[发明专利]一种工业数据关联规则挖掘及异常工况预测方法

说明书

本发明公开了一种工业数据关联规则挖掘及异常工况预测方法，可应用于工业过程的故障预测与健康管理。本发明把关联规则挖掘引入工业设备故障预测中，通过关联规则挖掘算法寻找运行参数间的关联性。针对工业数据特点，从设备运行参数的变化趋势入手，通过以运行参数变化趋势为最重要的指标生成事务集，并以此为基础进行参数与参数之间的关联规则挖掘，随后将关联规则挖掘结果引入工业设备异常工况预测中，以获得更为准确的预测结果。对于工程上的故障预测和健康管理有重大应用价值。

技术领域

本发明属于可靠性维护工程技术领域，涉及一种基于两阶段频繁项集产生策略的工业数据关联规则挖掘及异常工况预测方法。

背景技术

随着复杂系统的不断出现以及工业过程实时监测的需求不断增加，现代工业设备在运行过程中往往配备多个传感器对其运行状态进行监测。同时，设备运行过程中可能会出现多种故障模式，某一故障可能对应若干征兆，在此情况下，单传感器信息已无法完全体现设备运行状态，基于多传感器信息的故障预测应运而生。基于多传感器信息的故障预测旨在利用全面的传感器信息分析设备的运行状态，从而进行更可靠的设备诊断和预测。随着传感技术的持续发展，使用多个传感器进行设备的状态监测、故障诊断和预测已经成为发展趋势。

设备运行过程中其运行参数之间存在一定关联性，在故障预测领域，目前仍鲜有将关联规则挖掘与故障预测相结合的工作。而实际上，对于时间序列数据，设备故障或失效往往是通过参数或从参数中提取的相关特征进行体现，其预测往往便是对参数或相关特征的变化趋势进行预测。挖掘参数间的关联规则，可以获取更完备的参数即设备运行状态信息，为后续的预测提供一定的依据。

发明内容

针对现有技术的现状，本发明的目的是解决现有数据驱动的预测技术中鲜有考虑传感器数据存在关联规则的情况，提出一种基于运行参数关联规则的设备异常工况预测方法，构造更为适用的小波神经网络进行异常工况预测(故障预测)。

现将本发明的构思阐述如下：

本发明利用关联规则对工业过程运行参数的关联性进行刻画，研究了基于时序数据关联规则挖掘的异常工况预测问题。为了对于时间序列数据在序列层面上挖掘关联规则，本发明提出了一种包含两阶段频繁项集产生过程的时间序列数据关联规则挖掘算法。在第一阶段，提取时间序列的变化趋势信息作为关联规则挖掘的基本模式，发现时间序列变化形态的频繁项集；在第二阶段，以时间序列变化形态的频繁项集为基础，发现序列为基本模式的频繁项集，并对两两序列进行了关联规则挖掘。随后，利用挖掘所得的关联规则相关的系统变量进行异常工况预测，将关联规则引入小波神经网络中提高预测准确性。本发明提出的方法将运行参数关联规则纳入考虑，能够获得更准确的故障预测结果。

根据以上发明构思，本发明提出了一种基于两阶段频繁项集产生策略的工业数据关联规则挖掘及预测方法，具体步骤如下：

步骤1：对时间序列数据分段线性化表示和符号化，构造适用于关联规则挖掘的离散型数据集；

步骤2：采用两阶段的频繁项集挖掘算法生成数据集的频繁项集；

步骤3：根据频繁项集生成关联规则，提取满足最小支持度和最小置信度阈值的关联规则；

步骤4：将关联规则挖掘结果引入小波神经网络，并用于工业设备的异常工况预测。

基于上述方案，各步骤可具体采用如下实现方式：

作为优选，所述步骤1包含以下子步骤：

步骤1.1：记传感器测量时间序列为N为传感器数量，k时间序列长度；初始拟合起点为初始拟合终点为记拟合起点为拟合终点为拟合误差阈值为ω_E；

步骤1.2：对于每一按如下方法进行分段拟合：

1.2.1初始化分段点计数值count＝1；