CN102136038A - 基于状态空间的多特征设备状态评价方法及应用 - Google Patents

Abstract

本发明公开了属于设备状态监测技术领域的一种基于状态空间的多特征设备状态评价方法及应用。该发明包括：标杆状态评语集建立环节提供评价输出范围；特征参数的优化选择及标准化环节提供标准化输入；状态空间建立环节提供状态表征方式；空间亲和度计算环节提供状态评价指标；状态匹配环节提供最后输出结论。本发明拓展了多特征设备状态评价的研究思路，能够解决传统直接利用多特征效用值线性叠加造成的线性失真现象，丰富了状态分级标准的制定，量化了各特征因素对状态评价结果的贡献程度，为提高复杂设备的状态监测与分析水平提供了科学方法，降低了人力成本，提高企业效益。

Description

基于状态空间的多特征设备状态评价方法及应用

技术领域

本发明属于设备状态监测技术领域。特别涉及一种基于状态空间的多特征设备状态评价方法及应用。尤其涉及具有多特征属性条件的复杂设备的状态识别、诊断和评价技术。

背景技术

20世纪以来，随着工业生产和科学技术的迅速发展，用于主导生产生活过程的设备结构日趋复杂，设备的状态也越来越呈现多变复杂的特点。为了保证设备的正常服务运行，人们需要科学准确地掌握识别设备的运行状态，依据状态对设备进行有的放矢的维护和管理。

当前，随着先进传感技术和监测技术的发展，对设备状态的监测评价技术得到迅速发展，在运行及控制过程中涉及到的多数特征参数或性能指标已实现在线采集和计算，人们已经可以通过数量或逻辑关系来间接衡量设备运行特性，并据此指导设备的运行控制。然而实际过程中，由于设备多数集成化较高，运行原理复杂，使得影响设备状态的因素往往很难用单一特征的指标值或逻辑关系代表，加上状态特征间的复杂关联属于非线性关联，传统直接利用状态特征效用值进行简单的线性叠加的手段已经出现错判或漏判等失真问题，因此研究解决多特征设备的状态评价就成为设备状态监测评价技术中的难点和关键。

发明内容

本发明的目的是提供一种基于状态空间的多特征设备状态评价方法及应用，其特征在于，所述基于状态空间的多特征设备状态评价方法包括如下环节：

A、标杆状态评语集的建立，此阶段确定了状态评价的结论范围，它给出了状态评价可能出现的全部结果，是状态评价的值域确定过程；

B、状态特征参数的优化选择及标准化，此环节是状态评价的初始化阶段，负责确定参与状态评价的特征参数，并对其特征值进行标准化处理，此阶段为状态评价过程提供标准化输入；

C、状态空间的建立，此环节利用标准化特征参数值，以特征向量的形式表示状态表征，其中，根据特征参数值的特性，状态空间被分为自由状态空间和基准状态空间，前者由特征参数的实际测量值构成，是设备的实际状态表征；后者由特征参数的参考值构成，对应标杆状态评语集，是状态评价的参考状态表征；

D、空间亲和度计算，此环节应用亲和度计算模型，计算设备自由状态空间与基准状态空间的亲和度，提供设备状态评价的依据指标；

E、状态匹配，此环节利用空间亲和度指标，从标杆状态评语集中确定设备状态评价结果，并通过分析各特征参数贡献差异来判断设备状态的关键影响因素。

所述多特征设备包括热力发电，水利发电，风力发电，核反应堆，炼钢或交通运输设备。

本发明的有益效果是本评价方法与传统技术相比较，具有如下显著优点：该方法避免了使用单一特征效用值进行状态评价可能造成的评价片面化的缺陷，同时利用状态空间形态组织评价也避免了传统状态评价算法中采用多特征效用值线性叠加拟合可能造成的线性失真的缺点，实现了对设备状态影响因素贡献大小的量化比较，建立起更为准确的多特征参数融合的状态评价等级体系，为复杂设备的状态评价提供更加科学的依据。本发明使得复杂设备的状态评价更加科学和全面，该方法设计合理，实用性强，能为实际设备状态监测及评价提供有效技术支持。

附图说明

图1为本发明基于状态空间多特征的设备状态评价方法原理图

图2为本发明基于状态空间的多特征设备状态评价方法步骤示意图

图3为本发明实施例中所述的三角模糊数的图形表示

图4为本发明实施例中所述的三角模糊数转化规则示例

具体实施方式

本发明的目的是提供一种基于状态空间的多特征设备状态评价方法，包括标杆状态评语集的建立，建立专家数据库、对采集的状态特征参数进行优化选择及标准化处理、状态空间的建立，空间亲和度计算，计算设备自由状态空间与基准状态空间的亲和度，应用亲和度计算模型，最后利用空间亲和度指标进行状态匹配，从标杆状态评语集中确定设备状态评价结果；下面选取工业生产中汽轮机转轴系统作为本发明应用说明的对象，要指出的是，所给出的实施例是为了说明，而不是用来限制本发明的范围。

根据附图1所示发明原理，本发明基于状态空间的多特征设备状态评价方法结合图2所示的基于状态空间的多特征设备状态评价方法步骤示意图，对汽轮机转轴系统的状态评价的步骤如下：

第一，标杆状态评语集的建立，是将设备在监控运行中作为状态描述标准的语言或符号作为评语集的组成元素，选取汽轮机转轴系统最直观的状态描述标准作为状态评语，包括良好运行状态D₁、一般运行状态D₂、异常状态D₃、故障状态D₄四类，表示为标杆状态评语集D＝{D₁，D₂，D₃，D₄}；

上述实施例中确定的标杆状态评语结果不作为唯一确定结论，根据实际需要可按照状态评价对精度或评价目标要求进行更改，例如当研究侧重故障状态诊断的评价分析，则标杆状态评语集是具体的故障描述，即D＝{动静碰磨故障，质量不平衡故障，热弯曲故障，…}，本实例则侧重转轴系统综合状态情况的分析。此环节为汽轮机转轴系统提供状态评价的结论范围，即确定了状态评价目标。

第二，状态特征参数的优化选择及标准化，大多数特征参数根据常规监控途径，按照一定采集时间采集获取，部分离线特征参数通过人工或借助工具分析在一定时间范围内得到，经统计汽轮机转轴系统包括的常规特征参数有：轴振最大振幅、轴向位移、支撑轴承温度、转速偏差、润滑油温度、上下缸温差、推力轴承金属温度、特征频率、振动稳定性、轴心轨迹、波形、振动与油温变化关系、振动与转速变化关系、振动与负荷变化关系等，全体特征参数的集合组成特征参数集Z，即Z＝(z₁，z₂，…，z_i，…，z_n)，其中z_i表示转轴系统的特征参数。但是对于状态评价目标而言，特征参数难免产生冗余，并且特征参数间存在量纲差异，因此有必要对特征参数进行优化选择，剔除那些对状态评价无用或用处极小的特征参数，并对特征参数值进行标准化处理。

在上述特征参数的优化选择及标准化环节中，特征参数的优化选择是在状态评价目标约束下，对已有特征参数的约简处理，可以根据粗糙集原理对特征参数进行约简，具体实施步骤包括：

步骤101：建立状态评价决策表。以实施例汽轮机转轴系统为例，其对应的状态评价决策表可以用表1所示。其中U是一个非空样本集合，x_i是对应的样本，m为样本数，规定应至少大于特征参数个数和标杆状态评语数，可采用状态较明确的转轴系统历史数据记录确定；Z是轴系系统的特征参数集，z_i(x_j)为对应样本x_j的特征参数z_i的特征值；d是样本集合U的状态评语集，其组成元素d(x_j)为对应样本x_j的标杆评语。

表1

步骤102：特征参数值的离散化，特征参数离散化实质上是对连续特征参数值的离散化转化，根据特征参数特性，特征参数离散化可分为数值型特征参数离散化和非数值型特征参数离散化两类。

上述对于数值型特征参数离散化，常常通过数值域分区划分，可间接参考特征参数在转轴系统监控中的运行阈值设定，例如对于600MW汽轮机组的轴向位移特征参数z₁，其运行规定为：

正常范围：≤0.89mm，报警阈值：0.90mm，停机阈值：1.00mm。

假设z为轴向位移z₁的特征参数值，s为离散化符号，则轴向位移特征参数对应的离散化规则可制定为：

当z≤0.89mm则s＝0，

当0.89mm≤z≤0.9mm则s＝1，

当0.90mm≤z≤1.0mm则s＝2，

当z≥1.00mm则s＝3。

上述非数值型特征参数离散化，由于其参数值普遍是图谱或描述性语言文字，因此可统一转化为描述语言文字，并直接据此制定离散规则。以600MW汽轮机的轴心轨迹特征参数z₂为例，轴心轨迹特征参数值是显示轴心轨迹的图示，用语言一般可统一描述为：“圆形或椭圆形”，“畸形椭圆形”，“外8字图形”“香蕉图形”，“紊乱图形”。假设z为轴心轨迹特z2的征参数值，l为离散化符号，则对应的离散化规则为：

当z＝“圆形或椭圆形”则l＝0，

当z＝“畸形椭圆形”则l＝1，

当z＝“香蕉图形”则l＝2，

当z＝“外8字图形”则l＝3，

当z＝“紊乱图形”则l＝4。

上述提供的特征参数离散化方法可指导其他特征参数的离散化，可根据实际需要进行调整。

步骤103：计算特征参数约简指标，对汽轮机转轴系统特征参数的约简，实际上是在上述离散化基础上，计算并比较特征参数的约简指标，以上述特征参数轴向位移z₁的约简指标计算为例，进行说明，对应表1所示决策表中的特征参数子集B满足B＝Z-{z₁}，则轴向位移特征参数z₁针对状态评语集d的约简指标

的计算公式如下：

${\mathrm{\σ}}_{\left\{z_1\right\}}\left(d\right)=\frac{\mathrm{card}({\mathrm{POS}}_Z\left(d\right)-\mathrm{card}\left({\mathrm{POS}}_B\left(d\right)\right))}{\mathrm{card}\left(U\right)}$ (1)

$=\frac{\mathrm{card}\left({\mathrm{POS}}_Z\left(d\right)\right)-\mathrm{card}\left({\mathrm{POS}}_{Z-\left\{z_1\right\}}\left(d\right)\right)}{\mathrm{card}\left(U\right)}$

式中，card(□)表示集合包含元素数目的统计符号；(□)分别代表POS_Z(d)、POS_B(d)；POS_Z(d)、POS_B(d)分别表示由根据特征参数集Z或子集B判断肯定属于评语集d的样本集合U中元素组成的集合。以POS_Z(d)为例，其对应计算公式可由下式表示：

其中，U/d、U/Z分别表示决策表中状态评语集合d、特征参数集Z对应的所有等价类；X为U/d的集合元素；Y为所求集合元素。

利用决策表通过上述过程，可得到轴向位移特征参数的约简指标

规定当

小于期望极小值ε时，即

则轴向位移特征参数z₁被约简去掉，否则被保留，一般设定ε≤10％。

上述实施例提供的特征参数约简指标计算方法可指导其他特征参数的约简判断，但用于判断约简指标是否超标的期望极小值ε的确定方法不限于此实施例的方法，可根据具体实际情况调整。

在上述特征参数的优化选择及标准化环节中，特征参数值标准化实质上是对构成状态空间的各特征参数值的无量纲规范处理，其中包括特征参数值的数字化和归一化两个过程。

上述特征参数值的数字化过程，实际上是针对非数值型特征参数的数字转化，目的在于将非数值型特征参数值转化为数值类型，便于量纲统一。以实施例的特征参数轴心轨迹z₂为例，特征参数的数字化统一过程具体实施步骤如下：

步骤104：非数值参数值的模糊语言转化。对于非数值型特征参数而言，由于其特征参数值本质反映的是系统对应特征的征兆情况，因此可以用表现其好坏、大小或高低等模糊语言进行描述，因此对特征参数值模糊语言转化的过程实质就是在特征值范围内确定模糊语言转化规则。以实施例的特征参数轴心轨迹为例，其特征值可反映汽轮机转轴轴心形状是否出于正常形状，假设其特征值为z，则对应的模糊语言c描述如下：(如图4所示)

当z＝“圆形或椭圆形”则c＝“正常”，

当z＝“畸形椭圆形”则c＝“较不正常”，

当z＝“香蕉图形”则c＝“很不正常”，

当z＝“外8字图形”则c＝“很不正常”，

当z＝“紊乱图形”则c＝“非常不正常”。

上述实施例提供的模糊语言转化方法可指导其它非数值型特征参数值的模糊语言转化，但不限于实施例中的方法，可根据实际需要进行调整。

步骤105：模糊语言的三角模糊数转化。三角模糊数是表达模糊信息的一种重要指标，其表现形式为e＝(a，b，c)，a、b、c分别为三角模糊数的左下界值、中值和右下界值，其对应的图形如图3所示，隶属函数常用下式表示：

其中，μ(e)为三角模糊数e的隶属度。

以上述特征参数轴心轨迹z₂为例，在上述步骤104模糊语言转化的基础上，制定如图4所示的三角模糊数转化规则，假设三角模糊数e，其特征值的模糊语言对应的三角模糊数如下：

当c＝“正常”，则e＝(0，0，2)，

当c＝“较不正常”，则e＝(0，2，4)，

当c＝“很不正常”，则e＝(2，4，6)，

当c＝“极不正常”则e＝(4，6，6)。

上述实施例提供的方法可指导其它非数值型特征参数模糊语言的三角模糊数转化，但三角模糊数转化规则不限于实施例中的方法，可根据实际需要进行调整。

步骤106：三角模糊数重心计算。模糊数重心计算实质上是对三角模糊数进行实数化，即将模糊数转化成为实数，假设F表示三角模糊数重心，其计算公式如下：

$F=\frac{a+b+c}{3}---\left(4\right)$

以特征参数轴心轨迹z₂为例，在上述105步骤基础上，假设其特征值的三角模糊数为e，对应重心为w，则计算过程及结果如下：

当e＝(0，0，2)，则w＝(0+0+2)/3≈0.67，

当e＝(0，2，4)，则w＝(0+2+4)/3＝2，

当e＝(2，4，6)，则w＝(2+4+6)/3＝4，

当e＝(4，6，6)，则w＝(4+6+6)/3≈5.33。

上述特征参数值的归一化过程，是对选择的特征参数进行量纲统一操作，本发明利用极差变化的思想，将最佳取值规范化后为1，将最差取值规范化后为0，其余的取值均用线性插值法进行规范化，归一化处理计算公式如下：

$h=\left\{\begin{array}{cc}0& y\&GreaterEqual;y^{+}\\ \frac{y^{+}-y}{y^{+}-y^{-}}& y^{-}<y<y^{+}\\ 1& y\&le;y^{-}\end{array}\right.---\left(5\right)$

其中，h为特征参数值归一化后的结果；y为特征参数的原始值；y⁺为特征参数的极大阈值；y^-为特征参数的极小阈值，且规定y⁺≥y^-。

以实施例的特征参数轴向位移z₁和轴心轨迹z₂为例，分别选用它们的数值阈值边界作为归一化对象，二者归一化过程如下：

对特征参数轴向位移z₁而言，极大极小阈值分别为y⁺＝1.00mm，y^-＝0.89mm，则对应阈值集合(0.89mm，0.90mm，1.00mm)的归一化结果为：

当y＝0.89mm，则h＝1；

当y＝0.90mm，则h＝(1.00-0.90)/(1.00-0.89)≈0.910；

当y＝1.00mm，则h＝0。

对特征参数轴心轨迹z₂而言，经数字化后的极大极小阈值分别为y⁺＝5.33，y^-＝0.67，则对应阈值集合(0.67，2，4，5.33)的归一化结果为：

当y＝0.67，则h＝1；

当y＝2，则h＝(5.33-2)/(5.33-0.67)≈0.71；

当y＝4，则h＝(5.33-4)/(5.33-0.67)≈0.29；

当y＝5.33，则h＝0。

第三，状态空间的建立。在上述基于状态空间的多特征设备状态评价方法中，状态空间以特征参数的标准化特征值构成的多维向量形式表征设备状态，是状态评价输入特征参数的组织形式。本发明根据特征值的取值特点，将状态空间分为自由状态空间和基准状态空间。

上述自由状态空间被定义为设备优化选择的各特征参数在t时刻实测值经标准化后组成的多维向量。对于本实施例的汽轮机组转轴系统而言，t时刻的自由状态空间S_t可用其对应的特征参数在此时刻的标准化监测值组成的向量表示：

$S_t=\{z_i\left(t\right){\}}_{i=1}^m=\{z_1\left(t\right),z_2\left(t\right),\mathrm{\&Lambda;},z_i\left(t\right),\mathrm{\&Lambda;},z_m\left(t\right)\}---\left(6\right)$

其中，z_i(t)表示转轴系统经优化选择的特征参数z_i在时刻t经标准化后的测量值；m表示转轴系统优化选择的特征参数个数。

上述基准状态空间被定义为标杆状态评语对应的特征参数参考值组成的多维特征向量。对于本实施例的汽轮机组转轴系统而言，对应标杆状态评语D_k的基准状态空间S^k可用其对应的各特征参数参考值组成的向量表示：

$S^k=\left\{D_k\right|{\left\{z_i^k\right\}}_{i=1}^m\}=\{z_1^k,z_2^k,\mathrm{\&Lambda;},z_i^k,\mathrm{\&Lambda;},z_m^k\}---\left(7\right)$

式中，

为对应标杆状态评语D_k的特征参数z_i的参考值；m为参评特征参数数目。

上述特征参数的参考值，通常根据特征参数的阈值确定，并由专家根据实际情况调整，以实施例的特征参数轴向位移z₁和轴心轨迹z₂为例，在上述步骤标准化基础上，二者对应标杆状态评语集的参考值分别如表2所示。

表2

表2中，“-”表示特征参数在对应的标杆状态评语上无法通过阈值确定参考值，本发明规定可通过该特征参数上下标杆状态评语确定的参考值的均值近似表示，即表示为：

$z_i^k*=\frac{z_i^{k+1}+z_i^{k-1}}{2}---\left(8\right)$

式中，

为无法通过特征参数z_i的阈值确定的对应标杆状态评语D_k的参考值；

为特征参数z_i在标杆状态评语D_k相邻评语对应的特征参考值。

例如表2中的空位，可以间接用

表示。

第四，空间亲和度计算。在上述基于状态空间的多特征设备状态评价方法中，空间亲和度可定义为目标状态的自由状态空间与基准状态空间的近似程度大小，用来表征实际状态与标杆状态评语间的差异。以汽轮机转轴系统为对象，对应的亲和度可有如下公式计算：

$Q(S^k,S_t)=\frac{1}{1+\mathrm{dis}(S^k,S_t)}---\left(9\right)$

其中，Q(S^k，S_t)表示系统基准状态空间S^k与目标自由状态空间S_t之间的亲和度；dis(S^k，S_t)是系统基准状态空间S^k和自由状态空间S_t的空间海明距离。

上述算法中的空间海明距离的计算公式可用下式表示：

$\mathrm{dis}(S^k,S_t)=\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}|z_i^k-z_i\left(t\right)|---\left(10\right)$

其中，m表示转轴系统优选后的特征参数数目；

z_i(t)分别代表转轴系统组成基准状态空间与自由状态空间的元素。

由于dis(S^k，S_t)≥0，所以Q(S^k，S_t)的值在0和1之间，其中Q(S^k，S_t)＝1表示系统目标状态的自由状态空间S_t与基准状态空间S^k完全一致。

第五，状态匹配。在上述基于状态空间的多特征设备状态评价方法中，状态匹配环节，以上述空间亲和度计算结果作为评价指标，对目标状态与标杆状态评语进行匹配，并对各特征参数进行贡献差异分析，是评价的输出。该环节包括状态识别和特征参数贡献差异分析两部分输出。

在上述状态匹配环节中，状态识别利用空间亲和度指标，确定设备最终状态的评语结论，其主要原理是寻找目标状态的自由状态空间与基准状态空间之间亲和度的最大值，其对应的标杆状态评语即作为设备最终确定的状态结论，可表示为：

$T=\left\{D_x\right|D_x\&RightArrow;\max \left(\right[Q(S^j,S_t){]}_{j=1}^v)\}---\left(11\right)$

式中，T为目标状态对应的最终评语结论；Q(S^j，S_t)为基准状态空间S^j与t时刻目标状态的自由状态空间S_t之间的亲和度；v为设备标杆状态评语数；D_x为与计算结果

相对应的标杆状态评语。

在上述状态匹配环节中，特征参数贡献差异分析是在上述最终状态结论确定的基础上，判断各特征参数对于输出状态的贡献差异大小。以实施例的某一特征参数轴向位移z_j为例，假设经过上述分析计算得到的状态最终评语为标杆状态评语D_k，则特征参数轴向位移z_j对结论评语D_k的贡献程度计算如下：

${\mathrm{\&zeta;}}^k\left(z_j\right)=\frac{\mathrm{dis}\left(S^k{,S}_t\right)-|z_j^k-z_j\left(t\right)|}{\mathrm{dis}(S^k,S_t)}=1-\frac{|z_j^k-z_j\left(t\right)|}{\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}|z_i^k-z_i\left(t\right)|}---\left(12\right)$

其中，ζ^k(z_j)表示特征参数z_j对结论评语D_k的相对贡献程度；z_j(t)，

分别表示经标准化的特征参数z_j的测量值和对应标杆状态评语D_k的参考值。

由于

所以ζ^k(z_j)∈[0，1]。其中，当ζ^k(z_j)＝1时，表示特征参数z_j对结论评语D_k起主导作用；当ζ^k(z_j)＝0时，则表示特征参数z_j对结论评语D_k的贡献可忽略。

本发明描述的基于状态空间的多特征设备状态评价方法可针对复杂设备的状态分析评价，选取反映设备状态的多特征参数，经过特征参数的标准化，建立设备的状态空间以及基准状态空间的表现形式，利用状态空间间亲和度的计算匹配输出设备的状态，并分析各特征参数的贡献程度。本发明拓展了复杂设备利用多特征参数进行状态评价的研究思路，避免了直接利用多特征效用值线性叠加造成的线性失真现象，丰富了状态描述评语分级标准的制定方法，为提高复杂设备的状态监测水平提供了有力依据，从而降低了人力成本，提高企业效益。

对于本发明各个环节中所阐述的方法，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围内。

Claims (13)

1.一种基于状态空间的多特征设备状态评价方法，其特征在于，所述基于状态空间的多特征设备状态评价方法包括如下环节：

A、标杆状态评语集的建立，此阶段确定了状态评价的结论范围，它给出了状态评价可能出现的全部结果，是状态评价的值域确定过程；

B、状态特征参数的优化选择及标准化，此环节是状态评价的初始化阶段，负责确定参与状态评价的特征参数，并对其特征值进行标准化处理，此阶段为状态评价过程提供标准化输入；

C、状态空间的建立，此环节利用标准化特征参数值，以特征向量的形式表示状态表征，其中，根据特征参数值的特性，状态空间被分为自由状态空间和基准状态空间，前者由特征参数的实际测量值构成，是设备的实际状态表征；后者由特征参数的参考值构成，对应标杆状态评语集，是状态评价的参考状态表征；

D、空间亲和度计算，此环节应用亲和度计算模型，计算设备自由状态空间与基准状态空间的亲和度，提供设备状态评价的依据指标；

E、状态匹配，此环节利用空间亲和度指标，从标杆状态评语集中确定设备状态评价结果，并通过分析各特征参数贡献差异来判断设备状态的关键影响因素。

2.根据权利要求1所述的基于状态空间的多特征设备状态评价方法，其特征在于，所述状态特征参数的优化选择及标准化环节中，采用非数值参数值的模糊语言转化、模糊语言的三角模糊数转化以及三角模糊数重心计算三步骤，对非数值型特征参数进行数字化操作。

3.根据权利要求1所述的基于状态空间的多特征设备状态评价方法，其特征在于，所述状态空间的建立，是以特征参数的标准化特征值构成的多维向量形式表征设备状态，是状态评价输入特征参数的组织形式。

4.根据权利要求1所述的基于状态空间的多特征设备状态评价方法，其特征在于，所述的状态空间的建立是根据特征参数值的取值特点，将状态空间分为自由状态空间和基准状态空间。

5.根据权利要求1所述的基于状态空间的多特征设备状态评价方法，其特征在于，所述自由状态空间是设备优化选择的各特征参数在某时刻实测值经标准化后组成的多维向量，即可表示为：

$S_t={\left\{z_i\left(t\right)\right\}}_{i=1}^m=\{z_1\left(t\right),z_2\left(t\right),\mathrm{\&Lambda;},z_i\left(t\right),\mathrm{\&Lambda;},z_m\left(t\right)\}$

式中，z_i(t)表示系统经优化选择的特征参数z_i在时刻t经标准化后的测量值；m表示系统优化选择的特征参数个数。

6.根据权利要求4所述的基于状态空间的多特征设备状态评价方法，其特征在于，所述基准状态空间是标杆状态评语对应的特征参数参考值组成的多维特征向量，即可表示为：

$S^k=\left\{D_k\right|{\left\{z_i^k\right\}}_{i=1}^m\}=\{z_1^k,z_2^k,\mathrm{\&Lambda;},z_i^k,\mathrm{\&Lambda;},z_m^k\}$

式中，

为对应标杆状态评语D_k的特征参数z_i的参考值；m表示系统优化选择的特征参数个数。

7.根据权利要求6所述的基于状态空间的多特征设备状态评价方法，其特征在于，所述的组成基准状态空间的特征参数参考值是根据特征参数的阈值确定，并由专家根据实际情况调整；但对于对应标杆状态评语上暂时无法通过阈值确定的参考值，可通过该特征参数根据该标杆状态评语上下评语的参考值的均值间接表示，即表示为：

$z_i^k*=\frac{z_i^{k+1}+z_i^{k-1}}{2}$

式中，

为无法通过特征参数z_i的阈值确定的对应标杆状态评语D_k的参考值；

为特征参数z_i在标杆状态评语D_k上下相邻评语对应的特征参考值。

8.根据权利要求1所述的基于状态空间的多特征设备状态评价方法，其特征在于，所述空间亲和度计算，其表达式为：

$Q(S^k,S_t)=\frac{1}{1+\mathrm{dis}(S^k,S_t)}=\frac{1}{1+\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}|z_i^k-z_i\left(t\right)|}$

其中，Q(S^k，S_t)表示基准状态空间S^k与目标的自由状态空间S_t之间的亲和度；dis(S^k，S_t)是状态空间S^k和自由状态空间S_t的空间海明距离；

z_i(t)分别代表组成基准状态空间与自由状态空间的元素；m表示参加评价的特征参数数目。由于dis(S^k，S_t)≥0，所以Q(S^k，S_t)的值在0和1之间，其中Q(S^k，S_t)＝1表示系统目标状态的自由状态空间S_t与基准状态空间S^k完全一致。

9.根据权利要求1所述的基于状态空间的多特征设备状态评价方法，其特征在于，所述状态匹配环节包括状态识别和特征参数贡献差异分析两部分输出。

10.根据权利要求9所述的基于状态空间的多特征设备状态评价方法，其特征在于，所述的状态识别输出是利用空间亲和度指标，确定设备最终状态的评语结论，对比寻找目标自由状态空间与基准状态空间之间亲和度的最大值，其对应的标杆状态评语即作为设备最终确定的评语结论，可表示为：

$T=\left\{D_x\right|D_x\&RightArrow;\max \left(\right[Q(S^j,S_t){]}_{j=1}^v)\}$

式中，T为目标状态对应的最终评语结论；Q(S^j，S_t)为基准状态空间S^j与t时刻目标状态的自由状态空间S_t之间的亲和度；v为设备标杆状态评语数；D_r为与计算结果

相对应的标杆状态评语。

11.根据权利要求9所述的基于状态空间的多特征设备状态评价方法，其特征在于，所述的特征参数贡献差异分析，其特征在于，在最终状态评语结论确定的基础上，判断各特征参数对于输出状态的贡献差异大小，计算公式如下：

${\mathrm{\&zeta;}}^k\left(z_j\right)=\frac{\mathrm{dis}(S^k,S_t)-|z_j^k-z_j\left(t\right)|}{\mathrm{dis}(S^k,S_t)}=1-\frac{|z_j^k-z_j\left(t\right)|}{\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}|z_i^k-z_i\left(t\right)|}$

其中，ζ^k(z_j)表示特征参数z_j对结论评语D_k的相对贡献程度；dis(S^k，S_t)是状态空间S^k和自由状态空间S_t的空间海明距离；z_j(t)，

分别表示经标准化的特征参数z_j的测量值和对应标杆状态评语D_k的参考值；m是参加评价的特征参数数目。

由于

所以ζ^k(z_j)∈[0，1]。其中，当ζ^k(z_j)＝1时，表示特征参数z_j对结论评语D_k起主导作用；当ζ^k(z_j)＝0时，则表示特征参数z_j对结论评语D_k的贡献可忽略。

12.根据权利要求1所述的基于状态空间的多特征设备状态评价方法，其特征在于，所述多特征设备包括但是不限于热力发电，水利发电，风力发电，核反应堆，炼钢或交通运输设备。

13.权利要求1所述的基于状态空间的多特征设备状态评价方法在汽轮机转轴系统的应用，其特征在于，对汽轮机转轴系统的状态评价的步骤如下：

第一，标杆状态评语集的建立，选取汽轮机转轴系统最直观的状态描述标准作为状态评语，包括良好运行状态D₁、一般运行状态D₂、异常状态D₃、故障状态D₄四类，表示为标杆状态评语集D＝{D₁，D₂，D₃，D₄}；或研究侧重故障状态诊断的评价分析，则标杆状态评语集是具体的故障描述，即D＝{动静碰磨故障，质量不平衡故障，热弯曲故障，…}；

第二，状态特征参数的优化选择及标准化，大多数特征参数根据常规监控途径，按照一定采集时间采集获取，部分离线特征参数通过人工或借助工具分析在一定时间范围内得到，经统计汽轮机转轴系统包括的常规特征参数有：轴振最大振幅、轴向位移、支撑轴承温度、转速偏差、润滑油温度、上下缸温差、推力轴承金属温度、特征频率、振动稳定性、轴心轨迹、波形、振动与油温变化关系、振动与转速变化关系、振动与负荷变化关系等，全体特征参数的集合组成特征参数集Z，即Z＝(z₁，z₂，…，z_i，…，z_n)，其中z_i表示转轴系统的特征参数。但是对于状态评价目标而言，特征参数难免产生冗余，并且特征参数间存在量纲差异，因此有必要对特征参数进行优化选择，剔除那些对状态评价无用或用处极小的特征参数，并对特征参数值进行标准化处理；

第三，状态空间的建立，根据特征值的取值特点，将状态空间分为自由状态空间和基准状态空间；

上述自由状态空间被定义为设备优化选择的各特征参数在t时刻实测值经标准化后组成的多维向量，对于汽轮机组转轴系统而言，t时刻的自由状态空间S_t可用其对应的特征参数在此时刻的标准化监测值组成的向量表示：

$S_t={\left\{z_i\left(t\right)\right\}}_{i=1}^m=\{z_1\left(t\right),z_2\left(t\right),\mathrm{\&Lambda;},z_i\left(t\right),\mathrm{\&Lambda;},z_m\left(t\right)\}$

其中，z_i(t)表示转轴系统经优化选择的特征参数z_i在时刻t经标准化后的测量值；m表示转轴系统优化选择的特征参数个数。

对应标杆状态评语D_k的基准状态空间S^k可用其对应的各特征参数参考值组成的向量表示：

$S^k=\left\{D_k\right|{\left\{z_i^k\right\}}_{i=1}^m\}=\{z_1^k,z_2^k,\mathrm{\&Lambda;},z_i^k,\mathrm{\&Lambda;},z_m^k\}$

式中，为对应标杆状态评语D_k的特征参数z_i的参考值；m为参评特征参数数目；

第四，空间亲和度计算，汽轮机转轴系统对应的亲和度由如下公式计算：

$Q(S^k,S_t)=\frac{1}{1+\mathrm{dis}(S^k,S_t)}$

其中，Q(S^k，S_t)表示系统基准状态空间S^k与目标的自由状态空间S_t之间的亲和度；dis(S^k，S_t)是系统基准状态空间S^k和自由状态空间S_t的空间海明距离。

上述算法中的空间海明距离的计算公式可用下式表示：

$\mathrm{dis}(S^k,S_t)=\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}|z_i^k-z_i\left(t\right)|$

其中，m表示转轴系统优选后的特征参数数目；z_i(t)分别代表转轴系统组成基准状态空间与自由状态空间的元素。

由于dis(S^k，S_t)≥0，所以Q(S^k，S_t)的值在0和1之间，其中Q(S^k，S_t)＝1表示系统目标状态的自由状态空间S_t与基准状态空间S^k完全一致；

第五，状态匹配，上述状态识别利用空间亲和度指标，确定设备最终状态的评语结论，寻找目标状态的自由状态空间与基准状态空间之间亲和度的最大值，其对应的标杆状态评语即作为设备最终确定的状态结论，可表示为：

$T=\left\{D_x\right|D_x\&RightArrow;\max \left(\right[Q(S^j,S_t){]}_{j=1}^v)\}$

式中，T为目标状态对应的最终评语结论；Q(S^j，S_t)为基准状态空间S^j与t时刻目标状态的自由状态空间S_t之间的亲和度；v为设备标杆状态评语数；D_x为与计算结果

相对应的标杆状态评语。

在上述状态匹配环节中，特征参数贡献差异分析是在上述最终状态结论确定的基础上；某一特征参数轴向位移z_j为例，假设经过上述分析计算得到的状态最终评语为标杆状态评语D_k，则特征参数轴向位移z_j对结论评语D_k的贡献程度计算如下：

${\mathrm{\&zeta;}}^k\left(z_j\right)=\frac{\mathrm{dis}(S^k,S_t)-|z_j^k-z_j\left(t\right)|}{\mathrm{dis}(S^k,S_t)}=1-\frac{|z_j^k-z_j\left(t\right)|}{\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}|z_i^k-z_i\left(t\right)|}$

其中，ζ^k(z_j)表示特征参数z_j对结论评语D_k的相对贡献程度；z_j(t)，

分别表示经标准化的特征参数z_j的测量值和对应标杆状态评语D_k的参考值。

由于

所以ζ^k(z_j)∈[0，1]。其中，当ζ^k(z_j)＝1时，表示特征参数z_j对结论评语D_k起主导作用；当ζ^k(z_j)＝0时，则表示特征参数z_j对结论评语D_k的贡献可忽略。

Images