CN112925806B - 基于关联规则的性能退化特征参数提取方法、系统、介质及设备 - Google Patents
基于关联规则的性能退化特征参数提取方法、系统、介质及设备 Download PDFInfo
- Publication number
- CN112925806B CN112925806B CN202110402023.5A CN202110402023A CN112925806B CN 112925806 B CN112925806 B CN 112925806B CN 202110402023 A CN202110402023 A CN 202110402023A CN 112925806 B CN112925806 B CN 112925806B
- Authority
- CN
- China
- Prior art keywords
- state monitoring
- fault
- fault mode
- monitoring parameter
- parameter
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于关联规则的性能退化特征参数提取方法、系统、介质及设备,包括:根据FMEA分析结果,列出产品的故障模式清单;根据产品状态监测实际情况,列出产品的状态监测参数清单;采集产品故障历史数据,形成故障数据库,所述故障数据库中包含每次故障对应的故障模式数据项和超过预警值的状态监测参数数据项;计算每个状态监测参数与故障模式对应的关联规则的支持度和置信度;获取支持度和置信度的最小阈值,根据阈值提取性能退化特征参数,并获得对应的故障模式。本发明状态监测数据中找出与产品故障模式关联的状态参数,很好的反映其性能状态退化过程,不仅降低了数据运算的工作量,而且提高了故障诊断和预测的有效性和准确性。
Description
技术领域
本发明涉及故障诊断与寿命预测分析技术领域,具体地,涉及一种基于关联规则的性能退化特征参数提取方法、系统、介质及设备。
背景技术
性能退化特征参数的识别和提取是进行产品性能退化建模、故障诊断与预测的基础和依据。对于特征参数的提取必须要具备以下两个条件:①作为状态参数的技术性能指标必须有准确的定义并且能够进行持续性的监测;②随着关键部件运行或者试验时间的延长,状态参数有着明显的趋势性变化,能够客观反映关键部件的运行状态及健康状况。但在实际应用过程中,由于产品性能退化过程具有随机性和复杂性的特点,很多状态监测参数对性能退化过程敏感性不高、趋势不明显和缺乏共性等问题,不能很好的反映其性能状态退化过程,不仅增加了数据运算的工作量,而且降低了故障诊断和预测的有效性和准确性。因此,有必要对产品的关键性能退化特征参数进行提取或筛选,从而得到准确反映关键部件性能退化过程的状态参数,为故障诊断和预测的相关研究提供数据基础。
目前,对于性能退化特征参数的提取和筛选的相关研究较少,没有提出统一的具有指导性的理论与方法。研究成果主要是针对某一种故障模式提出的提取方法,对于那些具有多种故障模式的复杂产品或系统来说,具有一定的局限性。因此,本发明从产品故障模式和机理分析出发,基于产品故障历史数据,提出一种基于关联规则的针对多故障模式的关键性能退化特征参数提取方法。
专利文献CN112131265A(申请号:CN202010666399.2)公开了一种基于数据挖掘的接触器电寿命不良数据检测方法,包括如下步骤:构建接触器性能退化特征参数模型,选取接触器性能退化特征参数评估接触器性能退化程度;构建基于改进经验模态的接触器特征参数提取模型,对采样数据进行去噪处理,提取接触器性能退化特征参数;采用改进的多维关联规则算法求解接触器特征参数之间关联关系。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种基于关联规则的性能退化特征参数提取方法、系统、介质及设备。
根据本发明提供的基于关联规则的性能退化特征参数提取方法,包括:
步骤1:根据FMEA分析结果,列出产品的故障模式清单;
步骤2:根据产品状态监测实际情况,列出产品的状态监测参数清单;
步骤3:采集产品故障历史数据,形成故障数据库,所述故障数据库中包含每次故障对应的故障模式数据项和超过预警值的状态监测参数数据项;
步骤4:计算每个状态监测参数与故障模式对应的关联规则的支持度support和置信度confidence;
步骤5:获取支持度和置信度的最小阈值,根据阈值提取性能退化特征参数,并获得对应的故障模式。
优选的,状态监测参数与故障模式对应的关联规则的支持度计算公式为:
其中:number(A∩B)为数据集中A和B都出现次数;number(D)为故障数据库D的总故障次数;X为状态监测参数A超出预警值,Y为发生故障模式B,关联规则X→Y表示状态监测参数A与故障模式B之间的关联程度。
优选的,状态监测参数与故障模式对应的关联规则的置信度计算公式为:
其中:number(A)为数据集中A出现次数。
优选的,当状态监测参数与故障模式之间的关联规则的支持度和置信度大于预设阈值时,则判定该参数与故障模式之间存在关联关系,满足如下公式:
其中:Smin,Cmin分别为支持度和置信度的最小阈值。
根据本发明提供的基于关联规则的性能退化特征参数提取系统,包括:
模块M1:根据FMEA分析结果,列出产品的故障模式清单;
模块M2:根据产品状态监测实际情况,列出产品的状态监测参数清单;
模块M3:采集产品故障历史数据,形成故障数据库,所述故障数据库中包含每次故障对应的故障模式数据项和超过预警值的状态监测参数数据项;
模块M4:计算每个状态监测参数与故障模式对应的关联规则的支持度support和置信度confidence;
模块M5:获取支持度和置信度的最小阈值,根据阈值提取性能退化特征参数,并获得对应的故障模式。
优选的,状态监测参数与故障模式对应的关联规则的支持度计算公式为:
其中:number(A∩B)为数据集中A和B都出现次数;number(D)为故障数据库D的总故障次数;X为状态监测参数A超出预警值,Y为发生故障模式B,关联规则X→Y表示状态监测参数A与故障模式B之间的关联程度。
优选的,状态监测参数与故障模式对应的关联规则的置信度计算公式为:
其中:number(A)为数据集中A出现次数。
优选的,当状态监测参数与故障模式之间的关联规则的支持度和置信度大于预设阈值时,则判定该参数与故障模式之间存在关联关系,满足如下公式:
其中:Smin,Cmin分别为支持度和置信度的最小阈值。
根据本发明提供的一种存储有计算机程序的计算机可读存储介质,所述计算机程序被处理器执行时实现上述的方法的步骤。
根据本发明提供的一种基于关联规则的性能退化特征参数提取设备,包括:控制器;
所述控制器包括所述的存储有计算机程序的计算机可读存储介质,所述计算机程序被处理器执行时实现所述的基于关联规则的性能退化特征参数提取方法的步骤;或者,所述控制器包括所述的基于关联规则的性能退化特征参数提取系统。
与现有技术相比,本发明具有如下的有益效果:
本发明借鉴关联规则数据挖掘的思想,从大量的状态监测数据中找出与产品故障模式紧密关联的状态参数,在实际应用过程中,能很好的反映其性能状态退化过程,不仅降低了数据运算的工作量,而且提高了故障诊断和预测的有效性和准确性。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明的基本流程图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
实施例:
如图1,根据本发明提供的基于关联规则的性能退化特征参数提取方法,包括:
步骤1:根据FMEA分析结果,列出产品的故障模式清单;
步骤2:根据产品状态监测实际情况,列出产品的状态监测参数清单;
步骤3:采集产品故障历史数据,形成故障数据库,所述故障数据库中包含每次故障对应的故障模式数据项和超过预警值的状态监测参数数据项;
步骤4:计算每个状态监测参数与故障模式对应的关联规则的支持度support和置信度confidence;
步骤5:获取支持度和置信度的最小阈值;
步骤6:根据阈值提取性能退化特征参数,并获得对应的故障模式。
设故障数据库D={f1,f2,…,fn},其中fi表示第i次故障数据,n为故障总次数。fi={x1,x2,…,xm},其中xj为第i次故障的第j个数据项。
设X为状态监测参数A超出预警值,Y为发生故障模式B,则关联规则X→Y表示状态监测参数A与故障模式B之间的关联程度。
在关联规则中,通过支持度support和置信度confidence两个指标来衡量关联规则的有效性和可信性。
关联规则的支持度表示当产品发生故障时,故障模式B发生和状态监测参数A超出警示值的概率,即在故障数据库D中A和B同时出现的概率,即:
其中:number(A∩B)为数据集中A和B都出现次数;number(D)为D的总故障次数。支持度越大,说明该参数与对应故障模式的紧密程度越大,该状态监测参数的有效性就越大。
关联规则的置信度表示当状态监测参数A超出警示值时发生故障模式B的概率,即在故障数据库D中,A出现的条件下B出现的概率,即:
其中:number(A)为数据集中A出现次数。置信度越大,说明该参数对故障模式的依赖性、可靠度越高。
由于不同的状态监测参数反映的故障模式不同,即某个或某些状态监测参数对应某种故障模式。当状态监测参数与故障模式之间的关联规则的支持度和置信度达到一定阈值时,认为产品状态监测参数与故障模式之间存在着一定的关系。即:
其中:Smin,Cmin分别为支持度和置信度的最小阈值。
当某一状态监测参数与故障模式之间的关联规则的支持度和置信度大于规定阈值,则提取该参数为关键性能退化特征参数,并得到其对应的故障模式。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以,本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件,而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构;也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (4)
1.一种基于关联规则的性能退化特征参数提取方法,其特征在于,包括:
步骤1:根据FMEA分析结果,列出产品的故障模式清单;
步骤2:根据产品状态监测实际情况,列出产品的状态监测参数清单;
步骤3:采集产品故障历史数据,形成故障数据库,所述故障数据库中包含每次故障对应的故障模式数据项和超过预警值的状态监测参数数据项;
步骤4:计算每个状态监测参数与故障模式对应的关联规则的支持度support和置信度confidence;
步骤5:获取支持度和置信度的最小阈值,根据阈值提取性能退化特征参数,并获得对应的故障模式;当某一状态监测参数与故障模式之间的关联规则的支持度和置信度大于规定阈值,则提取该状态监测参数为关键性能退化特征参数,并得到其对应的故障模式;
状态监测参数与故障模式对应的关联规则的支持度计算公式为:
其中:number(A∩B)为数据集中A和B都出现次数;number(D)为故障数据库D的总故障次数;X为状态监测参数A超出预警值,Y为发生故障模式B,关联规则X→Y表示状态监测参数A与故障模式B之间的关联程度;
状态监测参数与故障模式对应的关联规则的置信度计算公式为:
其中:number(A)为数据集中A出现次数;
当状态监测参数与故障模式之间的关联规则的支持度和置信度大于预设阈值时,则判定该参数与故障模式之间存在关联关系,满足如下公式:
其中:Smin,Cmin分别为支持度和置信度的最小阈值。
2.一种基于关联规则的性能退化特征参数提取系统,其特征在于,包括:
模块M1:根据FMEA分析结果,列出产品的故障模式清单;
模块M2:根据产品状态监测实际情况,列出产品的状态监测参数清单;
模块M3:采集产品故障历史数据,形成故障数据库,所述故障数据库中包含每次故障对应的故障模式数据项和超过预警值的状态监测参数数据项;
模块M4:计算每个状态监测参数与故障模式对应的关联规则的支持度support和置信度confidence;
模块M5:获取支持度和置信度的最小阈值,根据阈值提取性能退化特征参数,并获得对应的故障模式;当某一状态监测参数与故障模式之间的关联规则的支持度和置信度大于规定阈值,则提取该状态监测参数为关键性能退化特征参数,并得到其对应的故障模式;
状态监测参数与故障模式对应的关联规则的支持度计算公式为:
其中:number(A∩B)为数据集中A和B都出现次数;number(D)为故障数据库D的总故障次数;X为状态监测参数A超出预警值,Y为发生故障模式B,关联规则X→Y表示状态监测参数A与故障模式B之间的关联程度;
状态监测参数与故障模式对应的关联规则的置信度计算公式为:
其中:number(A)为数据集中A出现次数;
当状态监测参数与故障模式之间的关联规则的支持度和置信度大于预设阈值时,则判定该参数与故障模式之间存在关联关系,满足如下公式:
其中:Smin,Cmin分别为支持度和置信度的最小阈值。
3.一种存储有计算机程序的计算机可读存储介质,其特征在于,所述计算机程序被处理器执行时实现权利要求1所述的方法的步骤。
4.一种基于关联规则的性能退化特征参数提取设备,其特征在于,包括:控制器;所述控制器包括权利要求3所述的存储有计算机程序的计算机可读存储介质,所述计算机程序被处理器执行时实现权利要求1所述的基于关联规则的性能退化特征参数提取方法的步骤;或者,所述控制器包括权利要求2所述的基于关联规则的性能退化特征参数提取系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110402023.5A CN112925806B (zh) | 2021-04-14 | 2021-04-14 | 基于关联规则的性能退化特征参数提取方法、系统、介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110402023.5A CN112925806B (zh) | 2021-04-14 | 2021-04-14 | 基于关联规则的性能退化特征参数提取方法、系统、介质及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112925806A CN112925806A (zh) | 2021-06-08 |
CN112925806B true CN112925806B (zh) | 2023-07-25 |
Family
ID=76174429
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110402023.5A Active CN112925806B (zh) | 2021-04-14 | 2021-04-14 | 基于关联规则的性能退化特征参数提取方法、系统、介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112925806B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117131110B (zh) * | 2023-10-27 | 2024-01-23 | 南京中鑫智电科技有限公司 | 一种基于关联分析的容性设备介质损耗监测方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111784537A (zh) * | 2020-06-30 | 2020-10-16 | 国网信息通信产业集团有限公司 | 一种配电网状态参数监测方法、装置及电子设备 |
CN112016602A (zh) * | 2020-08-18 | 2020-12-01 | 广东电网有限责任公司韶关供电局 | 电网故障原因与状态量的关联分析方法,设备和存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103760901B (zh) * | 2013-12-31 | 2016-06-29 | 北京泰乐德信息技术有限公司 | 一种基于关联规则分类器的轨道交通故障识别方法 |
CA2922108C (en) * | 2015-10-15 | 2023-03-07 | Tata Consultancy Services Limited | Systems and methods for predictive reliability mining |
CN106019084B (zh) * | 2016-06-16 | 2020-11-17 | 上海交通大学 | 基于配用电数据关联的中压配电网断线故障诊断方法 |
CN110991668A (zh) * | 2019-11-29 | 2020-04-10 | 合肥国轩高科动力能源有限公司 | 一种基于关联规则的电动汽车动力电池监控数据分析方法 |
-
2021
- 2021-04-14 CN CN202110402023.5A patent/CN112925806B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111784537A (zh) * | 2020-06-30 | 2020-10-16 | 国网信息通信产业集团有限公司 | 一种配电网状态参数监测方法、装置及电子设备 |
CN112016602A (zh) * | 2020-08-18 | 2020-12-01 | 广东电网有限责任公司韶关供电局 | 电网故障原因与状态量的关联分析方法,设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112925806A (zh) | 2021-06-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111459778B (zh) | 运维系统异常指标检测模型优化方法、装置及存储介质 | |
US10914608B2 (en) | Data analytic engine towards the self-management of complex physical systems | |
CN107086944B (zh) | 一种异常检测方法和装置 | |
US9245235B2 (en) | Integrated approach to model time series dynamics in complex physical systems | |
US10373065B2 (en) | Generating database cluster health alerts using machine learning | |
EP3236398A1 (en) | A system for maintenance recommendation based on maintenance effectiveness estimation | |
CN112257755B (zh) | 航天器运行状态的分析方法和装置 | |
US20150269120A1 (en) | Model parameter calculation device, model parameter calculating method and non-transitory computer readable medium | |
CN112148768A (zh) | 一种指标时间序列异常检测方法、系统及存储介质 | |
US20170315855A1 (en) | Method of detecting anomalies on appliances and system thereof | |
KR20140058501A (ko) | 패턴 시퀀스를 가지는 커널 회귀 모델링을 사용하는 모니터링 시스템 | |
KR20140041767A (ko) | 패턴 시퀀스를 가지는 커널 회귀 모델링을 사용하는 모니터링 방법 | |
CN111027615B (zh) | 基于机器学习的中间件故障预警方法和系统 | |
CN112414694B (zh) | 基于多元状态估计技术的设备多级异常状态识别方法及装置 | |
CN113642754A (zh) | 一种基于rf降噪自编码信息重构和时间卷积网络的复杂工业过程故障预测方法 | |
CN110083593B (zh) | 电站运行参数清洗及修复方法、修复系统 | |
CN110858072B (zh) | 设备运行状态的确定方法及装置 | |
CN112925806B (zh) | 基于关联规则的性能退化特征参数提取方法、系统、介质及设备 | |
CN116235148A (zh) | 干泵宕机的预警方法、装置、电子设备、存储介质及程序 | |
Hu et al. | Mahalanobis distance based approach for anomaly detection of analog filters using frequency features and Parzen window density estimation | |
CN113918433A (zh) | 一种自适应的智慧网络设备性能指标异常检测装置及方法 | |
CN117076869A (zh) | 旋转机械时频域融合故障诊断方法及系统 | |
CN112016800A (zh) | 一种基于有效性指标的特征选择方法与系统 | |
CN110837953A (zh) | 一种自动化异常实体定位分析方法 | |
CN114674511B (zh) | 一种用于剔除时变环境因素影响的桥梁模态异常预警方法 |
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 |