1.一种基于改进关联规则的桥式抓斗卸船机故障预测模型方法，其特征在于：所述预测方法包括以下步骤：(1)获得模型输入和输出，将桥式抓斗卸船机状态监测的特征参数作为模型输入，采样获得卸船机的关联内部特征信息和故障类别作为模型输出；

(2)对原始监测数据进行预处理，将数据归一化，生成数据集进行分组获得训练集和测试集；

(3)选取聚类算法对数据根据其属性值域离散为非线性聚类区间，将数值型数据转化为布尔型进行处理，根据卸船机实际运作工况特点，保存数量较小的类，得到数据的实际分布结果；

(4)对兴趣度关联规则算法进行改进并获得能表征卸船机运行状态的关联规则组，得到桥式抓斗卸船机的运行状态特征；

(5)利用关联规则组，结合状态数据关联维权重系数构建状态监测数据关联规则指向性特征约束函数模型；

(6)输入数据集利用训练得到的基于改进关联规则的卸船机故障预测模型对卸船机故障类型进行预测；

(7)将卸船机故障发生历史数据用于卸船机故障预测模型，将预测结果和历史故障进行对比，分析预测结果。

2.如权利要求1所述的一种基于改进关联规则的桥式抓斗卸船机故障预测模型方法，其特征在于：所述步骤(4)中，对兴趣度关联规则算法进行改进并获得能表征卸船机运行状态的关联规则组，过程如下：(4.1)读入桥式抓斗卸船机监测数据训练样本集；

(4.2)对预处理后的数据进行聚类离散，将其转化为布尔型关联规则进行处理；

(4.3)设置事务项集D，扫描事务数据库，分析每个事务的数据项，首次出现该数据项加入候选项集的集合C1，并将计数值置1；若该数据项已经出现在C1中，则将它的计数值加1，这样得到候选1-项集的集合C1，扫描C1，删除支持度小于给定支持度阈值的项集，得到频繁1-项集L1；

(4.4)由L1进行连接，得到C2，以此得到的LK-1进行连接；

(4.5)对连接产生的项集进行剪枝，生成候选项集CK；

(4.6)扫描CK，删除计数值小于给定支持度技术的项集，得到频繁K-项集的集合LK；

(4.7)循环(4.2)到(4.4)，直到频繁项集LK为空，得到所有频繁项集L＝L1∪L2…∪LK；

(4.8)对每个频繁项集L，筛选出满足兴趣度和置信度要求的能表征桥式抓斗卸船机运行状态的关联规则组。

3.如权利要求1或2所述的一种基于改进关联规则的桥式抓斗卸船机故障预测模型方法，其特征在于：所述步骤(1)中，以桥式抓斗卸船机为研究对象，其特征参数是通过分析桥式抓斗卸船机运行状态和故障发生特点得出，其中包括桥式抓斗卸船机四卷筒系统、大车运行系统、变幅系统、金属结构系统中不同部位的振动烈度以及金属结构不同位置的应力值作为特征参数；模型输出包括桥式抓斗卸船机关联内部特征信息与故障类型。

4.如权利要求3所述的一种基于改进关联规则的桥式抓斗卸船机故障预测模型方法，其特征在于：所述步骤(2)中，对原始监测数据进行预处理，过程如下：(2.1)为全面监测桥式抓斗卸船机的机械状态，在卸船机主要位置布置了37个传感测点，这些测点按监测点位置分成5组：第I组监测四卷筒系统驱动电机、减速器的振动；第II组监测变幅系统驱动电机和减速箱的振动；第III组监测大车运行系统驱动电机和减速器的振动；第IV组监测金属结构系统中大梁、小门架及轨道上的振动与冲击；第V组监测金属结构的受力情况，实时采集这些监测点的数据作为分析数据；

(2.2)监测点采集的是实时数据，包括桥式抓斗卸船机遇到外界环境干扰(如大风、地震等)、非正常工作以及卸船机长时间停机整治或休息时，这些数据将不考虑对其故障分析当中，需要将其剔除；数据采集中空缺值的出现，采用该参数其他数据的平均值进行填充；

将不同名称的数据依据需要转换成适合于挖掘的形式。

5.如权利要求4所述的一种基于改进关联规则的桥式抓斗卸船机故障预测模型方法，其特征在于：所述步骤(5)中，结合状态数据关联维权重系数构建状态监测数据关联规则指向性特征约束函数模型的过程如下：(5.1)确定桥式抓斗卸船机的故障类型及故障征兆，项集F1＝轨道故障，F2＝主梁故障…Fn＝电机故障；项集S1＝开闭电机振动，S2＝起升电机振动…Sm＝大梁端振动；

(5.2)采集相同工况下且足够多的历史实验数据作为样本，分析故障类型与故障征兆之间的关联性，在此分析中事务数据库Di＝{第i个故障类型Fi发生}，项集Si＝{第i个故障征兆状态超标}，总样本中，各故障征兆Sn发生的状态量超标次数为f(Sn)，故障例总数|Dm|中，各故障征兆Sn发生的状态量超标次数为f(Sn∪Fm)，关联规则为 第m个故障类型Fm对应的约简后故障征兆为Sm,n，Fm＝{Sm,1,Sm,2,…,Sm,Nm}，其中Nm为约简后Fm中故障征兆个数，由置信度得到权重系数表达式： 式中式中：W′m,n为故障类型Fm中故障征兆为Sm,n的权重系数；Cm,n为相应的置信度，建立桥式抓斗卸船机故障类型与桥式抓斗卸船机故障征兆的权重系数W′m,n；

(5.3)对每个关联规则赋上权重时，应使故障征兆状态特征中越重要的规则权重越大，并随着数据信息的不断更新对权值会有不同方位的收敛，根据各个规则的属性权重比wi/wj(i,j＝1,2,…,n)，构造如下的权重比矩阵M: 其中：n是M的唯一非零特征根，记为λmax，而w是n所对应的特征矢量，并采用归一化的特征作为权重矢量： 以此构建基于关联规则支持度S、置信度C和兴趣度I的权重计算公式w(S,C,I)： 其中w(S,C,I)表示规则ARi在

故障征兆状态特征中的权重；Si、Ci和Ii分别表示该规则的支持度、置信度和兴趣度创建桥式抓斗卸船机故障征兆与桥式抓斗卸船机关联规则组的权重系数wi(Si,Ci,Ii)；

(5.4)在同一子系统和工况下，筛选可以反映故障征兆Sj参量的所有关联规则ARj,k，即为Sj(AR)＝w1ARj,1+w2ARj,2+…+wkARj,k，以及表征故障类型Fi的所以故障征兆Si,j，即为Fi(S)＝w′1Si,1+w′2Si,2+…+w′jSi,j，构造故障类型与AR组的关联规则指向性特征约束函数：Fi(AR)＝w′1w1ARi,1+w′2w2ARi,2+…+w′kwkARi,k；

(5.5)计算获取桥式抓斗卸船机故障征兆对应的关联规则组的置信度变化率。