[发明专利]一种基于数据挖掘的一次设备缺陷预测模型预测方法

权利要求书

1.一种基于数据挖掘的一次设备缺陷预测模型预测方法，其特征在于：该方法包括以下步骤：

步骤1：缺陷数量总体预测：通过获取历史缺陷数据，运用数据挖掘算法对缺陷数据发展趋势进行预测,数据挖掘算法选择时间序列数据预测算法；

步骤2：缺陷数量分群预测：按照设备缺陷类型进行分群，针对各类群体缺陷的数量进行预测，缺陷数量分群预测采用X-11算法预测；

步骤3：单体设备缺陷特性曲线模型预测包括两个方面：1)缺陷在消缺周期内的发展趋势分析；2.已有缺陷转化为其他缺陷的概率分析。

2.根据权利要求1所述的一种基于数据挖掘的一次设备缺陷预测模型预测方法，其特征在于：缺陷数量总体预测的主要实施步骤为：1)按照时间维度提取年度、季度、月度、节假日和周末的特征；2)提取不同设备不同缺陷等级和次数作为特征；3)提取不同设备的历史缺陷次数作为标签；4)最后建立回归模型来预测缺陷发生的数量。

3.根据权利要求1所述的一种基于数据挖掘的一次设备缺陷预测模型预测方法，其特征在于：时间序列数据预测算法采用ARIMA时间序列模型进行预测。

4.根据权利要求3所述的一种基于数据挖掘的一次设备缺陷预测模型预测方法，其特征在于：ARIMA时间序列模型算法的步骤如下：

1、判断数据是否具有周期性；

2、判断数据是否存在趋势性；

3、判断数据是否是随机序列；

4、计算自相关和偏自相关系数；

5、定义模型的自回归阶数p和模型的移动平均阶数q；

6、模型参数求解。

5.根据权利要求1所述的一种基于数据挖掘的一次设备缺陷预测模型预测方法，其特征在于：X-11算法能够对缺陷季节趋势进行拟合，对序列进行前向和后向扩展，其模型形式表示为：

式中：L为滞后算子；Φ(L)、A(L)为非季节与季节自回归算子；

Θ(L)、B(L)为非季节与季节移动平均算子；Δ为差分算子；p、q、P、Q为非季节与季节自回归，移动平均算子的最大滞后阶数，d、D为非季节与季节差分次数；s为季节差分的步长，Y为原始时间序列；x_i为第i个回归变量；β_i为第i个回归系数；ε为噪声；t为时间；

序列进行了季节调整之后，季节模型又分为加法模型和乘法模型：

加法模型：Y_t＝TC_t+S_t+I_t

乘法模型：Y_t＝TC_t×S_t×I_t

设Y_t表示一个无奇异值的月度时间序列，把Y_t分解为趋势循环项TC_t、季节项S_t和不规则要素I_t。

6.根据权利要求1或5所述的一种基于数据挖掘的一次设备缺陷预测模型预测方法，其特征在于：缺陷数量分群预测具体包括步骤：1)数据处理，对历史缺陷数据进行分类处理，按照缺陷类型进行分类，将生产厂家和设备型号分为一类、将设备投运年限分为一类、将设备运维消缺情况分为一类；2)然后根据每一类的缺陷数量发展趋势，使用回归算法或者时间序列算法对未来缺陷数量进行预测。

7.根据权利要求5所述的一种基于数据挖掘的一次设备缺陷预测模型预测方法，其特征在于：缺陷在消缺周期内的发展趋势分析方法为：针对发生频率高的缺陷，将具有周期性的缺陷作为研究目标，在缺陷发生以后，在消缺周期内监测缺陷变化情况，监测两个相同时间段缺陷的变化情况，以此判断缺陷在消缺周期内的发展趋势。

8.根据权利要求1所述的一种基于数据挖掘的一次设备缺陷预测模型预测方法，其特征在于：已有缺陷转化为其他缺陷的概率分析方法为：针对已有缺陷，缺陷在消缺周期内转化为其他缺陷的概率，利用马尔可夫链预测已有缺陷转化为其他缺陷的概率，确定缺陷在消缺周期内的发展变化趋势。

9.根据权利要求8所述的一种基于数据挖掘的一次设备缺陷预测模型预测方法，其特征在于：马尔可夫链预测方法步骤如下：

(1)设备数据的采集：包括历史变压器发生的所有缺陷类型。

(2)计算变压器缺陷类型的状态转移概率矩阵；

(3)根据已得缺陷，计算缺陷转化的概率，得到缺陷的发展趋势。