随着信息化技术的迅速发展和普及应用,各行各业已经进入“大数据时代”,复杂机电产品全生命周期的数据储量与日俱增,如何分析产品生命周期大数据与运行特性之间的内在关联,从而逆向地指导产品不同生命周期阶段的协同与优化,是当前全球制造业共同面临的挑战。大数据挖掘作为智能制造最重要的技术之一,可以发现大数据中隐藏的知识,将大数据挖掘技术应用到生命周期大数据知识发现中,对产品生命周期管理具有重要意义。袋式除尘器作为重要的工业环保装备,广泛用于煤炭、钢铁、发电等行业,其全生命周期中会积累大量的数据,由于内部结构及外部运行工况的复杂性,除尘器运行特性的表现往往与各参数间的相互耦合与特征关联具有密不可分的关系。针对现有的运行监测方法由于只考虑单一目标参数或一类目标参数对运行特性的影响,使得监测结果存在可靠性不高和实时性差的问题,本文提出了一种面向袋式除尘器运行监测的大数据挖掘方法,旨在综合考虑产品各生命周期相关参数对运行特性的影响,从而实现设备状态的快速准确监测。全文的研究内容如下:1.分析了袋式除尘器产品生命周期大数据及运行特性,首先对袋式除尘器工作机理进行了简单的介绍;然后详细分析了袋式除尘器大数据的来源、数据组成及数据特点;最后结合袋式除尘器的产品运行特性分析,说明了挖掘产品大数据与其运行特性内在关联的重要性,给出了面向袋式除尘器运行监测的大数据挖掘要求。2.研究了袋式除尘器全生命周期大数据挖掘框架及大数据挖掘过程,确定了滤袋破损安全性能监测为本文大数据挖掘的任务。对经典数据挖掘方法与集成学习方法进行了分析对比,选定XGBoost算法来构建本文的大数据挖掘模型,针对XGBoost模型多个参数调优收敛速度慢、易陷入局部最优解和正确率波动大的问题,采用蚁群算法,对XGBoost模型中的重要参数进行优化;利用参数优化后的XGBoost模型进行滤袋破损相关特征重要度排序和筛选;根据所得最优参数和筛选后的重要特征重新训练得到面向袋式除尘器滤袋破损在线监测的XGBoost优化模型。3.在袋式除尘器综合实验平台上,拓展了破袋监测实验模块并完成了软硬件系统的研发;设计了清灰实验方案,对提出的基于XGBoost优化模型的袋式除尘器破袋监测方法进行现场实验,验证了该大数据挖掘模型的可行性和有效性。研究和应用结果表明:XGBoost模型作为一种集成学习领域的较新算法,应用在袋式除尘器大数据挖掘中,能够有效挖掘出产品大数据与运行特性之间的关系。基于蚁群算法优化参数后的XGBoost模型具有良好的袋式除尘器破袋监测效果,且运行时间极快,识别效率高,具有较好的实用价值。