一种基于关联规则有向无环图的农机故障识别方法
【技术领域】
[0001] 本发明涉及一种农机故障识别方法，尤其是针对利用历史故障数据和实时工况数 据进行数据挖掘的农机装备故障识别方法。
【背景技术】
[0002] 随着现代化农业的不断发展，用于农业生产的农机数量在不断增加，而且农机作 业区域也越来越广。对于农机来说，其作业具有跨地区，远距离，野外作业等特点。在农机使 用过程中发生农机故障时，通常是人工联系维修服务中心，由服务中心安排服务网点派出 维修技术人员到农机故障现场进行技术服务。由于技术人员通常无法事先得知农机故障的 准确原因，技术人员到达农机故障现场进行技术服务时往往并不能一次性带齐检测故障或 维修所使用的工具或者配件，这样导致技术人员在故障现场准确得知农机故障的原因后， 可能需要重新折回维修服务网点，甚至需要多个回合才能解决故障，使得工作量大，效率低 下。特别是，在人工联系的维修服务网点与农机故障现场距离较远时，效率低下的特征就表 现得尤为明显；并且还可能会因为农机故障不能及时排除，使得小故障造成大损失，耗时耗 钱且影响农业生产活动（如抢收抢种）。
[0003] 在过往的维修历史中，会保存有大量的维修历史记录，在该历史记录中会有与故 障相关的很多信息。这些故障相关信息的背后蕴含着大量可以用来进行故障匹配以及故障 处理相关的指导意见。关联分析用于发现隐藏在大型数据集中具有利用价值的联系，所发 现的模式通常用关联规则的形式表示。关联规则是形如χ->γ的蕴含表达式，其中X和Y是 不相交的项集。关联规则挖掘的经典应用是购物篮分析，目的是发现客户在商品选购之间 的联系，在这个领域关联分析有很好的效果。农机发生故障的影响因素有很多，同时这些影 响因素对故障造成的影响很难一目了然地找到，因此就需要使用关联分析用于找出这些影 响故障发生的因素。
[0004] 目前在实际应用中，由于大量数据挖掘得出的关联规则相对复杂，并且这些规则 之间的关系在规则结构上难以直接体现，所以在基于关联规则进行故障匹配就会非常繁 琐，当数据量很大的情况下，粗暴地逐条匹配的时间复杂度会非常高，这导致规则的应用效 率低下。
[0005] 出于以上的目的，就需要构建一种关联规则的应用模型，使得规则可以高效得使 用。通过构建故障关联规则库模型，为后续的规则匹配进行基础准备，规则匹配的功能是通 过对规则库模型的搜索来完成的。在本技术中，故障关联规则库模型是由故障环境信息、 故障类型信息以及故障处理信息等信息构成的一种图状结构，系统通过对该图状结构的搜 索，来找到相应故障环境信息所对应的故障处理方法，从而完成从故障现象到故障处理的 推理过程。
【发明内容】
[0006] 为了快速匹配农机故障的类型以及得出相应的解决方案，提高农机运维的效率， 本发明提出了一种基于关联规则有向无环图的农机故障识别方法，能够提高农机故障数据 的分类准确率，具有快速匹配，能够自增长的特点。
[0007] 为了实现上述目的，本发明提出的一种基于关联规则有向无环图的农机故障识别 方法，首先从历史故障维修数据中提取故障环境信息、故障类型信息以及故障处理信息，每 一故障数据用一条事务来表示，得到故障维修数据集对应的事务集，针对每一条事务建立 其对应的一条或多条关联规则，得到该条事务的关联规则集；然后再利用有向无环图结构， 将所述关联规则集组合成为由故障环境信息、故障类型信息和故障处理信息的一种有向无 环图；最后在有新的故障信息进入系统后，采用有向无环图的搜索方式，通过输入故障环境 信息，最终得到能够知道维修的故障处理信息。
[0008] 本发明的有益效果：可以实现利用历史数据和实时状态数据进行规则挖掘，得到 能够有益于指导维修的关联规则，并且有新的故障需求后，通过搜索已经构建好的关联规 则有向无环图，最终得到该故障对应的故障处理方法。整个过程能够减少运维过程中大量 的资源浪费，得到有针对性的维修策略。
【附图说明】
[0009] 图1为本发明基于关联规则有向无环图的农机故障识别方法流程图；
[0010] 图2为本发明中对每一个结点进行存储的形式示意图；
[0011] 图3为本发明中作为单链表的邻接点来存储的示意图；
[0012] 图4为本发明中故障规则有向无环图构建流程图；
[0013] 图5为本发明中故障规则有向无环图匹配流程图。
【具体实施方式】
[0014] 步骤1 :关联规则挖掘过程
[0015] 本发明中，主要采用关联规则挖掘的方法，利用目前已知的历史维修数据，来寻找 故障情况与机械工作环境、工作状态、时间、地域等特征之间的关系。得到这些关联规则之 后，希望建立一种规则应用模式，有效地通过输入机械的各种信息来对农机进行故障诊断 并给出农机维修方式、维修时机等决策支持。总体过程如图1所示。
[0016] 1)数据准备。在本发明中，知识的初始来源是农机索赔单的记录，而在这些记录 中，存在大量不同种类的字段，这些字段存在大量的噪声以及不完整等情况，我们需要在规 则发现之前对数据进行预处理，提高数据质量，使之符合算法的规范和要求。另外，我们需 要对原始数据进行初步的操作，将其中表达同一内容的字段分类、整合，并将其中的长段中 文信息，利用中文分词进行处理，并且生成自定义词典以达到更好的分词效果。
[0017] 2)挖掘实施。本研究中，对目前主流的Apriori算法进行，利用这种关联规则挖掘 算法对已经处理好的原始数据进行数据挖掘。挖掘实施涉及两个过程：频繁项集生成以及 强关联规则生成。在这两个过程中，前者是影响整个算法执行效率最大的过程。
[0018] 通过构建故障规则库，为后续的规则匹配进行基础准备，规则匹配的功能是通过 对规则库的搜索来完成的。在该研究中，故障规则库是由故障环境信息、故障类型信息以及 故障处理信息等构成的图状结构，系统通过对该图状结构的搜索，来找到相应故障环境信 息对应的故障处理方法，从而完成从故障现象到故障处理的推理过程。
[0019] 步骤2 :故障规则有向无环图基本结构
[0020] 其中，故障环境信息包括但不限于以下类型：产品基本信息（车型，车辆购买时 间，地理位置等）、用户基本信息（联系人，电话，地址等）、故障现场描述等信息。故障类型 信息包括但不限于以下类型：故障零部件、故障现象名称等信息。故障处理信息包括但不限 于以下类型：处理意见或措施等信息。
[0021] 在该规则库构建过程中所采用的关联规则主要分为两种：1、形式为{故障环境信 息} - {故障类型信息} ;2、形式为{故障类型信息} - {故障处理信息}。故障环境信 息：al，a2, a3,故障类型信息：bl，b2,故障处理信息：cl，c2, c3。我们通过关联规则挖掘得 到的规则有：U、al，a2，a4 bl，2、a2 b2,3、a3 b3,4、bl cl，5、b2 c3,6、b3 c2}
[0022] 步骤3 :故障规则有向无环图存储结构
[0023] 关于该故障规则图的存储结构采用邻接表的形式，对每一个结点进行存储。其存 储形式如图2所示。
[0024] 其中，左侧部分为一个一维数组，该数组存储所有图中顶点，其中的c类结点也就 是故障处理信息结点是整个故障匹配的所要得出的结果，所以c类结点不存在后续结点， 所以在该一维数组中就不存放该类结点。右侧部分每个顶点与其所有的邻接点构成一个线 性表，由于邻接点个数不定，所以使用单链表来进行存储，同时存储结构体现了该图的有向 性。
[0025] 对于每一个顶点来说，它是由data域和firstedge域组成，data域是数据域，用 于存储顶点的信息，firstedge域是指针域，用于指向单链表的第一个结点，也就是其第一 个邻接点。单链表结点由data域，sup域，conf域