[发明专利]基于数据挖掘的装备可靠性评估方法

说明书

技术领域

本发明涉及数据挖掘领域，更具体地指一种基于数据挖掘的装备可靠性评估方法。

背景技术

科学技术飞速发展并在各个领域得到广泛应用，先进、复杂、精密的现代高技术电子装备不断涌现并投入使用。这些装备的不断使用和更新产生了大量的有关可靠性的数据，分析评估装备的可靠性，有利于充分了解整个装备以及相关元件的可靠性水平，促使设计制造工艺的改进，充分发挥装备的固有能力，提高装备效能，从而保证装备战备完好性，降低维修保障费用，减少装备寿命周期费用。

过去的装备可靠性评估方法，都是通过参加装备故障维修、记录装备故障数据、依靠个人经验而对装备可靠性进行评估，往往缺乏完整的理论体系和科学依据，难以找出隐藏装备内部的可靠性规律。依托一定算法和计算机辅助计算，可以对装备已有故障数据进行分析计算，挖掘出装备可靠性影响因素和装备可靠性特征量，为装备的维修保障等后续工作提供了重要的参考指标。

目前的数据挖掘方法包括聚类分析、决策树、关联规则、神经网络和粗糙集等方法。

1、基于聚类分析的方法：将数据对象分为多个类或簇，同一簇中的对象之间具有较高的相似度，而不同簇之间差别较大。聚类中没有事先确定好的组别，也没有样本，记录按照自身特征的相似性聚集在不同类别中。聚类通常也作为数据挖掘或建模工作的第一步工作，其算法大体上可以划分为基于层次的方法、基于划分的方法、基于密度的方法、基于网格的方法、谱系聚类法等。

2、基于决策树的方法：通过将大量的数据有目的地分类，从中找出有价值的、潜在的信息，是一种为人工智能开发的有指导的归纳学习算法。该方法主要包括CLS(概念学习系统)方法、ID3(Iterative Dichotomiser 3迭代二叉树3代)算法、C4.5决策树算法算法，属于以逻辑方式输出的分类方法，主要用来解决数据挖掘中的分类和预测问题，其归纳学习的目标是建立一个分类模型。

3、基于关联规则的方法：由Agrawal等人于1993年对市场购物篮问题进行分析时首次提出，用以发现商品销售中的顾客购买模式。关联规则的主要目的就是发现存在于数据库中的项目或属性间的潜在关系，从而辅助决策。该方法挖掘形式简洁、易于理解和解释，并可以有效的捕捉数据间的重要关系。

4、基于神经网络的方法：通过网络中各连接权值的改变，实现信息的处理和存储。神经网络由于本身良好的鲁棒性、自组织自适应性、并行处理、分布存储和高度容错等特性非常适合解决数据的挖掘问题。典型的神经网络模型有误差逆传播神经网络、Hopfield神经网络、随机型神经网络、竞争型神经网络、自组织特征映射神经网络、对向传播神经网络等。

5、基于粗糙集理论的方法：由波兰科学家Z.Pawlak于1982年首先提出。其主要思想就是在保持分类能力不变的前提下，通过属性约简和知识约简，导出问题的决策或分类规则。该方法利用等价关系将一组数据划分成几个等价类，利用等价类近似的方法描述整个集合的特征。但找出可以描述给定数据集中所有概念的最小属性子集是个NP(Non-Deterministic Polynomial,非确定多项式)问题。

然而在实际的装备可靠性评估中，首先要对装备可靠性数据进行收集，不可避免的存在不完备性。这些数据若不经过预处理，有可能导致不必要的操作和漫长的等待时间，浪费不必要的人力和物力，而且还影响从数据集中抽取模式的正确性和导出规则的准确性，从而影响决策者判断；使用上述5种方法对预处理后的数据进行挖掘都需要进行复杂的运算，还需要大量的统计信息和专家经验，且信息量大，具有较大的冗余性，并且设计的可靠性评估系统人机交互性、可视化、直观性、可理解性不强。

因此，对于装备的可靠性评估，只应用一种数据挖掘方法就完全解决实际对象的诊断问题是不可能的，多种智能方法的有效结合是未来可靠性评估的总体趋势，特别是与灰色理论方法有效地结合在一起，发挥各自的优势，形成互补，建立新的装备可靠性评估方法，既简单易行又能明显提高装备评估效率，从而为装备的维修保障等后续工作提供了重要的参考指标。

发明内容

本发明的目的就是要提供一种基于数据挖掘的装备可靠性评估方法，以便快速准确地对装备的可靠性进行评估。

为实现此目的，本发明所设计的一种基于数据挖掘的装备可靠性评估方法，其特征在于，它包括如下步骤：