可能从这些行为中发现生产系统的规律。首先采用传统算法进行挖掘。结果指出生产系统中是否存在严重的不可忽视的复杂效应，需要设计一种新的软件框架。在模型分析的基础上，提出了一个新的算法框架：决策森林。首先针对时间滞后效应，在数据处理过程中引入关系数据库对整个数据库进行大规模重组，使得每条属性中的数据能够相互关联起来。其次是变量之间的函数依赖。算法吸取了CART、bagging、boosting、SLIQ的思想，并在生产模型的基础上，建立了一系列的决策树用以模拟变量之间的关系，并由这些决策树共同作出最终判断。三唑磷的生产实践证明了该方案的有效性。关键词：数据挖掘，相似性搜索，决策树，

4、时间滞后，变量依赖AbstractDataMiningisoneofthepromisinginformationtechniquesinprocessindus仃yOnonehand,dataminingtechniqueisdevelopingveryquicklyandhasfounditsapplicationsinvariousareas．Duetothedevelopmentintechniqueofdataacquisitionanddatabase．thereisahugeamountofdataaccumulatedinhuman’sactivities．Somann

5、eedsapowerfulanalysistooltodiscovertheunderlyingandinterestingrulesfromthesehugedatabases，whichcarlbeusedtohelpustodothingsmoreeffectively．DataIIliningisthesolutionforthisproblem．Aftertenyears’development，datamininghasfounditsapplicationsinvariousareas，frombusinesstoentertainment，fromsciencetote

6、chnology．Ontheotherhand，moreandmoreinformationsystemsbegintoentertheplants．DuetotheapplicationofDCSandrealtimedatabase，operationdataofplantsCanberecordedindatabase．Thisaccumulationofprocessdatamakesitpossibletoemploydataminingtoimproveproductivity．Butprocessdataisverycomplex,whichcausesmanyappli

7、cationproblems．Thispapertriedtogiveasolutiontoovercometheproblemsencounteredinindustryapplicationofdatamining．Firstly,anewalgorithmofsequenceanalysisWasproposed：BTS，whichisflexibleandeffectiveinsimilaritysearch．Thefirstfeatu