CN107084853A

CN107084853A - 云制造下设备故障预测方法

Info

Publication number: CN107084853A
Application number: CN201710127260.9A
Authority: CN
Inventors: 高帅; 蔡红霞; 李静; 沈南燕; 钱晖
Original assignee: University of Shanghai for Science and Technology
Current assignee: University of Shanghai for Science and Technology
Priority date: 2017-03-06
Filing date: 2017-03-06
Publication date: 2017-08-22

Abstract

本发明公开了一种云制造下设备故障预测方法。本方法的操作步骤为：一、根据设备组成结构及工作原理建立故障码对照表；二、建立故障数据模型；三、关联规则挖掘。采用Socket（通过一个双向的通信连接实现数据的交换，这个连接的一端）传输方式，利用中间设备把不同厂商，不同设备的故障数据及异常参数集成到数据库，采用HDFS（Hadoop分布式文件***）分布式存储，解决大数据处理存储问题；使用Java编程（一门面向对象编程语言）实现Map/Reduce(并行计算模型)化的改进Apriori算法(挖掘关联规则的频繁项集算法)，并加入时序概念对设备故障特征进行关联规则挖掘，预测设备的故障趋势，达到设备故障预测的目的。本发明以切割机为实例，给出了具体的实现方式。

Description

云制造下设备故障预测方法

技术领域

本发明公开了一种云制造下设备故障预测方法，属于设备故障预测领域。

背景技术

随着现代科技工业技术尤其是信息技术的迅速发展,制造业中设备的复杂化、综合化、智能化程度不断提高。伴随着设备的发展,其研制、生产尤其是维护和保障的成本越来越高。同时,由于组成环节和影响因素的增加,发生故障和功能失效的几率逐渐加大,因此,如何对设备故障提前预警，对可能发生故障的部件或因素加以提前控制即故障预测逐渐成为研究者关注的焦点。关于设备故障预测，前人进行了很多研究，主要分为三类：基于物理时效模型的故障预测研究，如北京航空航天大学的曾声奎等人提出了故障诊断与预测的人-机-环境的完整认知模型，对故障预测技术的性能要求进行了分析；基于数据驱动的设备故障预测研究，如清华大学教授蒋东翔等人提出过一种混合智能算法，这种混合算法由模糊BP网络、模糊控制与专家***结合而成；基于可靠性理论的故障预测研究，如清华大学核能技术研究所研制的MFFTAAP多功能故障树，进而分析出设备的故障分布规律进行预测。现有的预测技术在理论研究和实际应用方面已经取得了较大的进步，但是，也存在诸多不足，预测结果的准确度对模型的依赖较大，缺乏自学习能力，对于复杂设备，要建立一个准确度高的静态模型来保证预测结果的准确也是相当困难的。

随着设备的运行，企业具备大量可用的设备状态监测和历史数据，随着企业***的增加，数据的增长呈现***式，每日的数据量可达到几十TB，如何利用这些看似无关的数据也是当下研究的热点。前人尝试利用数据挖掘算法，进行故障关联规则研究，如OgilvieT和Swidenbank E等人采用Apriori算法在已有的电厂数据库基础上挖掘关联规则，建立了设备状态模型，进行设备状态预测。也有不少关于关联规则的并行化的研究，如***研究院采用云计算平台Hadoop研发了并行数据挖掘软件BC-PDM，实现了海量数据的可靠存储和高效挖掘，但结合二者通过对设备故障特征分析，运行并行化思想挖掘故障之间的关联规则进行故障预测的研究还没有。

本发明发明人在这样的背景下，通过对云计算下关联规则算法的研究，结合设备故障的特征分析，提出一种云制造下设备故障预测的方法，就是从设备故障的结果出发，通过对关联规则挖掘算法的改进，运用并行处理的技术，并加入时序的概念，进行关联规则预测，并以切割机为实例进行分析，实现设备故障预测。

发明内容

本发明的目的在于针对已有技术的不足，提供一种云制造下设备故障预测方法，适用于数据量庞大、设备分布广泛的工业级故障预测，达到准确预测故障发生的时间及故障特征。为达到上述目的，本发明的构思是：利用Hadoop(由Apache基金会所开发的分布式***基础架构)云计算并行化改进传统Apriori算法实现故障预测，研究的重点集中在分析设备故障特征和Apriori算法(挖掘关联规则的频繁项集算法)的Map/Reduce(并行计算模型)实现，首先从设备的组成结构、工作原理分析设备故障，建立故障特征、参数对照表，通过数据采集技术对设备的加工信息和故障信息获取，然后利用并行化Map/Reduce思想实现改进的Apriori算法，并加入时序概念，实现一种基于事件特征的故障预测，最终以切割机为实例，给出具体的实现过程。

根据上述发明构思，本发明采用的技术方案为：

一种云制造下设备故障预测方法；包括以下步骤：

步骤一：分析设备的组成结构及工作原理，建立故障特征码对照表。

步骤二：建立故障数据时序模型。将故障事件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。定义运算符“#”，表达式#((I),T)，若T为有序项中的最大值，输出1，反之为0，时序规则相减运算(A，Ta)-(B，Tb)＝A—>B，从而计算出A故障到B故障的相隔时间。如图2所示。

步骤三：关联规则挖掘。Hadoop(由Apache基金会所开发的分布式***基础架构)下对改进Apriori算法(挖掘关联规则的频繁项集算法)进行Map/Reduce(并行计算模型)实现。采用分布式的方式，将挖掘算法分布在多个节点上进行存储，实现高度并行化，挖掘故障特征之间的关联关系，实现故障预测。如图3所示。

与现有技术相比，本发明的优点和有益效果为：

把改进的Apiori算法应用到设备故障预测中，并且采用了云计算技术，通过找出看似无关的设备故障及异常参数之间的关联关系进行故障预测，通过对实验结果和实际故障发生的情况进行比对，发现具备很强的实用性，大大减少了设备故障导致的经济损失，加入Map/Reduce并行化处理技术之后，预测速度也大大提高。另外本算法加入了时序概念，在改进的Apriori算法的基础上，加入时序概念之后，不仅能挖掘出故障间的潜在规则，还能为决策提供一个较为准确的维护时间期限，具有高的实用价值。

附图说明

图1是本发明的主程序框图。

图2是本发明的步骤二里的故障数据模型。

图3是本发明的步骤三里的算法计算流程图。

图4是本发明的实施例步骤一里的切割机组成结构图。

具体实施方式

下面结合附图和优选实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

实施例(以切割机设备为例)

1.云制造下设备故障预测方法。包括以下步骤：

步骤一：分析玻璃切割机的组成结构及工作原理。玻璃切割机由切割桌、切割桥以及计算机控制箱三部分组成，如下图4所示，主要包括：1表示羊毛毡垫片。2表示横梁。3表示横向传动导轨。4表示刀头。5表示纵向传动导轨。6表示驱动电机。7表示传送带。8表示横向走刀传送***。9表示线缆履带。10表示纵向走刀传动***。

步骤二：建立切割机的故障特征码对照表。

本发明采取Hadoop分布式文件***HDFS，与Map/Reduce结合，数据访问的吞吐量更高，HDSF的应用程序对文件使用“一次写入，多次读取”模式。首先对某玻璃加工企业中切割机组成及工作原理以及记录的故障数据分析，对引起切割机故障及故障表现进行了整理，将异常数据按相应的故障码表示，建立故障对照表如下表所示。

记录故障	故障码	故障参数表现	故障码
				发动机故障	F1	发动机转速超过上限或低于下限	F10
冷却液温度异常	F2	冷却液温度超过上限或低于下限	F11
				齿轮故障	F3	切割速度超过上限或低于下限	F12
控制板卡故障	F4	切割压力超过上限或低于下限	F13
				上片机故障	F5	气压超过上限或低于下限	F14
直线度偏差故障	F6	刀轮角度超过上限或低于下限	F15
				切割时玻璃断片故障	F7	切割压力超过上限	F16
液压***故障	F8	液压压力超过上限或低于下限	F13
				掰片故障	F9	掰片时间过早或过迟	F17

步骤三：建立故障数据模型。将故障事件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。定义运算符“#”，表达式#((I),T)，其中I表示故障特征，T表示故障发生时间，形式为时间戳。若T为有序项中的最大值，输出1(表此刻故障发生)，反之为0(故障不发生)，时序规则相减运算(A，Ta)-(B，Tb)＝A—>B及两个故障发生的时间作差，从而计算出A故障到B故障的相隔时间△T。

下表为某玻璃加工企业处理后的部分时序故障数据，其中设备编号为同一类型的设备，时序的单位为天。

步骤四：关联规则挖掘。Hadoop下采用Map/Reduce的方式对改进Apriori算法(挖掘关联规则的频繁项集算法)进行实现，将算法分布在多个节点上进行存储，实现高度并行化。

运用Map/Reduce并行化思想实现Apriori时序关算法主要步骤如下：设最小支持度阈值为4，即min_sup＝0.2，M＝5(数据库分成5块)，R＝1(分配1个Reduce任务)。频繁集的生成过程如下图所示。假定min_conf＝75％

(1)利用HDFS的方式将产生的结果输出到文件中，对文本文件的每一行作为一个切分。形成<key1,value1>，key1表示行的偏移量，value1表示频繁项的一项，Map函数扫描健值对，调用生成函数，输出<频繁项，规则>形式。

<频繁项，规则>表示为<(Fi,Fj,Fk),”支持度,可信度,△T”>，Fi、Fj、Fk表示具体的故障码，△T运用时间模式相减运算得到。如：时舍弃。

本例中通过Map函数得到的输出结果为：<(F1,F2,F4),”支持度0.2,可信度67％,△T1”>；<(F1,F2,F4),”支持度0.2,可信度67％,△T2”>；<(F1,F2,F4),”支持度0.2,可信度100％,△T3”>。

Reduce经过规约结果为：可以描述为:这种类型的设备在故障码为F2和F4同时出现，之后的△T3个单位时间内会发生故障码F1的异常，最终将输出结果存储到HDFS(Hadoop分布式文件***)。

按照步骤四的步骤，通过Map函数得到满足条件的规则生成如下：

经过Reduce规约结果可进行描述，例这种类型的切割机设备在故障码为F10、F12、F13出现，之后的14天时间内会发生故障码F1的异常，最终将输出结果存储到HDFS。

Claims

1.云制造下设备故障预测方法；其特征在于具体操作步骤如下：

（1）、建立设备故障码对照表：分析设备的组成结构及工作原理，建立设备的故障对照表：故障对照表的建立需包含典型故障特征，故障表现，引起故障的环境特征、参数特征；

（2）、建立故障数据模型：将故障事件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；定义运算符“#”，表达式#((I),T)，若T为有序项中的最大值，I表故障发生情况，发生输出1，反之为0，时序规则相减运算（A，Ta）-（B，Tb）=A—>B，从而计算出A故障到B故障的相隔时间；

（3）、关联规则挖掘：利用步骤（2）中的故障数据模型，在Hadoop——由Apache基金会所开发的分布式***基础架构下对改进Apriori算法——挖掘关联规则的频繁项集算法，进行Map/Reduce并行化；主要包括：故障数据采用分布式的方式，将挖掘算法分布在多个节点上进行存储，实现高度并行化，调用Map函数，把一组键值对映射成一组新的键值对，对每个节点进行频繁项集的计算，得到频繁三项集，调用Reduce函数，保证所有映射的键值对中的每一个共享相同的键组，对每个节点计算的结果进行合并，最终挖掘出故障特征之间的规则。

2.根据权利要求1所述的云制造下设备故障预测方法，其特征在于所述步骤（1）建立设备故障码对照表是：根据特定设备的组成结构，工作原理，环境因素，由企业内相关设备维护人员提供能尽可能全面的涵盖设备故障的特征及参数，建立特征及参数的故障码对照表。

3.根据权利要求1所述的云制造下设备故障预测方法，其特征在于所述步骤（2）建立故障数据模型是：定义每个事物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；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 为故障项，即i表示故障，t 为时序项的时间戳。

4.根据权利要求1所述的云制造下设备故障预测方法，其特征在于所述步骤（3）关联规则挖掘是：Hadoop下对改进Apriori算法进行Map/Reduce并行化的步骤包括：a. 将整个数据库进行分片：把事务数据库进行水平分割，Map/Reduce将事务数据库Ｄ水平划分为ｎ个规模相当的数据块，这个过程是InputFormat完成，将数据块划分为InputSplit，然后发送到ｍ个节点，开始执行Map任务；b. 将局部的数据块转化成为对应的矩阵：把输入的数据发送到不同的节点上面，依次转化成为矩阵；扫描一次局部数据库，得到频繁一项集并且得到局部频繁矩阵；c. 对矩阵进行压缩：包括行进行压缩、删除那些不能与相邻项集进行连接的运算的项集对应的行向量、列进行压缩；d. 把各个节点上面的压缩矩阵转换成为局部的频繁项集；e. 把那些用有相同key的键值对<’项集I中k个项目’,’局部支持度’>进行合并，得到项集I中ｋ个项目的全局支持度；如果满足最小支持度，那么它就是一个频繁项集；这些频繁项集最终组成了全局的频繁项集；f. 计算每条规则的置信度，输出满足设定条件的关联规则，并按照步骤e中给出的格式输出至HDFS——Hadoop分布式文件***。