本發(fā)明專(zhuān)利技術(shù)屬于基于工業(yè)設(shè)備海量數(shù)據(jù)的數(shù)據(jù)挖掘領(lǐng)域，提供一種設(shè)備狀態(tài)預(yù)測(cè)方法，該方法從歷史數(shù)據(jù)中充分挖掘有用知識(shí)，結(jié)合設(shè)備實(shí)時(shí)情況對(duì)設(shè)備狀態(tài)進(jìn)行的有效的預(yù)測(cè)，能在較低開(kāi)銷(xiāo)下以較高的效率完成知識(shí)學(xué)習(xí)，并且實(shí)時(shí)的給出設(shè)備狀態(tài)的預(yù)測(cè)與診斷結(jié)果，為企業(yè)實(shí)現(xiàn)大型設(shè)備的狀態(tài)監(jiān)測(cè)、預(yù)警診斷等起到良好的作用。
【技術(shù)實(shí)現(xiàn)步驟摘要】
本專(zhuān)利技術(shù)屬于基于工業(yè)設(shè)備海量數(shù)據(jù)的數(shù)據(jù)挖掘領(lǐng)域，特別是涉及一種基于海量數(shù)據(jù)挖掘的設(shè)備狀態(tài)預(yù)測(cè)算法。
技術(shù)介紹
現(xiàn)代大型工業(yè)企業(yè)的發(fā)展離不開(kāi)設(shè)備。這些設(shè)備穩(wěn)定、持續(xù)的運(yùn)行與企業(yè)的利益息息相關(guān)，它們的故障甚至是異常停機(jī)將給企業(yè)帶來(lái)難以想象的重大損失。因此在其運(yùn)行過(guò)程中，提前發(fā)現(xiàn)可能的故障并加以預(yù)防和排除非常重要。對(duì)此有一些傳統(tǒng)方法，如定期的人工巡視、設(shè)備停工進(jìn)行例行檢查等。這些傳統(tǒng)方法有幾個(gè)問(wèn)題1.定期的檢測(cè)需要耗費(fèi)大量的人力、物力，效率很低2.對(duì)一些不必要的設(shè)備也進(jìn)行了檢測(cè)，造成資源的浪費(fèi)3.停機(jī)檢測(cè)可能會(huì)帶來(lái)巨大的經(jīng)濟(jì)上的損失。在這樣的背景下，企業(yè)對(duì)設(shè)備狀態(tài)預(yù)警方面的需求日益突出。近年來(lái)設(shè)備狀態(tài)預(yù)警技術(shù)逐漸進(jìn)入人們的視野，該技術(shù)是利用現(xiàn)代傳感技術(shù)和計(jì)算機(jī)技術(shù)對(duì)運(yùn)行中的設(shè)備進(jìn)行監(jiān)測(cè)，獲取反映運(yùn)行狀態(tài)的各種數(shù)據(jù)值，并對(duì)其進(jìn)行分析處理，預(yù)測(cè)運(yùn)行狀況，在必要時(shí)提供報(bào)警和故障診斷信息，避免因故障的進(jìn)一步擴(kuò)大而導(dǎo)致事故的發(fā)生，為狀態(tài)檢修提供實(shí)時(shí)數(shù)據(jù)。狀態(tài)預(yù)警技術(shù)在很多領(lǐng)域，如電力、醫(yī)學(xué)、航空、核工業(yè)等都有著深刻而廣闊的應(yīng)用前景。本專(zhuān)利技術(shù)立足設(shè)備狀態(tài)預(yù)警技術(shù)，實(shí)現(xiàn)了一種基于工業(yè)設(shè)備海量數(shù)據(jù)的設(shè)備狀態(tài)預(yù)測(cè)算法。
技術(shù)實(shí)現(xiàn)思路
本專(zhuān)利技術(shù)的目的是提供一種設(shè)備狀態(tài)預(yù)測(cè)方法，該方法從歷史數(shù)據(jù)中充分挖掘有用知識(shí)，結(jié)合設(shè)備實(shí)時(shí)情況對(duì)設(shè)備狀態(tài)進(jìn)行的有效的預(yù)測(cè)。本專(zhuān)利技術(shù)的技術(shù)方案為包括階段一學(xué)習(xí)算法；階段二 預(yù)測(cè)算法； 所述階段一學(xué)習(xí)算法包括步驟如下反映設(shè)備歷史運(yùn)行狀態(tài)的數(shù)據(jù)樣本作為訓(xùn)練數(shù)據(jù)圯,聚類(lèi)結(jié)果的類(lèi)集合為 C,其中，■■■,*}, O, =( ■■■,O*.-> I ,I < k < H , V* 為數(shù)據(jù)集11中向量0I的第fc維參數(shù)的值，n為每個(gè)數(shù)據(jù)向量的維度；步驟I [初始化]:C = ·,讀入第一個(gè)訓(xùn)練數(shù)據(jù)向量并對(duì)其標(biāo)準(zhǔn)化，記錄結(jié)果為O1，生成初始聚類(lèi)G，并記錄 upper limit 和 lower limit , C = {C^ ；步驟2 [處理新數(shù)據(jù)向量]:讀入一個(gè)新的訓(xùn)練數(shù)據(jù)向量并對(duì)其標(biāo)準(zhǔn)化，記錄結(jié)果為O2 ，如果3C』eC，使得= O ,那么轉(zhuǎn)至步驟3，否則轉(zhuǎn)至步驟4 ；步驟3[ Of并入C』—]:q—同時(shí)更新Cj的參數(shù)，現(xiàn)有的類(lèi)總個(gè)數(shù)不變；步驟4[七自成一類(lèi)]:由=其中n為聚類(lèi)結(jié)果集中聚類(lèi)的個(gè)數(shù)；步驟5 :所有歷史訓(xùn)練數(shù)據(jù)向量都已經(jīng)處理完，則階段一終止；否則，返回步驟2 ；階段二 預(yù)測(cè)算法包括如下步驟步驟6 [初始化]:1=d ;步驟7[計(jì)算距離]:計(jì)算向量0與聚類(lèi)結(jié)果集C = Cj中聚類(lèi)的距離，若4 二 O，轉(zhuǎn)至步驟9 ;若i ,轉(zhuǎn)至步驟8 ;否則,令i = i+Ι,轉(zhuǎn)至步驟7 ；步驟8[尋找最近距離]:從距離集合= …》rfj中找到一個(gè)< 使得^為集合 d中的最小值；步驟9 [確定相似模型]:根據(jù)4確定聚類(lèi)模型在聚類(lèi)結(jié)果集中的序號(hào)為i，即相似的聚類(lèi)模型為Ci ；步驟10 [計(jì)算預(yù)測(cè)向量]:根據(jù)聚類(lèi)模型Ci得到向量0的預(yù)測(cè)向量。根據(jù)階段一學(xué)習(xí)算法設(shè)定預(yù)測(cè)向量安全范圍。本專(zhuān)利技術(shù)方法的有益效果是，能在較低開(kāi)銷(xiāo)下以較高的效率完成知識(shí)學(xué)習(xí)，并且實(shí)時(shí)的給出設(shè)備狀態(tài)的預(yù)測(cè)與診斷結(jié)果，為企業(yè)實(shí)現(xiàn)大型設(shè)備的狀態(tài)監(jiān)測(cè)、預(yù)警診斷等起到良好的作用。附圖說(shuō)明圖1是算法模擬實(shí)際應(yīng)用模型。圖2是初始類(lèi)Ci的第Jt維分量的可吸收范圍示意圖。圖3是聚類(lèi)《^經(jīng)過(guò)擴(kuò)展后的第Jfc維分量的可吸收范圍示意圖。 圖4是實(shí)時(shí)數(shù)據(jù)向量0各難度與類(lèi)模型Ci計(jì)算距離示意圖。圖5是實(shí)時(shí)數(shù)據(jù)向量| 通過(guò)相似類(lèi)模型C1-確定各維度預(yù)測(cè)值示意圖。具體實(shí)施方式下面結(jié)合附圖詳細(xì)說(shuō)明本專(zhuān)利技術(shù)的優(yōu)選實(shí)施例。算法的實(shí)現(xiàn)分為兩大步驟，一是利用設(shè)備運(yùn)行的歷史數(shù)據(jù)建立起設(shè)備運(yùn)行狀態(tài)模型，這一步通過(guò)聚類(lèi)算法實(shí)現(xiàn)；二是利用經(jīng)過(guò)聚類(lèi)得到的設(shè)備狀態(tài)模型，結(jié)合設(shè)備運(yùn)行的實(shí)時(shí)狀態(tài)數(shù)據(jù)對(duì)當(dāng)前運(yùn)行狀態(tài)進(jìn)行回歸預(yù)測(cè)。在此之后再結(jié)合一些報(bào)警規(guī)則實(shí)現(xiàn)設(shè)備的在線實(shí)時(shí)預(yù)警，算法的整體應(yīng)用模型如附圖1所示。算法步驟一學(xué)習(xí)算法。該算法將反映設(shè)備歷史運(yùn)行狀態(tài)的數(shù)據(jù)樣本作為訓(xùn)練數(shù)據(jù)集，依次讀入訓(xùn)練集中的數(shù)據(jù)向量(Data Vector)，根據(jù)訓(xùn)練集的最大值、最小值向量將其標(biāo)準(zhǔn)化，然后確定其所在的類(lèi)(或者屬于某個(gè)當(dāng)前已有類(lèi)，或者自成一個(gè)新的類(lèi))，直到所有數(shù)據(jù)向量被掃描一遍，聚類(lèi)過(guò)程結(jié)束。這樣的處理過(guò)程避免了需要把所有數(shù)據(jù)一次性全部讀入內(nèi)存而后才能進(jìn)行聚類(lèi)的弊端，是凝聚型層次聚類(lèi)算法的一種改進(jìn)方法。該算法思想的實(shí)現(xiàn)過(guò)程如下假定數(shù)據(jù)向量訓(xùn)練集經(jīng)標(biāo)準(zhǔn)化后為D…聚類(lèi)結(jié)果的類(lèi)集合為G，其中，Vi= {KX O1 = {αΛ,... ,Oa OxI κ > I J < fc < * , 為數(shù)據(jù)集U 中向量 ％ 的第 fc維參數(shù)的值。Η為每個(gè)數(shù)據(jù)向量的維度。步驟I [初始化].C =傘，讀入第一個(gè)訓(xùn)練數(shù)據(jù)向量并對(duì)其標(biāo)準(zhǔn)化，記錄結(jié)果為 ι，生成初始聚類(lèi)C1，并記錄upper limit和lower limit , C = (1 ,生成過(guò)程的示意圖如附圖2所示；步驟2 [處理新數(shù)據(jù)向量].讀入一個(gè)新的訓(xùn)練數(shù)據(jù)向量并對(duì)其標(biāo)準(zhǔn)化，記錄結(jié)果為O2 ，如果BCj. eC ,使彳= O ,那么轉(zhuǎn)至步驟3，否則轉(zhuǎn)至步驟；/* flfisteniceCOiXy表示向量 與某個(gè)類(lèi)￡；各個(gè)維度的歐式距離之和，如果β的每個(gè)維度分量值都在類(lèi)G對(duì)應(yīng)的分量值范圍內(nèi)(包括擴(kuò)展和擾動(dòng)范圍)，那么步驟3[ Of-并入C』].Ci=CjU0f，同時(shí)更新Cj的參數(shù)，現(xiàn)有的類(lèi)總個(gè)數(shù)不變；步驟4[七自成一類(lèi)]., C = CuCim1其中η為聚類(lèi)結(jié)果集中聚類(lèi)的個(gè)數(shù)；/*此時(shí)，C中類(lèi)的總個(gè)數(shù)要加I*/步驟5.若所有歷史訓(xùn)練數(shù)據(jù)向量都已經(jīng)處理完，則算法終止，終止后的訓(xùn)練結(jié)果示意圖如附圖3所示；否則，返回步驟步驟2。算法步驟二預(yù)測(cè)算法。按照學(xué)習(xí)算法的聚類(lèi)結(jié)果，每個(gè)類(lèi)代表了設(shè)備運(yùn)行過(guò)程中的一種正常狀態(tài) ，當(dāng)異常的實(shí)時(shí)數(shù)據(jù)輸入時(shí)，將無(wú)法把它合并到任何一個(gè)正常類(lèi)中?；跉v史訓(xùn)練數(shù)據(jù)集的完整性，算法結(jié)果正確性，正常的設(shè)備狀態(tài)必定落在學(xué)習(xí)算法聚類(lèi)結(jié)果中的某個(gè)類(lèi)中。如果測(cè)得的實(shí)時(shí)數(shù)據(jù)向量正常，根據(jù)其相似的聚類(lèi)模型得到的預(yù)測(cè)值必定與其自身相差不大，而若實(shí)時(shí)數(shù)據(jù)向量異常，那么預(yù)測(cè)值與其相差會(huì)很明顯。預(yù)測(cè)算法正是利用這種原理給出設(shè)備運(yùn)行狀態(tài)的實(shí)時(shí)情況。該算法思想的實(shí)現(xiàn)過(guò)程如下步驟I [初始化]. -0 ；步驟2[計(jì)算距離].計(jì)算向量O (該向量為接收到的實(shí)時(shí)的數(shù)據(jù)向量)與聚類(lèi)結(jié)果集 C =中聚類(lèi)的距離，計(jì)算距離的示意圖如附圖4所示，若《=0，轉(zhuǎn)至步驟4;若 =1 ,轉(zhuǎn)至步驟3 ;否則，令i =1-H ,轉(zhuǎn)至步驟2 ；步驟3[尋找最近距離].從距離集合*# = {4，4，.-.<}中找到一個(gè)^使得《 力集合 d中的最小值；步驟4 [確定相似模型].根據(jù)沁確定聚類(lèi)模型在聚類(lèi)結(jié)果集中的序號(hào)為i，即相似的聚類(lèi)模型為G;步驟5 [計(jì)算預(yù)測(cè)向量].根據(jù)聚類(lèi)模型q得到向量·的預(yù)測(cè)向量，得到預(yù)測(cè)向量的示意圖如附圖5所示。根據(jù)階段一學(xué)習(xí)算法設(shè)定預(yù)測(cè)向量安全范圍。該安全范圍可根據(jù)設(shè)備可靠性要求調(diào)整范圍大小，并輔以超范圍報(bào)警機(jī)制，即可更好實(shí)現(xiàn)大型設(shè)備的狀態(tài)監(jiān)測(cè)、預(yù)警診斷坐 寸ο本專(zhuān)利技術(shù)按照優(yōu)選實(shí)施例進(jìn)行了說(shuō)明，應(yīng)當(dāng)理解，但上述實(shí)施例不以任何形式限定 本專(zhuān)利技術(shù)，凡本文檔來(lái)自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
一種基于海量數(shù)據(jù)挖掘的設(shè)備狀態(tài)預(yù)測(cè)方法，其特征在于：包括階段一：學(xué)習(xí)算法；階段二：預(yù)測(cè)算法；所述階段一：學(xué)習(xí)算法包括步驟如下：反映設(shè)備歷史運(yùn)行狀態(tài)的數(shù)據(jù)樣本作為訓(xùn)練數(shù)據(jù)集????????????????????????????????????????????????，聚類(lèi)結(jié)果的類(lèi)集合為，其中，為數(shù)據(jù)集中向量的第維參數(shù)的值，為每個(gè)數(shù)據(jù)向量的維度；步驟1[初始化]：，讀入第一個(gè)訓(xùn)練數(shù)據(jù)向量并對(duì)其標(biāo)準(zhǔn)化，記錄結(jié)果為，生成初始聚類(lèi)，并記錄upper?limit和lower?limit?，；步驟2[處理新數(shù)據(jù)向量]：讀入一個(gè)新的訓(xùn)練數(shù)據(jù)向量并對(duì)其標(biāo)準(zhǔn)化，記錄結(jié)果為，如果，使得，那么轉(zhuǎn)至步驟3，否則轉(zhuǎn)至步驟4；步驟3[并入]：，同時(shí)更新的參數(shù)，現(xiàn)有的類(lèi)總個(gè)數(shù)不變；步驟4[自成一類(lèi)]：由，其中n為聚類(lèi)結(jié)果集中聚類(lèi)的個(gè)數(shù)；步驟5：所有歷史訓(xùn)練數(shù)據(jù)向量都已經(jīng)處理完，則階段一終止；否則，返回步驟2；階段二：預(yù)測(cè)算法包括如下步驟：步驟6[初始化]：；步驟7[計(jì)算距離]：計(jì)算向量與聚類(lèi)結(jié)果集中聚類(lèi)的距離，若，轉(zhuǎn)至步驟9；若，轉(zhuǎn)至步驟8；否則，令，轉(zhuǎn)至步驟7；步驟8[尋找最近距離]：從距離集合中找到一個(gè)，使得為集合中的最小值；步驟9[確定相似模型]：根據(jù)確定聚類(lèi)模型在聚類(lèi)結(jié)果集中的序號(hào)為，即相似的聚類(lèi)模型為；步驟10[計(jì)算預(yù)測(cè)向量]：根據(jù)聚類(lèi)模型得到向量的預(yù)測(cè)向量。dest_path_image001.jpg,587261dest_path_image002.jpg,dest_path_image003.jpg,737619dest_path_image004.jpg,dest_path_image005.jpg,4653dest_path_image006.jpg,dest_path_image007.jpg,16602dest_path_image008.jpg,dest_path_image009.jpg,482218dest_path_image010.jpg,dest_path_image011.jpg,551281dest_path_image012.jpg,dest_path_image013.jpg,367927dest_path_image014.jpg,dest_path_image015.jpg,104939dest_path_image006.jpg,441374dest_path_image016.jpg,dest_path_image017.jpg,933535dest_path_image016.jpg,909581dest_path_image006.jpg,450284dest_path_image018.jpg,dest_path_image019.jpg,906804dest_path_image020.jpg,dest_path_image021.jpg,304288dest_path_image022.jpg,dest_path_image023.jpg,846258dest_path_image024.jpg,dest_path_image025.jpg,987390dest_path_image026.jpg,dest_path_image027.jpg,485367dest_path_image027.jpg,807414dest_path_image028.jpg,23632dest_path_image027.jpg,dest_path_image029.jpg,968454dest_path_image030.jpg,320938dest_path_image030.jpg,76535dest_path_image021.jpg,dest_path_image031.jpg...
【技術(shù)特征摘要】
1.一種基于海量數(shù)據(jù)挖掘的設(shè)備狀態(tài)預(yù)測(cè)方法，其特征在于包括階段一學(xué)習(xí)算法；階段二 預(yù)測(cè)算法； 所述階段一學(xué)習(xí)算法包括步驟如下 反映設(shè)備歷史運(yùn)行狀態(tài)的數(shù)據(jù)樣本作為訓(xùn)練數(shù)據(jù)集B = .,.,Oj ,聚類(lèi)結(jié)果的類(lèi)集合為 C，其中，Vl={1,2, o, = ( ,...OmX為數(shù)據(jù)集U中向量的第fc維參數(shù)的值為每個(gè)數(shù)據(jù)向量的維度； 步驟I [初始化]:C = # ,讀入第一個(gè)訓(xùn)練數(shù)據(jù)向量并對(duì)其標(biāo)準(zhǔn)化，記錄結(jié)果為O1，生成初始聚類(lèi)^ ,并記錄 upper limit 和 lower limit , C = {(^ ； 步驟2[處理新數(shù)據(jù)向量]:讀入一個(gè)新的訓(xùn)練數(shù)據(jù)向量并對(duì)其標(biāo)準(zhǔn)化，記錄結(jié)果為O2，如果彐Cj- e C，使得 dis Ibd Csfoi^Cj)= O，那么轉(zhuǎn)至步驟3，否則轉(zhuǎn)至步驟4 ； 步驟3 =Cjf = CjUOl,同時(shí)更...
【專(zhuān)利技術(shù)屬性】
技術(shù)研發(fā)人員：唐勝，胡潔，
申請(qǐng)(專(zhuān)利權(quán))人：國(guó)家電網(wǎng)公司，江蘇瑞中數(shù)據(jù)股份有限公司，
類(lèi)型：發(fā)明
國(guó)別省市：
還沒(méi)有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。