[发明专利]基于决策树算法的港口岸桥机械工作状态故障分类的方法

权利要求书

1.一种基于决策树算法的港口岸桥机械工作状态故障分类的方法，其特征在于，包含以下步骤：

步骤1：通过安装在岸桥起重机上的传感器来采集获取数据，存储到数据库；

步骤2：通过分析岸桥设备的各种历史监测量得到标准故障样本数据，然后采用决策树生成算法对故障样本数据进行分类分析，得到故障的决策树；

步骤3：将采集到的实时监测数据通过上一步骤2得到的决策树作为故障模式的分类模型进行分类，从而确定故障种类。

2.如权利要求1所述的基于决策树算法的港口岸桥机械工作状态故障分类的方法，其特征在于，所述步骤1中，采集每隔10到20秒的实时数据。

3.如权利要求1所述的基于决策树算法的港口岸桥机械工作状态故障分类的方法，其特征在于，步骤1所述的各种岸桥部位收集的状态参数，是分类的特征属性，将其作为决策树的中间节点，步骤2所述各种故障类型的判断与分类，作为决策树的树叶；

步骤2中所述决策树算法采用分类回归决策树算法，具体构建决策树的方法包含：

步骤2.1、树以代表训练样本的单节点开始；

步骤2.2、如果样本都在同一个类，则该结点成为树叶，并用该类标记；

步骤2.3、否则，算法选择最有分类能力的属性作为决策树的当前结点；

步骤2.4、根据当前决策结点属性取值的不同，将训练样本数据集划分为若干子集，每个取值形成一个分枝；

步骤2.5、针对上一步得到的一个子集，重复进行先前步骤，递归形成每个划分样本上的决策树，一旦一个属性出现在一个结点上，就不必在该结点的任何后代考虑它；

若递归划分步骤满足1-3任一条件时停止：

条件1、当给定结点的所有样本属于同一个类；

条件2、当没有剩余属性可以用来进一步划分样本，在这种情况下，使用多数表决将给定的结点转换成树叶，并以样本中元组个数最多的类别作为类别标记，同时存放该结点样本的类别分布；

条件3、当如果一个分枝没有样本，则以样本的多数类创建一个树叶。

4.如权利要求3所述的基于决策树算法的港口岸桥机械工作状态故障分类的方法，其特征在于，所述步骤3的分类方法是基于MapReduce的并行决策树ID3算法，并行计算训练数据中包含的每个属性的信息增益，选出最佳的分裂决策属性作为节点构造决策树，并根据所述决策树，对输入的数据记录进行分类；

S1、启动一个进程，计算训练数据中包含的每个属性的信息增益，选出最大值作为根节点的分裂属性，并计算决策规则以及传给第一层的前缀信息；

S2、判断是否产生了新的决策规则，若是，则将产生的新的决策规则保存到规则集中，同时删除当前训练数据中包含该规则的样本，产生新的数据集，之后执行步骤1.3；否则，直接执行步骤1.3；

S3、判断是否产生新的前缀信息，若是，则执行步骤1.4；否则执行步骤1.5；

S4、决策树层数加一，判断当前决策树的层数是否小于训练数据中包含的所有属性的总数，若是，则执行步骤1.5，否则执行步骤1.6；

S5、启动一个新的进程，计算在当前前缀信息下，当前训练数据中包含的每个属性的信息增益，选出最大值作为当前节点的分裂属性，并计算决策规则以及传给下一层的前缀信息，返回步骤1.2；

S6、结束训练，根据计算得到的决策规则构建决策树。

5.如权利要求4所述的基于决策树算法的港口岸桥机械工作状态故障分类的方法，其特征在于，通过matlab软件对数据集合进行决策树算法ID3运算处理，对于ID3算法的其中的D的熵表示为：

其中，pi表示第i个类别在整个训练元组中出现的概率，可以用属于此类别元素的数量除以训练元组元素总数量作为估计；

假设将训练元组D按属性A进行划分，则A对D划分的期望信息为：

而信息增益即为两者的差值：

gain(A)＝info(D)-info_A(D)。