[发明专利]一种基于故障频繁模式的液压设备故障预警方法

权利要求书

1.一种基于故障频繁模式的液压设备故障预警方法，其特征在于：它包括如下步骤：

步骤一、对设备历史监测数据进行预处理，所述的预处理包括去除奇异值和归一处理；

步骤二、构建故障频繁模式挖掘模型（Fault Frequent Pattern Mining Model，简称FFPMM），并利用故障频繁模式挖掘模型对步骤一中处理好的历史监控数据进行挖掘，建立故障模式库；

步骤三、提取设备实时监控数据组，与步骤二中的故障模式库相匹配；若匹配不成功，返回重新监测设备数据；若匹配成功，则说明被测设备虽然处于非故障状态，但已经处于缺陷状态，完成步骤四；

步骤四、参照故障模式库给出潜在故障发生概率值，并发起报警预警。

2.根据权利要求1所述的一种基于故障频繁模式的液压设备故障预警方法，其特征在于：步骤二中所述的建立故障频繁模式挖掘模型包括如下步骤：

设备监控指标X=(Z,R)，其中Z为{A,B,C,…}，A、B、C表示不同的监测指标，R为潜在故障类型，从而得到数据集D，其中X是随机向量，

步骤1：化简数据集，构造初始数据库D₀；

扫描数据集，计算即潜在故障R_i的支持度；通过计算max{Sup(R_i),min sup}，删去数据集中max{Sup(R_i),min sup}=0的事务项，得到初始数据库D₀；

其中，函数max{Sup(Ri),min sup}=Sup(Ri)Sup(Ri)≥min sup0Sup(Ri)<min sup]]>

步骤2：对初始数据库D₀进行划分，每个模块D_i里含有唯一的潜在故障类型R_i；

扫描初始数据库，按照潜在故障类型R_i将监控指标分类，构成分块数据库D_i；由于D_i∩D_j＝φ(i≠j)且故D₁,D₂,…,D_n为D₀的一个划分；分组后不再考虑不同故障类型记录之间的关联关系，且挖掘时R_i不再列入挖掘项，从而减少重复挖掘时间；

步骤3：分别在分组数据库D_i中进行关联规则的挖掘；

步骤4：依次提取分块数据库D₁,D₂,…,D_n中的最大频繁项集，并生成故障模式库。具体步骤如下。

3.根据权利要求2所述的一种基于故障频繁模式的液压设备故障预警方法，其特征在于：所述的在分组数据库D_i中进行关联规则的挖掘，其具体步骤如下：

①求频繁1-项集L₁：

已知监测点X∈D_i，计算模块D_i的最小支持数为min_count(X)＝min sup×|D_i|。扫描分块数据库D_i，计算D_i中每个监测点的支持数count(X)，找出那些max{count(X),min_count(X)}≠0的监测点构成频繁1项集L₁；

其中max{count(X),min_count(X)}=count(X)count(X)≥min_count(X)0count(X)<min_count(X)]]>

②求候选k-项集C_k(k≥2)：

由频繁(k-1)项集链接生成候选k-项集C_k(k≥2)；设l_i,l_j是L_k-1中的两个项集，连接的规则是：当项集l_i,l_j中前(k-2)项相同，第(k-1)项不同时：

●若l_i,l_j的第(k-1)项分别为同一监测点的不同属性值时，则l₁∪l₂=φ，即两项集不能连接；

●若l_i,l_j的第(k-1)项的监测点不同时，则两项集进行连接，为l₁∪l₂；

③求频繁k-项集L_k：

计算分组数据库D_i中候选k-项集C_k中每个项集的支持数count(X)，删去C_k中max{count(X),min_count(X)}=0的项集，得到频繁k-项集L_k。

④若频繁k-项集L_k不为空，则转至②，否则结束；

⑤计算各个潜在故障类型的发生概率值。