基于改進關(guān)聯(lián)規(guī)則的卸船機故障預(yù)測模型

葉永偉 程毅飛 賴劍人 任設(shè)東

浙江工業(yè)大學(xué)特種設(shè)備制造與先進加工技術(shù)教育部/浙江省重點實驗室，杭州，310014

0 引言

橋式抓斗卸船機是企業(yè)港口生產(chǎn)中重要的大型散料卸貨工具，具有抓斗起升和開閉、小車行走、前大梁仰俯及整機沿軌道行走的功能，在實際生產(chǎn)中占有很重要的地位。卸船機發(fā)生故障會影響到原有功能，有可能出現(xiàn)嚴重的事故，造成經(jīng)濟損失[1],因此有必要對卸船機系統(tǒng)的健康狀態(tài)進行監(jiān)測、故障分析和故障預(yù)測，以確保卸船機安全穩(wěn)定地運行，提早預(yù)警，減少因突發(fā)故障產(chǎn)生的經(jīng)濟損失以及避免人員傷亡等重大事故的發(fā)生[2]。

故障趨勢預(yù)測方法作為短時預(yù)測方法，主要包括基于機理模型和基于數(shù)據(jù)驅(qū)動的故障預(yù)測方法[3-4]。近年來，隨著傳感器技術(shù)和信息處理技術(shù)的發(fā)展，基于數(shù)據(jù)驅(qū)動的方法由于僅需利用設(shè)備運行狀態(tài)的監(jiān)測數(shù)據(jù)就能及時地反映出設(shè)備的性能狀態(tài)，實現(xiàn)故障預(yù)測而被廣泛應(yīng)用。傳統(tǒng)方法中，基于數(shù)據(jù)驅(qū)動的港口船機故障診斷方法主要有：神經(jīng)網(wǎng)絡(luò)故障診斷方法模擬船機復(fù)雜的非線性系統(tǒng)，以故障特征信號作為神經(jīng)網(wǎng)絡(luò)輸入，診斷結(jié)果作為網(wǎng)絡(luò)輸出；專家系統(tǒng)故障診斷方法通過求解船機復(fù)雜的實際問題，推斷船機故障所在；小波分析方法利用信號變換特征進行故障識別；故障樹診斷方法尋找船機的故障致因；粗糙集理論用于挖掘船機中隱含的知識，揭示潛在的規(guī)律；多傳感器信息融合診斷技術(shù)獲取船機各種特征參數(shù)信息，建立船機故障的預(yù)測、定位和排除模型等[5-6]。其中，基于多傳感器信息融合故障預(yù)測模型主要根據(jù)設(shè)備正常工作與異常工作狀態(tài)提取分析各種特征參數(shù)的變化信息來實現(xiàn)設(shè)備故障的預(yù)測過程。如橋式抓斗卸船機這種工作環(huán)境比較惡劣，易受到載荷、工況變化等不確定因素影響的設(shè)備，其運行過程狀態(tài)呈現(xiàn)出動態(tài)的、實時變化的特征。因此采用關(guān)聯(lián)規(guī)則分析方法獲得表征卸船機狀態(tài)的關(guān)聯(lián)規(guī)則，并利用改進的多傳感器信息融合故障預(yù)測方法能夠準確地實現(xiàn)卸船機實時運作下的故障預(yù)測。

楊行舟等[7]研究了基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的門式起重機故障診斷系統(tǒng)。崔英等[8]提出了融合遠程監(jiān)控、專家系統(tǒng)、智能診斷功能要求于一體的起重機遠程監(jiān)控及故障診斷系統(tǒng)。裴瑋等[9]提出基于分布式光纖傳感技術(shù)的動態(tài)數(shù)據(jù)時間序列分析模型，對起重機主梁進行損傷預(yù)警。呂金華等[10]采用小波包分解和神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法對卸船機電機進行故障診斷。尚敬強等[11]將遺傳算法與人工神經(jīng)網(wǎng)絡(luò)結(jié)合，并應(yīng)用于起重機狀態(tài)識別和故障診斷。舒安慶等[12]建立了故障樹診斷分析門座式起重機臂架折斷的主要風(fēng)險源。田海雷等[13]建立了小波包分解和支持向量機相結(jié)合的預(yù)測模型，對液壓泵進行故障預(yù)測。SAFIZADEH等[14]利用多傳感器數(shù)據(jù)融合技術(shù)對滾動體振動故障進行了診斷研究。目前卸船機真實故障表現(xiàn)為多個故障特征信號相互耦合，僅對單一故障進行診斷不能根治整機系統(tǒng)故障隱患，應(yīng)該深入研究系統(tǒng)內(nèi)部各組成部分的相互作用和聯(lián)結(jié)關(guān)系。橋式抓斗卸船機實際狀態(tài)監(jiān)測參量之間存在復(fù)雜的相關(guān)性，傳統(tǒng)線性相關(guān)性處理方式并不適用于卸船機的實際工況。

本文采用興趣度關(guān)聯(lián)規(guī)則來表征卸船機的運行狀況，引入權(quán)重系數(shù)來定量分析其狀態(tài)特征變化，并將其應(yīng)用到橋式抓斗卸船機故障預(yù)測中[15]。首先，利用改進的關(guān)聯(lián)規(guī)則算法挖掘監(jiān)測數(shù)據(jù)，獲取表征卸船機狀態(tài)的關(guān)聯(lián)規(guī)則；然后計算故障類型與故障征兆、故障征兆與關(guān)聯(lián)規(guī)則兩兩之間的關(guān)聯(lián)關(guān)系，并確定其權(quán)重系數(shù)，構(gòu)建卸船機預(yù)測模型；最后，通過實時監(jiān)測關(guān)聯(lián)規(guī)則組的狀態(tài)變化，進行卸船機的狀態(tài)評估和故障預(yù)測。

1 興趣度關(guān)聯(lián)規(guī)則理論

傳統(tǒng)Apriori算法下的支持度-置信度框架體系，只能適應(yīng)于離散型數(shù)據(jù)的關(guān)聯(lián)規(guī)則挖掘，同時基于此框架的關(guān)聯(lián)規(guī)則采掘存在許多弊端[16]，文獻[16]指出支持度閾值設(shè)定得過低或過高將會導(dǎo)致產(chǎn)生價值冗余的規(guī)則或丟失有用的規(guī)則，因此要避免將支持度作為最初項集產(chǎn)生的主要決定因素[17]。針對橋式抓斗卸船機監(jiān)測數(shù)據(jù)特征，先將其進行聚類離散化處理，并用興趣度I來反映關(guān)聯(lián)規(guī)則中A和B的關(guān)系程度，用置信度C來反映這種情況的發(fā)生方向，用支持度S來反映這種情況是否為普遍規(guī)律。

1.1 興趣度關(guān)聯(lián)規(guī)則描述

關(guān)聯(lián)規(guī)則(association rules, AR)表示數(shù)據(jù)庫中隱含于若干項目之間且滿足某種設(shè)定要求的關(guān)聯(lián)關(guān)系的規(guī)則，可以定義為形如A?B(A稱為規(guī)則的左側(cè)，B稱為規(guī)則的右側(cè))的蘊含式，其中A?T，B?T，A∩B=?，T為事務(wù)數(shù)據(jù)庫D中的事務(wù)項[18]。在關(guān)聯(lián)規(guī)則中,記：

(1)數(shù)據(jù)庫中所有事務(wù)項T的個數(shù)為|D|；

(2)T中項集A出現(xiàn)頻率為f(A)；

(3)A?B的支持度是D中包含A∪B的比例，用概率來表示，supp( )表示支持度，即

(1)

(4)A?B的置信度是D中包含A的同時又包含B的比例，用條件概率來表示，conf( )表示置信度，即

(2)

(5)S(A?B)min為關(guān)聯(lián)規(guī)則的最小支持度，C(A?B)min為關(guān)聯(lián)規(guī)則的最小置信度。

興趣度是指基于統(tǒng)計獨立性假設(shè)下真正的強度與期望的強度之比，給定交易集D上基于概率論的關(guān)聯(lián)規(guī)則A?B的興趣度[19]：

(3)

其中，值域為Mi，當(dāng)I值遠大于1時,表明這條規(guī)則越感興趣，實際利用價值越大；當(dāng)I值遠小于1時，表明該規(guī)則的反面規(guī)則越感興趣；I不小于0。

1.2 Apriori算法改進

Apriori算法不能直接用于工程領(lǐng)域數(shù)據(jù)庫中屬性為數(shù)值型(如應(yīng)力)的狀態(tài)參數(shù)，以及各運行設(shè)備和系統(tǒng)機械狀態(tài)之間關(guān)聯(lián)程度未知的情況，需先將其轉(zhuǎn)化為布爾型關(guān)聯(lián)規(guī)則進行挖掘[20]。根據(jù)橋式抓斗卸船機本身的關(guān)聯(lián)特性和其生產(chǎn)規(guī)律以解決Apripri的適應(yīng)性問題，本文將改進算法分為以下三部分。

(1)利用聚類算法將數(shù)據(jù)離散為布爾型。引入聚類算法離散，達到兩方面目的：①分層聚類?？紤]到橋式抓斗卸船機監(jiān)測狀態(tài)參數(shù)屬于實時采集，數(shù)值型屬性主要為振動烈度和應(yīng)力值，故將數(shù)值型數(shù)據(jù)進行分區(qū)處理，轉(zhuǎn)化為布爾型關(guān)聯(lián)規(guī)則進行處理。②劃分聚類。根據(jù)卸船機實際運行狀態(tài)，保存數(shù)量較小的類，得到數(shù)據(jù)的實際分布結(jié)果[21]。

(3)引入興趣度提高規(guī)則質(zhì)量。利用興趣度描述A和B之間的關(guān)系密切程度，避免支持度和置信度體系帶來的局限性，排除支持度閾值過低和過高所引起的規(guī)則冗余、規(guī)則缺失等情況。在興趣度-支持度-置信度框架運行過程中根據(jù)以下4種情況來篩選滿意的關(guān)聯(lián)規(guī)則(Cmin代表最小置信度，Imin代表最小興趣度)：①CCmin，|I|Cmin，I>Imin，表明該規(guī)則有較高的實際利用價值，輸出；④C>Cmin，-I>Imin，表明該規(guī)則的反面規(guī)則有比較高的實際利用價值，輸出。

根據(jù)卸船機實際運行監(jiān)測狀態(tài)信息，排除情況④中反面規(guī)則的出現(xiàn)。

(4)改進的Apriori算法流程如圖1所示。圖中，mCA表示用于數(shù)據(jù)聚類的競爭聚類算法；L1表示1-頻繁項集，K表示循環(huán)次數(shù)，LK表示K-候選項集。

圖1 改進后的關(guān)聯(lián)規(guī)則算法流程圖Fig.1 Improved algorithm flow chart of association rules

2 故障預(yù)測模型

利用目標(biāo)系統(tǒng)歷史測試數(shù)據(jù)、在線狀態(tài)監(jiān)測和測試數(shù)據(jù)，提取橋式抓斗卸船機系統(tǒng)在運行過程中不同階段的狀態(tài)變量，分別建立故障類型與故障征兆的權(quán)重關(guān)系，故障征兆與反映卸船機狀態(tài)特征的關(guān)聯(lián)規(guī)則組之間的權(quán)重關(guān)系；將前述已監(jiān)測的狀態(tài)參數(shù)數(shù)據(jù)作為建模數(shù)據(jù)，建立訓(xùn)練數(shù)據(jù)驅(qū)動預(yù)測模型并對故障類型進行預(yù)測；最后進行故障預(yù)測結(jié)果判別。

2.1 故障類型與故障征兆權(quán)重關(guān)系

橋式抓斗卸船機實際運行過程中，當(dāng)卸船機發(fā)生某一故障時，往往伴隨著多個故障征兆，同樣，一個故障征兆有可能對應(yīng)多個故障類型[15]。因此，橋式抓斗卸船機故障預(yù)測的前提就是確定各種故障相對應(yīng)的故障征兆。首先，確定橋式抓斗卸船機的故障類型及故障征兆，見表1。

表1 卸船機故障類型及故障征兆

然后，采集相同工況下足夠多的歷史實驗數(shù)據(jù)作為樣本，分析故障類型與故障征兆之間的關(guān)聯(lián)性，在卸船機故障類型與故障征兆關(guān)聯(lián)分析中可以記：①事務(wù)數(shù)據(jù)庫Di={第i個故障類型Fi發(fā)生}；②項集Si={第i個故障征兆狀態(tài)超標(biāo)}；③總樣本中，各故障征兆Sn發(fā)生的狀態(tài)量超標(biāo)次數(shù)為f(Sn)；④故障例總數(shù)|Dm|中，各故障征兆Sn發(fā)生的狀態(tài)量超標(biāo)次數(shù)為f(Sn∪Fm)；⑤關(guān)聯(lián)規(guī)則為Sn?Fm；⑥第m個故障類型Fm對應(yīng)的約簡后故障征兆為Sm,n，F(xiàn)m={Sm,1,Sm,2, …,Sm,Nm}，其中Nm為約簡后Fm中故障征兆個數(shù)。

由式(1)和式(2)分別求得關(guān)聯(lián)規(guī)則Sn?Fm的支持度S(Sn?Fm)和置信度C(Sn?Fm)。當(dāng)支持度大于設(shè)定值時，認為此關(guān)聯(lián)規(guī)則有效，即Sn與Fm之間存在緊密的相互關(guān)聯(lián)關(guān)系。由置信度可得權(quán)重系數(shù)表達式：

(4)

式中，w′m,n為故障類型Fm中故障征兆為Sm,n的權(quán)重系數(shù)；Cm,n為相應(yīng)的置信度。

2.2 故障征兆與關(guān)聯(lián)規(guī)則組權(quán)重關(guān)系

故障征兆與關(guān)聯(lián)規(guī)則組的權(quán)重關(guān)系實際上就是通過挖掘出的能表征卸船機狀態(tài)的關(guān)聯(lián)規(guī)則來反映與之相關(guān)的故障征兆。對每個關(guān)聯(lián)規(guī)則賦予權(quán)重時，應(yīng)使故障征兆狀態(tài)特征中越重要的規(guī)則權(quán)重越大，并隨著數(shù)據(jù)信息的不斷更新對權(quán)值會有不同方位的收斂。根據(jù)各規(guī)則的屬性權(quán)重比wi/wj(i,j=1, 2, …,n)，構(gòu)造權(quán)重比矩陣M：

其中，n是M的唯一非零特征根，記為λmax，而w是n所對應(yīng)的特征矢量，并采用歸一化的特征作為權(quán)重矢量：

構(gòu)建基于關(guān)聯(lián)規(guī)則支持度S、置信度C和興趣度I的權(quán)重計算公式：

(5)

其中，wi(Si,Ci,Ii)表示規(guī)則RAi在故障征兆狀態(tài)特征中的權(quán)重；Si、Ci、Ii分別表示該規(guī)則的支持度、置信度和興趣度。

2.3 構(gòu)建預(yù)測模型

通過改進的興趣度量化關(guān)聯(lián)規(guī)則挖掘狀態(tài)參數(shù)數(shù)據(jù)中反映橋式抓斗卸船機狀態(tài)的關(guān)聯(lián)規(guī)則，在同一子系統(tǒng)和工況下，篩選可以反映故障征兆Sj參量的所有關(guān)聯(lián)規(guī)則RAj,k以及表征故障類型Fi的所以故障征兆Si,j，并分別計算故障征兆與關(guān)聯(lián)規(guī)則組權(quán)重關(guān)系以及故障類型與故障征兆權(quán)重關(guān)系相對應(yīng)的權(quán)重系數(shù)，構(gòu)造故障類型與關(guān)聯(lián)規(guī)則組的關(guān)聯(lián)規(guī)則指向性特征約束函數(shù)：

(6)

橋式抓斗卸船機故障預(yù)測步驟如下。

(1)利用改進的興趣度關(guān)聯(lián)規(guī)則算法挖掘能表征卸船機狀態(tài)的關(guān)聯(lián)規(guī)則RAj,k。

(2)建立橋式抓斗卸船機故障預(yù)測模型(圖2)，并計算相應(yīng)的權(quán)重系數(shù)。

圖2 故障預(yù)測模型Fig.2 Fault prediction model

(3)計算關(guān)聯(lián)規(guī)則RAj,k的置信度變化率Δ，并代入故障預(yù)測函數(shù)式(6)。

(4)預(yù)測評估故障發(fā)生類型。其中，F(xiàn)i為第i個故障類型，Si,j為對應(yīng)第i個故障類型的第j個故障征兆，RA1,e、RAi,j、RAn,g分別為對應(yīng)故障征兆的關(guān)聯(lián)規(guī)則。

通過橋式抓斗卸船機監(jiān)測系統(tǒng)，獲取原始監(jiān)測數(shù)據(jù)源，利用時域分析方法獲得以振動強度和應(yīng)力值為特征的數(shù)據(jù)類型為數(shù)值型的數(shù)據(jù)庫。振動強度是指振動速度的有效值(均方根值)，能夠反映機械振動狀態(tài)簡明綜合、實用有效的特征量，其計算公式為

其中，v(n)為振動速度，N為所測信號長度，VRMS為振動強度能量值。以此數(shù)據(jù)庫為挖掘點，經(jīng)上述預(yù)測模型流程進行故障預(yù)測。橋式抓斗卸船機故障預(yù)測流程如圖3所示。

圖3 故障預(yù)測流程圖Fig.3 Flow chart of fault prediction

3 實例分析

3.1 監(jiān)測數(shù)據(jù)源

針對某港口1號橋式抓斗卸船系統(tǒng)布置狀態(tài)監(jiān)測傳感器，監(jiān)測布置點見表2。采用該監(jiān)測系統(tǒng)中2017年2～12月份的部分監(jiān)測數(shù)據(jù)，每月選取500行數(shù)據(jù)，共5 000行，作為數(shù)據(jù)挖掘的數(shù)據(jù)源。橋式抓斗卸船機機械狀態(tài)在線監(jiān)測的主要內(nèi)容是四卷筒系統(tǒng)、變幅系統(tǒng)及大車運行系統(tǒng)中驅(qū)動電機和減速器的振動，金屬結(jié)構(gòu)系統(tǒng)中大梁、小門架等金屬結(jié)構(gòu)受力和軌道、大梁及小門架振動。為全面監(jiān)測卸船機的機械狀態(tài)，在卸船機主要位置布置了37個傳感測點，這些測點按監(jiān)測點位置分成5組：第Ⅰ組監(jiān)測四卷筒系統(tǒng)驅(qū)動電機、減速器的振動；第Ⅱ組監(jiān)測變幅系統(tǒng)驅(qū)動電機和減速箱的振動；第Ⅲ組監(jiān)測大車運行系統(tǒng)驅(qū)動電機和減速器的振動；第Ⅳ組監(jiān)測金屬結(jié)構(gòu)系統(tǒng)中大梁、小門架及軌道上的振動與沖擊；第Ⅴ組監(jiān)測大梁、小門架等金屬結(jié)構(gòu)的受力情況。(X向：小車運行方向；Y向：垂直方向；Z向：大車運行方向)橋式抓斗卸船機機械狀態(tài)用各監(jiān)測點測量的特征值表示。通過時域分析方法處理振動信號的原始數(shù)據(jù)，獲得各驅(qū)動電機、減速箱及金屬結(jié)構(gòu)振動的振動強度特征值，大梁及拉桿等金屬結(jié)構(gòu)的受力狀態(tài)用應(yīng)力值表示。卸船機機械狀態(tài)在線監(jiān)測過程中會產(chǎn)生海量的卸船機動態(tài)數(shù)據(jù)，這些數(shù)據(jù)將作為卸船機故障預(yù)測研究的數(shù)據(jù)源。

表2 卸船機監(jiān)測點布置說明

3.2 關(guān)聯(lián)規(guī)則挖掘

為使對橋式抓斗卸船機狀態(tài)監(jiān)測數(shù)據(jù)的關(guān)聯(lián)規(guī)則挖掘更有針對性，選擇狀態(tài)監(jiān)測中組Ⅰ、組Ⅱ、組Ⅲ和組Ⅴ的監(jiān)測點數(shù)據(jù)作為關(guān)聯(lián)規(guī)則的左側(cè)，組Ⅳ中的數(shù)據(jù)作為關(guān)聯(lián)規(guī)則的右側(cè)。首先，將采用的數(shù)據(jù)進行預(yù)處理，排除卸船機停機時和異常狀況下(包括惡劣天氣、設(shè)備故障)的異常數(shù)據(jù)，通過改進的Apriori算法挖掘，獲得表3所示的A9監(jiān)測點振動烈度的部分數(shù)據(jù)聚類結(jié)果，振動強度數(shù)值將分為4類離散數(shù)據(jù)，從而將數(shù)值型數(shù)據(jù)轉(zhuǎn)化為布爾型關(guān)聯(lián)規(guī)則挖掘；然后，利用其算法通過支持度和置信度閾值采掘以及興趣度閾值過濾輸出關(guān)聯(lián)規(guī)則，考慮到實時采集數(shù)據(jù)和卸船機工作的特點，設(shè)定最小支持度為10.0%，最小置信度為50.0%，最小興趣度為1.5；最后，分別篩選獲取能表征四卷筒系統(tǒng)、變幅系統(tǒng)及大車運行系統(tǒng)機械狀態(tài)的關(guān)聯(lián)規(guī)則，部分關(guān)聯(lián)規(guī)則見表4～表6。

表3 A9監(jiān)測點數(shù)據(jù)聚類結(jié)果

表4部分關(guān)聯(lián)規(guī)則是采用組Ⅰ和組Ⅴ獲取的監(jiān)測數(shù)據(jù)對四卷筒中小車運行狀態(tài)的規(guī)則挖掘，由表4分析，規(guī)則1和8分別代表開閉和小車電機同時運作時的模式。規(guī)則2和7代表起升和小車電機共同運行時的模式。規(guī)則4為三者電機同時運作時的模式。規(guī)則3、5和6分別代表小車、起升和開閉電機單獨運行時的模式。

表5部分關(guān)聯(lián)規(guī)則是采用組Ⅱ和組Ⅴ獲取的監(jiān)測數(shù)據(jù)對變幅系統(tǒng)運行狀態(tài)的規(guī)則挖掘，由表5分析，規(guī)則1代表變幅電機單獨運作時的模式。規(guī)則2代表整個變幅系統(tǒng)共同運作時的模式。規(guī)則3代表大梁變幅升降減速時的模式。

表4 四卷筒系統(tǒng)部分關(guān)聯(lián)規(guī)則

注：表中S、C、I變量分別表示支持度、置信度和興趣度的數(shù)值。括號內(nèi)數(shù)據(jù)區(qū)間單位為mm/s。不再贅述。

表6部分關(guān)聯(lián)規(guī)則是采用組Ⅲ和組Ⅴ獲取的監(jiān)測數(shù)據(jù)對大車運行系統(tǒng)運行狀態(tài)的規(guī)則挖掘，由表6分析，規(guī)則1和2分別代表大車1號和2號電機單獨運作時的模式。規(guī)則3表示大車減速運行過程中的模式。規(guī)則4代表大車運行系統(tǒng)整機共同運作時的模式。

表5 變幅系統(tǒng)部分關(guān)聯(lián)規(guī)則

表6 大車運行系統(tǒng)部分關(guān)聯(lián)規(guī)則

3.3 故障預(yù)測

橋式抓斗卸船機的故障種類很多，本文依據(jù)現(xiàn)有研究成果及現(xiàn)場的故障信息反饋，將卸船機系統(tǒng)常見故障類型分為6種，見表7。

表7 卸船機的故障類型

橋式抓斗卸船機的狀態(tài)信息繁多，如果考慮所有狀態(tài)信息，故障預(yù)測體系將極為復(fù)雜，而且有些狀態(tài)信息模糊，不利于對卸船機進行預(yù)測評估。本文選取具有代表性且能準確有效反映卸船機運行狀態(tài)的狀態(tài)參量作為表征卸船機各類故障類型的故障征兆。最終選取表8中的24個狀態(tài)參量作為故障征兆進行狀態(tài)評估。

表8 卸船機的故障征兆

為了更明確地描述設(shè)備故障預(yù)測模型的實現(xiàn)過程，不失一般性，只給出小車運行狀態(tài)故障預(yù)測分析，整理分析由某港口起重機械有限公司提供的關(guān)于小車運行系統(tǒng)的部分歷史試驗數(shù)據(jù)(表9)。

表9 小車系統(tǒng)歷史測試樣本數(shù)據(jù)

根據(jù)表9中故障類型所對應(yīng)的故障征兆的支持度，利用最小支持度閾值對其進行簡化，建立卸船機小車運行系統(tǒng)故障類型與故障征兆的關(guān)聯(lián)關(guān)系，見表10。

表10 故障類型與故障征兆的關(guān)聯(lián)關(guān)系

以下故障預(yù)測以小車運行系統(tǒng)中“軌道故障”F1為故障預(yù)測實例，計算其對應(yīng)故障征兆的權(quán)重系數(shù)。記事務(wù)數(shù)據(jù)庫D1={軌道故障}，且|D1|=|F1|=135，N1=4。故障征兆S1,5、S1,13、S1,21、S1,24在F1中的超標(biāo)次數(shù)分別為110, 120, 130, 103；在總樣本中的超標(biāo)次數(shù)分別為330, 126, 365, 190。由式(2)可得這4個故障征兆在軌道故障中的置信度：C1,5=33.3%,C1,13=95.2%,C1,21=35.6%,C1,24=54.2%。將計算得到的置信度代入式(4)可得相應(yīng)的權(quán)重系數(shù)：w′1,5=0.153,w′1,13=0.436,w′1,21=0.163,w′1,24=0.248。

以上述F1為例，通過小車運行系統(tǒng)關(guān)聯(lián)規(guī)則輸出表中關(guān)聯(lián)規(guī)則與故障征兆狀態(tài)參量之間的關(guān)系，建立故障征兆S1,1、S1,2、S1,3、S1,4(即S1,5、S1,13、S1,21、S1,24)與卸船機狀態(tài)關(guān)聯(lián)規(guī)則組之間的關(guān)系，并利用權(quán)重計算式(5)計算其權(quán)重系數(shù)，見表11。

選取“軌道故障”F1發(fā)生前一個月的歷史數(shù)據(jù)作為實驗驗證數(shù)據(jù)，通過RA數(shù)值波動圖，其中RA3((A9,A10,S2,S3)?D4)關(guān)聯(lián)規(guī)則部分數(shù)據(jù)波動如圖4所示，分別計算表11對應(yīng)的標(biāo)準關(guān)聯(lián)規(guī)則的置信度變化率，見表12，通過判斷標(biāo)準關(guān)聯(lián)規(guī)則的穩(wěn)定性，獲得反映卸船機狀態(tài)的改變程度，根據(jù)現(xiàn)場故障信息反饋以及經(jīng)驗知識，設(shè)定故障預(yù)測函數(shù)閾值為30%。將表12中置信度變化率代入故障預(yù)測函數(shù)式(6)，求得F1的故障預(yù)測

表11 故障征兆與關(guān)聯(lián)規(guī)則組權(quán)重系數(shù)表

函數(shù)值為36.865%，其函數(shù)值大于設(shè)定故障預(yù)測閾值，可實現(xiàn)故障預(yù)測。

圖4 RA3數(shù)值波動圖Fig.4 RA3 numerical wave diagram

關(guān)聯(lián)規(guī)則置信度C變化率(%)RA126RA235RA336RA440RA538RA641RA736RA831

“軌道故障”F1故障預(yù)測只是其中一個故障案例，不失一般性，其他故障類型同樣可以用相同的權(quán)重興趣度關(guān)聯(lián)規(guī)則預(yù)測方法對橋式抓斗卸船機故障類型進行預(yù)測，實驗結(jié)果表明，該方法可有效地預(yù)測故障發(fā)生前的故障信息變化狀態(tài)，以便提前做出技術(shù)處理，避免故障發(fā)生，對提高企業(yè)的經(jīng)濟效益具有現(xiàn)實意義。

4 結(jié)論

(1)采用興趣度關(guān)聯(lián)規(guī)則算法獲取能夠表征卸船機狀態(tài)特征的關(guān)聯(lián)規(guī)則，通過計算支持度、置信度和興趣度，分別得到卸船機故障類型和故障征兆狀態(tài)量的權(quán)重系數(shù)、故障征兆和規(guī)則組的關(guān)聯(lián)耦合關(guān)系以及權(quán)重系數(shù)，一定程度上避免了專家意見或經(jīng)驗的主觀性的問題；利用上述兩兩參數(shù)間的權(quán)重系數(shù)構(gòu)建卸船機故障預(yù)測函數(shù)模型，通過實際關(guān)聯(lián)規(guī)則狀態(tài)變化的對比捕捉早期微弱的機械故障狀態(tài)變化信息。

(2)實例分析結(jié)果表明，多種數(shù)據(jù)分析方法的融合運用能夠獲取較好的狀態(tài)評估和故障預(yù)測效果，并且在多故障問題的處理中也表現(xiàn)良好，具有較好的可預(yù)測性和準確性。