基于大数据挖掘的起重机安全评估系统的制作方法

本发明涉及起重机的故障识别和安全评估领域，具体说是一种基于大数据挖掘的起重机安全评估系统。

背景技术：

起重机在长期服役过程中，由于自身或外部因素常发生各类故障或损伤，造成巨大的人员伤亡和财产损失。有效分析评估起重机的健康状态，为及时识别起重机设备运行异常，保障起重机安全、可靠与经济运行提供重要支撑。

长期以来，起重机械设备多是通过采用强制性制造监检、安装监检和人工定期检验等方式来检测其是否安全，主要集中于单项监测数据流的异常预警，自动化程度低，检验周期过长，检验数据有限，具有很大的局限性，无法完全保证其在使用过程中的安全可靠性。而且由于起重机上需要监测的测点多，每个测点的采样频率高，从开始服役到寿命终止的数据收集历时长，这一过程会产生大量的监测数据，对数据处理的性能要求越来越高。除上述定期检测和在线监测数据外，起重机在设计、制造、使用、维保等过程中还产生了大量的基础数据、虚拟仿真数据、维修数据等，数据信息量巨大，数据格式多样化且结构复杂，常规的数据处理和安全评估方法已经捉襟见肘，不能适应起重机械发展的要求。

大数据是新一代信息技术产业的重要内容，在设备的故障识别和安全评估领域应用潜力巨大，起重机械安全评估已经具备了开展大数据分析和数据挖掘工作的数据基础。因此，亟需开展基于大数据理论的起重机多源信息统计分析及数据挖掘技术，有效识别出起重机设备的异常情况，实现起重机的安全状态评估及预测，为起重机安全、可靠与经济运行提供保障。

技术实现要素：

为了克服上述现有技术的不足，本发明提供了一种基于大数据挖掘的起重机安全评估系统。

本发明所采用的技术方案是：

提供一种基于大数据挖掘的起重机安全评估系统，其特征在于，该系统包括：起重机安全评估大数据采集模块，用于采集和传输起重机运行状态数据和健康监测数据；

起重机数据库存储模块，用于存储大数据采集模块采集的数据，以及整理的大数据包括起重机定检记录、维修记录；

起重机大数据预处理模块，用于对数据库存储模块中存储的数据进行预处理；

起重机大数据关联规则挖掘模块，起重机大数据关联规则挖掘模块，采用关联规则挖掘cfp-growth++算法，对预处理后的数据进行分析与归纳，具体选取起重机稳定工作时的运行状态数据作为数据源，包括各个最能反映起重机结构特征的测点大数据，再进行离散化处理，通过cfp-growth++算法进行关联规则挖掘，根据应力数据与振动数据之间关联规则的支持度和置信度来确定相关性，进而将得到的稳定强关联规则的应力数据、振动数据，通过紧致型小波神经网络来进行起重机状态参数的安全评估预测；

起重机大数据安全评估可视化模块，用于呈现重机大数据关联规则挖掘模块的预测结果，并实现人机交互。

所述的基于大数据挖掘的起重机安全评估系统，其中起重机安全评估大数据采集模块通过梳理起重机的设计制造数据和定检维修数据等，同时利用新型传感、远程通讯及信号分析与处理等技术对重机的运行状态和健康监测数据进行实时的采集、传输。

所述的基于大数据挖掘的起重机安全评估系统，其中起重机数据库存储模块用于存储本地采集的起重机运行状态大数据、健康监测大数据以及整理的起重机定检记录、维修记录等大数据，以便于查询历史记录，也可进行数据的增删改查、打印保存等操作，方便用户对系统的管理与操作，实现数据的批量化管理。

所述的基于大数据挖掘的起重机安全评估系统，其中起重机大数据预处理模块是分析数据和挖掘数据的前提与基础，用于对起重机大数据进行加工并提高数据质量。

所述的基于大数据挖掘的起重机安全评估系统，其中起重机大数据安全评估可视化模块以直观的文字、图形、报警提示等呈现起重机的状况，实现人机交互。

所述的基于大数据挖掘的起重机安全评估系统，重点在于实现起重机大数据关联规则挖掘模块：本发明对起重机的安全评估引入关联规则挖掘的方法，从起重机的健康监测众多数据中寻找出相对有用的规则，且这些规则可以展现出各组数据之间的相关性，从而研究起重机结构振动与应力数据间的相关性，得到部分感兴趣的规则，并将规则用于起重机监测值预测。

所述的基于大数据挖掘的起重机安全评估系统，其中起重机大数据关联规则挖掘模块：根据起重机海量数据的特点，在进行起重机数据关联规则挖掘时，为了增加结果的可信度，本发明引入多最小支持度模型，对原始的大数据关联规则挖掘算法apriori算法和fp-growth(frequentpatterngrowth)算法进行改进，提出了一种基于mis-tree的改进的关联规则挖掘方法：cfp-growth++算法，针对不同项设置不同的项支持度，以此来构建多项目支持树结构(minimumitemsupporttree，mis-tree)，同时引入最低最小支持度值(leastminimumsupport，lms)优化项集的剪枝操作。

在上述方案的起重机大数据关联规则挖掘模块，其中cfp-growth++算法通过以下过程来实现：

1、给定一组事务项集i＝{v1,v2,v3,...,vm}，对于任意项mis(v)表示v的最小项支持度，分配规则如下：

m(av)＝δ·f(av)(2)

式中min表示所有项目中最小的mis值，f(av)是项目v发生的频度，δ(0≤δ≤1)是用来控制项目的mis值与项目发生频度关系的参数。当δ＝0时，表示只有单一的最小支持度。

2、本发明引入多项目支持树mis-tree，并优化其剪枝操作，以发现所有的频繁项集及那些支持度大于min的非频繁项集。

3、生成初始的mis-tree后，需要删除一些非频繁节点对树结构进行剪枝操作，剪枝时，为了减少搜索空间，本发明采用以下修剪策略：(1)从mis列表的最后一项开始，如果项集的支持度小于其mis值则被修剪；(2)如果找到频繁项目，选择其mis值作为最低的最小支持度值，定义为lms值，并将mis列表中剩余项的支持度与lms值进行比较，若小于lms则从mis-tree中修剪。

4、为了更加简洁，合并具有相同项目名的节点，非频繁叶子节点的剪枝可以减小合并mis-tree的规模。

5、类似于fp-growth算法，cfp-growth++算法依据mis-tree树结构递归地构造条件mis-tree，得到所有频繁项目的集合。

所述的起重机大数据关联规则挖掘模块，其中cfp-growth++算法所产生以下有益效果：

1、在数据库中的数据种类繁多、数量庞大时，只关注一个统一的最小支持度会引起一些问题，漏掉一些有用的规则，cfp-growth++算法在进行起重机数据关联规则挖掘时，增加了结果的可信度。

2、cfp-growth++算法比fp-growth算法的运行速度更快。当α越小时，算法运行时间的差距更明显，这是由于cfp-growth++算法优化了剪枝过程，减少了算法的搜索空间。

3、cfp-growth++与fp-growth算法一样具有良好的稳定性，并且当应用在大规模数据集上时，cfp-growth++的可扩展性更强，运行效率更优。

所述的基于大数据挖掘的起重机安全评估系统，其中起重机大数据关联规则挖掘模块在对起重机的在线监测参数进行预测时，将紧致型小波神经网络作为预测建模的基础，选取morlet小波作为输入层到中间隐含层的激励函数，morlet小波计算公式如下所示：

在上述方案基础的起重机大数据关联规则挖掘模块，通过以下过程来实现:

1、选取起重机稳定工作时的数据作为数据源，包括各个最能反映起重机结构特征的测点大数据，如梯形架顶端垂直方向振动、大梁前端部垂直方向振动、大梁轨道中部左侧垂直方向上振动数据等等。

2、对采集的测点数据进行重复记录、缺失数据、噪声干扰数据以及异常数据等初步预处理后，再选择基于距离的方法进行离散化处理。

3、对起重机金属结构的受力、大梁及轨道之间的振动等测点间数据可能存在的规则，运用本发明提出的cfp-growth++算法进行关联规则挖掘，将大梁、轨道间的振动项作为项集的左侧，金属结构的受力作为项集的右侧，多次运行后选择设定算法中mis值为10％，最小置信度min_conf＝50％。

4、对规则结果进行分析，将挖掘后的支持度、置信度值与设定值比较，如果支持度值和置信度值都较高，说明上述规则在岸桥运行时出现的概率较大，并且是稳定的、可以信任的强关联规则，反应了振动与应力测点数据间的相关性，然后利用数据间的相关性对起重机监测测点的数量进行合理优化，同时对于较为危险的测点，对监测值进行预测，提前了解测点的情况。

5、基于关联规则对起重机状态参数预测，选取morlet小波作为输入层到中间隐含层的激励函数，将样本数据集下得到的稳定强关联规则大梁前端部垂直方向上的振动数据、陆侧横梁水平方向振动数据以及后大梁的应力数据作为小波神经网络的输入，后大梁的应力数据作为神经网络的输出，以预测起重机后大梁应力以此进行安全评估。

本发明基于大数据挖掘的起重机安全评估系统的有益效果：本发明将起重机测点数据间的关联性引入到起重机安全预测与评估的研究中，不仅可以利用数据间的相关性对监测测点的数量进行合理优化，同时对于较为危险的测点，能够更加准确地对监测值进行预测，可以提前了解测点的情况，并有效地结合其他理论进行早期的安全评估。

附图说明

图1是本发明的结构图；

图2是实例的后大梁应力数据预测值与实测值对比图；

图3是实例的后大梁应力数据预测误差对比图。

具体实施方式

为了使本发明的内容与技术方案更加清楚明白，以下结合附图进一步详细阐述本发明的原理和具体实施方式。

本发明提供一种基于大数据挖掘的起重机安全评估系统，如图1所示，该系统包括起重机安全评估大数据采集模块、起重机数据库存储模块、起重机大数据预处理模块、起重机大数据关联规则挖掘模块以及起重机大数据安全评估可视化模块。

其中起重机安全评估大数据采集模块通过梳理起重机的设计制造数据和定检维修数据等，同时选取其中的运行机构和其他结构的电机、齿轮箱、轴承等作为主要的研究对象，利用新型传感、远程通讯及信号分析与处理等技术，对重机的运行状态和健康监测数据如各部位的振动、应力、温度等数据进行实时的采集、传输。

其中起重机数据库存储模块用于存储本地采集的起重机运行状态大数据、健康监测大数据以及整理的起重机定检记录、维修记录等大数据，以便于查询历史记录，也可进行数据的增删改查、打印保存等操作，方便用户对系统的管理与操作，实现数据的批量化管理。

其中起重机大数据预处理模块是分析数据和挖掘数据的前提与基础，用于对采集的起重机大数据进行重复记录、缺失数据、噪声干扰数据以及异常数据等预处理，其中采用snm(sorted-neighborhoodmethod)近邻排序法对数据重复记录进行处理；根据数据分析的参数种类、用途等选用不同的方法对起重机的缺失数据进行填充，如对于有周期规律的数据如应变采用均值填充的方法，对于温度监测数据采用最可靠值填充，而对于非数值型的空缺值，依据人工经验或统计出现次数最多的值来进行填充；使用小波阈值去噪法对噪声干扰数据进行预处理；采用局部异常因子lof(localoutlierfactor)检测方法作为异常数据处理的方法。

其中起重机大数据关联规则挖掘模块采用关联规则挖掘cfp-growth++算法，对起重机监测数据进行分析与归纳。本发明具体选取某岸边集装箱起重机稳定工作时的金属结构的受力、大梁及轨道之间的振动等测点之间的健康监测数据作为数据源，进行数据的离散化处理后，通过cfp-growth++算法进行关联规则挖掘，根据应力数据与振动数据之间关联规则的支持度和置信度来确定相关性，进而将得到的稳定强关联规则的应力数据、振动数据通过紧致型小波神经网络来进行起重机状态参数的预测。

其中起重机大数据安全评估可视化模块以直观的文字、图形、报警提示等呈现起重机的状况，实现人机交互。

在上述方案的基础上，起重机安全评估大数据采集模块包含了对起重机设计、制造、安装、检测、使用、维修等多个阶段涉及到的信息数据进行采集，主要包括在线监测数据，如应力信号、振动信号等。

在上述方案的基础上，起重机大数据关联规则挖掘模块采用基于mis-tree的多支持度关联规则挖掘cfp-growth++方法，形成起重机数据间强的关联规则，对发现的强关联规则进行分析，并将其应用于健康监测参数的预测，为早期的安全评估提供更多有效的数据支撑。

现结合实例说明本发明的具体过程：

1、以某岸边集装箱起重机为例，选定了其中最能反应起重机结构特征的测点进行分析，选出的监测测点及其含义如表1所示，选取起重机稳定工作时的数据作为数据源，利用cfp-growth++算法进行关联规则挖掘。

表1监测测点及其含义

2、本实例对采集的测点数据进行初步预处理后，再选择基于距离的方法进行离散化处理。

3、对金属结构的受力、大梁及轨道之间的振动等测点间可能存在的规则进行探讨。为了使挖掘的结果更有针对性，将大梁、轨道间的振动项作为项集的左侧，金属结构的受力作为项集的右侧，多次运行后选择设定算法中mis值为10％，最小置信度min_conf＝50％，经过挖掘后获得的部分关联规则结果如表2所示。

表2部分关联规则

4、结果分析：以规则1和规则3为例，同时反应了后大梁的应力数据(y2)、大梁前端部垂直方向上的振动数据(z2)以及陆侧横梁水平方向振动数据(z8)之间的相关性。由于这两个规则的支持度值和置信度值都较高，说明上述规则在岸桥运行时出现的概率较大，并且是稳定的、可以信任的规则。

5、基于关联规则的起重机状态参数预测：将紧致型小波神经网络作为预测建模的基础，对起重机的在线监测参数进行预测。预测结果的曲线对比图如2所示，相对误差如图3所示。由图可知，将规则用于起重机监测值预测，预测误差下降为0.11％-8.81％，验证了基于关联规则模型预测的有效性和准确性，实现了基于大数据挖掘的起重机安全评估。

应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。