一种基于故障关联规则挖掘的机电系统维修方式预测方法

本发明涉及机电系统维修，尤其涉及基于故障关联规则挖掘的机电系统维修方式预测方法。

背景技术：

1、复杂机电系统的结构复杂，随着运营里程的积累、服役时间的增加及运营环境多变，故障时常发生。以crh5动车组制动系统为例，其主要包括：电制动系统、空气制动系统、制动控制系统和防滑装置等多个子系统，包括牵引电机、牵引变压器、牵引变流器、受电弓、压缩空气供给装置、防滑阀、制动控制单元、紧急制动单元、ep阀、停放制动阀、压力传感器和速度传感器等关键设备。其中任何一个子系统都有可能发生故障，任何一个子系统发生故障都会引发列车制动系统的故障，影响列车运行。

2、现阶段我国铁路部门积累了大量的高速列车运维数据，包括状态监测数据、故障数据、维修维护记录等，对这些沉睡型数据进行分析挖掘，对于复杂机电系统的维修方式预测具有重要意义。

技术实现思路

1、本发明的实施例提供了一种基于故障关联规则挖掘的机电系统维修方式预测方法，以实现有效地预测复杂机电设备的维修方式。

2、为了实现上述目的，本发明采取了如下技术方案。

3、一种基于故障关联规则挖掘的机电系统维修方式预测方法，包括：

4、构建包含维修记录实例与对应故障类别标签的训练集；

5、利用内射函数将所述包含维修记录实例与对应故障类别标签的训练集转换为多类单标签训练集，根据所述多类单标签训练集通过标签相关性挖掘故障关联规则，构建多类分类器集合；

6、将故障机电系统的故障数据作为未知实例，将所述未知实例输入到多类分类器集合，获取未预测实例在每个多类分类器上的预测结果，基于所有预测结果进行投票，得到未预测实例对应的故障机电系统的维修方式。

7、优选地，所述的构建包含维修记录实例与对应故障类别标签的训练集，包括：

8、step1：以单次维修记录作为实例，利用单次维修记录对应的具体监测值构建多标签分类算法中的实例空间：

9、

10、其中，表示实例空间，xi表示以第i次维修记录实例，n表示总共的维修记录，xi是一个d维特征向量，d对应监测指标总数；

11、step2：以监测指标对应的故障现象作为标签，构建多标签分类算法中的标签空间：

12、

13、其中，l表示标签空间，m为可能出现的故障现象总数，表示标签空间包含的第m个标签；

14、step3：根据每一次的维修记录中的故障现象描述，构建实例对应的标签0/1矩阵：

15、yi＝(a1,a2,…,aj,…,am)

16、其中，yi表示与第i个实例xi相关的标签集，i＝1…n，aj表示第j个故障现象发生与否，若发生故障，则aj＝1，否则为0，j＝1…m；

17、step4：利用标签0/1矩阵和实例空间χ构建包含维修记录实例及其相关标签集的训练集：

18、d＝{(xi,yi)|1≤i≤n}其中，d表示训练集，其中表示第i个维修记录实例，为与xi相关的标签集，n为总实例数。

19、优选地，所述的利用内射函数将所述包含维修记录实例与对应故障类别标签的训练集转换为多类单标签训练集，根据所述多类单标签训练集通过标签相关性挖掘故障关联规则，构建多类分类器集合，包括：

20、step1：将训练集d中的标签集缩小为k个标签集，构建所有可能的k标签集的集合：

21、

22、其中，lk为所有可能的k标签集的集合，|lk|表示lk的大小，m为标签数，表示从m个标签中随机取k个；

23、对于lk中的标签集：

24、|lk(l)|＝k，

25、其中，lk(l)表示lk中第l个标签集，|lk(l)|表示lk(l)的大小。

26、给定期望的分类器数量m：

27、m≤|lk|

28、step2：在训练阶段，对于一个原始多标签子训练集，将原始标签空间l缩小为lk(l)，将lk(l)转换为以下的多类单标签训练集：

29、

30、其中，表示标签空间为lk(l)的训练集，xi表示以第i次维修记录实例，表示是从yi∩lk(l)的幂集到自然数的内射函数映射，其中，对于中的新类：

31、

32、其中，表示中的新类，表示是从yi∩lk(l)的幂集到自然数的内射函数映射；

33、step3：表示标签空间为lk(l)的训练集，从lk(l)中选择m个k标签集构成训练集分别训练得到m个分类器，构建一个多标签分类器集合：

34、

35、其中表示对第m个k标签集lk(lm)构建的多类分类器；构建标签相关矩阵a：

36、

37、

38、其中，aj表示第j个标签的标签相关矩阵，ai代表xi相对于中标签的值，n表示训练集中的实例数，表示由除第j个标签以外的标签组成的标签矩阵，表示xi相对于标签的值，若则为1，否则为0，yi表示与xi相关的相关标签集，表示中的第1个标签，表示中的第j个标签；

39、在aj上应用relief算法，获得其余每个标签对的权重，取其中权重值最大的k一1个标签作为第j个标签的密切相关标签，得到每个标签的密切相关标签集rj：

40、

41、其中rj表示第j个标签对应的密切相关标签集；表示中的第b个标签对应的权重值排名，将第j个标签与其密切相关标签集rj组成一个k标签集，得到m个密切相关的k标签集，再从lk中随机选择m-m个不重复的k标签集共同构建多分类器集合。

42、优选地，所述的将故障机电系统的故障数据作为未知实例，将所述未知实例输入到多类分类器集合，获取未预测实例在每个多类分类器上的预测结果，基于所有预测结果进行投票，得到未预测实例对应的故障机电系统的维修方式，包括：

43、step1：将故障机电系统的故障数据作为未知实例，将所述未知实例输入到多类分类器集合，对于未预测的维修记录实例为每个类标签计算以下两个量：

44、

45、

46、其中，统计预测结果集成在标签上的最大投票数，统计预测结果集成在标签上的实际投票数，表示投票法，若x成立，为1，否则为0。表示是从的幂集到自然数的内射反函数映射，表示未知实例对第r个k标签集lk(lr)构建的多类分类器。

47、step2：获取未预测实例在每个多类分类器上的预测标签集y为：

48、

49、其中y为未预测实例x的预测标签集，为第j个标签，表示统计预测结果集成在标签上的最大投票数，表示统计预测结果集成在标签上的实际投票数，m为标签数；

50、step3：将未知实例x的标签集y输入随机森林分类器中再次进行训练，得到最终的未预测实例x对应的维修等级。

51、由上述本发明的实施例提供的技术方案可以看出，本发明提供的方法可以有效的根据复杂机电设备采集的数据进行维修方式预测，且精度高。

52、本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。