[发明专利]一种基于大数据的轴承设备综合效能影响因素分析方法

权利要求书

1.一种基于大数据的轴承设备综合效能影响因素分析方法，其特征在于，包括以下步骤：

步骤1：获取轴承数字化生产系统的数据库中记录的设备运行数据以及检验数据，按照OEE计算公式计算设备OEE；

步骤2：对设备运行数据以及检验数据进行预处理，得到同设备OEE相关度最高的若干个特征；

步骤3：利用K-means算法，对步骤1得到的设备OEE及步骤2得到的特征分别进行类别划分，将设备OEE及各项特征数据分别划分为高、较高、一般、较低、低五大类；

步骤4：利用Apriori算法挖掘步骤3划分后的每一类特征数据与设备OEE之间的关联关系频繁项集，输出轴承设备OEE不同类别下的影响因素特征数据频繁项集；

步骤5：根据步骤4输出的数据频繁项集，得到该类情况下设备OEE的主要影响因素。

2.根据权利要求1所述的一种基于大数据的轴承设备综合效能影响因素分析方法，其特征在于，步骤2采用互信息法对设备运行数据以及检验数据进行特征筛选，通过相关系数公式判定两个变量之间的相关性大小，从而从原始多维数据中筛选出主要特征数据，所述相关系数公式为：

其中，I(X；Y)为X与Y的广义相关系数，p(x)、p(y)为变量x、y的边缘分布概率，p(x,y)为其联合分布概率。

3.根据权利要求1所述的一种基于大数据的轴承设备综合效能影响因素分析方法，其特征在于，步骤3的具体操作步骤为：

步骤31：对于筛选后的主要特征数据，随机选择K个初始化聚类中心；

步骤32：计算每个数据对象到K个初始化聚类中心的距离，将数据对象分到距离聚类中心最近的那个数据集中，最终形成K个数据集；

步骤33：重新计算每个簇的数据对象的均值，将均值作为新的聚类中心；

步骤34：计算每个数据对象到新的K个初始化聚类中心的距离，重新划分；

步骤35：重复步骤33-34直至所有的数据对象无法再划分到其他数据集中；

步骤36：最终将设备OEE和各项特征数据划分为高、较高、一般、较低、低五大类，目标函数为：

其中，x_i为数据集合中的第i个数据；n为数据集合中数据的个数；k₁-k₅分别为五个聚类簇的五个聚类中心。

4.根据权利要求3所述的一种基于大数据的轴承设备综合效能影响因素分析方法，其特征在于，步骤4的具体操作步骤包括：

步骤41：扫描步骤3分类后的各项特征数据，设置一个最小支持度S_min，根据最小支持度产生第一个频繁项集L₁；

步骤42：根据L₁进行剪枝操作，剔除非频繁项集，产生候选项集的集合，并根据S_min产生第二个频繁项集L₂；

步骤43：由L₂产生L₃，依次逐层搜索，并用L_k来探索L_k+1，直至L_k成为空集时结束，最终得到轴承设备OEE高、较高、一般、较低、低时的影响因素特征数据频繁项集。

5.如权利要求4所述的应用于基于大数据的轴承设备综合效能影响因素分析方法，其特征在于，所述最小支持度应满足式(3)：

其中，A_n为第n类OEE的事务集；为该事务集频繁项集的最小支持度。

6.如权利要求5所述的应用于基于大数据的轴承设备综合效能影响因素分析方法，其特征在于，步骤1所述的设备运行数据以及检验数据为轴承生产设备的运行状态参数及其产品的质量参数，具体包括开机时间、停机时间、停机原因、故障时间、故障类型、状态信息、加工数量、加工周期、不合格数量、不合格原因。