一种基于关联参数挖掘的工业过程故障融合预测方法技术

本发明专利技术涉及一种基于关联参数挖掘的工业过程故障融合预测方法，包括步骤：基于关联规则挖掘算法对工业过程运行参数进行关联性挖掘；利用训练样本提取关联参数的参数特征，基于参数特征和故障时间构造训练集；利用训练集构造BP神经网络模型，作为基于关联参数的故障时间预测模型。本发明专利技术的有益效果是：构建了多参数多模型融合预测模型，将关联规则引入参数选取中，挖掘参数关联性进而筛选出用以建模的运行参数；进一步针对不同参数构建了不同预测模型，进一步将关联规则挖掘结果引入模型融合中实现预测模型的融合，从而获得了覆盖状态信息全面且具有强鲁棒性的故障时间预测模型。对于工程上的故障预测和健康管理有重大应用价值。值。值。

【技术实现步骤摘要】
一种基于关联参数挖掘的工业过程故障融合预测方法


[0001]本专利技术属于可靠性维护工程
，涉及一种基于关联参数挖掘的工业过程故障融合预测方法。

技术介绍

[0002]随着工业系统的日益复杂以及传感器技术的不断发展，对于工业过程的监测多是基于多维传感器的，单个传感器的信息通常无法全面表达工业过程的运行状态。另外，复杂系统的故障模式同样也是复杂多样，单个运行参数难以覆盖所有的故障模式，为实现准确的故障时间预测，必须提取足量传感器信息进行建模。然而，若过多参数参与建模，对于计算资源将会提出非常高的要求，更重要的是，部分无关参数的引入将会对建模准确性带来副作用。因此，挖掘参数关联性，选取合适的参数进行建模至关重要。
[0003]另一方面，目前大多预测模型仍是采用单模型的方式，有时会出现模型泛化能力差而导致预测准确性难以保证的问题，在此情况下，构建融合模型分摊风险是解决途径之一。

技术实现思路

[0004]本专利技术的目的是克服现有技术中的不足，提供一种基于关联参数挖掘的工业过程故障融合预测方法。/>[0005]这种本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于关联参数挖掘的工业过程故障融合预测方法，其特征在于，包括以下步骤：步骤1、基于时序数据的关联规则挖掘算法对运行参数进行关联性挖掘，基于时序数据的关联规则挖掘算法的输入是指标参数和运行参数，输出是指标参数与关联参数之间的支持度，记录指标参数与关联参数之间的支持度；然后挑选出与指标参数与关联参数之间的支持度较高的运行参数作为关联参数；步骤2、利用训练样本提取关联参数的参数特征，基于参数特征和故障时间构造训练集；步骤3、利用训练集构造BP神经网络模型，作为基于关联参数的故障时间预测模型；步骤3.1、构造以下输入矩阵为BP神经网络的训练输入：其中，中每一列为一个训练输入样本，为关联参数的参数特征，；为筛选出的关联参数数量；构造输出矩阵为BP神经网络的训练输出：上式中，表示关联参数在第个窗口时刻到故障的剩余时间，表示设置滑窗后训练样本包含的窗口个数；步骤3.2、基于和，训练出关联参数的故障时间预测模型；步骤4、基于指数平滑算法，构建指标参数的故障时间预测模型；步骤4.1、基于指数平滑算法，构造指标参数的故障时间预测模型，记为，其中为故障时间对应的指标参数的故障阈值；步骤4.2、构造与指标参数的故障时间预测模型相同形式的预测输出，构造指标参数的预测输出为；其中为故障时间，j为窗口的序号，为滑动窗口长度；步骤5、通过步骤1得到的指标参数与关联参数之间的支持度，对步骤3构造的基于关联参数的故障时间预测模型和步骤4构造的指标参数的故障时间预测模型分配权值，实现模型融合预测，得到故障时间的预测结果；步骤5.1、基于步骤1中的指标参数与关联参数之间的支持度进行权重分配，计算每一关联参数的权重，指标参数的权重；其中为关联参数与指标参数之间关联规则的支持度；
步骤5.2、将基于关联参数的故障时间预测模型与指标参数的故障时间预测模型进行融合，得到融合预测结果为：其中即为第个滑动窗口处的故障时间预测结果，， ；其中为筛选出的关联参数数量，T表示该矩阵为转置矩阵。2.根据权利要求1所述基于关联...

【专利技术属性】
技术研发人员：王豆，张震伟，胡中庆，郭鼎，傅骏伟，杨勤，姜志峰，陆金奇，
申请(专利权)人：浙江浙能技术研究院有限公司，
类型：发明
国别省市：