CN108873859A - 基于改进关联规则的桥式抓斗卸船机故障预测模型方法 - Google Patents
基于改进关联规则的桥式抓斗卸船机故障预测模型方法 Download PDFInfo
- Publication number
- CN108873859A CN108873859A CN201810545101.5A CN201810545101A CN108873859A CN 108873859 A CN108873859 A CN 108873859A CN 201810545101 A CN201810545101 A CN 201810545101A CN 108873859 A CN108873859 A CN 108873859A
- Authority
- CN
- China
- Prior art keywords
- data
- bridge
- correlation rule
- type
- fault
- 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.)
- Granted
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
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Ship Loading And Unloading (AREA)
Abstract
一种基于改进关联规则的桥式抓斗卸船机故障预测模型方法,包括以下步骤:(1)将桥式抓斗卸船机状态监测的特征参数作为模型输入,采样获得卸船机的关联内部特征信息和故障类别作为模型输出;(2)对原始监测数据进行预处理;(3)选取聚类算法对数据根据其属性值域离散为非线性聚类区间;(4)对兴趣度关联规则算法进行改进并获得能表征卸船机运行状态的关联规则组;(5)构建状态监测数据关联规则指向性特征约束函数模型;(6)输入数据集利用训练得到的模型进行预测;(7)将卸船机故障发生历史数据用于卸船机故障预测模型,将预测结果和历史故障进行对比,分析预测结果。本发明精度较高、计算简易、工程实用性强。
Description
技术领域
本发明设计一种桥式抓斗卸船机故障预测方法,尤其是一种基于改进关联规则的桥式抓斗卸船机故障预测模型方法。
背景技术
桥式抓斗卸船机是企业港口生产中重要的大型散料卸货工具,具有抓斗起升和开闭、小车行走、前大梁仰俯及整机沿轨道行走的功能,在日常实际生产中占有很重要的地位。卸船机发生故障会影响到原来的功能,有可能带来严重的事故,造成经济损失。因此有必要对卸船机系统的健康状态进行监测、故障分析和故障预测,以确保卸船机安全稳定地运行,提早预警,减少因突发故障产生的经济损失以及避免人员伤亡等重大事故的发生。
故障趋势预测方法作为短时预测方法主要包括基于机理模型和基于数据驱动的故障预测方法。桥式抓斗卸船机这种工作环境比较恶劣,易受到载荷、工况变化等不确定因素影响的设备,其运行过程状态呈现出动态的、实时变化的特征。因此采用关联规则分析方法获得表征卸船机状态的关联规则,并利用改进的多传感器信息融合故障预测方法能够准确的实现卸船机实时运作下的故障预测。在对桥式抓斗卸船机故障预测时,需要考虑卸船机状态监测参量之间的相关性问题。而在实际工作中,监测参量之间并不是相互独立的,且相关关系也不是线性的,所以传统的相关性处理方法并不适用于卸船机的实际工况。
发明内容
为了克服已有桥式抓斗卸船机针对设备性能故障分析仅停留在故障诊断基础上,故障处理效率低、停机维修时间长,本发明提供一种预先获取故障信息,提高设备使用效率的基于改进关联规则的桥式抓斗卸船机故障预测模型方法。
本发明解决其技术问题所采用的技术方案是:
一种基于改进关联规则的桥式抓斗卸船机故障预测模型方法,所述预测方法包括以下步骤:
(1)获得模型输入和输出,将桥式抓斗卸船机状态监测的特征参数作为模型输入,采样获得卸船机的关联内部特征信息和故障类别作为模型输出;
(2)对原始监测数据进行预处理,将数据归一化,生成数据集进行分组获得训练集和测试集;
(3)选取聚类算法对数据根据其属性值域离散为非线性聚类区间,将数值型数据转化为布尔型进行处理,根据卸船机实际运作工况特点,保存数量较小的类,得到数据的实际分布结果;
(4)对兴趣度关联规则算法进行改进并获得能表征卸船机运行状态的关联规则组,得到桥式抓斗卸船机的运行状态特征;
(5)利用关联规则组,结合状态数据关联维权重系数构建状态监测数据关联规则指向性特征约束函数模型;
(6)输入数据集利用训练得到的基于改进关联规则的卸船机故障预测模型对卸船机故障类型进行预测;
(7)将卸船机故障发生历史数据用于卸船机故障预测模型,将预测结果和历史故障进行对比,分析预测结果。
进一步,所述步骤(4)对兴趣度关联规则算法进行改进并获得能表征卸船机运行状态的关联规则组,过程如下:
(4.1)读入桥式抓斗卸船机监测数据训练样本集;
(4.2)对预处理后的数据进行聚类离散,将其转化为布尔型关联规则进行处理;
(4.3)设置事务项集D,扫描事务数据库,分析每个事务的数据项,首次出现该数据项加入候选项集的集合C1,并将计数值置1;若该数据项已经出现在C1中,则将它的计数值加1,这样得到候选1-项集的集合C1。扫描C1,删除支持度小于给定支持度阈值的项集,得到频繁1-项集L1;
(4.4)由L1进行连接,得到C2,以此得到的LK-1进行连接;
(4.5)对连接产生的项集进行剪枝,生成候选项集CK;
(4.6)扫描CK,删除计数值小于给定支持度技术的项集,得到频繁K-项集的集合LK;
(4.7)循环(4.2)到(4.4),直到频繁项集LK为空,得到所有频繁项集L=L1∪L2…∪LK;
(4.8)对每个频繁项集L,筛选出满足兴趣度和置信度要求的能表征桥式抓斗卸船机运行状态的关联规则组。
再进一步,所述步骤(1)中,以桥式抓斗卸船机为研究对象,其特征参数是通过分析桥式抓斗卸船机运行状态和故障发生特点得出,其中包括桥式抓斗卸船机四卷筒系统、大车运行系统、变幅系统、金属结构系统中不同部位的振动烈度以及金属结构不同位置的应力值作为特征参数;模型输出包括桥式抓斗卸船机关联内部特征信息与故障类型。
更进一步,所述步骤(2)中,对原始监测数据进行预处理,过程如下:
(2.1)为全面监测桥式抓斗卸船机的机械状态,在卸船机主要位置布置了37个传感测点,这些测点按监测点位置分成5组:第I组监测四卷筒系统驱动电机、减速器的振动;第II组监测变幅系统驱动电机和减速箱的振动;第III组监测大车运行系统驱动电机和减速器的振动;第IV组监测金属结构系统中大梁、小门架及轨道上的振动与冲击;第V组监测金属结构(大梁、小门架等)的受力情况。实时采集这些监测点的数据作为分析数据;
(2.2)监测点采集的是实时数据,包括桥式抓斗卸船机遇到外界环境干扰(如大风、地震等)、非正常工作以及卸船机长时间停机整治或休息时,这些数据将不考虑对其故障分析当中,需要将其剔除;数据采集中空缺值的出现,采用该参数其他数据的平均值进行填充;将不同名称的数据依据需要转换成适合于挖掘的形式。
所述步骤(5)中,结合状态数据关联维权重系数构建状态监测数据关联规则指向性特征约束函数模型的过程如下:
(5.1)确定桥式抓斗卸船机的故障类型及故障征兆,项集F1=轨道故障,F2=主梁故障…Fn=电机故障;项集S1=开闭电机振动,S2=起升电机振动…Sm=大梁端振动;
(5.2)采集相同工况下且足够多的历史实验数据作为样本,分析故障类型与故障征兆之间的关联性,在此分析中事务数据库Di={第i个故障类型Fi发生},项集Si={第i个故障征兆状态超标},总样本中,各故障征兆Sn发生的状态量超标次数为f(Sn),故障例总数|Dm|中,各故障征兆Sn发生的状态量超标次数为f(Sn∪Fm),关联规则为第m个故障类型Fm对应的约简后故障征兆为Sm,n,Fm={Sm,1,Sm,2,…,Sm,Nm},其中Nm为约简后Fm中故障征兆个数,由置信度得到权重系数表达式:式中式中:W′m,n为故障类型Fm中故障征兆为
Sm,n的权重系数;Cm,n为相应的置信度,建立桥式抓斗卸船机故障类型与桥式抓斗卸船机故障征兆的权重系数W′m,n;
(5.3)对每个关联规则赋上权重时,应使故障征兆状态特征中越重要的规则权重越大,并随着数据信息的不断更新对权值会有不同方位的收敛。根据各个规则的
属性权重比wi/wj(i,j=1,2,…,n),构造如下的权重比矩阵M:
其中:n是M的唯一非零特征根,记为λmax,而w是n所对应的特征矢量,并采用归一化的特征作为权重矢量:
以此构建基于关联规则支持度S、置信度C和兴趣度I的权重计算公式w(S,C,I): 其中w(S,C,I)表示规则ARi在故障征兆状态特征中的权重;Si、Ci和Ii分别表示该规则的支持度、置信度和兴趣度创建桥式抓斗卸船机故障征兆与桥式抓斗卸船机关联规则组的权重系数wi(Si,Ci,Ii);
(5.4)在同一子系统和工况下,筛选反映故障征兆Sj参量的所有关联规则ARj,k,即为Sj(AR)=w1ARj,1+w2ARj,2+…+wkARj,k,以及表征故障类型Fi的所以故障征兆Si,j,即为Fi(S)=w′1Si,1+w′2Si,2+…+w′jSi,j,构造故障类型与AR组的关联规则指向性特征约束函数:Fi(AR)=w′1w1ARi,1+w′2w2ARi,2+…+w′kWkARi,k;
(5.5)计算获取桥式抓斗卸船机故障征兆对应的关联规则组的置信度变化率。
本发明的技术构思为:关联规则作为数据挖掘的核心研究内容之一,通过寻找数据库中满足最小支持度和最小置信度阈值的强关联规则,可以从数据库提取有用的知识、规律以及更高层次的信息,经有效分析获取海量数据中存在的价值,实现预测及决策。目前基于规则中处理的变量类别,关联规则包括布尔型和多值属性型,布尔型关联规则处理的是离散、种类化的数据;多值属性关联规则中数量属性显示的是量化的项之间的关系,通常将其离散化为布尔型关联规则进行挖掘。利用聚类算法将数据离散为布尔型,实现分层聚类,将数值型数据进行分区处理,实现划分聚类,得到数据的实际分布结果。支持度-置信度框架体系作为强关联规则的评价标准,在实际应用中会带来一定的局限性,支持度阈值过低或过高都会引起规则的冗余、规则缺失等情况。兴趣度是基于统计独立性假设下真正的强度与期望的强度之比,一个为了弥补关联规则所引起的不足,修剪无用的规则的新的阈值,用于加强对关联规则的评判。由于兴趣度-支持度-置信度体系下能够度量发现更有意义的关联规则,广泛应用于互联网、金融、生物信息等领域。
因此采用兴趣度关联规则来表征卸船机的运行状况,同时,为使关联规则能定量分析其状态特征变化,引入权重系数来定量描述,基于以上考虑,提出基于兴趣度关联规则和权重系数综合分析的卸船机故障预测方法。首先利用改进的Apriori算法获取表征桥式抓斗卸船机运行状态的关联规则,然后通过对其故障类型、故障征兆及状态关联规则组三者之间的关联关系分析,分别计算得到两者间的权重系数,基于以上关联规则的分析过程进行故障预测模型分析。最后,建立桥式抓斗卸船机传感器监测系统,获取状态参量数据,利用实时在线、历史检验等监测数据对卸船机进行故障预测分析。
本发明通过聚类算法将数值型数据离散为布尔型处理,并将兴趣度引入关联规则体系,提升关联规则质量,并通过权重系数约束故障类型与故障征兆、故障征兆与关联规则之间的权重,既全面考虑了各个影响故障预测的各种因素,又避免了各特征参数相互耦合导致预测精度低以及预测方法的计算复杂、训练时间长等缺点。
本发明的有益效果主要表现在:
1、本发明利用改进关联规则表征桥式抓斗卸船机运行状态针对卸船机运作故障和故障信息建立预测模型,提升关联规则定性表示系统内部关联强度,增强关键关联关系表征能力,在学习能力和计算复杂度上都明显比传统关联规则有较好的表示能力,能够有效解决非线性、小样本、定性表征等实际难题。
2、本发明采用权重系数约束特征状态参量建立特征约束函数模型,构建状态特征与关联规则的权重比重,通过数据实时更新优化权重对不同方位的收敛,避免了传统关联规则表征运行状态时更新迟缓,计算量大、准确性不够高等缺点,将关联规则改进并结合权重系数,很大的提高了对于桥式抓斗卸船机故障的预测精度和预测速度。
3、本发明基于改进关联规则的桥式抓斗卸船机故障预测模型方法的数学模型搭建简单,真实反映了卸船机状态与故障信息变化的发展趋势,并准确体现了卸船机故障与状态监测特征之间的内涵关系,为探求桥式抓斗卸船机预测系统提供理论依据。
附图表说明
图1为本发明基于改进关联规则的桥式抓斗卸船机故障预测模型方法的具体流程图。
图2为故障预测模型图。
图3为本发明基于改进关联规则的桥式抓斗卸船机故障预测模型方法实例中A9监测点数据聚类结果图。
图4为关联规则AR3数值波动图。
具体实施方式
下面结合附图表对本发明作进一步描述。
参照图1~图4,一种基于改进关联规则的桥式抓斗卸船机故障预测模型方法,所述预测方法包括以下步骤:
(1)获得模型输入和输出,将桥式抓斗卸船机状态监测的特征参数作为模型输入,采样获得卸船机的关联内部特征信息和故障类别作为模型输出;
(2)对原始监测数据进行预处理,将数据归一化,生成数据集进行分组获得训练集和测试集;
(3)选取聚类算法对数据根据其属性值域离散为非线性聚类区间,将数值型数据转化为布尔型进行处理,根据卸船机实际运作工况特点,保存数量较小的类,得到数据的实际分布结果;
(4)对兴趣度关联规则算法进行改进并获得能表征卸船机运行状态的关联规则组,得到桥式抓斗卸船机的运行状态特征;
(5)利用关联规则组,结合状态数据关联维权重系数构建状态监测数据关联规则指向性特征约束函数模型;
(6)输入数据集利用训练得到的基于改进关联规则的卸船机故障预测模型对卸船机故障类型进行预测;
(7)将卸船机故障发生历史数据用于卸船机故障预测模型,将预测结果和历史故障进行对比,分析预测结果。
本实施例中,实验采用该监测系统中2017年2~12月份的部分监测数据,每月选取500行数据,共5000行,作为数据挖掘的数据源。为全面监测卸船机的机械状态,在卸船机主要位置布置了37个传感测点,这些测点按监测点位置分成5组:第I组监测四卷筒系统驱动电机、减速器的振动;第II组监测变幅系统驱动电机和减速箱的振动;第III组监测大车运行系统驱动电机和减速器的振动;第IV组监测金属结构系统中大梁、小门架及轨道上的振动与冲击;第V组监测大梁、小门架等金属结构的受力情况。
针对获取的这些数据进行关联规则挖掘获得表1四卷筒系统、表2变幅系统和表3大车运行系统部分关联规则,表3为桥式抓斗卸船机故障预测模型方法实例中四卷筒系统部分关联规则表;表2为桥式抓斗卸船机故障预测模型方法实例中变幅系统部分关联规则表;表3为桥式抓斗卸船机故障预测模型方法实例中大车运行系统部分关联规则表;
表1
表2
表3
对卸船机进行小车运行系统下故障预测实验:(1)依据现场故障信息反馈以及现有研究成果,获取桥式抓斗卸船机故障类型,如表4为抓斗卸船机系统常见故障类型表;
项集 | 故障类型 | 项集 | 故障类型 |
F1 | 轨道故障 | F4 | 制动器故障 |
F2 | 主梁故障 | F5 | 减速器故障 |
F3 | 电机故障 | F6 | 吊索具故障 |
表4
(2)选取具有代表性且能准确有效反映卸船机运行状态的状态参量作为表征卸船机各类故障类型的故障征兆,获取表5中的24个状态参量作为故障征兆,表5为本发明基于改进关联规则的桥式抓斗卸船机故障预测模型方法实例中卸船机的故障征兆表;
表5
(3)针对小车运行状态故障预测分析,提供其部分历史试验数据如表10;
(4)通过表6中故障类型所对应的故障征兆的支持度,利用最小支持度阈值对其进行简化,建立卸船机小车运行系统故障类型与故障征兆的关联关系;表6为本发明基于改进关联规则的桥式抓斗卸船机故障预测模型方法实例中故障类型与故障征兆的关联关系表。
表6
(5)以“轨道故障”为预测实例,通过小车运行系统关联规则输出表中关联规则与故障征兆状态参量之间的关系,建立故障征兆与关联规则组间权重系数表如表7。表7为本发明基于改进关联规则的桥式抓斗卸船机故障预测模型方法实例中故障征兆与关联规则组权重系数表。
表7
现参考图1详细描述本发明实施的基于改进关联规则的桥式抓斗卸船机故障预测模型方法,包括以下步骤:(1)获得模型输入和输出,将桥式抓斗卸船机状态监测的特征参数作为模型输入,采样获得卸船机的关联内部特征信息和故障类别作为模型输出;(2)对原始监测数据进行预处理,将数据归一化,生成数据集进行分组获得训练集和测试集;(3)选取聚类算法对数据根据其属性值域离散为非线性聚类区间,将数值型数据转化为布尔型进行处理,根据卸船机实际运作工况特点,保存数量较小的类,得到数据的实际分布结果;(4)对兴趣度关联规则算法进行改进并获得能表征卸船机运行状态的关联规则组,得到桥式抓斗卸船机的运行状态特征;(5)利用关联规则组,结合状态数据关联维权重系数构建状态监测数据关联规则指向性特征约束函数模型;(6)输入数据集利用训练得到的基于改进关联规则的卸船机故障预测模型对卸船机故障类型进行预测;(7)将卸船机故障发生历史数据用于卸船机故障预测模型,将预测结果和历史故障进行对比,分析预测结果。
步骤(1)获得模型输入和输出进一步包括:以桥式抓斗卸船机为研究对象,其特征参数是通过分析桥式抓斗卸船机运行状态和故障发生特点得出,其中包括桥式抓斗卸船机四卷筒系统、大车运行系统、变幅系统、金属结构系统中不同部位的振动烈度以及金属结构不同位置的应力值作为特征参数;模型输出包括桥式抓斗卸船机关联内部特征信息与故障类型。
步骤(2)对原始监测数据进行预处理进一步包括:(2.1)为全面监测桥式抓斗卸船机的机械状态,在卸船机主要位置布置了37个传感测点,这些测点按监测点位置分成5组:第I组监测四卷筒系统驱动电机、减速器的振动;第II组监测变幅系统驱动电机和减速箱的振动;第III组监测大车运行系统驱动电机和减速器的振动;第IV组监测金属结构系统中大梁、小门架及轨道上的振动与冲击;第V组监测大梁、小门架等金属结构的受力情况。实时采集这些监测点的数据作为分析数据;(2.2)监测点采集的是实时数据,包括桥式抓斗卸船机遇到外界环境干扰(如大风、地震等)、非正常工作以及卸船机长时间停机整治或休息时,这些数据将不考虑对其故障分析当中,需要将其剔除;数据采集中空缺值的出现,采用该参数其他数据的平均值进行填充;将不同名称的数据依据需要转换成适合于挖掘的形式
步骤(4)对兴趣度关联规则算法进行改进并获得能表征卸船机运行状态的关联规则组进一步包括:(4.1)读入桥式抓斗卸船机监测数据训练样本集;(4.2)对预处理后的数据进行聚类离散,将其转化为布尔型关联规则进行处理;(4.3)设置事务项集D,扫描事务数据库,分析每个事务的数据项,首次出现该数据项加入候选项集的集合C1,并将计数值置1;若该数据项已经出现在C1中,则将它的计数值加1,这样得到候选1-项集的集合C1。扫描C1,删除支持度小于给定支持度阈值的项集,得到频繁1-项集L1;(4.4)由L1进行连接,得到C2,以此得到的LK-1进行连接;(4.5)对连接产生的项集进行剪枝,生成候选项集CK;(4.6)扫描CK,删除计数值小于给定支持度技术的项集,得到频繁K-项集的集合LK;(4.7)循环(2)到(4),直到频繁项集LK为空,得到所有频繁项集L=L1∪L2…∪LK;(4.8)对每个频繁项集L,筛选出满足兴趣度和置信度要求的能表征桥式抓斗卸船机运行状态的关联规则组。
步骤(5)结合状态数据关联维权重系数构建状态监测数据关联规则指向性特征约束函数模型进一步包括:(5.1)确定桥式抓斗卸船机的故障类型及故障征兆,项集F1=轨道故障,F2=主梁故障…Fn=电机故障;项集S1=开闭电机振动,S2=起升电机振动…Sm=大梁端振动;(5.2)采集相同工况下且足够多的历史实验数据作为样本,分析故障类型与故障征兆之间的关联性,在此分析中事务数据库Di={第i个故障类型Fi发生},项集Si={第i个故障征兆状态超标},总样本中,各故障征兆Sn发生的状态量超标次数为f(Sn),故障例总数|Dm|中,各故障征兆Sn发生的状态量超标次数为f(Sn∪Fm),关联规则为第m个故障类型Fm对应的约简后故障征兆为Sm,n,Fm={Sm,1,Sm,2,…,Sm,Nm},其中Nm为约简后Fm中故障征兆个数,由置信度得到权重系数表达式:式中式中:W′m,n为故障类型Fm中故障征兆为Sm,n的权重系数;Cm,n为相应的置信度,建立桥式抓斗卸船机故障类型与桥式抓斗卸船机故障征兆的权重系数W′m,n;(5.3)对每个关联规则赋上权重时,应使故障征兆状态特征中越重要的规则权重越大,并随着数据信息的不断更新对权值会有不同方位的收敛。根据各个规则的属性权重比wi/wj(i,j=1,2,…,n),构造如下的权重比矩阵其中:n是M的唯一非零特征根,记为λmax,而w是n所对应的特征矢量,并采用归一化的特征作为权重矢量:以此构建基于关联规则支持度S、置信度C和兴趣度I的权重计算公式其中w(S,C,I)表示规则ARi在故障征兆状态特征中的权重;Si、Ci和Ii分别表示该规则的支持度、置信度和兴趣度创建桥式抓斗卸船机故障征兆与桥式抓斗卸船机关联规则组的权重系数wi(Si,Ci,Ii);(5.4)在同一子系统和工况下,筛选可以反映故障征兆Sj参量的所有关联规则ARj,k,即为Sj(AR)=w1ARj,1+w2ARj,2+…+wkARj,k,以及表征故障类型Fi的所以故障征兆Si,j,即为Fi(S)=w′1Si,1+w′2Si,2+…+w′jSi,j,构造故障类型与AR组的关联规则指向性特征约束函数:Fi(AR)=w′1w1ARi,1+w′2w2ARi,2+…+w′kwkARi,k;(5.5)计算获取桥式抓斗卸船机故障征兆对应的关联规则组的置信度变化率。
从图2可以清楚看到卸船机故障预测模型中的故障类型、故障征兆与关联规则之间的权重关系表达,图3表示了A9监测点振动烈度的部分数据聚类结果,将数值型数据转化为布尔型关联规则挖掘,图4为“轨道故障”F1发生前一个月的历史数据作为实验验证数据,通过AR数值波动图,其中AR3关联规则部分数据波动图,计算对应标准管理规则的置信度变化率。
表1、表2和表3利用改进关联规则算法对桥式抓斗卸船机监测数据进行关联挖掘所表示的四卷筒系统部分关联规则、变幅系统部分关联规则和大车运行系统部分关联规则,通过关联规则表征卸船机的运行状态。
表4到表7反映出了桥式抓斗卸船机故障类型、故障征兆以及能表征卸船机运行状态的关联规则组之间的关联关系,利用构建的故障预测函数模型,通过四卷筒系统关联规则置信度变化率,获取卸船机故障内部信息,对其进行故障预测,预测结果与历史试验数据值基本吻合,并且对于变化率进行预测时能够准确的反映卸船机状态信息变化趋势,适合于实际工程运用。
综上所述,根据仿真结果显示,应用改进关联规则的桥式抓斗卸船机故障预测模型方法预测,由卸船机状态关联规则表可以发现,利用改进的关联规则算法进行数据挖掘可以全面地获得表征卸船机运行状态的动态规则,预测模型能够对复杂的卸船机潜在故障特性进行描述。基于改进关联规则的桥式抓斗卸船机故障预测对于卸船机故障信息进行预测时尤其能够反映卸船机的状态变化趋势和规律,预测精度较高。本发明弥补以往文献中对于桥式抓斗卸船机故障预测研究的不足,对于卸船机系统故障预测进行了深入的研究,为研究该类起重机械的故障预测诊断提供了理论依据。
Claims (5)
1.一种基于改进关联规则的桥式抓斗卸船机故障预测模型方法,其特征在于:所述预测方法包括以下步骤:
(1)获得模型输入和输出,将桥式抓斗卸船机状态监测的特征参数作为模型输入,采样获得卸船机的关联内部特征信息和故障类别作为模型输出;
(2)对原始监测数据进行预处理,将数据归一化,生成数据集进行分组获得训练集和测试集;
(3)选取聚类算法对数据根据其属性值域离散为非线性聚类区间,将数值型数据转化为布尔型进行处理,根据卸船机实际运作工况特点,保存数量较小的类,得到数据的实际分布结果;
(4)对兴趣度关联规则算法进行改进并获得能表征卸船机运行状态的关联规则组,得到桥式抓斗卸船机的运行状态特征;
(5)利用关联规则组,结合状态数据关联维权重系数构建状态监测数据关联规则指向性特征约束函数模型;
(6)输入数据集利用训练得到的基于改进关联规则的卸船机故障预测模型对卸船机故障类型进行预测;
(7)将卸船机故障发生历史数据用于卸船机故障预测模型,将预测结果和历史故障进行对比,分析预测结果。
2.如权利要求1所述的一种基于改进关联规则的桥式抓斗卸船机故障预测模型方法,其特征在于:所述步骤(4)中,对兴趣度关联规则算法进行改进并获得能表征卸船机运行状态的关联规则组,过程如下:
(4.1)读入桥式抓斗卸船机监测数据训练样本集;
(4.2)对预处理后的数据进行聚类离散,将其转化为布尔型关联规则进行处理;
(4.3)设置事务项集D,扫描事务数据库,分析每个事务的数据项,首次出现该数据项加入候选项集的集合C1,并将计数值置1;若该数据项已经出现在C1中,则将它的计数值加1,这样得到候选1-项集的集合C1,扫描C1,删除支持度小于给定支持度阈值的项集,得到频繁1-项集L1;
(4.4)由L1进行连接,得到C2,以此得到的LK-1进行连接;
(4.5)对连接产生的项集进行剪枝,生成候选项集CK;
(4.6)扫描CK,删除计数值小于给定支持度技术的项集,得到频繁K-项集的集合LK;
(4.7)循环(4.2)到(4.4),直到频繁项集LK为空,得到所有频繁项集L=L1∪L2…∪LK;
(4.8)对每个频繁项集L,筛选出满足兴趣度和置信度要求的能表征桥式抓斗卸船机运行状态的关联规则组。
3.如权利要求1或2所述的一种基于改进关联规则的桥式抓斗卸船机故障预测模型方法,其特征在于:所述步骤(1)中,以桥式抓斗卸船机为研究对象,其特征参数是通过分析桥式抓斗卸船机运行状态和故障发生特点得出,其中包括桥式抓斗卸船机四卷筒系统、大车运行系统、变幅系统、金属结构系统中不同部位的振动烈度以及金属结构不同位置的应力值作为特征参数;模型输出包括桥式抓斗卸船机关联内部特征信息与故障类型。
4.如权利要求3所述的一种基于改进关联规则的桥式抓斗卸船机故障预测模型方法,其特征在于:所述步骤(2)中,对原始监测数据进行预处理,过程如下:
(2.1)为全面监测桥式抓斗卸船机的机械状态,在卸船机主要位置布置了37个传感测点,这些测点按监测点位置分成5组:第I组监测四卷筒系统驱动电机、减速器的振动;第II组监测变幅系统驱动电机和减速箱的振动;第III组监测大车运行系统驱动电机和减速器的振动;第IV组监测金属结构系统中大梁、小门架及轨道上的振动与冲击;第V组监测金属结构的受力情况,实时采集这些监测点的数据作为分析数据;
(2.2)监测点采集的是实时数据,包括桥式抓斗卸船机遇到外界环境干扰(如大风、地震等)、非正常工作以及卸船机长时间停机整治或休息时,这些数据将不考虑对其故障分析当中,需要将其剔除;数据采集中空缺值的出现,采用该参数其他数据的平均值进行填充;将不同名称的数据依据需要转换成适合于挖掘的形式。
5.如权利要求4所述的一种基于改进关联规则的桥式抓斗卸船机故障预测模型方法,其特征在于:所述步骤(5)中,结合状态数据关联维权重系数构建状态监测数据关联规则指向性特征约束函数模型的过程如下:
(5.1)确定桥式抓斗卸船机的故障类型及故障征兆,项集F1=轨道故障,F2=主梁故障…Fn=电机故障;项集S1=开闭电机振动,S2=起升电机振动…Sm=大梁端振动;
(5.2)采集相同工况下且足够多的历史实验数据作为样本,分析故障类型与故障征兆之间的关联性,在此分析中事务数据库Di={第i个故障类型Fi发生},项集Si={第i个故障征兆状态超标},总样本中,各故障征兆Sn发生的状态量超标次数为f(Sn),故障例总数|Dm|中,各故障征兆Sn发生的状态量超标次数为f(Sn∪Fm),关联规则为第m个故障类型Fm对应的约简后故障征兆为Sm,n,Fm={Sm,1,Sm,2,…,Sm,Nm},其中Nm为约简后Fm中故障征兆个数,由置信度得到权重系数表达式:式中式中:W′m,n为故障类型Fm中故障征兆为Sm,n的权重系数;Cm,n为相应的置信度,建立桥式抓斗卸船机故障类型与桥式抓斗卸船机故障征兆的权重系数W′m,n;
(5.3)对每个关联规则赋上权重时,应使故障征兆状态特征中越重要的规则权重越大,并随着数据信息的不断更新对权值会有不同方位的收敛,根据各个规则的属性权重比wi/wj(i,j=1,2,…,n),构造如下的权重比矩阵M: 其中:n是M的唯一非零特征根,记为λmax,而w是n所对应的特征矢量,并采用归一化的特征作为权重矢量:以此构建基于关联规则支持度S、置信度C和兴趣度I的权重计算公式w(S,C,I):其中w(S,C,I)表示规则ARi在故障征兆状态特征中的权重;Si、Ci和Ii分别表示该规则的支持度、置信度和兴趣度创建桥式抓斗卸船机故障征兆与桥式抓斗卸船机关联规则组的权重系数wi(Si,Ci,Ii);
(5.4)在同一子系统和工况下,筛选可以反映故障征兆Sj参量的所有关联规则ARj,k,即为Sj(AR)=w1ARj,1+w2ARj,2+…+wkARj,k,以及表征故障类型Fi的所以故障征兆Si,j,即为Fi(S)=w′1Si,1+w′2Si,2+…+w′jSi,j,构造故障类型与AR组的关联规则指向性特征约束函数:Fi(AR)=w′1w1ARi,1+w′2w2ARi,2+…+w′kwkARi,k;
(5.5)计算获取桥式抓斗卸船机故障征兆对应的关联规则组的置信度变化率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810545101.5A CN108873859B (zh) | 2018-05-31 | 2018-05-31 | 基于改进关联规则的桥式抓斗卸船机故障预测模型方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810545101.5A CN108873859B (zh) | 2018-05-31 | 2018-05-31 | 基于改进关联规则的桥式抓斗卸船机故障预测模型方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108873859A true CN108873859A (zh) | 2018-11-23 |
CN108873859B CN108873859B (zh) | 2020-07-31 |
Family
ID=64336665
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810545101.5A Active CN108873859B (zh) | 2018-05-31 | 2018-05-31 | 基于改进关联规则的桥式抓斗卸船机故障预测模型方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108873859B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110008253A (zh) * | 2019-03-28 | 2019-07-12 | 浙江大学 | 基于两阶段频繁项集产生策略的工业数据关联规则挖掘及异常工况预测方法 |
CN110008565A (zh) * | 2019-03-28 | 2019-07-12 | 浙江大学 | 一种基于运行参数关联性分析的工业过程异常工况预测方法 |
CN110018670A (zh) * | 2019-03-28 | 2019-07-16 | 浙江大学 | 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 |
CN110390056A (zh) * | 2019-06-18 | 2019-10-29 | 平安科技(深圳)有限公司 | 大数据处理方法、装置、设备及可读存储介质 |
CN112734094A (zh) * | 2020-12-30 | 2021-04-30 | 中南大学 | 一种智慧城市智轨车辆故障基因预测方法及系统 |
CN112910082A (zh) * | 2021-03-24 | 2021-06-04 | 江苏扬帆船舶设备有限公司 | 一种用于船舶电力推进系统的供电系统 |
CN113032912A (zh) * | 2021-04-20 | 2021-06-25 | 上海交通大学 | 基于关联规则的船舶柴油机故障检测方法 |
CN113379223A (zh) * | 2021-06-04 | 2021-09-10 | 江苏科技大学 | 基于故障关联模型的船舶主机随船备件多层级配置方法 |
CN113849540A (zh) * | 2021-09-22 | 2021-12-28 | 广东电网有限责任公司 | 故障预测模型训练和预测方法、装置、电子设备及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103871003A (zh) * | 2014-03-31 | 2014-06-18 | 国家电网公司 | 一种应用历史故障数据的配电网故障诊断方法 |
JP2015078870A (ja) * | 2013-10-16 | 2015-04-23 | 横河電機株式会社 | データ収集モジュール |
CN104598984A (zh) * | 2014-12-08 | 2015-05-06 | 北京邮电大学 | 一种基于模糊神经网络的故障预测方法 |
CN104915526A (zh) * | 2015-07-06 | 2015-09-16 | 广州特种机电设备检测研究院 | 一种参数化仿真在桥式抓斗卸船机安全评估中的应用方法 |
CN106395639A (zh) * | 2016-11-04 | 2017-02-15 | 上海梅山钢铁股份有限公司 | 一种卸船机主小车水平轮防脱落预警系统及方法 |
CN107084853A (zh) * | 2017-03-06 | 2017-08-22 | 上海大学 | 云制造下设备故障预测方法 |
-
2018
- 2018-05-31 CN CN201810545101.5A patent/CN108873859B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015078870A (ja) * | 2013-10-16 | 2015-04-23 | 横河電機株式会社 | データ収集モジュール |
CN103871003A (zh) * | 2014-03-31 | 2014-06-18 | 国家电网公司 | 一种应用历史故障数据的配电网故障诊断方法 |
CN104598984A (zh) * | 2014-12-08 | 2015-05-06 | 北京邮电大学 | 一种基于模糊神经网络的故障预测方法 |
CN104915526A (zh) * | 2015-07-06 | 2015-09-16 | 广州特种机电设备检测研究院 | 一种参数化仿真在桥式抓斗卸船机安全评估中的应用方法 |
CN106395639A (zh) * | 2016-11-04 | 2017-02-15 | 上海梅山钢铁股份有限公司 | 一种卸船机主小车水平轮防脱落预警系统及方法 |
CN107084853A (zh) * | 2017-03-06 | 2017-08-22 | 上海大学 | 云制造下设备故障预测方法 |
Non-Patent Citations (1)
Title |
---|
班淑珍: "改进关联规则方法在电力设备故障预测中的应用", 《电网与清洁能源》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110008253A (zh) * | 2019-03-28 | 2019-07-12 | 浙江大学 | 基于两阶段频繁项集产生策略的工业数据关联规则挖掘及异常工况预测方法 |
CN110008565A (zh) * | 2019-03-28 | 2019-07-12 | 浙江大学 | 一种基于运行参数关联性分析的工业过程异常工况预测方法 |
CN110018670A (zh) * | 2019-03-28 | 2019-07-16 | 浙江大学 | 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 |
CN110018670B (zh) * | 2019-03-28 | 2020-07-10 | 浙江大学 | 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 |
CN110390056A (zh) * | 2019-06-18 | 2019-10-29 | 平安科技(深圳)有限公司 | 大数据处理方法、装置、设备及可读存储介质 |
CN110390056B (zh) * | 2019-06-18 | 2022-07-15 | 平安科技(深圳)有限公司 | 大数据处理方法、装置、设备及可读存储介质 |
CN112734094A (zh) * | 2020-12-30 | 2021-04-30 | 中南大学 | 一种智慧城市智轨车辆故障基因预测方法及系统 |
CN112734094B (zh) * | 2020-12-30 | 2023-11-24 | 中南大学 | 一种智慧城市智轨车辆故障基因预测方法及系统 |
CN112910082A (zh) * | 2021-03-24 | 2021-06-04 | 江苏扬帆船舶设备有限公司 | 一种用于船舶电力推进系统的供电系统 |
CN113032912A (zh) * | 2021-04-20 | 2021-06-25 | 上海交通大学 | 基于关联规则的船舶柴油机故障检测方法 |
CN113379223A (zh) * | 2021-06-04 | 2021-09-10 | 江苏科技大学 | 基于故障关联模型的船舶主机随船备件多层级配置方法 |
CN113849540A (zh) * | 2021-09-22 | 2021-12-28 | 广东电网有限责任公司 | 故障预测模型训练和预测方法、装置、电子设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108873859B (zh) | 2020-07-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108873859A (zh) | 基于改进关联规则的桥式抓斗卸船机故障预测模型方法 | |
CN110633855B (zh) | 一种桥梁健康状态检测与管养决策系统及方法 | |
WO2023142424A1 (zh) | 基于gru-lstm神经网络的电力金融业务风控方法及系统 | |
CN101950382B (zh) | 一种带有风险控制的液压设备最优维修计算方法 | |
CN110457786B (zh) | 基于深度置信网络的卸船机关联规则故障预测模型方法 | |
US20230213895A1 (en) | Method for Predicting Benchmark Value of Unit Equipment Based on XGBoost Algorithm and System thereof | |
Sakthivel et al. | Automatic rule learning using roughset for fuzzy classifier in fault categorization of mono-block centrifugal pump | |
CN109657880A (zh) | 一种基于贝叶斯网络的船舶碰撞事故等级预测方法和系统 | |
Yu et al. | Intelligent monitoring and diagnosis of manufacturing processes using an integrated approach of KBANN and GA | |
Vashishtha et al. | Intelligent fault diagnosis of worm gearbox based on adaptive CNN using amended gorilla troop optimization with quantum gate mutation strategy | |
CN113987908A (zh) | 基于机器学习方法的天然气管网泄漏预警方法 | |
CN116993306A (zh) | 基于知识图谱的网络协同制造系统的构建方法和装置 | |
Jiang et al. | Improvement of random forest by multiple imputation applied to tower crane accident prediction with missing data | |
Dong et al. | Fatigue residual life estimation of jib structure based on improved v‐SVR algorithm obtaining equivalent load spectrum | |
Teyi et al. | A review of application of data science tools in crack identification and localization | |
Elbazi et al. | Digital twin-enabled monitoring of mining haul trucks with expert system integration: A case study in an experimental open-pit mine | |
Moradi et al. | Intelligent health indicators based on semi-supervised learning utilizing acoustic emission data | |
Sun et al. | A data-driven framework for tunnel infrastructure maintenance | |
CN114897262A (zh) | 一种基于深度学习的轨道交通设备故障预测方法 | |
Qu et al. | Degradation principle of machines influenced by maintenance | |
Liu et al. | Data‐Driven Approaches for Diagnosis of Incipient Faults in Cutting Arms of the Roadheader | |
Cai et al. | Application of fund analysis model to identify key factors in construction projects | |
Colace et al. | Unsupervised Learning Techniques for Vibration-Based Structural Health Monitoring Systems Driven by Data: A General Overview | |
CN114519923B (zh) | 一种电厂智能诊断预警方法和系统 | |
Zhu et al. | Research on equipment fault prediction expert system based on big data dimension reduction |
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 |