CN106598030B - 一种基于数据的轴温关联分析方法 - Google Patents

一种基于数据的轴温关联分析方法 Download PDF

Info

Publication number
CN106598030B
CN106598030B CN201611198709.2A CN201611198709A CN106598030B CN 106598030 B CN106598030 B CN 106598030B CN 201611198709 A CN201611198709 A CN 201611198709A CN 106598030 B CN106598030 B CN 106598030B
Authority
CN
China
Prior art keywords
data
item collection
frequent
item
axis
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.)
Active
Application number
CN201611198709.2A
Other languages
English (en)
Other versions
CN106598030A (zh
Inventor
黑新宏
柳宇
赵金伟
谢国
马维纲
王彬
王磊
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.)
Xian University of Technology
Original Assignee
Xian University of Technology
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 Xian University of Technology filed Critical Xian University of Technology
Priority to CN201611198709.2A priority Critical patent/CN106598030B/zh
Publication of CN106598030A publication Critical patent/CN106598030A/zh
Application granted granted Critical
Publication of CN106598030B publication Critical patent/CN106598030B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
    • G05B23/0281—Quantitative, e.g. mathematical distance; Clustering; Neural networks; Statistical analysis

Abstract

本发明公开了一种基于数据的轴温关联分析方法，包括以下步骤：步骤1.在通过对实际采集得到的数据进行特征选择，以得到后期分析的原始数据，原始数据按照时间序列进行采集，每秒采集一次；然后将原始数据进行预处理，得到预处理后数据；步骤2.对步骤1中得到的预处理后的数据找出强关联规则R，即找出满足最小支持度和最小置信度的关联规则。本发明将关联挖掘算法Apriori算法应用于轴温数据的关联分析中，用现有采集到的数据挖掘出影响轴温变化的关联规则，通过观察规则中属性的变化，进而判断轴温的老化程度和其他部件的故障，为车轴的异常发现和预警提供决策支持。

Description

一种基于数据的轴温关联分析方法
技术领域
本发明属于轴温关联分析方法技术领域，具体涉及一种基于数据的轴温关联分析方法。
背景技术
高速铁路作为国民经济的大动脉，它的延伸带动着经济的发展。多年来，高速列车行车安全的可靠性一直是社会各界关注的重点，其中，列车车轴作为列车运行的主要设备，其实时监控和故障预警是关系到行车安全的一项重要工作，而过高的轴温则是故障的一个重要指标。当车轴故障时，其摩擦加剧，温度突升，达到一定程度便形成热轴，严重者会导致燃轴、切轴、车辆颠覆，若未能提前预报，将导致重大事故。因此，保证车轴的安全运行是保障高速列车安全运行的一个重要课题。
但在实际运行中，由于设备受到空气介质、周围环境、车型以及行驶中车体晃动等因素的影响，轴温监测会有误报和漏报。万薇针对多点红外轴温探测器的数据融合处理问题进行了重要探讨；张矢设计了基于无线传感器网络的列车轴温监测系统，能够利用无线传感网络对铁路货运列车轴温进行实时监测；曹源基于DTW算法，提出一种能够实时对列车轴温实现状态监测和故障诊断的方法，有效降低列车轴温探测的误报率。武峥嵘引入一种新型智能线阵式多点红外探头，结合数据融合思想和模式识别技术，探讨了基于四点线阵式轴温探测模型的热轴判别方法。以上这些方法都是对采集过程进行优化，或者直接对轴温的数据进行处理。本发明提供了另一种思路，用现有采集到的数据挖掘出影响轴温变化的关联规则，从而保证即便我们采集不到正确的数据，通过观察其它属性的变化，也能够判断轴温的老化程度和其他部件的故障，为车轴的异常发现和预警提供决策支持。
发明内容
本发明的目的在于提供一种基于数据的轴温关联分析方法，其能够挖掘出影响轴温相变化的关联规则，在无法采集到正确数据的情况下，通过观察相关属性的变化，也能够判断轴温的老化程度和其他部件的故障，为车轴的异常发现和预警提供决策支持。
本发明所采用的技术方案是：
一种基于数据的轴温关联分析方法，具体按照以下步骤实施：
步骤1.在通过对实际采集得到的数据进行特征选择，以得到后期分析的原始数据，原始数据按照时间序列进行采集，每秒采集一次；然后将原始数据进行预处理，得到预处理后数据；
步骤2.对步骤1中得到的预处理后的数据找出强关联规则R，即找出满足最小支持度和最小置信度的关联规则。
本发明的特点还在于：
步骤1中所述的对原始数据的预处理包括以下几步：
步骤1.1、采用线性插值法对缺失数据进行处理：针对极少个别点缺失数据的情况，将原始数据进行插值处理之后，得到矩阵Am*n，矩阵Am*n按照时间序列进行采集，Am*n表示的含义为第m个时刻的第n个属性；
步骤1.2、利用步骤1.1得到的矩阵Am*n生成0-1矩阵，将该0-1矩阵表示为矩阵D：将第1个时刻的第1个属性(A11)和第2个时刻的第1个属性(A21)的数据进行对比，如果A21大于等于A11，将矩阵D的第1行第1列(D11)标记为1，否则标记为0；然后将第1个时刻的第2个属性(A12)和第2个时刻的第2个属性(A22)的数据进行对比，如果A22大于等于A12，将矩阵D的第1行第2列(D12)标记为1，否则标记为0；以此类推，…，直到将第1个时刻的第n个属性(A1n)和第2个时刻的第n个属性(A2n)的数据进行对比，如果A2n大于等于A1n，将矩阵D的第1行第n列(D1n)标记为1，否则标记为0；然后用同样的方法将第2个时刻的n个属性和第3个时刻的n个属性数据进行对比，将得到的标记存入矩阵D的第2行，以此类推，…，直到将第m-1个时刻的n个属性和第m个时刻的n个属性数据进行对比并将标记存入矩阵D的第m-1行，即得到矩阵D，矩阵D称为预处理后数据：
步骤1.1中所述线性插值法对缺失数据进行处理的步骤如下：
设有数据(x0,f(x0)),(x1,f(x1))，解方程组
得
此时的插值多项式为x表示未知数缺失的个数，例如缺失3个数据，则y1(1)代表第一个缺失的数据，y1(2)代表第二个缺失的数据，y1(3)代表第三个缺失的数据。
步骤2具体按照以下步骤实施：
步骤2.1、生成频繁项集，并存入频繁项集集合L中；
步骤2.2、找出强关联规则R，即要找出满足最小支持度和最小置信度的关联规则：
通过步骤2.1生成频繁项集集合L后，首先利用公式(2)来计算所有关联规则的置信度：
其中support_count(A∪B)为包含项集(A∪B)的记录数目；support_count(A)为包含项集A的记录数目。
步骤2.1具体按照以下步骤实施：
步骤2.1.1、设定最小支持度s和最小置信度c；
步骤2.1.2、找出频繁1-项集
首先遍历矩阵D，获得各项集的支持频度:项目的集合I＝{i1，i2，…，in}称为项集，是n个不同项目即属性的集合，每个属性ik(1≤k≤n,k∈Z)称为一个项目，其元素的个数称为项集的长度，长度为k的项集称为k-项集；
矩阵D的每一列对应的属性分别为速度、环境温度、EC车转向架1一轴左侧温度、EC车转向架1一轴右侧温度、EC车转向架2三轴左侧温度、EC车转向架2四轴左侧温度、EC车转向架2三轴右侧温度、EC车转向架2四轴右侧温度、本单元空簧载重，所以项目的集合I＝{速度，环境温度，EC车转向架1一轴左侧温度，EC车转向架1一轴右侧温度，EC车转向架2三轴左侧温度，EC车转向架2四轴左侧温度，EC车转向架2三轴右侧温度，EC车转向架2四轴右侧温度，本单元空簧载重}；扫描矩阵D，统计C1和C1中的每个候选1-项集在D中出现的次数，即支持频度；支持频度大于最小支持度s的候选1-项集C1组成频繁1-项集L1；
步骤2.1.3、找出频繁2-项集
为找出频繁2-项集，首先生成候选2-项集C2，候选2-项集C2是由频繁1-项集自身连接获得，即扫描矩阵D，统计C2和C2中的每个候选2-项集在D中出现的次数，即支持频度；支持频度大于最小支持度s的候选2-项集组成频繁2-项集L2；
步骤2.1.4、找出频繁k-项集
用频繁2-项集L2找出频繁3-项集L3，如此不断循环下去直到无法发现更多的频繁k-项集为止；最终频繁1-项集，频繁2-项集，…，频繁k-项集组成了频繁项集集合L；其中利用Lk-1获得Lk主要包含两个步骤：连接操作和删除操作。
步骤2.1.4中所述利用Lk-1获得Lk主要包含的两个步骤，即连接操作和删除操作具体为：
(a)连接操作：为找出频繁k-项集Lk，可以将频繁(k-1)-项集Lk-1中两个项集相连接以获得一个Lk的候选k-项集Ck；设l1和l2为Lk-1中的两个项集，li[j]表示li中的第j个项；为方便起见，假设D中各项记录均已按字典排序；若Lk-1的连接操作记为Lk-1⊕Lk-1，它表示若l1和l2中的前(k-2)项是相同的，即如果有：(l1[1]＝l2[1])∧…∧(l1[k-2]＝l2[k-2])∧(l1[k-1]＝l2[k-1])，则Lk-1中l1和l2就可以连接到一起；而条件(l1[k-1]＝l2[k-1])可以确保不产生重复项集；
(b)删除操作：Lk是Ck的一个子集，它其中的各项集不一定都是频繁项集，但所有的频繁k-项集一定都在Ck，即扫描一遍D，找出矩阵D中包含Ck的项级出现的次数，即Ck中各候选项集的支持频度，由此获得频繁k-项集；所有频度不小于最小支持频度的候选项集就是属于Lk的频繁项集；然而由于Ck中的候选项集很多，该操作的时间复杂度会高，为了减少Ck的大小，需要利用Apriori性质：“一个非频繁(k-1)-项集不可能成为频繁k-项集的一个子集”；因此如果一个候选k-项集中任一子集((k-1)-项集)不属于Lk-1，那么该候选k-项集就不可能成为一个频繁k-项集，因而也就可以将其从Ck中删去。
步骤2.2具体按照以下步骤实施：
步骤2.2.1、对于频繁项集集合L中的每个频繁项集l，产生l的所有非空子集；
步骤2.2.2、对于每个l的非空子集s，
如果成立，则产生一个关联规则"s＝>(l-s)"，其中min_conf为最小置信度阈值；
步骤2.2.3、遍历频繁项集集合L中所有的频繁项集，重复步骤2.2.1和步骤2.2.2得到关联规则，将关联规则存入强关联规则R中；
步骤2.2.4、将强关联规则R输出到文本文件中进行分析、筛选得到有效的关联规则。
本发明的有益效果是：本发明将关联挖掘算法Apriori算法应用于轴温数据的关联分析中，用现有采集到的数据挖掘出影响轴温变化的关联规则，通过观察规则中属性的变化，进而判断轴温的老化程度和其他部件的故障，为车轴的异常发现和预警提供决策支持。
附图说明
图1为本发明的关联分析流程图；
图2为本发明中Apriori算法流程图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明：
如图1所示，选择xx车xx天从xx-xx时间段的数据，即高速列车运行过程中一个速度的上升段作为研究对象，其属性包括速度、环境温度、EC车转向架1一轴左侧温度、EC车转向架1一轴右侧温度、EC车转向架2三轴左侧温度、EC车转向架2四轴左侧温度、EC车转向架2三轴右侧温度、EC车转向架2四轴右侧温度、本单元空簧载重。用Apriori算法来挖掘各属性之间的关联关系。
表1轴温原始数据
步骤1、数据预处理：
步骤1.1、缺失数据的处理：本发明选择的如表1的原始数据，需要进行关联挖掘的属性包括：速度、环境温度、EC车转向架1一轴左侧温度、EC车转向架1一轴右侧温度、EC车转向架2三轴左侧温度、EC车转向架2四轴左侧温度、EC车转向架2三轴右侧温度、EC车转向架2四轴右侧温度、本单元空簧载重。在该步骤中，进行数据预处理。对于表1中缺失的数据，用线性插值的方法进行处理。由于该数据是每秒采集一条，所以(x0,f(x0)),(x1,f(x1))中的两个数据为(0,142.5797),(6,153.0797)，由此得到a0＝142.5797,a1＝1.75，插值多项式为y1(x)＝142.5797+1.75·x，所以，插入缺失的5个数据依次为144.3297，146.0797，147.8297，149.5797，151.3297。插值处理后的原始数据，用smooth函数滤波，得到表2的滤波处理后的原始数据。
表2滤波处理后的原始数据
步骤1.2、生成0-1矩阵：针对步骤1.1得到的矩阵A，将某一时刻和后一个时刻的数据进行对比，如果后一时刻数据大于此时刻数据，将此时刻的数据标记为1，否则标记为0，将标记存储到矩阵D中。
步骤2、如图2所示，本步骤将预处理后数据矩阵D，利用关联挖掘算法Apriori算法进行训练得到强关联规则R，具体按照以下步骤实施：
步骤2.1、生成频繁项集，并存入频繁项集集合L中；
步骤2.1.1、设定最小支持度s＝0.001，最小置信度c＝0.7；
步骤2.1.2、找出频繁1-项集：
首先遍历矩阵D，获得各项集的支持频度：在本例中，项集I＝{I1，I2，…，I9}分别代表{速度，环境温度，EC车转向架1一轴左侧温度，EC车转向架1一轴右侧温度，EC车转向架2三轴左侧温度，EC车转向架2四轴左侧温度，EC车转向架2三轴右侧温度，EC车转向架2四轴右侧温度，本单元空簧载重}，I为9个不同的项目的集合。遍历矩阵D得到候选1-项集C1见表4，在表4中，1代表该候选/频繁项集中有这一项，0代表没有，比如表3代表的候选1-项集为{I1}，{I2}，{I3}，{I4}，{I5}，{I6}，{I7}，{I8}。支持度大于最小支持度0.001的为频繁1-项集，由于这里所有的项集支持度都大于0.001，所以，频繁1-项集L1等于候选1-项集C1。
表3候选1-项集
I<sub>1</sub> I<sub>2</sub> I<sub>3</sub> I<sub>4</sub> I<sub>5</sub> I<sub>6</sub> I<sub>7</sub> I<sub>8</sub> I<sub>9</sub> 支持度
1 0 0 0 0 0 0 0 0 0.844086022
0 1 0 0 0 0 0 0 0 0.099462366
0 0 1 0 0 0 0 0 0 0.029569892
0 0 0 1 0 0 0 0 0 0.008064516
0 0 0 0 1 0 0 0 0 0.01344086
0 0 0 0 0 1 0 0 0 0.040322581
0 0 0 0 0 0 1 0 0 0.010752688
0 0 0 0 0 0 0 1 0 0.01344086
步骤2.1.3、找出频繁2-项集：为找出频繁2-项集，首先生成候选2-项集C2，遍历矩阵D，找到C2中的项集和每个候选2-项集的支持频度，C2中，支持频度大于最小支持度0.001的候选2-项集组成频繁2-项集L2。L2中所有项集的支持度都大于0.001，所以频繁2-项集L2等于候选2-项集C2，见表4。
表4候选2-项集
I<sub>1</sub> I<sub>2</sub> I<sub>3</sub> I<sub>4</sub> I<sub>5</sub> I<sub>6</sub> I<sub>7</sub> I<sub>8</sub> I<sub>9</sub> 支持度
1 1 0 0 0 0 0 0 0 0.088709677
1 0 1 0 0 0 0 0 0 0.029569892
1 0 0 1 0 0 0 0 0 0.008064516
1 0 0 0 1 0 0 0 0 0.010752688
1 0 0 0 0 1 0 0 0 0.032258065
1 0 0 0 0 0 1 0 0 0.010752688
1 0 0 0 0 0 0 1 0 0.01344086
0 1 0 1 0 0 0 0 0 0.002688172
0 1 0 0 1 0 0 0 0 0.005376344
0 1 0 0 0 1 0 0 0 0.005376344
0 1 0 0 0 0 1 0 0 0.005376344
0 0 1 0 0 0 0 1 0 0.002688172
0 0 0 1 1 0 0 0 0 0.005376344
步骤2.1.4、找出频繁3-项集、频繁4-项集和频繁5-项集：为找出频繁3-项集，首先生成候选3-项集C3，见表5，遍历矩阵D，找到C3中的项集和每个候选3-项集的支持频度，C3中，支持频度大于最小支持度0.001的候选3-项集组成频繁3-项集L3。L3中所有项集的支持度都大于0.001，所以频繁3-项集L3为候选3-项集C3。循环该方法，得到如表6的频繁4-项集L4。
表5候选3-项集
I<sub>1</sub> I<sub>2</sub> I<sub>3</sub> I<sub>4</sub> I<sub>5</sub> I<sub>6</sub> I<sub>7</sub> I<sub>8</sub> I<sub>9</sub> 支持度
1 1 0 1 0 0 0 0 0 0.002688172
1 1 0 0 1 0 0 0 0 0.005376344
1 1 0 0 0 1 0 0 0 0.005376344
1 1 0 0 0 0 1 0 0 0.005376344
1 0 1 0 0 0 0 1 0 0.002688172
1 0 0 1 1 0 0 0 0 0.005376344
0 1 0 1 1 0 0 0 0 0.002688172
表6候选4-项集
I<sub>1</sub> I<sub>2</sub> I<sub>3</sub> I<sub>4</sub> I<sub>5</sub> I<sub>6</sub> I<sub>7</sub> I<sub>8</sub> I<sub>9</sub> 支持度
1 1 0 1 1 0 0 0 0 0.002688172
步骤2.2、找出关联规则：
通过这一步骤，找到满足最小支持度和最小置信度的关联规则，见表7，在该表格中，-1代表条件，1代表结论。然后根据实际需求进行筛选：(1)删除第一列到第九列只有1或者只有-1的行，因为其不构成关联规则；(2)删除只有-1的和只有1的行，-1只有蕴含式的前件，没有后件；1只有蕴含式的后件，没有前件；(3)删除后件中有I1(速度)的蕴含式，因为速度不由I2-I9的任何一个属性决定。筛选得到如表8的强关联规则。
表7关联规则表
表8强关联规则表
表8的强关联规则可用如下的蕴含式来表示：
1.EC车转向架1一轴右侧温度＝>EC车转向架2三轴左侧温度；
2.速度∧EC车转向架1一轴右侧温度＝>EC车转向架2三轴左侧温度；
3.环境温度∧EC车转向架1一轴右侧温度＝>EC车转向架2三轴左侧温度；
4.速度∧环境温度∧EC车转向架1一轴右侧温度＝>EC车转向架2三轴左侧温度；
实验证明，高速列车运行过程速度的上升段中，支持度和置信度都比较适中。EC车转向架1一轴左侧温度、EC车转向架2四轴左侧温度、EC车转向架2三轴右侧温度、EC车转向架2四轴右侧温度、本单元空簧载重这几个量之间可以认为没有关联。速度、环境温度、EC车转向架1一轴右侧温度、EC车转向架2三轴左侧温度之间的关联关系为速度∧环境温度∧EC车转向架1一轴右侧温度＝>EC车转向架2三轴左侧温度，即EC车转向架2三轴左侧温度与速度、环境温度和EC车转向架1一轴右侧温度相关。

Claims (6)

1.一种基于数据的轴温关联分析方法，其特征在于，具体按照以下步骤实施：
步骤1.在通过对实际采集得到的数据进行特征选择，以得到后期分析的原始数据，原始数据按照时间序列进行采集，每秒采集一次；然后将原始数据进行预处理，得到预处理后数据；包括以下几步：
步骤1.1、采用线性插值法对缺失数据进行处理：针对极少个别点缺失数据的情况，将原始数据进行插值处理之后，得到矩阵Am*n，矩阵Am*n按照时间序列进行采集，Am*n表示的含义为第m个时刻的第n个属性；
步骤1.2、利用步骤1.1得到的矩阵Am*n生成0-1矩阵，将该0-1矩阵表示为矩阵D：将第1个时刻的第1个属性A11和第2个时刻的第1个属性A21的数据进行对比，如果A21大于等于A11，将矩阵D的第1行第1列D11标记为1，否则标记为0；然后将第1个时刻的第2个属性A12和第2个时刻的第2个属性A22的数据进行对比，如果A22大于等于A12，将矩阵D的第1行第2列D12标记为1，否则标记为0；以此类推，…，直到将第1个时刻的第n个属性A1n和第2个时刻的第n个属性A2n的数据进行对比，如果A2n大于等于A1n，将矩阵D的第1行第n列D1n标记为1，否则标记为0；然后用同样的方法将第2个时刻的n个属性和第3个时刻的n个属性数据进行对比，将得到的标记存入矩阵D的第2行，以此类推，…，直到将第m-1个时刻的n个属性和第m个时刻的n个属性数据进行对比并将标记存入矩阵D的第m-1行，即得到矩阵D，矩阵D称为预处理后数据：
步骤2.对步骤1中得到的预处理后的数据找出强关联规则R，即找出满足最小支持度和最小置信度的关联规则。
2.根据权利要求1所述的一种基于数据的轴温关联分析方法，其特征在于，步骤1.1中所述线性插值法对缺失数据进行处理的步骤如下：
设有数据(x0,f(x0)),(x1,f(x1))，解方程组
得
此时的插值多项式为x表示未知数缺失的个数，例如缺失3个数据，则y1(1)代表第一个缺失的数据，y1(2)代表第二个缺失的数据，y1(3)代表第三个缺失的数据。
3.根据权利要求1所述的一种基于数据的轴温关联分析方法，其特征在于，所述步骤2具体按照以下步骤实施：
步骤2.1、生成频繁项集，并存入频繁项集集合L中；
步骤2.2、找出强关联规则R，即要找出满足最小支持度和最小置信度的关联规则：
通过步骤2.1生成频繁项集集合L后，首先利用公式(2)来计算所有关联规则的置信度：
其中support_count(A∪B)为包含项集(A∪B)的记录数目；support_count(A)为包含项集A的记录数目。
4.根据权利要求3所述的一种基于数据的轴温关联分析方法，其特征在于，所述步骤2.1具体按照以下步骤实施：
步骤2.1.1、设定最小支持度s和最小置信度c；
步骤2.1.2、找出频繁1-项集
首先遍历矩阵D，获得各项集的支持频度:项目的集合I＝{i1，i2，…，in}称为项集，是n个不同项目即属性的集合，每个属性ik(1≤k≤n,k∈Z)称为一个项目，其元素的个数称为项集的长度，长度为k的项集称为k-项集；
矩阵D的每一列对应的属性分别为速度、环境温度、EC车转向架1一轴左侧温度、EC车转向架1一轴右侧温度、EC车转向架2三轴左侧温度、EC车转向架2四轴左侧温度、EC车转向架2三轴右侧温度、EC车转向架2四轴右侧温度、本单元空簧载重，所以项目的集合I＝{速度，环境温度，EC车转向架1一轴左侧温度，EC车转向架1一轴右侧温度，EC车转向架2三轴左侧温度，EC车转向架2四轴左侧温度，EC车转向架2三轴右侧温度，EC车转向架2四轴右侧温度，本单元空簧载重}；扫描矩阵D，统计C1和C1中的每个候选1-项集在D中出现的次数，即支持频度；支持频度大于最小支持度s的候选1-项集C1组成频繁1-项集L1；
步骤2.1.3、找出频繁2-项集
为找出频繁2-项集，首先生成候选2-项集C2，候选2-项集C2是由频繁1-项集自身连接获得，即扫描矩阵D，统计C2和C2中的每个候选2-项集在D中出现的次数，即支持频度；支持频度大于最小支持度s的候选2-项集组成频繁2-项集L2；
步骤2.1.4、找出频繁k-项集
用频繁2-项集L2找出频繁3-项集L3，如此不断循环下去直到无法发现更多的频繁k-项集为止；最终频繁1-项集，频繁2-项集，…，频繁k-项集组成了频繁项集集合L；其中利用Lk-1获得Lk主要包含两个步骤：连接操作和删除操作。
5.根据权利要求4所述的一种基于数据的轴温关联分析方法，其特征在于，步骤2.1.4中所述利用Lk-1获得Lk主要包含的两个步骤，即连接操作和删除操作具体为：
(a)连接操作：为找出频繁k-项集Lk，将频繁(k-1)-项集Lk-1中两个项集相连接以获得一个Lk的候选k-项集Ck；设l1和l2为Lk-1中的两个项集，li[j]表示li中的第j个项；为方便起见，假设D中各项记录均已按字典排序；若Lk-1的连接操作记为Lk-1⊕Lk-1，它表示若l1和l2中的前(k-2)项是相同的，即如果有：(l1[1]＝l2[1])∧…∧(l1[k-2]＝l2[k-2])∧(l1[k-1]<l2[k-1])，则Lk-1中l1和l2就连接到一起；而条件(l1[k-1]<l2[k-1])确保不产生重复项集；
(b)删除操作：Lk是Ck的一个子集，它其中的各项集不一定都是频繁项集，但所有的频繁k-项集一定都在Ck，即扫描一遍D，找出矩阵D中包含Ck的项级出现的次数，即Ck中各候选项集的支持频度，由此获得频繁k-项集；所有频度不小于最小支持频度的候选项集就是属于Lk的频繁项集；然而由于Ck中的候选项集很多，该操作的时间复杂度会高，为了减少Ck的大小，需要利用Apriori性质：“一个非频繁(k-1)-项集不可能成为频繁k-项集的一个子集”；因此如果一个候选k-项集中任一子集((k-1)-项集)不属于Lk-1，那么该候选k-项集就不可能成为一个频繁k-项集，因而也就将其从Ck中删去。
6.根据权利要求3所述的一种基于数据的轴温关联分析方法，其特征在于，所述步骤2.2具体按照以下步骤实施：
步骤2.2.1、对于频繁项集集合L中的每个频繁项集l，产生l的所有非空子集；
步骤2.2.2、对于每个l的非空子集s，
如果成立，则产生一个关联规则"s＝>(l-s)"，其中min_conf为最小置信度阈值；
步骤2.2.3、遍历频繁项集集合L中所有的频繁项集，重复步骤2.2.1和步骤2.2.2得到关联规则，将关联规则存入强关联规则R中；
步骤2.2.4、将强关联规则R输出到文本文件中进行分析、筛选得到有效的关联规则。
CN201611198709.2A 2016-12-22 2016-12-22 一种基于数据的轴温关联分析方法 Active CN106598030B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611198709.2A CN106598030B (zh) 2016-12-22 2016-12-22 一种基于数据的轴温关联分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611198709.2A CN106598030B (zh) 2016-12-22 2016-12-22 一种基于数据的轴温关联分析方法

Publications (2)

Publication Number Publication Date
CN106598030A CN106598030A (zh) 2017-04-26
CN106598030B true CN106598030B (zh) 2019-09-27

Family

ID=58602706

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611198709.2A Active CN106598030B (zh) 2016-12-22 2016-12-22 一种基于数据的轴温关联分析方法

Country Status (1)

Country Link
CN (1) CN106598030B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110163511A (zh) * 2019-05-24 2019-08-23 重庆大学 一种基于关联规则挖掘和模糊决策的制造质量控制方法
CN112001507A (zh) * 2020-08-27 2020-11-27 山东超越数控电子股份有限公司 提供船舶发动机系统检修策略的方法、设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7139764B2 (en) * 2003-06-25 2006-11-21 Lee Shih-Jong J Dynamic learning and knowledge representation for data mining
CN101770219A (zh) * 2010-01-29 2010-07-07 北京信息科技大学 一种车铣复合机床故障诊断知识库的知识获取方法
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

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7895016B2 (en) * 2009-08-31 2011-02-22 General Electric Company System and method for wind turbine health management

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7139764B2 (en) * 2003-06-25 2006-11-21 Lee Shih-Jong J Dynamic learning and knowledge representation for data mining
CN101770219A (zh) * 2010-01-29 2010-07-07 北京信息科技大学 一种车铣复合机床故障诊断知识库的知识获取方法
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 (1)

* Cited by examiner, † Cited by third party
Title
关联规则挖掘技术在可靠性信息系统中的应用;许芳;《舰船电子工程》;20080701;第28卷(第6期);第177-180页 *

Also Published As

Publication number Publication date
CN106598030A (zh) 2017-04-26

Similar Documents

Publication Publication Date Title
Wang et al. Feature-level attention-guided multitask CNN for fault diagnosis and working conditions identification of rolling bearing
CN103617469B (zh) 电力系统设备故障预测方法及系统
CN110375987B (zh) 一种基于深度森林机械轴承故障检测方法
CN106314438A (zh) 一种司机驾驶轨迹中异常轨迹的检测方法和系统
CN108181562A (zh) 基于模糊小脑模型神经网络的绝缘子故障诊断装置及方法
CN105577685A (zh) 云计算环境中的自主分析入侵检测方法及系统
CN106598030B (zh) 一种基于数据的轴温关联分析方法
CN106599920A (zh) 一种基于耦合隐半马尔可夫模型的航空轴承故障诊断方法
CN105139029B (zh) 一种监狱服刑人员的行为识别方法及装置
CN113870260A (zh) 一种基于高频时序数据的焊接缺陷实时检测方法及系统
CN101394316B (zh) 基于完全无向图的贝叶斯的网络入侵分类方法
CN109086470A (zh) 一种基于模糊偏好关系与d-s证据理论的故障诊断方法
CN108710637B (zh) 基于时空关系的出租车异常轨迹实时检测方法
JP4431163B2 (ja) 移動体の異常検出システム、及び移動体の異常検出方法
Chen et al. On real-time and self-taught anomaly detection in optical networks using hybrid unsupervised/supervised learning
CN108519769A (zh) 一种基于规则的飞控系统故障诊断方法
CN105957168A (zh) 运动轨迹方向的判定方法及装置
CN100592692C (zh) 基于条件互信息的双层半懒惰贝叶斯的网络入侵分类方法
CN107025355A (zh) 一种基于模糊贴近度的船舶故障诊断方法及系统
Kinaneva et al. Application of artificial intelligence in UAV platforms for early forest fire detection
He et al. Online monitoring for non-stationary operation via a collaborative neural network
CN104850862A (zh) 一种基于单位代价收益敏感决策树的分类方法
CN111325708A (zh) 一种输电线路检测方法和服务器
Cui et al. Spatio-temporal correlation based anomaly detection and identification method for IoT sensors
CN111860688B (zh) 一种目标类型识别方法、系统及电子设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant