关联规则在部件故障模式分析中的应用

摘 要：以某系统零部件数据库中的故障数据为研究对象，采用Apriori算法挖掘待挖掘数据中各项之间的关联规则，找到零部件或者系统发生故障的原因、模式和部位之间的关联性，并进行相应的解释，为部件的故障模式分析提供简便的方法。

关键词：关联规则；故障模式分析；Apriori算法

现代设备的特点是技术密集、系统庞杂，仅靠人们积累的经验判断零部件故障的局限性很大。任何部件发生故障的机理都十分繁杂，要想从中分门别类地分析故障的特性，就必须首先研究故障模式和机理，探寻故障的规律，寻求预防故障途径的重要环节,因此对于故障模式的分析就显得尤为重要。本文运用Apriori算法[1,2]找出故障模式的频繁项集，并对频繁项集进行分析，找出相应关联规则，对部件进行故障分析，找出满足给定支持度和置信度阈值的故障原因、故障模式与部位的关系，产生有用的关联规则，为部件故障诊断提供科学依据。

1.故障分析的关联规则

Apriori算法是关联规则中产生频繁项集的主要算法，迭代是该算法的核心，该算法的基本过程为[3]：1)首先计算所有的候选1-项集C1；2）扫描数据库，删除其中的非频繁子集，生成频繁1-项集L1；3）将L1与自己连接生成候选2-项集C2；4）扫描数据库，删除C2中的非频繁子集，生成频繁2-项集L2；5）依次类推，通过频繁(k-1)-项集Lk-1与自己连接生成候选k-项集Ck，然后扫描数据库，生成频繁k-项集Lk，直到不再有频繁项集为止。

2.故障模式应用分析

现有某部件单元电气机械零部件的故障数据(表1)

表1某电气机械零部件故障数据表

故障分析的主要目的是寻找影响零部件工作的故障模式和原因，因此最小支持度和最小置信度设置越低越好，为了使得最小支持计数大于1，故设置最小支持度为10%，最小支持计数就为：首先根据故障部位的代码找出频繁1-项集(见表2)。

表2频繁1-项集

从表2中不难看出故障部位代码C的支持计数最多。下面以故障发生最多的轴承部位（Ｃ）为例，从源数据库中找出所有C的故障原因或模式，根据频繁1-项集寻找频繁2-项集（表3），依次搜索下去，再根据频繁2-项集寻找频繁3-项集（表4）。直到所有的源数据中包含部位C的数据被搜索完毕就停止。

表3频繁2-项集

表4频繁3-项集

将故障模式、故障原因、原因分类和故障部位之间的规则作为有用规则来对该电气机械系统进行故障原因分析。由于规则由频繁项集产生，每个规则都自动满足最小支持度，所以只要找出最小置信度就可以了，本文设置最小置信度为20%，这样可以找到所有影响该分系统的故障模式和原因。故障模式分析关联规则如表5所示。

表5故障模式分析关联规则表

经过分析，表明该电气机械系统的故障模式主要是磨损的可能性为71%，形变的可能性为29%，使用的故障原因占50%，设计不合理的原因占33%，因此一方面应加强轴承的设计研究，在结构设计、材料选择加大研究力度，另一方面要加强使用维护，提高装备零部件的可靠性。

3.结束语

以某部件单元电气机械零部件的故障数据为研究对象，依据Apriori算法对故障数据库进行频繁项集的关联规则挖掘。通过寻找故障模式、故障原因和部位的频繁集，得出故障部位、故障模式和原因的置信度表及规则，以便提高诊断系统中零部件最容易发生故障的部位和模式的有效性，也为零部件的设计，提高系统的可靠性提供了参考依据。

参考文献：

[1]Jiawei Han Micheline Kamber 著,范明 孟小峰等译,数据挖掘概念与技术[M],北京,机械工业出版社,2005 152-156.

[2]朱建平 著,数据挖掘的统计方法及实践[M],北京,中国统计出版社,2005 117-119.

[3]张红艳 都娟,关联规则中Apriori算法的应用[J],数字技术与应用,2010（14）.