在系统的实时数据库中，积累了大量的系统运行数据，其中隐含了与工业过程运行状态趋势相关的操作人员控制方法，这为数据挖掘技术在工业过程智能控制中的应用奠定了基础。但是要在连续数值型的数据中挖掘出所需要的专家规则目前还没有快速有效的方法。
对工业现场数据库的关联规则挖掘具有以下四个特点［3］：（1）多值属性：历史数据的取值有数值型和布尔型两种；（2）基于约束：控制规则是基于一定约束条件的，这便于用户发现更关心、更实用的关联规则；（3）多层次：对于工业过程控制系统，不同控制对象之间有较强的耦合关系，在数据挖掘方面表现为较高层次上的规则挖掘；（4）增量式：随着数据的不断积累，定期对规则进行重新挖掘能得到更为适用和优化的规则。
数据预处理由于工业现场数据库一般具有规模不断变化、属性取值连续、时间性强这三个特点，因此对海量的数值型数据进行频繁序列挖掘明显是不明智和不现实的。寻求一种合适的数据预处理方法对历史数据进行相应的处理是必须的。
一般现代工业系统是一个MIMO，强耦合，信息不完全性，具有滞后环节的系统。对工业现场子数据库分析可以发现数据库除具有上述三个特点外还具有以下几个特点：（1）关联性：因为存在耦合，输入、输出各参数之间就存在着各种各样的联系和制约，也就蕴藏着控制所需要的规则。
（2）规律性：工业过程是重复的，可再现的。这里的再现不是指具体数值的再现，而是指控制过程中变化规律的再现。
（3）信息不完备性：由于系统为MIMO系统，被测参数多，特别是大系统，不是所有运行参数都能够测得到，并记录在数据库中。如炉膛中心温度只能通过红外或测量炉膛其他位置的温度来间接得到。
（4）支持度低：虽然过程存在规律性，但并不是数值的简单重复，对数值型数据进行挖掘是不可行的。并且规则挖掘只需要运行在控制范围以内的过程数据，对于故障点，干扰等引起的异常点挖掘过程是不需要的。虽然消除异常点会隐藏很多信息，但由于在这里进行的控制规则的挖掘，异常点的消除不会对规则挖掘有影响，但异常点的存在会给规则的置信度造成影响。
工业控制数据库是专业数据库，对其中数据的预处理需要专家的参与。定义故障的边界，异常点的剔除，设定值、标称值及波动范围的定义等。
数据清洗（DataCleaning）根据专家意见对数据库中的数据进行整理形成数据挖掘所需的专用数据库。采用的方法主要有：（1）数据滤波：滤出处于正常工作范围之外的数据，并对其进行删除或限幅处理。
（2）数据简化：简化数据项，去除不必要或不关心的参数项，将某些参数项转换成为挖掘所需要的数据项。如阀门具体开度值并不能准确地对应具体流量或压力数值。我们所关心的只是在压力小于或大于设定压力时应该怎样去改变阀门开度。
将阀门开度数据转换为阀门开度调节量才是所需要的。
本文关键字：检测 变频器基础，变频技术 - 变频器基础
上一篇：頻速变革机工效和践行
