面向PDM的可視化聚類系統研究與開發(fā).pdf

1、隨著信息技術在制造業(yè)的深入實施，產品數據管理（Product Data Management，PDM）很好地連接了CAD、CAM、CAPP、CAE等“信息孤島”，成為當今社會企業(yè)要立于不敗之地必不可少的技術。目前企業(yè)PDM系統的數據庫中存儲的數據量相當大，而數據中隱藏的知識卻沒有得到充分利用，因此數據挖掘技術在制造業(yè)中開始被廣泛地應用。數據挖掘中的聚類分析也越來越受到人們的重視，面向PDM專用的聚類系統的研究已經成為制造業(yè)信息化中一個非

2、常活躍的研究課題。 本文在打破傳統的通用數據挖掘工具的基礎上，給出基于制造業(yè)PDM數據庫專用的可視化聚類系統DMINING的軟件結構與模型。此系統的聚類算法模塊采用了改進后的K-means算法。K-means算法是聚類分析中一種經典的劃分方法，被廣泛應用于科學研究的各個領域。但是這種算法依賴于初始值的選擇以及數據的輸入順序；此外，當運用誤差平方和準則函數測度聚類效果時，如果各簇的形狀和大小差別很大，為使誤差平方和準則函數值達到最

3、小有可能出現較大的聚類簇被分割的現象。針對以上原始的K-means算法中存在的不足以及PDM系統中數據量相當大、數據類型復雜等問題，本系統采用了一種多次取樣一次聚類尋找最優(yōu)解的改進算法，并用實驗證明了改進算法的穩(wěn)定性比原始的K-means算法有了明顯改善。目前開發(fā)可視化數據挖掘工具存在編程繁瑣容易出錯等問題，針對這一情況提出了本系統利用Matcom將軟件Matlab的數學計算功能內嵌到Visual C++環(huán)境中，用友好的交互界面實現數據

4、庫操作與數據分析一體化。大大減少編程的工作量、保證程序的準確性，而且簡潔地實現數據挖掘中聚類分析所需要的運算和可視化功能。 將此系統應用于KMPDM系統的數據庫中，對零件庫中某零件的銷售情況進行分析，共分析了330組數據，系統的聚類結果為4個簇，可以得到清晰的可視化聚類結果。在PDM系統的網絡級入侵檢測的實驗中，DMINING系統對KDD Cup 1999 Data的數據集進行聚類分析后得到87.9﹪的檢測率和0.80﹪的誤警率