[發明專利]基于改進關聯規則的橋式抓斗卸船機故障預測模型方法

有效

• 申請號: 201810545101.5
• 申請日: 2018-05-31
• 公開（公告）號: CN108873859B
• 公開（公告）日: 2020-07-31
• 發明（設計）人: 葉永偉;程毅飛;賴劍人;任設東
• 申請（專利權）人: 浙江工業大學
• 主分類號: G05B23/02
• 分類號: G05B23/02
• 代理公司: 杭州斯可睿專利事務所有限公司 33241
• 代理人: 王利強

一種基于改進關聯規則的橋式抓斗卸船機故障預測模型方法，包括以下步驟：(1)將橋式抓斗卸船機狀態監測的特征參數作為模型輸入，采樣獲得卸船機的關聯內部特征信息和故障類別作為模型輸出；(2)對原始監測數據進行預處理；(3)選取聚類算法對數據根據其屬性值域離散為非線性聚類區間；(4)對興趣度關聯規則算法進行改進并獲得能表征卸船機運行狀態的關聯規則組；(5)構建狀態監測數據關聯規則指向性特征約束函數模型；(6)輸入數據集利用訓練得到的模型進行預測；(7)將卸船機故障發生歷史數據用于卸船機故障預測模型，將預測結果和歷史故障進行對比，分析預測結果。本發明精度較高、計算簡易、工程實用性強。

技術領域

本發明設計一種橋式抓斗卸船機故障預測方法，尤其是一種基于改進關聯規則的橋式抓斗卸船機故障預測模型方法。

背景技術

橋式抓斗卸船機是企業港口生產中重要的大型散料卸貨工具，具有抓斗起升和開閉、小車行走、前大梁仰俯及整機沿軌道行走的功能，在日常實際生產中占有很重要的地位。卸船機發生故障會影響到原來的功能，有可能帶來嚴重的事故，造成經濟損失。因此有必要對卸船機系統的健康狀態進行監測、故障分析和故障預測，以確保卸船機安全穩定地運行，提早預警，減少因突發故障產生的經濟損失以及避免人員傷亡等重大事故的發生。

故障趨勢預測方法作為短時預測方法主要包括基于機理模型和基于數據驅動的故障預測方法。橋式抓斗卸船機這種工作環境比較惡劣，易受到載荷、工況變化等不確定因素影響的設備，其運行過程狀態呈現出動態的、實時變化的特征。因此采用關聯規則分析方法獲得表征卸船機狀態的關聯規則，并利用改進的多傳感器信息融合故障預測方法能夠準確的實現卸船機實時運作下的故障預測。在對橋式抓斗卸船機故障預測時，需要考慮卸船機狀態監測參量之間的相關性問題。而在實際工作中，監測參量之間并不是相互獨立的，且相關關系也不是線性的，所以傳統的相關性處理方法并不適用于卸船機的實際工況。

發明內容

為了克服已有橋式抓斗卸船機針對設備性能故障分析僅停留在故障診斷基礎上，故障處理效率低、停機維修時間長，本發明提供一種預先獲取故障信息，提高設備使用效率的基于改進關聯規則的橋式抓斗卸船機故障預測模型方法。

本發明解決其技術問題所采用的技術方案是：

一種基于改進關聯規則的橋式抓斗卸船機故障預測模型方法，所述預測方法包括以下步驟：

(1)獲得模型輸入和輸出，將橋式抓斗卸船機狀態監測的特征參數作為模型輸入，采樣獲得卸船機的關聯內部特征信息和故障類別作為模型輸出；

(2)對原始監測數據進行預處理，將數據歸一化，生成數據集進行分組獲得訓練集和測試集；

(3)選取聚類算法對數據根據其屬性值域離散為非線性聚類區間，將數值型數據轉化為布爾型進行處理，根據卸船機實際運作工況特點，保存數量較小的類，得到數據的實際分布結果；

(4)對興趣度關聯規則算法進行改進并獲得能表征卸船機運行狀態的關聯規則組，得到橋式抓斗卸船機的運行狀態特征；

(5)利用關聯規則組，結合狀態數據關聯維權重系數構建狀態監測數據關聯規則指向性特征約束函數模型；

(6)輸入數據集利用訓練得到的基于改進關聯規則的卸船機故障預測模型對卸船機故障類型進行預測；

(7)將卸船機故障發生歷史數據用于卸船機故障預測模型，將預測結果和歷史故障進行對比，分析預測結果。

進一步，所述步驟(4)對興趣度關聯規則算法進行改進并獲得能表征卸船機運行狀態的關聯規則組，過程如下：

(4.1)讀入橋式抓斗卸船機監測數據訓練樣本集；

(4.2)對預處理后的數據進行聚類離散，將其轉化為布爾型關聯規則進行處理；