[发明专利]一种基于GPU的改进加权关联规则的设备故障预警与诊断方法

说明书

技术领域

本发明属于设备故障预警与诊断领域，涉及一种基于GPU的改进加权关联规则的设备故障预警与诊断方法。

背景技术

随着现代生产设备日益大型化和复杂化，设备故障现象也随之增多，且带来的损失也在增大。因此，对设备系统实时在线监控，进行设备故障机理研究，建立有效、准确的故障诊断及预警模式和系统的优化运行显得十分重要。

目前设备故障诊断领域中应用比较广泛的是采用专家系统基于知识的故障诊断方法。专家系统主要由知识库、推理机和用户接口等部分组成。知识库是专家知识、经验与书本知识的存储器，其中存放着各种故障现象、引起故障的原因及排除故障应采取的措施。专家系统能对机器运行过程中出现的故障进行实时诊断，并根据故障现象快速地查找故障原因。然而，在传统的专家系统中，知识的获取是领域专家和软件工程师协同工作的结果，这一环节存在的问题主要有两个：一是将领域专家的描述转换成规则的知识比较困难；二是由于理解的偏差，软件工程师在与领域专家的交流中，可能会得到对该领域知识的错误描述。当推理机利用一些带有一定的主观性的知识进行推理时，很可能会得到不合理的甚至是错误的结果。因此知识的自动获取已经成为制约智能诊断发展的“瓶颈”。

近年来兴起的数据挖掘技术与专家系统有机地相结合，可以很好地解决知识自动获取问题。数据挖掘从大量、不完全、有噪声、模糊、随机的数据中挖掘出隐藏着的对决策生成有重要参考价值的信息，因而能有效地克服以往存在的知识获取瓶颈。将数据挖掘技术应用于机械设备故障诊断系统，可以把现场产生的大量原始数据转化为有价值的知识，为专家发掘他们感兴趣的信息，还能描述机械设备故障的演变趋势，为专家提供决策支持信息。因此，将数据挖掘技术应用在机械故障诊断中，将大大推动故障诊断技术的发展。

发明内容

本发明的目的是为了克服现有技术存在的问题，采用加权关联规则算法对企业的设备运行数据进行监测和分析，不仅能发现并识别设备故障状态，而且可以找出偏离常规运行状态但尚未达到设备故障的参数点的关联规则模式，从而起到企业设备故障预警的作用。

同时，本发明考虑到复杂工业过程中设备的故障状态错综复杂，靠单一因素不能很好的确定权重，提出了基于自组织竞争神经网络的多因素权重法，将设备故障信息的三个主要属性：重要程度、易损程度、故障等级作为自组织竞争神经网络模型的输入，通过样本的训练来确定其神经网络的连接权，从而确定设备故障的加权关联规则的权值。该方法即体现了专家的经验知识又考虑了复杂的故障因素。

在传统加权关联规则算法中，计算量主要由于频繁候选项目集多，因此计算量比较大。本发明对传统的加权关联规则进行了改进，将不可能成为频繁项目集的元素提前删除，以减少计算量。即在第一次遍历之后就不用数据库来计算支持度，而用目前生成的最近最大频繁项目候选集来计算，并且利用上一步中生成的频繁项目集对最近最大频繁项目候选集进行筛选，将不符合最小支持度的元素从最近最大频繁项目候选集中删除，以缩小最近最大频繁项目候选集。

由于设备故障诊断和预警需要较强的实时性，利用加权关联规则方式对其进行挖掘时间较长，目前已有很多系统对加权关联规则算法进行了有效的优化，尽管改进的算法在一定程度上提高了挖掘的速度，但由于算法受到CPU串行模式编程模型的限制，仍不能满足快速对大量数据进行挖掘的需要。本发明引入并行计算，在研究改进加权关联规则算法的基础上，针对设备故障诊断和预警的特殊性，利用图形处理器GPU的多线程并行能力计算改进加权关联规则算法的关键步骤，并开发了一种在图形处理器GPU上实现快速加权关联规则的算法RARG(Rapid association rule on GPU)，经试验证明，该方法可以加快挖掘速度，在保证准确率的同时方便用户使用。该实用新型在实际中有很强的应用价值。

基于GPU的设备故障预警和诊断方法包括如下步骤：

1)构建基于图像处理器GPU的快速关联加权规则算法RARG模型，算法描述如下：

第一步：设数据事物集D，I＝{i₁，i₂，…，i_m}是项的集合，其中的元素称为项(item)。记D为交易T的集合，这里交易T是项的集合，并且对应每一个交易有唯一的标识。设x是一个I中项的集合，如果那么称交易T包含x。

一个关联规则是形如的蕴涵式，这里并且x∩y＝Φ。

定义一：在事物数据库D中的支持度是事物集中包含x和y的事物数与所有事物数之比，记为support(x∪y)，即：