[发明专利]一种基于生物启发频繁项集挖掘的工业设备状态监测方法

说明书

本发明公开了一种基于生物启发频繁项集挖掘的工业设备状态监测方法，包括数据采集及预处理，初始化包括定义种群规模，生成当前种群，并进行编码，从当前种群中选择两个个体作为父辈个体，进行交叉操作，生成下一代子辈个体，若当前种群中存在非频繁项集，进行变异操作，直到当前种群中所有非频繁项集转变成频繁项集为止，从当前种群中选出适应度最好的频繁项集为下一轮交叉、变异操作构建初始种群并得到频繁项集，判断当前种群是否为空，生成所有频繁项集，生成强关联规则，判断设备是否故障并预警。本发明的优点在于能够提高候选频繁项集的质量，加快频繁项集的挖掘速度，提高关联规则分析的效率，提高设备故障预测及预警实时性。

技术领域

本发明涉及计算机数据挖掘及信息处理技术领域，特别涉及一种基于生物启发频繁项集挖掘的工业设备状态监测方法。

背景技术

工业设备的状态监测及故障预警是智能制造领域的研究热点之一，频繁项集挖掘作为关联规则分析的核心步骤，在数据挖掘领域受到广泛关注。频繁项集挖掘可以发现事务数据集中频繁出现的，具有高度关联性的项目集。目前，研究人员已经提出了众多频繁项集挖掘算法，其中大多为精确频繁项集挖掘算法。精确频繁项集挖掘算法可以发现数据集中的所有频繁项目集，但是时间效率普遍较低，难以满足实时性要求较高的工业设备状态监测的应用需求。

近年来，人们提出了基于生物启发的频繁项集挖掘算法，比如基于遗传算法或者基于群体智能算法的频繁项集挖掘算法等。基于生物启发的频繁项集挖掘算法通常可以在规定的时限内完成，但是通常它们不能找出数据集中包含的所有频繁项集。基于生物启发的频繁项集挖掘算法所得到的结果的好坏主要取决于算法随机搜索项集空间所采用的搜索方式。然而，当前的生物启发算法并没有将现有的精确频繁项集挖掘算法所具有的优势融合进来，比如说Apriori算法的向下闭包特性。因此，如何使基于生物启发的频繁项集挖掘算法在规定的时限内挖掘出尽可能接近精确算法所挖掘出的频繁项集是一个巨大的、持续性的挑战。

发明内容

本发明针对制造企业存在的工业设备故障引发的工业设备维修难、周期长、经济损失大及威胁工作人员生命安全等痛点问题，提供了一种基于生物启发频繁项集挖掘的工业设备状态监测方法。

本发明的上述技术目的是通过以下技术方案得以实现的：

一种基于生物启发频繁项集挖掘的工业设备状态监测方法，其特征在于，包括如下步骤：

步骤1、通过安装在制造设备上的各种类型传感器采集设备的状态数据，并且进行预处理，构建设备状态数据集D；

步骤2、设置频繁项集集合FIM为空集，扫描设备状态数据集D，生成频繁1项集FIM₁；

步骤3、设置种群规模PSize大小为K，并在频繁1项集集合FIM₁中选择期望支持度最大的K个频繁项集构成当前种群，并对当前种群中的个体进行编码；

步骤4、从当前种群中选择两个频繁k-1项集个体作为父辈个体，构成一个二元组，该二元组进行交叉操作，从而生成下一代子辈个体即候选频繁k项集；

步骤5、交叉操作后若当前种群中存在非频繁项集，则需要将非频繁项集进行变异操作，直到当前种群中所有非频繁项集转变成频繁项集为止；

步骤6、从经过交叉、变异操作的当前种群中选出适应度最好的λ×PSize个频繁项集，作为下一轮交叉、变异操作的新初始种群，并生成频繁k项集，选择操作中，适应度即为频繁项集的期望支持度，λ的取值可根据数据集的特点进行设置，范围为（0,1）；

步骤7、若新初始种群不为空，重新执行步骤4-6，否则执行步骤8；

步骤8、生成频繁项集集合FIM=FIM₁∪FIM₂∪...∪FIM_k，并产生强关联规则，判断是否存在设备故障隐患，当存在设备故障隐患时及时预警。