CN102809965A - 一种基于故障频繁模式的液压设备故障预警方法 - Google Patents

Abstract

本发明公开了一种基于故障频繁模式的液压设备故障预警方法，旨在提供一种方法能够降低预警的误报、漏报，提高故障诊断的准确率。其技术方案的要点是，对设备历史监测数据进行预处理，所述的预处理包括去除奇异值和归一处理；构建故障频繁模式挖掘模型（Fault requent Pattern Mining Model，简称FFPMM），并利用故障频繁模式挖掘模型对步骤一中处理好的历史监控数据进行挖掘，建立故障模式库；提取设备实时监控数据组，与步骤二中的故障模式库相匹配；若匹配不成功，返回重新监测设备数据；若匹配成功，则说明被测设备虽然处于非故障状态，但已经处于缺陷状态，完成步骤四；参照故障模式库给出潜在故障发生概率值，并发起报警预警。

Description

一种基于故障频繁模式的液压设备故障预警方法

技术领域

本发明涉及液压设备故障预警领域，特别涉及一种基于故障频繁模式的液压设备故障预警方法。

背景技术

液压系统作为工业中最主要的传动方式之一，被广泛应用于各种机械设备，扮演着极为重要的角色。现代液压设备多为结构复杂，精密度高的机、电、液一体化设备，设备具有机液耦合、时变性和非线性等特性，而且液压系统中各元件在密闭的油路中工作，管路内油液的流动状态和内部零件情况无法直接观察，因此液压设备的故障诊断比一般机械、电气设备的故障诊断更为困难；而且生产过程中某一关键液压设备因故障无法继续运行，往往会波及整个生产流程，造成巨大的经济损失，更严重的还会带来人员的伤亡；同时液压设备所处运行环境多较复杂，受粉尘、温度等随机性因素影响较大，因此很难用一种精确的数学模型描述所有液压设备的故障状况。随着现代工业及科学技术的迅速发展，液压设备日趋大型化、自动化和智能化，其设备结构越来越精密，各个部件之间关联性强，各种故障经常同时发生，故障现象十分复杂。另一方面，新型液压设备监控和收集数据的能力获得了极大的提高，企业面临着拥有海量信息数据却无法分析的现状。因此，如何通过有效的数据分析从而得到设备运行状态，更加准确的预测故障，避免停机带来的损失成为新的研究热点。

关联规则是数据挖掘中最重要的方法之一，主要是挖掘出数据之间的关联性。关联分析是为了挖掘出隐藏在数据间的相互关系，从一组给定的数据项以及交易集合中，分析数据项集在交易集合中出现的频度关系。著名的“啤酒和尿布”就是一个关联规则的例子，啤酒和尿布分别是一个数据项，通过关联分析，发现这两个数据项集之间存在着很高的频度关系。关联规则挖掘目前已在商业等领域有大量的成功应用，成为市场分析、交叉销售和客户关系管理（CRM）等应用的核心技术，同时随着应用需求的加深，关联规则挖掘已经成为数据挖掘领域中主要研究内容之一。关联规则挖掘已被广泛用于购物篮分析、聚类、分类和其他数据挖掘任务。

关联规则挖掘中最常用的是由Agrawal等于1994年提出的Apriori，其核心思想是利用频繁项集性质的先验知识通过逐层搜索的迭代方法，即将k-项集用于探索（k+1）-项集，来穷尽数据集的所有频繁项集。

Apriori中最重要的两个指标为规则

的支持度和置信度。

规则

在交易数据库D中的支持度（support）是交易中包含X和Y的交易数与所有交易数之比，记为

即

$\mathrm{support}(X\⇒Y)=\mathrm{support}(X\∪Y=)=\left|\right\{T:X\∪Y\⊆T,T\∈D\left\}\right|/\left|D\right|.$

规则

在交易数据库中的可信度（confidence）是指包含X和Y的交易数与包含X的交易数之比，记为

即

$\mathrm{confidence}(X\⇒Y)=\mathrm{support}(X\∪Y)/\mathrm{support}\left(X\right)=\left|\right\{T:X\∪Y\⊆T,T\∈D\left\}\right|/\left|\right\{T:X\⊆T,T\∈D\left\}\right|$

根据Apriori的重要性质：频繁项集的所有非空子集都必须也是频繁的，Apriori主要分为两步，即链接步和剪枝步。

链接步：为发现L_k+1，需要将L_k中两个项集链接以获得一个L_k+1的候选集合C_k+1。设l₁和l₂是L_k中的两个项集，用记号l_i[j]表示l_i中的第j个项目；为描述方便，一般假设交易数据库中各交易记录中的各项均已按字典排序。用符号∧表示链接操作。若l₁和l₂中的前k-1项是相同的，即(l_1[1]＝l_2[1])∧…(l_1[k-2]＝l_2[k-2])∧(l_1[k-1]=l_2[k-1])，则L_k中l₁和l₂的内容就可以链接到一起。条件(l_1[k]<l_2[k])可以确保不产生重复的项集。则l₁和l₂链接的结果为{l_1[1]l_1[2]…l_1[k-1]l_1[k]l_2[k]}。

剪枝步：候选k-项目集C_k是频繁k-项目集L_k的超集；即其中的各元素不一定都是频繁项目集，但所有的频繁k-项目集都包含在其中

扫描数据库，可以确定C_k中每个候选项目集的支持频度，从而确定L_k中各元素频繁k-项目集，即所有频度不小于最小支持度。

具体Apriori算法描述如下：

输入：事务数据库D，最小支持度minsup

输出：D中的频繁项集L

其中函数Apriori generate利用L_k-1项集和最小支持度minsup生成候选k-项集L_k，具体描述如下：

其中函数has_infrequent_subset(C,L_k-1)实现剪枝步，具体描述如下：

由于设备监控数据与设备故障类型有着密切的关联，因此利用关联规则挖掘方法对设备监控数据进行分析可以得到有效的信息，辅助技术人员进行判断和决策，同时计算量可以预测。但是，由于液压设备监控数据、以及故障诊断与预警应用背景的特殊性，利用经典Apriori类算法对设备历史数据进行挖掘不但会漏掉有意义的潜在规则，产生漏报；而且会产生大量的无效规则，产生误报。比如，由于经典Apriori是寻找所有项中的最大频繁项集，因此并不能找到所有故障类型的潜在规则，会产生误报，同时经典Apriori还会产生一系列仅由监测状态值组成的规则信息，这些规则并不能推导出任何潜在故障的相关信息，从而导致无效规则的误报。综上所述，利用经典Apriori类算法对钢厂液压设备监测数据进行关联分析不但会因数据量巨大造成挖掘时间过长，而且会产生误报、漏报，容易使技术人员产生数据迷失。

液压设备故障诊断与预警的过程中具有如下特殊的性质：

性质1：事务长度一致，且由前项+后项组成。

由于监测点数量相对固定，监测指标组的长度是固定的，设前项为离散后的监测指标，记为Z；后项为潜在故障类型值，记为R；事务项由前项+后项组成，记为X，即X={Z,R}。

性质2：前项与后项之间不但具有关联性，而且具有因果性。

根据性质1，钢厂的液压设备监测数据库中前项为各个监测点的监测值，后项为故障类型值，即由前项的监测指标组可以推断后项的故障类型值，即

定义1：如果两个事件A与B不可能同时发生，则称事件A与B为互不相容（互斥），记作A∩B=φ。

定义2：设Ω为样本空间，A₁,A₂,…,A_n为Ω的一组事件，若满足

1、A_i∩A_j=φ，i≠j,i,j=1,2,…,n

$2,\underset{i=1}{\overset{n}{\&cup;}}{A}_i=\mathrm{\&Omega;}$

则称A₁,A₂,…,A_n为样本空间Ω的一个划分。

若A₁,A₂,…,A_n是Ω的一个划分，那么，对每次实验，事件A₁,A₂,…,A_n中必有一个且仅有一个发生。

性质3：已知同一监测点的不同属性值不可能同时出现，即监测点A分为A₁,A₂两个区域，则定义A₁∪A₂＝φ。不同监测点的任意属性值之间可以连接，即监测点A,B之间的连接为A_i∪B_j＝A_iB_j。

证明：根据定义1和定义2，将监测指标A看做一个样本空间，对该样本空间做一个划分A₁,A₂，…,A_n，那么每次该监测指标的监测数据必然且只落在A₁,A₂，…,A_n中其中的一个，因此得证。简单讲即在设备故障诊断中采样点的数量是固定的，每个采样点的监测值都是一个连续的实数，由专家和工程师共同确定阈值，将各个采样点的实数离散化。因此，每个事务都含有所有监测指标，且同一监测指标所属区域是唯一的。

性质4：潜在故障类型发生的概率值等于该项支持度除以前项支持度。

若监测指标值为AB时，出现潜在故障类型为G的概率值即

的置信度，也就等于ABG支持度与AB支持度的比值。

$\mathrm{Confidence}(\mathrm{AB}\&DoubleRightArrow;G)=P(G/\mathrm{AB})=\frac{\mathrm{Support}\left(\mathrm{ABG}\right)}{\mathrm{Support}\left(\mathrm{AB}\right)}$

发明内容

本发明在研究液压设备故障诊断与预警的特有信息的基础上，提出一种基于故障频繁模式的液压设备故障预警方法，针对液压设备的特殊性和监测数据的自有性，进一步提出故障频繁模式对液压设备监控数据进行挖掘分析，形成可信的故障模式库，经试验证明，该方法降低预警的误报、漏报，提高故障诊断的准确率，该发明在实际中有很强的应用价值。

基于故障频繁模式的液压设备故障预警方法包括如下步骤：

步骤一、对设备历史监测数据进行预处理，所述的预处理包括去除奇异值和归一处理；

步骤二、构建故障频繁模式挖掘模型（Fault Frequent Pattern MiningModel，简称FFPMM），并利用故障频繁模式挖掘模型对步骤一中处理好的历史监控数据进行挖掘，建立故障模式库；

步骤三、提取设备实时监控数据组，与步骤二中的故障模式库相匹配；若匹配不成功，返回重新监测设备数据；若匹配成功，则说明被测设备虽然处于非故障状态，但已经处于缺陷状态，完成步骤四；

步骤四、参照故障模式库给出潜在故障发生概率值，并发起报警预警。

在步骤二中所述的建立故障频繁模式挖掘模型包括如下步骤：

设备监控指标X＝(Z,R)，其中Z为{A,B,C,…}，A、B、C表示不同的监测指标，R为潜在故障类型，从而得到数据集D，其中X是随机向量，

步骤2.1：化简数据集，构造初始数据库D₀；

扫描数据集，计算

即潜在故障R_i的支持度；通过计算max{Sup(R_i),minsup}，删去数据集中max{Sup(R_i),min sup}=0的事务项，得到初始数据库D₀；

其中，函数 $\max \{\mathrm{Sup}\left(R_i\right),\min \sup \}=\left\{\begin{array}{cc}\mathrm{Sup}\left(R_i\right)& \mathrm{Sup}\left(R_i\right)\&GreaterEqual;\min \sup \\ 0& \mathrm{Sup}\left(R_i\right)<\min \sup \end{array}\right.$

步骤2.2：对初始数据库D₀进行划分，每个模块D_i里含有唯一的潜在故障类型R_i；

扫描初始数据库，按照潜在故障类型R_i将监控指标分类，构成分块数据库D_i。由于D_i∩D_j＝φ(i≠j)且

故D₁,D₂,…,D_n为D₀的一个划分；分组后不再考虑不同故障类型记录之间的关联关系，且挖掘时R_i不再列入挖掘项，从而减少重复挖掘时间；

步骤2.3：分别在分组数据库D_i中进行关联规则的挖掘，具体步骤如下：

①求频繁1-项集L₁：

已知监测点X∈D_i，计算模块D_i的最小支持数为min_count(X)=minsup×|D_i|；扫描分块数据库D_i，计算D_i中每个监测点的支持数count(X)，找出那些max{count(X),min_count(X)}≠0的监测点构成频繁1项集L₁；

其中 $\max \{\mathrm{count}\left(X\right),\min \_\mathrm{count}\left(X\right)\}=\left\{\begin{array}{cc}\mathrm{count}\left(X\right)& \mathrm{count}\left(X\right)\&GreaterEqual;\min \_\mathrm{count}\left(X\right)\\ 0& \mathrm{count}\left(X\right)<\min \_\mathrm{count}\left(X\right)\end{array}\right.$

②求候选k-项集C_k(k≥2)：

由频繁(k-1)项集链接生成候选k-项集C_k(k≥2)。设l_i,l_j是L_k-1中的两个项集，连接的规则是：当项集l_i,l_j中前(k-2)项相同，第(k-1)项不同时：

●若l_i,l_j的第(k-1)项分别为同一监测点的不同属性值时，则l₁∪l₂=φ，即两项集不能连接；

●若l_i,l_j的第(k-1)项的监测点不同时，则两项集进行连接，为l₁∪l₂；

③求频繁k-项集L_k：

计算分组数据库D_i中候选k-项集C_k中每个项集的支持数count(X)，删去C_k中max{count(X),min_count(X)}=0的项集，得到频繁k-项集L_k；

④若频繁k-项集L_k不为空，则转至②，否则结束；

⑤计算各个潜在故障类型的发生概率值；

步骤2.4：依次提取分块数据库D₁,D₂,…,D_n中的最大频繁项集，并生成故障模式库。

本发明与现有技术相比具有以下有益效果：

1、本发明将历史数据按照典型故障类型进行分组分别挖掘，可以产生每个典型故障类型的最大频繁项集，减少漏报，提高了故障预警的准确性；

2、本发明仅挖掘带有故障信息的规则，避免了经典Apriori带来的无效规则，减少了故障预警的误报率；

3、本发明约束了同一监测点的不同区域值必须且只能出现一次，且链接的条件是后项相同且前项监测点不冲突的（k-1）项集，因此使得链接次数大大减少，显著降低了计算复杂度。

附图说明

图1是本发明的流程图；

图2是构建故障频繁模式挖掘模型的流程图；

图3是分组数据库Di上挖掘最大频繁项集流程图；

图4在数据库S₁、S₂、S₃上误报率和漏报率对比图；

图5在数据库S₁、S₂、S₃上预警准确率对比图。

具体实施方式

下面结合实施例对本发明做进一步的详细说明。一种基于故障频繁模式的液压设备故障预警方法，它包括以下步骤：

步骤一、对设备历史监测数据进行预处理，所述的预处理包括去除奇异值和归一处理；

●从历史数据库中获取温度、压力、震动、转速等项的数据，清洗去除异常数据；为了防止具有较大值的属性相对于较小值的属性权重过大，将数据进行归一化处理；再将上述归一化处理的数据按比例缩放，使其落在[0，1]上；

●由于所需数据表为布尔形式，而监控数据是连续变化的实数，因此将上一步得到的连续性历史数据进行离散化，得到各类数据所属聚类范围的概化结果，从而得到概化后的设备监控数据集。具体如表1所示，数据集A包括液压设备4个监测指标A、B、C、D，和潜在故障类型值R；其中A表示监测点1的温度值，B表示监测点2的温度值，C表示监测点1的振动值，D表示监测点2的振动值，R表示潜在故障类型值。监测点A由专家和工程师确定阈值，分为A₁、A₂两个区域，A点监测数据必定且仅能属于A₁或A₂区域之一；

表1 某液压系统故障数据库

事务数（TID）	状态组	事务数（TID）	状态组
				1	A1 B1 C1 D2 R1	5	A2 B1 C2 D2 R3
2	A1 B2 C2 D3 R2	6	A1 B1 C1 D3 R3
				3	A2 B1 C1 D1 R3	7	A2 B2 C2 D3 R1
4	A1 B1 C2 D3 R1	8	A2 B2 C2 D2 R3

步骤二、构建故障频繁模式挖掘模型（Fault Frequent Pattern MiningModel，简称FFPMM），并利用故障频繁模式挖掘模型对步骤一中处理好的历史监控数据进行挖掘，建立故障模式库；

假设最小支持度为40％，即最小支持数为2，本发明挖掘过程如下：

（1）化简数据集，构造初始数据库；

扫描数据库，求每个故障类型R（R₁，R₂，R₃……）的支持数如表2所示：

表2 故障类型R_i支持数

故障类型R₂支持度小于最小支持度2，则删除含有R₂的事务项，构造初始数据库，如表3所示；

表3 初始数据库

事务数(TID)	状态组	事务数(TID)	状态组
				1	A1 B1 C1 D2 R1	5	A1 B1 C1 D3 R3
2	A2 B1 C1 D1 R3	6	A2 B2 C2 D3 R1
				3	A1 B1 C2 D3 R1	7	A2 B2 C2 D2 R3
4	A2 B1 C2 D2 R3

（2）扫描初始数据库，对样本按照故障类型R₁、R₃分组，构造分组数据库D₁D₃，如表4、5所示；

表4 分组数据库D₁

事务数（TID）	状态组	事务数（TID）	状态组
				1	A1 B1 C1 D2	3	A2 B2 C2 D3
2	A1 B1 C2 D3

表5 分组数据库D₃

事务数（TID）	状态组	事务数（TID）	状态组
				1	A2 B1 C1 D1	3	A2 B2 C2 D3
2	A2 B1 C2 D2	4	A2 B2 C2 D2

分别对数据库D₁，数据库D₃进行挖掘，挖掘结果为

和 $A_2{C}_2{D}_2\&DoubleRightArrow;R_3;$

可知当出现A₁B₁监测信息时，发生潜在故障类型R₁的概率为：

$P(R_1/A_1{B}_1)=\mathrm{Confidence}(A_1{B}_1\&DoubleRightArrow;R_1)=\frac{\mathrm{Support}\left(A_1{B}_1{R}_1\right)}{\mathrm{Support}\left(A_1{B}_1\right)}=\frac{2}{3}=66.6\%$

同理，当出现C₂D₃监测信息时，潜在故障R₁的发生概率为：

$P(R_1/C_2{D}_3)=\mathrm{Confidence}(C_2{D}_3\&DoubleRightArrow;R_1)=\frac{\mathrm{Support}\left(C_2{D}_3{R}_1\right)}{\mathrm{Support}\left(C_2{D}_3\right)}=\frac{2}{3}=66\%$

当出现A₂C₂D₂监测信息时，发生潜在故障类型R₃的概率为：

$P(R_3/A_2{C}_2{D}_2)=\mathrm{Confidence}(A_2{C}_2{D}_2\&DoubleRightArrow;R_3)=\frac{\mathrm{Support}\left(A_2{C}_2{D}_2{R}_3\right)}{\mathrm{Support}\left(A_2{C}_2{D}_2\right)}=\frac{2}{2}=100\%$

步骤三、提取设备实时监控数据组，与步骤二中的故障模式库相匹配；若匹配不成功，返回重新监测设备数据；若匹配成功，则说明被测设备虽然处于非故障状态，但已经处于缺陷状态，完成步骤四；

步骤四、参照故障模式库给出潜在故障发生概率值，并发起报警预警；

为了对比本发明方法与传统经典方法的挖掘结果，第二步骤按照经典Apriori对上述数据进行挖掘，得到结果为

由此可见，经典Apriori是寻找设备历史数据的最大频繁项集，在挖掘过程中仅仅产生规则，对满足最小支持度的和规则并没有挖掘出来，故在实际的设备故障诊断中会出现漏报现象。同时，利用经典Apriori对设备监测数据进行挖掘还易产生形如ABCD（仅有故障监测指标，无故障信息）的规则，由于不含有任何故障信息，对于故障诊断的实际应用为无效规则，故易产生误报现象。

此外，经典Apriori中的生产候选项集成指数增长，其中包含大量无效挖掘数据，而本发明方法中约束了同一监测点的不同区域值必须且只能出现一次，即链接的条件中增加了只能链接后项相同且前项监测点不冲突的（k-1）项集的约束，因此使得链接次数大大减少，显著降低了计算复杂度。

实施例：

为了进一步验证基于故障频繁模式的液压设备故障预警方法有效性，对国内某大型钢厂液压机组监测数据进行挖掘。首先进行数据预处理，包括数据清洗、空值数据填充等；由专家和工程师共同确定每个指标的阈值，将连续的实数转换为离散值；建立故障挖掘库D和三个测试库S₁、S₂、S₃，具有如下特征：

1、故障挖掘库D包含300条故障信息，共含有19个故障类型；

2、测试库S₁含有150条监控数据，其中包含正常运行数据120条和故障数据30条；

3、测试库S₂含有300条监控数据，其中包含正常运行数据220条和故障数据80条；

4、测试库S₃含有500条监控数据，其中包含正常运行数据350条和故障数据150条；

实验一：挖掘故障数据库产生故障规则

在挖掘数据库D上分别用经典Apriori和FFPMM进行挖掘，实验结果如表6所示；

表6 数据库D挖掘结果

记录条目数

故障类型

产生规则数

		Apriori	FFPMM
				300	19	20	17

对数据库D进行挖掘，经典Apriori产生了20个规则，而FFPMM产生了17个规则。

实验二：测试数据库S₁匹配分析

利用挖掘数据库D产生的故障模式对测试数据库S₁中数据进行匹配，结果如表7所示，经典Apriori产生32次预警，FFPMM产生31次预警，其中经典Apriori产生4次误报和2次漏报，而FFPMM产生2次误报、2次漏报。

表7 数据库S₁测试结果

实验三：测试数据库S₂匹配分析

利用挖掘数据库D产生的故障模式对测试数据库S₂中数据进行匹配，结果如表8所示，经典Apriori产生86次预警，FFPMM产生84次预警，其中经典Apriori产生12次误报和6次漏报，而FFPMM产生8次误报、4次漏报。

表8 数据库S₂测试结果

实验四：测试数据库S₃匹配分析

利用挖掘数据库D产生的故障模式对测试数据库S₃中数据进行匹配，结果如表9所示，经典Apriori、FFPMM均产生156次预警，其中经典Apriori产生21次误报和15次漏报，而FFPMM产生12次误报、6次漏报。

表9 数据库S₃测试结果

为了进一步分析三种算法随故障数增加，其误报率、漏报率、预警准确率的变化，记实际发生故障总数为T，误报数为FA，漏报数为FN。

定义1：误报率是算法在规定的条件下发生的误报次数与实际发生的故障总次数的比值，以百分数表示，设算法误报率为R_FA。即

定义2：漏报率是算法对设备故障事前没有作出预报的次数与实际发生的故障总次数的比值，以百分数表示，记算法漏报率为R_FN，即

定义3：准确率是误报数、漏报数之和与实际发生的故障总数次数的比值，以百分数表示，记算法准确率为R_A，即

三种算法随故障数增加，其误报率、漏报率、预警准确率的变化如图4所示。从图4明显可以看出，在S₁、S₂、S₃测试库中Apriori的误报数和漏报数均大于FFPMM。图5展示了Apriori和FFPMM在S₁、S₂、S₃三个测试集上随着故障数的增加算法准确率的变化情况。由此可见随着故障记录数的增加，经典Apriori的准确率明显降低，而FFPMM的准确率随着故障数的增加变化不大，因此FFPMM有效降低了设备故障预警的误报率和漏报率，提高了故障诊断的准确率。

综上所述，经典Apriori会产生大量的误报和漏报，不仅浪费了挖掘时间，更重要的是会使技术人员产生数据迷失。故障频繁模式挖掘算法FFPMM从设备监控数据特点出发，考虑了故障的关联性和因果性、按照故障类型分组，以特定的链接条件生成候选项集，大大减少了无效挖掘，降低了预警的误报率、漏报率。在实际的应用中发现，FFPMM在监控数据有部分错误或缺失时对基于规则推理的故障诊断影响很小，适用于液压设备的故障诊断。

Claims (3)

1.一种基于故障频繁模式的液压设备故障预警方法，其特征在于：它包括如下步骤：

步骤一、对设备历史监测数据进行预处理，所述的预处理包括去除奇异值和归一处理；

步骤二、构建故障频繁模式挖掘模型（Fault Frequent Pattern MiningModel，简称FFPMM），并利用故障频繁模式挖掘模型对步骤一中处理好的历史监控数据进行挖掘，建立故障模式库；

步骤三、提取设备实时监控数据组，与步骤二中的故障模式库相匹配；若匹配不成功，返回重新监测设备数据；若匹配成功，则说明被测设备虽然处于非故障状态，但已经处于缺陷状态，完成步骤四；

步骤四、参照故障模式库给出潜在故障发生概率值，并发起报警预警。

2.根据权利要求1所述的一种基于故障频繁模式的液压设备故障预警方法，其特征在于：步骤二中所述的建立故障频繁模式挖掘模型包括如下步骤：

设备监控指标X=(Z,R)，其中Z为{A,B,C,…}，A、B、C表示不同的监测指标，R为潜在故障类型，从而得到数据集D，其中X是随机向量，

步骤1：化简数据集，构造初始数据库D₀；

扫描数据集，计算即潜在故障R_i的支持度；通过计算max{Sup(R_i),min sup}，删去数据集中max{Sup(R_i),min sup}=0的事务项，得到初始数据库D₀；

其中，函数 $\max \{\mathrm{Sup}\left(R_i\right),\min \sup \}=\left\{\begin{array}{cc}\mathrm{Sup}\left(R_i\right)& \mathrm{Sup}\left(R_i\right)\&GreaterEqual;\min \sup \\ 0& \mathrm{Sup}\left(R_i\right)<\min \sup \end{array}\right.$

步骤2：对初始数据库D₀进行划分，每个模块D_i里含有唯一的潜在故障类型R_i；

扫描初始数据库，按照潜在故障类型R_i将监控指标分类，构成分块数据库D_i；由于D_i∩D_j＝φ(i≠j)且

故D₁,D₂,…,D_n为D₀的一个划分；分组后不再考虑不同故障类型记录之间的关联关系，且挖掘时R_i不再列入挖掘项，从而减少重复挖掘时间；

步骤3：分别在分组数据库D_i中进行关联规则的挖掘；

步骤4：依次提取分块数据库D₁,D₂,…,D_n中的最大频繁项集，并生成故障模式库。具体步骤如下。

3.根据权利要求2所述的一种基于故障频繁模式的液压设备故障预警方法，其特征在于：所述的在分组数据库D_i中进行关联规则的挖掘，其具体步骤如下：

①求频繁1-项集L₁：

已知监测点X∈D_i，计算模块D_i的最小支持数为min_count(X)＝min sup×|D_i|。扫描分块数据库D_i，计算D_i中每个监测点的支持数count(X)，找出那些max{count(X),min_count(X)}≠0的监测点构成频繁1项集L₁；

其中 $\max \{\mathrm{count}\left(X\right),\min \_\mathrm{count}\left(X\right)\}=\left\{\begin{array}{cc}\mathrm{count}\left(X\right)& \mathrm{count}\left(X\right)\&GreaterEqual;\min \_\mathrm{count}\left(X\right)\\ 0& \mathrm{count}\left(X\right)<\min \_\mathrm{count}\left(X\right)\end{array}\right.$

②求候选k-项集C_k(k≥2)：

由频繁(k-1)项集链接生成候选k-项集C_k(k≥2)；设l_i,l_j是L_k-1中的两个项集，连接的规则是：当项集l_i,l_j中前(k-2)项相同，第(k-1)项不同时：

●若l_i,l_j的第(k-1)项分别为同一监测点的不同属性值时，则l₁∪l₂=φ，即两项集不能连接；

●若l_i,l_j的第(k-1)项的监测点不同时，则两项集进行连接，为l₁∪l₂；

③求频繁k-项集L_k：

计算分组数据库D_i中候选k-项集C_k中每个项集的支持数count(X)，删去C_k中max{count(X),min_count(X)}=0的项集，得到频繁k-项集L_k。

④若频繁k-项集L_k不为空，则转至②，否则结束；

⑤计算各个潜在故障类型的发生概率值。

Images