起重机在长期服役过程中,由于自身或外部因素常发生各类故障或损伤,造成巨大的人员伤亡和财产损失。有效分析评估起重机的健康状态,为及时识别起重机设备运行异常,保障起重机安全、可靠与经济运行提供重要支撑。大数据是新一代信息技术产业的重要内容,在设备的故障识别和安全评价领域应用潜力巨大。本文重点研究适用于起重机安全评估的大数据挖掘方法,挖掘数据中潜在的价值,实现起重机的智能快速预警。论文的主要工作如下:(1)介绍起重机安全评价大数据的来源和分类,分析起重机数据特性和现状,并依此建立起重机大数据体系;探讨了基于起重机安全评价大数据的重复数据检测、缺失值填充、噪声和异常数据处理等数据预处理方法,实现起重机安全评价大数据的初步预处理,为后续的关联规则挖掘及智能预警分析做铺垫。(2)提出一种改进的基于MIS-Tree的多支持度关联规则挖掘方法,并对算法的优越性进行验证;采用实际案例数据,对某岸桥的健康监测数据进行关联规则挖掘,研究振动与应力数据间的相关性,得到部分感兴趣的规则;将规则用于起重机监测值预测,预测误差下降为0.11%-8.81%,验证了基于关联规则模型预测的有效性和准确性。(3)提出基于AR模型自回归参数的特征提取方法,并利用主成分分析对提取的初始样本特征集进行约简和降维;针对随机森林(RF)的不足,采用GA遗传算法对随机森林进行参数寻优和特征选择,提出了基于GA-RF的集成分类方法;分别使用GA-RF模型、随机森林用于某起重机减速箱轴承的安全状态识别,并采用准确率、查准率、召回率、F-Measure等4个指标进行评价,实验结果显示,GA-RF模型有更好的预测识别效果和更强的泛化能力。(4)进行详细的总体方案设计与功能模块的需求分析与设计,确定系统各模块的功能架构;依据系统的基本需求,设计具体的数据结构及相互关系,构建安全预警系统数据库;设计和开发了起重机智能安全预警系统。本文的研究成果为起重机安全评估与智能预警提供了一种全新的思路,为大数据技术在起重机械行业的应用打下坚实的基础。