[發明專利]一種基于大數據融合聚類分析的關聯參數故障分類方法

有效

• 申請號: 201611247433.2
• 申請日: 2016-12-29
• 公開（公告）號: CN106845526B
• 公開（公告）日: 2019-12-03
• 發明（設計）人: 董云帆;房紅征;樊煥貞;高健;熊毅;李蕊
• 申請（專利權）人: 北京航天測控技術有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 11472 北京方安思達知識產權代理有限公司
• 代理人: 王宇楊;陳琳琳<國際申請>=<國際公布>

1.一種基于大數據融合聚類分析的關聯參數故障分類方法，其特征在于，包括：

步驟1)獲取對象裝備的各種運行數據；

步驟2)根據對象裝備的相關資料，建立涵蓋對象裝備全部參數的參數判讀規則庫；

步驟3)以參數判讀規則庫的規則為準，對步驟1)中所有的運行數據篩選獲得故障數據，將所有故障數據集合形成無分類故障數據集；

步驟4)將無分類故障數據集通過聚類算法進行有監督的數據自主聚類，獲得滿足要求的聚類數目和各項聚類中心后，通過確定的各項聚類中心對無分類故障數據集中的所有故障數據進行分類，獲得分類故障數據集；

步驟5)將步驟3)中的無分類故障數據集采用映射-規約算法，生成參數關聯概率模型，所述的參數關聯概率模型包含對象裝備中每一參數發生故障的同時，其他參數也發生故障的概率分布數據；所述的步驟5)具體包括：

步驟201)依次將包含各條參數的全部故障數據條目分別映射到一起，形成各條參數對應的映射類，所述的映射類包含一個參數的全部故障數據條目及其出現的頻度；

步驟202)計算每一映射類中故障數據條目的總數，作為概率計算的分母；

步驟203)累計每一映射類中包含除該映射類對應參數之外的其他參數出現的次數，作為概率計算的分子；

步驟204)將步驟203)中的分子與步驟202)中的分母之比，得到每一參數發生故障的同時，其他參數也發生故障的概率分布數據；

步驟6)以步驟4)中的分類故障數據集作為故障判別標準，對步驟1)中的所有運行數據采用最近鄰算法進行故障類別識別，獲得故障分類結果；

步驟7)將故障分類結果與步驟5)中的參數關聯概率模型相結合，獲得發生該故障分類結果的所有參數的概率分布數據。

2.根據權利要求1所述的基于大數據融合聚類分析的關聯參數故障分類方法，其特征在于，所述步驟1)中獲取的運行數據的格式滿足：每個完整的數據條目包含該數據條目發生的時刻以及在該時刻對象裝備的所有參數值；每個數據條目中的單個數據值表征某一時刻的對象設備中一個參數的實測值；各數據條目之間按照發生時刻的先后順序逐一排列。

3.根據權利要求1所述的基于大數據融合聚類分析的關聯參數故障分類方法，其特征在于，所述步驟3)中篩選的故障數據的格式滿足：每個數據條目包含該數據條目發生的時刻以及在該時刻發生故障的全部故障參數；對于數據條目中發生故障的參數，根據參數判讀規則庫標注故障發生所觸發的規則。

4.根據權利要求1所述的基于大數據融合聚類分析的關聯參數故障分類方法，其特征在于，所述的參數判讀規則庫包含參數的上下限、參數跳變異常判定規則、參數趨勢漸變異常判定規則。

5.根據權利要求1所述的基于大數據融合聚類分析的關聯參數故障分類方法，其特征在于，所述的步驟4)具體包括：

步驟101)設定聚類數目K的初始個數為2個，依照當前的K值對無分類故障數據集進行聚類運算，獲取K個聚類中心及其對應的K個聚類；

步驟102)計算K個聚類的平均輪廓系數，將K個聚類的平均輪廓系數與K-1個聚類的平均輪廓系數相比較，如果兩個平均輪廓系數不變，則選取當前K值作為聚類總數，否則設定K＝K+1后重新執行步驟101)；所述的輪廓系數表示各聚類中包含的所有數據條目對應的向量點到聚類中心的幾何距離的平均值；

步驟103)以步驟102)中確定的聚類總數對無分類故障數據集進行聚類運算，并通過獲取的各項聚類中心對無分類故障數據集中的所有故障數據進行分類，獲得分類故障數據集。