CN105488344A - 一种配电设备健康指数通用评价方法 - Google Patents

Abstract

本发明提供一种配电设备健康指数通用评价方法，结合灰色理论、模糊层次分析法和证据理论的方法构建数学模型，包括：划分状态等级，获取表征配电设备健康指数的关键特征量；其中，所述配电设备，包括变压器、开关设备、架空线路和电缆线路；对配电设备关键特征量进行归一化处理；获取配电设备关键特征量权重；生成配电设备模糊综合评价矩阵；将各关键特征量的状态等级进行证据融合；获取配电设备健康指数。该方法为宏观和微观相结合的设备管理提供了实用、新颖的技术手段。

Description

一种配电设备健康指数通用评价方法

技术领域

本发明涉及一种评价方法，具体涉及一种配电设备健康指数通用评价方法。

背景技术

随着电网供电区域的扩大，大面积停电事故的风险也在逐步增大，以状态检修为依据的电力设备故障预测是预防电网潜在故障的基础。利用现有配电设备的状态信息准确判断配电设备的健康状况，预知设备故障，在故障发生前安排检修能有效保证电网安全运行，减少因故障停电造成的经济损失。

在我国，先进的传感器技术、光电子技术等在线监测手段已广泛应用在输电网中，可以实时的反映电力设备运行状态。而在配电领域，在技术及硬件设施等方面与输电网相比有很大的差距。而且由于配电设备量大面广，如果广泛应用在线监测技术实时反映配电设备健康状态，这会浪费大量的人力物力。根据设备的历次交接性、预防性试验数据，分析表征设备健康状况的关键特征参数，以此为基础进行设备健康状态评估将比在线监测更具可行性。

配电网络是由一系列的配电设备组成，其健康状况对于配电网络安全运行至关重要。现有健康状态评估技术大多用于输电设备，并且使用的方法通常采用层次分析法与证据理论相结合，但是目前的方法存在一定的局限性，层次分析法没有考虑主观判断的模糊性，以及专家的知识水平；二是隶属函数的确定过于主观，缺乏客观计算。

发明内容

为克服上述缺陷，本发明提供一种配电设备健康指数通用评价方法，改变长期以来可靠性研究仅侧重于单一设备在某一时刻、单截面(静态状态)、故障后的结果和因果关系问题，为宏观和微观相结合的设备管理，提供实用、新颖的技术手段。

为了实现上述发明目的，本发明采取如下技术方案：

一种配电设备健康指数通用评价方法，结合灰色理论、模糊层次分析法和证据理论的方法构建数学模型，所述方法包括下述步骤：

1)划分状态等级，获取表征配电设备健康指数的关键特征量；其中，所述配电设备，包括变压器、开关设备、架空线路和电缆线路；

2)对配电设备关键特征量进行归一化处理；

3)获取配电设备关键特征量权重；

4)生成配电设备模糊综合评价矩阵；

5)将各关键特征量的状态等级进行证据融合；

6)获取配电设备健康指数。

优选的，所述配电设备健康指数HI界于[1,10]之间；1≤HI≤2为良好状态，2<HI≤5为正常状态，5≤HI≤7为待测状态，7<HI≤10为故障状态。

优选的，所述步骤1)具体包括，以油化试验和电气试验为依据，通过油色谱分析获取变压器关键特征量；以电气性能、机械性能、热性能和绝缘性能为依据获取断路器关键特征量；以导线参数、杆塔参数、绝缘子参数和通道环境参数为依据，获取架空线路关键特征量；以局放、温度和接地电流为依据，获取电缆线路关键特征量。

优选的，所述步骤2)中，对配电设备关键特征量进行归一化处理包括，通过相对劣化度将数据归一化，其表达式如下：

对于指标越大越好的，采用下式计算：

$C_{ij}=\frac{y_{ij}-y_{ij0}}{y_{ijl}-y_{ij0}},y_{ij0}\&le;y_{ij}\&le;y_{ijl}$

对于指标越小越好的，采用下式计算：

$C_{ij}=\frac{y_{ij0}-y_{ij}}{y_{ij0}-y_{ijl}},y_{ijl}\&le;y_{ij}\&le;y_{ij0}$

其中，y_ij为实际测量值，y_ij0为初始值，y_ijl为限定值，C_ij为归一化后所得值。

优选的，所述步骤3)中，采用模糊层次分析法获取配电设备关键特征量权重，具体步骤如下：

3-1收集多专家判断的模糊偏好信息，建立模糊判断矩阵；

3-2将模糊判断矩阵归一化，获得归一化的综合判断矩阵；

3-3计算各指标的可能度，构建可能度矩阵；

3-4根据可能度矩阵，求取各指标的相对权重，取其最小值；完成配电设备关键特征量权重的获取。

进一步地，所述步骤(3-1)中，建立模糊判断矩阵A：

其中，a_ij＝(l_ij,m_ij,u_ij),l_ij为三角模糊数的上限值，m_ij为中间值，u_ij为下限值， $a_{ij}=a_{ji}^{-1}=(\frac{1}{u_{ij}},\frac{1}{m_{ij}},\frac{1}{l_{ij}}),i,j=1,2,...,n.$

进一步地，所述步骤(3‐2)中，获得归一化的综合判断矩阵包括，将模糊判断矩阵的每一行中相对应的模糊数相加，则：

${\mathrm{RS}}_i=\underset{j=1}{\overset{n}{\&Sigma;}}{a}_{ij}=(\underset{j=1}{\overset{n}{\&Sigma;}}{l}_{ij},\underset{j=1}{\overset{n}{\&Sigma;}}{m}_{ij},\underset{j=1}{\overset{n}{\&Sigma;}}{u}_{ij})$

第i^th行元素的程度合成值由第i^th行元素RS_i占整行的百分比，公式如下：

$S_i={\mathrm{RS}}_i\&times;{\&lsqb;\underset{j=1}{\overset{n}{\&Sigma;}}{\mathrm{RS}}_j\&rsqb;}^{-1}$

其中， $\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{RS}}_j=\left(\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{l}_{ij},\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{m}_{ij},\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{u}_{ij},\right),i,j=1,2,\mathrm{...},n$ 为模糊判断矩阵中每行每列相对应元素之和； ${\left(\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{RS}}_j\right)}^{-1}=\left(\frac{1}{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{u}_{ij}},\frac{1}{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{m}_{ij}},\frac{1}{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{l}_{ij}}\right),$ S_i＝(l_i,m_i,u_i)为可能度值。

进一步地，所述步骤(3‐3)中，将两三角模糊数之间的可能度比较定义为：

且V(S_j≧S_i)的最小可能度d(A_i)为：

$d\left(A_i\right)=\underset{i,j\&Element;\{1,2,...,n\}}{min}V(S_i\&GreaterEqual;S_j),i=1,2,...,n$

则配电设备关键特征量权重的表达式为：

W＝(d(A₁),d(A₂),...,d(A_n))^T

其中，W表示需要决策的属性权重值，d(A_i)为通过第7步中的式子计算而得，n表示有n个需要决策的属性。

优选的，所述步骤4)包括，首先，采用灰色关联度方法求解模型的隶属度，获得配电设备模糊综合评价矩阵，其表达式为：

${\mathrm{\&eta;}}_j\left(i\right)=\frac{\underset{j}{\min }\underset{i}{\min }|C_i^{*}-C_{ij}|+\mathrm{\&rho;}\underset{j}{\max }\underset{i}{\max }|C_i^{*}-C_{ij}|}{|C_i^{*}-C_{ij}|+\mathrm{\&rho;}\underset{j}{\max }\underset{i}{\max }|C_i^{*}-C_{ij}|}$

式中，η_j(i)为属性j下的第i个指标与第i个最优指标的关联系数，为第i个最优指标，C_ij为属性j下第i个指标的归一化值，为两级最小差值，为两级最大差值；

其次，将配电设备模糊综合评价矩阵η_j(i)的每一行归一化，即可得到证据融合所需要的原始信度分配函数。

优选的，步骤5)中，将各关键特征量的状态等级进行证据融合，其表达式如下：

$m\left(A\right)=\underset{A_1\&cap;A_2\&cap;...\&cap;A_n=A}{\&Sigma;}\frac{m_1\left(A_1\right)m_2\left(A_2\right)...m_n\left(A_n\right)}{1-K},$

m(Φ)＝0

$K=\underset{A_1\&cap;A_2\&cap;...\&cap;A_n=\mathrm{\&Phi;}}{\&Sigma;}{m}_1\left(A_1\right)m_2\left(A_2\right)...m_n\left(A_n\right)$

其中，A₁，A₂，…,An表示识别框架的子集，A₁∩A₂∩…∩A_n＝A表示各子集相交的非空子集，m(A)为最终的融合结果，空集的信度函数值为0，K表示各子集之间的冲突系数，即各子集相交(A₁∩A₂∩…∩A_n＝Φ)为空集时的融合结果。

优选的，所述步骤6)包括：定义融合结果中最大值即为最终的健康指数值，用于表示设备目前所处的健康状态。

与现有技术相比，本发明达到的有益效果是：

本发明从一个新的视角探索提出一种基于灰色理论、模糊层次分析法和证据理论相结合的方法,为配电变压器状态检修、故障风险预测提供参考。改变了长期以来可靠性研究仅侧重于单一设备在某一时刻、单截面(静态状态)、故障后的结果和因果关系问题；为宏观和微观相结合的设备管理，提供实用、新颖的技术手段。

附图说明

图1为配电设备健康指数通用评价方法流程图；

具体实施方式

以下将结合附图，对本发明的具体实施方式作进一步的详细说明。

如图1所示，一种配电设备健康指数通用评价方法，结合灰色理论、模糊层次分析法和证据理论的方法构建数学模型，所述方法包括下述步骤：

1)划分状态等级，获取表征配电设备健康指数的关键特征量；其中，所述配电设备，包括变压器、开关设备、架空线路和电缆线路；

配电设备健康指数HI界于[1,10]之间；1≤HI≤2为良好状态，2<HI≤5为正常状态，5≤HI≤7为待测状态，7<HI≤10为故障状态。

关键特征量的获取方法具体包括，以油化试验和电气试验为依据，通过油色谱分析获取变压器关键特征量；以电气性能、机械性能、热性能和绝缘性能为依据获取断路器关键特征量；以导线参数、杆塔参数、绝缘子参数和通道环境参数为依据，获取架空线路关键特征量；以局放、温度和接地电流为依据，获取电缆线路关键特征量。

2)对配电设备关键特征量进行归一化处理；通过相对劣化度将数据归一化，其表达式如下：

对于指标越大越好的，采用下式计算：

$C_{ij}=\frac{y_{ij}-y_{ij0}}{y_{ijl}-y_{ij0}},y_{ij0}\&le;y_{ij}\&le;y_{ijl}$

对于指标越小越好的，采用下式计算：

$C_{ij}=\frac{y_{ij0}-y_{ij}}{y_{ij0}-y_{ijl}},y_{ijl}\&le;y_{ij}\&le;y_{ij0}$

其中，y_ij为实际测量值，y_ij0为初始值，y_ijl为限定值，C_ij为归一化后所得值。

3)获取配电设备关键特征量权重；

具体步骤如下：

3-1收集多专家判断的模糊偏好信息，建立模糊判断矩阵；

3-2将模糊判断矩阵归一化，获得归一化的综合判断矩阵；

3-3计算各指标的可能度，构建可能度矩阵；

3-4根据可能度矩阵，求取各指标的相对权重，取其最小值；完成配电设备关键特征量权重的获取。

步骤(3-1)中，建立模糊判断矩阵A：

其中，a_ij＝(l_ij,m_ij,u_ij),l_ij为三角模糊数的上限值，m_ij为中间值，u_ij为下限值， $a_{ij}=a_{ji}^{-1}=(\frac{1}{u_{ij}},\frac{1}{m_{ij}},\frac{1}{l_{ij}}),i,j=1,2,...,n.$

步骤(3‐2)中，获得归一化的综合判断矩阵包括，将模糊判断矩阵的每一行中相对应的模糊数相加，则：

${\mathrm{RS}}_i=\underset{j=1}{\overset{n}{\&Sigma;}}{a}_{ij}=(\underset{j=1}{\overset{n}{\&Sigma;}}{l}_{ij},\underset{j=1}{\overset{n}{\&Sigma;}}{m}_{ij},\underset{j=1}{\overset{n}{\&Sigma;}}{u}_{ij})$

第i^th行元素的程度合成值由第i^th行元素RS_i占整行的百分比，公式如下：

$S_i={\mathrm{RS}}_i\&times;{\&lsqb;\underset{j=1}{\overset{n}{\&Sigma;}}{\mathrm{RS}}_j\&rsqb;}^{-1}$

其中， $\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{RS}}_j=\left(\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{l}_{ij},\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{m}_{ij},\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{u}_{ij},\right),i,j=1,2,\mathrm{...},n$ 为模糊判断矩阵中每行每列相对应元素之和； ${\left(\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{RS}}_j\right)}^{-1}=\left(\frac{1}{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{u}_{ij}},\frac{1}{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{m}_{ij}},\frac{1}{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{l}_{ij}}\right),$ S_i＝(l_i,m_i,u_i)为可能度值。

步骤(3‐3)中，将两三角模糊数之间的可能度比较定义为：

且V(S_j≧S_i)的最小可能度d(A_i)为：

$d\left(A_i\right)=\underset{i,j\&Element;\{1,2,...,n\}}{min}V(S_i\&GreaterEqual;S_j),i=1,2,...,n$

则配电设备关键特征量权重的表达式为：

W＝(d(A₁),d(A₂),...,d(A_n))^T

其中，W表示需要决策的属性权重值，d(A_i)为通过第7步中的式子计算而得，n表示有n个需要决策的属性。

4)生成配电设备模糊综合评价矩阵；首先，采用灰色关联度方法求解模型的隶属度，获得配电设备模糊综合评价矩阵，其表达式为：

${\mathrm{\&eta;}}_j\left(i\right)=\frac{\underset{j}{\min }\underset{i}{\min }|C_i^{*}-C_{ij}|+\mathrm{\&rho;}\underset{j}{\max }\underset{i}{\max }|C_i^{*}-C_{ij}|}{|C_i^{*}-C_{ij}|+\mathrm{\&rho;}\underset{j}{\max }\underset{i}{\max }|C_i^{*}-C_{ij}|}$

式中，η_j(i)为属性j下的第i个指标与第i个最优指标的关联系数，为第i个最优指标，C_ij为属性j下第i个指标的归一化值，为两级最小差值，为两级最大差值；

其次，将配电设备模糊综合评价矩阵η_j(i)的每一行归一化，即可得到证据融合所需要的原始信度分配函数。

5)将各关键特征量的状态等级进行证据融合；其表达式如下：

$m\left(A\right)=\underset{A_1\&cap;A_2\&cap;...\&cap;A_n=A}{\&Sigma;}\frac{m_1\left(A_1\right)m_2\left(A_2\right)...m_n\left(A_n\right)}{1-K},$

m(Φ)＝0

$K=\underset{A_1\&cap;A_2\&cap;...\&cap;A_n=\mathrm{\&Phi;}}{\&Sigma;}{m}_1\left(A_1\right)m_2\left(A_2\right)...m_n\left(A_n\right)$

其中，A₁，A₂，…,An表示识别框架的子集，A₁∩A₂∩…∩A_n＝A表示各子集相交的非空子集，m(A)为最终的融合结果，空集的信度函数值为0，K表示各子集之间的冲突系数，即各子集相交(A₁∩A₂∩…∩A_n＝Φ)为空集时的融合结果。

6)获取配电设备健康指数。包括：定义融合结果中最大值即为最终的健康指数值，用于表示设备目前所处的健康状态，以利于状态检修。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，所属领域的普通技术人员参照上述实施例依然可以对本发明的具体实施方式进行修改或者等同替换，这些未脱离本发明精神和范围的任何修改或者等同替换，均在申请待批的本发明的权利要求保护范围之内。

Claims (11)

1.一种配电设备健康指数通用评价方法，结合灰色理论、模糊层次分析法和证据理论的方法构建数学模型，其特征在于，所述方法包括下述步骤：

1)划分状态等级，获取表征配电设备健康指数的关键特征量；其中，所述配电设备，包括变压器、开关设备、架空线路和电缆线路；

2)对配电设备关键特征量进行归一化处理；

3)获取配电设备关键特征量权重；

4)生成配电设备模糊综合评价矩阵；

5)将各关键特征量的状态等级进行证据融合；

6)获取配电设备健康指数。

2.根据权利要求1所述的方法，其特征在于，所述配电设备健康指数HI界于[1,10]之间；1≤HI≤2为良好状态，2<HI≤5为正常状态，5≤HI≤7为待测状态，7<HI≤10为故障状态。

3.根据权利要求1所述的方法，其特征在于，所述步骤1)具体包括，以油化试验和电气试验为依据，通过油色谱分析获取变压器关键特征量；以电气性能、机械性能、热性能和绝缘性能为依据获取断路器关键特征量；以导线参数、杆塔参数、绝缘子参数和通道环境参数为依据，获取架空线路关键特征量；以局放、温度和接地电流为依据，获取电缆线路关键特征量。

4.根据权利要求1所述的方法，其特征在于，所述步骤2)中，对配电设备关键特征量进行归一化处理包括，通过相对劣化度将数据归一化，其表达式如下：

对于指标越大越好的，采用下式计算：

$C_{ij}=\frac{y_{ij}-y_{ij0}}{y_{ijl}-y_{ij0}},y_{ij0}\&le;y_{ij}\&le;y_{ijl}$

对于指标越小越好的，采用下式计算：

$C_{ij}=\frac{y_{ij0}-y_{ij}}{y_{ij0}-y_{ijl}},y_{ijl}\&le;y_{ij}\&le;y_{ij0}$

其中，y_ij为实际测量值，y_ij0为初始值，y_ijl为限定值，C_ij为归一化后所得值。

5.根据权利要求1所述的方法，其特征在于，所述步骤3)中，采用模糊层次分析法获取配电设备关键特征量权重，具体步骤如下：

3-1收集多专家判断的模糊偏好信息，建立模糊判断矩阵；

3-2将模糊判断矩阵归一化，获得归一化的综合判断矩阵；

3-3计算各指标的可能度，构建可能度矩阵；

3-4根据可能度矩阵，求取各指标的相对权重，取其最小值；完成配电设备关键特征量权重的获取。

6.根据权利要求5所述的方法，其特征在于，所述步骤(3-1)中，建立模糊判断矩阵A：

其中，a_ij＝(l_ij,m_ij,u_ij),l_ij为三角模糊数的上限值，m_ij为中间值，u_ij为下限值，

$a_{ij}=a_{ji}^{-1}=(\frac{1}{u_{ij}},\frac{1}{m_{ij}},\frac{1}{l_{ij}}),i,j=1,2,...,n.$

7.根据权利要求5所述的方法，其特征在于，所述步骤(3‐2)中，获得归一化的综合判断矩阵包括，将模糊判断矩阵的每一行中相对应的模糊数相加，则：

${\mathrm{RS}}_i=\underset{j=1}{\overset{n}{\&Sigma;}}{a}_{ij}=(\underset{j=1}{\overset{n}{\&Sigma;}}{l}_{ij},\underset{j=1}{\overset{n}{\&Sigma;}}{m}_{ij},\underset{j=1}{\overset{n}{\&Sigma;}}{u}_{ij})$

第i^th行元素的程度合成值由第i^th行元素RS_i占整行的百分比，公式如下：

$S_i={\mathrm{RS}}_i\&times;{\&lsqb;\underset{j=1}{\overset{n}{\&Sigma;}}{\mathrm{RS}}_j\&rsqb;}^{-1}$

其中， $\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{RS}}_j=\left(\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{l}_{ij},\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{m}_{ij},\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{u}_{ij},\right),i,j=1,2,\mathrm{...},n$ 为模糊判断矩阵中每行每列相对应元素之和； ${\left(\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{RS}}_j\right)}^{-1}=\left(\frac{1}{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{u}_{ij}},\frac{1}{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{m}_{ij}},\frac{1}{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{l}_{ij}}\right),$ S_i＝(l_i,m_i,u_i)为可能度值。

8.根据权利要求5所述的方法，其特征在于，所述步骤(3‐3)中，将两三角模糊数之间的可能度比较定义为：

且V(S_j≧S_i)的最小可能度d(A_i)为：

$d\left(A_i\right)=\underset{i,j\&Element;\{1,2,...,n\}}{min}V(S_i\&GreaterEqual;S_j),i=1,2,...,n$

则配电设备关键特征量权重的表达式为：

W＝(d(A₁),d(A₂),...,d(A_n))^T

其中，W表示需要决策的属性权重值，d(A_i)为通过第7步中的式子计算而得，n表示有n个需要决策的属性。

9.根据权利要求1所述的方法，其特征在于，所述步骤4)包括，首先，采用灰色关联度方法求解模型的隶属度，获得配电设备模糊综合评价矩阵，其表达式为：

${\mathrm{\&eta;}}_j\left(i\right)=\frac{\underset{j}{\min }\underset{i}{\min }|C_i^{*}-C_{ij}|+\mathrm{\&rho;}\underset{j}{\max }\underset{i}{\max }|C_i^{*}-C_{ij}|}{|C_i^{*}-C_{ij}|+\mathrm{\&rho;}\underset{j}{\max }\underset{i}{\max }|C_i^{*}-C_{ij}|}$

式中，η_j(i)为属性j下的第i个指标与第i个最优指标的关联系数，为第i个最优指标，C_ij为属性j下第i个指标的归一化值，为两级最小差值，为两级最大差值；

其次，将配电设备模糊综合评价矩阵η_j(i)的每一行归一化，即可得到证据融合所需要的原始信度分配函数。

10.如权利要求1所述的方法，其特征在于，步骤5)中，将各关键特征量的状态等级进行证据融合，其表达式如下：

$m\left(A\right)=\underset{A_1\&cap;A_2\&cap;...\&cap;A_n=A}{\&Sigma;}\frac{m_1\left(A_1\right)m_2\left(A_2\right)...m_n\left(A_n\right)}{1-K},$

m(Φ)＝0

$K=\underset{A_1\&cap;A_2\&cap;...\&cap;A_n=\mathrm{\&Phi;}}{\&Sigma;}{m}_1\left(A_1\right)m_2\left(A_2\right)...m_n\left(A_n\right)$

其中，A₁，A₂，…,An表示识别框架的子集，A₁∩A₂∩…∩A_n＝A表示各子集相交的非空子集，m(A)为最终的融合结果，空集的信度函数值为0，K表示各子集之间的冲突系数，即各子集相交(A₁∩A₂∩…∩A_n＝Φ)为空集时的融合结果。

11.如权利要求1所述的方法，其特征在于，所述步骤6)包括：定义融合结果中最大值即为最终的健康指数值，用于表示设备目前所处的健康状态。