机电设备管理中大数据挖掘技术的应用

摘要：相比于常规的机电设备而言，煤矿企业施工项目所涉及到的机电设备较为繁杂，面临的不确定环境影响因素也较多，增大了现场机电设备管理工作难度。这就要将大数据挖掘技术与该管理工作有机结合，以能实时掌握机电设备运行状态，精准、全面获取机电设备运行数据信息，以此为依据不断完善、优化设备管理方案，降低机电设备故障产生频率，确保施工工作安全、顺利开展。据此，本文主要研究了大数据挖掘技术在机电设备管理中的应用。

    关键词：机电设备管理；大数据挖掘技术；具体应用

    在煤矿机电设备管理工作中充分发挥大数据挖掘技术的作用与价值，可为煤矿开采工作高效高质开展提供可靠保障，在遵守合理性、典型性、易测量性原则的前提下，能够对机电设备运行时内部核心构成部件的状态进行监测，记录重要数据参数，科学设定状态评估指标、划分状态等级，在此基础上构建适合的机电设备管理智能系统，确保机电设备长久健康、平稳运作，进而有效满足机电设备管理要求。

    1.大数据挖掘技术应用类型

    1.1决策树方法

    决策树方法在应用时会将关键数据、要素按照树状结构进行分类，建立决策模型，基于概率论原理，设定决策点、方案分支与概率分支，在综合考虑与分析比较后即可提供最佳的决策方案。在具体实践时，可帮助机电设备管理人员全面分析影响设备运行的主要因素，提高设备运维管理、状态判断的可靠性。

    1.2关联规则发现

    关联规则发现注重深挖数据间的关联性，即当证明由属性A可推导出属性B时，即表示B依赖于A。在该技术应用过程中，常通过关联规则、回归分析、信息网络等方法，对机电设备的状态参数、商品信息数据、固有属性数据与设备故障间的关系进行深入研究，可帮助强化机电设备故障防范管理质量与效果。

    1.3神经网络方法

    人工神经网络方法是模拟人脑神经结构、功能建立的数据分析模型，通过采集、存储数据信息，设计出包含有海量的、相互关联的网络神经节点的复杂系统，以进行推理、运算。该技术能够对大量案例资料进行记忆、学习，持续进行优化、自适应与更新完善，直到确认输出函数、权值保持在标准范围内。该技术具有容错性、非线性特点与自学习能力，较适合应用于复杂的机电设备管理工作。

    2.大数据挖掘技术在机电设备管理中的具体运用

    2.1数据源采集

    机电设备的关键数据源主要包含四部分，即①运行状态数据。主要指设备的开关量、运行功率、振动频率、运行温度等参数，能够展现出机电设备运行特点和运行安全程度；②运行环境数据。涉及到运行周围环境的温湿度、空气质量、粉尘量等，对于设备使用寿命与故障产生几率预测的精准度具有较大影响；③商品信息数据。该数据通常是指机电设备的类型、品牌、规格以及生产加工信息，可帮助管理人员开展追本溯源工作，提高系统预测模型建立的合理性；④固有属性数据。展现了机电设备的构成材质、性能、尺寸、额定参数值等信息，确保设备管理方案的可行性与适用性。

    2.2建立设备管理系统平台框架

    2.2.1资源层

    资源层主要包括物料管理、资源规划、设备生命周期管理及相应硬件设备等子系统。

    2.2.2数据层

    2.2.2.1数据存储系统

    数据存储系统主要由PLM和MMS数据库、中间数据集数据库和ERP数据库、分布式数据库、历史数据库和云数据库组成。

    2.2.2.2数据处理系统

    数据处理系统主要由数据采集、预处理、分布式存储、数据挖掘和数据可视化组成。该数据层主要收集、处理和分析数据信息，并以综合方式显示，从而能够根据大型机电设备的复杂性和多样性的特点，更好构建完善的数据采集和分类系统，使其信息收集和分类标准化。预处理系统主要用于清理和减少物联网智能终端收集的数据，数据挖掘一般用于彻底分析设备的运行状况和历史数据，挖掘其运行规律和高质量内容。数据可视化能够动态表示机电设备的运行状态，实现了运行状态的动态监控。

    2.2.3应用层

    应用层主要由运行状态监测系统、井下设备动态监测系统、设备数量在线监测系统、设备地理位置监测系统、维修记录系统、故障模式检测系统、自动故障诊断和设备状态预测系统、运行环境可视化、运行状态评估系统、设备生产周期管理系统和设备维修决策组成。该层可保证机电设备的优化、联网和高效运行维护工作开展效果，利用实时设备监控和在线数量监控，统一管理设备组中的所有机电设备，增强运行管理的完整性和系统化。

    2.2.4服务层

    服务层主要由设备监控、大数据分析、运行维护优化等子系统组成。其主要目的是使应用程序模块适应用户的实际需要，减少不必要的应用程序资源消耗，实现系统操作服务的透明度、模块化和标准化。同时，移动设备连接到服务层服务器，实现了PC和手机之间的数据交互，不仅可以提高机电设备的管理效率，而且可以使管理更加方便有效。

    2.3设计设备管理系统结构

    采用大数据挖掘技术设计的设备管理系统结构包含有：机电设备数据预处理、数据挖掘分析和决策支持应用三个核心部分，能够快速采集、分析、整合、排列现存的各类型机电设备运行数据，与新型机电设备运作数据进行对比研究，同时选择性运用神经网络算法、决策树方法、关联规则发现等技术对设备数据价值进行深入挖掘、判断与推理，清楚掌握设备各运行参数与故障问题之间的关系，进而精准预测机电设备故障产生几率，为运维管理方案制定提供可靠参考意见。例如，首先，选择结合ARIMA模型与BP神经网络技术，在完整采集目标机电设备运行数据的前提下构建运行状态预测与评估模型。其次，利用相关理论公式计算设备健康值、状态指数，根据标准指标范围评判机电设备的状态等级，即A级正常状态、B级一般状态；C级注意观测；D级故障维修。最后，系统根据评价结果选择发出警报信号，引起管理人员注意，以在第一时间实施相应管理措施。

    结语：煤矿企业施工项目具有高危性、复杂性特点，一旦机电设备运行出现异常、故障问题，不仅会延缓施工进度，产生较大经济损失，还会威胁到现场施工人员的人身安全。因此，就要加大对大数据挖掘技术的研究与应用力度，创新机电设备管理模式与方法，在该技术帮助下全方位采集与机电设备相关的重点数据源，设计出设备管理系统平台框架与内部结构，利用决策树方法、神经网络方法、关联规则发现等手段对机电设备故障进行准确预测与诊断，从而增强设备管理效果、运维质量，推动煤矿开采事业实现可持续发展。

参考文献：

[1]陈帅.试论煤矿机电设备故障诊断与维修技术[J].矿业装备,2022(5):279-281.

[2]贾健雄,于晓蕾,靳幸福.数据挖掘技术在电力设备故障诊断中的应用探讨[J].数字通信世界,2020,(06):205+218.