一种基于选择性磨损的设备最优维修时间预测方法

摘要

本发明属于设备维修时间预测领域，涉及一种基于选择性磨损的设备最优维修时间预测方法。本发明主要分为两步，首先利用关联规则算法求得设备各个部件当前状态下有选择磨损的概率值；然后以求得的概率值为输入，通过神经网络建模求得最优维修时间。具体包括如下步骤：构建关联规则库；获得状态监测数据，并对其数据提取特征值，建立设备监控数据集；将设备监控数据集与关联规则库相匹配，若匹配成功，计算各部件磨损概率值；训练自组织竞争神经网络模型，并利用该模型进行最优维修时间预测。

权利要求

1.一种基于选择性磨损的设备最优维修时间预测方法，其特征在于包括如下步骤：第一步：利用设备历史数据构建基于选择性磨损的关联规则库，其中所述设备历史数据包括非故障状态和故障状态数据；

第二步：从被监测设备中获得状态监测数据，建立设备实时数据集；

第三步：对获得的状态监测数据进行分析和处理，提取特征值，建立设备监控数据集；

第四步：将设备监控数据集与第一步建立的基于选择性磨损的关联规则库中的模式相匹配，判断设备是否出现退化征兆；

1)若匹配不成功，则说明设备没有出现退化征兆，返回继续监测设备数据；

2)若匹配成功，则说明设备出现退化征兆，按照以下预先设定好的规则计算各个设备部件的磨损概率；

a)若关联规则库中只有一条匹配项，则说明被测设备虽然处于非故障状态，但已经处于该匹配项的缺陷状态，具有潜在的磨损风险，设定该匹配项对应的设备部件的磨损概率值为99％，其他设备部件的磨损概率值为1％；

b)若关联规则库中有多条匹配项，则说明被测设备虽然处于非故障状态，但已经处于该些匹配项的缺陷状态，有多个部件具有潜在的磨损风险，按照关联规则库中该些匹配项的支持度由高到低排序，计算相应设备部件的磨损概率值，具体为：将匹配成功的N条匹配项按照支持度由高到低排序，则第I条匹配项对应的设备部件的磨损概率值为其中I为整数，且0＜I≤N，其他设备部件的磨损概率值为1％；

第五步：建立自组织竞争神经网络模型，具体为：

1)确定网络的训练样本，包括输入向量和目标向量；

2)自组织竞争神经网络模型初始化；

第六步：训练自组织竞争神经网络模型，具体为：

为了剔除训练样本中的奇异值，加快网络的收敛速度，将输入向量、目标向量进行归一化处理，然后输入网络对其进行训练，训练中根据网络收敛速度、误差精度在经验解空间中不断调整网络参数值，直至得到最优效果的神经网络模型，对每一种标准故障样本进行学习，学习结束后，对具有最大输出的神经元标以该故障的最优维修时间记号；

第七步：将第四步产生的各个设备部件的磨损概率值作为神经网络模型的输入，通过训练好的自组织竞争神经网络模型得到相应的设备最优维修时间预测值。

说明书

一种基于选择性磨损的设备最优维修时间预测方法

技术领域

[0001] 本发明属于设备维修时间预测领域，涉及一种基于选择性磨损的设备最优维修时间预测方法。

背景技术

[0002] 现代生产设备日益大型化和复杂化，设备故障现象也不断增多，且带来的损失也在增大。随着计算机的不断普及，关键设备大多采用状态维修方式代替了计划维修方式，而设备最优维修时间的预测是状态维修中最重要的问题之一。在状态维修中设备最优维修时间的预测主要取决于实际监测的数据，如果预测最优维修时间过于考前会因停机检修、过早更换部件等问题带来经济损失，而预测最优维修时间过于靠后，会因可能发生的功能性故障风险过大带来损失。因此，如何准确的预测设备最优维修时间成为研究热点，现有的方法在实际的应用中都取得了一定的效果，但是存在着一些局限性，主要如下：

[0003] 1、各种信息检测手段和预测方法都未能将诊断对象看成一个有机的整体，未能有效的考虑设备的各个部件之间可能存在的相互联系和影响。

[0004] 2、难以处理多种故障并存的复杂情况。

[0005] 在实际的设备故障演变过程中，系统的各个部件之间有着紧密的联系，各种故障经常同时发生，因此现有技术方法还很难得到较为准确的预测值。

[0006] 关联规则(Association Rule)是为了挖掘出隐藏在数据之间的相互关系，找出所有能把一组事件或数据项与另一组事件或数据项联系起来的规则。

[0007] 挖掘关联规则的基本思路：给定一个事务集，挖掘关联规则的任务就是生成支持度(support)和置信度(confidence)分别大于用户给定的最小支持度(minsupp)和最小置信度(minconf)的关联规则。满足最小支持度、最小置信度和相关度要求的规则称为强规则。寻找出所有有效的强规则就是关联规则数据挖掘要完成的任务。

[0008] 设数据事物集D，I＝{i1，i2，…，im}是项的集合，其中的元素称为项(item)。记D为交易T的集合，这里交易T是项的集合，并且 对应每一个交易有唯一的标识。设x是一个I中项的集合，如果 那么称交易T包含x。

[0009] 一个关联规则是形如 的蕴涵式，这里 并且x∩y＝Ф。

[0010] 定义一： 在事物数据库D中的支持度是事物集中包含x和y的事物数与所有事物数之比，记为support(x∪y)，即：

[0011]

[0012] 定义二： 在事物集中的可信度是指包含x和y的事务数与包含x的事物数之比，记为 即：

[0013]

[0014] 定义三：若X∪Y是频繁项目集，则置信度不低于最低置信阈值minconf。

[0015] Apriori算法的核心思想是通过项目集元素数目不断增长来逐步发现频繁项目集的。即利用频繁项集性质的先验知识通过逐层搜索的迭代方法，即将K-项集用于探索(K+1)-项集，来穷尽数据集的所有频繁项集。

[0016] 首先产生频繁1项集L1，然后是频繁2项集L2，直到不再能扩展频繁项集的元素数目而算法停止。在第k次循环中，过程先产生候选k项集的集合Ck，然后通过扫描数据库生成支持度并测试产生频繁k项集Lk。

[0017] Apriori算法由连接和剪枝两个步骤组成：

[0018] 连接：为了找Lk，通过Lk-1与自己连接产生候选K-项集的集合，该候选K项集记为Ck。

[0019] Lk-1中的两个元素L1和L2可以执行连接操作 的条件是(L1[1]＝L2[1])^(L1[2]＝L2[2])^…^(L1[K-2]＝L2[K-2])^(L1[K-1]＜L2[K-1])

[0020] 剪枝：使用Apriori性质剪枝，频繁项集的所有子集必须是频繁的。例如：对于某候选集C3，其中{A，B，C}的2项子集{A，B}，{A，C}，{B，C}，其中{A，B}不是L2的元素即不是频繁项集，所以删除该项。

[0021] 神经网络有很强的非线性拟合能力，可映射任意复杂的非线性关系，而且学习规则简单，便于计算机实现。具有很强的鲁棒性、记忆能力、非线性映射能力以及强大的自学习能力，因此有很大的应用市场。

[0022] 自组织竞争神经网络是受视网膜皮层的生物功能的启发而提出的。在人的视网膜中，存在着一种“侧抑制”现象，即一个神经细胞兴奋后，通过它的分支会对周围其他神经细胞产生抑制。因此，自组织神经网络中“赢”的神经元周围的区域内的神经元在不同程度上得到兴奋，而在区域以外的神经元都被抑制。网络的学习过程就是网络的连接权根据训练样本进行自适应、自组织的过程，经过一定次数的训练以后，网络能够把拓扑意义下相似的输入样本映射到相近的输出节点上。

[0023] 自组织竞争网络分为输入层和输出层，输入层由N个神经元构成，输出层由M个神经元构成。网络的连接权值为Wij，i＝1，2，…，N，j＝1，2，…，M，且 输出层神经元j的状态由式1得出：

[0024] 1

[0025] 其中，xi为输入样本向量的第i个元素，竞争层中具有最大加权值的神经元k赢得竞争胜利，输出为

[0026] 竞争后的权值按照下式进行修正，对于所有的i，有：

[0027]

[0028] 其中α为学习参数，一般取0.01-0.03，m为输入层中输出为1的神经元个数。表示当xi为1时，权值增加，当xi为0时，权值减少。

发明内容

[0029] 本发明提出一种基于“选择性磨损”的方法，通过对监测设备的数据进行分析和处理达到预测其最优维修时间的目的。在实际的设备故障演变过程中，设备的磨损概率是不同的，即会产生有选择的磨损。本发明采用实时动态决策方法，根据设备运行过程中的信息实时调整预测最优维修时间，使其更符合实际情况。

[0030] 假设设备一直处于运转中，或者由于中间停车时间较短，小于维修所需时间而可以近似认为其一直处于运转中。基于“选择性磨损”的设备最优维修时间预测方法主要分为两步：第一步利用关联规则以及被监测设备的状态监测数据求得设备各个部件当前状态下“有选择磨损”的概率值，第二步以第一步所求得的概率值为输入，通过自组织竞争神经网络建模预测最优维修时间。

[0031] 具体步骤如下：

[0032] 1.一种基于选择性磨损的设备最优维修时间预测方法，其特征在于包括如下步骤：

[0033] 第一步：利用设备历史数据构建基于选择性磨损的关联规则模式库，其中所述设备历史数据包括非故障状态和故障状态数据；

[0034] 第二步：从被监测设备中获得状态监测数据，建立设备实时数据集。

[0035] 第三步：对获得的状态监测数据进行分析和处理，提取特征值，建立设备监控数据集。

[0036] 第四步：将设备监控数据集与第一步建立的基于选择性磨损的关联规则模[0037] 式库中的模式相匹配，判断设备是否出现退化征兆。

[0038] 1)若匹配不成功，则说明设备没有出现退化征兆，返回继续监测设备数据。

[0039] 2)若匹配成功，则说明设备出现退化征兆，按照以下预先设定好的规则计算各个设备部件的磨损概率：

[0040] a)若关联规则模式库中只有一条匹配项，则说明被测设备虽然处于非故障状态，但已经处于该匹配项的缺陷状态，具有潜在的磨损风险，设定该匹配项对应的设备部件的磨损概率值为99％，其他设备部件的磨损概率值为1％。

[0041] b)若关联规则模式库中有多条匹配项，则说明被测设备虽然处于非故障状态，但已经处于该些匹配项的缺陷状态，有多个部件具有潜在的磨损风险，按照关联规则模式库中该些匹配项的支持度由高到低排序，计算相应设备部件的磨损概率值，具体为：将匹配成功的N条匹配项按照支持度由高到低排序，则第I条匹配项对应的设备部件的磨损概率值为 ，其中I为整数，且0＜I≤N，其他设备部件的磨损概率值为1％。

[0042] 第五步：建立自组织竞争神经网络模型。

[0043] 1)确定网络的训练样本，包括输入向量和目标向量。

[0044] 2)初始化自组织竞争神经网络模型。

[0045] 第六步：训练自组织竞争神经网络模型。

[0046] 将输入向量、目标向量进行归一化处理，然后输入网络对其进行训练，训练中根据网络收敛速度和误差精度在经验解空间中不断调整网络参数值，直至得到最优效果的神经网络模型。

[0047] 第七步：将第四步产生的各个部件的磨损概率值作为神经网络模型的输入，通过训练好的自组织竞争神经网络模型得到相应的设备最优维修时间预测值。

[0048] 本发明与现有技术相比具有以下有益效果：

[0049] 1、本发明方法将诊断对象看成一个有机的整体，有效的考虑设备的各个部件之间可能存在的相互联系和影响。

[0050] 2、本发明方法解决了现有预测技术对多种故障并存的复杂情况处理不精确的问题。

[0051] 3、本发明方法采用实时动态决策，根据设备运行过程中的信息实时调整预测的设备最优维修时间，使其更符合实际情况。

[0052] 4、本发明方法不需要建立复杂的数学时间预测模型。从而避免了建立数学模型的困难。

[0053] 5、本发明方法解决了预测设备最优维修时间中人工神经网络建模需要大量训练样本的问题，对小样本实验数据同样适用，便于实际工程应用。

[0054] 6、与现有预测方法相比，显著提高了最优维修时间的预测精度。

附图说明

[0055] 图1是本发明的流程图

具体实施方式

[0056] 下面结合附图和某钢铁公司设备对本发明的技术方案作进一步的描述。

[0057] 本发明提出一种基于“选择性磨损”的方法，通过对监测设备的数据进行分析和处理达到预测其最优维修时间的目的。本发明方法主要分为两步第一步利用关联规则Apriori算法求得设备各个部件当前状态下“有选择磨损”的概率值，第二步以第一步所求得的概率值为输入，通过自组织竞争神经网络建模预测最优维修时间。

[0058] 方法流程图如图1所示，具体步骤如下：

[0059] 第一步：利用设备历史数据(包括非故障状态和故障状态数据)构建基于选择性磨损的关联规则库，具体描述如下：

[0060] 设数据事物集D，I＝{i1，i2，…，im}是项的集合，其中的元素称为项(item)。记D为交易T的集合，这里交易T是项的集合，并且 对应每一个交易有唯一的标识。设x是一个I中项的集合，如果 那么称交易T包含x。

[0061] 一个关联规则是形如 的蕴涵式，这里 并且x∩y＝Ф。

[0062] 定义一： 在事物数据库D中的支持度是事物集中包含x和y的事物数与所有事物数之比，记为support(x∪y)，即：

[0063]

[0064] 定义二： 在事物集中的可信度是指包含x和y的事务数与包含x的事物数之比，记为 即：

[0065]

[0066] 定义三：若X∪Y是频繁项目集，则置信度不低于最低置信阈值minconf。

[0067] 本发明采用关联规则中的Apriori算法，具体如下：

[0068] 1)扫描一次数据库，产生频繁1项集L1；

[0069] 2)进行循环，在第k次循环中，首先由频繁k-1项集进行自连接和剪枝产生候选频繁k项集Ck；

[0070] 3)扫描数据库，对每一个交易T，计算出该交易T内包含哪些候选频繁k项集，并对这些候选频繁k项集的支持数加1，如果某个候选频繁k项集的支持数大于或等于最小支持数，则该候选频繁k项集为频繁k项集；

[0071] 4)循环直到不再产生候选频繁k项集结束；

[0072] 算法描述如下：

[0073] L1＝find_frequent_1-itemsets(D)；

[0074] for(k＝2；Lk-1≠Ф；k++)

[0075] {

[0076] Ck＝apriori_gen(Lk-1，min_sup)；

[0077] for each transaction t∈D

[0078] { //scan D for counts

[0079] Ct＝subset(Ck，t)；//get the subsets of t that are candidates[0080] for each candidate c∈Ct

[0081] c.count++；

[0082] }

[0083] Lk＝{c∈Ck|c.count≥min_sup}

[0084] }

[0085] Return L＝∪k Lk；

[0086] 第二步：从被监测设备中获得状态监测数据，建立设备实时数据集。

[0087] 第三步：对其数据进行分析和处理，提取特征值，建立设备监控数据集。

[0088] 将第二步得到的设备监控数据集中的连续性历史数据进行聚类分析和离散化，得到各类数据所属聚类范围的概化结果，从而得到概化后的设备监控数据集。

[0089] 第四步：将第三步建立的设备监控数据集与第一步建立的基于选择性磨损的关联规则库中的模式相匹配，即判断设备是否出现退化征兆。

[0090] 1)若匹配不成功，则说明设备没有出现退化征兆，返回继续监测设备数据。

[0091] 2)若匹配成功，则说明设备出现退化征兆，按照以下预先设定好的规则计算各个部件的磨损概率：

[0092] ●若关联规则模式库中只有一条完全匹配，则说明被测设备虽然处于非故障状态，但已经处于该匹配项的缺陷状态，具有潜在的磨损风险，设定该匹配项对应的设备部件的磨损概率值为99％，其他设备部件的磨损概率值为1％。

[0093] ●若关联规则模式库中只有多条匹配，则说明被测设备虽然处于非故障状态，但已经处于该些匹配项的缺陷状态，有多个部件具有潜在的磨损风险，按照关联规则模式库中该些匹配项的支持度由高到低排序，计算相应设备部件的磨损概率值，具体为：将匹配成功的N条匹配项按照支持度由高到低排序，则第I条匹配项对应的设备部件的磨损概率值为 ，其中I为整数，且0＜I≤N，其他设备部件的磨损概率值为1％。

[0094] 第五步：建立自组织竞争神经网络模型。

[0095] 1)确定网络的训练样本，包括输入向量和目标向量。

[0096] 2)自组织竞争神经网络模型初始化。

[0097] 第六步：训练自组织竞争神经网络模型。

[0098] 为了剔除训练样本中的奇异值，加快网络的收敛速度，将输入向量、目标向量进行归一化处理，然后输入网络对其进行训练。训练中根据网络收敛速度、误差精度等情况在经验解空间中不断调整网络参数值，直至得到最优效果的神经网络模型。

[0099] 第七步：利用训练好的神经网络进行预测。

[0100] 将第四步产生的各个部件的磨损概率值作为神经网络模型的输入，通过训练好的自组织竞争神经网络模型得到相应的设备最优维修时间预测值。

[0101] 实施例1：

[0102] 某钢铁公司大型锻压系统主要由A、B、C三个设备组成，在该系统的数据库中存储了以前大量的运行数据(包括正常状态、故障状态和故障时间)，包括三个设备上的采样点：温度、压力、震动、转速和各个部件磨损等级。

[0103] 实施步骤如下：

[0104] 1)首先构建基于选择性磨损的关联规则库，具体如下；

[0105] ●从数据库中获取温度、压力、震动、转速、各个部件磨损等级的样本数据，清洗去除不一致数据；为了防止具有较大值的属性相对于较小值的属性权重过大，将数据进行归一化处理；再将上述归一化处理的数据按比例缩放，使他们都落在[0，1]上，建立设备监控数据集。

[0106] ●Apriori算法处理的数据表是以布尔形式表示，而企业的数据是连续变化的数值参数，因此将上一步得到的设备监控数据集中的连续性历史数据进行聚类分析和离散化，得到各类数据所属聚类范围的概化结果，从而得到概化后的设备监控数据集。

[0107] ●利用对概化后的设备监控数据进行挖掘，构建关联预警模式库；设温度T、压力P、震动S、转速R与部件磨损概率值P1、P2、P3……的关联规则为：X-＞Y[minsup，minconf]，其中X＝{T、P、S、R}，Y＝{P1、P2、P3……}，minsup为最小支持度，minconf为置信度。

[0108] 2)收集监测数据，建立设备实时数据集。

[0109] 3)对其设备实时数据集的相关数据进行聚类分析和离散化，得到各类数据所述聚类范围的概化结果，从而得到概化后的设备监控数据集；

[0110] 4)将设备监控数据集与基于选择性磨损的关联规则库中的模式相匹配，即判断设备是否出现退化征兆。

[0111] 5)若匹配不成功，则说明设备没有出现退化征兆，返回继续监测设备数据。

[0112] 6)若匹配成功，则说明设备出现退化征兆，按以下预先设定好的规则计算各个部件的磨损概率，具体如下：

[0113] ●若关联规则模式库中只有一条完全匹配，则说明被测设备虽然处于非故障状态，但已经处于该匹配项的缺陷状态，即具有潜在的磨损风险，给出该部件相应磨损概率值，即设定匹配成功的相应部件的磨损概率值为99％，其他部件的磨损概率值为1％。

[0114] ●若关联规则模式库中只有多条匹配，则说明被测设备虽然处于非故障状态，但已经处于该些匹配项的缺陷状态，有多个部件具有潜在的磨损风险，按照关联规则模式库中该些匹配项的支持度由高到低排序，计算相应设备部件的磨损概率值，具体为：将匹配成功的N条匹配项按照支持度由高到低排序，则第I条匹配项对应的设备部件的磨损概率值为 ，其中I为整数，且0＜I≤N，其他设备部件的磨损概率值为1％。

[0115] 7)建立自组织竞争神经网络模型。

[0116] ●确定网络的训练样本，包括输入向量和目标向量。

[0117] ●自组织竞争神经网络模型初始化。

[0118] 8)训练自组织竞争神经网络模型。

[0119] 为了剔除训练样本中的奇异值，加快网络的收敛速度，将输入向量、目标向量进行归一化处理，然后输入网络对其进行训练。对每一种标准故障样本进行学习，学习结束后，对具有最大输出的神经元标以该故障的最优维修时间记号。

[0120] 9)利用训练好的神经网络进行预测，求得的最优维修时间。

[0121] ●将待检验样本输入到已经训练好的自组织竞争网络模型。

[0122] ●获胜的输出神经元所表示的时间为最优维修时间。