1、隨著岸橋在線監(jiān)測系統(tǒng)在集裝箱港口的普遍應用,隨之產生了海量的狀態(tài)監(jiān)測數據；與故障診斷不同:這些動態(tài)數據是在岸橋作業(yè)時采集得到的,反映了岸橋在各種工況下的機械動態(tài)特征,顯得雜亂無章,特征不明顯；同時,數據的數據量都比較大(以GB為單位)。利用傳統(tǒng)的手段處理這些數據在方法和效率上都顯得力不從心。因此,如何有效地處理這些數據,并獲得設備管理人員感興趣的知識是研究人員必須面對的問題,也是本論文的主要研究內容。最近幾年,數據挖掘技術以其在知識獲取

2、方面的獨特優(yōu)勢,得到了迅猛發(fā)展。因此,利用數據挖掘技術在海量的監(jiān)測數據中發(fā)現(xiàn)能夠反映岸橋動態(tài)狀態(tài)的新特征,不失為一種好方法；同時,利用這些新的特征和手段進行岸橋機械狀態(tài)的識別與評估也是一個很值得研究的課題。這不僅有利于突破傳統(tǒng)知識獲取手段的瓶頸,更能使這些存放在數據庫中的數據得到充分的利用。因此,對這些監(jiān)測數據進行知識發(fā)現(xiàn)具有重要的理論和工程價值。
　　 本論文作為上海市教育委員會科研項目(項目編號:2004095):起重機監(jiān)測

3、信息的數據挖掘與狀態(tài)預測技術的主要成果,主要根據岸橋遠程在線狀態(tài)監(jiān)評系統(tǒng)(NetCMAS)數據庫中的監(jiān)測數據,利用數據挖掘的主要方法和手段,開展岸橋機械狀態(tài)識別的研究。論文主要從以下兩個方面著手開展:對岸橋在線監(jiān)測數據進行量化關聯(lián)規(guī)則挖掘,并研究如何利用得到的規(guī)則對岸橋的狀態(tài)及其變化進行識別和評估；針對高維的岸橋機械特征向量,利用基于粗糙集的屬性約簡和神經網絡技術,實現(xiàn)岸橋的機械狀態(tài)識別和可視化。同時,在論文最后,對岸橋狀態(tài)的預測模型進

4、行了初步研究。
　　 論文以大量真實的狀態(tài)監(jiān)測數據作為數據挖掘的數據源,從研究岸橋機械狀態(tài)特征及其變化入手,進行了量化關聯(lián)規(guī)則挖掘、基于粗糙集的維數約簡、基于神經網絡的聚類及可視化等方面的研究,為數據挖掘技術在岸橋狀態(tài)監(jiān)測信息中進行知識發(fā)現(xiàn)、狀態(tài)識別和進行更深入的研究做出了有益的探索。本文的主要工作如下:
　　 1.設計了岸橋遠程在線監(jiān)測與評估系統(tǒng)(NetCMAS),實現(xiàn)了岸橋機械狀態(tài)的遠程在線監(jiān)測與評估。NetCMAS

5、系統(tǒng)的使用積累了大量的岸橋狀態(tài)監(jiān)測數據,為數據挖掘提供了數據源,也保證了本論文中所有的研究結果真實可信。
　　 2.對岸橋在線監(jiān)測數據進行量化關聯(lián)規(guī)則挖掘,并利用關聯(lián)規(guī)則作為特征量對岸橋的機械狀態(tài)進行識別。
　　 為了適應岸橋監(jiān)測數據分布偏度較高的特點,論文提出了MCA-MQAR(基于改進的競爭聚集算法的關聯(lián)規(guī)則)算法,并根據該算法對岸橋的在線監(jiān)測數據進行了關聯(lián)規(guī)則挖掘；在此基礎上,論文針對以分區(qū)離散法為基礎的量化關聯(lián)規(guī)

6、則存在的問題,提出了直接生成頻繁項集的GA-MQAR(基于遺傳算法的量化關聯(lián)規(guī)則)算法,并對算法進行了詳細的論述。在此基礎上,論文對上述兩種算法進行了對比,并確定了論文后續(xù)內容采用GA-MQAR算法。
　　 在發(fā)現(xiàn)規(guī)則的基礎上,論文著重對如何利用規(guī)則來對岸橋的機械狀態(tài)進行識別進行了研究。首先提出了劃分關聯(lián)規(guī)則的測度--相似度,并利用該測度將發(fā)現(xiàn)的規(guī)則劃分為四類:穩(wěn)定的規(guī)則、消失的規(guī)則、新生的規(guī)則和變化的規(guī)則,進一步,論文提出了基

7、于規(guī)則的岸橋狀態(tài)識別模型,提出利用關聯(lián)規(guī)則及其變化作為特征值來識別、評價岸橋的機械狀態(tài)及其變化。
　　 3.針對岸橋機械狀態(tài)識別過程中,特征參數向量維數過高的問題,提出了首先利用基于粗糙集的屬性約簡技術對特征向量進行約簡,再利用神經網絡進行狀態(tài)識別、可視化的方法；在可視化的過程中,提出利用增長神經元結構(GCS)神經網絡在3D空間進行可視化。
　　 屬性約簡中,針對岸橋監(jiān)測數據沒有決策屬性的特點,提出了一般信息表屬性約簡

8、算法:并提出了利用Wallace測度評價屬性約簡的精度和準確度,彌補了無監(jiān)督聚類難以評價約簡對聚類影響的局限。論文分別對岸橋起升驅動系統(tǒng)和小車行走驅動系統(tǒng)的狀態(tài)監(jiān)測數據進行了基于粗糙集的屬性約簡。對約簡結果的評價,說明了算法對岸橋狀態(tài)監(jiān)測數據屬性約簡的有效性。
　　 在屬性約簡的基礎上,對岸橋狀態(tài)識別的可視化進行了研究。為了克服SOM網絡拓撲結構固定的局限及取得更好的可視化效果,論文提出利用自組織神經網絡的改進算法一增長神經元結

9、構(GrowingCell Structure)的神經網絡進行岸橋狀態(tài)監(jiān)測數據的狀態(tài)識別和可視化；同時,為了取得更好的可視化,論文突破了以往大部分狀態(tài)識別只在2D空間進行的局限,在3D空間實現(xiàn)了可視化。在此基礎上,論文對屬性約簡后的岸橋起升機構和小車行走機構的狀態(tài)數據分別進行了狀態(tài)識別和可視化,實驗結果表明,論文提出的3D空間的可視化算法運行良好,并取得了比2D空間更好的可視化效果。
　　 4.在論文的最后,對基于支持向量機(S