[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

说明书

本发明公开了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，可应用于工业过程的故障预测与健康管理。本发明利用滑动窗口的方式挖掘工业设备运行参数动态关联规则，并将其引入工业过程异常工况预测中。本发明考虑关联规则的时间特性，利用滑动窗口限制数据长度，提出一种用于两两运行参数动态关联规则挖掘的关联规则挖掘算法，随后将关联规则挖掘结果引入小波神经网络预测中，以动态关联规则不断更新网络，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，涉及一种基于动态关联规则挖掘的工业过程异常工况预测方法。

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。传统的关联规则挖掘算法认为，对于某一对象系统所发现的关联规则是不变的即在分析该系统其他数据集时也是有效的。如此挖掘出来的关联规则并没有考虑到时间因素，由此得到的是一种静态的关联规则。而实际上，随着数据的更新，可能伴随着系统运行状态的变化，随之而来的是数据特性的变化，从而关联规则也可能发生变化。在工业设备运行过程中，运行状态并不是固定不变的。随着数据的更新或当设备运行状态发生变化，其运行参数的特性也会随之变化，从而运行参数的关联性也可能发生了变化。在此情况下，若一直使用从最初的数据集中挖掘得到的关联规则来指导后续决策显然是不合理的。

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动态关联的情况，提出一种基于运行参数动态关联规则的设备异常工况预测方法，利用动态关联规则更新小波神经网络并进行异常工况预测(故障预测)。

现将本发明的构思阐述如下：

本发明针对工业设备运行过程中运行参数之间的关联性可能随设备运行状态的变化而发生变化的问题，引入了动态关联规则挖掘。本发明利用滑动窗口的方式，对每一个窗口内的数据进行关联规则挖掘，从而随着窗口的滑动得到动态变化的关联规则。为得到参数关联性的完整变化情况，本发明所提方法在参数层面的关联规则挖掘时并没有设置最小支持度和置信度阈值，而是保存所有两两参数的关联规则，并以支持度和置信度描述其强度。随后，将动态关联规则挖掘结果引入小波神经网络的训练和更新中，通过由动态关联规则挖掘获得的关联参数进行异常工况预测。

根据以上发明构思，本发明提出了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，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。

基于上述方案，各步骤可具体采用如下实现方式：