基于时序关联规则的设备故障预测方法研究

Ｒ１ Ｔ１ Ｔ２ Ｔ３ Ｔ４ Ｔ５ Ｔ６ ＜ １， Ｔａ１ ＞ Ｒ２ Ｒ３
为了便于利用关联规则算法求出频繁项集，同时 为了更清楚地表达设备编号和故障代码之间的关系， 将表 １ 时序故障数据模型转换为类似于位图的形式， 如表 ２ 所示。其中 （ １ ， Ｔ） 表示设备在时间 Ｔ 发生 了某故障， ＜ ０ ，０ ＞表示设备从来没有发生某故障。 同一设备可能在不同时间发生多次某故障，所以单元 格中可能出现多个时序项。
［ ３］
１ 故障数据模型
随着设备使用寿命的增多，发生故障的概率越来 越大，企业能采集到很多故障数据。这些故障数据具 有动态性、大量性、冗余性、噪声大等特点。基于这
６－ ７］ ， 些特点，利用 Ａｐｒｉｏｒｉ 传统关联规则算法的思想 ［
提出的一种基于时变转移概率的隐半
Ｍ ａｒｋｏｖ 模型，用于设备运行状态的识别和故障预测；
量进行并行预测，并对各类特征和预测结果进行趋势
收稿日期：２０１３ － ０４ － ２１ 基金项目：国家自然科学基金 （ ５０９０５０８３ ） 作者简介：甘超 （ １９８８ —） ，男，硕士研究生，主要从事制造过程与管理方面的研究。Ｅ － ｍａｉｌ：４６４７２４１６６＠ｑｑ ｃｏｍ。
· １６８·
机床与液压 表 １ 时序故障数据模型 事务 Ｔ （ 设备编号） Ｔ１ Ｔ２ Ｔ３ Ｔ４ Ｔ５ Ｔ６ 项目 Ｉ （ 故障数据） ＜ Ｒ１ ， Ｔａ１ ＞ ，＜ Ｒ２ ， Ｔａ２ ＞ ，＜ Ｒ３ ， Ｔａ３ ＞ ，＜ Ｒ５ ， Ｔａ４ ＞ ＜ Ｒ１ ， Ｔｂ１ ＞ ，＜ Ｒ２ ， Ｔｂ２ ＞ ，＜ Ｒ６ ， Ｔｂ３ ＞ ，＜ Ｒ１ ， Ｔｂ４ ＞ ＜ Ｒ２ ， Ｔｃ１ ＞ ，＜ Ｒ３ ， Ｔｃ２ ＞ ，＜ Ｒ５ ， Ｔｃ３ ＞ ＜ Ｒ２ ， Ｔｄ１ ＞ ，＜ Ｒ４ ， Ｔｄ２ ＞ ，＜ Ｒ６ ， Ｔｄ３ ＞ ，＜ Ｒ７ ， Ｔｄ４ ＞ ，＜ Ｒ４ ， Ｔｄ５ ＞ ＜ Ｒ２ ， Ｔｅ１ ＞ ，＜ Ｒ３ ， Ｔｅ２ ＞ ，＜ Ｒ４ ， Ｔｅ３ ＞ ，＜ Ｒ５ ， Ｔｅ４ ＞ ，＜ Ｒ６ ， Ｔｅ５ ＞ ＜ Ｒ２ ， Ｔｆ１ ＞ ，＜ Ｒ３ ， Ｔｆ２ ＞ ，＜ Ｒ５ ， Ｔｆ３ ＞ ，＜ Ｒ６ ， Ｔｆ４ ＞
（ 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 Ａｐｒｉｏｒｉ 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 ） １ １ － １６７ － ５
第 ４２ 卷
模型的数据结构需要满足两个性质： 性质 １ ：每个事务 Ｔ 有唯一的设备编号标识，事 务中的所有数据项对应设备的故障数据。不存在相同 设备编号的两个事务。 性质 ２ ：事 务 中 的 数 据 项 都 由 一 个 二 元 组 ＜ｉ ， ｔ＞ 表示，称为时序项。其中，ｉ 为项 （ 此处为故障代 码） ，ｔ 为时序项的时间戳。
ｏｆ ｅｑｕｉｐｍｅｎｔ ｍａｎａｇｅｍｅｎｔ．Ｔｅｍｐｏｒａｌ ｆａｕｌｔ ｄａｔａ ｍｏｄｅｌ ｗａｓ ｂｕｉｌｔ ｂｙ ｕｓｉｎｇ Ａｐｒｉｏｒｉ ｔｒａｄｉｔｉｏｎａｌ ａｓｓｏｃｉａｔｉｏｎ ｒｕｌｅｓ ａｌｇｏｒｉｔｈｍ ｂａｓｅｄ ｏｎ ｔｈｅ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ ｆａｕｌｔ ｄａｔａ．Ｉｍｐｒｏｖｅｄ Ａｐｒｉｏｒｉ ａｌｇｏｒｉｔｈｍ ａｎｄ ｆｒｅｑｕｅｎｔ ｔｅｍｐｏｒａｌ ａｓｓｏｃｉａｔｉｏｎ ｒｕｌｅｓ ａｌｇｏｒｉｔｈｍ ｗｅｒｅ ｐｒｏｐｏｓｅｄ ｂｙ ｃｏｎｖｅｒｔｉｎｇ ｆａｕｌｔ ｄａｔａ ｔｏ ｔｅｍｐｏｒａｌ ｉｔｅｍ ｓｅｔｓ ｍａｔｒｉｘ．Ｅｑｕｉｐｍｅｎｔ ｆａｕｌｔ ｔｒｅｎｄｓ ｗｅｒｅ ｐｒｅｄｉｃｔｅｄ ｂｙ ｍｉｎｉｎｇ ｔｈｅ ｆｒｅｑｕｅｎｔ ｔｅｍｐｏｒａｌ ａｓｓｏｃｉａｔｉｏｎ ｒｕｌｅｓ ｏｆ ｆａｕｌｔ ｗｈｉｃｈ ｐｒｏｖｉｄｅｄ ｓｔｒｏｎｇ ｓｕｐｐｏｒｔ ｆｏｒ ｅｑｕｉｐｍｅｎｔ ｍａｎａｇｅｍｅｎｔ． Ａｔ ｌａｓｔ ａｎ ｅｘａｍｐｌｅ ｗａｓ ｇｉｖｅｎ ｔｏ ｐｒｏｖｅ ｔｈｅ ｆｅａｓｉ ｄａｔａ ｂａｓｅｄ ｏｎ ｔｈｅ ａｌｇｏｒｉｔｈｍ， ｂｉｌｉｔｙ． Ｋｅｙｗｏｒｄｓ ：Ｆａｕｌｔ ｐｒｏｇｎｏｓｉｓ；Ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ；Ｔｅｍｐｏｒａｌ ａｓｓｏｃｉａｔｉｏｎ ｒｕｌｅｓ；Ｄａｔａ ｍｉｎｉｎｇ
４］ ＣＡＥＳＡＲＥＮＤＲＡ 等 ［ 通 过 仿 真 和 实 验 的 故 障 数 据，
利用概率论和支持向量机来预测故障的衰减过程；武 兵等人 分
［ ５］
将故障记录表中的数据按照设备编号进行分组，并记 录故障发生时间，剔除无效的数据，得到时序故障数 据模型。如表 １ 所示。
提出了利用支持向量回归技术对多个特性
。设备维护是
保障设备稳定和可靠运行的重要手段。设备的维修方 式从早期的无计划维修到预防性维修逐步向基于状态
［ ２］ 维修 （ Ｃｏｎｄｉｔｉｏｎ Ｂａｓｅｄ Ｍ ａｉｎｔｅｎａｎｃｅ ， ＣＢＭ） 方式转
变，而设备故障预测是 ＣＢＭ 的关键。近年来，国内 外针对设备故障预测的研究取得了巨大的成果，主要 有王宁等人
表 ２ 时序故障数据转换模型
＜ １， Ｔａ２ ＞ ＜ １， Ｔａ３ ＞ ＜ ０， ０＞
＜ １， Ｔｂ１ ＞ ， ＜ １， Ｔｂ４ ＞ ＜ １， Ｔｂ２ ＞ ＜ ０， ０＞ ＜ ０， ０＞ ＜ ０， ０＞ ＜ ０， ０＞
Ｔｃ１ ＞ ＜ １， Ｔｃ２ ＞ ＜ １， ＜ １， Ｔｄ１ ＞ ＜ ０， ０＞
＜ １， Ｔｄ３ ＞ ＜ １， Ｔｄ４ ＞ ＜ ０， ０＞ ＜ ０， ０＞
Ｒ４ ＜ ０， ０＞ ＜ ０， ０＞ ＜ ０， ０＞ ＜ １， Ｔｄ２ ＞ ， ＜ １， Ｔｄ５ ＞ ＜ １， Ｔｅ３ ＞ ＜ ０， ０＞ Ｒ５ Ｔａ４ ＞ ＜ １， ＜ ０， ０＞ Ｔｃ３ ＞ ＜ １， ＜ ０， ０＞ Ｒ６ ＜ ０， ０＞ Ｔｂ３ ＞ ＜ １， ＜ ０， ０＞ Ｒ７ ＜ ０， ０＞ ＜ ０， ０＞ ＜ ０， ０＞
Ｔｅ１ ＞ ＜ １， Ｔｅ２ ＞ ＜ １， ＜ １， Ｔｆ１ ＞ ＜ １， Ｔｆ２ ＞
＜ １， Ｔｅ４ ＞ ＜ １， Ｔｅ５ ＞ ＜ １， Ｔｆ３ ＞ ＜ １， Ｔｆ４ ＞
所以，设备故障关系数据可以表示为矩阵 Ｄ： ｆ （ Ｔ００ ） ｆ （ Ｔ０１ ） … ｆ （ Ｔ０ｎ ） Ｄｍｘｎ
为包含项目的个数；当第 ｉ 个事务不包含第 ｊ 个项目 时，对应位置的值为 （ ０ ，０ ） 。形如式 （ １ ） 的矩阵 就是一个时序项集矩阵。 定义 ２ ，时序候选项集矩阵。用关联规则算法， 对时序项集矩阵剪枝操作后，删除不满足要求的行和 列，重新计算，得到时序候选项集矩阵。 定义 ３ ，时序关联规则。 Ａ， Ｂ 是项集 Ｉ 的子集， 满足 ＡＩ，ＢＩ，且 Ａ∩ Ｂ ＝ ，ｔ 表示在同一个事务 Ｔｉ 中项集 Ｂ 在项集 Ａ 之后 ｔ 的时间发生。时序关联规 则是形如以下的蕴含式： Ａ→Ｂ：Δ Ｔ＝ ｔ 定义 ４ ，时序规则模式。在由关联规则算法计算 出的频繁 Ｎ 项集中，对于某个频繁项集的子集 Ａ，由 该子集在 Δ Ｔ 时间之后发生补集 Ｂ，称为时序规则模 式。可以表示为 Ａ→Ｂ。 定义 ５ ，最大同一时序关联规则。 定义时间模式判别运算，用运算符 “ ∩ ” 表示。 Ｔ１ ∩ Δ Ｔ２ ∩ … ∩ Δ Ｔｉ ，运 算 结 果 是 运算表达 式 为： Δ Ｔ１ ，Δ Ｔ２ ，…Δ Ｔｉ 中相同个数的最大值。如：７ ∩６ ∩ Δ ７ ∩７ ∩５ ∩６ ＝３ 。 定义时间模式相减运算，用运算符 “－” 表示。
随着科学技术的进步和制造业的发展，机械设备 日益呈现复杂化、大型化和多功能化
［ １］
析。文中提出了基于时序关联规则的设备故障预测方 法，将故障数据 转换 为时 序项 集矩 阵，利 用 Ａｐｒｉｏｒｉ 改进算法和频繁时序关联规则查找算法，求出时序项 集矩阵的频繁时序关联规则，为管理人员提供决策支 持。最后给出了该方法的可行性实例验证。
２０１４ 年 ６ 月 第 ４２ 卷 第 １ １ 期
Hale Waihona Puke 机床与液压Ｍ ＡＣＨＩＮＥ ＴＯＯＬ ＆ＨＹＤＲＡＵＬＩＣＳ
Ｊｕｎ ２０１４ Ｖｏｌ ４２ Ｎｏ １１
３９６９ ／ ｊ ｉｓｓｎ １００１ － ３８８１ ２０１４ １ １ ０４７ ＤＯＩ：１０．
基于时序关联规则的设备故障预测方法研究
甘超 １ ，陆远 １ ，李娟２ ，胡莹 １ ，邹博宇 １
ｆ （ Ｔ１０ ） ｆ （ Ｔ１ １ ） … ＝ ｆ （ Ｔｍ０ ） ｆ （ Ｔｍ１ ） …
ｉｊ１ ｉｊ ２
ｆ （ Ｔ１ ｎ ） ｆ （ Ｔ ）
ｍｎ ｉｊ Ｓ
１） （
其中： ｆ （ Ｔｉｊ） ＝
１， Ｔ ） ， （ １， Ｔ ） ， …， （ １， Ｔ ） （ Ｒ Ｔ） {（ ０， ０） （ Ｒ ∈ Ｔ） （
Ｅｑｕｉｐｍｅｎｔ Ｆａｕｌｔ Ｐｒｏｇｎｏｓｉｓ Ｂａｓｅｄ ｏｎ Ｔｅｍｐｏｒａｌ Ａｓｓｏｃｉａｔｉｏｎ Ｒｕｌｅｓ
ＧＡＮ Ｃｈａｏ １ ，ＬＵ Ｙｕａｎ １ ，ＬＩ Ｊｕａｎ ２ ，ＨＵ Ｙｉｎｇ １ ，ＺＯＵ Ｂｏｙｕ １ （ １ Ｓｃｈｏｏｌ ｏｆ Ｍ ｅｃｈａｎｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｎａｎｃｈａｎｇ Ｕｎｉｖｅｒｓｉｔｙ，Ｎａｎｃｈａｎｇ Ｊｉａｎｇｘｉ ３３００３ １ ，Ｃｈｉｎａ； ２ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ ｏｎ Ｖｅｈｉｃｌｅ Ｔｒａｎｓｍｉｓｓｉｏｎ Ｌａｂｏｒａｔｏｒｙ，Ｃｈｉｎａ Ｎｏｒｔｈ Ｖｅｈｉｃｌｅ Ｒｅｓｅａｒｃｈ Ｉｎｓｔｉｔｕｔｅ ，Ｂｅｉｊｉｎｇ １０００７２ ，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｅｑｕｉｐｍｅｎｔ ｆａｕｌｔ ｐｒｏｇｎｏｓｉｓ ｉｓ ｓｉｇｎｉｆｉｃａｎｔ ｆｏｒ ｓａｆｅｇｕａｒｄｉｎｇ ｔｈｅ ｓａｆｅ ｏｐｅｒａｔｉｏｎ ｏｆ ｅｑｕｉｐｍｅｎｔ ａｎｄ ｉｍｐｒｏｖｉｎｇ ｔｈｅ ｅｆｆｉｃｉｅｎｃｙ