1.一种基于PCA-粗糙集的船舶涂装缺陷知识获取方法，其特征在于包括以下步骤：(1)从船舶涂装工艺数据库与船舶涂装缺陷案例库中选择目标数据集；

(2)对选中的目标数据集进行检查及预处理；

(3)利用主成分分析对船舶涂装缺陷多源异构数据进行降维处理；

(4)利用粗糙集理论对船舶涂装缺陷数据进行知识获取；

(5)对知识分类并存储。

2.根据权利要求1所述的基于PCA-粗糙集的船舶涂装缺陷知识获取方法，其特征在于：步骤(1)中所述的目标数据集包括属性信息、参数信息及环境信息，其中，属性信息包括涂装区域、涂装面积、表面粗糙度、除锈等级、涂装方法、涂装设备；参数信息包括涂料黏度、空气动力、喷射距离、涂料转移率；环境信息包括空气流速、相对湿度、空气温度。

3.根据权利要求1或2所述的基于PCA-粗糙集的船舶涂装缺陷知识获取方法，其特征在于：步骤(2)中数据检查包括数据缺失值检查、不一致数据检查及数据噪声值检查，判断是否需要对数据进行预处理。

4.根据权利要求3所述的基于PCA-粗糙集的船舶涂装缺陷知识获取方法，其特征在于：步骤(2)中数据预处理包括缺失值处理、合理性检验与噪声值处理，具体手段包括自动删除、填充和修正处理，处理完毕后判断是否处理完整，如果不完整，返回进行重新检查及数据处理，否则进行下一步。

5.根据权利要求1或4所述的基于PCA-粗糙集的船舶涂装缺陷知识获取方法，其特征在于：步骤(3)具体采用one-hot编码的方式对离散型船舶涂装缺陷相关属性进行编码，离散型船舶涂装缺陷相关属性包括涂装设备、涂料种类、涂装方法、作业班组；对预处理后的数据求协方差矩阵，针对协方差矩阵计算其特征值及特征向量，依据特征值大小排序并计算方差贡献率和方差累积贡献率，交互式确定主成分个数并得到主成分数值，将各主成分对应的变量作为新的数据输入，以此实现船舶涂装缺陷数据中大量多源异构数据的降维处理。

6.根据权利要求1所述的基于PCA-粗糙集的船舶涂装缺陷知识获取方法，其特征在于：步骤(4)具体分为以下步骤：

(a)建立初始案例决策表,具体划分条件属性与决策属性；

(b)进行知识约简,计算约简后各条件属性对决策属性的重要性；

(c)进行属性值约简,得到简化后的决策数据表；

(d)进行规则知识提取。

7.根据权利要求6所述的基于PCA-粗糙集的船舶涂装缺陷知识获取方法，其特征在于：步骤(a)中综合考虑可能影响最终形成涂装缺陷的多种因素作为条件属性，所述条件属性包括工艺属性、工艺参数及环境信息；所述工艺属性包括涂装区域、涂装面积、表面粗糙度、除锈等级，工艺参数包括涂料黏度、干膜厚度、固体份含量、喷嘴距离，环境信息包括空气温度、相对湿度、空气流速；所述决策属性作为最终形成的缺陷名称。

8.根据权利要求7所述的基于PCA-粗糙集的船舶涂装缺陷知识获取方法，其特征在于：步骤(b)具体为在不影响知识表达能力的条件下，采用基于属性重要性的约简算法进行属性约简，消除冗余知识，并计算约简后各条件属性对决策属性的重要性。

9.根据权利要求8所述的基于PCA-粗糙集的船舶涂装缺陷知识获取方法，其特征在于：所述属性重要性的约简算法包括以下步骤：

I、采用差别矩阵计算得到核属性集合Core；

II、计算约简前整个决策表的依赖度γc(D)，以及除核属性之外的每个条件属性的重要性σCD(ci)；

III、计算核属性的依赖度γCore(D)；

IV、如果γCore(D)≥C(D)，算法结束，输出属性约简集合Core；如果γCore(D)＜γC(D)，将属性按照属性重要性从大到小排序ci(i＝1,2,…n)，逐个加入到集合Core中，for(i＝1:n)，Core＝Core∪ci，计算γCore(D)，若γCore(D)≥γC(D)，算法结束，输出属性约简集合Core；若γCore(D)＜γC(D)，继续循环。

10.根据权利要求1所述的基于PCA-粗糙集的船舶涂装缺陷知识获取方法，其特征在于：步骤(5)具体为计算每条船舶涂装缺陷知识的支持度、覆盖度与可信度，将知识分为确定性知识、强规则知识以及弱规则知识并存入知识库。