一种基于GPU的改进加权关联规则的设备故障预警与诊断方法

摘要

本发明属于设备故障诊断与预警领域，涉及一种基于图形处理器GPU的改进加权关联规则的设备故障预警与诊断方法。包括如下步骤：构建基于图像处理器GPU的快速关联加权规则算法RARG模型；利用基于图像处理器GPU的改进加权关联规则模型对设备历史监控数据进行挖掘，构建关联规则模式库；监测设备数据，提取特征值；判断特征值是否达到阈值；若达到阈值则设备处于故障状态；若没有到达阈值则设备处于非故障状态，并将相关数据与关联规则模式库相匹配，若匹配成功则设备处于缺陷状态，即有潜在故障；否则，返回重新监测数据。本发明开发了一种基于在图形处理器GPU上实现快速加权关联规则的算法RARG模型，具有重要的应用价值。

主权项

一种基于图像处理器GPU的设备故障预警和诊断方法，其特征在于包括如下步骤：1)构建基于图像处理器GPU的快速关联加权规则算法RARG模型，即Rapidassociation rule on GPU模型，算法描述如下：第一步：在主机上利用神经网络的自组织竞争模型计算权值wj，具体如下：i.设定设备故障信息的三个主要属性：重要程度、易损程度、故障等级作为神经网络的输入；将神经元数目设为3，学习速率设为0.1ii.自组织竞争神经网络模型初始化；iii.设定训练参数net.trainparam.epochs＝200；iv.通过样本的训练确定神经网络的连接权；v.利用训练好的网络确定设备故障的加权关联规则的权值。第二步：在主机上完成初始化，并扫描数据事物集D求得其频繁项目集的最大可能长度Size；第三步：在主机上生成1-频繁项目候选集C1：扫描事物数据集D，求得1-项目集的支持数，并按照公式①计算每个1-项目集的k-支持期望，每个项目集的最低支持数为该项目集的k-支持期望。1-频繁项目候选集C1由支持度不低于k-支持期望的1-项目集组成；令I为所有项目的集合，假定Y为一个q-项目集，q＜k。在剩余项目集合(I-Y)中，记前(k-q)个权值最大的项目为ir1，ir2，...，irk-q，那么包含项目集Y的任一k-项目集的最大可能值为 W ( y , k ) = Σ i 1 ∈ v w j + Σ j = 1 k - q w r j 其中，第1个和式为q-项目集Y中各项目的权值之和，第2个和式为剩余的前(k-q)个最大权值之和。由于加权关联规则中频繁项集的加权支持度不低于最低加权支持度wminsup，所以如果包含Y的k-项目集是频繁的，那么其最低支持数应为公式： B ( Y , k ) = [ w min sup × T W ( y , k ) ] ①其中wminsup为最小加权支持度，T为交易项个数，称该B(Y，k)为Y的k-支持期望。采用向上取整原则以保证包含Y的k-项目集有可能是频繁的；第四步：在主机上根据k-1-频繁项目候选集Ck-1连接生成k-频繁项目候选集Ck；第五步：在主机上对k-频繁项目候选集Ck进行第一次剪枝，即利用目前生成的最近最大频繁项目候选集来计算，剪掉不在k-1-频繁项目候选集Ck-1中的k-频繁项目候选集Ck中的候选项目集的子集；第六步：在GPU上对k-频繁项目候选集Ck进行再次剪枝，具体如下：i.将k-频繁项目候选集Ck加载到设备全局存储器中；ii.扫描k-频繁项目候选集Ck中的每一项，计算其候选k-项目集的支持度的上界；iii.将k-频繁项目候选集Ck分为t部分，在t个线程中并行计算所有项目集的k-支持期望；iv.若支持度计数小于k-支持期望则剪枝；v.将结果加载到主机；第七步：在主机上利用事物数据库D，检查各项目集的加权支持度，生成频繁k项目集Lk；；第八步：在主机上合并L＝L∪Lk；第九步：在主机上判断若k＜Size，则k+1，返回第四步执行；否则，执行第十步；第十步：在主机上生成符合最小置信阈值的关联规则L；2)利用基于图像处理器GPU的加权关联规则模型对设备历史监控数据进行挖掘，构建关联规则模式库；3)监测设备数据，并对其相关数据进行分析和处理，提取特征值；4)判断特征值是否达到或超过预设的阈值；5)若特征值到达或超过了阈值，则说明设备处于故障状态，报警并根据预先设定好的故障诊断方案进行诊断，制定相关故障决策信息，所述相关故障决策信息包括故障等级和类型以及建议处置方案；6)若特征值没有到达阈值，则说明设备处于非故障状态，将所述被监测设备的相关数据与所述关联规则模式库中保存的关联规则模式相匹配，若匹配成功，则说明被测设备虽然处于非故障状态，但已经处于缺陷状态，即具有潜在的故障风险，制定相关预警决策信息，所述相关预警决策信息包括预警等级和类型以及建议处置方案；否则，返回重新监测设备数据。