CN102520697A - 一种远程协同诊断的现场信息预处理方法 - Google Patents

Abstract

一种远程协同诊断的现场信息预处理方法，包括对工作状态信息、控制信息、故障诊断信息、工作记录信息以及工作环境信息进行采集的信息采集步骤；根据采集信息对装备未来某一时间段的健康状况进行预估并对状态监测的重点监测点和监测频次相应做出提前调整的健康状况预测步骤；对重点监测点的相关时段故障征兆信息进行挖掘，而对一般健康状况信息依据一定标准实现有效信息提取的深层信息处理步骤；以及预处理结果上传的远程信息传输步骤；本发明根据装备实际健康状况，对装备现场原始数据进行压缩和提取，将装备健康状况信息进行合理的表达，转换成专家系统或其它决策系统所需的知识表示的方式。

Description

一种远程协同诊断的现场信息预处理方法

技术领域

本发明涉及适用于复杂装备远程协同诊断前端的现场信息智能处理技术，具体涉及一种远程协同诊断的现场信息预处理方法。

背景技术

当前，伴随微纳技术、极端和精密制造等的发展，装备结构越来越复杂，规模越来越庞大，多学科集成、多场藕合、机电一体化及多厂商协同制造的程度越来越高；相应地，装备故障诊断也更为复杂。对于这些复杂装备，故障和特征之间往往是复杂的非线性、非结构化关系。通常，故障传播途径众多且会发生并发传播、链式反应及相互影响。由此，单一功能的监测与诊断方法以及单纯依靠现场使用者准确诊断出装备的各种故障并进行维护，已变得越来越困难，必须充分利用各种检测仪器、手段和多种诊断方法，开展协同化诊断，以通过多源互补、信息融合和博弈决策等减小故障诊断的不确定性。

远程协同故障诊断(Remote Cooperative Fault Diagnosis，RCFD)是基于信息化和网络技术，为与某复杂诊断任务关联的多个诊断专家提供一个开放协同诊断环境并跟踪诊断过程，最后对诊断结果进行综合，实现快速有效诊断和维护的模式。但是，由于异地，RCFD中心对装备现场健康状况信息认知不完全；困扰远程诊断的安全性、传输速度(实时性)、远程诊断执行复杂、传输效率问题亟需且正在解决。目前对现场庞大监测数据的分析处理一般都在RCFD中心完成，而随着嵌入式系统和单机计算能力的增强，以及一些智能信息处理技术的成熟，现场监测信息是可以且应该进行一定程度的预处理，这既是现实远程网络传输的需要，装备智能化和特殊环境装备的需要，也是e-维护和挥发性故障的现场监测的需要。所以，现场信息预处理已经引起了一定关注。

(1)很多装备都不同程度的采用了自诊断系统及嵌入式信息处理系统。

BENTLY公司的在线设备运行状态监测系统DM2000通过网络动态数据交换(NetDDE)向远程终端发送设备运行状态。NI公司也在其LabView中新增了因特网模块，可以通过WWW、Email、FTP方式发送测试数据。美国QSI公司的基于1553总线系统的远程诊断服务器(RDS)可执行实时性要求高、信息丰富的关键系统远程健康监控。西安交通大学在对大型旋转机械故障诊断多年研究基础上，较早地开展了基于网络的设备远程监测与故障诊断的研究，研制了大型回转机械在线监测和故障诊断系统。华中科技大学与香港城市大学合作，提出了一种基于Web使能虚拟仪器与迷你服务器的远程传感、诊断与协同维护架构，在“华中数控远程技术支持与服务系统”项目中研究了嵌入式诊断智能体和数字化远程服务平台的实现方案和有关技术。美国GE公司运用时变存储与变化监测存储保证传感器信号存储的精确性和有效性，并由现场监测器完成对异常现象的检测并产生故障监测数据，远程诊断中心通过对监测数据的分析实施远程故障诊断。

(2)美国威斯康星大学IMS中心的Jay Lee指出：由于监测数据量庞大、实时性强，难以利用网络直接即时传输，需要对原始数据在现场进行预处理后再远程传输；此外，装备现场还需积极配合、远程协同地开展故障诊断和健康维护。IMS中心开发的Watchdog Agent是一个嵌入式的基于多源信号的性能评估和预测方法工具箱。但是它没有信息提取功能，且自诊断功能过强，其关注的是全面性，在目前应用场合应会受到一些限制。更合适的方式应是将多个信息处理技术以模块或agent形式放在RCFD中心，然后有针对性的下传给现场各种合适信息处理技术。

通过现状分析，我们认为在装备工作现场和RCFD中心间的异地信息传输仍然存在一些不可回避的问题。

在现场：(1)要实现装备健康状况信息在现场总线网、局域网等异构网络之间的异地传输和共享，需要通过网关软件来进行信息集成，但信息集成还没有统一标准，仅通用的现场总线就有近10种，造成网关软件设计比较困难。(2)装备的实时采样信息量通常十分巨大，不加任何处理直接通过网络传输较困难或传输效率较低。(3)一些装备的现场自诊断系统只能提供粗略的故障报警提示信息，缺乏综合故障机理研究，而且它们大都没有装备健康状况预测功能，或仅是简单预测。

在RCFD中心：(1)一方面，RCFD中心要面对多个远程监测点的大量实时传感数据，而且这些数据形式不统一；另一方面，RCFD中心不但要执行监测、诊断、维修、售后服务、报表分析等多个任务，而且要面对多个诊断资源和多个用户。这些使得RCFD中心有时无暇顾及针对某装备健康状况信息的及时专门处理，进而延误诊断进程。(2)由于当前网络传输的现实状况，网络阻塞、信息丢失情况在某些时刻很严重，导致RCFD中心接收到的信息的实时性较差。以2003年发射的火星探测机器人“机遇号”为例，其着陆点距地球大约200000千米的直线距离，即使以光速向地面传送信息，也有11分钟左右的时延存在。

可见，远程诊断很难完全替代现场诊断，而应是二者的集成。即最好在装备工作的现场就对装备健康状况信息进行一定程度上的处理，然后再有目的、有效率的进行远程传输，由异地诊断资源根据这些信息进行诊断。这就需要对装备进行状态监测，并在装备可能或已经出现故障的时间段内，运用小波分析、频谱分析等信息处理技术，以及信息挖掘等手段，对装备健康状况信息进行预先处理，然后上传给RCFD中心，要求远程协同故障诊断。随着嵌入式微型互联技术、嵌入式多任务实时操作系统等SoC(Systems onChip)或NoC(Networks on Chip)技术以及一些智能信息处理技术的成熟，已经具备了现场信息预处理的一些条件。

发明内容

为了克服上述现有技术的不足，本发明的目的在于提供一种远程协同诊断的现场信息预处理方法，运用现场信息预处理技术，根据装备实际健康状况，对装备现场原始数据进行压缩和提取，为远程协同故障诊断提供准确、高效的现场信息。

为了实现上述目的，本发明采用的技术方案是：

一种远程协同诊断的现场信息预处理方法，包括：

对装备工作状态信息、控制信息、故障诊断信息、工作记录信息以及工作环境信息进行采集的信息采集步骤；

根据采集信息以对装备未来某一时间段的健康状况进行预估并对状态监测的重点监测点和监测频次相应做出提前调整的健康状况预测步骤；

依据现场信息预处理控制的指令，对重点监测点的相关时段信息进行挖掘，若有故障征兆，利用粗集技术对故障征兆信息表进行约简，实现自诊断系统诊断规则提取；而对一般正常工况信息依据一定标准实现有效信息提取的深层信息处理步骤，所述标准是依据采样周期和信号变化特点，人为设定阈值，当该信号的变化率大于阈值时，记录下该信号的采样值，否则忽略；

以及，

将现场信息预处理结果上传给远程协同故障诊断中心的远程信息传输步骤。

所述信息采集步骤中，工作状态信息包括浓度、压力、流量、温度、液位、力矩、负载、转速、振动以及噪声等；控制信息包括装备的控制器对各执行器件发出的控制或设置命令；故障诊断信息包括故障征兆、自诊断系统的故障代码；工作记录信息包括装备关键部件总工作时间以及总运行次数；工作环境信息包括地理位置、环境温度、湿度以及风速等。

所述健康状况预测步骤中包括离线健康状况预测技术和在线健康状况预测技术，离线健康状况预测技术以概率统计为手段实现工况预测，在包括运行数据及其它历史信息在内的装备健康状况信息样本充分即大样本的情况下使用；在线健康状况预测技术采用支持向量机回归预测技术进行工况预测，在装备的信息样本较少即小样本的情况下使用。

在以概率统计为手段实现工况预测时，装备正常运行时间T_q＝(-t₀lna₀)^1/m，则重点监测时刻即最佳预防维修周期T＝{t₀T_P/[(m-1)T_f]}^1/m，其中m为形状参数，t₀为尺度参数，

T_P为平均预防维修时间，T_f为平均事后维修时间。

在采用支持向量机回归预测(Support Vector Regression，SVR)技术进行工况预测时，基于动态变化的样本序列，构造一个可自动调整核参数的在线支持向量机回归预测模型及其算法，

假设有l个支持向量机回归预测模型的初始训练样本，即装备健康状况信息样本，则对于任一个Hilbert空间H的正交集{F_i}，i＝1，2，...，l(l-1)/2，如果有向量θ∈H，则有其中，cos(x，y)＝x^Ty/||x||*||y||；

首先，构造一个向量序列{δ₁，δ₂，...，δ_l(l-1)/2}，δ_i＝φ(x_i)y_j-φ(x)y_i，则依据Schmidt正交化过程得到一个正交向量序列{ε₁，ε₂，...，ε_d}，秩d＝rank{δ₁，δ₂， ...，δ_k}，其中，

${\mathrm{\ϵ}}_i=[{\mathrm{\δ}}_i-{\mathrm{\Σ}}_{j=1}^d{\mathrm{\ϵ}}_j({\mathrm{\ϵ}}_j\·{\mathrm{\δ}}_i)]/\left|\right|{\mathrm{\δ}}_i-{\mathrm{\Σ}}_{j=1}^d{\mathrm{\ϵ}}_j({\mathrm{\ϵ}}_j\·{\mathrm{\δ}}_i)\left|\right|$

由于{W，ε₁，ε₂，...，ε_k}是H中的一个正交集且每个拟合函数φ(x_i)∈H，所以 ${\mathrm{\Σ}}_{j=1}^d{\cos }^2({\mathrm{\ϵ}}_j,\mathrm{\φ}\left(x_i\right))+{\cos }^2(W,\mathrm{\φ}\left(x_i\right))=1,$ 其中，W是回归超平面的法向量，

接着，通过最小化 $\left|\right|W|=|y_i/\left[\right|\left|\mathrm{\φ}\left(x_i\right)\right|\left|\sqrt{1-{\mathrm{\Σ}}_{j=1}^d{\cos }^2({\mathrm{\ϵ}}_j,\mathrm{\φ}\left(x_i\right))}\right]$ 得到优化核参数，

当得到一个新监测到的即第l+1个装备健康状况信息样本，需要决定当前模型是否仍可正常工作运行，如果仍有

则该模型仍可使用；否则需要在l+1个样本下重新确定SVR预测模型参数。

装备健康状况在线SVR预测步骤为：

令 ${\mathrm{\γ}}_j={\mathrm{\ϵ}}_j^T\mathrm{\φ}\left(x_{i^{*}}\right),$ i^*∈{1，2，...，l}。

Step 1初始化

(1)根据已有l个初始训练样本确定初始训练样本集G；

(2)确定核函数类

Ker(NP)＝{K₁(NP)，K₂(NP)，...，K_p(NP)}

K_i(NP)是第i种拥有连续可调核参数(Nuclear Parameters，NP)的核函数，i＝1，2，...，p；

Step 2最优核函数选择

(1)对于每个K_i(NP)，求解优化问题

Λ^*＝argmin_Λ∈∑{FPE(K_Λ)}

其中，

$\mathrm{FPE}\left(K\right)={\left|\right|W\left|\right|}^2=y_{i^{*}}^2/[K(x_{i^{*}},x_{i^{*}})-{\mathrm{\Σ}}_{j=1}^d{\mathrm{\γ}}_j^2]$

(2)最优核函数为

$K^{*}\left({\mathrm{NP}}^{*}\right)=K_{o^{*}}\left({\mathrm{\Λ}}^{*}\right)$

其中，

$o^{*}=\arg \underset{1\≤i\≤p}{\min }\left(K_i\left({\mathrm{\Λ}}^{*}\right)\right)$

Step 3在线预测

(1)当第l+1个装备健康状况信息样本产生时，如果

则转向Step 2；

(2)反之，最优核函数及其对应的在线SVR预测模型不需调整，直接应用。

所述深层信息处理步骤中，采用粗集技术，

(1)在装备产生故障征兆时，基于该征兆，对装备的自诊断系统的诊断规则进行提取，并将该诊断规则提供给信息预处理控制单元，供其参考；

(2)在装备正常运行期间，对装备的健康状况信息进行约简，仅关注能够反映装备健康状况变化的信息；

然后，将深层信息处理后的装备健康状况信息上传给远程协同故障诊断中心。

当出现故障时，对装备健康状况信息利用粗集技术进行约简处理，进而建立诊断规则，再进行自诊断，所述诊断规则为：根据某一诊断规则，当某些条件属性值满足一定要求时，对应的决策属性值即可确定；即

r_k:desC(X_i)→des_D(Y_j)

其中，X_i∩Y_j不为空，k为规则编号，X_i为U/C中的各个等价类，desC(X_i)表示对等价类X_i的描述，Y_j为U/D中的各个等价类，des_D(Y_j)表示对等价类Y_j的描述，C是条件属性，D是决策属性，论域U是被研究对象的集合。

当出现装备自诊断系统无法自行诊断解决的故障时，依据诊断规则和出现异常数值的条件属性，将相关的属性和其对应的故障模式以故障信息传输表的形式上传给远程协同故障诊断中心，由远程协同故障诊断中心和远程诊断资源协作会诊，决定出真正的故障原因。

当装备处于正常工况时，对装备健康状况信息利用粗集技术进行约简处理，再上传合理的工况信息，该方法为针对通过现场监测设备获取的时域数据表，采取添加决策属性D和定义一个约简标准的方法进行约简处理。

本发明中的现场信息预处理简称为iD-LIP(intelligent Diagnostic-LocalInformation Preprocessing)。现场信息预处理的实现单元称作iD-LIP单元。本发明具有步骤清晰，易于功能模块化，扩展性良好等优点，适用于多种复杂装备的远程监测与故障诊断。

附图说明

图1是现场信息预处理技术框架结构图。

图2是现场信息预处理技术的技术路线。

图3是工况集成预测技术示意图。

图4是SVR预测技术的模型确立流程图。

图5是深层信息处理操作步骤框图。

图6是信息表的启发式值约简算法流程图。

图7是本发明针对混凝土运输车支撑单元轴承进行在线信息处理时支撑轴三种振动曲线及故障曲线的频域处理示意图。

图8是本发明针对混凝土运输车支撑单元轴承进行自诊断时现场信息预处理单元在工程装备制动力过小的诊断应用示例示意图。

具体实施方式

下面结合附图和实施例对本发明做进一步详细说明。

如图1所示，为现场信息预处理技术框架结构图，本发明的方法原理与该图一致，

本发明的远程协同诊断的现场信息预处理方法包括：

对工作状态信息、控制信息、故障诊断信息、工作记录信息以及工作环境信息进行采集的信息采集步骤；该步骤中，工作状态信息包括浓度、压力、流量、温度、液位、力矩、负载、转速、振动以及噪声等；控制信息包括装备的控制器对各执行器件发出的控制或设置命令；故障诊断信息包括故障征兆、自诊断系统的故障代码；工作记录信息包括装备关键部件总工作时间以及总运行次数；工作环境信息包括地理位置、环境温度、湿度以及风速。这些信息表现形式大体有电压、电流、频率、数字信号等形式。

根据采集信息对装备未来某一时间段的健康状况进行预估并对状态监测的重点监测点和监测频次相应做出提前调整的健康状况预测步骤；装备健康状况预测是现场信息预处理进行各种操作的依据。装备健康状况反映了装备部件是否出现故障状态。装备健康状况预测步骤中包括离线健康状况预测技术和在线健康状况预测技术，离线健康状况预测技术以概率统计为手段实现工况预测，在包括运行数据及其它历史信息在内的装备健康状况信息样本充分即大样本的情况下使用；在线健康状况预测技术采用支持向量机回归预测技术进行工况预测，在装备的信息样本较少即小样本的情况下使用。

深层信息处理步骤依据现场信息预处理控制的指令，对重点监测点的相关时段信息进行密采，对一般正常装备健康状况信息依据一定标准实现有效信息提取，信息提取依据的标准是依据采样周期和信号变化特点，人为设定阈值，当该信号的变化率大于阈值时，记录下该信号的采样值，否则忽略。当出现故障征兆时，运用粗集技术，对大量的装备健康状况信息进行信息挖掘，尽可能得出有效、正确的信息。例如：对应于一个故障征兆，有很多的反映装备征兆与装备部件之间的关系的故障诊断规则可用，此时就可以运用粗集技术提取出最合适的诊断规则。

以及，

将现场信息预处理结果上传给远程协同故障诊断中心的远程信息传输步骤。包括现场信息预处理的内部信息传输和现场信息预处理上传给RCFD中心的远程信息传输。经过现场信息预处理后，远程传输信息通常包括装备部件的监测信息、复杂故障征兆信息、经过深层信息处理的装备健康状况信息等。

其中，为了获得更好的预处理效果，在进行深层处理步骤之前，先进行对所得信息进行规格化，将其转换或归并成适合信息远程传输或挖掘的描述形式的浅层信息处理步骤；该步骤中，规格化的方法包括数字滤波、去除均值、提取趋势项和标准化处理，对不同采集频率获取的信息间进行转换(处理)，以及在信息描述形式上的转换，如将一个时域信号转换成一个频域信号。信息转换的实现方式包括硬件实现和软件实现。

信息预处理控制是根据装备健康状况，决定并发起现场信息预处理的各种具体动作。

装备健康状况的正确预测是信息预处理控制策略制定的依据。通过健康状况(简称为工况)预测来掌握装备部件随运行时间增长其性能变化的规律及材质老化程度，从而获悉装备健康水平，为制定装备检修、维护方案等提供科学依据。

如图2所示，为本发明现场信息预处理技术的技术路线，装备集成预测技术分别采用了基于概率统计的概率统计预测技术和基于SVR预测的SVR预测技术，概率统计预测技术与SVR预测技术之间可以相互学习；基于DTBAC、JDL信息融合模型建立现场信息预处理控制模型，该模型调用粗集、小波变换、时频域变换等技术，从而完成深层信息处理、常见信息处理以及其他技术模块的功能实现。最终，实现对复杂装备的现场信息预处理。

如图3所示，本发明采用一种基于装备健康状况信息样本数量的装备工况集成预测方法，在运行数据及其它历史信息等装备健康状况信息样本充分的情况下，以概率统计为手段实现离线工况预测；而在装备的信息样本较少时，采用支持向量机回归(Support Vector Regression，SVR)预测技术进行在线工况预测。这两种预测技术的关注点不同，基于大量装备健康状况信息样本的概率统计预测技术以故障时间间隔等时间变化关键点为导出点，而SVR预测技术则从少量的装备本身的运行数据趋势进行动态分析。

根据装备健康状况信息样本的多与少，装备工况集成预测技术分别调用概率统计预测技术或SVR预测技术进行工况预测。根据工况预测结果，信息预处理控制单元确定其下一步执行动作，这些动作包括深层信息提取、自诊断等。在这两种预测技术中，为了保证各自预测技术的准确性和有效性，它们都有一个学习的过程，来对自身的预测模型中的各种参数进行优化，学习包括两种，一种为两个预测技术相互学习，样本弱化时是SVR学习，样本增强时是概率统计学习；另一种为两种预测技术的自学习。

针对已经系列生产或广泛应用的装备，从其大量的已知健康状况信息样本中，用FMEA(Failure Mode and Effects Analysis)等数理统计技术对装备的故障模式、影响因素及其故障规律进行分析，来得到装备健康状况的整体量化分布曲线。

装备健康状况的整体量化分布曲线(倒浴缸曲线)中的时刻变化点是重点监测时刻。类似于维修周期的确定和优化，运用概率统计预测技术来进行重点监测时刻的确定。概率统计预测技术的概率统计分布函数采用针对装备平均工作时间T_MTBF(Mean Time Between Fault，MTBF)的二参数威布尔分布，该分布的分布函数为

η是形状参数，β是尺度参数。

装备的可靠度函数 $R\left(t\right)=1-F\left(t\right)=e^{t^m/t_0}$

故障密度函数 $f\left(t\right)=\mathrm{dF}\left(t\right)/\mathrm{dt}=(m/t_0)t^{m-1}{e}^{t^m/t_0}$

失效率函数λ(t)＝f(t)/R(t)＝(m/t₀)t^m-1

假定装备维修策略为预防维修，则概率统计预测技术的步骤为：

(1)预测模型参数求解。采集工况数据并选择二参数威布尔分布函数后，对二参数威布尔分布函数参数进行求解。η、β与故障数据集合的一阶原点矩μ₁、二阶原点矩μ₂之间分别存在关系μ₁＝ηΓ(1+1/β)和μ₂＝η²Γ(1+2/β)；

伽玛函数 $\mathrm{\Γ}\left(x\right){\∫}_0^{+\∞}{z}^{x-1}{e}^{-z}\mathrm{dz}$

根据装备健康状况信息样本的数据，运用迭代算法求解方程式μ₁、μ₂，获得二参数威布尔分布函数的参数η和β(m，t₀)。

(2)装备健康状况预测。通过分析装备最大可能故障时间T_mp及故障时间百分比置信区间，来确定装备正常运行时间。通过df(t)/dt＝0，算得f(t)取得最大值时对应的t值，得到T_mp＝[t₀(m-1)/m]^1/m；

另外，设a∈(0，1)，则满足p{T_q≤T≤+∞}＝a的区间[T_q，+∞]给定了装备正常运行时间T_q之后再发生故障的概率a。根据

和

装备正常运行时间T_q＝(-t₀lna₀)^1/m

(3)确定最佳的装备工况重点监测时刻(最佳预防维修周期)T。确定装备工况重点监测时刻T时，以不同的监测(维修)策略出发点会得到不同的重点监测时刻T。通常，监测(维修)策略以装备有效度最大为出发点。

装备有效度表示了装备的工作时间与其整个生命周期的比值，装备有效度A₀＝T_MTBF/(T_MTBF+T_MTTR)

其中，T_MTTR为装备不能工作时间(Mean Time To Repair，MTTR)。假设装备平均维修间隔期T为T_q的均值，则平均工作时间T_MTBF＝T，平均不能工作时间 $T_{\mathrm{MTTR}}=T_P+T_f{\∫}_0^T\mathrm{\λ}\left(t\right)\mathrm{dt}$

平均预防维修时间T_P与T_mp相关，T_f为平均事后维修时间。求A₀最大的T值时，令dA/dt＝0，有 $\mathrm{T\λ}\left(t\right)-{\∫}_0^T\mathrm{\λ}\left(t\right)\mathrm{dt}=T_P/T_f$

则重点监测时刻T＝{t₀T_P/[(m-1)T_f]}^1/m

在有限样本或需要实时在线预测等条件下，专门针对小样本情况的支持向量机回归(SVR)预测技术的应用前景较好。

装备健康状况一般具有一定时延性，即健康状况信息序列间有一定的关联性，这种信息间的时序关联性是对装备健康状况进行SVR预测的基础。SVR预测技术使用回归函数y＝f(x)＝wφ(x)+b来拟合数据组{x_i，y_i}，x_i∈R^m，w为拟合函数φ(x)的系数，y_i∈R，i=1，2，...，n。假设某装备健康状况信息样本为一时间序列{x₁，x₂，...，x_n}，{x_n}为预测的目标值，将先前的输入

作为SVR模型的自相关输入，m为嵌入维数，用最终预测误差(FinalPrediction Error，FPE)准则来建立输入

与输出y_n＝{x_n}之间的映射关系。则用于SVR模型学习的样本集X＝[{x₁，x₂，...，x_m}，{x₂，x₃，...，x_m+1}，...，{x_n-m，x_n-m+1，...，x_n-1}]^T，SVR模型的预测输出集Y＝[x_m+1，x_m+2，...，x_n]^T，对SVR模型进行训练的回归函数为 $y_t={\mathrm{\Σ}}_{i=1}^{n-m}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})K(x_i,x_t)+b^{*}$

t＝m+1，m+2，...，n。α_i为支持向量系数。当

时，第n+1点的预测为

不同于一般SVR预测技术的需要成批提供数据样本，此处考虑到现场信息预处理的快速及时性，以及装备工况数据样本多数是序列依次提供，提出一个在线SVR预测模型。假设有l个SVR预测模型的初始训练样本(装备健康状况信息样本)，则对于任一个Hilbert空间H的正交集{F_i}，i＝1，2，...，l(l-1)/2，如果有向量θ∈H，则有

其中，cos(x，y)＝x^Ty/||x||*||y||。

首先，构造一个向量序列{δ₁，δ₂，...，δ_l(l-1)/2}，δ_i＝φ(x_i)y_j-φ(x_j)y_i，则依据Schmidt正交化过程得到一个正交向量序列{ε₁，ε₂，...，ε_d}，秩d＝rank{δ₁，δ₂，...，δ_k}，其中， ${\mathrm{\ϵ}}_i=[{\mathrm{\δ}}_i-{\mathrm{\Σ}}_{j=1}^d{\mathrm{\ϵ}}_j({\mathrm{\ϵ}}_j\·{\mathrm{\δ}}_i)]/\left|\right|{\mathrm{\δ}}_i-{\mathrm{\Σ}}_{j=1}^d{\mathrm{\ϵ}}_j({\mathrm{\ϵ}}_j\·{\mathrm{\δ}}_i)\left|\right|$

由于{W，ε₁，ε₂，...，ε_k}(W是回归超平面的法向量)是H中的一个正交集且每个拟合函数φ(x_i)∈H，所以 ${\mathrm{\Σ}}_{j=1}^d{\cos }^2({\mathrm{\ϵ}}_j,\mathrm{\φ}\left(x_i\right))+{\cos }^2(W,\mathrm{\φ}\left(x_i\right))=1$

因此， $\left|\right|W|=|y_i/\left[\right|\left|\mathrm{\φ}\left(x_i\right)\right|\left|\sqrt{1-{\mathrm{\Σ}}_{j=1}^d{\cos }^2({\mathrm{\ϵ}}_j,\mathrm{\φ}\left(x_i\right))}\right]$

接着，通过最小化||W||得到优化核参数。

当得到一个新监测到的(第l+1个)装备健康状况信息样本，需要决定当前模型是否仍可正常工作运行。如果仍有

则该模型仍可使用；否则需要在l+1个样本下重新确定SVR预测模型参数。

令

i^*∈{1，2，...，l}。装备健康状况在线SVR预测步骤为：

Step 1初始化

(1)根据已有l个初始训练样本确定初始训练样本集G；

(2)确定核函数类

Ker(NP)＝{K₁(NP)，K₂(NP)，...，K_p(NP)}

K_i(NP)是第i种拥有连续可调核参数(Nuclear Parameters，NP)的核函数，i＝1，2，...，p；

Step 2最优核函数选择

(1)对于每个K_i(NP)，求解优化问题

Λ^*argmin_Λ∈∑{FPE(K_Λ)}，其中， $\mathrm{FPE}\left(K\right)={\left|\right|W\left|\right|}^2=y_{i^{*}}^2/[K(x_{i^{*}},x_{i^{*}})-{\mathrm{\Σ}}_{j=1}^d{\mathrm{\γ}}_j^2]$

(2)最优核函数为 $K^{*}\left({\mathrm{NP}}^{*}\right)=K_{o^{*}}\left({\mathrm{\Λ}}^{*}\right),$ 其中， $o^{*}=\arg \underset{1\≤i\≤p}{\min }\left(K_i\left({\mathrm{\Λ}}^{*}\right)\right)$

Step 3在线预测

(1)当第l+1个装备健康状况信息样本产生时，如果则转向Step 2；

(2)反之，最优核函数及其对应的在线SVR预测模型不需调整，直接应用。

用概率统计预测技术或在线SVR预测技术得知装备健康状况的重要变化时刻后，现场信息预处理在这些时刻对相应装备部件加大监测频次，为远程协同故障诊断提供更多、更有效的装备健康状况信息。

如图4所示，为SVR预测技术的模型确立流程图，首先，获取预处理的数据(训练样本)，然后，尝试每一对核参数组合(C，γ)，接着分割训练样本集，具体的分割训练方法是：在其余集基础上评估第一集的花费，在其余集基础上评估第二集的花费......在其余集基础上评估第n集的花费，然后引入评估标准和验证样本，在此基础上评估SVR模型性能，确定SVR模型的最优训练组合(C，γ)，然后进行仿真运行后，输出相关信息。

如图5所示，深层信息处理操作步骤为：

首先依据在原始监测数据中是否发现故障征兆将原始数据表划分为有故障的原始数据表和无故障的原始数据表。对有故障的原始数据表，引入标准特征库进行比较，约简故障特征属性以及规则后输出，对无故障的原始数据表，将列值不变的属性集输出，而列值变化的属性集，分为同向变化属性集、反向变化属性集以及关系待定属性集，分别经过约简后才输出。

其中，信息表的建立过程如下：

信息表(Information Table，IT)是对所研究的数据集合的表格形式描述结果，描述为IT＝{U，R，V}。其中，论域U是被研究对象的集合，属性集R＝{C∪D}是条件属性C和决策属性D的集合，属性值集合V＝∪V_r是属性值V_r的集合，r∈R。具体到深层信息处理，信息表的论域U是装备健康状况信息集合，条件属性C为各个监测获取的装备健康状况信息，决策属性D是装备健康状况信息所反映出来的装备健康状况。

一个信息表的建立一般包括数据采集、数据净化、连续数据离散化、信息表述等环节。其中，首先确定可合理反映装备工况的条件属性，这些条件属性具有可测、完备、独立、灵敏等特点。

信息表约简方法过程如下：

信息表约简的循环过程删除所有对提取规则无关的属性值，从而得到约简后的规则知识。它既包括对属性集中属性的简化，也包括对属性值的简化和冗余规则的删除，也就是对信息表的行与列的完整约简。

(1)基于可辨识矩阵的属性约简

Skowron教授提出了基于可辨识矩阵M及其辨识函数f进行属性约简的方法^[164]，其中，

$f=\underset{1\≤i,j\≤n;m_{\mathrm{ij}}\≠0}{I}{\mathrm{Um}}_{\mathrm{ij}}=\underset{k=1}{\overset{n}{U}}I{\mathrm{\λ}}_k$

通过辨识函数f得到简化的属性集和它的核。每个λ_k都是信息表的属性约简。

但这个属性约简方法在辨识函数f复杂，难于化简情况下，计算量大且耗时。为了改进此不足，引入下面定义：设属性P的值域为V_p，对应的等价类个数为l＝|U/P|，第i(i＝1，2，...，l)个等价类记为U_i＝{u|P(u)＝V_i，V_i∈P_i}，U_i的对象个数为n_i＝|U_i|，U_i对应的子辨识函数为f_i。则P的区分能力指数为I(P)＝1-∑(n_i/n)²。

上述定义用于确定子辨识函数f_i间的最优排列顺序。对于不同属性a和b，若I(a)≥I(b)，则a的区分能力越大，布尔辨识函数a∧f₁∧f₂∧…f_l化简也越容易。

(2)启发式属性值约简

如图6所示，启发式属性值约简具体指逐个删除信息表中的冗余属性值。对冗余属性值的判断依据是先试探性删除该属性值后，信息表是否产生重复记录或不相容(发生冲突)，若产生不相容则表明该属性值是必须保留的属性值。根据可辨识矩阵M可知，当两个样本的决策属性取值相同时，它们所对应的m_ij＝0；当两个样本的决策属性不同且通过某些条件属性的不同取值加以区分时，它们所对应的m_ij取值为区分这两个样本的条件属性集合；当两个样本发生冲突时，即所有的条件属性取值相同而决策属性的取值不同时，则它们所对应的m_ij取值为空集。显然，m_ij中是否包含空集元素反映了信息表中是否包含不相容(冲突)规则。

诊断规则的建立如下：

当发现故障征兆，即装备健康状况信息产生异常值时，由这些异常值根据诊断规则判定装备健康状况。所以，将诊断规则描述为：根据某一诊断规则，当某些条件属性值满足一定要求时，对应的决策属性值即可确定。即r_k:desC(X_i)→des_D(Y_j)

其中，X_i∩Y_j不为空，k为规则编号，X_i为U/C中的各个等价类，des_C(X_i)表示对等价类X_i的描述，Y_j为U/D中的各个等价类，des_D(Y_j)表示对等价类Y_j的描述。

诊断规则建立后，出现故障征兆时，现场信息预处理单元调用这些诊断规则进行自诊断，若不能独立排除故障，则将与该故障征兆相关的装备健康状况信息上传RCFD中心。

而正常工况信息的约简方法如下：

在监测过程中，大部分的传输数据都是装备的正常工况数据。而当前通过现场监测设备获取的数据表仅是各个传感数据的简单罗列，即相对于信息表，数据表没有决策属性D。无论从实时远程传输或提高RCFD中心诊断效率考虑，对其进行程度可控的信息预处理是必要的。例如某三菱底盘的混凝土运输车的制动系统数据表由包括转向角、液压压力、减速度等20个传感器数据在内的21列数据表构成，如表1所示，其中，车轮制动力包括前左轮、前右轮、后左轮和后右轮的制动力，其它和4个车轮相关的监测数据也是如此。显然，一个正常制动过程中的远程传输数据存在冗余，需要提取。

表1典型的制动系统数据表

车轮制动力

转向角

踏板力

制动鼓温度

车轮转速

减速度

…

时刻1

…

…

…

…

…

…

…

时刻2

…

…

…

…

…

…

…

…

…

…

…

…

…

…

…

运用粗集对这类数据表的处理方法是：

(1)将数据表中的每列数据看作信息表的一个条件属性X，用欧式距离函数遍历每列条件属性，若某列属性的数值X_i始终在某一允许阈值范围内变化，则该列属性此时可约去，i＝0，1，...，n-1。令Y为该列属性数值的稳定值，稳定值是正常工作状态下的监测数据的均值，欧式距离函数dist(X，Y)＝[(∑X_i-Y_i)²]^1/2遍历完后，将可约去的列属性组合成一个未变值属性表，其余不可约去的列属性即可组成一个变值属性表{V}。

(2)粗集的应用对象和基础是包括条件属性和决策属性两部分的信息表。显然，现场监测数据表没有决策属性，其决策属性需要添加。而且，表1还隐含了一定的时序关系，即行与行之间并不是并行或独立发生关系。因此，把现场监测数据表的约简标准视为决策属性，比如希望两个连续传感器采样值大于某个设定阈值才被提取等。

①确定变值属性表{V}中的参考属性(Reference Attribute，RA)。RA是必需的，它既可人为指定，也可以根据变值属性表{V}中的列属性L出现满足一定要求的变化而定，或依据条件属性信息熵的大小来选择。

②依据参考属性将{V}分为与RA变化趋势相同的{同向V}和与RA变化趋势相反的{反向V}两个子数据表。

规则1：在一个包括行属性、列属性、属性值和时序关系的数据表中，某属性a在时刻t_i的值为a(t_i)，在t_i+1时值为a(t_i+1)，则将t_i+1时的属性值变化趋势设置为：若a(t_i+1)-a(t_i)＞0，为“上升”；若a(t_i+1)-a(t_i)＝0，为“基本不变”；若a(t_i+1)-a(t_i)＜0，为“下降”。

通过添加属性值变化趋势列，将数据表转变成信息表。

将RA放到数据表{V}的第1列，依据上述规则1循环比较余下列与RA列的变化趋势，将{V}分为{同向V}、{反向V}两个子数据表。若以表1中的车轮制动力为RA，则{同向V}＝{转向角、踏板位移、踏板力、摩擦片温度}，{反向V}＝{车轮转速、减速度}。

③添加决策属性并运用其分别对{同向V}、{反向V}两个子数据表进行对应信息表转换。根据车辆制动常识，表1中最重要的一列属性细化后为后左轮制动力列属性，则需要添加的约简标准(决策属性)是：相邻时刻之间进行迭代比较，比较标准见下式，

比较结果为对应决策属性值；约简因子a灵活反映了对信息预处理的粒度要求。H_i为i(偶数)时刻的行属性值，L_j为第j列的属性值，比较因子β＝a/(maxL_j-minL_j)。

由上式得到规则2。

规则2：在某等价类中，当属性X_i∈R满足三个及三个以上的属性值连续同向变化时(组成等比变化数列)，只需记录该变化数列的起始值和终止值。

④基于粗集的等价类对所得信息表进行过程(行)约简。若约简结果仍不够简练则再次循环该过程。

本发明以混凝土运输车为对象，使用现场预处理技术对其健康状况信息进行信息预处理。混凝土运输车由底盘和上车部分两大总成组成，上车部分由搅拌筒、支撑单元(副车架)、进出料装置、操纵系统、液压系统、电气系统、供水系统及护栏等部分组成。

下面针对混凝土运输车的一些部件，对现场信息预处理单元的健康状况预测和深层信息处理两个功能进行应用验证。

一、混凝土运输车支撑单元轴承的在线健康状况预测

在西安建筑科技大学振动应用与故障诊断研究所的混凝土运输车模型试验台上，利用压电式加速度传感器采集混凝土运输车搅拌筒支撑单元中的轴承的正常、外环故障和内环故障三种振动状态信号。支撑单元包括支撑轴、滚动轴承。

Step 1初始化

共取42个轴承，其中，正常轴承10个、外环故障轴承16个、内环故障轴承16个，每个轴承采样5次，每次取1024个数据。用于训练SVR预测模型的正常轴承为6个，外环故障轴承为9个，内环故障轴承为8个，剩余19个轴承用于验证SVR预测模型。

为了使在线SVR预测模型具有推广能力，将全部已得数据样本随机分割为三部分：用于建模的训练样本子集(约占样本数的75％)、用于优化模型参数的实验样本子集(约占样本数的20％)和用于检验模型推广能力的检验样本子集(约占样本数的5％)。在线SVR预测模型输入为上述采集样本，输出为3个数字节点(数字“1”表示正常、数字“2”表示外环故障、数字“3”表示内环故障)。

Step 2最优核函数选择

在CMSVM软件平台上，用轴承的25组正常状态数据，20组外环故障状态数据，20组内环故障状态数据对在线SVR预测模型进行训练学习，得到轴承故障的在线预测模型。对上述数据进行SVR预测的结果如表2，其中，“？”代表该样本值在对应的核函数下不能确定。选择不同核函数激活对应的核参数窗口。其中，核参数C表示对错误样本的“惩罚力度”，同时也是支持向量系数的上确界。

另外，径向基核函数(RBKF)还需要设定参数g，线性核函数(LKF)还需要设定参数d，而对称三角形核函数(STKF)、柯西核函数(CKF)、拉普拉斯核函数(LSKF)、双曲正割核函数(HSKF)和平方正弦核函数(SSKF)，都还需要设定参数u。同时，在回归运算中还对ε不敏感损失函数、回归迭代最大次数等设定了边界。

表2不同核函数下的SVR预测结果

确定在线SVR预测模型最优核函数的标准是综合考虑绝对差、相关系数和均方差三种评分标准进行评选。相同条件下各核函数的最优参数值如表3，又结合表2中的不同核函数下的SVR预测准确率，可见对称三角形核函数的各项参数指标值均较优，其预测效果也最优。所以，在线SVR预测模型采用对称三角形核函数。

表3不同核函数的典型参数值评价

Step 3在线SVR预测模型运行结果

在CMSVM软件平台上运行在线SVR预测模型后，得到该模型关于轴承振动状况的SVR预测误差为±0.5mm/s。

只要SVR预测模型的网络训练集规模选择合理，特征参数估计合理、准确，就能以90％以上的准确率完成从轴承振动信号空间到轴承故障状态空间的非线性映射，即基于在线SVR预测模型的轴承健康状况预测是有效的。

二、混凝土运输车搅拌筒支撑轴信息的浅层处理

仍以混凝土运输车为例，对其搅拌筒支撑轴正常振动信号每隔1小时提取一次，记录其峰峰值，根据这些已有信息建立预测模型后，并输出其预测结果给现场预处理单元的信息预处理控制模块。信息预处理控制模块根据远程诊断断资源要求，对这些搅拌筒支撑轴振动信号进行频域处理，如图7所示。图7也描述了运用在线SVR预测模型预测得到的支撑轴振动曲线及在有轴承外部磨损故障时的频域处理过程。

三、混凝土运输车制动信息的深层处理

(1)混凝土运输车的正常制动工况信息预处理

对运输车底盘系统的正常制动信息运用RS进行约简。通过状态监测获取的正常制动信息表如表4所示。依据约简标准和规则1，从表4得到4个等价类(以时刻值大小顺序排列)：

0＝{0，2，24，26}

1＝{6，8，10，12，14，16，18，30，32}

2＝{20，28，34，38，40，42，44，46，48}

3＝{4，22，36}

约简因子a＝0.04时，表4的约简度为50％；若约简仍不够可变化a，表4中斜粗体行数据就为a＝0.08的约简结果，约减度为(24-7)/24＝70％。根据规则2，一个正常制动过程仅需记录表4中的粗斜体行属性值即可。

表4一个混凝土运输车正常制动过程信息表

(2)现场预处理单元在混凝土运输车制动力过小时的应用

信息预处理控制模块得到装备健康状况信息后，依据对装备健康状况的预测结果，启动现场预处理的深层信息处理模块进行信息提取。当产生故障征兆后，使得实际数据与预测数据误差增大，现场预处理立即调整监测策略，加大监测频次，并选择合适的信息处理技术对装备健康状况信息进行分析，如对有轴承故障时的轴承振动信号进行振动烈度和振动速度的频域分析，依据分析结果，现场预处理对该故障进行自诊断，无法自诊断时，调用深层信息处理加大信息提取，并要求RCFD中心协同会诊。图8为深层信息处理模块对该运输车底盘系统的正常制动信息约简和制动力较小时的故障分析过程，约简后的正常制动信息表中的数据对应于表4的粗斜体行数据。

(3)混凝土运输车现场诊断规则提取

针对混凝土运输车，选取11个特征参数组成其装备健康状况信息表的条件属性：尾气成分s₁、驱动车轮功率下降百分比s₂、减震器效率s₃、转向正确度s₄、制动效率s₅、交流电机稳定性s₆、发动机启动系统可靠性s₇、车体状况s₈、里程s₉、油耗s₁₀、噪音程度s₁₁。表5为某混凝土运输车不同时段的110个状况记录，包括28个“需维修”样本(编号1～28)、30个“工况还行”样本(29～58)、48个“工况好”样本(59～106)、4个“工况很好”样本(107～110)。

接下来，进行属性离散化和添加决策属性D。其中，除了转向正确度s4为离散量外，其它属性均为连续量，故需要进行整体离散化，采用表6离散化标准对它们进行属性离散化。添加决策属性D时，如表6所示，表5的4类样本可对应的由“3”、“2”、“1”、“0”来表示，形成决策属性D。进而运用基于粗集的属性约简方法得到表7，其中，约简后条件属性集为

C_red＝{s₂，s₄，s₆，s₇，s₈，s₉，s₁₀，s₁₁}

表5混凝土运输车的工况记录表

表6混凝土运输车的工况记录表的离散化标准

表7进行深层信息处理的110条混凝土运输车工况信息表

信息表7的上、下近似及边界等参数见表8，近似判断某车辆工况的准确率在0.862和1之间。

表8混凝土运输车的工况信息表的RS约简参数

对信息表表7进行诊断规则提取，并依据下面三个原则整理诊断规则后，混凝土运输车的诊断规则表见表9：

(1)一个最小规则集覆盖所有信息表样本；

(2)一个详尽规则集包含所有信息表的可能规则；

(3)一个“强”决策规则集会覆盖相应多的样本，而不一定是所有样本。

在表9的规则描述中，用绝对强度S_A(某一规则的绝对强度指满足和支持本规则的信息表中的样本个数)和相对强度S_B(某一规则的相对强度是通过百分比形式来体现本规则绝对强度和本规则的决策部分属性的下近似的样本个数之间的关系)两个参数来评估每个产生规则的可信度。对表9的规则集进行分析可得：当s₄＝1～2mm、s₅＝40～45％、s₆＝0.3～0.5A和s₁₀＝10～13L/100km同时满足时，混凝土运输车的健康状况极糟，需要尽快维修。反之，当且仅当s₆≤0.3A、s₈≤5％、s₁₁≤0.9db同时满足时，混凝土运输车的健康状况很好。

表9混凝土运输车的诊断规则表

编号	诊断规则内容	[SA，SB(％)]
			1	ifs7＝3 &{s9＝2ors9＝3}thenD＝3	[19，73.08]
2	ifs4＝1&s5＝0&s6＝2&s10＝2then D＝3	[10，38.46]
			3	if{s4＝2ors4＝3}&s7＝3thenD＝3	[8，30.77]
4	ifs1＝2&s4＝2thenD＝3	[2，7.69]
			5	ifs6＝2&s7＝2&{s9＝1ors9＝0}&s11＝1thenD＝2	[14，51.85]
6	ifs3＝2&s4＝1&s8＝3&s9＝1thenD＝2	[5，18.52]
			7	ifs5＝0&s6＝1thenD＝2	[1，3.70]
8	ifs7＝3&s11＝0then D＝2	[2，7.41]
			9	ifs1＝1&{s3＝1ors3＝2}&s5＝2then D＝2	[4，14.81]
10	ifs2＝1&{s3＝1ors3＝2}&s4＝1&s5＝1&s11＝1thenD＝2	[7，25.93]
			11	ifs1＝1&s7＝2&s10＝2then D＝2	[3，11.11]
12	if{s2＝0ors2＝1}&s4＝1&s6＝1thenD＝1	[17，56.67]
			13	ifs4＝1&s7＝1&{s8＝1ors8＝2}then D＝1	[18，60.00]
14	ifs1＝0&s3＝3&{s8＝2ors8＝3}then D＝1	[12，40.00]
			15	ifs1＝1&{s2＝0ors2＝1}&s3＝3thenD＝1	[6，20.00]
16	ifs6＝0&s10＝1&s11＝1thenD＝1	[2，6.67]
			17	ifs1＝1&s2＝2&s7＝3&s8＝2&s11＝1then D＝1	[1，3.33]
18	ifs4＝0&{s8＝0ors8＝1}thenD＝0	[20，74.07]
			19	ifs6＝0&s8＝0&s11＝0then D＝0	[17，62.96]
20	ifs7＝2&s10＝3thenD＝3orD＝2	[2，100.00]
			21	ifs3＝2&s7＝2&s9＝1&s11＝0thenD＝2orD＝1	[2，100.00]

Claims (9)

1.一种远程协同诊断的现场信息预处理方法，其特征在于，包括：

对装备工作状态信息、控制信息、故障诊断信息、工作记录信息以及工作环境信息进行采集的信息采集步骤；

根据采集信息以对装备未来某一时间段的健康状况进行预估并对状态监测的重点监测点和监测频次相应做出提前调整的健康状况预测步骤；

依据现场信息预处理控制的指令，对重点监测点的相关时段信息进行挖掘，若有故障征兆，利用粗集技术对故障征兆信息表进行约简，实现自诊断系统诊断规则提取；而对正常工况信息依据一定标准实现有效信息提取的深层信息处理步骤，所述标准是依据采样周期和信号变化特点，人为设定阈值，当该信号的变化率大于阈值时，记录下该信号的采样值，否则忽略；

以及，

将现场信息预处理结果上传给远程协同故障诊断中心的远程信息传输步骤。

2.根据权利要求1所述的远程协同诊断的现场信息预处理方法，其特征在于，所述信息采集步骤中，工作状态信息包括浓度、压力、流量、温度、液位、力矩、负载、转速、振动以及噪声；控制信息包括装备的控制器对各执行器件发出的控制或设置命令；故障诊断信息包括故障征兆、自诊断系统的故障代码；工作记录信息包括装备关键部件总工作时间以及总运行次数；工作环境信息包括地理位置、环境温度、湿度以及风速。

3.根据权利要求1所述的远程协同诊断的现场信息预处理方法，其特征在于，所述健康状况预测步骤中包括离线健康状况预测技术和在线健康状况预测技术，离线健康状况预测技术以概率统计为手段实现工况预测，在线健康状况预测技术采用支持向量机回归预测技术进行工况预测。

4.根据权利要求3所述的远程协同诊断的现场信息预处理方法，其特征在于，在以概率统计为手段实现工况预测时，装备正常运行时间T_q＝(-t₀lna₀)^1/m，则重点监测时刻即最佳预防维修周期T＝{t₀T_P/[(m-1)T_f]}^1/m，其中m为形状参数，t₀为尺度参数，

T_P为平均预防维修时间，T_f为平均事后维修时间。

5.根据权利要求3所述的远程协同诊断的现场信息预处理方法，其特征在于，在采用支持向量机回归预测技术进行工况预测时，基于动态变化的时序样本序列，构造一个可自动调整核参数的在线支持向量机回归预测模型及其算法，

假设有l个支持向量机回归预测模型的初始训练样本，即装备健康状况信息样本，则对于任一个Hilbert空间H的正交集{F_i}，i＝1，2，...，l(l-1)/2，如果有向量θ∈H，则有

其中，cos(x，y)＝x^Ty||x||*||y||；

首先，构造一个向量序列{δ₁，δ₂，...，δ_l(l-1)/2}，δ_i＝φ(x_i)y_j-φ(x_j)y_i，则依据Schmidt正交化过程得到一个正交向量序列{ε₁，ε₂，...，ε_d}，秩d＝rank{δ₁，δ₂，...，δ_k}，其中， ${\mathrm{\ϵ}}_i=[{\mathrm{\δ}}_i-{\mathrm{\Σ}}_{j=1}^d{\mathrm{\ϵ}}_j({\mathrm{\ϵ}}_j\·{\mathrm{\δ}}_i)]/\left|\right|{\mathrm{\δ}}_i-{\mathrm{\Σ}}_{j=1}^d{\mathrm{\ϵ}}_j({\mathrm{\ϵ}}_j\·{\mathrm{\δ}}_i)\left|\right|$

由于{W，ε₁，ε₂，...，ε_k}是H中的一个正交集且每个拟合函数φ(x_i)∈H，所以 ${\mathrm{\Σ}}_{j=1}^d{\cos }^2({\mathrm{\ϵ}}_j,\mathrm{\φ}\left(x_i\right))+{\cos }^2(W,\mathrm{\φ}\left(x_i\right))=1,$ 其中，W是回归超平面的法向量，

接着，通过最小化 $\left|\right|W|=|y_i/\left[\right|\left|\mathrm{\φ}\left(x_i\right)\right|\left|\sqrt{1-{\mathrm{\Σ}}_{j=1}^d{\cos }^2({\mathrm{\ϵ}}_j,\mathrm{\φ}\left(x_i\right))}\right]$ 得到优化核参数，

当得到一个新监测到的即第l+1个装备健康状况信息样本，需要检测当前模型是否仍可正常工作运行，如果仍有

则该模型仍可使用；否则需要在l+1个样本下重新确定SVR预测模型参数。

6.根据权利要求1所述的远程协同诊断的现场信息预处理方法，其特征在于，所述深层信息处理步骤中，采用粗集技术，

(1)在装备产生故障征兆时，基于该征兆，对装备的自诊断系统的诊断规则进行提取，并将该诊断规则提供给信息预处理控制单元，供其参考；

(2)在装备正常运行期间，对装备的健康状况信息进行约简，仅关注能够反映装备健康状况变化的信息；

然后，将深层信息处理后的装备健康状况信息上传给远程协同故障诊断中心。

7.根据权利要求1所述的远程协同诊断的现场信息预处理方法，其特征在于，当出现故障时，对装备健康状况信息利用粗集技术进行约简处理，进而建立诊断规则，再进行自诊断，所述诊断规则为：根据某一诊断规则r_k，当某些条件属性值满足一定要求时，对应的决策属性值即可确定；即

r_k:desC(X_i)→des_D(Y_j)

其中，X_i∩Y_j不为空，k为规则编号，X_i为U/C中的各个等价类，des_C(X_i)表示对等价类X_i的描述，Y_j为U/D中的各个等价类，des_D(Y_j)表示对等价类Y_j的描述，C是条件属性，D是决策属性，论域U是被研究对象的集合。

8.根据权利要求7所述的远程协同诊断的现场信息预处理方法，其特征在于，当出现复杂故障时，依据诊断规则和出现异常数值的条件属性，将相关的属性和其对应的故障模式以故障信息传输表的形式上传给远程协同故障诊断中心，由远程协同故障诊断中心和远程诊断资源协作会诊，决定出真正的故障原因，所述复杂故障是指装备自诊断系统无法自行诊断解决的故障。

9.根据权利要求7所述的远程协同诊断的现场信息预处理方法，其特征在于，当正常工况时，对装备健康状况信息利用粗集技术进行约简处理，优化并上传合理的工况信息，该方法为针对通过现场监测设备获取的时域数据表，采取添加决策属性D和定义一个约简标准的方法进行约简处理。

Images