CN113988182A - 一种基于KMeans-FPgrowth算法的矿用卡车发动机故障预警方法 - Google Patents
一种基于KMeans-FPgrowth算法的矿用卡车发动机故障预警方法 Download PDFInfo
- Publication number
- CN113988182A CN113988182A CN202111263778.8A CN202111263778A CN113988182A CN 113988182 A CN113988182 A CN 113988182A CN 202111263778 A CN202111263778 A CN 202111263778A CN 113988182 A CN113988182 A CN 113988182A
- Authority
- CN
- China
- Prior art keywords
- algorithm
- early warning
- clustering
- fault early
- kmeans
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000005065 mining Methods 0.000 title claims abstract description 20
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 238000003064 k means clustering Methods 0.000 claims abstract description 7
- 230000000977 initiatory effect Effects 0.000 claims abstract description 5
- 230000002776 aggregation Effects 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 4
- 230000002159 abnormal effect Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010033799 Paralysis Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009530 blood pressure measurement Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明公开了一种基于KMeans‑FPgrowth算法的矿用卡车发动机故障预警方法,包括:步骤一:采集发动机相关特征历史数据,并基于K‑Means聚类算法对各个特征进行聚类,基于轮廓系数找到最佳聚类个数;步骤二:对聚类后的特征及聚类区间进行编号;步骤三:基于FP‑growth关联规则算法对编号后的特征进行规则提取,设定覆盖率,基于覆盖率对FP‑growth算法的支持度和置信度进行调整,提取出最终的规则;步骤四:采集发动机相关特征实时数据,设置滑动窗口,当窗口内的覆盖率率小于设定值时,发起发动机故障预警。本发明根据相关参数预测出实时缸温与实际缸温进行对比,提前发现缸温异常,减少设备维修成本。
Description
技术领域
本发明属于矿用卡车维护技术领域,具体涉及一种基于KMeans-FPgrowth算法的矿用卡车发动机故障预警方法。
背景技术
矿用卡车维护成本高昂,尤其发动机系统是卡车的心脏,出现问题会直接导致卡车瘫痪,而通常靠人工发现问题时已经为时已晚,此时对卡车的损伤和卡车提供的劳动力损失都已经造成了,目前人工智能在矿用卡车发动机故障预警方面应用较少。
发明内容
本发明旨在利用KMeans聚类算法结合FPgrowth关联规则算法对卡车发动机故障相关历史数据进行规则提取,以此规则提前对发动机故障做出预警,因此,提供了一种基于KMeans-FPgrowth算法的矿用卡车发动机故障预警方法,提前发现发动机异常,减少设备维修成本。
本发明采用如下技术方案来实现的:
一种基于KMeans-FPgrowth算法的矿用卡车发动机故障预警方法,包括以下步骤:
步骤一:采集发动机相关特征历史数据,并基于K-Means聚类算法对各个特征进行聚类,基于轮廓系数找到最佳聚类个数;
步骤二:对聚类后的特征及聚类区间进行编号;
步骤三:基于FP-growth关联规则算法对编号后的特征进行规则提取,设定覆盖率,基于覆盖率对FP-growth算法的支持度和置信度进行调整,提取出最终的规则;
步骤四:采集发动机相关特征实时数据,设置滑动窗口,当窗口内的覆盖率率小于设定值时,发起发动机故障预警。
本发明进一步的改进在于,步骤一的具体实现方法如下:
采集矿用卡车发动机相关特征数据,然后对特征离散化,即基于K-Means聚类算法对每个特征进行聚类,并基于轮廓系数选择最优的聚类个数,其值域为[-1,1];其中ai为样本i到同簇其它样本的平均距离,ai越小说明样本i越应该被聚类到该簇,簇内凝聚成度越高,bi为样本i到其它簇Cj的所有样本的平均距离bij,bi=min{bi1,bi2,...,bik}。
本发明进一步的改进在于,bi越大说明样本i越不属于其它簇,簇间分离成度越高。
本发明进一步的改进在于,步骤二的具体实现方法如下:
对每个特征及其对应的聚类区间进行编号,如第n个特征的值x被聚类到第k个区间,则其对应的编号为n0k。
本发明进一步的改进在于,步骤三的具体实现方法如下:
基于FP-growth关联规则算法对得到的编号数据进行规则提取,并基于规则覆盖率调整支持度和置信度,其中覆盖率计算公式为cr=k1/k2×100%,其中k1为符合所有规则的数据条数,k2为该数据集条数,最后基于调整后的支持度和置信度提取出最终的规则。
本发明进一步的改进在于,步骤四的具体实现方法如下:
采集发动机相关特征部分历史数据,基于K-Means算法对各特征进行离散化,聚类个数k的范围为[3,20],通过计算轮廓系数,选取轮廓系数最大的k值。
本发明至少具有如下有益的技术效果:
本发明通过KMeans聚类算法对相关特征数据进行分箱,比一般的等频分箱、等距分箱更能表达特征在某一范围内的聚集性和特性。而FPGrowth算法相比于Apriori算法性能更高效,而且基于FPGrowth算法对发动机进行故障预警时可以不需要故障时的数据,只要正常运行时的数据足够丰富,即可提取出正常运行时的规则,当发动机频繁不在正常状态即可对其发起故障预警。
本发明的技术要点在于基于KMeans算法与FPGrowth算法相结合对矿用卡车发动机故障提前预警。首先基于KMeans算法对发动机故障相关特征聚类,采用轮廓系数作为聚类好坏的指标,对聚类后的特征进行编码,然后基于FPGrowth关联规则算法对编码后的数据进行规则提取,通过比较规则在窗口内的实时数据的覆盖率来判断卡车发动机是否出现异常,从而发出预警。
附图说明
图1为本发明的流程图。
图2为喷嘴测量支路压力轮廓系数变化趋势图。
图3为喷嘴测量支路压力聚类分布图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
如图1所示,本发明提供的一种基于KMeans-FPgrowth算法的矿用卡车发动机故障预警方法,包括以下步骤:
步骤一:采集发动机相关特征历史数据,并基于K-Means聚类算法对各个特征进行聚类,基于轮廓系数找到最佳聚类个数。步骤二:对聚类后的特征及聚类区间进行编号。步骤三:基于FP-growth关联规则算法对编号后的特征进行规则提取,设定合理的覆盖率,基于覆盖率对FP-growth算法的支持度和置信度进行调整,提取出最终的规则。步骤四:采集发动机相关特征实时数据,设置滑动窗口,当窗口内的覆盖率率小于设定值时,发起发动机故障预警。
1、连续型特征离散化。采集矿用卡车发动机相关特征数据,然后对特征离散化,即基于K-Means聚类算法对每个特征进行聚类,并基于轮廓系数选择最优的聚类个数,其值域为[-1,1],值越大说明聚类效果越好。其中ai为样本i到同簇其它样本的平均距离,ai越小说明样本i越应该被聚类到该簇,簇内凝聚成度越高,bi为样本i到其它簇Cj的所有样本的平均距离bij,bi=min{bi1,bi2,...,bik},bi越大说明样本i越不属于其它簇,簇间分离成度越高。
2、特征编码。对每个特征及其对应的聚类区间进行编号,如第n个特征的值x被聚类到第k个区间,则其对应的编号为n0k。
3、规则提取。基于FP-growth关联规则算法对步骤3得到的编号数据进行规则提取,并基于规则覆盖率调整支持度和置信度,其中覆盖率计算公式为cr=k1/k2×100%,其中k1为符合所有规则的数据条数,k2为该数据集条数。最后基于调整后的支持度和置信度提取出最终的规则。
4、故障预警。采集发动机相关实时数据,并对其进行步骤1、2的连续型特征离散化和特征编码,设置滑动窗口后的实时数据与步骤3提取的规则进行匹配,计算规则在滑动窗口内数据的覆盖率,当覆盖率小于设定值ε时,发起发动机故障预警。
实例如下:
1、连续型特征离散化。采集发动机相关特征部分历史数据如表1,基于K-Means算法对各特征进行聚类分箱(即离散化),聚类个数k的范围为[3,20],通过计算轮廓系数,选取轮廓系数最大的k值,如喷嘴测量支路压力的轮廓系数随聚类个数k的变化趋势如图2,其聚类分布情况如图3。
表1.发动机相关特征部分历史数据
*注:时间间隔为2s
2、特征编码。对每个特征及其对应的聚类区间进行编号,如第n个特征的值x被聚类到第k个区间,则其对应的编号为n0k。对步骤1得到的聚类结果编号后如表2.
表2.聚类结果编码
3、规则提取。基于FP-growth关联规则算法对步骤3得到的编号数据进行规则提取,并基于规则覆盖率调整支持度和置信度。设定覆盖率ε=0.8,则支持度=0.24,置信度为0.83,得到的部分规则如表3.
表3.部分关联规则
前项 | 后项 | 支持度(/100%) | 置信度(/100%) |
901 | 301 | 50.84 | 89.58 |
701,500 | 602 | 45.91 | 89.19 |
701,901,602,500 | 301 | 40.82 | 98.18 |
901,301,602,500 | 402 | 36.52 | 84.86 |
801,402,901 | 701,602,500 | 29.75 | 90.15 |
4、将窗口宽度s设置为20,窗口内的某一条数据符合任意一个规则,即计数1,当最后的总数n与窗口宽度的比值:n/s<80%时,发起发动机故障预警,否则说明发动机处于正常状态。
虽然,上文中已经用一般性说明及具体实施方案对本发明作了详尽的描述,但在本发明基础上,可以对之作一些修改或改进,这对本领域技术人员而言是显而易见的。因此,在不偏离本发明精神的基础上所做的这些修改或改进,均属于本发明要求保护的范围。
Claims (6)
1.一种基于KMeans-FPgrowth算法的矿用卡车发动机故障预警方法,其特征在于,包括以下步骤:
步骤一:采集发动机相关特征历史数据,并基于K-Means聚类算法对各个特征进行聚类,基于轮廓系数找到最佳聚类个数;
步骤二:对聚类后的特征及聚类区间进行编号;
步骤三:基于FP-growth关联规则算法对编号后的特征进行规则提取,设定覆盖率,基于覆盖率对FP-growth算法的支持度和置信度进行调整,提取出最终的规则;
步骤四:采集发动机相关特征实时数据,设置滑动窗口,当窗口内的覆盖率率小于设定值时,发起发动机故障预警。
3.根据权利要求2所述的一种基于KMeans-FPgrowth算法的矿用卡车发动机故障预警方法,其特征在于,bi越大说明样本i越不属于其它簇,簇间分离成度越高。
4.根据权利要求1所述的一种基于KMeans-FPgrowth算法的矿用卡车发动机故障预警方法,其特征在于,步骤二的具体实现方法如下:
对每个特征及其对应的聚类区间进行编号,如第n个特征的值x被聚类到第k个区间,则其对应的编号为n0k。
5.根据权利要求1所述的一种基于KMeans-FPgrowth算法的矿用卡车发动机故障预警方法,其特征在于,步骤三的具体实现方法如下:
基于FP-growth关联规则算法对得到的编号数据进行规则提取,并基于规则覆盖率调整支持度和置信度,其中覆盖率计算公式为cr=k1/k2×100%,其中k1为符合所有规则的数据条数,k2为该数据集条数,最后基于调整后的支持度和置信度提取出最终的规则。
6.根据权利要求1所述的一种基于KMeans-FPgrowth算法的矿用卡车发动机故障预警方法,其特征在于,步骤四的具体实现方法如下:
采集发动机相关特征部分历史数据,基于K-Means算法对各特征进行离散化,聚类个数k的范围为[3,20],通过计算轮廓系数,选取轮廓系数最大的k值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111263778.8A CN113988182A (zh) | 2021-10-26 | 2021-10-26 | 一种基于KMeans-FPgrowth算法的矿用卡车发动机故障预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111263778.8A CN113988182A (zh) | 2021-10-26 | 2021-10-26 | 一种基于KMeans-FPgrowth算法的矿用卡车发动机故障预警方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113988182A true CN113988182A (zh) | 2022-01-28 |
Family
ID=79743496
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111263778.8A Pending CN113988182A (zh) | 2021-10-26 | 2021-10-26 | 一种基于KMeans-FPgrowth算法的矿用卡车发动机故障预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113988182A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116069986A (zh) * | 2023-04-04 | 2023-05-05 | 山东登远信息科技有限公司 | 一种告警信号关联规则分析方法和系统 |
-
2021
- 2021-10-26 CN CN202111263778.8A patent/CN113988182A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116069986A (zh) * | 2023-04-04 | 2023-05-05 | 山东登远信息科技有限公司 | 一种告警信号关联规则分析方法和系统 |
CN116069986B (zh) * | 2023-04-04 | 2023-07-04 | 山东登远信息科技有限公司 | 一种告警信号关联规则分析方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107451004B (zh) | 一种基于定性趋势分析的道岔故障诊断方法 | |
CN109858522A (zh) | 一种基于数据挖掘的管理线损异常识别方法 | |
CN107528823A (zh) | 一种基于改进的K‑Means聚类算法的网络异常检测方法 | |
CN106384128A (zh) | 一种挖掘时序数据状态关联的方法 | |
CN101387625B (zh) | 烤烟产区综合评价方法 | |
CN113988182A (zh) | 一种基于KMeans-FPgrowth算法的矿用卡车发动机故障预警方法 | |
CN101526994B (zh) | 一种与采集设备无关的指纹图像分割方法 | |
CN106709816A (zh) | 基于非参数回归分析的电力负荷异常数据识别与修正方法 | |
CN114997276B (zh) | 一种面向压制成型设备的异构多源时序数据异常识别方法 | |
CN108334894A (zh) | 基于无监督机器学习的变压器油温异常识别方法 | |
CN115952067A (zh) | 一种数据库操作异常行为检测方法及可读存储介质 | |
CN103528820B (zh) | 一种基于距离评估因子势能函数的滚动轴承故障诊断方法 | |
CN114741945A (zh) | 一种航空发动机在线故障的诊断方法 | |
CN108090635B (zh) | 一种基于聚类分类的路用性能预测方法 | |
CN108716463B (zh) | 一种往复压缩机环状气阀的故障诊断方法 | |
CN117493953A (zh) | 一种基于缺陷数据挖掘的避雷器状态评估方法 | |
CN110363141B (zh) | 用于诊断燃气调压器故障的方法 | |
CN112966017A (zh) | 一种时间序列中不定长的异常子序列检测方法 | |
CN112270402A (zh) | 一种轮胎磨损辨识模型的训练方法及系统 | |
CN116433049A (zh) | 一种基于模糊粗糙熵的用电异常检测方法 | |
CN108985563B (zh) | 一种基于自组织特征映射的机电系统服役动态标记方法 | |
CN112685912B (zh) | 一种多元广义Wiener过程性能退化可靠性分析方法 | |
Shuangli et al. | Application of improved wavelet packet energy entropy and GA-SVM in rolling bearing fault diagnosis | |
CN114187471A (zh) | 一种基于Canopy+FCM聚类的设备故障率模糊分类方法 | |
CN114614922A (zh) | 基于频域的民航甚高频通信中的频谱数据清洗方法 |
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 |