[发明专利]一种基于动态关联规则挖掘的工业过程异常工况预测方法

权利要求书

1.一种基于动态关联规则挖掘的工业过程异常工况预测方法，其特征在于，具体步骤如下：

步骤1：基于滑动窗口对工业过程中传感器所采集的测量值时间序列进行数据预处理，对时间序列进行分段线性化表示、聚类、符号化，生成适用于关联规则挖掘的事务集；

步骤2：采用两阶段的频繁项集产生策略生成频繁项集，并挖掘两两参数的关联规则；

步骤3：利用初始数据集进行关联规则挖掘，基于初始关联规则挖掘结果，训练初始小波神经网络模型；

步骤4：基于数据更新进行数据窗口的滑动，对于新数据窗口进行关联规则更新和小波神经网络模型更新；

步骤5：基于更新的小波网络模型进行异常工况预测，并在预测到异常工况发生前不断更新关联规则和小波神经网络模型；

所述的步骤1具体通过如下子步骤实现：

步骤1.1：记传感器测量序列为N为传感器数量，K为序列长度,k＝1,2,...,K；记滑动窗口长度为L，每次滑动距离设为l，将滑动窗口记为W_k，窗口中包含的数据为

步骤1.2：对于每一数据窗口进行时间序列分段线性化表示、聚类、符号化处理，具体过程如下：

对每一个数据窗口W_k执行1.2.1～1.2.5过程：

1.2.1.设置初始拟合起点为终点为拟合误差阈值为ω_E；初始化分段点计数值count＝1；

1.2.2.依次对每个拟合起点执行步骤1.1)-步骤1.4)：

1.1)首先计算end＝start+h；

1.2)对于数据利用最小二乘法进行拟合，计算拟合误差ERR；

1.3)若拟合误差ERR不大于拟合误差阈值ω_E，则h＝h+1，重新跳转至步骤1)；

1.4)若拟合误差ERR大于拟合误差阈值ω_E，则保存分段点至Pⁱ；保存拟合线段采用三元组的方式表示该拟合线段并保存至k_i表示该线段的斜率，表示该线段在时间轴上的跨度，r_i表示该线段数据的增长率；重置拟合起点start＝start+h，重置h＝2；更新count＝count+1；

1.2.3.循环执行1.2.2直到end大于k+L-1结束，得到拟合后的线段化时间序列和分段点组成的分段点序列Pⁱ；

1.2.4.以W_k-1窗口的聚类中心为初始聚类中心，采用K-means聚类算法对三元组序列进行聚类，并为不同类的线段分配不同符号得到符号化序列其中聚类过程中采用基于欧氏距离的指标描述两条线段s_i和s_j之间的相似度：

其中，d_ij即表示线段s_i和s_j的相似度，d_ij越小，则表示两条线段有更相似的变化形态，ω_k和ω_r表示权重；

1.2.5.对于两个运行参数Vⁱ和V^j，分别得到符号化后的序列和合并两个运行参数的分段点序列Pⁱ和P^j，并按合并后的分段点对其符号化序列和进行分割重构，得到重构后的符号化序列和由其构成事务集，n_ij-1为Pⁱ和P^j合并后的分段点个数。