CN111103157A - 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 - Google Patents

Abstract

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。

Description

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

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。

优选的，步骤3包括构建当前种群，并对当前种群中的个体进行编码，编码方法遵循以下规则：

规则1：若待挖掘数据集D中包含m个项目，则种群中每个个体（频繁项集）由m个二进制位组成；

规则2：个体中若包含某个项目，则该项目所对应的二进制位为1，否则为0。

优选的，步骤4包括对父辈个体进行交叉操作生成子辈个体，交叉操作遵循以下规则：

规则1：若当前种群中存在两个个体indiv₁和indiv₂的前m-1位相同，则indiv₁和indiv₂优先构成一个二元组进行交叉操作，indiv₁中最后一个项目对应的1所在位记为m₁，indiv₂中最后一个项目对应的1所在位记为m₂，m=min{m₁,m₂}；

规则2：二元组中的两个个体indiv₁和indiv₂作为父辈个体parent₁和parent₂进行交叉操作时，将parent₁中为0而parent₂中为1的任意一位设置为1，生成子辈个体child₁；同样的，将parent₂中为0而parent₁中为1的任意一位设置为1，生成子辈个体child₂。

优选的，步骤5中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，变异操作遵循以下规则：

规则：在非频繁项集中任意选择两个项目，其中项目e₁对应的二进制位为m₁，项目e₂对应的二进制位为m₂，且m₁≠m₂，然后将两个项目对应的二进制位进行翻转。

综上所述，本发明的有益效果为：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，提出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，可以实时监测工业设备运行状态，实现故障预测，并实时预警；此外，该发明将遗传算法的交叉、变异、选择操作与关联规则分析算法的向下闭包特性融合，应用于频繁项集的迭代挖掘过程中，以提高所候选频繁项集的质量，从而加快频繁项集的挖掘速度，可提高关联规则分析的效率，提高设备故障预测及预警的实时性。

附图说明

图1是本发明的流程图。

具体实施方式

下面结合附图对本发明的具体实施方式作进一步说明，本实施例不构成对本发明的限制。

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，编码方法遵循以下规则：

规则1：若待挖掘数据集D中包含m个项目，则种群中每个个体（频繁项集）由m个二进制位组成。

规则2：个体中若包含某个项目，则该项目所对应的二进制位为1，否则为0。比如数据集

中若包含5个项目{a,b,c,d,e}，则频繁项集{a,c}对应的编码为{1,0,1,0,0}。

步骤4、从当前种群中选择两个个体（频繁k-1项集）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（候选频繁k项集），所述交叉操作遵循以下规则：

规则1：若当前种群中存在两个个体indiv₁和indiv₂的前m-1位相同，则indiv₁和indiv₂优先构成一个二元组进行交叉操作，indiv₁中最后一个项目对应的1所在位记为m₁，indiv₂中最后一个项目对应的1所在位记为m₂，m=min{m₁,m₂}。比如当前种群中存在三个个体分别为{1,0,1,1,0}，{1,1,1,0,0}和{1,0,1,0,1}，{1,0,1,1,0}和{1,0,1,0,1}优先进行配对构成一个二元组。

规则2：二元组中的两个个体indiv₁和indiv₂作为父辈个体parent₁和parent₂进行交叉操作时，将parent₁中为0而parent₂中为1的任意一位设置为1，生成子辈个体child₁；同样的，将parent₂中为0而parent₁中为1的任意一位设置为1，生成子辈个体child₂。比如当二元组中两个父辈个体parent₁和parent₂分别为{1,1,1,0,0}和{0,0,1,1,1}时，可以生成子辈个体child₁和child₂分别为{1,1,1,1,0}和{1,0,1,1,1}。

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，所述变异操作遵循以下规则：

规则：在非频繁项集中任意选择两个项目，其中项目e₁对应的二进制位为m₁，项目e₂对应的二进制位为m₂，且m₁≠m₂，然后将两个项目对应的二进制位进行翻转。比如当前种群中存在个体{1,0,1,1,0}为非频繁项集，代表项集acd，项目a对应的二进制位为1，项目b对应的二进制位为0，将项目a对应的二进制位与项目b对应的二进制位进行翻转，得到变异后的个体为{0,1,1,1,0}。

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。

以上所述，仅是本发明的较佳实施例而已，不用于限制本发明，本领域技术人员可以在本发明的实质和保护范围内，对本发明做出各种修改或等同替换，这种修改或等同替换也应视为落在本发明技术方案的保护范围内。

Claims (4)

1.一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（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。

2.根据权利要求1所述的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，步骤3包括构建当前种群，并对当前种群中的个体进行编码，编码方法遵循以下规则：

规则1：若待挖掘数据集D中包含m个项目，则种群中每个个体（频繁项集）由m个二进制位组成；

规则2：个体中若包含某个项目，则该项目所对应的二进制位为1，否则为0。

3.根据权利要求1所述的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，步骤4包括对父辈个体进行交叉操作生成子辈个体，交叉操作遵循以下规则：

规则1：若当前种群中存在两个个体indiv₁和indiv₂的前m-1位相同，则indiv₁和indiv₂优先构成一个二元组进行交叉操作，indiv₁中最后一个项目对应的1所在位记为m₁，indiv₂中最后一个项目对应的1所在位记为m₂，m=min{m₁,m₂}；

规则2：二元组中的两个个体indiv₁和indiv₂作为父辈个体parent₁和parent₂进行交叉操作时，将parent₁中为0而parent₂中为1的任意一位设置为1，生成子辈个体child₁；同样的，将parent₂中为0而parent₁中为1的任意一位设置为1，生成子辈个体child₂。

4.根据权利要求1所述的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，步骤5中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，变异操作遵循以下规则：

规则：在非频繁项集中任意选择两个项目，其中项目e₁对应的二进制位为m₁，项目e₂对应的二进制位为m₂，且m₁≠m₂，然后将两个项目对应的二进制位进行翻转。

Images