周经龙

(重庆科创职业学院，重庆 402160)

1 计算机数据挖掘技术方法

1.1 神经网络法

该方法是模仿生物神经系统的功能和结构，利用了大自然的鬼斧神工而发展来的一种方法。通过非线性预测模型将每一个关系单元连接起来，利用大数据实现数据收集、储存、分析、数据深度挖掘的过程。随着数据库数据不断地增加，能够从大量的数据中分析出可以遵循的规律，克服了传统分析过程复杂，需要大量时间支撑的弊端，能够高精度地计算出结果。其缺点是长时间积累数据，不适合处理高维变量的数据，缺乏中间工作过程的监控能力，在与农机设备状态智能检测技术结合时，具有很大的不确定性。虽然神经网络法应用广泛，但是目前缺乏与农机智能检测技术融合使用的兼容性，无论是理论层面还是技术层面，都需要研究和摸索。

1.2 决策树方法

该方法源于树形状和特点而得名，其可以从无规律的数据中经过分析、推理得出以决策树形式表示出来的分类规律法。与树的特点相同是从顶端向下归纳总结，在决策树的根节点到枝节点进行属性值分析，在叶节点端得到结论，从根节点到叶节点就会分析出一个规律，得到这个规律的过程方法就是决策树方法。其适用于多级决策，能够描述多级决策的有效方法，具有分析思路，决策结果明确的优点。但是其是依据变量的阈值作为决策要素，难以做到精准取值从而达到结果精确的目的。此外，决策树的知识晦涩难懂，又取值阈值影响计算结果的应用，所以其不适用于农机设备状态智能检测技术的计算方法。

1.3 遗传算法

该方法起源于美国，依据达尔文生物进化理论的自然选择和遗传机理而来，通过模拟自然进化而得出普遍规律和最优解决方法。通过选择、交叉、变异的过程得出最优解，在数据挖掘技术中使用比较广泛。其对编码要求极高，如果编码不规范会导致结果不准确，进而影响对结果的参考和应用。其次是某一个遗传的规律不能全面地优化、解决问题，如果问题较为复杂情况还会耗费很长的计算时间，在应用方面存在技术壁垒和方法。在农机设备状态智能检测技术应用方面存在明显的维度不够、精度不高的劣势，目前没有一个较为科学、高效的融合方法，所以目前不适用农机设备状态智能检测技术的融合。

1.4 粗糙集法

该方法擅长处理不确定性数据、不精确的知识表达，可以对数据库的知识进行化简得出数据之间的规律关系。其在数据挖掘技术中应用愈加广泛，未来的发展和应用也是很有前景的，其能够处理各种不完整的数据和拥有多变量的数据，能够处理精确和不精确的复杂数据，并计算得出合理的表达和区分数据层次，操作也很简单，很适合智能领域的应用。但是其缺点影响了其在农机设备状态智能检测的应用，不能处理连续的数值，会忽略一些有价值的变量从而影响计算结果，这对农机故障的检测是非常致命的，需要一个更加科学、精准、可靠的计算方法来实现农机状态智能检测。

1.5 支持向量机分类法

该方法是基于数学函数回归理论，针对二值分类问题得出。其不仅具有数据挖掘技术的分类功能，也融入了数学回归函数的计算能力，对结果的分析相对科学和精确，是农机设备状态检测技术算法的最佳选择。将农机设备的状态检测数据集合用回归函数的形式表示出来，并依据农机的型号，故障类型等进行高维建设，再对对应的故障现象计算故障方位，最后根据故障部位给出修理建议。这种数据挖掘技术和农机设备状态智能检测融合率很高，能够精准计算出故障部位，给出故障解决策略，是数据挖掘技术在农机设备状态智能检测中计算方法的优选。

2 农机设备状态智能检测技术应用

2.1 数据收集

农机设备各个组成的状态需要进行实时收集，根据农机的特点采取传感器的形式进行数据收集，对农机设备能够影响状态的因素上安装无线传感器，对这些数据进行赋值量化。其次对这些传回的信息进行回归函数计算，根据设备的状态能够计算出对应的数值，在对应区间定性故障状态，并排除一些无用的干扰数据，避免影响计算结果的准确性。

2.2 建立数据库

建立数据库很重要，其包含了设备状态的各种情况及数据阈值，对传感器实时上传的数据进行收集、处理、分析、检测结果、应对方法、储存等，一切涉及设备状态智能检测的数据都在数据库里。根据设备的型号、使用年限、常见故障、零件组成的状态等等，是一个最大的数据集成和处理中心，是设备智能检测的大脑。数据挖掘技术是建立在庞大数据库的基础之上，所以数据的建设需要越全越好、越多越好、越精准越好，因为数据支撑着计算的精准度，决定着设备检测的结果正确与否。

2.3 建立模型

我们基于计算机数据挖掘技术建立农机设备状态智能检测模型，在无限传感器对农机设备和各个零件的监控下，采集需要的数据，对这些数据进行处理和甄选，排除无用的干扰数据，以求数据真实有效。其次是处理这些数据计算出收集数据的实际赋值，将数值对应到到农机设备的状态阈值中，通过数据挖掘分析出最可能出现故障的几个部位。这里首先要确定是否出现故障，确定出现故障后根据计算分析出故障的源头是哪里。最后是输出检测结果，对检测结果显示出的故障源进行排除，建立一个全过程的模型，用于验证其实用性、精确性等。

2.4 模拟数据分析

模型建立后需要进行模拟分析，模拟分析有2个目的，一是要验证检测系统的可靠性，多种情况下的表现和检测的精准度及其工作的时间效率是否能够满足现实应用；二是扩充数据库的数据给计算提供分析数据或者分析依据，针对各种情况是否能够满足计算的数据支持及计算数据的精准度是否受到收集的数值真实度影响。在进行模拟分析时，对数据库进行补全的同时，要不断地发现存在的问题，这些问题和数据都将为进一步发展研究提供数据基础。此外，农机设备的状态是不确定的，而数据库的数据是有限的。要对数据挖掘和智能检测的融合进行评估，是否能够完整地描述出设备的状态规律，计算出现的错误概率是否处在可以接受的范围内，结果是否具有说服力，时间效率是否提高等等。

2.5 故障排除方法的选择

在计算机数据挖掘技术和农机设备状态智能检测技术融合中，主要解决的问题是检测农机的状态及故障的排除，发现问题到解决问题的智能过程。故障排除方法的选择要更具智能化，提供暂时修复和彻底修复，根据实际情况选择修复的方法，如果工作任务比较紧急可以选择暂时修复，如果不紧急或者故障潜在危险比较大，可以选择彻底修复，以保证设备状态的良好运行性。

3 结语

基于计算机数据挖掘技术的农机设备状态智能检测是两个领域的良性融合，实现了数据挖掘技术的实用性，保证了农机状态通过智能检测的可控性。对比分析得出支持向量分类法比较适合农机设备状态智能检测后，我们通过数据收集、建立数据库、建立模型、模拟数据分析、故障排除方法的选择等步骤进行融合之后的可行性，得到了肯定的验证。实现了基于计算机数据挖掘的农机设备状态智能检测技术应用，其扩展了数据挖掘技术的应用范围，提高了农机设备状态智能检测的效率和可操作性。