拓端数据tecdat:关联数据挖掘技术在煤矿隐患管理

作者：小峰哥2502868817 | 来源：互联网 | 2023-09-06 21:16

煤矿隐患数据挖掘是矿山数字化的重要组成部分，给出煤矿隐患数据挖掘的概念，设计了煤矿隐患数据挖掘模型，并进一步分析了适用于煤矿隐患数据的挖掘算法。以关联算法为例，对隐患数据进行多维关

煤矿隐患数据挖掘是矿山数字化的重要组成部分，给出煤矿隐患数据挖掘的概念，设计了煤矿隐患数据挖掘模型，并进一步分析了适用于煤矿隐患数据的挖掘算法。以关联算法为例，对隐患数据进行多维关联规则挖掘，分析挖掘结果表明隐患多维数据之间存在紧密关联性，能够为煤矿安全决策提供支持。

《拓端数据tecdat:关联数据挖掘技术在煤矿隐患管理》

以下以R语言为例为大家介绍关联规则在煤矿隐患管理的应用

dat1=read.csv(&＃8220;安全隐患数据FP-Growth.csv&＃8221;,header=T ,stringsAsFactors=T)read data

head(dat1)have a look at data

隐患日期隐患单位隐患条数汇报人隐患地点隐患地点.1

1 2009/1/2 综采队 5条张立新 1106工作面工作面

2 2009/1/2 综采队赵军孙旭光 1106工作面工作面

3 2009/1/2 综采队郎志俊赵建军 1106工作面工作面

4 2009/1/2 机电二队 4条宋慧刚李思光一采区胶带巷胶带巷

5 2009/1/2 机电二队 4条宋慧刚李思光一采区胶带巷胶带巷

6 2009/1/2 机电二队 4条宋慧刚李思光一采区胶带巷胶带巷

处理措施处理时间负责人隐患描述

1 处理 2009/1/3 赵海根 1、有两组支架高压胶管破

2 处理开水幕 2009/1/3 陈小旦 1、皮带机头硬架尾部压柱不吃劲

3 调整管理 2009/1/3 陈小旦 2、60-66架煤墙松软，有片帮现象

4 整改 2009/1/3 崔庆忠 1、主皮带上坡处第一道挡车器有一个肖未插到位

5 整改 2009/1/3 崔庆忠 2、主皮带机头消防水管未码放

6 整改 2009/1/3 崔庆忠 4、主皮带机头有一盏灯一头未吊挂

隐患主题隐患时间

1 支架问题第一季度

2 皮带机问题第一季度

3 片帮问题第一季度

4 皮带机问题第一季度

5 火灾问题第一季度

6 皮带机问题第一季度

隐患主题、隐患时间、隐患地点和隐患单位

inspect(frequentsets[1:10]) 察看求得的频繁项集 review frequent sets

items support

[1] {隐患主题=片帮问题,隐患地点.1=工作面} 0.05084388

[2] {隐患地点.1=排水巷,隐患单位=综掘二队} 0.05327004

[3] {隐患主题=支架问题,隐患地点.1=工作面} 0.06329114

[4] {隐患时间=第二季度,隐患地点.1=猴车巷} 0.05126582

[5] {隐患地点.1=猴车巷,隐患单位=综掘三队} 0.08829114

[6] {隐患时间=第二季度,隐患单位=综掘一队} 0.05000000

[7] {隐患地点.1=风巷,隐患单位=综掘一队} 0.08164557

[8] {隐患时间=第二季度,隐患单位=综掘二队} 0.05527426

[9] {隐患时间=第二季度,隐患单位=综掘三队} 0.05991561

[10] {隐患地点.1=工作面,隐患单位=综采队} 0.13491561

根据支持度对求得的频繁项集排序并察看（等价于

inspect(sort(frequentsets)[1:10]）

items support

[1] {隐患时间=第二季度} 0.3750000

[2] {隐患地点.1=工作面} 0.2995781

[3] {隐患时间=第一季度} 0.2668776

[4] {隐患时间=第三季度} 0.1997890

[5] {隐患单位=综安队} 0.1775316

[6] {隐患地点.1=风巷} 0.1585443

[7] {隐患地点.1=工作面,隐患单位=综安队} 0.1521097

[8] {隐患主题=锚杆问题} 0.1464135

[9] {隐患时间=第四季度} 0.1437764

[10] {隐患主题=皮带机问题} 0.1431435

fp growth tree Mine association rules

fptree=function (data, parameter =NULL, appearance =NULL, cOntrol=NULL)

{

rules=fptree(dat1,parameter=list(support=0.06,cOnfidence=0.1,minlen=2)) 求关联规则

summary(rules)Inspect transactions

set of 25 rules

rule length distribution (lhs + rhs):sizes

2 3

22 3

Min. 1st Qu. Median Mean 3rd Qu. Max.

2.00 2.00 2.00 2.12 2.00 3.00

summary of quality measures:

support confidence lift

Min. :0.06276 Min. :0.1868 Min. :0.9775

1st Qu.:0.06456 1st Qu.:0.2928 1st Qu.:1.0806

Median :0.07078 Median :0.4244 Median :1.3247

Mean :0.08642 Mean :0.4940 Mean :2.5253

3rd Qu.:0.08829 3rd Qu.:0.6643 3rd Qu.:3.2100

Max. :0.15211 Max. :0.9676 Max. :7.2803

mining info:

data ntransactions support confidence

dat1 9480 0.06 0.1

inspect(head(rules))

lhs rhs support confidence

[1] {隐患主题=支架问题} => {隐患地点.1=工作面} 0.06329114 0.9600000

[2] {隐患地点.1=工作面} => {隐患主题=支架问题} 0.06329114 0.2112676

[3] {隐患地点.1=猴车巷} => {隐患单位=综掘三队} 0.08829114 0.9676301

[4] {隐患单位=综掘三队} => {隐患地点.1=猴车巷} 0.08829114 0.6642857

[5] {隐患单位=综掘一队} => {隐患地点.1=风巷} 0.08164557 0.7267606

[6] {隐患地点.1=风巷} => {隐患单位=综掘一队} 0.08164557 0.5149701

lift

[1] 3.204507

[2] 3.204507

[3] 7.280264

[4] 7.280264

[5] 4.583959

[6] 4.583959

quality(head(rules))

support confidence lift

1 0.06329114 0.9600000 3.204507

2 0.06329114 0.2112676 3.204507

3 0.08829114 0.9676301 7.280264

4 0.08829114 0.6642857 7.280264

5 0.08164557 0.7267606 4.583959

6 0.08164557 0.5149701 4.583959

rules <-sort(rules, by=&＃8221;support&＃8221;)

inspect(head(rules, n=40))Look at rules with highest support

lhs rhs

[1] {隐患单位=综安队} => {隐患地点.1=工作面}

[2] {隐患地点.1=工作面} => {隐患单位=综安队}

[3] {隐患单位=综采队} => {隐患地点.1=工作面}

[4] {隐患地点.1=工作面} => {隐患单位=综采队}

[5] {隐患地点.1=工作面} => {隐患时间=第二季度}

[6] {隐患时间=第二季度} => {隐患地点.1=工作面}

[7] {隐患地点.1=猴车巷} => {隐患单位=综掘三队}

[8] {隐患单位=综掘三队} => {隐患地点.1=猴车巷}

[9] {隐患时间=第一季度} => {隐患地点.1=工作面}

[10] {隐患地点.1=工作面} => {隐患时间=第一季度}

[11] {隐患单位=综掘一队} => {隐患地点.1=风巷}

[12] {隐患地点.1=风巷} => {隐患单位=综掘一队}

[13] {隐患单位=综安队} => {隐患时间=第二季度}

[14] {隐患时间=第二季度} => {隐患单位=综安队}

[15] {隐患地点.1=风巷} => {隐患时间=第二季度}

[16] {隐患时间=第二季度} => {隐患地点.1=风巷}

[17] {隐患地点.1=工作面,隐患单位=综安队} => {隐患时间=第二季度}

[18] {隐患时间=第二季度,隐患单位=综安队} => {隐患地点.1=工作面}

[19] {隐患时间=第二季度,隐患地点.1=工作面} => {隐患单位=综安队}

[20] {隐患时间=第三季度} => {隐患地点.1=工作面}

[21] {隐患地点.1=工作面} => {隐患时间=第三季度}

[22] {隐患主题=支架问题} => {隐患地点.1=工作面}

[23] {隐患地点.1=工作面} => {隐患主题=支架问题}

[24] {隐患单位=综安队} => {隐患时间=第一季度}

[25] {隐患时间=第一季度} => {隐患单位=综安队}

support confidence lift

[1] 0.15210970 0.8568033 2.8600336

[2] 0.15210970 0.5077465 2.8600336

[3] 0.13491561 0.9616541 3.2100286

[4] 0.13491561 0.4503521 3.2100286

[5] 0.10981013 0.3665493 0.9774648

[6] 0.10981013 0.2928270 0.9774648

[7] 0.08829114 0.9676301 7.2802642

[8] 0.08829114 0.6642857 7.2802642

[9] 0.08639241 0.3237154 1.0805712

[10] 0.08639241 0.2883803 1.0805712

[11] 0.08164557 0.7267606 4.5839588

[12] 0.08164557 0.5149701 4.5839588

[13] 0.07078059 0.3986928 1.0631808

[14] 0.07078059 0.1887482 1.0631808

[15] 0.07004219 0.4417831 1.1780883

[16] 0.07004219 0.1867792 1.1780883

[17] 0.06455696 0.4244105 1.1317614

[18] 0.06455696 0.9120715 3.0445205

[19] 0.06455696 0.5878963 3.3115012

[20] 0.06339662 0.3173178 1.0592159

[21] 0.06339662 0.2116197 1.0592159

[22] 0.06329114 0.9600000 3.2045070

[23] 0.06329114 0.2112676 3.2045070

[24] 0.06276371 0.3535354 1.3247095

[25] 0.06276371 0.2351779 1.3247095

Look at rules with highest support

lhs rhs

[1] {隐患地点.1=猴车巷} => {隐患单位=综掘三队}

[2] {隐患单位=综采队} => {隐患地点.1=工作面}

[3] {隐患主题=支架问题} => {隐患地点.1=工作面}

[4] {隐患时间=第二季度,隐患单位=综安队} => {隐患地点.1=工作面}

[5] {隐患单位=综安队} => {隐患地点.1=工作面}

[6] {隐患单位=综掘一队} => {隐患地点.1=风巷}

[7] {隐患单位=综掘三队} => {隐患地点.1=猴车巷}

[8] {隐患时间=第二季度,隐患地点.1=工作面} => {隐患单位=综安队}

[9] {隐患地点.1=风巷} => {隐患单位=综掘一队}

[10] {隐患地点.1=工作面} => {隐患单位=综安队}

[11] {隐患地点.1=工作面} => {隐患单位=综采队}

[12] {隐患地点.1=风巷} => {隐患时间=第二季度}

[13] {隐患地点.1=工作面,隐患单位=综安队} => {隐患时间=第二季度}

[14] {隐患单位=综安队} => {隐患时间=第二季度}

[15] {隐患地点.1=工作面} => {隐患时间=第二季度}

[16] {隐患单位=综安队} => {隐患时间=第一季度}

[17] {隐患时间=第一季度} => {隐患地点.1=工作面}

[18] {隐患时间=第三季度} => {隐患地点.1=工作面}

[19] {隐患时间=第二季度} => {隐患地点.1=工作面}

[20] {隐患地点.1=工作面} => {隐患时间=第一季度}

[21] {隐患时间=第一季度} => {隐患单位=综安队}

[22] {隐患地点.1=工作面} => {隐患时间=第三季度}

[23] {隐患地点.1=工作面} => {隐患主题=支架问题}

[24] {隐患时间=第二季度} => {隐患单位=综安队}

[25] {隐患时间=第二季度} => {隐患地点.1=风巷}

support confidence lift

[1] 0.08829114 0.9676301 7.2802642

[2] 0.13491561 0.9616541 3.2100286

[3] 0.06329114 0.9600000 3.2045070

[4] 0.06455696 0.9120715 3.0445205

[5] 0.15210970 0.8568033 2.8600336

[6] 0.08164557 0.7267606 4.5839588

[7] 0.08829114 0.6642857 7.2802642

[8] 0.06455696 0.5878963 3.3115012

[9] 0.08164557 0.5149701 4.5839588

[10] 0.15210970 0.5077465 2.8600336

[11] 0.13491561 0.4503521 3.2100286

[12] 0.07004219 0.4417831 1.1780883

[13] 0.06455696 0.4244105 1.1317614

[14] 0.07078059 0.3986928 1.0631808

[15] 0.10981013 0.3665493 0.9774648

[16] 0.06276371 0.3535354 1.3247095

[17] 0.08639241 0.3237154 1.0805712

[18] 0.06339662 0.3173178 1.0592159

[19] 0.10981013 0.2928270 0.9774648

[20] 0.08639241 0.2883803 1.0805712

[21] 0.06276371 0.2351779 1.3247095

[22] 0.06339662 0.2116197 1.0592159

[23] 0.06329114 0.2112676 3.2045070

[24] 0.07078059 0.1887482 1.0631808

[25] 0.07004219 0.1867792 1.1780883

Look at rules with highest lift

lhs rhs

[1] {隐患地点.1=猴车巷} => {隐患单位=综掘三队}

[2] {隐患单位=综掘三队} => {隐患地点.1=猴车巷}

[3] {隐患单位=综掘一队} => {隐患地点.1=风巷}

[4] {隐患地点.1=风巷} => {隐患单位=综掘一队}

[5] {隐患时间=第二季度,隐患地点.1=工作面} => {隐患单位=综安队}

[6] {隐患单位=综采队} => {隐患地点.1=工作面}

[7] {隐患地点.1=工作面} => {隐患单位=综采队}

[8] {隐患地点.1=工作面} => {隐患主题=支架问题}

[9] {隐患主题=支架问题} => {隐患地点.1=工作面}

[10] {隐患时间=第二季度,隐患单位=综安队} => {隐患地点.1=工作面}

[11] {隐患单位=综安队} => {隐患地点.1=工作面}

[12] {隐患地点.1=工作面} => {隐患单位=综安队}

[13] {隐患单位=综安队} => {隐患时间=第一季度}

[14] {隐患时间=第一季度} => {隐患单位=综安队}

[15] {隐患地点.1=风巷} => {隐患时间=第二季度}

[16] {隐患时间=第二季度} => {隐患地点.1=风巷}

[17] {隐患地点.1=工作面,隐患单位=综安队} => {隐患时间=第二季度}

[18] {隐患时间=第一季度} => {隐患地点.1=工作面}

[19] {隐患地点.1=工作面} => {隐患时间=第一季度}

[20] {隐患单位=综安队} => {隐患时间=第二季度}

[21] {隐患时间=第二季度} => {隐患单位=综安队}

[22] {隐患时间=第三季度} => {隐患地点.1=工作面}

[23] {隐患地点.1=工作面} => {隐患时间=第三季度}

[24] {隐患地点.1=工作面} => {隐患时间=第二季度}

[25] {隐患时间=第二季度} => {隐患地点.1=工作面}

support confidence lift

[1] 0.08829114 0.9676301 7.2802642

[2] 0.08829114 0.6642857 7.2802642

[3] 0.08164557 0.7267606 4.5839588

[4] 0.08164557 0.5149701 4.5839588

[5] 0.06455696 0.5878963 3.3115012

[6] 0.13491561 0.9616541 3.2100286

[7] 0.13491561 0.4503521 3.2100286

[8] 0.06329114 0.2112676 3.2045070

[9] 0.06329114 0.9600000 3.2045070

[10] 0.06455696 0.9120715 3.0445205

[11] 0.15210970 0.8568033 2.8600336

[12] 0.15210970 0.5077465 2.8600336

[13] 0.06276371 0.3535354 1.3247095

[14] 0.06276371 0.2351779 1.3247095

[15] 0.07004219 0.4417831 1.1780883

[16] 0.07004219 0.1867792 1.1780883

[17] 0.06455696 0.4244105 1.1317614

[18] 0.08639241 0.3237154 1.0805712

[19] 0.08639241 0.2883803 1.0805712

[20] 0.07078059 0.3986928 1.0631808

[21] 0.07078059 0.1887482 1.0631808

[22] 0.06339662 0.3173178 1.0592159

[23] 0.06339662 0.2116197 1.0592159

[24] 0.10981013 0.3665493 0.9774648

[25] 0.10981013 0.2928270 0.9774648

《拓端数据tecdat:关联数据挖掘技术在煤矿隐患管理》

原文请浏览官网

《拓端数据tecdat:关联数据挖掘技术在煤矿隐患管理》

【拓端数据tecdat.cn】第三方数据服务提供商,提供全面的统计分析与数据挖掘咨询服务,为客户定制个性化的数据解决方案与行业报告等。

《拓端数据tecdat:关联数据挖掘技术在煤矿隐患管理》

中国专业的统计分析和数据挖掘咨询服务商：拓端数据（商务合作请联系官网客服）

帅的小伙伴都关注了拓端数据团队^..^~

QQ交流群：186388004

微信公众号：拓端数据

微信客服号：lico_9e

推荐阅读

string
[置顶] ACM头文件、常用函数、宏定义

部分转载自：http:blog.csdn.netliujiuxiaoshitouarticledetails69920917头文件#include<assert.h& ... [详细]

蜡笔小新 2023-10-16 12:54:07
int
浏览器中的异常检测算法及其在深度学习中的应用

本文介绍了在浏览器中进行异常检测的算法，包括统计学方法和机器学习方法，并探讨了异常检测在深度学习中的应用。异常检测在金融领域的信用卡欺诈、企业安全领域的非法入侵、IT运维中的设备维护时间点预测等方面具有广泛的应用。通过使用TensorFlow.js进行异常检测，可以实现对单变量和多变量异常的检测。统计学方法通过估计数据的分布概率来计算数据点的异常概率，而机器学习方法则通过训练数据来建立异常检测模型。 ... [详细]

蜡笔小新 2023-12-12 16:22:39
int
PHP组合工具以及开发所需的工具

本文介绍了PHP开发中常用的组合工具和开发所需的工具。对于数据分析软件，包括Excel、hihidata、SPSS、SAS、MARLAB、Eview以及各种BI与报表工具等。同时还介绍了PHP开发所需的PHP MySQL Apache集成环境，包括推荐的AppServ等版本。 ... [详细]

蜡笔小新 2023-12-09 17:36:44
int
SmartMining

应用场景当遇到数据分类，聚类，预测等场景问题，普通的SQL方法无法解决，需要借助算法这件武器，比如聚类算法，分类算法，预测算法等等，但是手动去研究一个算法比较吃力，有没有那种工具， ... [详细]

蜡笔小新 2023-10-17 15:45:01
java
逐日 30 秒 ⏱ 数组转CSV表格数据

简介数组、CSV、表格、东西将一个数组转化为逗号为支解符的字符串（CSV）即表格数据。该源码来自于https:30secondsofcode.orgconstarrayToCSV( ... [详细]

蜡笔小新 2023-10-16 19:30:04
string
关于Perl中split的用法的更多说明 - More clarification about the usage of split in Perl

Ihavethisfollowinginputfile:我有以下输入文件:test.csvdone_cfg,,,,port<0>,clk_in,subcktA,ins ... [详细]

蜡笔小新 2023-10-16 17:45:16
string
分享篇：第十届“泰迪杯”数据挖掘挑战赛农田害虫图像识别（特等奖）一

1.1赛题背景昆虫的种类浩如烟海，农田常见的昆虫是人工生态系统的重要组成部分。分辨益虫和害虫，保留益虫，消灭害虫，对于减轻害 ... [详细]

蜡笔小新 2023-10-15 19:37:42
string
bat大牛带你深度剖析android 十大开源框架_请收好！5大领域，21个必知的机器学习开源工具...

全文共3744字，预计学习时长7分钟本文将介绍21个你可能没使用过的机器学习开源工具。每个开源工具都为数据科学家处理数据库提供了不同角度。本文将重点介绍五种机器学习的 ... [详细]

蜡笔小新 2023-10-15 15:52:17
java
JS进修笔记——闭包的运转机制和作用域

本文介绍了闭包的定义和运转机制，重点解释了闭包如何能够接触外部函数的作用域中的变量。通过词法作用域的查找规则，闭包可以访问外部函数的作用域。同时还提到了闭包的作用和影响。 ... [详细]

蜡笔小新 2023-12-14 18:45:00
string
Android开发笔记：使用Picasso加载网络图片等比例缩放

在Android开发中，使用Picasso库可以实现对网络图片的等比例缩放。本文介绍了使用Picasso库进行图片缩放的方法，并提供了具体的代码实现。通过获取图片的宽高，计算目标宽度和高度，并创建新图实现等比例缩放。 ... [详细]

蜡笔小新 2023-12-14 17:34:00
int
云原生边缘计算之KubeEdge简介及功能特点

本文介绍了云原生边缘计算中的KubeEdge系统，该系统是一个开源系统，用于将容器化应用程序编排功能扩展到Edge的主机。它基于Kubernetes构建，并为网络应用程序提供基础架构支持。同时，KubeEdge具有离线模式、基于Kubernetes的节点、群集、应用程序和设备管理、资源优化等特点。此外，KubeEdge还支持跨平台工作，在私有、公共和混合云中都可以运行。同时，KubeEdge还提供数据管理和数据分析管道引擎的支持。最后，本文还介绍了KubeEdge系统生成证书的方法。 ... [详细]

蜡笔小新 2023-12-14 16:49:01
web
css div中文字位置_超赞的 CSS 阴影技巧与细节

本文的题目是CSS阴影技巧与细节。CSS阴影，却不一定是box-shadow与filter:drop-shadow，为啥？因为使用其他属性 ... [详细]

蜡笔小新 2023-10-17 08:15:59
web
Spring MVC定制用户登录注销实现示例

这篇文章描述了如何实现对SpringMVCWeb应用程序的自定义用户访问（登录注销）。作为前提，建议读者阅读这篇文章，其中介 ... [详细]

蜡笔小新 2023-10-16 18:20:22
string
Tensorflow 训练自己的cnn模型行人识别

代码如下：#coding:utf-8importstring,os,sysimportnumpyasnpimportmatplotlib.py ... [详细]

蜡笔小新 2023-10-16 16:57:06
string
一份来自清华的数据分析笔记，请查收！

之前发过很多数据分析的文章，收到不少好评，但也有一些困惑：入门数据分析该学哪些知识点？该看哪些书？是从Pyth ... [详细]

蜡笔小新 2023-10-16 12:27:43

小峰哥2502868817

这个家伙很懒，什么也没留下！

Tags | 热门标签

RankList | 热门文章