背景技术
液压设备具有复杂、精密、价格高、功率大的特点,同时液压设备的工作状况决定了生产效率和钢铁冶炼的质量,其安全性和可靠性要求比较高。由于液压***中各液压元件在密闭的油路中工作,管路内油液的流动状态和内部零件的情况无法直接观察,因此,液压***的故障诊断比一般机械、电气设备的故障诊断更为困难。对液压设备***实时在线监控,建立有效、准确的故障诊断及预警***显得十分重要。
现有的方法在实际的应用中都取得了一定的效果,但是存在着一些局限性,主要如下:1、各种信息检测手段和预警方法都未能将诊断对象看成一个有机的整体,未能有效的考虑设备的各个部件之间可能存在的相互联系和影响。2、难以处理多种故障并存的复杂情况。在实际的设备故障演变过程中,***的各个部件之间有着紧密的联系,各种故障经常同时发生,因此现有技术方法还很难得到较为准确的预测值。
风险是对于未来可能发生事故的量化感知,是一种对于不确定性和损失性的综合评估。简单来说,风险就是事故发生概率与事故后果的乘积。而风险评估是在识别风险的基础上,对风险进行计量、比较、判断和排序等分析,从而为制定防范措施和管理决策提供科学的依据。风险维修(Risk BasedMaintenance,简称RBM)是基于风险分析和评价而制订维修策略的方法。风险维修也是以设备或部件处理的风险为评判基础的维修策略管理模式。设备维修模式以及技术体系的发展分为四个阶段,即:事后维修、计划维修、状态维修和风险维修,由此可见,风险维修作为下一代的以可靠性为中心的维修方法(Reliability Centered Maintenance,简称RCM),是现代设备维修管理的发展方向。RBM方法已经成功应用于炼油厂、化工厂、石化厂等大型企业中,采用RBM技术一般可为企业减少设备检修量和维护费用15%到40%。风险维修在不危及安全性和影响环境的前下,提高运行效益,优化全寿命周期费用。通过建立风险维修体系,可以辨识每个设备的风险优先序,降低设备寿命周期费用,减少设备事故和故障,达到维修和降低风险的目标一致,既考虑了设备的安全性,又考虑了设备的检修维护成本。
风险维修的主要流程包括以下四步:
1)***划分及功能建模,确定研究对象;
2)故障风险评估分析,包括故障概率、故障后风险值的分析与计算;
3)基于风险决策,确定相应的维修策略;
4)维修策略的实施。
风险维修方法主要有:故障模式影响分析法(FMEA),故障树分析法(FTA)。
故障模式影响分析法(Failure Mode and Effects Analysis,简称FMEA)是一种可靠性设计的重要方法,是FMA(故障模式分析)和FEA(故障影响分析)的组合。FMEA对各种可能的风险进行评价、分析,以便在现有技术的基础上消除这些风险或将这些风险减小到可接受的水平。
FMEA是一组系列化的活动,其过程包括:找出产品/过程中潜在的故障模式;根据相应的评价体系对找出的潜在故障模式进行风险量化评估;列出故障起因/机理,寻找预防或改进措施。FMEA在实际的应用中取得了较好的效果,但是FMEA是针对一个特定构件作出分析,而不是针对一个过程或设备***作分析,因此具有局部性,不适合应用于液压设备中。
故障树分析法(Failute Tree Analysis,简称FTA),一种从***到部件,再到零件,按“下降形”分析的方法。FTA从***开始,通过由逻辑符号绘制出的一个逐渐展开成树状的分枝图,来分析故障事件(又称顶端事件)发生的概率。故障树分析法已在航空和航天的设计、维修,原子反应堆、大型设备以及大型电子计算机***中得到了广泛的应用。
构造故障树是故障树分析中最为关键的一步。通常要由设计人员、可靠性工作人员和使用维修人员共同合作,通过细致的综合与分析,找出***故障和导致***该故障的诸因素的逻辑关系,并将这种关系用特定的图形符号,即事件符号与逻辑符号表示出来,成为以顶端事件为“根”向下倒长的一棵树-故障树。
故障树分析法既可进行定性分析,又可进行定量分析和***评价。通过定性分析,确定各基本事件对事故影响的大小,从而可确定对各基本事件进行安全控制所应采取措施的优先顺序,为制定科学、合理的安全控制措施提供基本的依据。通过定量分析,依据各基本事件发生的概率,计算出顶上事件(事故)发生的概率,为实现***的最佳安全控制目标提供一个具体量的概念,有助于其它各项指标的量化处理。但是利用FTA对***进行定量分析时,必须事先确定所有各基本事件发生的概率,每次都要重新计算,运算量大、速度慢,因而不适合用于液压设备的在线诊断。
关联规则(Association Rule)是为了挖掘出隐藏在数据之间的相互关系,找出所有能把一组事件或数据项与另一组事件或数据项联系起来的规则。
挖掘关联规则的基本思路:给定一个事务集,挖掘关联规则的任务就是生成支持度(support)和置信度(confidence)分别大于用户给定的最小支持度(minsupp)和最小置信度(minconf)的关联规则。满足最小支持度、最小置信度和相关度要求的规则称为强规则。寻找出所有有效的强规则就是关联规则数据挖掘要完成的任务。
设数据事物集D,I={i
1,i
2,…,i
m}是项的集合,其中的元素称为项(item)。记D为交易T的集合,这里交易T是项的集合,并且
对应每一个交易有唯一的标识。设x是一个I中项的集合,如果
那么称交易T包含x。
一个关联规则是形如
的蕴涵式,这里
并且x∩y=Ф。
定义一:
在事物数据库D中的支持度是事物集中包含x和y的事物数与所有事物数之比,记为support(x∪y),即:
定义二:在事物集中的可信度是指包含x和y的事务数与包含x的事物数之比,记为即:
定义三:若X ∪Y是频繁项目集,则置信度不低于最低置信阈值minconf。
Apriori算法的核心思想是通过项目集元素数目不断增长来逐步发现频繁项目集的。即利用频繁项目集性质的先验知识通过逐层搜索的迭代方法,即将k-项目集用于探索(k+1)-项目集,来穷尽数据集的所有频繁项目集。首先产生频繁1-项目集L1,然后是频繁2-项目集L2,直到不再能扩展频繁项目集的元素数目而算法停止。在第k次循环中,过程先产生候选k-项目集的集合Ck,然后通过扫描数据库生成支持度并测试产生频繁k-项目集Lk。
Apriori算法主要分为两步,即链接和剪枝。
连接步:为发现Lk+1,需要将Lk中两个项集连接以获得一个Lk+1的候选集合Ck+1。设l1和l2是Lk中的两个项集,用记号li[j]表示li中的第j个项目;为描述方便,一般假设交易数据库中各交易记录中的各项均已按字典排序。用符号表示连接操作。若l1和l2中的前k-1项是相同的,即(l1[1]=l2[1])…(l1[k-2]=l2[k-2])(l1[k-1]=l2[k-1])),则Lk中l1和l2的内容就可以连接到一起。条件(l1[k]<l2[k])可以确保不产生重复的项集。则l1和l2连接的结果为{l1[1]l1[2]…l1[k-1]l1[k]l2[k]}。
剪枝步(删除):候选k-项目集C
k是频繁k-项目集L
k的超集;即其中的各元素不一定都是频繁项目集,但所有的频繁k-项目集都包含在其中。即:
扫描数据库,可以确定C
k中每个候选项目集的支持频度,从而确定L
k中各元素频繁k-项目集,即所有频度不小于最小支持度
目前设备故障诊断中使用的关联规则,是在设备各组件具有相同的重要性基础上提出的,而实际的情况是,设备的各组件在整个设备中的地位是不同的,不同的组件在设备中有着不同的重要性和明显的主次之分,所以这种前提假设会造成故障诊断结果的不准确。
加权关联规则引入了权值的概念,将数据库中的项目赋予不同的权值,这就反映了各项目重要程度的不同。所以,加权关联规则的提出无疑是解决以上问题的好方法,应用到设备故障诊断研究中,将设备的各组件赋予不同的权值,就可以避免不同重要程度的组件同等对待的问题。
加权关联规则的定义,考察交易数据库D,其项目的集合为I={i1,i2,…,in},每一笔交易都是I的一个子集,并赋以一个交易标识符TID.
定义2.关联规则形如
的支持度为X∪Y在交易数据库包含的概率。
定义3.关联规则形如的信任度为在某交易中包含X的前提下同时也包含Y的概率。
换一种更加通俗的说法就是,关联规则形如
的支持度为数据库中包含X∪Y的交易数与总交易数之比;关联规则形如
的信任度为数据库中包含X∪Y的交易数与包含X的交易数之比。
给定项目集合I={i1,i2,…,in},为表征项目的重要性,我们为每一个项目ij,赋以权值wj,其0≤wj≤1,j={1,2,…,n}.
定义4.关联规则形如
的加权支持(weighted support)为
定义5.某k-项目集被称为频繁项目集,如果其加权支持不低于最低加权支持阀值wminsup,即
定义6.关联规则
是令人感兴趣的,如果X∪Y是频繁项目集,并且其信任度不低于最低信任阀值minconf.
给定一个交易数据库,其交易总数设为T,对任一k-项目集X,其支持数(support count)为交易数据库中包含X的交易的个数,记为SC(X).如果某k-项目集X是频繁的,那么其支持数SC(X)应满足下式:
令I为所有项目的集合,假定Y为一个q-项目集,q<k.在剩余项日集合(I-Y)中,记前(k-q)个权值最大的项目为ir1,ir2,…,irk-q,那么包含项目集Y的任一k-项目集的最大可能值为:
其中,第1个和式为q-项目集Y中各项目的权值之和,第2个和式为剩余的前(k-q)个最大权值之和.
结合上述两式,我们可以推知:如果包含Y的k-项目集是频繁的,那么其最低支持数应为
我们称该B(Y,k)为Y的k-支持期望.考虑到B(Y,k)应取整数,为了保证包含Y的k-项目集有可能是频繁的,我们向上取整,而不是向下取整.否则,会由于SC(Y,k)的值过低而不足以使k-项目集成为频繁项目集.
神经网络有很强的非线性拟合能力,可映射任意复杂的非线性关系,而且学习规则简单,便于计算机实现。具有很强的鲁棒性、记忆能力、非线性映射能力以及强大的自学习能力,因此有很大的应用市场。
BP(Back Propagation)神经网络,即误差反传误差反向传播算法的学习过程,由信息的正向传播和误差的反向传播两个过程组成。输入层各神经元负责接收来自外界的输入信息,并传递给中间层各神经元;中间层是内部信息处理层,负责信息变换,根据信息变化能力的需求,中间层可以设计为单隐层或者多隐层结构;最后一个隐层传递到输出层各神经元的信息,经进一步处理后,完成一次学习的正向传播处理过程,由输出层向外界输出信息处理结果。当实际输出与期望输出不符时,进入误差的反向传播阶段。误差通过输出层,按误差梯度下降的方式修正各层权值,向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程,是各层权值不断调整的过程,也是神经网络学习训练的过程,此过程一直进行到网络输出的误差减少到可以接受的程度,或者预先设定的学习次数为止。
BP神经网络中输入节点是故障后果值各预测指标的量化属性值,输出节点是故障后果值的综合预测值。通过若干已知故障后果指标属性值数据,对神经网络进行学习训练,使其获得故障后果值各数据间的关系,当需要对新的样本模式进行后果值预测时,人工神经网络通过再现训练所得的经验、知识和直觉思维,将新的样本评价指标属性值的量化值向量输入神经网络,网络便可输出故障后果综合预测值,从而实现对潜在故障的综合后果值预测。
发明内容
虽然加权关联规则的应用于设备故障挖掘诊断,解决了设备各组件在设备中地位不同而导致的问题。但是,加权关联规则也是假定设备的各组件在理想状态下运行,其组件的权值只被赋予一次的权值,在整个加权关联规则算法中用到的权值都是初始权值,是恒定不变的,也就是说采用的是权值终生不变的原则。而现实中,这种情况是不存在的,因为随着液压设备的使用,组件磨损程度的严重性不同,各组件在整个液压设备中的重要性必定会发生变化,即最初赋予设备组件的权值必然会发生改变,如果只用最初赋予的权值来作为设备组件终生的权值是非常不准确的。
针对加权关联规则在液压设备故障诊断中应用的弊端,本发明提出一种适应于液压设备故障诊断的变权关联规则算法DVWAR(Discovery of VariableWeighted Association Rules),此算法是建立在加权关联规则的基础之上的,旨在解决由于磨损而使设备各组件权值发生变化的问题。并将DVWAR算法应用于带有风险控制的液压设备最优维修决策方法(optimal maintenance method ofHydraulic Equipment base on risk control,简称OMMHERC)中,该方法主要分为三步:第一步采用变权关联规则算法DVWAR判断***是否处于缺陷状态,若处于缺陷状态计算其潜在故障发生的概率值;第二步利用BP神经网络求得每种潜在故障的后果综合评价值;第三步将第一步求得的故障概率值和第二步求得的故障后果综合评价值相乘得到潜在故障风险值,判断该值是否超过事先规定的阈值,如果超过事先规定的阈值,则按照求得故障风险值由大到小排列,以确定维修顺序;否则返回继续监测。
假设设备一直处于运转中,或者由于中间停车时间较短,小于维修所需时间而可以近似认为其一直处于运转中。具体步骤如下:
(1)从被监测液压设备中获得状态监测数据;
(2)对其数据进行分析和处理,提取特征值;
(3)将特征值与变权关联预警模式库中的模式相匹配,即判断液压设备是否出现退化征兆;
(4)若匹配不成功,则说明液压设备没有出现退化征兆,返回继续监测设备数据;
(5)若匹配成功,则说明液压设备出现退化征兆,做如下处理;
(6)该潜在故障在变权关联预警模式库中匹配的支持度即为相应潜在故障的概率值;
(7)以液压设备自身风险、人身风险、环境风险、社会风险和***风险作为输入,通过神经网络建模求得相应故障的后果值;
(8)将潜在故障的概率值与相应的后果值相乘,得到该潜在故障的风险值;
(9)判断该风险值是否超过事先规定的阈值;
(10)若没有超过则返回继续监测液压设备;
(11)若超过阈值则将故障风险值由高到低排序,以确定最优维修顺序;
(12)按照最优决策进行停机维修,并返回继续监测设备数据。
其中(1)-(5)属于风险判别阶段,即识别潜在风险;(6)-(11)属于风险评估阶段,即定量或者定性的分析;(12)属于风险控制阶段,即制定相应的防范风险措施。
本发明与现有技术相比具有以下有益效果:
1、本发明方法将诊断对象看成一个有机的整体,有效的考虑液压设备的各个部件之间可能存在的相互联系和影响。
2、本发明方法解决了现有预测技术对多种故障并存的复杂情况处理不精确的问题。
3、本发明方法采用实时动态决策,根据液压设备运行过程中的信息实时调整判断设备所处状态,使其更符合实际情况。
4、针对加权关联规则假定设备各组件的权值在整个生命周期中是恒定不变的,这与设备各组件在实际运行中受到磨损因素的影响权值会发生改变的事实相矛盾,提出了一种适用于液压设备故障诊断的变权关联规则算法DVWAR(Discovery of Variable Weighted AssociationRules),并在此基础上对算法中产生的变化权值表进行了离散化处理,以提高液压设备故障诊断准确率及算法效率,
5、针对液压设备的特殊性,提出带有风险控制的液压设备最优维修决策方法(optimal maintenance method of Hydraulic Equipment base onrisk control,简称OMMHERC),该方法只需要计算一次就可以判断设备是否处于缺陷状态、潜在故障类型和潜在故障发生概率值,与传统的风险维修方法相比,提高了故障诊断准确度,同时加快了诊断速度,为在线决策提供了更好的参考。
具体实施方式
下面结合某钢铁公司液压设备对本发明的技术方案作进一步的描述。
方法流程图如图1所示,具体步骤如下:
某钢铁公司大型液压***主要由A、B、C三个设备组成,在该***的数据库中存储了以前大量的运行数据(包括正常状态数据和故障状态数据),包括三个设备上的四个采样点:温度、压力、震动、转速。
实施步骤如下:
第一步,构建变权关联预警模式库,具体如下;
从数据库中获取温度、压力、震动、转速的样本数据,清洗去除不一致数据;为了防止具有较大值的属性相对于较小值的属性权重过大,将数据进行归一化处理;再将上述归一化处理的数据按比例缩放,使他们都落在[0,1]上,建立设备监控数据集。
变权关联规则算法处理的数据表,是以布尔形式表示的。而企业的数据是连续变化的数值参数,因此将上一步得到的设备监控数据集中的连续性历史数据进行聚类分析和离散化,得到各类数据所属聚类范围的概化结果,从而得到概化后的设备监控数据集。并利用对概化后的设备监控数据进行挖掘,构建变权关联预警模式库;设温度T、压力P、震动S、转速R与潜在故障的概率值P1、P2、P3……的关联规则为:X->Y[minsup,minconf],其中X={T、P、S、R},Y={P1、P2、P3……},minsup为最小支持度,minconf为置信度。
根据设备的典型故障率曲线,即浴盆曲线,表明设备在早期故障期,与曲线A相似,而在偶发故障期与曲线B相似,所以我们以遵循率最高的曲线A和B为例来加以说明,并假设设备故障是以遵守这两种曲线故障率为模型的。首先,将曲线A和B以数学函数的形式重新定义,如图2和图3所示。
如图2所示曲线B的数学函数曲线,横轴x表示时间,纵轴y表示组件的故障率,设备在整个寿命周期内以一个恒定不变的值来表示故障率,设这个曲线为y0,从0时刻开始y0就一直保持某一恒定值。
如图3所示曲线A的数学函数曲线,横轴x表示时间,纵轴y表示组件的故障率,随着组件故障率的增加或减少,对应的组件权值也增加或减少,这是因为,故障率的高低决定组件的重要程度,即当此组件随时间变化磨损程度加重时,此组件的权值也变大,发生故障的几率也变大。从图上,可以看出,整个A曲线可以分为两段,时间tm点是一个转折点,在时间0~tm之间的这段曲线,设它为y1,另一段曲线设为y2。根据函数定义,可以令y1=ax+b,y2=cx+d。
变权关联规则模型中,基本定义与加权关联规则基本相同,不同之处在于时间和变化的权值,在变权关联规则算法中加入了两个变量,一个是时间的变化,另一个是权值的变化,具体的说是权值随时间的变化。
以曲线A为例,首先,设定一个全程的变量td为当前时间,并将设备的各组件权值初始化为W0,时间tm为某固定值。然后,根据曲线A的变化,如果当前的时间td还没有到达tm时,权值随曲线y1而变化,在到达tm之后,权值随曲线y2而变化。故障率曲线A的特点是,在转折点前后的变化,转折点之前,权值将急速减小;而过了转折点之后,权值非常缓慢的增大。
针对设备故障曲线A,变权关联规则算法描述如下。
Algorithm.Discovery of Variable Weighted Association Rules——DVWAR.
Input:(1)A transaction databases D,in which each item ij has itsweight wj;
(2)Two threshold values wminsup and minconf.
Output:Changed Weighted Association Rules.
Begin
(1) size=Scan(D);
(3) for(i=1;i≤size;i++){
(5) }
(6) W=W0
(7) Call WA
(8) If td≤tm
(9) then if W=W0
(10) then Rules-Set=Rules-Gen(L);
(11) else W=Wy1
(12) call WA
(13) el se if W=W0
(14) then Rules-Set=Rules-Gen(L);
(15) else W=Wy2
(16) call WA
(17) WA:for each transaction do
(18) (SC,C1)=Count(D,W);
(19) for(k=2;k≤size;k++){
(20) Ck=Join(Ck-1);
(21) Ck=Prune(Ck);
(22) (Ck,Lk)=Check(Ck,D);
(23) L=L∪Lk;
(24) }
(25) Rules-Set=Rules-Gen(L);
(26) End.
对上述算法中出现的符号含义的解释:
1.D:交易数据库
2.W:项目权值的集合
3.W0:初始项目权值的集合
4.WA:计算赋予权值后的关联规则算法.
5.Wy1:y1段项目权值的集合;Wy2:y2段项目权值的集合
6.td:当前时间
7.tm:转折时间
8.Lk:频繁k-项目集
9.Ck:频繁j-项目集的可能的频繁k-项目子集的集合
10.SC(X):项目集X的支持数
11.wminsup:最低加权支持阀值
12.minconf:最低信任阀值
变权关联规则算法DVWAR的执行步骤如下:
1.开始执行,首先对交易数据库D进行扫描,通过子程序Scan(D),发现其中频繁项目集的最大可能长度,并返回该数值。
2.将初始权值赋予设备各组件值,初始权值依据历史监测数据来确定。
3.子程序WA为整个变权关联规则算法运行过程中经常需要调用的程序,它的目的在于持续的检查更新数据库。
4.在执行WA过程中,子程序Count(D,W)累计1-项目集的支持数,计算每个1-项目集的k-支持期望。然后收集其支持数不低于k-支持期望的1-项目集,形成C1。
5.子程序Join(Ck-1)根据Ck-1生成Ck的链接,生成链接方式同Apriori算法。
6.子程序Prune(Ck)执行项目集的修剪:Ck中候选项目集的子集不在Ck-1中;估计候选k-项目集X的支持数(SC(X))的上界,它是Ck-1中k个不同的(k-1)-项目子集中的最低支持数。根据已计算出的所有项目集的k-支持期望,如果对支持数SC(X)估计出的上界表明项目集X在后继遍历中不可能成为任何频繁项目集的子集,那么该项目集X就可以被修剪掉。
7.子程序Check(Ck,D)检查遍历交易数据库D,更新Ck中所有候选项目集的支持计数。通过类似修剪步骤的方法,删除那些不满足所有可能频繁项目集支持期望的候选项目集。剩余的候选项目集均保存在Ck中。然后,再检查各项目集的加权支持,从中挑选出频繁k-项目集Lk。
8.子程序Rules-Gen(L)根据L中的频繁项目集生成符合最低信任阈值的关联规则。
9.就设备故障曲线规律B而言,存在一个时间转折点tm,所以程序中做了一个分支情况讨论,当td≤tm时,并且经过检查对比发现初始权值已经发生改变时,按照y1段曲线随时间变化重新赋予权值;当td>tm时,并且经过检查对比发现初始权值已经发生改变时,按照y2段曲线随时间变化重新赋予权值。
第二步,监测液压设备数据,并对其相关数据进行分析和处理,提取特征值;
第三步,将特征值与基于变权关联预警模式库中的模式相匹配,即判断液压设备是否出现退化征兆;
第四步,若匹配不成功,则说明液压设备没有出现退化征兆,返回继续监测设备数据;
第五步,若匹配成功,则说明设备出现退化征兆,做如下处理;
第六步,利用关联规则算法计算相应潜在故障的概率值,即潜在故障在变权关联预警模式库中匹配的支持度为相应潜在故障的概率值;
第七步,以设备自身风险、人身风险、环境风险、社会风险和***风险作为输入,通过神经网络建模求得相应故障的后果值,其具体如下:
●选取标准故障样本;
●对每一种标准故障样本进行学习;
●将待检验样本输入到已经训练好的BP神经网络模型,求得相应故障的后果综合评价值。
第八步,将潜在故障的概率值与相应的后果值相乘,得到该潜在故障的风险值;
第九步,判断该风险值是否超过事先规定的阈值;
第十步,若没有超过则返回继续监测设备;
第十一步,超过阈值则将故障风险值由高到低排序,以确定最优维修顺序;
第十二步,按照最优顺序进行停机维修,并返回继续监测液压设备数据。
实施例1:利用变权关联规则算法DVWAR计算相应潜在故障的概率值
本实施例分别用两种方法来进行分析,一种是加权关联规则算法,另一种是变权关联规则算法,实例中用到的是同一组数据,通过计算得出最终的结果并进行对比。
实例:液压设备M共由5种组件组成,其可能发生的故障有7种。表1是各部件的初始权值,表2是各故障数据库,表示当发生某种故障时可供追查的组件。设最低支持阈值wminsup为1。
表1设备M各部件的初始权值 表2设备M各故障数据库
1.使用加权关联规则算法进行挖掘
由于加权关联规则算法在整个设备的生命周期内,各组件的权值只被赋予一次,所以设备M的各组件初始权值是恒定不变的,即组件A的权值为0.2,组件B的权值为0.1,组件C的权值为0.3,组件D的权值为0.4,组件E的权值为0.8。根据加权关联规则的挖掘方法,按照其算法的步骤进行挖掘,最终得到的关联规则模式为BDE。
2.使用变权关联规则算法进行挖掘
设组件A的权值变化如图4所示。组件A的初始权值为0.2,其权值变化遵循曲线yA=0.2。组件B的权值变化如图5所示,组件B的初始权值为0.1,其权值变化遵循曲线yB=0.1。
组件C权值变化如图6所示。组件C的初始权值为0.3,其权值变化遵循曲线yc=0.05x+0.3。
组件D权值变化如图7所示。组件D的初始权值为0.4,转折点时间tm=1,当前运行时间td≤tm时,其所占权值的比例随曲线yD1=0.3x-0.1而变化,当td>tm时,其所占权值的比例随曲线yD2=0.02x+0.18而变化。组件E权值变化如图8所示。组件E的初始权值为0.8,转折点时间tm’=1,当前运行时间td≤tm’时,其所占权值的比例随曲线yE1=0.6x-0.2而变化,当td>tm’时,其所占权值的比例随曲线yE2=0.01x+0.39而变化。
表3x=0.5时的各组件权值 表4x=1时的各组件权值 表5x=10时的各组件权值
通过变权关联规则算法中,设备各组件权值的变化,可以反映出各组件在不同时刻、同一设备中重要程度的不同。通过图表的对比不难发现,组件A和B的权值没有变化。组件C随着时间的增长,权值逐渐变大。组件D和E的权值在转折时间点tm之前逐渐变小,在tm之后逐渐增大。
根据表3、表4、表5所示的权值,用变权关联规则算法进行挖掘,得到的三个时刻的关联规则模式分别为BDE,DE,CDE。
从加权关联规则和变权关联规则两种方法得到的结果对比,可以看到两种方法得出的结果是有差异的,基于变权关联规则算法的设备各组件权值是不断变化的,其在整个设备中的地位也是不断变化的,而基于加权关联规则算法的设备各组件的权值一直保持不变,那么最终导致的结果就是所做的维修决策的偏差。实例证明组件因磨损而引起的权值变化是应该予以考虑的重要因素,变权关联规则算法在实际应用中能够更加准确的对设备故障进行诊断。
值得注意的是,随着时间的增长,设备M各组件的权值都会发生变化,并且各组件的权值应该是按照不同的曲线发生变化的,具体变化的曲线应根据实际设备的监测数据和历史监测来确定。因为在整个变权关联规则算法中,各组件的权值会发生实时的变化,因此会形成N张权值表。这正是变权关联规则的精髓之处。
实施例2:利用神经网络建模求得相应故障的后果值
为了说明BP神经网络在故障后果值预测中的应用,分别选取液压设备自身风险值、人身风险值、环境风险值、社会风险值和***风险值五项作为输入项,输出项为潜在故障后果综合评价值。由于数据较大,表6列出部分故障后果综合评价值预测的学习样本。
表6部分故障后果综合评价值预测的学习样本
在BP神经网络设计中,网络隐含层节点数如果选择太少,网络的非线性映射功能和容错性较差,节点数选择过多又会使得学习时间增加,影响学习效率。目前关于隐含层节点数确定的经验公式较多,本专利采用常用的H=log2N来确定隐含层节点数,即H=log25=2个。(其中H代表隐含层节点个数,N代表输入点数,O代表输出节点数)。按照如下步骤,建立故障后果综合评价值预测模型。
第一步,首先对权系数wij置初值,即对各层的权系数wij置一个较小的非零随机数,但其中wi,n+1=-θ。
第二步,输入一个样本X=(x1,x2,x3,x4,x5,1)以及对应期望输出Y=(y1,y2,…,y5)。
第三步,要计算各层的输出,对于第k层第i个神经元的输出
,有:
w
i,n+1=-θ
第四步,求各层的学习误差
。对于输出层有k=m,有
对于其他各层,有
第五步,修正权系数wij和阀值θ。公式如下:
第六步,当求出了各层各个权系数之后,可按给定品质指标判别是否满足要求。如果满足要求,则算法结束;如果未满足要求,则返回第三步执行。
这个学习过程,对于任一给定的样本和期望输出都要执行,直到满足所有输入输出要求为止。
根据上述构建的故障后果综合评价值预测模型,利用MATLAB建立一个输入层、隐含层和输出层的节点数分别为5,2,1的BP神经网络模型,用于进行网络训练和检验,预设误差为0.01。本例利用事先收集的20组数据,经过标准化处理后,将其中16组数据作为学习样本用于模型的训练,经过800多步训练后误差达到了设定的误差要求。当网络训练完成之后,将剩余4组数据作为验证样本,以模型输出的结果与预期评价结果进行比较,实际输出与期待输出结果基本一致,这标志着基于BP神经网络的故障后果综合评价值预测模型已经成功建成。
实施例3:OMMHERC方法与传统方法对比
从某钢铁厂液压设备的收集了236条故障记录,建立了包含200条记录的挖掘库和包含36条记录的测试库,在CPU3.06GHz、内存2G、windowsXP操作***的测试机上进行试验。利用VC++6.0编写了设备故障风险计算程序,将带有风险控制的液压设备最优维修决策方法OMMHERC应用于该数据,其诊断准确率如表7所示。表7中还列出了对同样样本基于FMEA算法和FTA算法的诊断结果,可见OMMHERC方法与传统方法相比明显的提高了诊断的准确率。
表7 OMMHERC方法实例
注:a/b/c,a为采用本专利OMMHERC方法诊断结果,b为采用FMEA算法,c为采用FTA算法的诊断结果
为了验证OMMHERC方法的挖掘效率,将200条记录的挖掘库记录复制扩展到600条、800条和1000条记录,3种算法的效率如图9所示,可见在大规模数据库中挖掘,OMMHERC方法诊断效率最高。
通过上述试验表明:
●带有风险控制的液压设备最优维修决策方法OMMHERC从设备自身历史数据出发,对实时监控数据进行分析和模式匹配,可大大提高诊断的准确率。
●带有风险控制的液压设备最优维修决策方法OMMHERC只需要计算一次即可求得***是否有潜在故障、潜在故障的发生概率值和后果值,大大的提高了诊断的效率,说明本算法可以应用于在线诊断。