[發明專利]一種基于數據挖掘的一次設備缺陷預測模型預測方法

在審

• 申請號: 202110743811.0
• 申請日: 2021-07-01
• 公開（公告）號: CN113344299A
• 公開（公告）日: 2021-09-03
• 發明（設計）人: 黃軍凱;張迅;文屹;呂黔蘇;趙超;吳建蓉;丁江橋;彭任均
• 申請（專利權）人: 貴州電網有限責任公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06K9/62
• 代理公司: 貴陽中新專利商標事務所 52100
• 代理人: 胡緒東

1.一種基于數據挖掘的一次設備缺陷預測模型預測方法，其特征在于：該方法包括以下步驟：

步驟1：缺陷數量總體預測：通過獲取歷史缺陷數據，運用數據挖掘算法對缺陷數據發展趨勢進行預測,數據挖掘算法選擇時間序列數據預測算法；

步驟2：缺陷數量分群預測：按照設備缺陷類型進行分群，針對各類群體缺陷的數量進行預測，缺陷數量分群預測采用X-11算法預測；

步驟3：單體設備缺陷特性曲線模型預測包括兩個方面：1)缺陷在消缺周期內的發展趨勢分析；2.已有缺陷轉化為其他缺陷的概率分析。

2.根據權利要求1所述的一種基于數據挖掘的一次設備缺陷預測模型預測方法，其特征在于：缺陷數量總體預測的主要實施步驟為：1)按照時間維度提取年度、季度、月度、節假日和周末的特征；2)提取不同設備不同缺陷等級和次數作為特征；3)提取不同設備的歷史缺陷次數作為標簽；4)最后建立回歸模型來預測缺陷發生的數量。

3.根據權利要求1所述的一種基于數據挖掘的一次設備缺陷預測模型預測方法，其特征在于：時間序列數據預測算法采用ARIMA時間序列模型進行預測。

4.根據權利要求3所述的一種基于數據挖掘的一次設備缺陷預測模型預測方法，其特征在于：ARIMA時間序列模型算法的步驟如下：

1、判斷數據是否具有周期性；

2、判斷數據是否存在趨勢性；

3、判斷數據是否是隨機序列；

4、計算自相關和偏自相關系數；

5、定義模型的自回歸階數p和模型的移動平均階數q；

6、模型參數求解。

5.根據權利要求1所述的一種基于數據挖掘的一次設備缺陷預測模型預測方法，其特征在于：X-11算法能夠對缺陷季節趨勢進行擬合，對序列進行前向和后向擴展，其模型形式表示為：

式中：L為滯后算子；Φ(L)、A(L)為非季節與季節自回歸算子；

Θ(L)、B(L)為非季節與季節移動平均算子；Δ為差分算子；p、q、P、Q為非季節與季節自回歸，移動平均算子的最大滯后階數，d、D為非季節與季節差分次數；s為季節差分的步長，Y為原始時間序列；x_i為第i個回歸變量；β_i為第i個回歸系數；ε為噪聲；t為時間；

序列進行了季節調整之后，季節模型又分為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

設Y_t表示一個無奇異值的月度時間序列，把Y_t分解為趨勢循環項TC_t、季節項S_t和不規則要素I_t。

6.根據權利要求1或5所述的一種基于數據挖掘的一次設備缺陷預測模型預測方法，其特征在于：缺陷數量分群預測具體包括步驟：1)數據處理，對歷史缺陷數據進行分類處理，按照缺陷類型進行分類，將生產廠家和設備型號分為一類、將設備投運年限分為一類、將設備運維消缺情況分為一類；2)然后根據每一類的缺陷數量發展趨勢，使用回歸算法或者時間序列算法對未來缺陷數量進行預測。

7.根據權利要求5所述的一種基于數據挖掘的一次設備缺陷預測模型預測方法，其特征在于：缺陷在消缺周期內的發展趨勢分析方法為：針對發生頻率高的缺陷，將具有周期性的缺陷作為研究目標，在缺陷發生以后，在消缺周期內監測缺陷變化情況，監測兩個相同時間段缺陷的變化情況，以此判斷缺陷在消缺周期內的發展趨勢。

8.根據權利要求1所述的一種基于數據挖掘的一次設備缺陷預測模型預測方法，其特征在于：已有缺陷轉化為其他缺陷的概率分析方法為：針對已有缺陷，缺陷在消缺周期內轉化為其他缺陷的概率，利用馬爾可夫鏈預測已有缺陷轉化為其他缺陷的概率，確定缺陷在消缺周期內的發展變化趨勢。

9.根據權利要求8所述的一種基于數據挖掘的一次設備缺陷預測模型預測方法，其特征在于：馬爾可夫鏈預測方法步驟如下：

(1)設備數據的采集：包括歷史變壓器發生的所有缺陷類型。

(2)計算變壓器缺陷類型的狀態轉移概率矩陣；

(3)根據已得缺陷，計算缺陷轉化的概率，得到缺陷的發展趨勢。