数据挖掘中的聚类分析及其在控制中的应用研究

目前在工业现场能很容易地获取大量的过程参数数据，然而用传统方法处理这些数据既费时又费力，在这些大量的未分析或待分析的数据中很有可能隐藏着有用信息，数据挖掘旨在从大量数据中发现这些有价值的信息。数据挖掘技术所能发现的典型知识主要有关联规则、分类及聚类。数据挖掘技术在商业领域中已广泛使用，然而在工业过程控制中的应用却极少，本文正是在这种背景下，对数据挖掘中的聚类分析方法及其在工业过程控制中的应用研究作了偿试，重点研究了基于统计理论的聚类分析理论和方法，模糊聚类分析理论和方法及模糊Kohonen网络(FKN)的结构与学习算法，即模糊C——均值算法与自组织特征映射神经网络(Kohonen网络)的有机融合，并根据硬分类思想及软分类思想提出了改进的模糊Kohonen网络(IFKN)，通过Matlab编程对人工合成控制时序图数据集进行聚类分析，其聚类效果与当今广泛使用的数掘挖掘软件平台，德国MIT公司著名的DataEngine智能数据分析和数掘挖掘软件的聚类效果相当，最后，论述了聚类分析在控制中的应用，它可以用于过程控制中的参数变化趋势的模式识别及图象分割处理等具体应用中，并以贵州铝厂熟料烧结回转窑自动控制系统为工程背景，利用IFKN识别其热工参量变化趋势，取得了较理想的效果。把数据挖掘技术用于工业过程控制，是自动化领域中一项崭新的研究内容，而且也是自动化领域很值得研究的新课题。