[發明專利]一種基于動態關聯規則挖掘的工業過程異常工況預測方法

有效

• 申請號: 201910244877.8
• 申請日: 2019-03-28
• 公開（公告）號: CN110018670B
• 公開（公告）日: 2020-07-10
• 發明（設計）人: 徐正國;王豆;陳積明;程鵬;孫優賢
• 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

本發明公開了一種基于動態關聯規則挖掘的工業過程異常工況預測方法，可應用于工業過程的故障預測與健康管理。本發明利用滑動窗口的方式挖掘工業設備運行參數動態關聯規則，并將其引入工業過程異常工況預測中。本發明考慮關聯規則的時間特性，利用滑動窗口限制數據長度，提出一種用于兩兩運行參數動態關聯規則挖掘的關聯規則挖掘算法，隨后將關聯規則挖掘結果引入小波神經網絡預測中，以動態關聯規則不斷更新網絡，以獲得更為準確的預測結果。對于工程上的故障預測和健康管理有重大應用價值。

技術領域

本發明屬于可靠性維護工程技術領域，涉及一種基于動態關聯規則挖掘的工業過程異常工況預測方法。

背景技術

隨著復雜系統的不斷出現以及工業過程實時監測的需求不斷增加，現代工業設備在運行過程中往往配備多個傳感器對其運行狀態進行監測。同時，設備運行過程中可能會出現多種故障模式，某一故障可能對應若干征兆，在此情況下，單傳感器信息已無法完全體現設備運行狀態，基于多傳感器信息的故障預測應運而生。基于多傳感器信息的故障預測旨在利用全面的傳感器信息分析設備的運行狀態，從而進行更可靠的設備診斷和預測。隨著傳感技術的持續發展，使用多個傳感器進行設備的狀態監測、故障診斷和預測已經成為發展趨勢。

設備運行過程中其運行參數之間存在一定關聯性，在故障預測領域，目前仍鮮有將關聯規則挖掘與故障預測相結合的工作。傳統的關聯規則挖掘算法認為，對于某一對象系統所發現的關聯規則是不變的即在分析該系統其他數據集時也是有效的。如此挖掘出來的關聯規則并沒有考慮到時間因素，由此得到的是一種靜態的關聯規則。而實際上，隨著數據的更新，可能伴隨著系統運行狀態的變化，隨之而來的是數據特性的變化，從而關聯規則也可能發生變化。在工業設備運行過程中，運行狀態并不是固定不變的。隨著數據的更新或當設備運行狀態發生變化，其運行參數的特性也會隨之變化，從而運行參數的關聯性也可能發生了變化。在此情況下，若一直使用從最初的數據集中挖掘得到的關聯規則來指導后續決策顯然是不合理的。

發明內容

針對現有技術的現狀，本發明的目的是解決現有數據驅動的預測技術中鮮有考慮傳感器數據動態關聯的情況，提出一種基于運行參數動態關聯規則的設備異常工況預測方法，利用動態關聯規則更新小波神經網絡并進行異常工況預測(故障預測)。

現將本發明的構思闡述如下：

本發明針對工業設備運行過程中運行參數之間的關聯性可能隨設備運行狀態的變化而發生變化的問題，引入了動態關聯規則挖掘。本發明利用滑動窗口的方式，對每一個窗口內的數據進行關聯規則挖掘，從而隨著窗口的滑動得到動態變化的關聯規則。為得到參數關聯性的完整變化情況，本發明所提方法在參數層面的關聯規則挖掘時并沒有設置最小支持度和置信度閾值，而是保存所有兩兩參數的關聯規則，并以支持度和置信度描述其強度。隨后，將動態關聯規則挖掘結果引入小波神經網絡的訓練和更新中，通過由動態關聯規則挖掘獲得的關聯參數進行異常工況預測。

根據以上發明構思，本發明提出了一種基于動態關聯規則挖掘的工業過程異常工況預測方法，具體步驟如下：

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

步驟2：采用兩階段的頻繁項集產生策略生成頻繁項集，并挖掘兩兩參數的關聯規則；

步驟3：利用初始數據集進行關聯規則挖掘，基于初始關聯規則挖掘結果，訓練初始小波神經網絡模型；

步驟4：基于數據更新進行數據窗口的滑動，對于新數據窗口進行關聯規則更新和小波神經網絡模型更新；

步驟5：基于更新的小波網絡模型進行異常工況預測，并在預測到異常工況發生前不斷更新關聯規則和小波神經網絡模型。

基于上述方案，各步驟可具體采用如下實現方式：