面向工业过程操作规则挖掘的一种聚类关联规则组合方法

摘要

在现代工业过程中，随着DCS、数据采集和存储技术的广泛应用，大量的操作数据中隐含了大量的操作信息，这些信息若得到合理利用，可以辅导并指导生产。目前，数据挖掘技术正在从经济、教育行业、生物学等应用领域转移到了工业生产范畴。
　　工业过程数据一般具有连续型和目标聚集性特征，为了有效地对此数据进行关联规则挖掘，论文提出了一种基于K-MEANS聚类的APRIORI关联规则方法，并将其应用于工业过程操作规则的挖掘，论文的主要内容包括:
　　(1)在对K-MEANS和APRIORI算法的原理和性能的分析和研究基础上，根据工业过程操作数据的特点，给出了一种基于K-MEANS聚类的APRIORI关联规则方法。
　　(2)采用基于K-MEANS聚类的APRIORI关联规则算法对工业过程的操纵变量和目标变量数据进行处理，获取聚类中心和类标签，根据聚类将数据进行分段，并将连续数据布尔化，通过关联规则算法挖掘操作变量与目标变量之间的关联关系，最后将字符型的关联关系转换为数值区间表达形式，获得规则数目和质量可控的、便于理解的操作规则，以指导生产过程操作。
　　(3)将所提出的组合关联规则方法应用到TE过程中，挖掘出了TE过程中反应器的操作变量与状态目标变量之间的操作规则，结合工艺分析，验证了该算法的有效性。

目录

声明

摘要

第一章 前言

1．1 研究背景和意义

1．2 相关技术研究现状

1．2．1 数据挖掘算法在工业中的应用

1．2．2 APRIORI关联规则算法

1．2．3 K-MEANS聚类算法

1．3 论文内容与结构安排

第二章 基于聚类的关联规则算法

2．1 引言

2．2 K-MEANS算法

2．2．1 K-MEANS算法流程

2．2．2 实例研究

2．3 APRIORI算法

2．3．1 APRIORI算法流程

2．3．2 实例研究

2．4 基于K-MEANS的APRIORI算法

2．4．1 算法流程

2．4．2 实例研究

2．5 本章小结

第三章 工业过程操作规则挖掘

3．1 引言

3．2 工业过程操作规则

3．3 工业过程操作规则挖掘方法

3．3．1 目标变量聚类

3．3．2 连续数据布尔化

3．3．3 关联规则挖掘

3．3．4 关联规则反布尔化

3．4 实例研究

3．5 本章小结

第四章 应用研究

4．1 引言

4．2 TE过程

4．3 操作规则分析

4．4 操作关联规则挖掘

4．5 本章小结

第五章 结论与展望

参考文献

附录

致谢

研究成果及发表的学术论文

作者及导师简介