一种基于模糊关联规则算法的电机设备健康管理方法与流程

1.本发明属于电机设备健康管理领域，尤其涉及一种基于模糊关联规则算法的电机设备健康管理方法。


背景技术：

2.电机设备在多数企业中作为机械设备的动力源是必不可少的。若电机发生故障，直接影响企业的整体运作。电机在工作过程中，随着使用年限的增加，设备发生故障或失效的概率会随之增加，且电机设备零部件众多，故障原因多样化，检修难度过大，一旦维修时间过长，将会带来巨大的经济损失和工作进度的推迟。在电机设备的健康管理中，对故障分析做出准确的判断性，进而提高其维修的效率，具有极其重要的作用。
3.现阶段对电机设备的健康管理仍是较为复杂的过程，近年来，针对电机设备的健康管理人们做了广泛的研究。应用较广的为传统的电机健康管理方法，对输入、输出信号进行处理。随着科学技术的进步，人工智能诊断技术引入到电机的健康管理中。此外，红外热像、电机的结构性分析、无迹卡尔曼滤波器等技术，均在此领域得到应用，取得较好的结果。然而，现有的研究都是建立在信号特征处理与故障诊断之间的联系，存在一定的局限性，检测也不够全面。而且，对于企业来说，存在大量输入和输出变量，变量之间存在高度相似关系，增加了数据信息提取的难度。同时，电机设备的传统健康管理技术并不能明确给出故障现象、故障原因和解决方案之间的因果关系，而且故障诊断中人们主观思维会影响维修过程和故障诊断依据；因此，随着企业的发展，电机使用数量的不断增加，企业已经积累了大量故障案例及数据，如何使用历史故障案例数据，提高故障诊断的精确度和效率，成为本领域一直渴望解决的技术难题。
4.基于案例推理技术作为新兴的一种问题处理方法，可以将新问题的特征属性进行分析，通过建立案例库，提取出与新案例较为相似的历史案例，历史案例的故障解决措施供给维修人员参考，然而在实施过程中，仍然存在一定问题。具体表现在：现阶段的案例推理技术将不同特征属性赋予同等权重进行计算，导致推理结果精度不高。在实际表现中，不同特征属性对案例的重要性是不同的，且现阶段推理结果较为片面，未能给操作人员提供最优解决措施。


技术实现要素：

5.本发明针对上述现有技术中存在的问题，提供了一种基于模糊关联规则算法的电机设备健康管理方法，克服了故障诊断中人们主观思维对维修过程和故障诊断依据的影响，提高故障诊断的精确度和效率。
6.为了达到上述目的，本发明的技术方案如下：
7.一种基于模糊关联规则算法的电机设备健康管理方法，包括如下步骤：
8.步骤(1)，广泛收集企业往年电机设备故障案例及数据，以故障案例库信息指标体系为原则，建立以故障案例及数据为基础的故障案例库；
9.步骤(2)，利用布尔离散化方法对故障案例库中的特征属性数据进行离散处理，方便后续约简；
10.步骤(3)，将关联规则算法引入特征属性的约简，建立特征属性约简模型，删除对结果无用的特征属性，减少冗余属性对计算结果精度的影响，缩短案例推理时间；
11.步骤(4)，对剩余属性，采用熵权法计算其权重，进一步增加结果精度；
12.步骤(5)，利用k近邻距离算法进行案例推理，结合权重值，得出与目标案例最为相似的k个源案例，同时使用分类算法，系统根据k个源案例所属的故障类型，给出一个最佳的目标案例的故障类型和解决方案。
13.所述步骤(1)包括：
14.每个故障案例都具有大量信息，包括故障征兆、故障现象、故障原因和解决措施，同时考虑相似度计算的需要，根据事故发生的时间、故障原因、事故类型、事故现象这些特征属性进行具体分类，根据公式一采用四元组方式表示，
15.公式一：
16.case＝《s、m、d、e》
17.其中：case表示整个故障案例库，s、m、d、e均是一个非空有限集合，分别代表：事故案例基本信息、案例特征、故障结论和案例辅助信息；
18.在故障案例库体系中，事发信息由事故案例基本信息和案例特征组成，主要用于存储事故发生时候的状态信息；在相似度计算中，用到故障案例库中的事发信息进行新旧案例的匹配，事后信息由故障结论和辅助信息组成，用来收集事故发生过后的解决方案及匹配过程中的次数、时间参数，为目标案例提供相应的维修方案，也为后期技术优化提供参考意见。
19.所述步骤(2)包括：
20.采用布尔离散化函数对故障案例库中特征属性矩阵进行参数离散化处理，变为有限数值集合，将收集到的电机设备正常运作时的特征属性值，根据公式二取其每个属性的平均值作为界定，超过此值的属性值映射为1，未超过此值的属性值映射为0；
21.公式二：
[0022][0023]
其中：c(c
ij
)表示最终映射值，aj为第j个特征属性的平均值，c
ij
为第i个案例的第j个特征属性的映射值。
[0024]
所述步骤(3)包括：
[0025]
利用关联规则算法获取故障案例库中特征属性之间的联系，形式表现为通过建立两个指标来衡量关联规则，即支持度d
supp
和置信度d
conf
，指标的最小阀值需要手动定义。
[0026]
所述步骤(3)具体包括下述步骤：
[0027]
步骤(3)a、根据公式三获取特征属性的支持度d
supp
，即c1和c2同时发生的概率，
[0028]
公式三：
[0029]
[0030]
其中：表示特征属性最终支持度，support_count(c1∪c2)表示同时包含c1和c2的数据，total_count(c1)表示整个数据集。
[0031]
步骤(3)b、根据公式四获取特征属性的置信度d
conf
，即c1发生，那么c2发生的概率，
[0032]
公式四：
[0033][0034]
其中：表示特征属性最终置信度，support_count(c1∪c2)表示同时包含c1和c2的数据，support_count(c1)表示仅包含c1的数据集。
[0035]
步骤(3)c、确定特征属性中的强关联规则属性，最小支持度，表示项目集在统计意义上的最低重要性；最小置信度，表示关联规则的最低可靠性，同时满足最小支持度阈值和最小置信度阈值的特征属性为强关联规则属性，保留这些特征属性；
[0036]
步骤(3)d、确定特征属性中的冗余关联规则，当支持度和关联度中有一个不满足最小阀值时，此特征属性为冗余关联规则，删除这些特征属性。
[0037]
所述步骤(4)为根据权值来表示不同特征属性对结果的影响不同，采用熵权法，以一种客观的角度计算特征属性的权重；具体包括：
[0038]
步骤(4)a、根据公式五对故障案例库中的每个数据进行标准化处理，
[0039]
公式五：
[0040][0041]
其中：x
ij
表示第i个案例的第j个特征属性(i＝1，2，
…
，n；j＝1，2，
…
，k)，y
ij
为数据x
ij
标准化处理后的值，maxx
ij
为第j个属性中的最大值，minx
ij
为第j个属性中的最小值；
[0042]
步骤(4)b、根据公式六，获取每个特征属性自身的信息熵，
[0043]
公式六：
[0044][0045]
其中：p
ij
为该信息指标总属性值中，第i个案例第j个信息指标属性值所占的比重，ej表示特征属性的信息熵值；
[0046]
步骤(4)c、通过步骤(4)b获取的所有属性的信息熵值，结合公式七计算出每个属性所占的权重，
[0047]
公式七：
[0048][0049]
其中：wj表示每个特征属性的权重值。
[0050]
所述步骤(5)为基于欧几里得距离的k近邻算法的案例推理模型，具体包括：
[0051]
步骤(5)a、采用k近邻算法，将目标案例与源案例进行匹配，得出与目标案例最为相似的k个源案例，
[0052]
将步骤(4)中求取的特征属性的权重引入，根据公式八获取目标案例与源案例之
间的距离，
[0053]
公式八：
[0054][0055]
其中：d(xi，xj)表示案例之间的距离。
[0056]
步骤(5)b、引入分类算法，将k个源案例中所属故障类型最多的故障作为目标案例的故障类型，最后将k个最相似的源案例和系统认定的目标案例的故障类型一同作为结果输出。
[0057]
本发明提出的基于模糊关联规则算法的电机设备健康管理方法具有如下优点：
[0058]
1、故障案例库数据来源简单，仅需要企业检维修中积累的故障数据即可，将企业多年闲置的资料利用起来，案例库结构简单，便于操作人员理解。
[0059]
2、无需人主观思维参与，克服了在故障诊断中人们主观思维对维修过程的影响以及技术人员对诊断依据不了解的困难。
[0060]
3、在基于案例推理的基础上，利用模糊关联规则对故障案例库中的特征属性进行约简，从全新的视角分析特征属性之间的关联，使案例推理过程有一个良好的运行环境。
[0061]
4、在案例推理的基础上，利用熵权法对每个特征属性赋权，提高案例推理结果的准确度。
[0062]
综述，本发明广泛收集了企业往年电机设备故障案例及数据，以故障案例库信息指标体系为原则，建立了以故障案例及数据为基础的故障案例库。利用布尔离散化方法对特征属性数据进行离散处理，方便后续约简。此外，将关联规则引入特征属性的约简，减少冗余属性对计算结果精度的影响。同时对剩余属性，采用熵权法计算其权重。最后，利用基于欧几里得距离算法的k近邻算法来建立案例推理模型，获取与目标案例最为相似的k个结果。体现了了基于模糊关联规则的案例推理模型方法具有结构简明、精度高、运算速率快等优点。本发明克服了故障诊断中人们主观思维对维修过程和诊断依据的影响。同时，充分利用企业中丰富的检查和维护记录，为解决意外故障提供了证据和理由。
附图说明
[0063]
图1是本发明的基于模糊关联规则的案例推理电机设备健康管理技术的流程图。
[0064]
图2是本发明中模糊关联规则的强模糊关联规则挖掘过程示意图。
[0065]
图3是本发明实施例1中所建立的故障案例库图。
[0066]
图4是本发明实施例1中模糊处理后的电机故障案例库示意图。
[0067]
图5是本发明实施例1中模糊关联规则部分运行结果示意图。
[0068]
图6是本发明实施例1中通过熵权法计算特征属性权重值示意图。
[0069]
图7是本发明实施例1中整体运行结果示意图。
[0070]
图8是本发明实施例的模糊关联规则算法约简特征属性数量结果示意图。
[0071]
图9是本发明实施例的模型与其他同类型模型对比结果准确度结果示意图。
具体实施方式
[0072]
为了更好解释本发明，以便于理解，下面通过具体实施方式，对本发明作详细描
述。以下实施例是对本发明的解释而本发明并不局限于以下实施例。
[0073]
实施例1，本实施例以某石化企业的电机故障信号数据和正常信号数据作为基础资料
[0074]
一种基于模糊关联规则的案例推理电机设备健康管理技术，如图1所示，包括以下步骤：
[0075]
步骤(1)广泛收集了企业往年电机设备故障案例及数据，以故障案例库信息指标体系为原则，建立了以故障案例及数据为基础的故障案例库。
[0076]
步骤(2)利用布尔离散化方法对故障案例库中的特征属性数据进行离散处理，方便后续约简。
[0077]
步骤(3)将关联规则算法引入特征属性的约简，建立特征属性约简模型，删除对结果不起作用的特征属性，减少冗余属性对计算结果精度的影响，缩短案例推理时间。
[0078]
步骤(4)对剩余属性，采用熵权法计算其权重，进一步增加结果精度。
[0079]
步骤(5)利用k近邻距离算法进行案例推理，结合权重值，得出与目标案例最为相似的k个源案例。同时使用分类算法，系统根据k个源案例所属的故障类型，给出一个最佳的目标案例的故障类型和解决方案。
[0080]
在步骤(1)中：
[0081]
每个电机案例都具有故障征兆、故障现象、故障原因和解决措施等大量信息，同时考虑相似度计算的需要，根据事故发生的时间、故障原因、事故类型、事故现象等特征属性进行具体分类，根据公式一采用四元组方式表示。本实施例根据企业数据建立的故障案例库，如图3所示，不同标签表示不同的故障类型，属性表示故障案例发生时，振动、噪声等信号值。
[0082]
公式一：
[0083]
case＝《s、m、d、e》
[0084]
其中：case表示整个故障案例库。s、m、d、e均是一个非空有限集合，分别代表：事故案例基本信息、案例特征、故障结论和案例辅助信息。
[0085]
在故障案例库体系中，事发信息由事故案例基本信息和案例特征组成，其主要用于存储事故发生时候的状态信息。在相似度计算中，用到案例库中的事发信息进行新旧案例的匹配。事后信息由故障结论和辅助信息组成，用来收集事故发生过后的解决方案及匹配过程中的次数、时间等参数，可以为目标案例提供相应的维修方案，为后期技术优化提供参考意见。
[0086]
在步骤(2)中：
[0087]
由于关联规则仅适用于离散数据，所以在运用关联规则进行特征属性约简前，采用布尔离散化函数对案例库中特征属性矩阵进行参数离散化处理，变为有限数值集合。将收集到的电机设备正常运作时的特征属性值，根据公式二取其每个属性的平均值作为界定，超过此值的属性值映射为1，未超过此值的属性值映射为0。
[0088]
公式二：
[0089]
[0090]
其中：c(c
ij
)表示最终映射值，aj为第j个特征属性的平均值，c
ij
为第i个案例的第j个特征属性的映射值。
[0091]
如图4所示，故障案例库通过步骤(2)，所得出的模糊处理后的电机故障案例库。具体数值已经变为有限数值。
[0092]
在步骤(3)中：
[0093]
利用关联规则算法获取故障案例库中特征属性之间的联系，形式表现为通过建立两个指标来衡量关联规则，即支持度d
supp
和置信度d
conf
。实施例1中，指标的最小阀值手动定义为30％和65％。
[0094]
步骤(3)a、根据公式三获取特征属性的支持度d
supp
。也就是说c1和c2同时发生的概率。
[0095]
公式三：
[0096][0097]
其中：表示特征属性最终支持度，support_count(c1∪c2)表示同时包含c1和c2的数据，total_count(c1)表示整个数据集。
[0098]
步骤(3)b、根据公式四获取特征属性的置信度d
conf
。也就是说c1发生，那么c2发生的概率。
[0099]
公式四：
[0100][0101]
其中：表示特征属性最终置信度，support_count(c1∪c2)表示同时包含c1和c2的数据，support_count(c1)表示仅包含c1的数据集。
[0102]
步骤(3)c、确定特征属性中的强关联规则属性。最小支持度，表示项目集在统计意义上的最低重要性；最小置信度，表示关联规则的最低可靠性。同时满足最小支持度阈值和最小置信度阈值的特征属性为强关联规则属性，保留这些特征属性。
[0103]
步骤(3)d、确定特征属性中的冗余关联规则。当支持度和关联度中有一个不满足最小阀值时，此特征属性为冗余关联规则，删除这些特征属性。
[0104]
如图5所示，为此次模糊关联规则部分运行结果图，图中包括属性之间的支持度和置信度的数值，其中未满足最小阀值的属性已经被删除。
[0105]
在步骤(4)中：
[0106]
根据权值来表示不同特征属性对结果的影响不同，采用熵权算法，以一种客观的角度计算特征属性的权重。
[0107]
步骤(4)a、根据公式五对故障案例库中的每个数据进行标准化处理。
[0108]
公式五：
[0109][0110]
其中x
ij
表示第i个案例的第j个特征属性(i＝1，2，
…
，n；j＝1，2，
…
，k)，y
ij
为数据
x
ij
标准化处理后的值，maxx
ij
为第j个属性中的最大值，minx
ij
为第j个属性中的最小值。
[0111]
步骤(4)b、根据公式六，获取每个特征属性自身的信息熵。
[0112]
公式六：
[0113][0114]
其中：p
ij
为该信息指标总属性值中，第i个案例第j个信息指标属性值所占的比重，ej表示特征属性的信息熵值；
[0115]
步骤(4)c、通过步骤(4)b获取的所有属性的信息熵值，结合公式七计算出每个属性所占的权重。
[0116]
公式七：
[0117][0118]
其中：wj表示特征属性的权重值。
[0119]
如图6所示，通过熵权法的计算，得出约简后剩余特征属性的权重值。
[0120]
在步骤(5)中：
[0121]
基于欧几里得距离的k近邻算法的案例推理模型，
[0122]
步骤(5)a、采用k近邻算法，将目标案例与源案例进行匹配，得出与目标案例最为相似的k个源案例。
[0123]
将步骤(4)中求取的特征属性的权重引入，根据公式八获取目标案例与源案例之间的距离。
[0124]
公式八：
[0125][0126]
其中：d(xi，xj)表示案例之间的距离。
[0127]
步骤(5)b、引入分类算法，将k个源案例中所属故障类型最多的故障作为目标案例的故障类型，最后将k个最相似的源案例和系统认定的目标案例的故障类型一同作为结果输出。
[0128]
如图7所示，在实施例1中输入目标案例，k值取17，得出与目标相似度最大的前17个案例。且前17个案例中，所属的故障类型最多的是故障类型1，因此得出最终结果目标案例的故障类型为故障类型1，这些案例同样给操作人员提供参考性意见。
[0129]
实施例2：
[0130]
一种基于模糊关联规则的案例推理电机设备健康管理技术，如图8和图9所示。
[0131]
因为案例推理技术会随着案例数量的增加，其精度会逐渐提高。
[0132]
在使用前期，案例数量不多的情况下，能否也保证一定准确度，是本发明建立时需要考虑的关键点。而案例数量的不同，也会使约简的特征属性不同。
[0133]
在实施例2中，分为5组数据，每组数据包含两个故障案例库，采用模糊关联规则模型和注水原理属性约简。
[0134]
通过图8和图9，在特征属性约简的数量方面，基于注水原理的约简模型所约简的特征属性数量较多，但是在结果准确度方面，并没有基于模糊关联规则的约简模型的准确
度高。
[0135]
虽然注水原理可以约简的数量更多，使后续案例推理的计算时间缩短，但是注水原理仅考虑属性自身的重要性，而忽略特征属性对整体的意义，同时过量的约简也会导致有用的特征属性被删除，使案例推理的匹配精度降低。
[0136]
虽然模糊关联规则的约简模型约简属性数目不多，但考虑到特征属性之间的相对关系，更趋于整体化，很好的保留了对案例匹配有用特征属性，提高结果的准确性。
[0137]
此外，通过图9中基于模糊关联规则的案例推理模型(50条)和(100条)两条曲线能得出，随着案例数量的增加，结果精度也会不断提高，进一步验证了基于模糊关联规则的案例推理模型在实际运用当中会产生很好的效果。
[0138]
需要说明的是：
[0139]
本发明并不局限于上文描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本发明的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本发明的精神后，做出各种改变、修改和添加，或者改变步骤之间的顺序。
[0140]
本说明书中所描述的具体实施例，其零、部件的形状、所取名称等可以不同。凡依本发明专利构思所述的构造、特征及原理所做的等效或简单变化，均包括于本发明专利的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离本发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。