基于数据挖掘对设备故障的诊断方法
基于数据挖掘的机电设备故障预测与维护
基于数据挖掘的机电设备故障预测与维护机电设备在工业生产和日常生活中扮演着至关重要的角色。
然而，由于长时间运行和各种因素的影响，机电设备故障频繁发生，给生产和维护带来了困扰。
因此，基于数据挖掘的机电设备故障预测与维护成为一项重要的研究和应用领域。
本文将讨论机电设备故障预测与维护领域的一些关键问题和方法。
首先，为了进行机电设备故障预测，我们需要收集和分析大量的设备数据。
这些数据包括设备的传感器数据、运行日志、设备参数和周围环境等信息。
数据挖掘的技术可以帮助我们从这些数据中提取有用的信息，识别可能导致故障的因素，建立预测模型。
在故障预测模型的构建过程中，一种常用的方法是使用监督学习算法，如决策树、支持向量机和神经网络等。
这些算法可以通过将设备特征与已知的故障样本进行学习，并预测未来可能出现的故障。
此外，时序数据挖掘算法也可以应用于机电设备故障预测，例如ARIMA模型和循环神经网络等。
这些算法可以利用设备数据中的时序信息，对未来的故障进行建模和预测。
除了故障预测，机电设备维护也是非常重要的一环。
传统的维护方式是基于固定的时间间隔进行计划性维护，这种方式可能导致设备在正常运行状态下进行不必要的维护，浪费时间和资源。
因此，基于数据挖掘的维护策略成为了一种更具效率和经济性的选择。
基于数据挖掘的维护策略可以根据设备的实际状况和需求，制定个性化的维护计划。
一种常用的方法是使用故障预测模型为设备设定阈值或触发条件，一旦设备达到这些条件，就进行相应的维护措施。
此外，还可以利用数据挖掘技术对设备的运行数据进行聚类分析，将设备划分为不同的状态和组群，从而更好地制定维护策略。
在实际应用中，机电设备故障预测和维护还面临一些挑战。
首先，设备数据的获取和处理是一项复杂而费时的任务。
需要建立有效的数据采集系统和数据预处理技术，以确保数据的准确性和可用性。
其次，故障预测和维护模型的建立需要大量的历史数据和实时数据支持。
因此，数据的有效管理和存储成为了关键问题。
设备故障诊断与预测方法
设备故障诊断与预测方法随着科技的不断发展，各种设备在我们的生活中扮演着越来越重要的角色。
无论是家庭用电器、工业机械还是交通运输工具，设备故障都可能给我们的生活和工作带来不便甚至危险。
因此，设备故障诊断和预测方法对于确保设备运行的可靠性和效率至关重要。
一、传统故障诊断方法的局限性在过去，设备故障诊断通常依靠经验和直觉。
维修人员通过观察和人工测试来确定设备是否存在故障。
但是，这种方法存在一些不可忽视的局限性。
首先，依靠人的主观判断容易受到感知偏差的影响，可能会导致错误的诊断结果。
其次，这种方法需要大量的人力和时间投入，特别是对于大规模设备系统来说，难以满足实时监测和分析的需求。
因此，寻求一种更加科学和高效的设备故障诊断与预测方法势在必行。
二、基于数据驱动的设备故障诊断方法为了克服传统方法的局限性，近年来，随着大数据技术的快速发展，一种基于数据驱动的设备故障诊断方法应运而生。
这种方法通过收集设备运行数据，利用机器学习和数据挖掘等技术，自动分析和判断设备是否存在故障，并预测故障的可能发生时间和类型。
传感器技术的发展为数据驱动的设备故障诊断方法提供了有力的支持。
传感器可以实时采集设备运行过程中的各种参数，如温度、压力、振动等。
这些参数与设备正常运行状态有一定的关联，因此可以通过分析这些数据来识别故障信号。
机器学习技术是数据驱动的设备故障诊断方法的核心。
机器学习是一种通过训练数据来构建模型，并根据该模型进行数据预测和决策的方法。
在设备故障诊断中，通过训练一系列的算法模型，可以使计算机在未标记的数据上自动识别故障模式和趋势。
除了机器学习，神经网络、模糊逻辑等人工智能技术也在设备故障诊断中得到了广泛应用。
神经网络模拟人脑的神经元网络，通过学习和调整连接权值来模拟人类的认知过程，从而实现设备故障的自动诊断。
模糊逻辑则可以处理不确定或不精确的信息，为设备故障诊断提供模糊推理的方法。
三、数据预处理与特征提取在进行数据驱动的设备故障诊断之前，需要对原始数据进行预处理和特征提取。
基于大数据分析的机械设备故障诊断与预测
基于大数据分析的机械设备故障诊断与预测近年来，随着大数据技术的快速发展，其在各个领域的应用越来越广泛。
特别是在机械设备维修与管理方面，大数据分析正逐渐成为一种重要的手段。
本文将探讨基于大数据分析的机械设备故障诊断与预测方法及其应用。
一、大数据在机械设备故障诊断中的应用传统的机械设备故障诊断往往依靠人工经验或简单的传感器检测，效果有限。
然而，随着大数据技术的兴起，人们可以通过采集和分析机械设备产生的海量数据，实现故障诊断的精确化与自动化。
1.1 数据采集与存储机械设备在运行过程中会产生大量的数据，如温度、压力、振动、电流等。
这些数据可通过传感器等手段进行采集，并存储在数据库中。
同时，还可以结合视频监控等技术，获取机械设备的实时图像或视频数据。
1.2 数据清洗与预处理采集到的原始数据中常常包含一些无效数据或噪声，需要进行清洗和预处理。
通过数据清洗和预处理可以提高数据的质量，保证后续分析的准确性。
1.3 特征提取与选择经过数据清洗与预处理后，需要从海量的数据中提取有效的特征。
特征选择是为了找到与机械设备故障相关的特征，以便后续建立故障预测模型。
1.4 故障诊断模型建立与训练在特征提取与选择的基础上，可以利用机器学习、数据挖掘等方法建立故障诊断模型。
通过对历史故障数据的学习，模型能够识别并预测不同故障模式。
1.5 故障检测与预测在得到故障诊断模型后，可以将其应用于实时监测中。
通过实时监测数据与模型进行对比分析，可以快速检测出潜在故障的发生，并提前进行预测。
二、机械设备故障诊断与预测案例研究为了验证基于大数据分析的机械设备故障诊断与预测的有效性，本文以某电厂的机组为例进行案例研究。
2.1 数据采集与存储通过在机组上安装传感器和摄像头，采集机械设备运行过程中的各类数据。
同时，将采集到的数据存储在云端数据库中，实现随时随地的访问。
2.2 数据清洗与预处理针对采集到的数据进行清洗与预处理，去除噪声和异常值，保证后续分析的准确性。
基于聚类分析的数据挖掘技术在设备故障模式识别中的应用
３ 采用 截矩阵法进行聚类计算 ） ２ ３ 进 行精 确 聚 类 分 析 ， 用 ｋ一胱 口 算 法 计 算 ． 使
聚 类 中心
定 义 １ 两 个 数据 对象 间 的欧 氏距 离 为
ｄ ＝ ／ ）（ ） （ ） ￣（ ， ， ，
定义 ２ 属于同一类别 的数据对象 的算术平均
第１ ０卷 第 １ 期 ２１ ０ ０年 ３月
兰 州石 化 职 业技 术 学 院 学报
Ｊ ｕ ａ ｆＬ ｎｈ ｕＰ ｔ ｃ ｅ ｃ ｌＣ ｌ ｇ ｆＴ ｃ ｎ ｌｇ ｏ ｒ ｌｏ ａ ｚ ｏ ｅｒ ｈ ｍｉａ ｏｌ ｅ ｏ ｅ ｈ ｏｏｙ ｎ ｏ ｅ
Ｖｏ ． ０ Ｎｏ． Ｉ１ １ Ｍａ ．，２０１ ｒ ０
为衡量数据点间的相似度定义一个距离函数 、 聚类
收 稿 日期 ： ０ ０—０ ２１ ２—２ ７
基 金项 目： 甘肃省重大 技术创新项 目： 甘经技 ［Ｏ７ ２０号 、 ２Ｏ 】３ 甘 财建 ［ｏ７ ６ ２ｏ ｏ号 ３ 作者简介 ： 童 强 （９４ ， ， １８ 一）男 陕西榆林人 ， 助教 ， 硕士 ．
或分组和评估输出， 用流程图描述如图 １ 所示。
障的模式识别和匹配进行 了探索， 为设备 的预警 和
预 知维修 奠定 了基 础 。
１ 聚 类分 析
１ １ 聚类 分析 的基 本原 理 ．
所 谓类 ， 俗地 说 ， 是指 相似元 素 的集合 。聚 通 就 类分析 起源 于分 类 学 ， 指 将 物理 或 抽 象对 象 的集 是 合 分组 成 为 由类 似 的对 象 组 成 的多 个 类 的分 析 过
为
一 ，
‘—Ｎ ？ ｉ
定 义 ３ 目标 函数 ．＝ ， ｄ ｚ， （， ）
电力设备故障诊断与预测算法研究
电力设备故障诊断与预测算法研究随着社会的发展，电力设备在我们日常生活中扮演着重要的角色。
然而，由于长期运行、恶劣的工作环境和不可预测的外界因素等原因，电力设备往往容易出现故障。
为了保证电力系统的安全运行，准确诊断和预测电力设备的故障变得至关重要。
因此，本文将探讨电力设备故障诊断与预测算法的研究进展和应用。
一、故障诊断算法研究1. 基于数据挖掘的故障诊断算法数据挖掘技术是一种通过自动从大量数据中发现规律、模式和潜在关系的方法，已被广泛应用于电力设备的故障诊断。
例如，基于支持向量机（SVM）的故障诊断算法可以通过训练数据建立一个模型来预测电力设备的故障类型和程度。
2. 基于人工智能的故障诊断算法人工智能技术，如人工神经网络（ANN）和模糊逻辑（FL），也被应用于电力设备的故障诊断。
通过建立适当的模型和训练数据，可以实现对电力设备故障的快速诊断和定位。
3. 基于特征提取的故障诊断算法特征提取是一种将原始数据转换为有用信息的方法。
在电力设备故障诊断中，通过提取电流、电压、温度等特征，可以有效识别电力设备故障的类型和位置。
二、预测算法研究1. 基于时间序列分析的预测算法时间序列分析是一种研究时间相关数据的方法，已被广泛应用于电力设备故障预测。
通过对历史数据进行分析和建模，可以预测未来一段时间内电力设备的故障概率和故障时间。
2. 基于机器学习的预测算法机器学习技术，如决策树、随机森林和深度学习等，也可以用于电力设备故障预测。
通过学习大量的历史数据，这些算法可以自动建立模型，并进行精确的故障预测。
3. 基于状态监测的预测算法状态监测是一种实时监测电力设备状态的方法。
通过安装传感器和监测设备运行参数，可以实时获取设备的状态信息，并利用模型进行故障预测。
三、算法应用与挑战1. 应用案例电力设备故障诊断与预测算法已经在实际工程中得到广泛应用。
例如，某电厂通过定期采集电力设备的数据，应用基于数据挖掘和机器学习的算法，实现了对设备运行状态的监测和预测，从而提高了电力电站的可靠性和效率。
基于数据驱动的故障诊断方法
基于数据驱动的故障诊断方法基于数据驱动的故障诊断方法是一种利用机器学习和数据分析技术来帮助诊断设备或系统故障的方法。
这种方法通过收集设备或系统的运行数据，并利用这些数据来分析故障原因和预测未来可能出现的故障。
在故障发生时，该方法可以根据历史数据和模型来识别故障模式，并提供准确的故障诊断和解决建议。
在数据采集阶段，需要选择适当的传感器来收集设备或系统的运行数据。
这些数据可以是温度、压力、振动等传感器记录的实时数据，也可以是设备日志、报警记录等非实时数据。
在数据预处理阶段，需要对采集到的数据进行清洗、去噪和归一化等处理，以确保数据的质量和一致性。
这一步骤的目的是减少数据中的噪声和异常值，使数据更加可靠和可分析。
在特征提取阶段，需要从预处理后的数据中提取与故障有关的特征。
这些特征可以是统计量、频域分析结果、时频分析结果等。
通过特征提取，可以将原始数据转化为更具代表性和可分辨性的特征向量，为后续的故障诊断提供输入。
在故障诊断阶段，需要根据特征向量使用机器学习、数据挖掘和模式识别等方法来进行训练和建模。
通过将历史故障数据和相应的特征向量进行训练，可以建立故障分类模型或故障预测模型。
这些模型可以用于识别不同的故障模式，并根据模型对实时数据进行诊断和预测。
基于数据驱动的故障诊断方法的优点是可以自动化、高效和准确。
与传统的基于规则或经验的故障诊断方法相比，它可以更好地捕捉到故障模式和变化，并且可以根据实时数据和模型进行实时诊断和预测。
此外，该方法还可以处理大量的复杂和多变的故障数据，提高故障诊断的可靠性和效率。
然而，基于数据驱动的故障诊断方法也存在一些挑战和限制。
首先，数据采集和处理可能涉及大量的时间和资源。
其次，由于故障数据可能存在噪声和不完整性，建立准确的模型需要足够的训练数据和对数据质量的保证。
最后，模型的训练和更新可能需要专业的领域知识和数据科学技能。
总之，基于数据驱动的故障诊断方法是一种有效的方式来识别和解决设备或系统故障。
设备异常检测与诊断方法及流程
设备异常检测与诊断方法及流程引言：设备在运行过程中，可能会出现各种异常情况，如故障、性能下降、异常噪声等，这些异常情况对设备的正常运行和生产能力会产生重大影响。
因此，开发一套有效的设备异常检测与诊断方法及流程，对于设备运维和管理具有重要意义。
本文将详细介绍设备异常检测与诊断的方法与流程，并提供相应的实施指导。
一、设备异常检测方法1. 传感器数据监测法：通过加装传感器或利用设备本身的传感器，实时监测设备的各项指标数据，如温度、压力、运行速度等。
利用数据采集系统对这些数据进行存储和分析，通过设定的阈值判断是否出现异常情况。
2. 故障模式检测法：利用设备历史故障数据以及设备运行数据建立故障模式，通过比对实时数据和故障模式，判断设备是否存在异常情况。
可以使用统计分析、机器学习等方法进行模式匹配和诊断。
3. 特征提取与分析法：在设备运行数据中提取出关键特征，如频率分析、时域分析、振动分析等，通过对这些特征进行分析和比对，判断设备是否存在异常情况。
可以借助频谱分析、小波分析等方法对数据进行处理。
4. 图像处理与分析法：对于部分设备，如电子设备、机械部件等，可以利用图像采集系统对设备进行实时拍摄，然后进行图像处理和分析。
通过比对实时图像和参考图像，检测设备是否存在异常状况。
二、设备异常诊断方法1. 故障树分析法：根据设备异常的表现和故障模式，建立起故障树，通过对故障树的分析，确定可能的故障原因。
根据故障树的优先级和重要程度，对故障原因进行排序，并进行针对性的排查和修复。
2. 专家系统诊断法：建立专家系统，通过对设备故障及异常情况的知识进行规则化，利用推理机制对设备进行诊断。
根据设备所出现的异常情况，系统可以给出可能的故障原因和解决方案。
3. 统计模型诊断法：利用统计方法对设备的异常情况进行建模，通过综合分析设备历史数据和运行数据，判断设备是否存在故障。
可以使用时间序列分析、灰色模型、贝叶斯统计等方法进行设备异常诊断。
设备故障诊断中的数据挖掘技术研究
设备故障诊断中的数据挖掘技术研究近年来，随着科技的发展和智能化水平的提升，各行各业都逐渐开始运用数据挖掘技术来进行故障诊断和维修工作。
在设备故障诊断方面，也有越来越多的企业开始尝试使用数据挖掘技术，以提高设备运行效率和降低故障率。
一、数据挖掘技术在设备故障诊断中的应用1. 物联网技术在设备故障诊断中的应用随着物联网技术的迅速发展，设备故障诊断也有了更为高效、精准的方法。
物联网系统可以通过传感器对设备的运行状态、温度、湿度、振动等参数进行实时监控，并将数据实时上传至云平台。
在接收到设备异常信号后，系统可以通过数据分析和联网通信自主地启动应急响应机制。
2. 传感器技术在设备故障诊断中的应用传感器技术是设备故障诊断的重要手段之一。
通过安装传感器，可以实时地监测设备的状态信息，例如振动频率、温度、压力、电压等参数。
一旦出现异常，系统就会通过数据挖掘技术快速地进行故障诊断。
3. 智能分析技术在设备故障诊断中的应用智能分析技术，也称为机器学习技术，是一种基于数据挖掘的人工智能技术，通过对大量数据和算法的分析，提高故障诊断的准确性和效率。
例如，在电力系统中，通过对历史数据的分析和学习，系统可以自动判断哪些电缆、电流互感器和变压器可能会出现故障，并提前进行预测。
二、数据挖掘技术在设备故障诊断中的优点和挑战1. 数据挖掘技术在设备故障诊断中的优点（1）提高设备的运行效率。
通过数据挖掘技术对设备运行情况进行实时监控和数据分析，可以及时发现问题并快速解决，提高设备的生产效率。
（2）提高故障诊断的准确性。
通过对大量数据的分析和比对，可深入了解设备的工作状态，准确地分析和判断设备是否出现异常。
（3）降低运行成本。
数据挖掘技术能通过预测故障，提前进行维护和更换可能出现问题的部件，从而避免了将设备停机修理的情况，减少了不必要的成本支出。
2. 数据挖掘技术在设备故障诊断中的挑战（1）数据采集的难度。
要保证数据的准确性，就需要有合适的传感器和监测设备来采集数据。
基于大数据的工业设备故障预测与诊断研究
基于大数据的工业设备故障预测与诊断研究随着互联网技术的不断发展以及物联网的兴起，大数据成为了工业设备故障预测和诊断的重要依据和手段。
通过采集设备运行数据、结合数据挖掘和机器学习技术，可以实现对工业设备的故障进行提前预测和诊断，从而避免设备故障对生产产生的损失和影响，提高生产效率和生产质量。
一、大数据在工业设备故障预测和诊断中的应用随着数字化、网络化、智能化技术的不断发展和应用，大量的数据正在对于工业设备的监测和管理产生重要影响。
大数据在工业设备故障预测和诊断中的应用主要有以下几个方面：1. 采集设备数据通过传感器等技术手段，采集设备的振动、温度、电流、电压等数据，为后续设备故障预测和诊断提供数据基础。
2. 数据处理和挖掘利用数据挖掘和机器学习等技术，对采集到的设备数据进行预处理、特征提取、建模和分类等分析处理，从而提取故障特征和规律。
3. 算法应用以人工神经网络、支持向量机、决策树等机器学习算法为基础，利用以上提取到的数据和特征进行训练分析，实现对工业设备故障的预测和诊断。
4. 预测结果可视化将预测结果以可视化的形式展示出来，帮助用户更加直观地了解设备的状态和故障情况，从而为下一步处理提供决策依据。
二、大数据技术在工业设备故障预测中的作用1. 实现故障预测通过对历史设备运行数据的分析，可以建立一系列预测模型，对设备的故障进行预测并及时报警。
该技术可在故障发生前，即远远在故障实际发生之前，发现设备的异常情况，避免因故障带来的生产损失和影响。
2. 提高运行效率预测模型可以通过对设备运行数据的监测和分析，提高设备的运行效率。
该技术可对设备的运行情况进行实时跟踪和监测，提高设备运行的效率和可靠性，降低停机时间和运营成本。
3. 优化维修计划依据预测模型的结果，可以对设备的维护和保养进行计划和优化。
通过对设备的运行数据进行持续监测和分析，可以根据设备运行情况，选择最佳的维护和保养时间点，提高设备的可靠性和稳定性。
基于数据驱动的故障检测与诊断技术研究
基于数据驱动的故障检测与诊断技术研究随着先进制造和运营管理技术的不断发展，大量的数据从设备、仪器、传感器以及设施中产生，这些数据往往是与设备、仪器、传感器以及设施相关的。
数据的有效分析和利用可以帮助工厂优化生产过程、保障设备运行，从而提高企业生产效率和质量。
在生产过程中，故障检测与诊断技术是一个重要的环节，可以帮助制造企业及时发现设备的故障并及时进行维修。
一、数据驱动的故障检测与诊断技术数据驱动的故障检测与诊断技术利用了数据挖掘和机器学习等技术，从设备、仪器、传感器以及设施产生的数据中提取出有用的信息，预测设备故障的发生时间，并提供相应的维修建议。
数据驱动的故障检测与诊断技术主要通过以下几个步骤来实现：1. 数据采集和预处理在数据采集之前，需要确定哪些数据是需要采集的。
数据采集时，需要采集设备、仪器、传感器以及设施产生的所有有关数据。
采集的数据包括设备启动时间、停止时间、工作状态、能耗、产量、出错次数等。
数据采集后，需要对数据进行预处理，包括数据清洗、数据去重、数据缺失值填补等操作，保证数据的完整性和准确性。
2. 特征提取和选择在数据处理之后，需要从中提取出有用的特征。
特征是从原始数据中提取出来的有意义的数值或属性，可以反映出数据之间的关系和特点。
常用的特征提取方法包括统计方法、时间序列方法、频域方法、小波变换等。
特征的选择需要根据应用场景选择相应的特征子集，提高预测的准确性。
3. 建模和训练建模是从数据中构建数学模型，用于预测设备的故障。
建模主要有两种方法：基于统计分析和基于机器学习。
建模的过程需要分为训练和测试两个阶段。
训练阶段将数据集分为训练集和测试集，利用机器学习算法对模型进行训练，得到较为准确的预测模型。
测试阶段将训练好的模型放入测试集中进行验证，从而得到模型的准确性。
4. 故障检测和诊断故障检测和诊断是对建立好的模型进行应用，实现设备故障的实时检测和预测，以及提供相应的维修建议。
故障检测和诊断可以根据模型的结果进行修正和优化，提高故障检测和诊断的准确性。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于数据挖掘对设备故障的诊断方法
故障诊断在知识智能获取的方法发展一直比较缓慢。
而随着数据挖掘技术的逐步发展起来，它便成为知识获取效率比较高的工具。
文章对数据挖掘专家系统以及数据挖掘技术中常用的一些挖掘算法进行了介绍，并把实验系统数据和数据挖掘专家系统相结合来阐明其原理。
标签：数据挖掘；价值知识；专家系统
引言
伴随着制造业的迅猛发展以及和电子产业结合的不断深入，工业化大生产一步步朝着智能化的方向发展，自动化也更加成熟。
但它的系统设备结构复杂性更大，功能也更强大，维修难度随之也提高，所以系统故障产生的故障信息数据越来越巨大。
这些数据量超出人工分析处理能力，因此对故障诊断方法的创新是作者一直不断追求的。
1 数据挖掘技术
1.1 数据挖掘的目的与过程
数据挖掘主要有数据库建立、机器学习、统计学等。
它的目的是从长期存放在数据仓库中海量的数据信息的集合中去发现那些未知的隐藏的知识。
1.2 数据挖掘关联规则Apriori算法
在数据挖掘关联规则的第一个算法便是Apriori算法，它使用基于支持度的剪枝技术以及系统控制候选项集指数增长是非常具有前瞻性的。
它的频繁项集产生算法的程序代码过程为：
1.3 基于Apriori算法的故障诊断的改进
如果能把Apriori算法计算速度大幅提高，则整个算法的效率便会具有很大的上升空间。
而运算效率以及提高产生候选项集有两个主要步骤：一个是连接，一个是剪枝操作。
因此，算法的改进方法如下：
1.3.1 数据库优化扫描
在每次计算过程中，如果k-1项集为非频繁项集，则k项集为非频繁项集。
因此，将此k-1项集从数据库中删去，随着k值的增加，删除的事务随之增多，这样通过减少扫描数据库的次数来提高算法的运行速度。
1.3.2 连接与剪枝优化
2 数据挖掘的故障诊断专家系统
专家系统是在某个领域中，包含大量专家水平的知识与经验，它是一种计算机组成系统程序来模拟人类专家，运用人类专家的知识和解决问题的方法进行推理，然后通过智能方式解决某个领域内一些复杂问题。
为了能更方便有效地发掘一些有用的价值信息和知识，把数据挖掘技术和专家系统结合起来，为解决传统专家系统在知识获取及推理等方面的难题，通过数据挖掘这些技术能力来攻克。
而数据挖掘的专家系统框图如图2所示。
其中左侧部分是系统的知识获取。
数据挖掘专家系统的知识源包括很多，其一是专家在现实中解决问题的一些实例；其二是对诊断设备发生故障保存的一些历史数据；其三是故障实验的仿真数据等。
它的运行过程如下：
首先，建立一个齿轮箱故障试验仿真结果数据库。
采集过程如图3所示。
接着从采完的数据中排除一些不用的信息，从中精选出一些数据得到数据库，该数据库是组构成关于该设备发生故障的样本，再将数据从样本空间映射到数据空间。
建立好样本库后，然后把数据中的不变特征采用通过预处理方法提取出来，这样可以将其从数据空间转变为特征空间，然后再确定系统中所需的挖掘算法等，最后可以进行数据挖掘。
在右半部分为故障诊断，在运行过程中，输入数据首先经过数据预处理后，会经过系统处理转变成特征模式，接着进人到全局数据库，再结合知识库中的知识来进行运算推理。
在选择好数据挖掘的算法后，对故障样本库进行多次挖掘，从而完成故障知识的获取。
表1、2、3为提取的部分齿轮箱故障振动仿真数据库部分获取。
这个系统在整个推理过程中，诊断程序为主要过程，还有控制知识信息负责一项，这样可以增加诊断的智能性。
在诊断完成后，系统模块列出推理的一系列过程。
3 结束语
文章结合数据挖掘技术，对其中的经典算法进行研究改进，并在分析故障诊断专家系统在问题的基础上，对专家系统和数据挖掘进行比较，得出一个专家系统和数据挖掘结合的诊断系统，提高故障诊断的准确性。
参考文献
[1]周丽丽.面向设备故障诊断的数据挖掘技术方法的研究[J].自动化技术与
应用，2015，2.
[2]朱向明.数据挖掘故障诊断专家系统[J].火力与指挥控制，2011，9.
[3]黄文虎.设备故障诊断原理、技术及应用厂[M].北京：科学出版社，1996.
通讯作者：张韶（1988，1-），男，河北邯郸人，硕士，现就读于河北工程大学，专业为机械电子工程。