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

## Info

Publication number
CN102809965A
CN102809965A CN2012102662572A CN201210266257A CN102809965A CN 102809965 A CN102809965 A CN 102809965A CN 2012102662572 A CN2012102662572 A CN 2012102662572A CN 201210266257 A CN201210266257 A CN 201210266257A CN 102809965 A CN102809965 A CN 102809965A
Authority
CN
China
Prior art keywords
fault
frequent
count
data
sup
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN2012102662572A
Other languages
English (en)
Inventor

Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yanshan University
Original Assignee
Yanshan University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Yanshan University filed Critical Yanshan University
Priority to CN2012102662572A priority Critical patent/CN102809965A/zh
Publication of CN102809965A publication Critical patent/CN102809965A/zh
Pending legal-status Critical Current

## Description

Apriori中最重要的两个指标为规则

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

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

1、Ai∩Aj=φ，i≠j,i,j=1,2,…,n
$2,\underset{i=1}{\overset{n}{∪}}{A}_{i}=\mathrm{Ω}$

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

①求频繁1-项集L1

②求候选k-项集Ck(k≥2)：

●若li,lj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li,lj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Lk

④若频繁k-项集Lk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；

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。

●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；

 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

（1）化简数据集，构造初始数据库；

 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；

 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

 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

${A}_{2}{C}_{2}{D}_{2}⇒{R}_{3};$

$P\left({R}_{1}/{A}_{1}{B}_{1}\right)=\mathrm{Confidence}\left({A}_{1}{B}_{1}⇒{R}_{1}\right)=\frac{\mathrm{Support}\left({A}_{1}{B}_{1}{R}_{1}\right)}{\mathrm{Support}\left({A}_{1}{B}_{1}\right)}=\frac{2}{3}=66.6%$

$P\left({R}_{1}/{C}_{2}{D}_{3}\right)=\mathrm{Confidence}\left({C}_{2}{D}_{3}⇒{R}_{1}\right)=\frac{\mathrm{Support}\left({C}_{2}{D}_{3}{R}_{1}\right)}{\mathrm{Support}\left({C}_{2}{D}_{3}\right)}=\frac{2}{3}=66%$

$P\left({R}_{3}/{A}_{2}{C}_{2}{D}_{2}\right)=\mathrm{Confidence}\left({A}_{2}{C}_{2}{D}_{2}⇒{R}_{3}\right)=\frac{\mathrm{Support}\left({A}_{2}{C}_{2}{D}_{2}{R}_{3}\right)}{\mathrm{Support}\left({A}_{2}{C}_{2}{D}_{2}\right)}=\frac{2}{2}=100%$

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；

 记录条目数 故障类型 产生规则数
 Apriori FFPMM 300 19 20 17

## 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：

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：

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Di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

②求候选k-项集Ck(k≥2)：

●若li,lj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li,lj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Lk

④若频繁k-项集Lk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。
CN2012102662572A 2012-07-30 2012-07-30 一种基于故障频繁模式的液压设备故障预警方法 Pending CN102809965A (zh)

## Priority Applications (1)

Application Number Priority Date Filing Date Title
CN2012102662572A CN102809965A (zh) 2012-07-30 2012-07-30 一种基于故障频繁模式的液压设备故障预警方法

## Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN2012102662572A CN102809965A (zh) 2012-07-30 2012-07-30 一种基于故障频繁模式的液压设备故障预警方法

## Publications (1)

Publication Number Publication Date
CN102809965A true CN102809965A (zh) 2012-12-05

# Family

## Family Applications (1)

Application Number Title Priority Date Filing Date
CN2012102662572A Pending CN102809965A (zh) 2012-07-30 2012-07-30 一种基于故障频繁模式的液压设备故障预警方法

## Country Status (1)

CN (1) CN102809965A (zh)

## Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103414581A (zh) * 2013-07-24 2013-11-27 佳都新太科技股份有限公司 一种基于数据挖掘的设备故障报警预测处理机制
CN104346246A (zh) * 2013-08-05 2015-02-11 华为技术有限公司 故障预测方法和装置
CN104361500A (zh) * 2014-11-25 2015-02-18 珠海格力电器股份有限公司 一种空调售后故障数据的处理方法及系统
CN104460651A (zh) * 2014-10-24 2015-03-25 北京交控科技有限公司 一种基于自主学习的zc双系宕机故障预警方法与装置
CN105608519A (zh) * 2015-11-09 2016-05-25 国家电网公司 一种电网通信设备运行状态的预测算法
CN105743595A (zh) * 2016-04-08 2016-07-06 国家新闻出版广电总局无线电台管理局 中短波发射机故障预警方法及装置
CN105868551A (zh) * 2016-03-28 2016-08-17 北京交通大学 一种故障关联规则构建方法
CN106599436A (zh) * 2016-12-08 2017-04-26 湖南大学 办公建筑用户在室行为预测方法
CN106768000A (zh) * 2017-01-06 2017-05-31 科诺伟业风能设备（北京）有限公司 一种风力发电机组变流器水冷系统压力异常检测方法
CN107133142A (zh) * 2017-04-18 2017-09-05 浙江大学 一种基于关联分析的监控数据智能采样方法
CN107728602A (zh) * 2017-09-28 2018-02-23 合肥工业大学 一种液压成形装备故障的个性化服务方法
CN107844540A (zh) * 2017-10-25 2018-03-27 电子科技大学 一种用于电力数据的时间序列挖掘方法
CN108363364A (zh) * 2017-12-29 2018-08-03 武汉武钢众鹏信息系统有限公司 一种基于工业大数据驱动的报警方法
CN108446184A (zh) * 2018-02-23 2018-08-24 北京天元创新科技有限公司 分析故障根原因的方法和系统
CN109240244A (zh) * 2018-10-26 2019-01-18 云达世纪（北京）科技有限公司 基于数据驱动的设备运行状态健康度分析方法及系统
CN110442640A (zh) * 2019-08-05 2019-11-12 西南交通大学 基于先验权重和多层tfp算法的地铁故障关联推荐方法
CN110611531A (zh) * 2019-09-02 2019-12-24 锐捷网络股份有限公司 一种光模块故障诊断和预警的方法、装置以及系统
CN110781220A (zh) * 2019-09-20 2020-02-11 江苏欣皓测试技术有限公司 故障预警方法、装置、存储介质和电子设备
CN111624931A (zh) * 2020-06-18 2020-09-04 山东山大世纪科技有限公司 工业园区用电互联网智能运维管控系统及其方法
CN112488181A (zh) * 2020-11-26 2021-03-12 哈尔滨工程大学 一种基于MIDS-Tree的服务故障高响应匹配方法

## Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101859128A (zh) * 2010-07-05 2010-10-13 北京信息科技大学 一种基于知识的车铣复合机床故障预测专家系统
CN101950382A (zh) * 2010-09-01 2011-01-19 燕山大学 一种带有风险控制的液压设备最优维修决策方法

## Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101859128A (zh) * 2010-07-05 2010-10-13 北京信息科技大学 一种基于知识的车铣复合机床故障预测专家系统
CN101950382A (zh) * 2010-09-01 2011-01-19 燕山大学 一种带有风险控制的液压设备最优维修决策方法

## Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title

## Cited By (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103414581A (zh) * 2013-07-24 2013-11-27 佳都新太科技股份有限公司 一种基于数据挖掘的设备故障报警预测处理机制
CN104346246B (zh) * 2013-08-05 2017-12-15 华为技术有限公司 故障预测方法和装置
CN104346246A (zh) * 2013-08-05 2015-02-11 华为技术有限公司 故障预测方法和装置
CN104460651A (zh) * 2014-10-24 2015-03-25 北京交控科技有限公司 一种基于自主学习的zc双系宕机故障预警方法与装置
CN104361500A (zh) * 2014-11-25 2015-02-18 珠海格力电器股份有限公司 一种空调售后故障数据的处理方法及系统
CN105608519A (zh) * 2015-11-09 2016-05-25 国家电网公司 一种电网通信设备运行状态的预测算法
CN105868551A (zh) * 2016-03-28 2016-08-17 北京交通大学 一种故障关联规则构建方法
CN105743595A (zh) * 2016-04-08 2016-07-06 国家新闻出版广电总局无线电台管理局 中短波发射机故障预警方法及装置
CN106599436A (zh) * 2016-12-08 2017-04-26 湖南大学 办公建筑用户在室行为预测方法
CN106768000A (zh) * 2017-01-06 2017-05-31 科诺伟业风能设备（北京）有限公司 一种风力发电机组变流器水冷系统压力异常检测方法
CN106768000B (zh) * 2017-01-06 2019-05-24 科诺伟业风能设备（北京）有限公司 一种风力发电机组变流器水冷系统压力异常检测方法
CN107133142A (zh) * 2017-04-18 2017-09-05 浙江大学 一种基于关联分析的监控数据智能采样方法
CN107133142B (zh) * 2017-04-18 2019-08-27 浙江大学 一种基于关联分析的监控数据智能采样方法
CN107728602A (zh) * 2017-09-28 2018-02-23 合肥工业大学 一种液压成形装备故障的个性化服务方法
CN107844540A (zh) * 2017-10-25 2018-03-27 电子科技大学 一种用于电力数据的时间序列挖掘方法
CN108363364A (zh) * 2017-12-29 2018-08-03 武汉武钢众鹏信息系统有限公司 一种基于工业大数据驱动的报警方法
CN108446184A (zh) * 2018-02-23 2018-08-24 北京天元创新科技有限公司 分析故障根原因的方法和系统
CN108446184B (zh) * 2018-02-23 2021-09-07 北京天元创新科技有限公司 分析故障根原因的方法和系统
CN109240244A (zh) * 2018-10-26 2019-01-18 云达世纪（北京）科技有限公司 基于数据驱动的设备运行状态健康度分析方法及系统
CN109240244B (zh) * 2018-10-26 2020-11-20 云达世纪（北京）科技有限公司 基于数据驱动的设备运行状态健康度分析方法及系统
CN110442640A (zh) * 2019-08-05 2019-11-12 西南交通大学 基于先验权重和多层tfp算法的地铁故障关联推荐方法
CN110442640B (zh) * 2019-08-05 2021-08-31 西南交通大学 基于先验权重和多层tfp算法的地铁故障关联推荐方法
CN110611531A (zh) * 2019-09-02 2019-12-24 锐捷网络股份有限公司 一种光模块故障诊断和预警的方法、装置以及系统
CN110781220A (zh) * 2019-09-20 2020-02-11 江苏欣皓测试技术有限公司 故障预警方法、装置、存储介质和电子设备
CN111624931A (zh) * 2020-06-18 2020-09-04 山东山大世纪科技有限公司 工业园区用电互联网智能运维管控系统及其方法
CN112488181A (zh) * 2020-11-26 2021-03-12 哈尔滨工程大学 一种基于MIDS-Tree的服务故障高响应匹配方法
CN112488181B (zh) * 2020-11-26 2022-10-18 哈尔滨工程大学 一种基于MIDS-Tree的服务故障高响应匹配方法

## Similar Documents

Publication Publication Date Title
CN102809965A (zh) 一种基于故障频繁模式的液压设备故障预警方法
CN101957889B (zh) 一种基于选择性磨损的设备最优维修时间预测方法
Yang et al. VIBEX: an expert system for vibration fault diagnosis of rotating machinery using decision tree and decision table
CN101950382B (zh) 一种带有风险控制的液压设备最优维修计算方法
Amiri et al. Change point estimation methods for control chart postsignal diagnostics: a literature review
CN106909664A (zh) 一种电力设备数据流故障识别方法
Alzghoul et al. Increasing availability of industrial systems through data stream mining
CN104267668A (zh) 基于贝叶斯方法的航天阀门零件加工过程故障诊断方法
Yu et al. Abnormal data detection for multivariate alarm systems based on correlation directions
Zhou et al. Improving root cause analysis by detecting and removing transient changes in oscillatory time series with application to a 1, 3-butadiene process
CN104281525A (zh) 一种缺陷数据分析方法及利用其缩减软件测试项目的方法
Amruthnath et al. Factor analysis in fault diagnostics using random forest
CN108762242A (zh) 一种基于多块典型相关分析模型的分布式故障检测方法
Chemweno et al. i-RCAM: Intelligent expert system for root cause analysis in maintenance decision making
Lee et al. Early failure detection of paper manufacturing machinery using nearest neighbor‐based feature extraction
Rahman et al. Application of classification models on maintenance records through text mining approach in industrial environment
Cui et al. Spatio-temporal correlation based anomaly detection and identification method for IoT sensors
Melhem et al. Product quality prediction using alarm data: Application to the semiconductor manufacturing process
Martí et al. YASA: yet another time series segmentation algorithm for anomaly detection in big data problems
Tolas et al. Periodicity detection algorithm and applications on IoT data
CN113323699B (zh) 一种基于数据驱动的液压支架系统故障源精准辨识方法
Das et al. A novel Sugeno integral based similarity measure of generalized intuitionistic fuzzy soft sets and its application in decision making
Barkia et al. Semiconductor yield loss' causes identification: A data mining approach
Rajput et al. A computational model for knowledge extraction in uncertain textual data using Karnaugh map technique
Martí et al. Combining support vector machines and segmentation algorithms for efficient anomaly detection: A petroleum industry application

## Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20121205