针对当前输电线路故障预警存在精度低的难题,设计基于大数据的输电线路故障预警模型。首先采集故障相关的特征数据,利用粗神经网络算法对数据内故障因子进行挖掘,然后利用朴素贝叶斯算法计算故障因子发生指数,结合时间序列一致性的故障匹配算法完成输电线路故障预警。测试结果表明,该模型能够有效且全面地挖掘故障因子,准确预警输电线路故障。

为了加强故障信息数据挖掘力度,减少人力物力资源浪费,解决机械故障图像检测的特征信息、高分辨属性描述清晰度有限等问题,在决策树算法的基础上构建一种诊断机械故障信息挖掘方法。对机械故障检测图像中连续小波进行离散化处理,提取小波变换特征,将多次分解后的小波变换特征集成为并行结构;根据包含小波变换特征集并行结构的子集节点,在决策树算法中引入C4.5算法,优化挖掘出具有较高取值信息增益的灰度级,并通过校正矩阵将每个样本图像构造成多个不同的训练数据集,去除不同的属性子集,形成众多深度树,重复选择,直到得到目标数据。仿真实验结果表明,所提出的算法具有计算简单、挖掘效率高等优点,能够在最短时间内获取最优数据挖掘结果,可以广泛应用在现实生活中。

为了更好的利用海量数据中蕴藏的隐藏规律,对数据更好的挖掘,提高对钢铁企业高炉煤气产生量的预测精度,针对钢铁企业实际生产作业所采集到的非平稳非线性的数据,这里提出一种将卷积神经网络(CNN)和门结构循环单元(GRU)网络相结合的预测模型。模仿词向量方法,将海量的时间信息、温度数据和压力数据等信息串联成一个向量作为输入,采用CNN对输入进行特征提取,将得到的特征向量构造为时间序列,并作为输入数据给GRU网络进行高炉煤气产生量预测。这里所提出的方法,对唐山某钢铁企业的实际生产中数据进行预测实验,结果表明,这里所提出的方法比传统的BP神经网络和LSTM网络预测模型具有更高的预测精度和更快的预测速度。

工程机械的液压油超温由于设备规模大,影响因素多,导致运行过程中存在较强的不确定性。本文以混凝土泵车为研究对象,基于决策树算法分析了造成液压油异常高温的原因,了解了导致液压油超温的主要原因与各参数对液压油温度的贡献度。通过决策树模型(测试精度93.4%)找出了典型的超温原因,实施整改措施后液压油超温率降低7.4%,超温得到控制,降低了设备因液压油超温带来的潜在风险。数据挖掘在工程机械领域的应用大大提高了故障分析效率,明确了问题方向,为故障诊断与性能分析提供了一种新的思路。

液压系统是飞机重要机载系统之一,它为飞机输出能源驱动,其性能、稳定性和可靠性直接影响飞机的安全性。流量是衡量液压系统稳定性的重要判据,实时监测液压系统管路流量可对系统特性分析、故障诊断提供有力的支持。但由于流量传感器造成的流阻对系统特性有显著影响,因此在航空液压系统中未广泛使用。针对传感器带来的流阻问题,深入分析了与流量相关的参数,提出基于梯度提升回归树的航空液压系统流量预测模型,通过关键参数预测液压系统的流量。试验结果表明:梯度提升回归树(gradient boosting regression tree,GBRT)模型相比最小二乘线性回归模型、决策树回归模型、极端梯度提升树XGBoost模型,在预测准确度、训练时间、测试时间等指标中取得了较好的表现,验证了所提方法的有效性。

长期以来,由于海上钻完井物资供应缺乏有效的分析与预测系统,导致物流公司无法预先科学、有效地安排相关物流资源,资源利用率和服务质量得不到提升。通过对海上钻完井历史数据相关关联关系的分析研究,采用合适的算法,研究出了适合中海油能源物流有限公司的物流资源预测模型,并通过理论验证和数据验证相结合的方法论证了该预测模型的有效性,以指导物料需求预测及物流资源预测软件系统的研发。

标准解是TRIZ中重要的工程问题解决工具,而标准解知识库是标准解应用的支柱。为提高工程问题解决效率,以76个标准解为基础,以数据挖掘技术为手段,获取专利文献资源隐含的深度知识。创建基于数据挖掘技术的标准解知识库构建流程,实现对专利深度知识的挖掘。为弥补CAI软件在知识库实例检索方面的不足,利用实例推理技术对标准解知识库中的创新实例进行检索,选取相似度较高的几个实例,基于功能特征分析方法实现功能特征的复制、重组及突变,从而生成创新方案。创建标准解知识库应用流程,规范标准解知识库的使用,利用自行车的设计实例验证了流程的可行性。

对工程装备维修器材精确化保障影响参数、基数需求以及需求量应用数据挖掘的思想方法进行分析，根据实际情况，对维修器材需求量建模计算，并进行了实例分析。结果显示，应用此方式，能够提高工程装备维修器材精确化保障水平，具有较好的实用价值。

分析了影响细长杆件切削误差的多种因素,通过网络汇总各单位大量加工数据,构建共享数据库,使用数据挖掘工具分析单个因素和关联因素对加工误差的影响权重,寻找对误差影响最大的原因,采取相应措施减少误差。

混凝土泵车在服役过程中的运行状态和维护信息是产品面向再制造设计、再制造零部件寿命预测和保障再制造产品质量的基础。通过数据挖掘技术对ECC系统中的海量数据进行分析,并基于线性回归分析、神经网络方法建立了摆缸液压油温度的预测模型。比较两种模型的预测精度,结果表明摆缸液压油温度可由其他参数利用线性回归预测模型获得。这有利于在面向再制造设计中减少一个温度传感器、ECC系统所监测的数据量及其存储负担,从而减少系统的复杂性,因而具有一定的实际应用价值。