一、 课题研究进度安排

表1 课题研究进度安排表

学期	周次	工作任务
第一学期	18周——19周	接受任务，翻译参考文献，完成开题报告，对课题有初步掌握，完成开题答辩
	20周——21周	查询资料，完成文献综述等任务
第二学期	1 周——3 周	完成课程设计之余，搜集资料
	5 周——6 周	接受学院检查进度，完成总体方案设计
	7周——8周	完成方案1，基于决策树的模型构建
	9周——10周	完成方案2，基于支持向量机的模型
	第11周	撰写毕业论文，完善资料
	第12周	完善论文，并且进行论文查重
	13周——15周	论文答辩，并且评定成绩

学期	周次	工作任务
第一学期	18周——19周	接受任务，翻译参考文献，完成开题报告，对课题有初步掌握，完成开题答辩
	20周——21周	查询资料，完成文献综述等任务
第二学期	1 周——3 周	完成课程设计之余，搜集资料
	5 周——6 周	接受学院检查进度，完成总体方案设计
	7周——8周	完成方案1，基于决策树的模型构建
	9周——10周	完成方案2，基于支持向量机的模型
	第11周	撰写毕业论文，完善资料
	第12周	完善论文，并且进行论文查重
	13周——15周	论文答辩，并且评定成绩

指导教师（签名）：

年    月    日

二、毕业设计内容概述

1. 预期达到的目标

1.1 获取足量数据、实现基于数据驱动的故障模型的建立

1.2 能基于故障时的异常数据完成对故障的推理与诊断

1.3 能够建立故障数据数据库，不断丰富故障模型

1.4 人机交互接口，提供生产人员与故障模型的交互界面

2. 关键内容

2.1 数据挖掘

对采集到的数据进行清理，挖掘，形成有价值的知识，赋予相对应的故障信息，使得最后形成可以被人理解的相关信息，以此为基础构建故障模型；

2.2故障数据的处理

一个设备具有很多的参数，如风机，它的参数可能包括电机电流、电机线圈温度、轴承温度、振动值、进出口介质温度和流量等，这些参数间是有复杂的关联关系的。当我们构建故障模型的过程中，必须要通过计算参数间的关联度这种手段剔除一些对设备运行状态影响不大的测点，从而提高整体的诊断精度水平。

2.3设备运行数据的获取

工业大数据需要海量的生产设备历史数据和实时运行数据，这些都需要通过一定的数据采集手段才能得到，这也是本课题的一个重要问题，即如何获取足量的数据来训练模型，使其达到理想的性能与精度。

三、毕业设计已完成部分

1． 数据获取

目前主要的数据获取手段是通过互联网上的共享数据集，当前已经获得的数据集合有两个：

一个是来自罗马的一家通信科学研究所：Semeion Research Center of Sciences of Communication

数据特性如下：

第二个数据集来自Github上一个Fault_Diagnosis项目的自带的风力涡轮内部齿轮箱数据集。该Github项目地址为：Gearboxdata/Gear-Box-Fault-Diagnosis-Data-Set

该数据集内的数据分为两类，即正常运行数据和故障状态下的数据。每一类数据下又按照0-90HZ，每10HZ一个层次分为10种运行状态。合共20个文件，一共2021119条记录，每条记录包括频率在内义工5个属性。

2． 模型构建

采用决策树算法，在对第一个数据集进行极大地精简之后，终于成功运行出来了一个效率较高，准确度也有保障的故障树模型。

此模型基于ID3算法搭建，数据存储于Mysql数据库中，整体采用Java编写代码。

public static  void main(String[] args) throws Exception{

long startTime=System.currentTimeMillis();   //获取开始时间

String[] Test_Names = new String[] {"Diff_X","Diff_Y","Pixels_Areas","Diff_Luminosity","TypeOfSteel","Steel_Plate_Thickness"};

String[] attribute_Names = new String[] {"Diff_X","Diff_Y","Pixels_Areas","Diff_Luminosity","TypeOfSteel","Steel_Plate_Thickness","Fault"};

Map<Object,List<Sample>> samples = readSample(attribute_Names);

Object decisionTree = generateDecisionTree(samples,Test_Names);

Object[] test = new Object[] {"0","2","11","6","0","200"};

outputDecisionTree(decisionTree,0,null);

TestData.TestData(decisionTree, Test_Names,test);

long endTime=System.currentTimeMillis(); //获取结束时间

System.out.println("程序运行时间： "+(endTime-startTime)+"ms");

}

这是整个决策树的主函数，其他调用类、函数定义、数据类型定义

合共600+行，最终运行结果如图。

3． 方案2与人机交互界面

方案2还在筹备中，GUI人机交互界面仍需要完善。

4． 整体完成情况

可以说是完成了一半的工作了，主要就是文献查找、内容理解、编码设计、数据收集、数据处理几个方面都已经涉及了，虽然还有一些工作需要完成，但是对比进度安排表，还是可以发现目前与进度持平的。下一阶段的安排见第四节的后期安排。

四、后期时间安排

1．下周尽量将方案2写出来并且测试完毕。

2．对第二个数据集进行整理并且存储到数据库中，构建新的故障树模型。不过可能计算机资源会消耗过度，所以决策树可能没法实现大规模的故障树建模，只能用一部分作为训练集建模，另外的作为测试集进行模型的准确度测试。

3． 最好是线下获取到一份设备实时运行的数据，这样会比较有实际意义。

4． 如果时间充足，可以尝试在Hadoop上对第二个数据集进行分布式SVM测试。即将模型写入不同的设备间，分布式分发测试集数据，最后每台机器得到测试结果，并且进行汇总,从而实现一个简单地大数据内容。

五、近期参考文献

[1] 赵静娴. 基于决策树的信用风险评估方法研究[D].天津大学,2009.

[2] 蒲天添.基于决策树的工程项目管理优化研究[J].现代电子技术,2018,41(01):169-172.

[3] 朱晓荣. 基于决策树的洞庭湖湿地信息提取技术研究[D].中国林业科学研究院,2012.

[4] 伊卫国. 基于关联规则与决策树的预测方法研究及其应用[D].大连海事大学,2012.

[5] 贾笛笛,陈智勇.基于ID3决策树改进算法的稿刊推荐研究[J].软件导刊,2017,16(10):42-46.

[6] 姚德臣,杨建伟,程晓卿,王兴.基于多尺度本征模态排列熵和SA-SVM的轴承故障诊断研究[J].机械工程学报:1-9

[7] 王振华,杜宇波.基于ESMD和SVM的滚动轴承故障诊断[J].现代制造技术与装备,2018(01):122+124.

[8] 黄剑锋. 基于振动信号SVM的管壳式换热器堵塞故障诊断方法研究[D].华南理工大学,2016.

[9] 盛博, 邓超, 熊尧等. 基于图论的数控机床故障诊断方法[J]. 计算机集成制造系统, 2015, 06: 1559-1570.

[10] 李晗, 萧德云. 基于数据驱动的故障诊断方法综述[J]. 控制与决策, 2011, 26(1): 1-9+16.

[11] 刘强, 柴天佑, 秦泗钊. 基于数据和知识的工业过程监视及故障诊断综述[J]. 控制与决策, 2010, 25(6): 801-807+813.

[12] Zhang, Liangwei. Big Data Analytics for Fault Detection and its Application in Maintenance, 2016

[13] Jay Lee, Hung-An Kao, Shanhu Yang. Service innovation and smart analytics gor Industry 4.0 and big data environment[J]. Percedia CTRP, 2014, 16:3-8.

[14] 邳文君,宫秀军.基于Hadoop架构的数据驱动的SVM并行增量学习算法[J].计算机应用,2016,36(11):3044-3049.

[15] 徐牧. 基于SVM的变压器故障诊断研究[D].安徽理工大学,2017

[16] 罗雨滋,付兴宏.数据挖掘ID3决策树分类算法及其改进算法[J].计算机系统应用,2013,22(10):136-138+187.

[17] 张媛.采用数据挖掘技术中ID3决策树算法分析学生成绩[J].科技信息,2009(06):537.

[18] 张睿. ID3决策树算法分析与改进[D].兰州大学,2010.

[19] 钟福磊. 工业大数据环境下的混合故障诊断模型研究[D].西安电子科技大学,2015.

[19]朱霄珣. 基于支持向量机的旋转机械故障诊断与预测方法研究[D].华北电力大学,2013.