基于时序关联规则的设备故障预测方法研究.pdf

《基于时序关联规则的设备故障预测方法研究.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、2014年6月机床与液压Jun．2014第42卷第11期MACHINETOOL＆HYDRAULICSVol_42No．11DOI：10．3969／j．issn．1001—3881．2014．11．047基于时序关联规则的设备故障预测方法研究甘超，陆远，李娟，胡莹，邹博宇(1．南昌大学机电工程学院，江西南昌330031；2．中国北方车辆研究所车辆传动重点实验室，北京100072)摘要：设备故障预测对于保证设备安全运行、提高设备管理效率具有重要的现实意义。考虑设备故障数据的特点，利用Apriori传统关

2、联规则算法的思想，建立了时序故障数据模型。将故障数据转换为时序项集矩阵，针对该矩阵，提出了Apfiori改进算法和频繁时序关联规则查找算法。利用这两个算法对设备故障数据进行频繁时序关联规则挖掘，预测设备故障趋势，为设备管理提供有力支持。并通过实例验证该方法的可行性。关键词：故障预测；故障诊断；时序关联规则；数据挖掘中图分类号：TP391文献标识码：A文章编号：1001—3881(2014)11—167—5EquipmentFaultPrognosisBasedonTemporalAssociatio

3、nRulesGANChao，LUYuan，LIJuan，HUYing，ZOUBoyu(1．SchoolofMechanicalEngineering，NanchangUniversity，NanchangJiangxi330031，China；2．ScienceandTechnologyonVehicleTransmissionLaboratory，ChinaNoahVehicleResearchInstitute，Beijing100072，China)Abstract：Equipmentfaul

4、tprognosisissignificantforsafeguardingthesafeoperationofequipmentandimprovingtheeficiencyofequipmentmanagement．TemporalfaultdatamodelwasbuiltbyusingApfioritraditionalassociationrulesalgorithmbasedonthecharacteristicsoffaultdata．ImprovedApfiorialgorithm

5、andfrequenttemporalassociationrulesalgorithmwereproposedbyconvertingfaultdatatotemporalitemsetsmatrix．Equipmentfaulttrendswerepredictedbyminingthefrequenttemporalassociationrulesoffaultdatabasedonthealgorithm，whichprovidedstrongsupportforequipmentmanag

6、ement．Atlastanexamplewasgiventoprovethefeasi—bility．Keywords：Faultprognosis；Faultdiagnosis；Temporalassociationrules；Datamining随着科学技术的进步和制造业的发展，机械设备析。文中提出了基于时序关联规则的设备故障预测方日益呈现复杂化、大型化和多功能化⋯。设备维护是法，将故障数据转换为时序项集矩阵，利用Apriofi保障设备稳定和可靠运行的重要手段。设备的维修方改进算法和频繁时序关

7、联规则查找算法，求出时序项式从早期的无计划维修到预防性维修逐步向基于状态集矩阵的频繁时序关联规则，为管理人员提供决策支维修(Condition—BasedMaintenance，CBM)方式转持。最后给出了该方法的可行性实例验证。变，而设备故障预测是CBM的关键。近年来，国内1故障数据模型外针对设备故障预测的研究取得了巨大的成果，主要随着设备使用寿命的增多，发生故障的概率越来有王宁等人提出的一种基于时变转移概率的隐半越大，企业能采集到很多故障数据。这些故障数据具Markov模型，用于设备运行状态的识

8、别和故障预测；有动态性、大量性、冗余性、噪声大等特点。基于这CAESARENDRA等通过仿真和实验的故障数据，些特点，利用Apriori传统关联规则算法的思想，利用概率论和支持向量机来预测故障的衰减过程；武将故障记录表中的数据按照设备编号进行分组，并记兵等人提出了利用支持向量回归技术对多个特性录故障发生时间，剔除无效的数据，得到时序故障数量进行并行预测，并对各类特征和预测结果进行趋势据模型。如表1所示。分收稿日期：2013—04—21基金项目：国家自然科学基金(509