甘 超,陸 遠,李 娟,胡 瑩

(1.南昌大學 機電工程學院，南昌 330031; 2.中國北方車輛研究所 車輛傳動重點實驗室，北京 100072)

?

基于Apriori算法的設備故障診斷技術的研究*

甘 超1,陸 遠1,李 娟2,胡 瑩1

(1.南昌大學 機電工程學院，南昌 330031; 2.中國北方車輛研究所 車輛傳動重點實驗室，北京 100072)

設備故障診斷是設備安全運行的保障，合理分析大量的故障數(shù)據(jù)能為設備管理提供重要的參考價值。論文采用特征建模技術描述故障設備的特征信息，根據(jù)故障數(shù)據(jù)的特點，以及Apriori算法在故障診斷中應用的瓶頸，采用一種改進的Apriori算法,將故障數(shù)據(jù)映射為0-1矩陣，根據(jù)對矩陣的剪枝和處理計算出故障數(shù)據(jù)的頻繁項集，挖掘多故障之間和故障與運行參數(shù)之間的關聯(lián)關系，為設備管理提供有力支持。最后給出了該方案的可行性實例驗證。

Apriori算法；故障診斷；數(shù)據(jù)挖掘

0 引言

設備是企業(yè)制造資源的重要組成部分，是企業(yè)生產(chǎn)能力的基本保障。隨著制造業(yè)信息化的不斷發(fā)展和市場競爭的日益激烈，機械設備持續(xù)向復雜化、智能化、大型化、高速化和多功能化發(fā)展[1-2]。設備的結構越來越復雜，故障機理呈現(xiàn)多樣性和突發(fā)性，設備故障對企業(yè)日常運作的影響越來越嚴重。設備故障診斷能為設備的安全運行提供保障。傳統(tǒng)的故障診斷技術難以分析多故障同時發(fā)生時各故障之間的關聯(lián)關系，并不能做出相應的決策[3]，且難以處理海量數(shù)據(jù)。目前，國內(nèi)外對故障診斷的研究取得了豐碩的成果，主要有基于小波變換和人工神經(jīng)網(wǎng)絡的旋轉(zhuǎn)軸承故障診斷方法[4]；基于近場聲全息技術利用聲場空間分布特征診斷滾動軸承故障[5]；基于模糊Petri網(wǎng)的數(shù)控機床主軸故障診斷[6]；利用局部化方法提出非線性PCA模型用于汽車引擎的故障診斷[7]。本文采用一種Apriori改進算法對故障數(shù)據(jù)進行挖掘，將故障數(shù)據(jù)庫映射為0-1矩陣，通過對矩陣的分析處理，得到故障數(shù)據(jù)之間的關聯(lián)關系，最終以實例驗證算法的可行性。

1 設備故障建模

企業(yè)生產(chǎn)過程中，隨著設備使用時間的推移，維修記錄越來越多，隨之產(chǎn)生的故障數(shù)據(jù)也是海量的。同時，隨著設備監(jiān)控技術的發(fā)展，很多制造企業(yè)為關鍵設備配備了監(jiān)控系統(tǒng)，在設備運行過程中，生成了巨大的狀態(tài)數(shù)據(jù)和故障信息。如何對這些海量的數(shù)據(jù)存儲、分析和管理，找到一種合理的設備故障建模方案是其中的關鍵。

結合企業(yè)和設備自身的特點，本文采用特征建模技術描述故障設備的特征信息。特征信息模型如圖1所示。

圖1 故障設備特征信息模型

故障設備特征信息采用結構化存儲方式，模型由靜態(tài)屬性和動態(tài)屬性構成，可以分為五大類：

(1)管理屬性信息：主要包括設備維修單管理相關的信息，如維修單號、設備編號、最近一次維修時間、維修類別等；

(2)經(jīng)濟屬性信息：指設備發(fā)生故障所產(chǎn)生的費用信息，如臺時費用、維修費用估算、備件費用等；

(3)故障特征信息：主要描述與設備故障有關的屬性信息，如故障代碼、故障標簽、故障發(fā)生時間、故障等級等；

(4)狀態(tài)參數(shù)：指設備運行過程當中，監(jiān)測系統(tǒng)監(jiān)測到的設備狀態(tài)信號，如轉(zhuǎn)速信號、轉(zhuǎn)矩信號、溫度信號、電壓信號等；

(5)關聯(lián)信息：與設備發(fā)生故障有關的信息，主要包括備件信息和維修人員信息，如：備件編號、備件名稱、維修員工號等。

隨著多功能型設備的增多，多故障同時發(fā)生越來越普遍。通常設備發(fā)生故障會產(chǎn)生一個或多個故障代碼。如表1所示，采用二元變量表示故障數(shù)據(jù)，每行對應一個維修單，每列對應一個故障代碼，如果某故障在維修單中出現(xiàn)，則對應的值為1，否則為0。

表1 維修單故障代碼的二元表示

所以，故障數(shù)據(jù)可以表示如下：

Dmxn={d[i,j]}

(1)

i=1,2,...,m;j=1,2,...,n;

其中D表示設備故障數(shù)據(jù)庫，f表示故障代碼，r表示維修單。0代表維修單中沒有出現(xiàn)該故障，1代表維修單中出現(xiàn)該故障。

同理，故障代碼與運行中設備的狀態(tài)參數(shù)關系表示如下：

Dsmxn={ds[i,j]}

(2)

i=1,2,...,m;j=1,2,...,n;

其中Ds表示故障代碼及其對應的設備狀態(tài)信息數(shù)據(jù)庫，s表示狀態(tài)參數(shù)信號，f表示故障代碼。0代表發(fā)生故障時沒出現(xiàn)該狀態(tài)信號，1代表發(fā)生故障時出現(xiàn)該狀態(tài)信號。

2 Apriori算法改進描述

Apriori算法是由數(shù)據(jù)庫專家R.Agrawal 在1993年設計出來的[8]，是關聯(lián)規(guī)則最為經(jīng)典的算法。該算法主要用于在生產(chǎn)數(shù)據(jù)、關系數(shù)據(jù)或其他信息載體中，搜索存在于項目集合之間的關聯(lián)性、頻繁模式或因果結構。

Apriori算法能有效的產(chǎn)生關聯(lián)規(guī)則，且具有算法結構簡單，推導過程方便等優(yōu)點。但用于設備故障診斷有一下幾個弊端[9-10]：

(1)設備故障數(shù)據(jù)量龐大，Apriori算法在逐層迭代時會在內(nèi)存中存儲、分析和處理大量的候選頻繁項集，普通計算機難于滿足要求，而高端計算機會加大企業(yè)的信息化投入成本；

(2)需要重復掃描計算機，掃描數(shù)據(jù)庫開銷大；

(3)設備故障診斷中的數(shù)據(jù)具有較強的動態(tài)性。運行中的設備能監(jiān)測出大量的狀態(tài)信息。隨著監(jiān)測時間的推移，產(chǎn)生海量的數(shù)據(jù)，診斷速度變慢，難于滿足故障診斷實時性的要求。

基于以上原因，在考慮企業(yè)財政和計算機配置有限的情況下，本文采用一種Apriori改進算法對設備故障診斷進行研究。

(4)Apriori改進算法的步驟如下：

1)將故障數(shù)據(jù)庫轉(zhuǎn)換為0-1矩陣

0-1矩陣中每一行代表一個事務Ti，每一列代表一個項目Ij。將故障數(shù)據(jù)庫Dmxn轉(zhuǎn)換為對應的0-1矩陣M，其中0代表項目Ij沒在事務Ti中，1代表項目Ij在事務Ti中。

2)增加列求和、行求和，得到矩陣M0

矩陣M每行求和，得到每一個事務的項目數(shù)；每列求和，得到每一個項目的支持數(shù)，并將項目的支持數(shù)從大到小排列。生成(m+1)行和(n+1)列的矩陣M0。

3)計算最小支持數(shù)minSupport_Count

最小支持度minSupport與事務數(shù)的相乘，取大于或等于它的最小整數(shù)即為項集最小支持數(shù)minSupport_Count。

4)求頻繁N項集L[n]

由于在求頻繁N項集支持數(shù)時需要進行向量內(nèi)積運算，只有所有項都為1時，結果才為1，否則為0。所以在求頻繁N項集時可以刪除項目數(shù)小于n的行。

刪除項目數(shù)小于n的行后，重新對列求和，按支持數(shù)從大到小重新排列。刪除支持數(shù)小于最小支持數(shù)的列，重新對行求和，最后反復循環(huán)計算，得到候選N項集C[n]。通過向量內(nèi)積運算計算各項集的支持數(shù)，與最小支持數(shù)比較，得到頻繁N項集L[n]。

算法偽代碼如下：

輸入：故障數(shù)據(jù)庫Dmxn、最小支持度minSupport。

輸出：Dmxn中的頻繁K項集L[k]。

1)for(i=0;i

2)for(j=0;j

3)if(Ij∈Ti) {setd[i,j]=1}

4)else{setd[i,j]=0} }} // 若項目Ij在事務Ti中，則對應位置為1，否則為0；

5)endfor;endfor;

6)d[i,n+1] = ∑d[i,j] 其中i=1,2,...,m;j=1,2,...,n; // 行求和，計算(n+1)列

7)d[m+1,j] = ∑d[i,j] 其中i=1,2,...,m;j=1,2,...,n; // 列求和，計算 (m+1) 行

8)if(d[m+1,i]

9){temp=Column[i] ;Column[i] =Column[j] ;Column[j] =temp; }

10)minSupport_Count=Math.Ceiling(minSupport*m)//計算最小支持數(shù)，m為事務數(shù)量；

11)L[1] = {Ij∈C1|d[m+1,j] >=minSupport_Count} // 頻繁1項集；

12)for(i=0;i

13)if(d[i,n+1]

14)刪除i行后，i行后面的事務往前移動;m-- ; // 行數(shù)減1；

15)for(j=0;j

16)if(d[m+1,j]

17)刪除j列后，j列后面的項目往前移動;n--; // 列數(shù)減1；

18)重新進行行列就和；

19)for(h= 1 ;h<=m;h++) // 計算頻繁k-1項集L(k-1)組合后的支持數(shù)(做向量內(nèi)積運算)

20)t=d[h,i] *d[h,j];s+=t;

21)L[k] = {C[k] |s>=minSupport_Count}; // 得到頻繁項集L[k]

4 實例驗證

表2為某汽車企業(yè)部分故障數(shù)據(jù)，表示機械設備某次維修出現(xiàn)的故障代碼。這里只列出普通設備故障，其中包括機床主動力部位故障、機床工作臺部位故障、機床傳動部位故障、機床升降工作臺部位故障、機床輔助功能部位故障、機床工藝裝備部位故障、機床安全防護部位故障，對應的故障代碼為P01、P02、P03、P04、P05、P06、P07。

表2 某汽車企業(yè)部分故障數(shù)據(jù)二元表示

掃描故障數(shù)據(jù)庫，轉(zhuǎn)換為0-1矩陣M：

分別對行列求和，并將項目的支持數(shù)按降序排列，得到矩陣M0：

設最小支持度為40%，最小支持數(shù)：

minSupport= 6x40%=2.4

取整數(shù)3；

求頻繁1項集L[1]，刪除最后一行中支持數(shù)小于3的列，保留剩余的列，剪枝后的矩陣M1：

所以頻繁1項集L[1]={{P05},{P03},{P02},{P01}}。

求頻繁2項集L[2]，刪除最后一列中項目數(shù)小于2的行，保留剩余的行，剪枝后的矩陣M2：

對頻繁1項集中的項進行組合，得到候選2項集：

C[2]={{P05,P03},{P05,P02},{P05,P01},{P03,P02},{P03,P01},{P02,P01}}

計算候選2項集的支持數(shù)

minSupport_Count(P05*P03)=[1,1,1,1,1]*[1,1,1,1,0]=4

同理：minSupport_Count(P05*P02)=2,minSupport_Count(P05*P01)=3,minSupport_Count(P03*P02)=2,minSupport_Count(P03*P01)=3minSupport_Count(P02*P01)=1;

找出不小于最小支持數(shù)的項，得到頻繁2項集L[2]={{P05,P03},{P05,P01},{P03,P01}}。

求頻繁3項集L[3]，刪除最后一列中項目數(shù)小于3的行，保留其他的行，剪枝后的矩陣M3：

對頻繁2項集中的項進行組合，得到候選3項集：

C[3]={{P05,P03,P01}}

支持數(shù)minSupport_Count(P05*P03*P01)=3，不小于最小支持數(shù)，所以頻繁3項集L[3]={{P05,P03,P01}}。因為頻繁3項集中只有一個項集，候選4項集的個數(shù)則為0，所以頻繁3項集是最大頻繁項集。

根據(jù)Apriori改進算法，本例中的故障數(shù)據(jù)頻繁項集為：

L[1]∪L[2]∪L[3]={{P05},{P03},{P02},{P01},{P05,P03},{P05,P01},{P03,P01},{P05,P03,P01}}}。

由此可以分析出故障P05，P03，P01有一定的關聯(lián)，據(jù)此可以為設備的診斷提供依據(jù)。同理，對式(2)按照同樣的方法進行數(shù)據(jù)挖掘，能得出故障代碼與設備狀態(tài)信息之間的關聯(lián)關系。這些分析結果為設備的后續(xù)運維提供很好的決策支持。

4 總結

設備故障診斷的結果是設備故障維修、計劃檢修和工藝編制過程中設備選取的重要參考。采用特征建模技術描述故障設備的特征信息，基于一種Apriori改進算法，將故障數(shù)據(jù)映射為0-1矩陣，減少了傳統(tǒng)Apriori算法的運算次數(shù)，提高了計算效率。通過數(shù)據(jù)挖掘技術找到故障數(shù)據(jù)的頻繁項集，分析多故障之間和故障與運行參數(shù)之間的關聯(lián)關系，從而預測設備的運行趨勢，提高設備維修效率和設備管理水平。

[1] 周桂平,王宏. 故障診斷在現(xiàn)場總線設備管理系統(tǒng)中的應用[J]. 組合機床與自動化加工技術, 2012(9): 94-97.

[2] 楊叔子,吳波,李斌. 再論先進制造技術及其發(fā)展趨勢[J]. 機械工程學報, 2006(1): 1-5.

[3] 周煥銀,劉金生,李明,等. 基于故障診斷的數(shù)據(jù)挖掘算法研究[J]. 微計算機信息, 2008(1): 151-153.

[4] Al-Raheem KF, Roy A, Ramachandran KP, 等. Application of the Laplace wavelet combined with ANN for rolling bearing fault diagnosis[J]. Journal of Vibration and Acoustics, Transactions of the ASME, 2008,130(5):

[5] 魯文波,蔣偉康. 利用聲場空間分布特征診斷滾動軸承故障[J]. 機械工程學報, 2012(13): 68-72.

[6] 申桂香, 王志瓊, 張英芝, 等. 基于模糊Petri網(wǎng)的數(shù)控機床主軸故障診斷[J]. 制造技術與機床, 2012(3): 124-127.

[7] Wang X, Kruger U, Irwin GW, 等. Nonlinear PCA with the local approach for diesel engine fault detection and diagnosis[J]. IEEE Transactions on Control Systems Technology, 2008,16(1): 122-129.

[8] Agrawal R, Imielinski T, Swami A. Mining association rules between sets of items in large databases[A]. Proceedings of the 1993 ACM SIGMOD International Conference on Management of Data, May 26 - 28 1993[C]. Washington, DC, United states: Publ by ACM, 1993:207-216.

[9] 崔貫勛,李梁,王柯柯,等. 關聯(lián)規(guī)則挖掘中Apriori算法的研究與改進[J]. 計算機應用, 2010(11): 2952-2955.

[10]朱其祥,徐勇,張林. 基于改進Apriori算法的關聯(lián)規(guī)則挖掘研究[J]. 計算機技術與發(fā)展, 2006(7): 102-104.

(編輯 李秀敏)

Equipment Fault Diagnosis Technology Based on Apriori Algorithm

GAN Chao1, LU Yuan1, LI Juan2,HU Ying1

(1.School of Mechanical & Electrical Engineering，Nanchang University, Nanchang 330031, China; 2.Science and Technology on Vehicle Transmission Laboratory, China North Vehicle Research Institute, Beijing 100072, China)

Equipment fault diagnosis is the safeguard of the safe operation of equipment. Mining massive fault data legitimately provides an important reference for equipment management. Based on the characteristics of fault data and the deficiency of Apriori algorithm using in fault diagnosis, the feature information of faulty equipment is described by feature modeling technology, and an improved Apriori algorithm is proposed. The incidence relation is exhumed among the fault or between the fault and operating parameters by converting fault data to 0-1 matrix and calculating the frequent itemsets of fault data by pruning and handling the matrix. A strong support is provided for equipment management. At last an example is given to prove the feasibility.

apriori algorithm; fault diagnosis; data mining

1001-2265(2014)01-0100-04

10.13462/j.cnki.mmtamt.2014.01.028

2013-04-09

國家自然科學基金(50905083)

甘超(1988—)，男，江西豐城人，南昌大學碩士研究生，主要從事制造過程與管理方面的研究，(E-mail)gpangus@163.com。

TH165.+3;TG65

A