数据挖掘技术在电力系统故障诊断中的应用
发表时间：2018-07-18T14:09:07.213Z 来源：《电力设备》2018年第7期作者：刘德
[导读] 摘要：随着居民用电量的增高，各种设备故障也越来越多。
（华电宁夏灵武发电有限公司宁夏灵武 750400）
摘要：随着居民用电量的增高，各种设备故障也越来越多。电力系统各种数据现已呈现爆炸性增长态势，数据挖掘技术将会扮演越来越重要的角色。本文简单介绍数据挖掘技术，并对数据挖掘技术在电力设备故障诊断中的应用研究进行分析，从而提升电力设备的运行质量。
关键词：数据挖掘技术；电力设备；故障诊断；应用
引言
由于科技水平的提高和发展，数据库技术越来越多地应用在各行各业中。现有的绝大多数数据库的功能是对数据进行录入、查询及统计等，并且处理后的信息只是当作数据库信息的一部分。如果只是经这样简单的处理，根本就无法正确地对数据的整体性质进行描述，更不用说预测数据的发展方向了。随着数据挖掘技术在数据库中的应用，可以挖掘出许多有用的数据和数据模型，根据挖掘出来的有效信息，可以做出高效的决策。电力系统作为国家重要能源部门，在社会日常生产中有着不可替代的作用，它能否安全运行将直接影响到社会的各行各业能否正常运作，因此必须要确保电力系统安全运行。对电力系统的运行状态进行实时的监控，对运作性能进行查看分析和综合评估，对电力设备的故障进行分析、诊断以及维修，已经变得越来越不可缺少。
1数据挖掘
数据挖掘就是从大量的数据中挖掘出有用的信息，即从大量的、不完全的、有噪音的、模糊的、随机的实际应用数据中发现隐含的、规律性的、人们事先未知的，但又是潜在有用的并且最终可理解的信息和知识的非平凡过程。近年来，数据挖掘技术的研究和应用发展迅猛，在商业和银行领域已有广泛的应用。
数据挖掘的一般过程包括以下6个方面：（1）商业理解。这是数据挖掘的初始阶段。在这个阶段清晰地定义出业务问题，认清数据挖掘的目的是数据挖掘的关键前提。（2）数据理解。数据理解开始于数据的收集工作，接下来就是熟悉数据的工作。在此基础上进行数据质量问题的鉴定，并从中发现包含隐含信息的感兴趣的数据子集。（3）数据准备。数据准备阶段覆盖了所有从初始数据构成最终用于挖掘的数据子集所进行的活动。数据准备的工作可能需要进行多次，而且没有任何预定的顺序。数据准备工作包含选择数据表、记录、属性以及转换和清理数据等。（4）建立模型。在这个阶段可能需要选择和应用不同的建模技术，并将其参数校准到最佳值。一般一个类型的数据挖掘问题都需要用到几种技术。一些技术对数据的结构具有特定的要求，因此经常需要返回到数据准备阶段对数据进行相应的处理。该阶段主要建立的模型包括关联规则、分类与预测、聚类、异常检测等。（5）模型评估。到了这个阶段已经建立了一个或多个从数据。分析角度看似高性能的模型，在该模型最后付诸实践以前，还必须彻底地评估该模型，再回顾构造该模型的步骤，以确定该模型真正能够达到预定的商业目标。一个关键的问题就是确定是否存在一些重要的商业问题没有被充分地考虑到。评估阶段最后应作出数据挖掘结果的使用决定。（6）模型部署。模型的创建通常并非数据挖掘过程的终结，即使建模的目的是增长数据的知识，获得的知识仍需要以客户可用的方式进行组织和呈现。根据需要实施阶段可能非常简单（如生成一份报告）或非常复杂（一个可重复的数据挖掘过程）。在大多数的情况下，进行实施的人是客户而并非数据分析人员。然而，即使数据分析人员不是实施的执行者，也必须预先使客户理解为了充分利用所创建的模型而需进行的活动。
从数据挖掘中发掘有关知识的规则需要具备以下4个条件：（1）有效性。意味着规则或知识的重要性，得到的规则或知识应适用于未知的数据；（2）新颖性。即与先验的知识没有关系，在实践中，重要的是要发现新规则；（3）有用性。目的在于发现对用户有用和感兴趣的规则；（4）简单性。即发现的规则应力求简单，应能够创建和容易解释复杂的数据。数据挖掘技术与其他的研究领域如统计分析、机器学习、数据库，以及可视化技术等密切相关。数据挖掘的方法和数学工具包括关联规则、统计学、决策树、神经网络、线性规划、模糊逻辑等。
2数据挖掘在电力系统中的应用分析
2.1电力系统需求分析
对电力系统进行需求分析有利于充分的理解客户以及制定商业战略规划，通过数据库，发觉数据中隐含而有用的信息，如分析顾客或用电单位的相关信息，通过访问自选客户了解顾客的需求，为优质客户制定服务菜单（如折扣菜单和增值服务等），电力公司本身的收支情况分析和顾客满意度分析等。
2.2动态安全评估
电力系统自身内部复杂多样，客户群也极为复杂，安全问题极为重要。建立合理的安全评估机制是电力系统的必修课，传统安全评估依据固定问题、固定内容开闸，而许多细节则在发生安全问题后才能注意到。数据挖掘技术则可以有效对安全进行评估，哪些问题属于高发内容，哪些问题需要特别注意，哪些问题在不同时间是高发时期均可以通过数据挖掘技术获得，极大的提升企业安全效率。同时，数据挖掘技术也为企业建立动态安全评估机制提供技术支持。
2.3电力系统故障诊断
电力系统故障诊断是通过利用有关电力系统及其保护装置的广泛知识和继电保护等信息来识别故障的元件位置（区域）、类型和误动作的装置，其中故障元件的识别是关键问题。电力系统故障诊断的各种方法包括专家系统、人工神经网络、优化技术、粗糙集理论、模糊集理论和多代理技术等。（1）粗糙集理论。比较适合中小型电力系统和变电站的故障诊断。但该模型在考虑发生多重故障时，粗糙集方法将出现决策表十分庞大、甚至出现“组合爆炸”的问题。将决策树用到变电站故障诊断领域，不仅可以实现故障诊断知识的自动获取与表示，而且所获得的以决策树形式表示的知识具有很高的推理速度。（2）优化技术。将基于事件序列的数据挖掘原理故障诊断模型用于高压输电线系统故障诊断领域，依据输电系统故障事件序列在时空特性上的关联性，用动态规划算法的优化相似性原理挖掘事件序列之间的关联性和蕴涵的知识，将诊断问题的求解转化为寻求与实时故障事件序列模式最相似的、运算操作代价最小的标准故障序列模式，以实现对异常事件序列模式中畸变事件的“复原”和纠错，从而保证故障诊断系统的高容错性。（3）多代理技术。还有一种粗糙集理论的决策表约简新算法，通过粗糙集理论与二元逻辑相结合的属性约简算法对诊断决策表进行约简，可快速得到最佳约简组合；同时提出了形成混合策略规则
课程名称：故障诊断方法与应用报告题目：内圈故障诊断实验报告学生班级；研152 学生姓名： 任课教师： 学位类别：
设备故障诊断技术是一种了解和掌握设备在使用过程中的状态，确定其整体或局部是正常或异常，早期发现故障及其原因，并能预报故障发展趋势的技术。安装合适的传感器可以获得故障的特征信号，通过信号反映故障产生原因。滚动轴承是机械中的易损元件，据统计旋转机械的故障有30%是由轴承引起的，它的好坏对机器的工作状态影响极大。轴承的缺陷会导致机器剧烈振动和产生噪声，甚至会引起设备的损坏。滚动轴承的振动可由于外部的振源引起，也可由于轴承本身的结构特点及缺陷引起。而随着科学技术不断发展和工业化程度的不断提高，机械设备精密程度、复杂程度及自动化程度不断提高，凭个人的感观经验对机械设备进行诊断己经远远不够，因此轴承的状态检测和故障诊断是十分必要的，已经成为机械设备故障诊断技术的重要内容。滚动轴承故障监测诊断方法有很多种，它们各具特点，其中振动信号法应用最广泛。本次实验就是采用振动信号法对滚动轴承故障实验平台的滚动轴承的故障信号进行分析。
1 绪论 (1) 2 轴承内圈故障特征频率 (2) 3 时域无量纲参数分析 (2) 3.1 时域波形 (2) 3.2 傅里叶变换运算分析故障 (3) 4通过自相关、互相关、功率谱运算分析故障 (4) 4.1 自相关分析 (4) 4.2 互相关运算分析故障 (5) 4.3功率谱密度 (6) 5 Haar小波分析 (7) 5.1小波分解 (7) 5.2 小波降噪 (9)
1 绪论 随着对滚动轴承的运动学、动力学的深入研究，对于轴承振动信号中的频率成分和轴承零件的几何尺寸及缺陷类型的关系有了比较清楚的了解，加之快速傅里叶变换技术的发展。开创了用频域分析方法来检测和诊断轴承故障的新领域。其中最具代表性的有对钢球共振频率的研究，对轴承圈自由共振频率的研究。本文主要着重于对滚动轴承内圈磨损的故障研究，主要研究方法为傅里叶变换，功率谱，自相关以及互相关，小波理论。 滚动轴承在运行过程中可能会因为各种原因出现故障，如安装不当、异物入侵、润滑不良、腐蚀和剥落等都会导致轴承出现故障。安装不当会导致轴承不对中，使得轴承在运行中，产生一种附加弯矩，给轴承增加附加载荷，形成附加激励，引起几组强烈振动，严重时会导致转子严重磨损、轴弯曲、联轴器和轴承断裂等严重后果。即使轴承安装正确，在长期的运行中，由于异物的入侵或则负荷的作用下，接触面会出现不同程度的金属剥落、裂痕等现象，进而导致旋转部件与故障区域接触时产生强烈振动。本次实验主要针对潜在危害很大的裂痕故障信号进行分析研究。滚动轴承在出现裂痕故障后，随着轴承的旋转，由于旋转部件与裂痕周期性的碰撞会产生周期性的冲击信号，且周期可以通过轴承结构计算得出。图1.1所示为滚动轴承基本结构。 图1.1 滚动轴承基本结构 d：滚动体直径 D：轴承节径（滚动体所在圆的直径） R：内圈直径 i R：外圈直径 o ：接触角（滚动体受力方向与轴承径向平面的夹角） Z：滚动体个数
河海大学物联网工程学院 在线监测与故障诊断 学习报告 授课班号 专业 学号 学生姓名 指导教师
目录 一：在线监测 1.1 相关概念 (3) 1.2 在线监测系统的构成 (4) 1.3 在线监测系统的分类 (5) 二：故障诊断 2.1 相关概念 (5) 2.2 故障诊断系统的分类 (6) 2.3 故障诊断技术的发展历程 (7) 2.4 常用的故障诊断算法 (7) 三：相关应用及其未来展望 (10)
一：在线监测 1.1 相关概念 1.1.1 状态监测 对运转中的设备整体或其零部件的技术状态进行检查鉴定，以判断其运转是否正常，有无异常与劣化征兆，或对异常情况进行追踪，预测其劣化趋势，确定其劣化及磨损程度等，这种活动就称为状态监测（Condition Monitoring）。状态检测的目的在于掌握设备发生故障之前的异常征兆与劣化信息，以便事前采取针对性措施控制和防止故障地发生，从而减少故障停机时间与停机损失，降低维修费用和提高设备有效利用率。 对于在使用状态下的设备进行不停机或在线监测，能够确切掌握设备的实际特性有助于判定需要修复或更换的零部件和元器件，充分利用设备和零件的潜力，避免过剩维修，节约维修费用，减少停机损失。特别是对自动线、程式、流水式生产线或复杂的关键设备来说，意义更为突出。 1.1.2 设备状态监测的分类 设备状态监测按其监测的对象和状态量划分，可分为两方面的监测： ①机器设备的状态监测。指监测设备的运行状态，如监测设备的振动、温度、油压、油 质劣化、泄漏等情况。 ②生产过程的状态监测。指监测由几个因素构成的生产过程的状态，如监测产品质量、 流量、成分、温度或工艺参数量等。 上述两方面的状态监测是相互关联的。例如生产过程发生异常，将会发现设备的异常或导致设备的故障；反之，往往由于设备运行状态发生异常，出现生产过程的异常。 设备状态监测按监测手段划分，可分为两类型的监测： ①主观型状态监测。即由设备维修或检测人员凭感官感觉和技术经验对设备的技术状态进行检查和判断。这是目前在设备状态监测中使用较为普及的一种监测方法。由于这种方法依靠的是人的主观感觉和经验、技能，要准确的做出判断难度较大，因此必须重视对检测维修人员进行技术培训，编制各种检查指导书，绘制不同状态比较图，以提高主观检测的可靠程度。
浅谈数据挖掘技术及其应用 數据挖掘就是从海量数据中提取潜在有趣模式的过程。数据挖掘技术现已广泛应用于零售业、金融业、电信、网络安全分析、农业、医疗卫生等领域，研究十分广泛。 标签：海量数据；数据挖掘；应用研究 一、数据挖掘概念 数据挖掘比较公认的定义是由U.M.Fayyad等人提出的：数据挖掘就是从海量数据中提取潜在有趣模式的过程[1]。还有一些术语，具有和数据挖掘类似但稍有不同的含义，如数据库中知识挖掘、知识提取、数据/模式分析、数据考古等。数据挖掘技术最初是面向应用层面的，不光可以实现检索和统计专门数据库的操作，还能够在大量的数据集中实现小型、中型乃至大型系统的分析、归纳、推理等工作。 二、数据挖掘的基本任务 数据挖掘的目的就是发现有用的知识（即概念、规则和模式）。数据挖掘的基本任务主要有以下几个方面： （1）分类与预测。 分类属于有监督的学习，在构建分类模型之前，在数据源中选取训练集数据并作分类标记，然后运用分类模型对训练集数据进行分类，实在是按照样本属性相近的划入一类，最后将完成训练的分类模型应用到在未知类别的数据集中，获得相应的分类。预测是依据历史数据和现有的数据建立两种或两种以上变量间相互依赖的函数模型，然后进行预测或控制。 （2）聚类分析。 聚类分析是在识别数据的内在规则后，将数据分成相似数据对象组，从而获得数据的分布规律，划分的原则是不同组间距离尽可能大，组内距离尽可能小。聚类分析进一步是打算从一组杂乱的数据中发掘隐藏其中的分类规则。聚类分析与分类模式模型不同，分类模式是使用有标记样本构成的训练集的一种有监督学习方法，则聚类模型是使用在无标记的数据上的一种无监督学习方法。近年来，聚类分析在图像处理、商业分析、模式识别等有广泛应用。 （3）关联规则。 关联分析是通过对数据集中数据之间隐藏的相互关系的分析，揭露了具有相同类别的数据之间未知的关系。关联分析就是将给定一组项集和一个记录集合，
习题参考答案 第1 章绪论 1.1 数据挖掘处理的对象有哪些？请从实际生活中举出至少三种。 答：数据挖掘处理的对象是某一专业领域中积累的数据，对象既可以来自社会科学,又可以来自自然科学产生的数据,还可以是卫星观测得到的数据。数据形式和结构也各不相同, 可以是传统的关系数据库,可以是面向对象的高级数据库系统,也可以是面向特殊应用的 数据库,如空间数据库、时序数据库、文本数据库和多媒体数据库等,还可以是Web 数据 信息。 实际生活的例子： ①电信行业中利用数据挖掘技术进行客户行为分析，包含客户通话记录、通话时间、所 开通的服务等，据此进行客户群体划分以及客户流失性分析。 ②天文领域中利用决策树等数据挖掘方法对上百万天体数据进行分类与分析，帮助天文 学家发现其他未知星体。 ③制造业中应用数据挖掘技术进行零部件故障诊断、资源优化、生产过程分析等。 ④市场业中应用数据挖掘技术进行市场定位、消费者分析、辅助制定市场营销策略等。 1.2 给出一个例子，说明数据挖掘对商务的成功是至关重要的。该商务需要什么样的数据挖掘功能？它们能够由数据查询处理或简单的统计分析来实现吗？ 答：例如，数据挖掘在电子商务中的客户关系管理起到了非常重要的作用。随着各个电子商务网站的建立，企业纷纷地从“产品导向”转向“客户导向”，如何在保持现有的客户 同时吸引更多的客户、如何在客户群中发现潜在价值，一直都是电子商务企业重要任务。但是，传统的数据分析处理，如数据查询处理或简单的统计分析，只能在数据库中进行 一些简单的数据查询和更新以及一些简单的数据计算操作，却无法从现有的大量数据中 挖掘潜在的价值。而数据挖掘技术却能使用如聚类、关联分析、决策树和神经网络等多 种方法，对数据库中庞大的数据进行挖掘分析，然后可以进行客户细分而提供个性化服务、可以利用挖掘到的历史流失客户的特征来防止客户流失、可以进行产品捆绑推荐等，从而使电子商务更好地进行客户关系管理，提高客户的忠诚度和满意度。 1.3 假定你是Big-University 的软件工程师，任务是设计一个数据挖掘系统，分析学校课程数据库。该数据库包括如下信息：每个学生的姓名、地址和状态(例如，本科生或研究生)、所修课程，以及他们的GPA。描述你要选取的结构，该结构的每个成分的作用是什么？答：任务目的是分析课程数据库，那么首先需要有包含信息的关系型数据库系统，以便查找、提取每个属性的值；在取得数据后，需要有特征选择模块，通过特征选择，找出要分析 的属性；接下来需要一个数据挖掘算法，或者数据挖掘软件，它应该包含像分类、聚类、关联分析这样的分析模块，对选择出来的特征值进行分析处理；在得到结果后，可以用 可视化软件进行显示。 1.4 假定你作为一个数据挖掘顾问，受雇于一家因特网搜索引擎公司。通过特定的例子说明，数据挖掘可以为公司提供哪些帮助，如何使用聚类、分类、关联规则挖掘和离群点检测 等技术为企业服务。 答： (1) 使用聚类发现互联网中的不同群体，用于网络社区发现； 第2 页共27 页 (2) 使用分类对客户进行等级划分，从而实施不同的服务； (3) 使用关联规则发现大型数据集中间存在的关系，用于推荐搜索。如大部分搜索了“广外”的人都会继续搜索“信息学院”，那么在搜索“广外”后会提示是否进进一步搜 索“信息学院”。
《数据挖掘论文》 数据挖掘分类方法及其应用 课程名称：数据挖掘概念与技术姓名 学号： 指导教师：
数据挖掘分类方法及其应用 作者：来煜 摘要：社会的发展进入了网络信息时代，各种形式的数据海量产生，在这些数据的背后隐藏这许多重要的信息，如何从这些数据中找出某种规律，发现有用信息，越来越受到关注。为了适应信息处理新需求和社会发展各方面的迫切需要而发展起来一种新的信息分析技术，这种局势称为数据挖掘。分类技术是数据挖掘中应用领域极其广泛的重要技术之一。各种分类算法有其自身的优劣，适合于不同的领域。目前随着新技术和新领域的不断出现，对分类方法提出了新的要求。 。 关键字：数据挖掘；分类方法；数据分析 引言 数据是知识的源泉。但是，拥有大量的数据与拥有许多有用的知识完全是两回事。过去几年中，从数据库中发现知识这一领域发展的很快。广阔的市场和研究利益促使这一领域的飞速发展。计算机技术和数据收集技术的进步使人们可以从更加广泛的范围和几年前不可想象的速度收集和存储信息。收集数据是为了得到信息，然而大量的数据本身并不意味信息。尽管现代的数据库技术使我们很容易存储大量的数据流，但现在还没有一种成熟的技术帮助我们分析、理解并使数据以可理解的信息表示出来。在过去，我们常用的知识获取方法是由知识工程师把专家经验知识经过分析、筛选、比较、综合、再提取出知识和规则。然而，由于知识工程师所拥
有知识的有局限性，所以对于获得知识的可信度就应该打个折扣。目前，传统的知识获取技术面对巨型数据仓库无能为力，数据挖掘技术就应运而生。 数据的迅速增加与数据分析方法的滞后之间的矛盾越来越突出，人们希望在对已有的大量数据分析的基础上进行科学研究、商业决策或者企业管理，但是目前所拥有的数据分析工具很难对数据进行深层次的处理，使得人们只能望“数”兴叹。数据挖掘正是为了解决传统分析方法的不足，并针对大规模数据的分析处理而出现的。数据挖掘通过在大量数据的基础上对各种学习算法的训练，得到数据对象间的关系模式，这些模式反映了数据的内在特性，是对数据包含信息的更高层次的抽象。目前，在需要处理大数据量的科研领域中，数据挖掘受到越来越多的关注，同时，在实际问题中，大量成功运用数据挖掘的实例说明了数据挖掘对科学研究具有很大的促进作用。数据挖掘可以帮助人们对大规模数据进行高效的分析处理，以节约时间，将更多的精力投入到更高层的研究中，从而提高科研工作的效率。 分类技术是数据挖掘中应用领域极其广泛的重要技术之一。至今已提出了多种分类算法，主要有决策树、关联规则、神经网络、支持向量机和贝叶斯、k－临近法、遗传算法、粗糙集以及模糊逻辑技术等。大部分技术都是使用学习算法确定分类模型，拟合输入数据中样本类别和属性集之间的联系，预测未知样本的类别。训练算法的主要目标是建立具有好的泛化能力的模型，该模型能够准确地预测未知样本的类别。 1．数据挖掘概述 数据挖掘又称数据库中的知识发现，是目前人工智能和数据库领域研究的热点问题，所谓数据挖掘是指从数据库的大量数据中揭示出隐含的、先前未知的并有潜在价值的信息的非平凡过程。数据挖掘是一种决策支持过程，它主要基于人工智能、机器学习、模式识别、统计学、数据库、可视化技术等，高度自动化地分析企业的数据，做出归纳性的推理，从中挖掘出潜在的模式，帮助决策者调整市场策略，减少风险，做出正确的决策。 数据挖掘是通过分析每个数据，从大量数据中寻找其规律的技术，主要有数据
安全检测与故障诊断 题目：故障诊断技术发展现状 导师：魏秀琨 学生姓名：刘典 学号：14114263
目录 1 引言 (3) 2 故障诊断的研究现状 (3) 1.1基于物理和化学分析的诊断方法 (3) 1.2基于信号处理的诊断方法对 (3) 1.3基于模型的诊断方法 (3) 1.4基于人工智能的诊断方法 (4) 2故障诊断研究存在的问题 (6) 2.1故障分辨率不高 (7) 2.2信息来源不充分 (7) 2.3自动获取知识能力差 (7) 2.4知识结合能力差 (7) 2.5对不确定知识的处理能力差 (7) 3发展方向 (8) 3.1多源信息的融合 (8) 3.2经验知识与原理知识紧密结合 (8) 3.3混合智能故障诊断技术研究 (9) 3.4基于物联网的远程协作诊断技术研究 (9) 4发展方向 (9)
1 引言 故障可以定义为系统至少有一个特性或参数偏离正常的范围，难于完成系统预期功能的行为。故障诊断技术是一种通过监测设备的状态参数，发现设备的异常情况，分析设备的故障原因，并预测预报设备未来状态的技术，其宗旨是运用当代一切科技的新成就发现设备的隐患，以达到对设备事故防患于未然的目的，是控制领域的一个热点研究方向。它包括故障检测、故障分离和故障辨识。故障诊断能够定位故障并判断故障的类型及发生时刻，进一步分析后可确定故障的程度。故障检测与诊断技术涉及多个学科，包括信号处理、模式识别、人工智能、神经网络、计算机工程、现代控制理论和模糊数学等，并应用了多种新的理论和算法。 2 故障诊断的研究现状 1.1基于物理和化学分析的诊断方法 通过观察故障设备运行过程中的物理、化学状态来进行故障诊断，分析其声、光、气味及温度的变化，再与正常状态进行比较，凭借经验来判断设备是否故障。如对柴油机常见的诊断方法有油液分析法，运用铁谱、光谱等分析方法，分析油液中金属磨粒的大小、组成及含量来判断发动机磨损情况。对柴油机排出的尾气(包含有NOX，COX 等气体) 进行化学成分分析，即可判断出柴油机的工作状态。 1.2基于信号处理的诊断方法对 故障设备工作状态下的信号进行诊断，当超出一定的范围即判断出现了故障。信号处理的对象主要包括时域、频域以及峰值等指标。运用相关分析、频域及小波分析等信号分析方法，提取方差、幅值和频率等特征值，从而检测出故障。如在发动机故障领域中常用的检测信号是振动信号和转速波动信号。如以现代检测技术、信号处理及模式识别为基础，在频域范围内，进行快速傅里叶变换分析等方法，描述故障特征的特征值，通过采集到的发动机振动信号，确定了试验测量位置，利用加速传感器、高速采集卡等采集了发动机的振动信号，并根据小波包技术，提取了发动机故障信号的特征值。该诊断方法的缺点在于只能对单个或者少数的振动部件进行分析和诊断。而发动机振动源很多，用这种方法有一定的局限性。 1.3基于模型的诊断方法 基于模型的诊断方法，是在建立诊断对象数学模型的基础上，根据模型获得的预测形态和所测量的形态之间的差异，计算出最小冲突集即为诊断系统的最小诊断。其中，最小诊断就是关于故障元件的假设，基于模型的诊断方法具有不依赖于被诊断系统的诊断实例和经验。将系统的模型和实际系统冗余运行，通过对比产生残差信号，可有效的剔除控制信号对
数据挖掘毕业论文 ---------数据挖掘技术及其应用 摘要：随着网络、数据库技术的迅速发展以及数据库管理系统的广泛应用，人们积累的数据越来越多。数据挖掘(Data Mining)就是从大量的实际应用数据中提取隐含信息和知识，它利用了数据库、人工智能和数理统计等多方面的技术，是一类深层次的数据分析方法。本文介绍了数据库技术的现状、效据挖掘的方法以及它在Bayesian网建网技术中的应用：通过散据挖掘解决Bayesian网络建模过程中所遇到的具体问题，即如何从太规模效据库中寻找各变量之间的关系以及如何确定条件概率问题。 关键字：数据挖掘、知识获取、数据库、函数依赖、条件概率 一、引言： 数据是知识的源泉。但是,拥有大量的数据与拥有许多有用的知识完全是两回事。过去几年中,从数据库中发现知识这一领域发展的很快。广阔的市场和研究利益促使这一领域的飞速发展。计算机技术和数据收集技术的进步使人们可以从更加广泛的范围和几年前不可想象的速度收集和存储信息。收集数据是为了得到信息,然而大量的数据本身并不意味信息。尽管现代的数据库技术使我们很容易存储大量的数据流,但现在还没有一种成熟的技术帮助我们分析、理解并使数据以可理解的信息表示出来。在过去,我们常用的知识获取方法是由知识工程师把专家经验知识经过分析、筛选、比较、综合、再提取出知识和规则。然而,由于知识工程师所拥有知识的有局限性,所以对于获得知识的可信度就应该打个 折扣。目前,传统的知识获取技术面对巨型数据仓库无能为力,数据挖掘技术就应运而生。 数据的迅速增加与数据分析方法的滞后之间的矛盾越来越突出,人们希望在对已有的大量数据分析的基础上进行科学研究、商业决策或者企业管理,但是目前所拥有的数据分析工具很难对数据进行深层次的处理,使得人们只能望“数”兴叹。数据挖掘正是为了解决传统分析方法的不足,并针对大规模数据的分析处理而出现的。数据挖掘通过在大量数据的基础上对各种学习算法的训练,得到数据对象间的关系模式,这些模式反映了数据的内在特性,是对数据包含信息的更高层次的抽象[1]。目前,在需要处理大数据量的科研领域中,数据挖掘受到越来越多
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
数据挖掘及其应用 Revised by Jack on December 14,2020
《数据挖掘论文》 数据挖掘分类方法及其应用 课程名称：数据挖掘概念与技术 姓名 学号： 指导教师： 数据挖掘分类方法及其应用 作者：来煜 摘要：社会的发展进入了网络信息时代，各种形式的数据海量产生，在这些数据的背后隐藏这许多重要的信息，如何从这些数据中找出某种规律，发现有用信息，越来越受到关注。为了适应信息处理新需求和社会发展各方面的迫切需要而发展起来一种新的信息分析技术，这种局势称为数据挖掘。分类技术是数据挖掘中应用领域极其广泛的重要技术之一。各种分类算法有其自身的优劣，适合于不同的领域。目前随着新技术和新领域的不断出现，对分类方法提出了新的要求。 。 关键字：数据挖掘；分类方法；数据分析 引言 数据是知识的源泉。但是，拥有大量的数据与拥有许多有用的知识完全是两回事。过去几年中，从数据库中发现知识这一领域发展的很快。广阔的市场和研究利益促使这一领域的飞速发展。计算机技术和数据收集技术的进步使人们可以从更加广泛的范围和几年前不可想象的速度收集和存储信息。收集数据是为了得到信息，然而大量的数据本身并不意味信息。尽管现代的数据库技术使我们很容易存储大量的数据流，但现在还没有一种成熟的技术帮助我们分析、理解并使数据以可理解的信息表示出来。在过去，我
们常用的知识获取方法是由知识工程师把专家经验知识经过分析、筛选、比较、综合、再提取出知识和规则。然而，由于知识工程师所拥有知识的有局限性，所以对于获得知识的可信度就应该打个折扣。目前，传统的知识获取技术面对巨型数据仓库无能为力，数据挖掘技术就应运而生。 数据的迅速增加与数据分析方法的滞后之间的矛盾越来越突出，人们希望在对已有的大量数据分析的基础上进行科学研究、商业决策或者企业管理，但是目前所拥有的数据分析工具很难对数据进行深层次的处理，使得人们只能望“数”兴叹。数据挖掘正是为了解决传统分析方法的不足，并针对大规模数据的分析处理而出现的。数据挖掘通过在大量数据的基础上对各种学习算法的训练，得到数据对象间的关系模式，这些模式反映了数据的内在特性，是对数据包含信息的更高层次的抽象。目前，在需要处理大数据量的科研领域中，数据挖掘受到越来越多的关注，同时，在实际问题中，大量成功运用数据挖掘的实例说明了数据挖掘对科学研究具有很大的促进作用。数据挖掘可以帮助人们对大规模数据进行高效的分析处理，以节约时间，将更多的精力投入到更高层的研究中，从而提高科研工作的效率。 分类技术是数据挖掘中应用领域极其广泛的重要技术之一。至今已提出了多种分类算法，主要有决策树、关联规则、神经网络、支持向量机和贝叶斯、k－临近法、遗传算法、粗糙集以及模糊逻辑技术等。大部分技术都是使用学习算法确定分类模型，拟合输入数据中样本类别和属性集之间的联系，预测未知样本的类别。训练算法的主要目标是建立具有好的泛化能力的模型，该模型能够准确地预测未知样本的类别。 1．数据挖掘概述 数据挖掘又称库中的知识发现，是目前人工智能和领域研究的热点问题，所谓数据挖掘是指从数据库的大量数据中揭示出隐含的、先前未知的并有潜在价值的信息的非平
１ 数据挖掘的起源 ２数据挖掘的定义 ３数据挖掘的过程 ３．１目标定义阶段 ３．２数据准备阶段 ３．３数据挖掘阶段 ３．４结果解释和评估阶段 面对信息社会中数据和数据库的爆炸式增长，人们分析数据和从中提取有用信息的能力，远远不能满足实际需要。但目前所能做到的只是对数据库中已有的数据进行存储、查询、统计等功能，但它却无法发现这些数据中存在的关系和规则，更不能根据现有的数据预测未来的发展趋势。这种现象产生的主要原因就是缺乏挖掘数据背后隐藏的知识的有力手段，从而导致“数据爆炸但知识贫乏”的现象。数据挖掘就是为迎合这种要求而产生并迅速发展起来的，可用于开发信息资源的一种新的数据处理技术。数据挖掘（ＤａｔａＭｉｎｉｎｇ），又称数据库中的知识发现（ＫｎｏｗｌｅｄｇｅＤｉｓｃｏｖｅｒｙｉｎＤａｔａｂａｓｅ，简称ＫＤＤ），比较公认的定义是由Ｕ．Ｍ．Ｆａｙｙａｄ等人提出的：数据挖掘就是从大量的、不完全的、有噪声的、模糊的、随机的数据集中，提取隐含在其中的、人们事先不知道的、但又是潜在的有用的信息和知识的过程，提取的知识表示为概念（Ｃｏｎｃｅｐｔｓ）、规则（Ｒｕｌｅｓ）、规律（Ｒｅｇｕｌａｒｉｔｉｅｓ）、模式（Ｐａｔｔｅｒｎｓ）等形式。数据挖掘是一种决策支持过程，分析各组织原有的数据，做出归纳的推理，从中挖掘出潜在的模式，为管理人员决策提供支持。ＫＤＤ的整个过程包括在指定的数据库中用数据挖掘算法提取模型，以及围绕数据挖掘所进行的预处理和结果表达等一系列的步骤，是一个需要经过反复的多次处理的过程。整个知识发现过程是由若干挖掘步骤组成的，而数据 挖掘仅是其中的一个主要步骤。整个知识发现的主要步骤有以下几点。要求定义出明确的数据挖掘目标。目标定义是否适度将影响到数据挖掘的成败，因此往往需要具有数据挖掘经验的技术人员和具有应用领域知识的专家以及最终用户紧密协作，一方面明确实际工作中对数据挖掘的要求，另一方面通过对各种学习算法的对比进而确定可用的算法。数据准备在整个数据挖掘过程中占的比例最大，通常达到６０％左右。这个阶段又可以进一步划分成三个子步骤：数据选择（ＤａｔａＳｅｌｅｃｔｉｏｎ），数据预处理（ＤａｔａＰｒｏｃｅｓｓｉｎｇ）和数据变换（ＤａｔａＴｒａｎｓｆｏｒｍａｔｉｏｎ）。数据选择主要指从已存在的数据库或数据仓库中提取相关数据，形成目标数据（ＴａｒｇｅｔＤａｔａ）。数据预处理对提取的数据进行处理，使之符合数据挖掘的要求。数据变换的主要目的是精减数据维数，即从初始特征中找出真正有用的特征以减少数据挖掘时要考虑的特征或变量个数。这一阶段进行实际的挖掘工作。首先是算法规划，即决定采用何种类型的数据挖掘方法。然后，针对该挖掘方法选择一种算法。完成了上述的准备工作后，就可以运行数据挖掘算法模块了。这个阶段是数据挖掘分析者和相关领域专家最关心的阶段，也可以称之为真正意义上的数据挖掘。 浅谈数据挖掘技术及其应用 舒正渝１、２ （１．西北师范大学数信学院计算机系，甘肃兰州７３００７０；２．兰州理工中等专业学校，甘肃兰州７３００５０）摘要：科技的进步，特别是信息产业的发展，把我们带入了一个崭新的信息时代。数据库管理系统的应用领域涉及到了各行各业，但目前所能做到的只是对数据库中已有的数据进行存储、查询、统计等功能，通过这些数据获得的信息量仅占整个数据库信息量的一小部分，如何才能从中提取有价值的知识，进一步提高信息量利用率，因此需要新的技术来自动、智能和快速地分析海量的原始数据，以使数据得以充分利用，由此引发了一个新的研究方向：数据挖掘与知识发现的理论与技术研究。数据挖掘技术在分析大量数据中具有明显优势，基于数据挖掘的分析技术在金融、保险、电信等有大量数据的行业已有着广泛的应用。关键词：数据挖掘；知识发现 Abstract:Key words:The progress of science and technology,especially the development of the information industry,brings us into a brand-new information age.The application of the data base management system has involved all trades and professions,but only the store,inquire and statistic function can be applied,account a little part of the whole database.How to improve the utilization ratio of the information has initiated a new research direction,the data mining and knowledge found theory and technique.The data mining has the advantage in analyzing a large number of data.The data mining analytical technology has been largely used finance,insurance,telecommunication industry,etc..Data mining;Knowledge discovery 收稿日期：２０１０－０１－１５修回日期：２０１０－０２－１１ 作者简介：舒正渝（１９７４－），女，重庆籍，硕士研究生，研究方向为数据库、多媒体。 中国西部科技２０１０年０２月（中旬）第０９卷第０５期第２０２期 总38
基于大数据的数据挖掘技术与应用 发表时间：2019-07-17T12:49:19.997Z 来源：《基层建设》2019年第12期作者：汪洋 [导读] 摘要：科技前进的步伐越来越快，数据挖掘与传统行业相结合，在各行各业展现出了十分强大的生命力。 中国联合网络通信有限公司黄石市分公司湖北黄石 435000 摘要：科技前进的步伐越来越快，数据挖掘与传统行业相结合，在各行各业展现出了十分强大的生命力。本文从数据挖掘的基本概念和功能谈起，进一步再分析其在金融和人力资源两个方面的具体运用。 关键词：数据挖掘；大数据；金融；人力资源 一、数据挖掘的概念和功能 （一）数据挖掘概念。数据挖掘是指从庞大繁杂的数据中通过算法搜索隐藏于表面数据背后信息的过程。数据挖掘通常与计算机科学有关，并通过统计、在线分析处理、情报检索、机器学习和模式识别等多种方法来实现上述目标。 （二）数据挖掘的方法和过程。数据挖掘的理论技术一般可分为传统技术和改良技术两支。就传统技术而言，以统计分析为主要代表；就改良技术而言，以决策树理论、类神经网络和规则归纳法等为主要代表。 （三）数据挖掘的主要功能。数据挖掘的功能十分强大，在与各行各业结合之后，都能为各行业带来新的发展契机。一般来说，数据挖掘的功能分为两类：一类是描述性功能，是指对目标数据的属性进行特征描述；另一类是预测性功能，是指对当前数据进行归纳，以进行发展趋势的预测。 二、数据挖掘技术的应用实践 （一）在金融方面的应用。大数据金融以庞大繁杂的数据作为基础，利用如互联网等信息化技术，分析处理对客户的消费数据，将客户及时全面的信息及时地反馈给金融企业，如此一来，使得金融企业给零散化的客户群体提供定制化的服务成为可能。数据挖掘技术在金融领域的表现十分优异，在第三方支付、p2p网络借贷、供应链金融、互联网消费金融等方面均有广泛的运用。 就第三方支付而言，因为其运用场景多样化，使用方便快捷，因而，第三方支付与上下游的交易者联系紧密。当相关数据累积到一定程度时，便可推出更多的增值服务，进一步增加利润来源。在众多增值服务中，近年来，值得一提的是由蚂蚁金服推出的蚂蚁花呗。蚂蚊花呗本质上而言是一款消费信贷产品。蚂蚁花呗利用大数据，以自身的风控模型为基础，结合对消费者在互联网上的各种网购情况、支付习惯、信用风险等的分析结果，对不同的用户根据其近期的消费情况给予不同数额的消费额度。 第三方互联网支付交易规模由于互联网理财等大额交易场景的推动保持高速增长。在2013年，第三方互联网支付交易额仅为6万亿元，但据可靠预测，在2020年，此交易额可到39万亿元。再看第三方移动支付交易额。由于移动支付场景的多样化、用户渗透率越来越高、各种第三方支付企业进军市场等原因，移动交易量不断上升。在2013年，第三方移动支付交易额仅为1万亿元。但据估计，在2020年，第三方移动支付交易额可达144万亿元。 （二）在人力资源管理方面的运用。 （1）数据挖掘与人力资源规划：通过数据挖掘技术，组织管理者可以利用搜集到的每一个员工的组织内外部的信息资料，联系企业的整体战略目标，以事实为依据，制定未来人力资源规划。 （2）数据挖掘与人才的招聘与配置：招聘时，招聘者对于求职者的了解一般都比较肤浅，对于求职者的专业技能掌握情況、工作效率等无法有效进行认知。而新兴的社交网络呈现了—个人各方面的信息，如工作经历、社会关系、工作效率等，从而能助招聘者一臂之力，达到精准的人岗匹配。 （3）数据挖掘与员工的开发：利用数据挖掘，管理者将职业生涯规划建立在员工全方位数据的基础上，如员工的应聘岗位、晋升意愿和期望薪酬等结构化与非结构化的数据信息，从而精准地为员工提供职业培训。 三、注意区分数据挖掘与个人信息侵犯 当今时代，科学技术的不断提高，使得各种数码产品更新换代速度加快，手机、电脑、照相机等电脑产品基本是一年更新换代一次甚至两三次。其中由于手机应用功能随着经济发展而逐渐增加，从原来的按键机发展到如今的触屏手机乃至折叠手机，其功能也从原来的拨打电话、发送短信、彩信功能而增加到如今的视频通话、语音通话以及上网功能。网络的普遍化丰富了人们的生活，使得人们可以便捷广泛的了解、认知自身以外的整个中国乃至整个世界，可以通过网络媒介了解到其他国家的风土民俗、地形地貌，了解自己所喜欢的明星网红的日常喜好，或是通过网络媒介得到想获得的知识、达到一个学习的作用。但网络媒介是一把双刃剑，通过网络世界了解到诸多信息时，也可能因为自己在网络上所说的一句话、所发的一个定位从而导致自身隐私泄露，个人信息被公布在大众眼中。要运用好大数据时代中网络媒体这一把双刃剑，就必须要求到人们提高自我隐私保护意识，规范网络世界中的一言一语。 （一）大数据时代信息量过大导致信息泄露 当今时代是科技不断发展的时代，是大数据时代。在大数据时代里，各种数码产品纷呈展现其自身的广泛性、普遍性，充斥在人类日常生活中。尤其是手机的发展从原始的只能打电话接电话的大哥大，渐渐变成能够发短信、收短信的按键机，为满足人们日常生活中的娱乐要求，在信息传播的同时又增加了照相机、听音乐、玩游戏等等娱乐功能。在科技发展的基础上，为满足人们日常生活中的各种精神需求，仅仅五六年时间内，按键手机逐渐演变成如今的触屏手机、智能手机。如今的手机已不仅是一个只能打电话、接电话的功能机，在满足了人们的基本通讯要求后，增加了上网的功能。如今微博app、微信app、qqapp各种社交app的崛起，使得人们日常生活充满了娱乐性、便捷性、广泛性，所接收的信息不仅来自自身以外的中国各地，而且也可以接触到中国以外其它国家，甚至来自地球以外的各大恒星的知识。如今你将会看到，越来越多的人在超市里、商场中、地铁上、公园里拿起手机刷微博、拍抖音、视频通话、拍照片等等，在大数据时代，由于网络的普遍，人们上一秒在抖音app上传了一段视频、微博上发布了一篇文章、朋友圈发表了几张照片，以网络传播速度快的特点，下一秒这个视频、这篇文章、这些照片就极有可能出现在大众视线中。网络带来便捷性的同时也带来过大的信息量以及一定性的安全隐患，人们通过信息库了解某一样东西的同时，也可能导致自身定位被人知道、自身隐私被泄露出去。 （二）大数据时代侵犯个人信息方法更多 由于科学技术进步速度快，数码产品更新换代的速度也日益加快。当手机硬件设施提高了，相应的各类软件应用层出不穷，给予了人们日常生活中的精神满足，同时也给予了不法分子有机可图的条件。人们隐私安全问题日益堪忧，由于手机等各种数码产品的普遍性，大
智能故障诊断技术知识总结 一、绪论 □智能： ■智能的概念 智能是指能随、外部条件的变化，具有运用知识解决问题和确定正确行为的能力。 ■低级智能和高级智能的概念 低级智能——感知环境、做出决策和控制行为 高级智能——不仅具有感知能力，更重要的是具有学习、分析、比较和推理能力， 能根据复杂环境变化做出正确决策和适应环境变化 ■智能的三要素及其含义 三个基本要素：推理、学习、联想 推理——从一个或几个已知的判断（前提），逻辑地推断出一个新判断（结论）的思维形式 学习——根据环境变化，动态地改变知识结构 联想——通过与其它知识的联系，能正确地认识客观事物和解决实际问题 □故障： ■故障的概念 故障是指设备在规定条件下不能完成其规定功能的一种状态。可分为以下几种情况： 1.设备在规定的条件下丧失功能； 2.设备的某些性能参数达不到设计要求，超出允许围； 3.设备的某些零部件发生磨损、断裂、损坏等，致使设备不能正常工作； 4.设备工作失灵，或发生结构性破坏，导致严重事故甚至灾难性事故。 ■故障的性质及其理解 1层次性——系统是有层次的，故障的产生对应于系统的不同层次表现出层次性。 一般可分为系统级、子系统级、部件级、元件级等多个层次；高层故 障可由低层故障引起，而低层故障必定引起高层故障。诊断时可采用 层次诊断模型和诊断策略。 2相关性——故障一般不会孤立存在，它们之间通常相互依存和相互影响，如系统 故障常常由相关联的子系统传播所致。表现为，一种故障可能对应多 种征兆，而一种征兆可能对应多种故障。这种故障与征兆间的复杂关 系导致了故障诊断的困难。 3随机性——故障的发生常常是一个与时间相关的随机过程，突发性故障的出现通 常都没有规律性，再加上某些信息的模糊性和不确定性，就构成了故 障的随机性。 4可预测性——设备大部分故障在出现之前通常有一定先兆，只要及时捕捉这些征 兆信息，就可以对故障进行预测和防。 □故障诊断： ■故障诊断的概念 故障诊断就是对设备运行状态和异常情况做出判断。具体说来，就是在设备没有发 生故障之前，要对设备的运行状态进行预测和预报；在设备发生故障之后，要对故 障的原因、部位、类型、程度等做出判断；并进行维修决策。 ■故障诊断的实质及其理解 故障诊断的实质——模式识别（分类）问题
应用 Technology Application D I G I T C W 技术 194DIGITCW 2019.01 1 大数据时代的发展历程及现状表现 通过对大数据的发展历程进行分析，大数据在出现到现在，短短的几年的时间内，大数据的信息容量个数据交流在呈直线上升。目前大数据时代的流量总和能够满足全球人员每天消耗500G 以上。就目前我国大数据发展的过程来说，已经逐渐的应用到我国各行各业中，能够从中获取信息资源。企业可以利用大数据对产品进行综合性分析，还能根据用户的反馈对产品进行更新改造，大数据时代下，采用信息化管理，能够有效的提升企业的管理效率，进而提升企业的生产效益，所以要加强数据挖掘技术在大数据时代下的应用。 2 数据挖掘技术分析 2.1 数据挖掘 数据挖掘技术是在20世纪90年代初提出来的新兴技术，这种技术主要面对的是商业应用中的人工智能化研究方面。大数据时代下数据挖掘技术的应用具有较高的使用价值，在实际应用中，能够及时的掌握产品的具体使用情况，能够在众多的数据信息中进行优化数据信息，进而为企业的发展提供参考方向。在数据挖掘技术发展过程中，由原来的简单、清晰的数据中进行寻找信息到能够从复杂、模糊的数据中去寻找有利用价值的信息，实现了质的突破，说明技术要求较高，需要更好的利用互联网技术。[1]2.2 聚类分析 在进行数据挖掘时，可以采用聚类分析技术来对数据进行处理。聚类分析的主要作用是能够将难以理解的事物进行形象化分组，然后在根据不同性质将其划分为不同组的分析过程。聚类分析的本质能够对庞大的数据进行划分处理，在从中发现可利用的信息资源。但是在实际的使用中，聚类分析是区别于传统的分类方式，它的优势是能够在模糊对象下进行对信息数据进行分组。在目前的聚类分析方式主要有两种分类方式，一种是硬聚类，这种分类方式更加的贴合数据信息。另一种是模糊聚类，这种分类方式能够通过划分模糊数据在对其进行分类。总的来说，这两种的分类方式不一样，但是所能达到的目的是一样的，都能将数据进行划分。 2.3 特征性数据分析法 特征性数据分析方法也是数据挖掘技术的主要方式之一，特征性数据分析方法能够对整体的数据信息，进行特征性的分析，对其进行发掘有利用价值的信息。由于这种技术的方便快捷性，可以应对大多数的数据资源的分析，所以是相关研究者的主要研究方向。在应用中，相关的设计者提出了多种的特征数据分析方法，比如可以利用人工神经网络进行收集数据，在数据终端进行建立神经网络，搜集可利用的信息；采用遗传基因算法对数据进行分析，对庞大的数据进行选择、重组；利用可视化技术对数据进行搜集，挖掘，可以有效的提升数据挖掘技术的实用性。[2] 3 大数据时代中数据挖掘的应用及延展方向 3.1 市场营销领域 根据对大数据时代中数据挖掘技术应用的数据分析，市场营 销领域是应用数据挖掘技术最广的领域。在市场营销中，可以通过数据挖掘技术对市场数据进行相关的提取和总结，能够在大数据下进行分析用户的信息资源，可以根据大数据反馈回的数据信息，进行改变市场营销模式。比如，通过数据挖掘技术能够分析用户点击商品的次数，然后在后台系统中，可以继续为用户推送与此商品相关的衍生品，能够让用户有更多的选择性，提高用户的实际使用感。3.2 制造业领域 随着现代生活水平的不断提高，人们对于生活产品的质量要求也在日益增长着，在制造业领域中应用数据挖掘技术能够更好的提升生活产品的质量。大数据时代中数据挖掘技术应用在制造业中的应用，可以对生活产品生产时进行跟踪性的监管、及时得到产品问题的数据、了解产品的生产效率等。可以为以后产品的生产提供相应的数据分析，针对性的解决产品遇到的问题、提升生产效率，进而提升制造业的经济效益。数据挖掘技术在制造业领域应用，能够促进制造业的发展，是非常有必要的。[1]3.3 电信业领域 现代是信息化的时代，电信行业在蓬勃的发展中，但是电信用户基数大，所需要处理的问题也是最多的，所以需要更好的服务来解决用户的问题，才能给用户带来更好的体验感。电信技术的服务是需要非常庞大的数据进行支持才能更好的处理遇到的问题，但是这种技术服务会被数据流冲击，导致服务质量下降。数据挖掘技术在电信业领域的应用能够有效的改变这种局面，采用数据挖掘技术可以对复杂的电信数据进行分析与研究，能够在其中发现规律，针对用户反馈回的信息，进行改进，提高电信业的服务质量。3.4 教育领域 数据挖掘技术在教育领域中的应用能够有效的提升教育行业的发展，在实际的应用中，能够对全体学生的心理特点进行分析，然后得出相应的教学方案，让教师能够及时的掌握学生的学习情况，从而更好地进行教学活动。采用数据挖掘技术可以对全体学生的考试成绩进行分析，及时发现学生学习的薄弱之处，方便教师对其进行加强化教学。还可以利用数据挖掘技术对教学进行分析，能够更好的利用教学资源，最大化发挥教学资源的作用，从而提升教育领域的教学质量。 4 结束语 综上所述，随着信息化时代的不断发展，我国正在向着大数据时代迈进，要加强大数据时代下数据挖掘技术的应用，才能更好的满足各行业的实际需求。尤其是在市场营销领域、制造业领域、电信业领域、教育领域等，能够利用数据挖掘技术来进行对众多的数据分析与研究，得出可利用的数据，进而促进该行业的发展。参考文献 [1] 刘铭，吕丹，安永灿.大数据时代下数据挖掘技术的应用[J].科技导报，2018，36（09）：73-83. 大数据时代下数据挖掘技术的应用 梁?瀚 （青岛科技大学?中车青岛四方车辆研究所有限公司，青岛 266000） 摘要：随着现代社会信息化技术的不断发展，我国社会正在向信息化时代迈进。在信息化时代中，大数据时代是主要的发展环节。本文主要讲述了大数据时代下数据挖掘技术的应用方式，介绍数据挖掘技术的重要性。 关键词：大数据时代；数据挖掘技术；主要应用及延伸方向doi ：10.3969/J.ISSN.1672-7274.2019.01.152中图分类号：TP311.13 文献标示码：A 文章编码：1672-7274（2019）01-0194-01