鄧媛媛,劉國(guó)奇,蔡 磊

(沈陽(yáng)建筑大學(xué)理學(xué)院,遼寧 沈陽(yáng) 110168)

隨著可再生能源行業(yè)的發(fā)展,風(fēng)能作為一種環(huán)保、可再生、無(wú)污染、可循環(huán)利用的新型能源,其發(fā)展受到世界各國(guó)風(fēng)能行業(yè)的重視。根據(jù)統(tǒng)計(jì),在2019年全球風(fēng)電第一大市場(chǎng),中國(guó)風(fēng)電裝機(jī)容量在全球遙遙領(lǐng)先,其發(fā)展態(tài)勢(shì)迅猛。風(fēng)力發(fā)電機(jī)(簡(jiǎn)稱風(fēng)機(jī))作為將風(fēng)能轉(zhuǎn)化為電能的設(shè)備,長(zhǎng)期處在極端溫度、風(fēng)沙等惡劣環(huán)境下,并承受了巨大的機(jī)械應(yīng)力,極易發(fā)生各類機(jī)械、電器故障[1]。因此,風(fēng)機(jī)故障診斷的研究變得越來(lái)越迫切。隨著計(jì)算機(jī)的普及,通過(guò)在風(fēng)機(jī)的關(guān)鍵部件上安裝傳感器,這些部件在運(yùn)行時(shí)的狀態(tài)會(huì)實(shí)時(shí)采集到計(jì)算機(jī)上,這些參數(shù)以秒為間隔進(jìn)行采集,因此能夠較確切地反映出部件的實(shí)時(shí)變化[2]。隨著科學(xué)技術(shù)的發(fā)展,工業(yè)數(shù)據(jù)庫(kù)中積累了大量歷史數(shù)據(jù),這其中包含海量關(guān)于風(fēng)機(jī)故障時(shí)各采集點(diǎn)的測(cè)量參數(shù),如何對(duì)這些數(shù)據(jù)記錄分析、尋找規(guī)律,并用于風(fēng)機(jī)故障診斷的研究有著重要的意義。

國(guó)內(nèi)外許多學(xué)者已經(jīng)提出了多種風(fēng)機(jī)故障診斷方法,如E.Wolfgang[3]采用專家系統(tǒng)對(duì)汽車進(jìn)行故障診斷;A.Widodo[4]提出了基于部件分析和支持向量機(jī)的發(fā)動(dòng)機(jī)故障診斷方法。這些方法各有特點(diǎn)，雖然在實(shí)際中得到了一定的應(yīng)用,但是對(duì)于處理不斷產(chǎn)生的海量數(shù)據(jù),以及不確定故障信息的容錯(cuò)性,仍然不太理想。針對(duì)以上問(wèn)題,近些年產(chǎn)生了更多有效的方法,如針對(duì)數(shù)據(jù)挖掘技術(shù)的基于時(shí)間序列數(shù)據(jù)挖掘[5]、粗糙集理論算法[6]、貝葉斯網(wǎng)絡(luò)算法[7]、決策樹(shù)技術(shù)[8]等紛紛被引入到故障診斷中。而在探索過(guò)程中,關(guān)聯(lián)規(guī)則挖掘作為一種重要的方法應(yīng)用于數(shù)據(jù)挖掘技術(shù)中,這種方法不但能夠發(fā)現(xiàn)隱藏在海量數(shù)據(jù)中有關(guān)聯(lián)性且有價(jià)值的數(shù)據(jù),也對(duì)決策樹(shù)生成具有重要的使用價(jià)值,因此多被用在商業(yè)智能解決方案體系中,但在風(fēng)機(jī)故障診斷研究中不常見(jiàn)。文獻(xiàn)[9]提供了關(guān)聯(lián)規(guī)則挖掘在商業(yè)智能中的重要應(yīng)用。而文獻(xiàn)[10]中雖然將關(guān)聯(lián)規(guī)則挖掘應(yīng)用到了變壓器故障診斷中,但風(fēng)力發(fā)電機(jī)與之有許多不同之處。

基于上述分析,筆者采用關(guān)聯(lián)規(guī)則經(jīng)典算法,將基于粗糙集理論的關(guān)聯(lián)規(guī)則挖掘算法應(yīng)用到風(fēng)機(jī)故障診斷中,將風(fēng)機(jī)各個(gè)監(jiān)測(cè)點(diǎn)的參數(shù)作為條件屬性,風(fēng)機(jī)故障數(shù)據(jù)類型作為決策屬性。首先利用粗糙集理論對(duì)條件屬性進(jìn)行約簡(jiǎn),提取最佳屬性進(jìn)行約簡(jiǎn)組合處理,然后利用上面結(jié)果形成的約簡(jiǎn)決策表和關(guān)聯(lián)規(guī)則挖掘診斷進(jìn)行推理,最終得到診斷決策表。研究表明,診斷決策表有效地反映了條件屬性和決策屬性之間的關(guān)聯(lián)關(guān)系,表明筆者提出的方法對(duì)風(fēng)機(jī)故障診斷具有有效性,可為風(fēng)機(jī)設(shè)備故障診斷和故障預(yù)測(cè)提供幫助。

1 數(shù)據(jù)來(lái)源

筆者使用的數(shù)據(jù)來(lái)自于內(nèi)蒙古察右后旗紅牧風(fēng)電場(chǎng),位于內(nèi)蒙古中部陰山北麓,烏蘭察布市后山地區(qū),共安裝24臺(tái)單機(jī)容量為2 000 kW的風(fēng)力發(fā)電機(jī)組,總裝機(jī)容量為4.8萬(wàn)kW。筆者從紅牧風(fēng)場(chǎng)工業(yè)數(shù)據(jù)庫(kù)采集樣本數(shù)據(jù),該數(shù)據(jù)庫(kù)中存放了大量的風(fēng)機(jī)狀態(tài)信息,數(shù)據(jù)庫(kù)中每一行數(shù)據(jù)記錄為風(fēng)機(jī)在一個(gè)特定時(shí)間點(diǎn)的狀態(tài),風(fēng)機(jī)的狀態(tài)是各部分傳感器搜集到的參數(shù)決定的。數(shù)據(jù)集中原始數(shù)據(jù)包含139個(gè)參數(shù),而這些數(shù)據(jù)參數(shù)采樣的時(shí)間間隔平均為2s,這些數(shù)據(jù)包括平均有功功率、溫度、壓力、平均無(wú)功功率等106個(gè)定量化指標(biāo)參數(shù);對(duì)于以上定量化數(shù)據(jù),筆者將其分為兩種類型,一種是不斷波動(dòng)的參數(shù)取值,它們是不斷變化的,比如電壓、電流等;另外一種是在正常狀態(tài)下恒定的參數(shù)取值,屬于定性指標(biāo),例如液壓制動(dòng)壓力、故障及狀態(tài)報(bào)警等,這些數(shù)值是不能用來(lái)進(jìn)行計(jì)算分析的。還有一些指標(biāo)在行業(yè)內(nèi)被叫做定性指標(biāo),這些定性指標(biāo)使用報(bào)警碼或故障碼來(lái)代替特定的報(bào)警或者是故障,也被稱為報(bào)警碼或故障碼,這些指標(biāo)也不會(huì)在預(yù)測(cè)中被使用。風(fēng)機(jī)參數(shù)分類的相關(guān)信息如表1所示。

表1 風(fēng)機(jī)參數(shù)分類Table 1 Classification of wind turbine parameters

定性化的報(bào)警碼或故障碼在預(yù)測(cè)中也具有非常重要的作用,在收到任何一個(gè)報(bào)警碼或者故障碼后,都代表風(fēng)機(jī)設(shè)備發(fā)生了故障。在實(shí)際的數(shù)據(jù)中,不同故障發(fā)生的頻率差別很大,有一些故障一年發(fā)生很多次,而有一些故障多年也不發(fā)生一次;另外,故障也被劃分為不同級(jí)別,級(jí)別越高則故障越嚴(yán)重。筆者選取發(fā)生次數(shù)多且報(bào)警級(jí)別高(4級(jí))的故障的歷史記錄來(lái)進(jìn)行研究。

在觀察中發(fā)現(xiàn),故障發(fā)生的次數(shù)和故障條目多少?zèng)]有必然聯(lián)系,因?yàn)橛械墓收习l(fā)生一次可能持續(xù)一個(gè)小時(shí)甚至更長(zhǎng)時(shí)間,而有的故障發(fā)生一次可能持續(xù)幾秒鐘。表2列舉了21種常見(jiàn)的風(fēng)機(jī)故障代碼。

表2 風(fēng)機(jī)故障實(shí)例及說(shuō)明Table 2 Example and illustration of wind turbine faults

2 基于粗糙集理論和關(guān)聯(lián)規(guī)則的風(fēng)機(jī)故障診斷模型

2.1 基于Apriori算法的關(guān)聯(lián)規(guī)則挖掘

故障診斷實(shí)際上是一種比較分類,在進(jìn)行故障定位時(shí),是將故障規(guī)則庫(kù)與待診斷的故障參數(shù)值進(jìn)行比較,把一個(gè)實(shí)時(shí)采集的故障信號(hào)歸入到故障規(guī)則庫(kù)中[11-13]。

圖1為風(fēng)機(jī)故障診斷模型圖。該模型首先獲取風(fēng)機(jī)狀態(tài)歷史數(shù)據(jù),使用粗糙集理論對(duì)風(fēng)機(jī)的特征屬性進(jìn)行約簡(jiǎn),得到最佳的風(fēng)機(jī)狀態(tài)屬性子集,然后使用關(guān)聯(lián)規(guī)則Apriori挖掘出數(shù)據(jù)中潛在的規(guī)則,專家對(duì)這些規(guī)則進(jìn)行評(píng)估,將有意義的規(guī)則存入到數(shù)據(jù)庫(kù)中,形成故障規(guī)則庫(kù)。當(dāng)需要對(duì)風(fēng)機(jī)進(jìn)行故障診斷時(shí),只需將風(fēng)機(jī)的實(shí)時(shí)參數(shù)與規(guī)則庫(kù)中的規(guī)則進(jìn)行匹配即可確定故障類型。

圖1 風(fēng)機(jī)故障診斷模型Fig.1 The model of fault diagnosis in wind turbine

定義1條件屬性

A=(a1,a2,…,ak,…,ai)為條件屬性集,其中ai為條件屬性,即風(fēng)機(jī)狀態(tài)的表征參數(shù)或者風(fēng)機(jī)狀態(tài)屬性。

定義偏移向量為風(fēng)機(jī)故障條目參數(shù)取值形成的向量與正常條目參數(shù)取值的向量的差值。那么偏移向量分量為0，表示該分量對(duì)應(yīng)的參數(shù)取值正常。

定義2決策屬性

D={d1,d2,…,di}為決策屬性集,di為決策屬性,即風(fēng)機(jī)故障類型。

定義3風(fēng)機(jī)狀態(tài)歷史數(shù)據(jù)集

設(shè)U={u1,u2,…,ui,…,un}為風(fēng)機(jī)狀態(tài)歷史數(shù)據(jù)集,其中ui為風(fēng)機(jī)狀態(tài)歷史數(shù)據(jù)集,其中第i個(gè)樣本,每個(gè)樣本包含m個(gè)條件屬性和1個(gè)決策樹(shù)形,記作{A,D}。

定義4關(guān)聯(lián)規(guī)則

形如r:X?Y的蘊(yùn)含式,其中X?A,即條件屬性的子集,Y∈D,即一種故障類型,R={r1,r2,…,ri,…,rk}為規(guī)則集。

算法基本思想:風(fēng)機(jī)狀態(tài)歷史數(shù)據(jù)集U={u1,u2,…,ui,…,un},其中ui為第i個(gè)樣本,每個(gè)樣本包含m個(gè)條件屬性和1個(gè)決策樹(shù)形,記作{A,D}。首先對(duì)U進(jìn)行二值化處理,所有數(shù)據(jù)都只有0和1兩種取值,得到處理后的數(shù)據(jù)集S={s1,s2,…,si},然后利用粗糙集理論的基于區(qū)分矩陣和邏輯運(yùn)算的條件屬性約簡(jiǎn)算法對(duì)數(shù)據(jù)集S中的條件屬性集合A={a1,a2,…,am}進(jìn)行約簡(jiǎn),得到條件屬性集合A的子集AR={ak1,ak2,…,akp}(p?m),然后將數(shù)據(jù)集S中屬性{AR,D}對(duì)應(yīng)的列出去,得到新的數(shù)據(jù)集SN=(sn1,sn2,…,sni,…,snn),其中sni的屬性為{AR,D}。接著使用關(guān)聯(lián)規(guī)則挖掘出決策表中滿足最小置信度和最小支持度的規(guī)則集R={r1,r2,…,rn}。

2.2 相關(guān)定義

給出定義相關(guān)的概念如下：

定義5首先給定一組故障參數(shù)信息R={r1,r2,…,rn}為條件屬性,故障類型D={d1,d2,…,dn}為決策屬性,決策表S={U,C∪D},U={u1,u2,…,ui,…,un}為風(fēng)機(jī)狀態(tài)歷史數(shù)據(jù)集,其中ui為第i個(gè)樣本。

筆者采用的數(shù)據(jù)集中,監(jiān)測(cè)點(diǎn)的個(gè)數(shù)為106,即條件屬性個(gè)數(shù)為106,所以R={r1,r2,…,rn},并且只分析一種故障,即決策屬性的個(gè)數(shù)為1,所以D=d1。

定義6信息系統(tǒng)S={U,R,V,f},其中U代表實(shí)驗(yàn)數(shù)據(jù)記錄集,R=C={c1,c2,…,c106},V=D,f:U×R→V為一信息函數(shù),表示對(duì)每一個(gè)a∈R,x∈U,f(x,a)∈Va。

定義7若P∈R,P≠φ,則P中所有等價(jià)關(guān)系的交集稱為不可分辨關(guān)系或者是不可區(qū)分關(guān)系,記為IND(P);IND(P)={(x,y)∈U×U,r∈P,f(x,r)=f(y,r)}。

定義8S={U,C∪D}為一個(gè)決策表,其中C為條件屬性集,D為決策屬性集,C∩D=φ,決策表S的區(qū)分矩陣被定義為Cij,其中元素Cij={a∈C|a(xi)≠a(xj),且xi,xj滿足陳述W(xi,xj)},W(xi,xj)表示((xi∈Posc(D)∧xj?PosC(D))∨(xi?PosC(D)∧xj∈Posc(D))∨(xi,xj∈PosC(D)∧(xi,xj)?IND(D))

2.3 算法步驟

首先利用粗糙集的基于可辨識(shí)矩陣和邏輯運(yùn)算的條件屬性進(jìn)行約簡(jiǎn)處理,得到的是最小約簡(jiǎn)集,再約簡(jiǎn)掉不必要屬性,就能夠獲得最小的決策表(見(jiàn)Step1～Step6)。然后使用關(guān)聯(lián)規(guī)則經(jīng)典算法——Apriori算法進(jìn)行關(guān)聯(lián)規(guī)則挖掘(見(jiàn)Step7,Step8),生成最小決策表上大于支持度閾值的頻繁項(xiàng)集,并在頻繁項(xiàng)集的基礎(chǔ)之上生成決策表上不小于置信度閾值的強(qiáng)關(guān)聯(lián)規(guī)則。

Step1 對(duì)數(shù)據(jù)進(jìn)行預(yù)處理,得到布爾型決策表S;

Step2 將決策表的可辨識(shí)矩陣CD進(jìn)行計(jì)算;

Step6 將約簡(jiǎn)結(jié)果輸出,得到新的決策表。

Step7 掃描新的決策表,得到頻繁1-項(xiàng)集,然后通過(guò)頻繁1-項(xiàng)集得到頻繁2-項(xiàng)集,如此進(jìn)行下去,頻繁k-項(xiàng)集通過(guò)連接得到頻繁k+1-項(xiàng)集,然后通過(guò)將不滿足支持度閾值的項(xiàng)刪去,完成剪枝;

Step8 通過(guò)掃描頻繁項(xiàng)集,將滿足置信度閾值的規(guī)則輸出,得到強(qiáng)關(guān)聯(lián)規(guī)則。

3 實(shí)驗(yàn)分析

3.1 實(shí)驗(yàn)過(guò)程

風(fēng)力發(fā)電機(jī)設(shè)備本身結(jié)構(gòu)復(fù)雜,通常一臺(tái)風(fēng)力發(fā)電機(jī)的傳感器就多達(dá)200個(gè),所以其故障種類較多,表2中給出了21種典型的故障代碼和故障名稱,筆者選取故障碼為T_158的故障為研究對(duì)象。對(duì)于其余故障的分析同158號(hào)故障分析的方法相同。

3.1.1 數(shù)據(jù)選擇和屬性編號(hào)

選取3 089條風(fēng)機(jī)狀態(tài)歷史數(shù)據(jù),即U={u1,u2,…,u3 089}進(jìn)行分析,數(shù)據(jù)選擇包括屬性選擇和抽樣選擇。對(duì)于數(shù)據(jù)選擇,首先刪除一些測(cè)量結(jié)果明顯有誤的數(shù)據(jù),隨機(jī)對(duì)數(shù)據(jù)進(jìn)行抽樣；然后對(duì)各個(gè)屬性進(jìn)行編號(hào),A={a1,a2,…,ak,…,a139},其中ai表示第i個(gè)屬性。對(duì)于屬性選擇,在原始數(shù)據(jù)中,有139個(gè)屬性,將一些明顯與風(fēng)機(jī)狀態(tài)沒(méi)有關(guān)系的參數(shù)刪去,例如故障警報(bào)、線圈匝數(shù)、版本號(hào)等等,剩余106個(gè)參數(shù)。經(jīng)過(guò)初步的處理后,得到的風(fēng)機(jī)狀態(tài)歷史數(shù)據(jù)記錄為1 206條,即U={u1,u2,…,u1 206},106個(gè)屬性,即A={a1,a2,…,a106}。

3.1.2 數(shù)據(jù)預(yù)處理

為了方便使用差別矩陣對(duì)決策表進(jìn)行約簡(jiǎn)以及關(guān)聯(lián)規(guī)則挖掘,需要將風(fēng)機(jī)的參數(shù)轉(zhuǎn)換為參數(shù)的取值只有0或1的布爾類型數(shù)。風(fēng)機(jī)工作時(shí),有些參數(shù)的取值在一定范圍內(nèi)波動(dòng),但有些參數(shù)的取值保持不變。因此,筆者對(duì)數(shù)據(jù)分類如下處理。

(1)波動(dòng)型參數(shù)

對(duì)于該種特定的參數(shù),專家根據(jù)經(jīng)驗(yàn)設(shè)定針對(duì)該參數(shù)的閾值limit,假設(shè)A1在t1時(shí)候的取值為preValue,A1經(jīng)過(guò)處理后取值為value1,則

(1)

其中,筆者取preValue的絕對(duì)值|preValue|,該參數(shù)在風(fēng)機(jī)狀態(tài)歷史數(shù)據(jù)庫(kù)中該參數(shù)的最大值為max,該參數(shù)在歷史數(shù)據(jù)中的最小值為min。但取值為1表示該參數(shù)當(dāng)前值超出了該參數(shù)的正常取值范圍;0的value表示該參數(shù)當(dāng)前值為正常。

(2)恒定型參數(shù)

對(duì)于一些取值恒定的參數(shù),該參數(shù)的取值稍微偏離恒定值時(shí)并不是異常,只是該種參數(shù)允許波動(dòng)的范圍要小于波動(dòng)型參數(shù),筆者設(shè)定該種參數(shù)的允許波動(dòng)值limit,設(shè)定恒定型參數(shù)的穩(wěn)定值point,當(dāng)前狀態(tài)參數(shù)的取值為preValue,經(jīng)處理后參數(shù)的取值為value2,則

(2)

(3)屬性約簡(jiǎn)

使用粗糙集理論對(duì)條件屬性集A進(jìn)行約簡(jiǎn),約簡(jiǎn)后得到AR為條件屬性集合A的子集。筆者使用基于差別矩陣的屬性約簡(jiǎn)算法,將算法實(shí)現(xiàn)過(guò)程分為三個(gè)步驟:首先得到區(qū)分矩陣,然后是求和操作,即將區(qū)分矩陣中的單一屬性元素合并起來(lái),最后約簡(jiǎn)得到最終結(jié)果。

3.1.3 關(guān)聯(lián)規(guī)則挖掘

將粗糙集理論篩選出來(lái)的屬性對(duì)應(yīng)的數(shù)據(jù)取出,然后使用關(guān)聯(lián)規(guī)則挖掘這些數(shù)據(jù)中的知識(shí)。根據(jù)相關(guān)專家根據(jù)經(jīng)驗(yàn)以及最終與風(fēng)機(jī)故障相關(guān)參數(shù)的個(gè)數(shù)確定關(guān)聯(lián)規(guī)則的置信度和支持度,其中支持度為0.85,置信度為0.7,得到最終的關(guān)聯(lián)規(guī)則R。

3.2 實(shí)驗(yàn)結(jié)果

使用一個(gè)傳統(tǒng)的模型與筆者所建立的模型進(jìn)行比較。所謂的傳統(tǒng)模型就是使用相關(guān)性分析和關(guān)聯(lián)規(guī)則的模型,該模型首先通過(guò)相關(guān)性分析將與決策屬性,通過(guò)計(jì)算風(fēng)機(jī)參數(shù)和故障類型之間的相關(guān)系數(shù),將相關(guān)性小的參數(shù)刪去,從而完成屬性約簡(jiǎn),形成新的決策表,然后使用關(guān)聯(lián)規(guī)則對(duì)新的決策表進(jìn)行挖掘[14-15]。

利用筆者所建立模型得到的規(guī)則進(jìn)行故障診斷,如果規(guī)則成立,說(shuō)明風(fēng)機(jī)發(fā)生的是158號(hào)故障,即變頻器加熱器過(guò)載,并與傳統(tǒng)模型進(jìn)行比較,比較結(jié)果如表3所示。其中,0表示沒(méi)有故障,1表示有故障。在準(zhǔn)確度上,傳統(tǒng)模型的準(zhǔn)確度為54.56%,筆者所提出模型的準(zhǔn)確率為65.78%。

表3 測(cè)試結(jié)果(部分)Table 3 The test result(part)

圖2描述了筆者提出的模型的準(zhǔn)確度,實(shí)心圓表示選用模型得到的結(jié)果與實(shí)際結(jié)果一致,空心圓代表選用模型結(jié)果與實(shí)際結(jié)果不一致。由此可見(jiàn),圖2中實(shí)心圓的密度反映了模型的準(zhǔn)確度,密度越大,準(zhǔn)確度越高;相反,空心圓的密度越高,準(zhǔn)確度卻越低。

圖2 改進(jìn)模型預(yù)測(cè)準(zhǔn)確點(diǎn)與誤判點(diǎn)Fig.2 Accuracy points and error points of improved model

改進(jìn)模型與傳統(tǒng)模型相比在準(zhǔn)確度上有較大的提升,但還需要和實(shí)際值進(jìn)行比較,其比較結(jié)果如圖3所示。

圖3 實(shí)驗(yàn)結(jié)果比較Fig.3 Comparison of experimental results

圖3中,實(shí)線表示實(shí)際值,實(shí)線為0表示實(shí)際沒(méi)有發(fā)生故障;實(shí)線為1表示發(fā)生了故障。虛線表示改進(jìn)模型取值。實(shí)驗(yàn)結(jié)果表明在發(fā)生故障后(實(shí)線為1的部分),誤判率比較高;在沒(méi)有故障發(fā)生的時(shí)候(實(shí)線為0的部分),誤判率較低。這表明本文提出的模型,沒(méi)有故障發(fā)生時(shí)誤判率比較低,但是真正發(fā)生故障后,誤判率比較高。

4 結(jié) 論

(1)筆者提出了一種基于粗糙集屬性約簡(jiǎn)和關(guān)聯(lián)規(guī)則算法的風(fēng)機(jī)故障診斷模型,該模型的特點(diǎn)是在挖掘關(guān)聯(lián)關(guān)系的時(shí)候先進(jìn)行了基于粗糙集的參數(shù)約簡(jiǎn);與基于關(guān)聯(lián)規(guī)則的方法相比較,雖然參數(shù)減少了,但是準(zhǔn)確度提高了;解決了傳統(tǒng)的僅基于關(guān)聯(lián)規(guī)則的風(fēng)機(jī)故障診斷模型的算法效率低,準(zhǔn)確度不高等問(wèn)題。

(2)筆者所提出的模型的優(yōu)勢(shì)在于實(shí)現(xiàn)使用了粗糙集理論中的屬性約簡(jiǎn)算法,找到了特征屬性子集,該集合能夠完全表征原來(lái)屬性的空間,即該屬性子集能夠完全替代原來(lái)的屬性集合,然后使用關(guān)聯(lián)規(guī)則算法,由于屬性的數(shù)量與未處理之前大大減少,因此大大縮短了關(guān)聯(lián)規(guī)則挖掘的時(shí)間。

(3)該模型明顯優(yōu)于傳統(tǒng)的風(fēng)機(jī)故障診斷模型,尤其是對(duì)大型風(fēng)機(jī)狀態(tài)歷史數(shù)據(jù)的處理效果會(huì)非常顯著;對(duì)于系統(tǒng)比較復(fù)雜,參數(shù)比較多的設(shè)備進(jìn)行故障診斷的時(shí)候,并不是參數(shù)選取越多,其準(zhǔn)確度就越高。