基于数据挖掘的轨道车辆制造技术

本发明专利技术涉及数据分析技术领域，具体涉及一种基于数据挖掘的轨道车辆

【技术实现步骤摘要】
基于数据挖掘的轨道车辆RAMS数据关联性分析方法


[0001]本专利技术涉及数据分析
，具体涉及一种基于数据挖掘的轨道车辆
RAMS
数据关联性分析方法
。

技术介绍

[0002]城市轨道交通
RAMS
指标是实现长期运营
、
维护活动和系统稳定的主要衡量指标
。RAMS
是可靠性
、
可用性
、
可维修性和安全性这四个英文字母的首字母的缩写，是由其英文的第一个字母组成的
。
轨道列车的
RAMS
是列车经过长期运用所表现出来的特性，是在系统的整个寿命周期中，通过已有的工程概念
、
方法
、
工具盒技术而获得的；它反映出系统能够保证在指定时间内，安全达到轨道交通运输规定水平的置信度
。
建立轨道车辆
RAMS
数据关联性模型可以帮助企业进行维修保养计划指定，故障预测
、
预防及检修，提高车辆可靠性和安全性等方面的工作效率
。
[0003]Apriori
算法是数据挖掘中常用的数据关联性分析算法，可以用来分析数据之间的关联性
。
但现有
Apriori
算法中通过支持度进行频发项集获取过程中，支持度对车辆
RAMS
数据的统计分析效果较差，现有对支持度进行优化的方法中，也仅针对频繁项集选取过程中增加指标进行判断，不能消除支持度较差的影响，对于车辆
RAMS
数据来说，统计的车辆
RAMS
相关数据是变化的，使得仅通过频率统计得到的
Apriori
算法支持度误差较大，无法获得更准确的支持度反映数据间关联性，进而获得的频繁项集质量较差，获取的数据关联性关系可靠性不强
。

技术实现思路

[0004]为了解决现有技术中对于车辆
RAMS
数据采用
Apriori
算法，无法获得更准确的支持度的技术问题，本专利技术的目的在于提供一种基于数据挖掘的轨道车辆
RAMS
数据关联性分析方法，所采用的技术方案具体如下：
[0005]本专利技术提供了一种基于数据挖掘的轨道车辆
RAMS
数据关联性分析方法，所述方法包括：
[0006]获取轨道车辆
RAMS
对应的相关数据的历史数据集；采用
Apriori
算法对历史数据集进行逐层搜索迭代，将每种相关数据对应的数据值作为历史数据集中的项，并获得每个项的支持度，每一层级的层数与层级中项集的项数相等；
[0007]在迭代过程中，当层数等于2时，获取当前层级中每个项集所有子集对应的两类相关数据；根据两类相关数据之间的数据变化相关程度和两类相关数据对应子集中项之间的支持度差异程度，获得对应项集的优化系数；通过优化系数将对应项集的支持度进行优化，获得每个项集的优化支持度；
[0008]当层级大于2时，获取当前层级中每个项集与前一层级的频繁项集相同的子集，作为对应项集的待调整子集；根据待调整子集之间的关联情况和优化支持度的相似情况，对待调整子集的优化支持度进行更新；根据每个项集对应所有子集的优化支持度，将对应项
集的支持度进行优化，获得每个项集的优化支持度；
[0009]根据当前层级的项集的优化支持度确定当前层级的频繁项集，将最大层级的频繁项集作为最终频繁项集；根据
Apriori
算法对最终频繁项集进行置信度判断，获得强关联规则，将强关联规则对应的数据关联关系输入至轨道车辆控制系统中存储
。
[0010]进一步地，所述优化系数的获取方法包括：
[0011]获取两类相关数据在历史数据集中的数据曲线，对数据曲线进行求导获得两类相关数据的数据变化曲线，所述数据变化曲线所在坐标轴上，横坐标为时间，纵坐标为相关数据的数据值的变化幅值；
[0012]根据两类相关数据的数据变化曲线之间的变化趋势差异程度，获得对应项集的变化相关性指标；获取两类相关数据对应每个项集的两个真子集，计算两个真子集的项的支持度差异进行负相关映射并归一化处理，获得每个项集的支持度相关指标；
[0013]根据所述变化相关性指标和所述支持度相关指标，获得每个项集的优化系数，所述变化相关性指标和所述支持度相关指标均与所述优化系数呈正相关关系
。
[0014]进一步地，所述根据两类相关数据的数据变化曲线之间的变化趋势差异程度，获得对应项集的变化相关性指标，包括：
[0015]计算两类相关数据的数据变化曲线之间的皮尔逊相关系数，并将皮尔逊相关系数的绝对值作为两类相关数据之间的数据相关性指标；
[0016]在所述数据变化曲线的横坐标区间上均匀设置预设采样数量个采样点，当每个采样点对应相关数据的变化幅值为正时，将相关数据在对应采样点的特征值设为预设第一特征值；当每个采样点对应相关数据的变化幅值为负时，将相关数据在对应采样点的特征值设为预设第二特征值；
[0017]将每个采样点对应相关数据之间的特征值的差值绝对值作为每个采样点的变化特征值，统计所有采样点与下一个采样点的变化特征值不一致的数量，获得两类相关数据之间的变化差异值；
[0018]根据两类相关数据之间的数据相关性指标和变化差异值，获得对应项集的变化相关性指标，所述数据相关性指标与所述变化相关性指标呈正相关关系，所述变化差异值与所述变化相关性指标呈负相关关系
。
[0019]进一步地，所述根据待调整子集之间的关联情况和优化支持度的相似情况，对待调整子集的优化支持度进行更新，包括：
[0020]获取每个待调整子集的所有子集，统计在待调整子集之间具有相同子集的数量作为待调整子集之间的重合度；
[0021]任选一个待调整子集作为目标子集，当目标子集的优化支持度小于预设优化阈值时，计算目标子集与其他大于预设优化阈值的待调整子集之间的重合度；将重合度大于预设重合阈值的待调整子集作为目标子集的调整子集；
[0022]将所有调整子集优化支持度平均值与目标子集优化支持度的比值进行归一化处理，获得目标子集的调整系数；将目标子集的优化支持度与调整系数的乘积作为目标子集更新后的优化支持度
。
[0023]进一步地，所述根据每个项集对应所有子集的优化支持度，将对应项集的支持度进行优化，获得每个项集的优化支持度，包括：
[0024]获得每个项集对应所有子集的优化支持度，将每个项集的支持度与所有子集优化支持度的和值相乘，将乘积归一化处理获得每个项集的优化支持度
。
[0025]进一步地，所述根据当前层级的项集的优化支持度确定当前层级的频繁项集，包括：
[0026]当每一层级的项集的优化支持度大于等于预设频繁阈值时，将对应的项集作为对应层级中的频繁项集
。
[002本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于数据挖掘的轨道车辆
RAMS
数据关联性分析方法，其特征在于，所述方法包括：获取轨道车辆
RAMS
对应的相关数据的历史数据集；采用
Apriori
算法对历史数据集进行逐层搜索迭代，将每种相关数据对应的数据值作为历史数据集中的项，并获得每个项的支持度，每一层级的层数与层级中项集的项数相等；在迭代过程中，当层数等于2时，获取当前层级中每个项集所有子集对应的两类相关数据；根据两类相关数据之间的数据变化相关程度和两类相关数据对应子集间的支持度差异程度，获得对应项集的优化系数；通过优化系数将对应项集的支持度进行优化，获得每个项集的优化支持度；当层级大于2时，获取当前层级中每个项集与前一层级的频繁项集相同的子集，作为对应项集的待调整子集；根据待调整子集之间的关联情况和优化支持度的相似情况，对待调整子集的优化支持度进行更新；根据每个项集对应所有子集的优化支持度，将对应项集的支持度进行优化，获得每个项集的优化支持度；根据当前层级的项集的优化支持度确定当前层级的频繁项集，将最大层级的频繁项集作为最终频繁项集；根据
Apriori
算法对最终频繁项集进行置信度判断，获得强关联规则，将强关联规则对应的数据关联关系输入至轨道车辆控制系统中存储
。2.
根据权利要求1所述的一种基于数据挖掘的轨道车辆
RAMS
数据关联性分析方法，其特征在于，所述优化系数的获取方法包括：获取两类相关数据在历史数据集中的数据曲线，对数据曲线进行求导获得两类相关数据的数据变化曲线，所述数据变化曲线所在坐标轴上，横坐标为时间，纵坐标为相关数据的数据值的变化幅值；根据两类相关数据的数据变化曲线之间的变化趋势差异程度，获得对应项集的变化相关性指标；获取两类相关数据对应每个项集的两个子集，计算两个子集的项的支持度差异进行负相关映射并归一化处理，获得每个项集的支持度相关指标；根据所述变化相关性指标和所述支持度相关指标，获得每个项集的优化系数，所述变化相关性指标和所述支持度相关指标均与所述优化系数呈正相关关系
。3.
根据权利要求2所述的一种基于数据挖掘的轨道车辆
RAMS
数据关联性分析方法，其特征在于，所述根据两类相关数据的数据变化曲线之间的变化趋势差异程度，获得对应项集的变化相关性指标，包括：计算两类相关数据的数据变化曲线之间的皮尔逊相关系数，并将皮尔逊相关系数的绝对值作为两类相关数据之间的数据相关性指标；在所述数据变化曲线的横坐标区间上均匀设置预设采样数量个采样点，当每个采样点对应相关数据的变化幅值为正时，将相关数据在对应采样点的特征值设为预设第一特征值；当每个采样点对应相关数据的变化幅值为负时，将相关数据在对应采样点的特征值设为预设第二特征值；将每个采样点对应相关数据之间的特征值的差值绝对值作为每个采样点的变化特征值，统计所有采样点与下一个采样点的变化特征值不一致的数量，获得两类相关数据之间的变化差异值；根据两类相关数据之间的数据相关性指标和变化差异值，获得对应项集的变化相关性
指标，所述数据相关性指标与所述变化相关性指标呈正相关关系，所述变化差异值与所...

【专利技术属性】
技术研发人员：吕金玲，马慧芳，杜冰，郑瑞防，
申请(专利权)人：中车长春轨道客车股份有限公司，
类型：发明
国别省市：