面向數(shù)據(jù)挖掘的靜態(tài)電源綜合故障診斷研究

1、面向數(shù)據(jù)挖掘的靜態(tài)電源綜合故障診斷研究孫毅剛，曲睿，陳維興，王慧敏 (中國(guó)民航大學(xué) 航空自動(dòng)化學(xué)院，天津 300300)摘要：為了對(duì)故障診斷提供方向和目標(biāo)，最終以降低經(jīng)濟(jì)損失最大化為目的。在基于橋載設(shè)備的安監(jiān)系統(tǒng)上，對(duì)靜態(tài)電源的故障進(jìn)行強(qiáng)關(guān)聯(lián)和綜合診斷預(yù)測(cè)，首先將聚類和關(guān)聯(lián)算法結(jié)合得到了一次強(qiáng)關(guān)系矩陣，然后再經(jīng)過二次關(guān)聯(lián)加載，得到二次強(qiáng)關(guān)系矩陣，最終通過二次強(qiáng)關(guān)系矩陣，對(duì)故障進(jìn)行綜合診斷。通過數(shù)據(jù)挖掘軟件和在線數(shù)據(jù)庫測(cè)試結(jié)果表明：二次強(qiáng)關(guān)系矩陣能夠明顯的反映出靜態(tài)電源故障在實(shí)際作業(yè)中顯著的特點(diǎn)，解決了實(shí)際中故障變量和故障模式之間模糊的關(guān)系，能夠?qū)o態(tài)電源的未來狀態(tài)進(jìn)行有效的預(yù)測(cè)。關(guān)鍵詞：靜態(tài)電

2、源；關(guān)聯(lián)分析；聚類分析；診斷；預(yù)測(cè)中圖分類號(hào)：TP391.9 文獻(xiàn)標(biāo)識(shí)碼：AA research for integrated error diagnosis of solid state power Oriented data miningSUN Yigang, QU Rui, CHEN Weixing, WANG Huimin (Department of Aviation Automation, Civil Aviation University of China, Tianjin 300300, China)Abstract: For providing error solution

3、with direction and goal, it gets the purpose that economic losses can be reduced to maximization. Based on safe monitoring system of the bridge load equipment, it can come true that strong relation and integrated diagnostics and forecasting system. Firstly, the first strong relation matrix can be co

4、ncluded by cluster and association algorithm. Furthermore, the second strong relation matrix can be obtained by loading on the second association. Last，it can be made the integrated diagnose. By the data mining software and the online database testing, the second strong relation matrix can reflect o

5、bviously the characteristics on the actual procedure, solve the fuzzy relation in error variable and error model and predict the future state effectively. Key words: solid state power; association rules; cluster analysis; diagnosis; prediction 0引言靜態(tài)電源主要用來為飛機(jī)和廊橋的啟動(dòng)和通電檢查提供電動(dòng)力，是機(jī)場(chǎng)必需的地勤保障設(shè)備。靜態(tài)電源是通過相關(guān)功能結(jié)

6、構(gòu)將工頻電源由50HZ轉(zhuǎn)換為400HZ，為飛機(jī)在?？科陂g提供啟動(dòng)、檢查或維修電能的地面設(shè)備。從功能上來說，當(dāng)機(jī)場(chǎng)配備有橋載空調(diào)和地面電源兩種設(shè)備的時(shí)候，完全可以替代APU，利用電能向飛機(jī)提供各類服務(wù)，減少發(fā)動(dòng)機(jī)消耗燃料帶來的污染，以適應(yīng)現(xiàn)代航空業(yè)對(duì)航空地面電源的高品質(zhì)、高效、高可靠、無污染的要求1。收稿日期：2015-04-3基金項(xiàng)目：中央高?；究蒲袠I(yè)務(wù)基金支持(20001843)作者簡(jiǎn)介：孫毅剛(1963-)，男，山東汶上人，博士，教授，主要研究方向?yàn)楹娇赵O(shè)備智能監(jiān)控、無線傳感器網(wǎng)絡(luò)等；曲睿(1990-)，女，遼寧沈陽人，碩士研究生，主要研究方向數(shù)據(jù)融合、數(shù)據(jù)挖掘和計(jì)算機(jī)算法。靜態(tài)電源結(jié)構(gòu)

7、復(fù)雜，故障種類多，但數(shù)量相對(duì)較少，有關(guān)靜態(tài)電源故障的專家經(jīng)驗(yàn)累積較貧乏，難以靠建立專家系統(tǒng)的方法來解決靜變電源的故障診斷和預(yù)測(cè)問題。然而，經(jīng)過近幾年的機(jī)場(chǎng)廣泛運(yùn)行，航空公司累積了相當(dāng)數(shù)量的靜態(tài)電源歷史故障信息。與傳統(tǒng)的數(shù)據(jù)庫相比，數(shù)據(jù)挖掘可以綜合歷史數(shù)據(jù)進(jìn)行分析。而靜態(tài)電源很多參數(shù)的變化是一個(gè)發(fā)展的歷程，操作人員需要根據(jù)不同時(shí)期的數(shù)據(jù)進(jìn)行綜合分析，歸類并判斷，才能對(duì)靜態(tài)電源的故障狀態(tài)進(jìn)行準(zhǔn)確地預(yù)測(cè)和診斷2。1靜態(tài)電源故障診斷根據(jù)靜態(tài)電源的原理功能和與其效能密切相關(guān)的工況、故障和環(huán)境等參數(shù)的影響，結(jié)合相關(guān)資料和故障診斷分析，歸納篩選出具有完備性、代表性的靜態(tài)電源故障預(yù)測(cè)指標(biāo)，使其能快速、準(zhǔn)確地反

8、映靜態(tài)電源的診斷故障性能。然后，按照參數(shù)主次的關(guān)系，將靜態(tài)電源參數(shù)組成多個(gè)可能的故障指標(biāo)，從而構(gòu)成預(yù)防性靜態(tài)電源中參數(shù)分析模型3，如圖1所示。圖1 靜態(tài)電源中參數(shù)預(yù)防性分析雪花形模型2數(shù)據(jù)挖掘在故障診斷中的應(yīng)用研究數(shù)據(jù)挖掘是一種有效地從大量數(shù)據(jù)中發(fā)現(xiàn)潛在的數(shù)據(jù)模式，并能夠作出預(yù)測(cè)性分析的分析型工具。它與其他分析工具最大的不同之處在于：它的分析過程是自動(dòng)的，它能自動(dòng)地發(fā)現(xiàn)隱藏在數(shù)據(jù)中的模型。數(shù)據(jù)挖掘不需要用戶提出確切的問題而由數(shù)據(jù)挖掘去挖掘隱藏的模式并預(yù)測(cè)未來的趨勢(shì)，這樣更有利于發(fā)現(xiàn)未知的事實(shí)。通過數(shù)據(jù)挖掘技術(shù)來分析靜態(tài)電源故障中大量的數(shù)據(jù)，利用聚類來整合、歸類，并利用關(guān)聯(lián)規(guī)則方法來分析故障，找

9、出潛在故障模式，來提高實(shí)際工作中的分析和挖掘效率4。2.1靜態(tài)電源故障診斷系統(tǒng)結(jié)構(gòu)將靜態(tài)電源運(yùn)行信息記錄庫經(jīng)過預(yù)處理后進(jìn)入挖掘模型的數(shù)據(jù)源。軟件方面，數(shù)據(jù)挖掘模塊分別進(jìn)行聚類故障分析模式和一次關(guān)聯(lián)分析模式，然后進(jìn)行二次關(guān)聯(lián)分析模式；硬件方面，當(dāng)分類器實(shí)現(xiàn)故障報(bào)警，對(duì)故障進(jìn)行聚類關(guān)聯(lián)分析診斷定位，最后通過知識(shí)表達(dá)模塊與用戶交互，其基本系統(tǒng)流程如圖2所示。圖2基于數(shù)據(jù)挖掘的靜態(tài)電源故障診斷系統(tǒng)流程2.2數(shù)據(jù)的預(yù)處理經(jīng)過分析靜態(tài)電源結(jié)構(gòu)和原理后，由于靜態(tài)電源內(nèi)部很多參數(shù)不統(tǒng)一，運(yùn)行信息數(shù)據(jù)存在不完整、含噪聲等問題，因此需要數(shù)據(jù)預(yù)處理對(duì)數(shù)據(jù)進(jìn)行整合、去噪等操作，數(shù)據(jù)預(yù)處理是成功進(jìn)行數(shù)據(jù)挖掘操作的必要環(huán)

10、節(jié)。數(shù)據(jù)預(yù)處理的方法組織如下：數(shù)據(jù)清理、數(shù)據(jù)集成、數(shù)據(jù)歸約和數(shù)據(jù)變換5。數(shù)據(jù)清理主要用來光滑噪聲數(shù)據(jù)，識(shí)別或刪除離群點(diǎn)，并解決不一致性來“清理”數(shù)據(jù)；數(shù)據(jù)集成主要用來將來自多個(gè)數(shù)據(jù)源的數(shù)據(jù)進(jìn)行有效的集成，能夠?qū)Σ煌悇e的信息進(jìn)行有效的綜合利用。但是在實(shí)際中，數(shù)據(jù)集成可能會(huì)產(chǎn)生其他的冗余數(shù)據(jù)，使得再次進(jìn)行數(shù)據(jù)清理變得尤為重要，因此，兩者之間是相輔相成的，并不是簡(jiǎn)單的遞進(jìn)關(guān)系6。數(shù)據(jù)規(guī)約主要用來降低數(shù)據(jù)集的規(guī)模，而不損害數(shù)據(jù)挖掘的結(jié)構(gòu)，從而提高數(shù)據(jù)挖掘過程的速度。數(shù)據(jù)變換主要用來使數(shù)據(jù)規(guī)范化、離散化和概念分層等，它是引導(dǎo)挖掘過程成功附加的預(yù)處理過程7。這些技術(shù)不是排斥的，可以同時(shí)使用，通過數(shù)據(jù)預(yù)處

11、理技術(shù)，可以顯著地提高數(shù)據(jù)挖掘的質(zhì)量和效率。2.3靜態(tài)電源的故障診斷2.3.1基于分類的靜態(tài)電源故障報(bào)警靜態(tài)電源故障處理流程圖如圖3所示。圖3故障處理流程圖2.3.2基于聚類分析的靜態(tài)電源故障模式識(shí)別故障診斷的一個(gè)重要方面是故障模式識(shí)別問題，而采用聚類分析是解決這類問題的有效方法。由于靜態(tài)電源的參數(shù)有很多種，增加了定位故障的復(fù)雜性，因此僅僅知道靜態(tài)電源是否發(fā)生故障是不夠的，還需要知道靜態(tài)電源發(fā)生了哪種故障，根據(jù)定位來解決故障8?；诰垲惖撵o態(tài)電源故障模式識(shí)別的基本思路是：首先，根據(jù)靜態(tài)電源故障的典型特征建立其標(biāo)準(zhǔn)的故障模式組集，此組集由工作人員和維修人員共同參與。然后對(duì)收集到的靜態(tài)電源故障類型

12、通過聚類算法進(jìn)行聚類。每一類故障模式是一個(gè)簇，同一簇中對(duì)象彼此相似，不同簇中的對(duì)象不相似。最后，將這些聚類結(jié)果經(jīng)過標(biāo)準(zhǔn)處理和調(diào)整分析并解釋出聚類的結(jié)果，就可以得到故障模式的種類和實(shí)際故障歸屬于哪一類故障模式，以實(shí)現(xiàn)故障定位9。2.3.3靜態(tài)電源故障診斷算法關(guān)聯(lián)規(guī)則挖掘是指從數(shù)據(jù)集中識(shí)別出頻繁出現(xiàn)的頻繁項(xiàng)集，也即挖掘數(shù)據(jù)庫之間潛在關(guān)系的算法，其中最常用的算法是Apriori算法的改進(jìn)算法，它通過尋找發(fā)現(xiàn)頻繁項(xiàng)集，來生成關(guān)聯(lián)規(guī)則。靜態(tài)電源故障診斷需要找到引起故障的原因，通過對(duì)數(shù)據(jù)集逐層搜索的迭代方法，找到引發(fā)故障項(xiàng)的子集，從而定位故障。故障診斷關(guān)聯(lián)規(guī)則挖掘的特點(diǎn)是低支持度和高置信度的閾值，也可以利

13、用歷史經(jīng)驗(yàn)數(shù)據(jù)和進(jìn)行一系列試驗(yàn)的方法得到支持度和置信度的閾值。另外，在工作人員從靜態(tài)電源操作運(yùn)行中并沒有發(fā)現(xiàn)故障的情況下，用關(guān)聯(lián)規(guī)則挖掘算法可以發(fā)現(xiàn)潛在故障，提前消除故障10。2.3.4聚類與關(guān)聯(lián)結(jié)合的故障分析關(guān)系表通過上述方法的結(jié)合，可以得到不同的故障參數(shù)在不同的故障模式中所占的比重，即一個(gè)多維關(guān)系因素表，如表1所示。表1 靜態(tài)電源故障分析關(guān)系表 故障參數(shù)(關(guān)聯(lián))故障類型(聚類)參數(shù)1參數(shù)2參數(shù)n故障模式1a11a12a1n故障模式2a21a22a2n故障模式mam1am2amn從表1中可以得到，聚類方法可以把靜態(tài)電源的故障模式類型分成m個(gè)故障模式組集，同理，通過關(guān)聯(lián)分析方法也可以把靜態(tài)電源

14、的故障參數(shù)分成n個(gè)故障參數(shù)組集，通過兩個(gè)組集的結(jié)合，能夠得到一個(gè)mn的強(qiáng)關(guān)系矩陣，最后對(duì)強(qiáng)關(guān)系矩陣進(jìn)行二次關(guān)聯(lián)，最終得到不同故障模式所對(duì)應(yīng)的強(qiáng)關(guān)聯(lián)故障變量組集，為解決實(shí)際中靜態(tài)電源發(fā)生的故障提供有效的意見。3聚類關(guān)聯(lián)結(jié)合算法故障診斷中的預(yù)測(cè)方法首先通過聚類方法把故障數(shù)據(jù)在沒有“先驗(yàn)知識(shí)”的前提下，根據(jù)數(shù)據(jù)的諸多特點(diǎn)，按照其性質(zhì)上的“親疏程度”進(jìn)行自動(dòng)分組，且使組內(nèi)部故障個(gè)體的結(jié)構(gòu)特征具有較大的相似性，而組之間個(gè)體的特征相似性較小11。然后，通過數(shù)據(jù)間的相似程度對(duì)“親疏程度”進(jìn)行測(cè)度。由于數(shù)據(jù)挖掘算法所處理的聚類變量是兩個(gè)點(diǎn)的p個(gè)變量值之差的平方和的平均為數(shù)據(jù)型，因此，它將點(diǎn)與點(diǎn)之間的距離定義為

15、歐式距離(Euclidean Distance)，即數(shù)據(jù)點(diǎn)x和y之間的歐式距離，數(shù)學(xué)定義為：圖3故障處理流程圖 （1）式中，xi是點(diǎn)x的第i個(gè)變量值；yi是點(diǎn)y的第i個(gè)變量值。表2 靜態(tài)電源故障類型聚類仿真結(jié)果通過Clementine軟件的仿真，由K-means聚類算法可以得到不同故障模式類型的劃分，令聚類數(shù)目為2，確定初始聚類中心采用軟件的默認(rèn)方式，距離采用如上所述的歐式距離。靜態(tài)電源的故障類型的聚類仿真結(jié)果如表2所示。聚類成員案例號(hào)故障模式聚類距離1過/欠壓11.4142過/欠流21.6333過/欠頻21.6334IGBT過熱21.6335相序錯(cuò)誤11.414從表2中可以看到，過/欠壓和相

16、序錯(cuò)誤屬于第一類故障模式，過/欠流、過/欠頻和IGBT過熱屬于第二類故障模式，兩種類型的故障模式的歐氏距離分別相等，滿足聚類的要求。如果進(jìn)行關(guān)聯(lián)規(guī)則分析，首先需要進(jìn)行構(gòu)建靜態(tài)電源數(shù)據(jù)挖掘模型流程圖，如圖4所示。圖4 靜態(tài)電源故障類型模型圖得到靜態(tài)電源故障參數(shù)類型模型圖之后，由關(guān)聯(lián)規(guī)則的經(jīng)典算法Apriori可以得到不同故障參數(shù)之間的關(guān)聯(lián)強(qiáng)度，令支持度Support=20%，置信度Confidence=70%，靜態(tài)電源的故障參數(shù)關(guān)聯(lián)規(guī)則表如圖5所示。圖5靜態(tài)電源故障參數(shù)關(guān)聯(lián)規(guī)則表從圖5中可以看出，總共含有6條規(guī)則，每條規(guī)則的基本參數(shù)滿足設(shè)定的要求，確定為有效的規(guī)則。在表1中可以看到，故障模式與故

17、障變量之間滿足一定的函數(shù)關(guān)系，即故障模式m=f（故障變量n），故障模式m與故障變量n具有相關(guān)性，經(jīng)過聚類分析和關(guān)聯(lián)分析，得到強(qiáng)關(guān)聯(lián)矩陣。最后通過關(guān)聯(lián)方法對(duì)故障模式組集和故障參數(shù)組集進(jìn)行二次關(guān)聯(lián)，得到最優(yōu)化關(guān)聯(lián)矩陣，即不同故障模式對(duì)應(yīng)的故障變量，為實(shí)際解決發(fā)生的故障提供合理的方案。經(jīng)過二次關(guān)聯(lián)，得到了關(guān)聯(lián)規(guī)則表，如圖6所示。圖6靜態(tài)電源二次關(guān)聯(lián)規(guī)則表從圖6中可以得到，不同故障變量組集之間的相關(guān)性可以通過支持度和置信度來體現(xiàn)，而且通過前后對(duì)比得到故障變量的組集集合，該組集集合的實(shí)際價(jià)值最大。 4結(jié)論表3 靜態(tài)電源故障模式表通過聚類分析和二次關(guān)聯(lián)分析，得到結(jié)論如表3所示：故障變量故障模式電壓電流頻率

18、噪音量過/欠壓相序錯(cuò)誤1011過/欠流過/欠頻IGBT過熱0100注：表3中“1”代表二次關(guān)聯(lián)性強(qiáng)，“0”代表二次關(guān)聯(lián)性弱。從表3中可以得到，故障變量組集中，電壓、電流、頻率和噪音量的相關(guān)性最強(qiáng)，反應(yīng)為故障發(fā)生時(shí)產(chǎn)生的伴隨現(xiàn)象，過/欠壓和相序錯(cuò)誤屬于一類故障模式，過/欠流、過/欠頻和IGBT過熱屬于另一類故障模式，其中電壓、頻率和噪音量與第一類故障模式關(guān)系最強(qiáng)，表明了當(dāng)發(fā)生第一類故障的時(shí)候，應(yīng)該對(duì)第一類故障模式相關(guān)的故障變量進(jìn)行檢查和測(cè)試，因此能夠?qū)ξ磥砜赡馨l(fā)生的故障起到了預(yù)測(cè)作用；同理，電流與第二類故障模式關(guān)系最強(qiáng)，表明了當(dāng)發(fā)生第二類故障的時(shí)候，應(yīng)該對(duì)第二類故障模式相關(guān)的故障變量進(jìn)行檢查和測(cè)

19、試，因此也同樣能夠?qū)ξ磥砜赡馨l(fā)生的故障起到了預(yù)測(cè)作用。雖然得到了與不同故障模式相關(guān)聯(lián)的故障變量組集，但是未能從靜態(tài)電源本身結(jié)構(gòu)方面與其他分析方法相對(duì)比，這個(gè)是本文今后的研究方向。參考文獻(xiàn)1 V. Chandola, A. Banerjee, and V. Kumar. Anomaly detection: A survey. ACM Computing Surveys, 41:1-58, 2009.2H. Cao, N. Mamoulis, and D. W. Cheung. Mining frequent spatio-temporal sequential patterns. In Pro

20、c. 2005 Int. Conf. Data Mining (ICDM05), pp.82-89, Houston, TX, Nov. 20053 Meliker JR, SloanC D. Spatio-temporal epidemiology: Princi-ple sand opportunitiesJ. Spatial and Spatio-temporal Epidemiology, 2011, 2(1):1-9.4 R. Elmasri and S.B. Navathe. Fundamentals of Database Systems(6th ed.). Boston: Ad

21、dison-Wesley, 2010.5牛罡, 羅愛寶, 商琳.半監(jiān)督文本分類綜述J.計(jì)算機(jī)科學(xué)與探索, 2011,5(4):313-323.6 Tahir M A, Kittler J, Ahamed, etal. Multilabled classification using heter-Ogeneous ensemble of multilabledJ. Pattern Recognition Letterns, 2012, 33(5):513-523.7 Stein S, Payne T R, Jennings N R.Robust Execution of Serv-ice Workflows Using Redundancy and Advance ReservationsJ. IEEE Transactions on Services Computing, 2011, 4(2):125-139.8 ISALM M,