试验数据挖掘智能作业管控系统业务建模分析

赵超

摘要：现阶段普遍利用试验数据挖掘智能作业管控系统进行业务建模，以对产品进行质量管控，并通过构建结构体系模型组件、年度生产计划智能监管组件、试验报告智能诊断分析组件、试验数据智能分析组件来深度发掘产品的经济收益和社会价值，现阶段试验数据挖掘智能作业管控系统业务建模需要积极进行创新优化，因此需要从多方面对试验数据挖掘智能作业管控系统业务建模进行分析，以提升其使用空间可利用率。

关键词：试验数据;智能作业;管控系统;业务建模

引言

试验数据挖掘智能作业管控系统业务建模整体工作流程较为繁琐且涉及面较为广泛，需要进行书籍准备并构建生产系统数据库，明切试验规程并构建数据模型，對各项生产计划、实验报告和实验数据进行分析，将这些数据梳理整合分类并加以应用，这整个过程需要针对性进行分析，保证主体明确条理清晰。

一、试验数据挖掘智能作业管控系统业务建模的整体思路和业务流程

（一）整体思路

试验数据挖掘智能作业管控系统业务建模的业务层面，主要分为四部分，分别是数据准备、数据建模、分析、应用四个环节，通过数据库对实验、台账、计划和工作牌进行处理，随后进行建模操作，主要是标准实验和试验规程数据建模，在这个过程中需要对数据进行分析，保证计划一致，在制定期限内完整没有遗漏，保证实验报告完整规范并科学进行分析，对实验数据进行项目和配置不同维度分析，并进行对比分析其共性，将实验数据进行科学应用，将计划和数据进行匹配，智能分析其规律性科学应用并对比展示。

（二）业务流程分析

试验数据挖掘智能作业管控系统业务建模的整体业务流程主要分为输入、智能分析、输出三个环节，将台账数据、工作计划数据、工作票数据和实验数据输入，随后利用推理算法和自然语言处理来对数据进行智能分析并深度发掘保证数据的利用率，随后智能输出生产计划、实验报告诊断和实验数据分析的结果，整个过程中需要保证数据的准确性和完整性，避免对输出的结果造成影响。

二、试验数据结构体系模型组件分析

试验数据挖掘智能作业管控系统业务建模需要构建结构体系模型组件、年度生产计划智能监管组件、试验报告智能诊断分析组件、试验数据智能分析组件，整体流程需要保证思路清晰（如图1），保证数据形成标准体系，避免后续的诊断分析和方案制定不准确科学[1]。

（一）从生产管理系统提取数据结构体系模型

在进行构建基于统一标准的试验数据结构体系模型组件过程中，需要对所有在做预防性试验的设备进行作业指导书收集，并对这些数据及周边信息进行梳理整合，进而从生产系统中提取出完整准确的指导书模板和设备预防性实验数据档案，保证整体数据标准统一。

（二）保证实验数据结构体系模型标准统一

完整准确的指导书模板和设备预防性实验数据档案可以作为系统体系的模板，在进行使用之前需要结合实际需求来对模板进行分析和优化，进而形成最终的统一标准的模板，同时从生产厂商方获取设备出厂交接的数据模板，进而形成交接试验版本，最终的实验结构体系模型需要对最终的作业指导书模板和统一标准模板以及实验数据模板机型梳理整合构建而成，相对而言更为全面准确，也更符合实际需求。

（三）实验数据补录

首先要明确数据来源，现阶段实验数据主要由外部系统已经存在的试验数据和试验数据挖掘智能作业管控系统中对缺失的数据进行补录，已经存在的试验数据可以通过接口直接获取，主要是一些一次性历史实验数据，属于实时实验数据，而试验数据挖掘智能作业管控系统中对缺失的数据补录，需要在统一标准的试验数据结构体系模型中选择作业指导书模板，然后通过系统进行补录。

三、试验数据结构体系模型组件技术分析

（一）文本数据特征提取技术

通过计算机对实验数据结构体系模型进行文本数据提取，并对文本数据进行分析，利用文档频数对出现频率较多的文字段落进行标注，对后对这些数据进行特征分析，去除文档内频数过高或者过低的特征进而对特征进行姜维，一般情况下文本数据特征提取技术针对一些文档内容较多计算频率较高的文档有着较好的效果，整体作业速度快效率高，质量表现优质，当出现删除 90%单词的时候其性能与信息增益会加倍，整体操作简单，可以有效过滤低于设定的特征进而更好的将文本数据特征进行反馈，整体而言普遍适用任何文档。

（二）并行计算

并行计算简而言之就是利用多种计算方式来解决计算问题，可以有效提升计算机的运行效率，通过多个处理器同时对一个问题进行多维度拆解分析，不同处理器针对不同的区域进行独立计算，随后对这些数据进行梳理整合，也可以由多台计算机来进行整体作业保证一定的关联性，进而实现集成作业，不需要特殊处理直接将结果进行准确反馈。

一般情况下并行计算可以分为时间空间两种，时间极为流水线技术，包括清晰、消毒、切割、包装等流程，相比于传统的技术流水线技术更为高效，通过时间并行可以迅速完整两个以上的操作，而空间上的并行则是计算机的计算执行方面，通过网络形成处理机组进而对同一个任务的不同部分进行解决，对一些单个处理机无法面对的问题有着优质的处理效果。

（三）自然语言处理技术

自然语言处理技术的流程为获取语料、数据预处理、特征工程、特征选择、模型选择、模型训练、模型评估、投产上线八个环节，需要涉及人工智能、语言学、网络信息技术等等，主要研究方向主要包括：信息抽取、文本生成、问答系统、对话系统、文本挖掘、语音识别、语音合成、舆情分析、机器翻译等，在数据预处理过程中主要包括语料清洗、分词、词性标注、去停用词四个环节，需要格外注意[2]。

总结：试验数据挖掘智能作业管控系统业务建模需要保证数据标准统一，并基于统一标准的试验数据结构体系进行模型组件构建，这个过程中需要利用多种技术且涉及领域较为广泛，需要对各项技术进行梳理并优化掌握才能保证数据的完整准确和利用率。

参考文献：

[1]付琛，杨国华，李海波，赵晓峰.“互联网+排涝泵站群”远程网络管控系统设计[J].计算机测量与控制，2012，25（07）：74-76+81.

[2]曹丹青，张毅. 某型飞机飞控系统模拟试验数据采集处理系统的设计[C]. 航空工业测控技术发展中心、中国航空学会测试专业委员会、《测控技术》杂志社.2008年航空试验测试技术峰会论文集.航空工业测控技术发展中心、中国航空学会测试专业委员会，2018：23-26.