基于改进的ripper（反复增量修剪减少错误原理）的大型旋转机械故障诊断和知识规则获取[外文翻译].rar

附件C：译文

基于改进的RIPPER（反复增量修剪减少错误原理）的大型旋转机械故障诊断和知识规则获取

摘要-大型旋转机械的错误监测数据庞大而噪杂，在属性和属性值之间存在着一些联系，这些联系和数据挖掘技术不谋而合。数据挖掘技术是以获取规则和分类错误为研究目的的。改进的反复增量修剪减少错误原理-数据挖掘规则学习算法则是以大型旋转机械为研究对象的，这些规则设置的文件时通过分析错误样本得到的，而已及时被更新。这些提取知识的规则也可用于实时的常规故障诊断。
关键词-故障监测;大型旋转机械;数据挖掘;改进的反复增量修剪减少错误原理;实时诊断

I介绍
作为在现代企业中的关键设备，大型旋转机械故障会带来巨大的经济损失。传统机器定期维修保养存在维护过多或不足的问题，它已被设备状态监测和故障诊断取代，设备状态监测和故障诊断中最关键和最不同的部分就在于故障特征信息的提取，大型旋转机械的状态监测数据时庞大的，在属性和属性值之间存在一定的联系。数据挖掘技术能够提取有价值的信息，找出规律和看起来分散和不相关的数据的模式，以利用这些资料来执行最后的决定，更好地进行研究。同时，数据可能会更改由于不稳定的环境下，旋转机械故障数据来自大。同时，产生大型旋转机械故障数据的不稳定的环境可能导致数据改变。因此，决策树为数据处理提供了很大可能性。这能够通过遍历树重新调整树的机构，并获得相关的知识。目前，成功的应用系统包括基于多值关系规则的马达声异常信息挖掘，基于西北工业大学和西安交通等大学的模糊设置的数据挖掘，基于由新加坡HUISC和国际THANGKF开展的变压器状态监测数据挖掘以及由美国POVINELLI开展的马达异常故障特征模型数据挖掘等。
在文章中，作者分析了在大型旋转机械故障诊断中的战略和数据挖掘的目标数据。在优化的RIPPER基础上进行提取和验证规则样本并获得相关的检验规则。