一、关联规则挖掘在苯酐生产中的应用（论文文献综述）
马寿福[1]（2019）在《齿轮制造过程质量智能控制方法研究》文中进行了进一步梳理我国正处于从制造大国向制造强国转变的关键时期,而制造质量是制造强国的重要标志,研究制造质量控制对于制造强国的建设具有重要意义。国内外关于制造质量控制的研究取得了很大的进展,但主要侧重于制造过程的全面监控和预测,缺乏针对性。此外,随着制造设备数控化、智能化水平的不断提高,如何有效利用设备的这些特性进行质量控制显得十分重要。为此,本文研究了一种齿轮制造过程质量智能控制方法,并以齿轮制造过程质量数据为例对提出的方法进行验证。首先,分析了齿轮制造过程质量控制中存在的问题,根据目前存在的问题进行了需求分析。分析了齿轮制造过程质量智能控制方法的整体流程,从用户层、应用功能层、支撑层和设备层四个层面提出了方法的框架,并对后面章节研究的基于关联规则挖掘和模糊决策的质量控制方法、基于设备数控特性的质检控制方法等关键技术进行了分析。其次,研究了基于关联规则挖掘和模糊决策的质量控制关键技术,建立了齿轮制造过程关联规则挖掘模型,提出了基于欧氏距离的质量等级映射方法,研究了关联规则挖掘Apriori算法在制造过程质量数据中的挖掘应用,针对挖掘的关联信息有针对性地制定质量控制策略。建立了质量控制策略的模糊决策模型,研究了基于灰色关联度分析的质量控制策略模糊决策方法。然后,研究了基于设备数控特性的质检控制关键技术,研究了数控设备综合性能评价方法,研究了基于数控系统加工启停信号采集的工件识别方法,建立了质检策略的解析模型。提出了基于设备综合性能评价的质检控制策略推荐方法,并以某型号数控滚齿机为例进行实例分析。最后,以某型号齿轮的制造过程质量数据为例,验证了基于关联规则挖掘和模糊决策的质量控制方法的有效性。介绍了基于设备数控特性的质检控制系统的实现技术和系统设计,并开发了相应的系统,对质检策略的制定、质检策略的设置、质量数据的采集和质检结果的判断等功能进行了验证。
杨培英[2]（2013）在《基于智能决策的竖炉焙烧被控变量优化设定的应用研究》文中指出竖炉焙烧生产过程作为选矿厂整个生产流程中的一个重要环节，其主要任务是将弱磁性的赤铁矿通过高温还原处理转变为强磁性的铁矿石，以满足磁选管回收率、煤气消耗、台时产量等综合生产指标的要求。由于其生产过程具有多变量、强耦合、强非线性、大滞后等特性，难以建立起被控变量优化设定的机理模型。单一的常规控制理论与技术难以实现竖炉焙烧复杂的控制，难以为竖炉焙烧被控变量找到合适的设定值，导致生产指标难以控制在目标值范围内。数据挖掘是一项可以从大量数据中获取有价值信息的数据分析工具，自从提出来，就得到广泛的应用。关联规则挖掘是数据挖掘中的一项重要技术，能够挖掘到各数据属性之间的关联关系，它的研究和应用也是数据挖掘中比较活跃和深入的分支。因此，本文提出用关联规则的算法来解决竖炉焙烧被控变量优化设定的问题，它可以分析得到竖炉焙烧各参数之间的相互关系，从而为缩短被控变量设定的时间，被控变量的正确设定，保证安全生产提供新的解决思路。本文主要工作如下：1.分析了竖炉焙烧工艺流程，并对采集到的竖炉焙烧数据进行分析，选择使用关联规则算法对数据进行处理。2.对k-means算法进行改进，改进后的算法能得到更好的聚类效果，提高聚类效率，且针对具体问题使聚类的效果更能达到实际要求。3.针对竖炉焙烧数据的特点，结合经典FP-Growth算法与Apriori算法的优点，提出T-Apriori算法，提高挖掘此类数据库的效率。4.结合应用需求，用改进的k-means算法对数据进行数据预处理，然后使用改进的T-Apriori关联规则算法建立竖炉焙烧的数据挖掘模型，并根据挖掘模型遵循标准的数据挖掘流程，挖掘得到竖炉被控变量和检测变量之间的关系，保存规则表。把规则表导入到现场的控制系统中，根据检测到的变量，通过检索规则表就可以对被控变量进行正确的设定，从而为竖炉焙烧被控变量的优化设定，缩短设定时间提供了新的解决思路。
杨亦,杨开英[3]（2011）在《基于数据挖掘技术的合成氨生产工艺参数的优化》文中指出为了实现对合成氨生产工艺的快速优化,采用关联规则方法分析影响合成氨生产的关键属性（温度、氢氮比、空速）,研究它们之间的关系。结果表明,关联规则挖掘是一个很好数据分析工具,非常适合于进行合成氨生产这种过程工业的优化问题分析。
刘庆贵[4]（2009）在《选矿过程综合生产指标分解的补偿方法及应用》文中进行了进一步梳理反映企业产品质量、生产效率、生产成本等的选矿过程综合生产指标分解出的工艺指标将直接影响到各个工序的生产,综合生产指标主要包括综精产量、综精品位、金属回收率,工艺指标主要包括一次溢流回收率、强精品位、强尾品位、强磁粒度、弱精品位、弱尾品位、弱磁粒度。只有各个工序的工艺指标达到要求,综合生产指标才能满足企业设定的目标值。由于综合生产指标的影响因素复杂而且往往难于在线连续测量,选矿企业通常根据生产经验把要达到的生产指标分解为各个工序的工艺指标,不能及时根据生产实际进行调整,降低了计划的准确性和有效性,不能保证选矿过程综合生产指标的优化。因此研究将综合生产指标进行有效的分解,对企业优化生产、提高企业效益具有重要意义。本文在“985工程”流程工业综合自动化科技创新平台课题的支持下,提出了选矿过程综合生产指标分解的补偿方法,设计开发了选矿过程综合生产指标分解的补偿系统,并在系统上进行了算法验证研究。本文的研究工作主要归纳如下：（1）针对Apriori算法不足即由人工设置最小支持度导致生成的规则不能满足用户的要求,因此提出了Apriori的改进方法,在算法中加入支持度自适应环节,根据挖掘出的规则数对支持度进行自动调整,从而避免了人工设置支持度的不确定性。（2）分析了选矿过程综合生产指标分解过程中涉及的选矿工艺流程各个指标之间的关系,介绍了现有的选矿过程综合生产指标分解方法。同时指出了文[32]基于反馈补偿策略的选矿全流程工艺指标决策系统的不足,即系统在进行工艺指标决策的过程中,进行了工艺指标属性约简,忽略了约简掉的工艺指标对综合生产指标的影响；同时系统给出的补偿值也存在不准确的问题。二者同时导致了综合生产指标的目标值和实际值之间偏差过大问题。基于此提出了基于改进的Apriori关联规则挖掘的选矿过程综合生产指标分解的补偿方法,利用Apriori关联规则挖掘算法,由选矿厂历史数据中挖掘出各个指标之间的关系,从而确定各个工艺指标的补偿值。（3）系统采用了B/S三层架构,设计开发了选矿过程综合生产指标分解的补偿系统。系统主要功能是将综合生产指标的实际值和目标值之间的偏差作为反馈补偿器的输入,然后根据本文提出的基于改进的Apriori关联规则挖掘的选矿过程综合生产指标分解的补偿方法,挖掘出工艺指标的补偿值,对选矿过程综合生产指标的分解进行补偿,从而更加准确地消除干扰对系统的影响。（4）将本文开发的选矿过程综合生产指标分解的补偿系统嵌入到现有的选矿过程综合生产指标优化仿真实验平台,进行实验研究。将本文提出的方法与现有方法进行对比,实验结果表明,本文提出的选矿过程综合生产指标分解的补偿方法是有效的。
李方方,赵英凯,俞辉[5]（2007）在《对角递归神经网络在82B钢力学性能预估中的应用》文中研究指明神经网络应用于系统建模时要考虑两个关键问题:一是采用的神经网络类型;二是当神经网络类型确定以后,确定网络的输入向量,这两个问题是紧密关联的。相对于BP神经网络收敛太慢,具有泛化能力的缺点,DRNN网络（对角递归神经网络）能实现动态非线性映射,具有记忆功能,可以追踪模型的变化,具有更好的预测效果。首先用关联规则方法挖掘出一些与质量指标有关的工艺条件,再结合现场工人的实际经验,找到模型的输入输出,再运用DRNN对82B钢进行建模和优化,取得了很好的预测效果。
朱群雄,麻德贤[6]（2004）在《过程工业中数据挖掘技术的应用》文中认为针对过程工业的复杂性及其数据特点,讨论了数据挖掘技术工业应用的基本思想,提出了复杂过程工业应用数据挖掘技术的基本策略。
李芳,朱群雄[7]（2002）在《关联规则挖掘在苯酐生产中的应用》文中研究表明简单介绍了数据挖掘中的关联规则挖掘技术 ,用关联规则方法分析了影响苯酐生产的 3个关键属性 ,找到了它们之间的关系。实验证明 ,关联规则挖掘十分适用于过程工业中的优化问题分析。
二、关联规则挖掘在苯酐生产中的应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、关联规则挖掘在苯酐生产中的应用（论文提纲范文）
（1）齿轮制造过程质量智能控制方法研究（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 1 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 制造业中质量管理及控制研究现状 |
| 1.2.2 数据挖掘技术在质量控制中的研究现状 |
| 1.2.3 灰色模糊理论应用研究现状 |
| 1.3 国内外研究现状分析 |
| 1.4 课题研究目的及课题来源 |
| 1.5 论文主要研究内容及结构安排 |
| 2 齿轮制造过程质量控制需求和方法分析 |
| 2.1 齿轮制造过程工艺分析 |
| 2.2 齿轮制造过程质量控制中存在问题与需求分析 |
| 2.2.1 存在的问题 |
| 2.2.2 需求分析 |
| 2.3 质量控制方法整体流程分析 |
| 2.4 质量控制方法的实现框架 |
| 2.5 质量控制方法的关键技术分析 |
| 2.5.1 齿轮制造过程质量数据关联规则挖掘分析技术 |
| 2.5.2 质量控制策略模糊决策分析技术 |
| 2.5.3 基于设备数控特性的质检控制技术 |
| 2.6 本章小结 |
| 3 基于关联规则挖掘和模糊决策的质量控制关键技术研究 |
| 3.1 模型建立 |
| 3.1.1 齿轮制造过程关联规则挖掘模型建立 |
| 3.1.2 工序加工质量映射模型建立 |
| 3.2 关联规则挖掘算法描述 |
| 3.3 质量控制策略模糊决策方法 |
| 3.3.1 模糊决策模型建立 |
| 3.3.2 基于灰色关联度分析的模糊决策方法 |
| 3.4 本章小结 |
| 4 基于设备数控特性的质检控制关键技术研究 |
| 4.1 齿轮制造设备综合性能评价分析 |
| 4.1.1 设备综合性能评价模型建立 |
| 4.1.2 基于层次分析法的评价指标权重确定 |
| 4.1.3 设备综合性能确定 |
| 4.2 基于设备数控特性的质检判断方法研究 |
| 4.2.1 基于设备数控特性的数据采集方法 |
| 4.2.2 基于数控加工启停信号采集的工件识别方法研究 |
| 4.2.3 齿轮制造过程工件质检状态判断方法研究 |
| 4.3 基于设备综合性能的质检策略推荐 |
| 4.3.1 实例分析 |
| 4.4 本章小结 |
| 5 齿轮制造过程质量智能控制方法实现及功能验证 |
| 5.1 基于关联规则挖掘和模糊决策的质量控制方法验证 |
| 5.1.1 齿轮制造过程质量特性数据挖掘分析 |
| 5.1.2 质量控制策略决策分析 |
| 5.2 基于设备数控特性的质检控制系统开发及验证 |
| 5.2.1 系统实现技术 |
| 5.2.2 系统设计 |
| 5.2.3 系统功能验证 |
| 5.3 本章小结 |
| 6 结论与展望 |
| 参考文献 |
| 附录 |
| A.作者在攻读硕士学位期间主要参与的科研项目 |
| B.作者在攻读硕士学位期间取得的成果 |
| C.作者在攻读硕士学位期间的获奖情况 |
| D.学位论文数据集 |
| 致谢 |
（2）基于智能决策的竖炉焙烧被控变量优化设定的应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 目录 |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 选矿过程介绍 |
| 1.3 国内外研究现状 |
| 1.3.1 竖炉焙烧被控变量优化设定的国内外研究现状 |
| 1.3.2 数据挖掘的研究现状 |
| 1.4 论文研究的主要内容 |
| 1.5 本文组织结构 |
| 第2章 竖炉焙烧过程描述及数据分析 |
| 2.1 竖炉焙烧过程描述及分析 |
| 2.1.1 竖炉焙烧过程 |
| 2.1.2 竖炉焙烧过程的分析 |
| 2.1.3 指标分析 |
| 2.2 数据的采集及分析 |
| 2.3 本章小结 |
| 第3章 数据挖掘相关技术 |
| 3.1 数据挖掘 |
| 3.1.1 数据挖掘的定义 |
| 3.1.2 数据挖掘的过程 |
| 3.1.3 数据挖掘的任务 |
| 3.2 关联规则挖掘 |
| 3.2.1 关联规则基本理论 |
| 3.2.2 关联规则的挖掘过程 |
| 3.2.3 关联规则分类 |
| 3.3 关联规则挖掘的经典算法 |
| 3.3.1 Apriori 算法 |
| 3.3.2 FP-Growth 算法 |
| 3.3.3 关联规则挖掘结果的衡量标准 |
| 3.4 聚类分析 |
| 3.4.1 聚类分析的定义 |
| 3.4.2 聚类分析中的数据类型 |
| 3.4.3 聚类分析中的相似度的度量方法 |
| 3.4.4 聚类分析的分类 |
| 3.5 本章小结 |
| 第4章 基于聚类与关联规则算法的改进 |
| 4.1 k-means 算法 |
| 4.1.1 k-means 算法基本概念 |
| 4.1.2 k-means 算法优缺点 |
| 4.2 改进的 k-means 聚类算法 |
| 4.2.1 k 值的确定 |
| 4.2.2 选取适当的初始聚类中心 |
| 4.2.3 对改进的 k-means 算法描述 |
| 4.2.4 算法的性能分析 |
| 4.3 改进的 Apriori 算法 |
| 4.3.1 改进算法的基本思想 |
| 4.3.2 改进算法的描述 |
| 4.3.3 算法性能分析 |
| 4.4 本章小结 |
| 第5章 竖炉焙烧被控变量优化设定的关联规则挖掘 |
| 5.1 竖炉焙烧被控变量设定系统总体框图 |
| 5.1.1 系统总体架构 |
| 5.1.2 系统流程 |
| 5.2 竖炉焙烧被控变量设定的离线模块的实现 |
| 5.2.1 系统开发环境 |
| 5.2.2 数据预处理 |
| 5.2.3 基于 T-Apriori 改进算法的竖炉焙烧被控变量设定的实现 |
| 5.2.4 算法性能对比 |
| 5.3 现场检索界面设定界面 |
| 5.4 实验结果分析 |
| 5.4.1 时间对比 |
| 5.4.2 实验效果分析 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文 |
| 致谢 |
（3）基于数据挖掘技术的合成氨生产工艺参数的优化（论文提纲范文）
| 1 关联规则理论 |
| 2 合成氨生产过程分析 |
| 3 关联规则挖掘方法的应用 |
| 4 结论 |
（4）选矿过程综合生产指标分解的补偿方法及应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题的背景及研究意义 |
| 1.2 选矿过程优化控制研究与应用现状 |
| 1.2.1 选矿过程优化控制研究现状 |
| 1.2.2 选矿过程优化控制应用现状 |
| 1.3 关联规则挖掘的研究与应用现状 |
| 1.3.1 关联规则挖掘的产生和发展 |
| 1.3.2 关联规则挖掘在流程工业中的应用 |
| 1.4 本文的主要工作 |
| 第2章 选矿过程综合生产指标分解的描述及存在问题 |
| 2.1 选矿过程介绍 |
| 2.1.1 选矿工艺流程 |
| 2.1.2 选矿过程综合生产指标分析 |
| 2.2 选矿过程综合生产指标分解过程的描述 |
| 2.3 选矿过程综合生产指标的分解方法 |
| 2.3.1 选矿过程综合生产指标的分解策略 |
| 2.3.2 选矿过程工艺指标设定方法 |
| 2.3.3 选矿过程工艺指标反馈补偿方法 |
| 2.4 选矿过程综合生产指标分解存在问题 |
| 2.5 本章小结 |
| 第3章 基于改进的Apriori关联规则挖掘的选矿过程综合生产指标分解的补偿方法 |
| 3.1 引言 |
| 3.2 关联规则挖掘的相关技术 |
| 3.2.1 数据预处理 |
| 3.2.2 关联规则挖掘 |
| 3.3 改进的Apriori关联规则挖掘算法 |
| 3.3.1 数据离散化 |
| 3.3.2 关联规则挖掘 |
| 3.4 选矿过程综合生产指标分解的补偿方法 |
| 3.4.1 建立选矿过程综合生产指标分解的补偿关系 |
| 3.4.2 挖掘选矿过程综合生产指标分解的补偿规则 |
| 3.5 本章小结 |
| 第4章 选矿过程综合生产指标分解的补偿系统设计与开发 |
| 4.1 选矿过程综合生产指标分解的补偿系统需求分析 |
| 4.2 选矿过程综合生产指标分解的补偿系统整体设计 |
| 4.2.1 系统总体目标 |
| 4.2.2 系统结构设计 |
| 4.2.3 系统功能设计 |
| 4.3 选矿过程综合生产指标分解的补偿系统开发 |
| 4.3.1 功能模块开发 |
| 4.3.2 数据访问层开发 |
| 4.3.3 界面开发 |
| 4.4 本章小结 |
| 第5章 实验研究 |
| 5.1 实验背景 |
| 5.2 系统实验 |
| 5.2.1 系统功能验证 |
| 5.2.2 补偿方法的实验验证 |
| 5.3 实验结果分析 |
| 第6章 结束语 |
| 参考文献 |
| 致谢 |
（6）过程工业中数据挖掘技术的应用（论文提纲范文）
| 1 引言 |
| 2 数据挖掘 |
| 3 过程工业数据特点 |
| 4 过程工业数据挖掘 |
| 4.1 过程工业数据挖掘的任务与过程 |
| 4.2 数据准备[2,3] |
| 4.3 数据挖掘技术 |
| 5 数据挖掘工具及其选择 |
| 6 结束语 |
（7）关联规则挖掘在苯酐生产中的应用（论文提纲范文）
| 1 关联规则挖掘 |
| 2 苯酐生产过程分析 |
| 3 关联规则挖掘方法的应用 |
| 4 结 论 |
四、关联规则挖掘在苯酐生产中的应用（论文参考文献）
- [1]齿轮制造过程质量智能控制方法研究[D]. 马寿福. 重庆大学, 2019
- [2]基于智能决策的竖炉焙烧被控变量优化设定的应用研究[D]. 杨培英. 北京工业大学, 2013(03)
- [3]基于数据挖掘技术的合成氨生产工艺参数的优化[J]. 杨亦,杨开英. 沈阳农业大学学报, 2011(03)
- [4]选矿过程综合生产指标分解的补偿方法及应用[D]. 刘庆贵. 东北大学, 2009(06)
- [5]对角递归神经网络在82B钢力学性能预估中的应用[J]. 李方方,赵英凯,俞辉. 钢铁研究学报, 2007(08)
- [6]过程工业中数据挖掘技术的应用[J]. 朱群雄,麻德贤. 计算机与应用化学, 2004(01)
- [7]关联规则挖掘在苯酐生产中的应用[J]. 李芳,朱群雄. 华东理工大学学报, 2002(S1)