刘天松，吴永明,b,c，盛晓静，陈琳升

(贵州大学 a.现代制造技术教育部重点实验室；b.公共大数据国家重点实验室；c.机械工程学院，贵阳 550025)

0 引言

随着大数据时代的迅速崛起，工业数据安全预警问题正在逐步成为人民重点的关注对象[1]。周志方等[2]采用基于支持向量机(SVM)模型对企业风险进行预警并对重污染企业管控提出指导意见。张丁[3]采用Apriori算法进行关联规则数据挖掘预警，得到的关联关系可以作为煤矿安全的重要依据。Jo B W等[4]利用基于RSS范围的加权质心定位算法提高煤矿井下安全管理水平，预防煤矿井下事故的发生。因此，数据监测与预警在工业应用中的地位较高。

在工业生产中常用聚类算法来实现数据的预警与控制。Duan Haiyang等[5]利用k-均值聚类和动态时间规整(DTW)相结合，研究开发了一种有效的漏钢预警方法。宋杰鲲等[6]采用PCA-AR和K均值聚类构等建煤炭安全预警模型,利用K均值将煤炭安全划分为不同的安全等级。

在聚类算法预警中大多是采用欧式距离进行划分，但是没有对聚类对象区别对待，使预警机制对重要的聚类对象不够敏感。因此本文提出一种加权欧式距离与GNG算法相结合的增量学习模型，通过改变每个聚类对象的权重使聚类结果更加准确，同时通过构建阈值机制对工业数据进行实时监督和预警。

1 GNG算法理论

GNG算法是一种自适应聚类算法，聚类是数据挖掘中常用的算法之一,主要用于把大量的数据集合成若干簇[7],同一簇内数据相似程度较大，不同簇之间相似程度较小[8]。……