制造业MES&R语言数据挖掘之设备故障序列关联分析

本案例针对于铅酸电池行业的设备故障进行R语言数据挖掘：找到故障之间的时间先后规律，比如A故障发生后，多大概率会发生B故障。

目录

一、数据准备

二、选择算法

三、编程建模

四、分析

五、评价

---

步骤

1、数据准备

2、选择算法

3、编程建模

4、分析

5、评价

一、数据准备

1、本案例分析的数据是铸焊机的故障记录；将MES中所有铸焊机维修记录导出成EXCEL，一共338条。

记录中包括：故障描述、故障部位、处理方法及结果。

excel 截图如下

2、将故障描述、故障部位、处理方法及结果整理成TXT格式

3、用R语言的分词函数，将文本拆分成关键词

R语言代码如下

install.packages("jiebaR")
library("jiebaR")
setwd('E:/')
wk = worker(bylines = T,user="设备故障字典.txt",stop_word = "停用词字典.txt")
wk['./故障描述.txt']

提醒： 分词算法中，最关键的是字典表，包括用户自定义表和停用字典表。如果没有自定义表，最后分词的效果会非常差。

4、将所有拆分后的关键词连接起来，整理在EXCEL中，如图所示

 

5、将EXCEL导出成TXT文本，如图3所示

 

二、选择算法

本次案例选择了Spade算法：序列关联分析的目的是要从所收集到的众多事务序列中，发现某个事务序列连续出现的规律，找到事务发展的前后关联性，这种前后关联性通常与时间有关。

三、编程建模

 R语言代码：

library(arules)   #导入R包
library(Matrix)    #导入R包
library(arulesSequences)   #导入R包
setwd('E:/') #设置工作路径
mytrans<-read_baskets(con="./铸焊序列.txt",sep=",",info = c("sequenceID","eventID"),encoding = "UTF-8") #将TXT文件导入R,eid要求在每个seqid下无重复且严格排序
inspect(mytrans[1:10,])  #显示前十行数据
str(mytrans)   #显示数据格式

fset<-cspade(data=mytrans,parameter = list(support=0.55,maxsize=5,maxlen=5,maxgap=80))  #搜索频繁项集，此处的三个参数经过了多次调整
inspect(fset[1:100,])      #显示前100行
str(fset)   #显示数据格式
rules<-ruleInduction(x=fset,confidence=0.5)   #在频繁序列的基础上派生序列关联规则
inspect(rules)  #显示数据集
rulesd<-as(rules,"data.frame")    #转换成数据框格式

library(xlsx)  #导入R包
write.xlsx(rulesd,file = "./3.xlsx",row.names = TRUE)  #序列规则导出成EXCEL

四、分析

铸焊机序列关联规则如下图所示

 

将提升度大于1的筛选出来再进一步整理，整理后的规则如下图所示

规则说明：左边是前项实物，右边是后项事务，以第一项为例： 加热管→铅泵管。加热管坏了之后，有较大概率是铅泵管会坏，这里先不去探究具体的逻辑成因，只是将其中的规律提炼出来。

五、评价

从上步的分析来看，大部分规则从实际业务来看是正确的。 这个案例的应用价值可以体现在：提醒设备、车间在维修和保养过程中，有关联性的操作，比如机修工维修加热管的时候，顺便检查一下铅泵管、铅泵、模具。尽量将后者故障的可能性降至最低。

改进点：1、代码中的参数需要更多的调试，才能找到一个较优化的状态。2、数据量收集到1000条以上，生成的规则可能会更有代表性。