[發(fā)明專利]一種基于動態(tài)關聯(lián)規(guī)則挖掘的工業(yè)過程異常工況預測方法

有效

• 申請?zhí)枺?/td>: 201910244877.8
• 申請日: 2019-03-28
• 公開（公告）號: CN110018670B
• 公開（公告）日: 2020-07-10
• 發(fā)明（設計）人: 徐正國;王豆;陳積明;程鵬;孫優(yōu)賢
• 申請（專利權）人: 浙江大學
• 主分類號: G05B19/4065
• 分類號: G05B19/4065
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 傅朝棟;張法高

1.一種基于動態(tài)關聯(lián)規(guī)則挖掘的工業(yè)過程異常工況預測方法，其特征在于，具體步驟如下：

步驟1：基于滑動窗口對工業(yè)過程中傳感器所采集的測量值時間序列進行數(shù)據(jù)預處理，對時間序列進行分段線性化表示、聚類、符號化，生成適用于關聯(lián)規(guī)則挖掘的事務集；

步驟2：采用兩階段的頻繁項集產(chǎn)生策略生成頻繁項集，并挖掘兩兩參數(shù)的關聯(lián)規(guī)則；

步驟3：利用初始數(shù)據(jù)集進行關聯(lián)規(guī)則挖掘，基于初始關聯(lián)規(guī)則挖掘結果，訓練初始小波神經(jīng)網(wǎng)絡模型；

步驟4：基于數(shù)據(jù)更新進行數(shù)據(jù)窗口的滑動，對于新數(shù)據(jù)窗口進行關聯(lián)規(guī)則更新和小波神經(jīng)網(wǎng)絡模型更新；

步驟5：基于更新的小波網(wǎng)絡模型進行異常工況預測，并在預測到異常工況發(fā)生前不斷更新關聯(lián)規(guī)則和小波神經(jīng)網(wǎng)絡模型；

所述的步驟1具體通過如下子步驟實現(xiàn)：

步驟1.1：記傳感器測量序列為N為傳感器數(shù)量，K為序列長度,k＝1,2,...,K；記滑動窗口長度為L，每次滑動距離設為l，將滑動窗口記為W_k，窗口中包含的數(shù)據(jù)為

步驟1.2：對于每一數(shù)據(jù)窗口進行時間序列分段線性化表示、聚類、符號化處理，具體過程如下：

對每一個數(shù)據(jù)窗口W_k執(zhí)行1.2.1～1.2.5過程：

1.2.1.設置初始擬合起點為終點為擬合誤差閾值為ω_E；初始化分段點計數(shù)值count＝1；

1.2.2.依次對每個擬合起點執(zhí)行步驟1.1)-步驟1.4)：

1.1)首先計算end＝start+h；

1.2)對于數(shù)據(jù)利用最小二乘法進行擬合，計算擬合誤差ERR；

1.3)若擬合誤差ERR不大于擬合誤差閾值ω_E，則h＝h+1，重新跳轉至步驟1)；

1.4)若擬合誤差ERR大于擬合誤差閾值ω_E，則保存分段點至Pⁱ；保存擬合線段采用三元組的方式表示該擬合線段并保存至k_i表示該線段的斜率，表示該線段在時間軸上的跨度，r_i表示該線段數(shù)據(jù)的增長率；重置擬合起點start＝start+h，重置h＝2；更新count＝count+1；

1.2.3.循環(huán)執(zhí)行1.2.2直到end大于k+L-1結束，得到擬合后的線段化時間序列和分段點組成的分段點序列Pⁱ；

1.2.4.以W_k-1窗口的聚類中心為初始聚類中心，采用K-means聚類算法對三元組序列進行聚類，并為不同類的線段分配不同符號得到符號化序列其中聚類過程中采用基于歐氏距離的指標描述兩條線段s_i和s_j之間的相似度：

其中，d_ij即表示線段s_i和s_j的相似度，d_ij越小，則表示兩條線段有更相似的變化形態(tài)，ω_k和ω_r表示權重；

1.2.5.對于兩個運行參數(shù)Vⁱ和V^j，分別得到符號化后的序列和合并兩個運行參數(shù)的分段點序列Pⁱ和P^j，并按合并后的分段點對其符號化序列和進行分割重構，得到重構后的符號化序列和由其構成事務集，n_ij-1為Pⁱ和P^j合并后的分段點個數(shù)。