摘要: 机械设备是制造业中的重要生产资产之一，其状态的评估对于保障生产安全和提高设备的可靠性和稳定性至关重要。传统的机械设备状态评估主要依赖于设备在运行期间的巡检数据，但这种方法往往只能发现已经出现的问题，而无法提前预测潜在的故障风险。而... 展开 机械设备是制造业中的重要生产资产之一，其状态的评估对于保障生产安全和提高设备的可靠性和稳定性至关重要。传统的机械设备状态评估主要依赖于设备在运行期间的巡检数据，但这种方法往往只能发现已经出现的问题，而无法提前预测潜在的故障风险。而且，随着设备结构的复杂化和工作环境的多变化，传统的评估方法往往难以满足实际需要。本文主要完成了以下几部分工作: 首先，给出了多属性与数据挖掘的机械设备状态评估问题的背景，介绍了决策矩阵规范化、聚类分析、数据挖掘有关内容，并对机械设备的属性权重的定义和求取进行了介绍。 然后，分别运用比重变换法和极差变换法将精确数、模糊语言评价和区间数这三种类型的评价信息（样本的属性指标值）规范化，并利用模糊运算将规范化后的评价信息转换为模糊集形式，再将模糊集转换成单点值形式。 其次，提出了属性指标权重的主客观赋权法，其中，采用了与理想方案距离最小化的建模优化方法来求取客观权重，主观赋权法是基于专家们给出属性指标权重来建模优化确定的。然后给出了基于多属性决策的机械设备状态综合评估值的计算方法。 进一步地，展开了机械设备状态评估的数据挖掘。使用K-means聚类单个属性，求得属于四个评价区间的概率，再对两个及以上各属性进行联合求得各个评价区间的概率。通过专家预先设置的置信度概率，找到符合条件的规则。通过一个算例说明了本文给出的上述研究方法的可行性。 最后，针对设备评估这一问题，为更好地展现本文的研究方法，根据前文的具体算法使用Java语言作为后端，建立了设备评估的通用系统。让用户和管理员进行登录，针对设备进行自动评估，通过数据库保存评价数据，部署到Tomcat服务器上，方便网页登陆访问。 收起