[发明专利]一种基于数据挖掘的工程车辆故障预测系统及其预测方法

说明书

本发明属于数据挖掘与工程应用的交叉领域，一种基于数据挖掘的工程车辆故障预测系统及其预测方法。该包括依次相连的挖掘故障相关频繁项集模块、建立决策森林模块和故障预测模块。通过挖掘故障相关频繁项集模块对工程车辆的基础数据进行预处理，得到故障车辆属性；挖掘故障相关频繁项集模块通过故障车辆属性进一步得到频繁项集；建立决策森林模块进行数据再处理，构造训练集，并进一步组成决策树和相应的决策森林；故障预测模块对工程车辆的故障风险进行分类预测，并输出结果。可以从大量的不规则的工程车工况信息中得到与故障发生相关的规则，有效地使用现有工程车工况信息预测可能发现的故障，是一种高效快速的故障预测方法。

技术领域

本发明属于数据挖掘与工程应用的交叉领域，一种基于数据挖掘的工程车辆故障预测系统及其预测方法。

背景技术

现实生活中，在各种矿场、工地需要用到大量的工程车辆。由于长时间工作等原因，这些工程车辆容易出现故障，而一旦出现故障，托运、维修、误工等因素也会对整个工程造成较大影响。为了减少工程车的故障率、从而减少工程损失，通过数据挖掘算法，挖掘出工程车工况与故障之间隐藏的关系，从而针对工程车状态做出正确的预测是有很大的需求的。

对于工程车故障预测存在以下两个主要需求：

1）从大量的不规则的工程车工况信息中得到与故障发生相关的规则，以进行针对性的处理；

2）可以及时地对当前工程车状态进行判定，及时发现可能出现的故障并停止工程车辆的运行。

使用数据挖掘的方法可以有效地针对以上两个主要需求并作出及时的故障预测。

数据挖掘，是指从大量数据中挖掘出有用信息的过程。具体来讲，数据挖掘是指从大量有噪音的、不完整的、模糊的、从实际应用中产生的数据中，发现和提取人们不能直接得到但又具有潜在价值的信息和知识的过程。这里的知识是指概念、规则、模式、规律等，在特定的领域里有实际的应用价值，并能够被用户所理解。数据挖掘任务通常分为两大类：预测任务与描述任务。而常见的数据挖掘算法主要分为：聚类挖掘算法、分类挖掘算法、以及关联规则（频繁项集）挖掘算法等。

聚类挖掘算法可以发现大型数据中的积聚现象，并加以定量化描述；分类挖掘算法是指数据元组依据现有的分类模型，把它们分为不同的类别；关联规则（频繁项集）挖掘算法用来描述数据属性中潜在的联系。

现有的与基于数据挖掘的工程车辆故障预测方法密切相关的专利或文献主要有：

专利“一种列车组故障预测与健康管理地面智能处理系统及方法”（申请日期2017.09.12，公开号CN107697107A）。该专利公开了一种针对列车组的故障预测方法，但是与本发明的故障预测方法存在本质区别：该专利针对的是列车组的故障预测，而本发明针对的是工程车辆；该专利是一个整体的从数据接入到数据分析的模型，数据挖掘仅仅在该模型的数据分析部分占了很小一部分（且是该模型的可选项），而本发明是一个完整的基于数据挖掘的故障预测模型。专利“System, method, and computer program product forfault prediction in vehicle monitoring and reporting system”（申请日期2004.11.10，公开号US7230527B2）也公开了一种针对车辆的故障预测方法，但是该专利公开的方法与本发明的故障预测方法使用的数据挖掘方法完全不一样。