CN105527112A - 一种基于使用与维修影响的旋转机械设备健康状态综合评估方法 - Google Patents

Abstract

本发明公开一种基于使用和维修影响的旋转机械设备健康状态综合评估方法，本发明基于设备健康状态受各种不同因素的综合影响，分析梳理相关影响因素，并划分为技术状态因素和非技术状态因素，界定“固有健康度”和“综合健康度”的概念定义。针对旋转机械设备，利用其退化状态监测数据，基于小波包分解(WPD)与自组织映射网络(SOM)评估固有健康度。考虑役龄、工况影响，构建比例退化模型，基于固有健康度的评估结果，把役龄和工况的影响考虑进综合健康度评估中。构建比例健康恢复模型，进一步把维修活动的影响考虑进综合健康度评估中。基于PDM和PHR模型，通过对役龄、工况和维修活动影响的综合考虑，推导综合健康度演化规律。

Description

一种基于使用与维修影响的旋转机械设备健康状态综合评估方法

技术领域

本发明涉及旋转机械设备的智能维护(IM)技术领域。更具体地，涉及一种基于使用与维修影响的旋转机械设备健康状态综合评估方法。

背景技术

目前，在缩减维修费用、缩短维修停机时间及提高装备可用度等需求的牵引下，在传感器数据采集、数据传输，计算机运算，模式识别，人工智能等技术飞速发展的驱动下，设备维修策略从被动的修复性维修FAF(FailandFix)、盲目的定期预防维修，向基于状态的维修以及预测维修方向发展，以实现设备主动维护模式PAP(PredictandPrevent)。相关研究表明99％的机械故障尤其是旋转机械故障都能由可测的信号参数表征其发展过程，当前的问题和挑战是，如何将设备状态监测数据以及役龄、工况、维修活动等使用和维修因素综合转换成直观有效的健康状态信息，以综合评估和实时监测设备综合健康度，从而更好地支撑设备健康管理和维修辅助决策。

申请号为201210413081.9的中国专利公开了一种基于费希尔判别分析与马氏距离的旋转机械健康评估与故障诊断方法，该发明基于小波包分解提取能量特征向量，构建判别分析函数并进行健康状态评估，对旋转机械设备进行故障检测和故障诊断。这种通过传感器获得状态监测数据进行性能状态评估的方法，评估结果可以被称之为“固有健康度”。该方法没有综合考虑如役龄、工况及维修活动等技术因素的影响。因此，不能全面表征反映设备的综合健康水平，在工程应用中具有一定的局限性。

发明内容

本发明要解决的技术问题是提供一种基于使用和维修影响的旋转机械设备健康状态综合评估方法，该方法解决了进行旋转机械健康状态评估时，现有方法依赖于由各类传感器获得的状态监测数据，没有综合考虑役龄、工况、维修活动等使用和维修因素的影响这一问题。

为解决上述技术问题，本发明采用下述技术方案：

一种基于使用与维修影响的旋转机械设备健康状态综合评估方法，包括以下步骤：

采集旋转机械设备在工作状态下的监测数据；

采集旋转机械设备的役龄、工况和维修活动数据；

利用所采集的监测数据，基于小波包分解(WPD)与自组织映射网络(SOM)评估旋转机械设备的固有健康度；

在所得到的固有健康度基础上，利用所采集的役龄和工况数据，构建比例退化模型(PDM)；

在所构建的比例退化模型的基础上，基于所采集的维修活动数据构建比例健康恢复模型(PHR)；

根据最近一次维修活动后瞬间恢复的综合健康度，减去最近一次维修活动后随时间变化综合健康度的退化，获得综合健康度。

优选地，所述基于使用与维修影响的旋转机械设备健康状态综合评估方法，具体包括以下步骤：

步骤一、分析健康状态影响因素：设备健康状态的演化受各种不同因素的综合影响，如图2所示。其中，第一技术状态因素是指在设备研制过程中确定了的设备自身运行因素，可以由传感器状态监测数据表征指示。步骤一的目的是分析影响因素，包括两方面，一是传感器状态监测数据，二是技术状态因素，如役龄、维修活动、工况。其中传感器状态监测数据可以包括振动、压力、温度等，本案例主要针对的是振动数据。

第二技术状态因素是指设备服役运行过程随外界条件例如时间等客观影响因素的变化而变化的状态因素，例如役龄，维修活动，工况(包括运行状况和环境状况)。

役龄是指设备的内在过程，在这个过程中设备逐渐发生退化，并且在每个连续的役龄阶段将使设备更接近失效或者故障停机。总体上来说，役龄就是设备已投入使用的累积时间，役龄反映一个设备的状态退化或者老化程度。

工况，主要包含两个方面：运行状况和环境状况。运行状况指的是设备的运行模式，例如是连续工作还是间断工作，以及是满载荷还是部分载荷，运行状况也跟设备遭受的应力条件有关。环境条件是指设备运行所处的环境参数，包括温度、湿度和辐射等，工作过程中设备经常暴露在不同的环境状况下。

维修活动，维修之后设备健康状态会以不同的速率退化，并且不同的维修项目、不同的维修时机，以及不同的维修人员都将产生不同的维修效果，从而导致设备维修后健康状态恢复程度不同。

步骤二、综合健康度概念定义：界定“固有健康度”和“综合健康度”的概念定义。固有健康度定义为在标准工况下，由传感器获取的状态监测数据评估度量出的设备健康水平，这是从标准工况的角度来考虑的。

综合健康度定义为在固有健康度评估基础上，考虑设备役龄，变化的工况及维修活动等非技术状态因素影响综合评估度量出的设备健康水平，这是从考虑设备自身因素、变工况及其它客观因素影响的角度考虑的。

步骤三、固有健康度评估：针对旋转机械设备，利用其退化状态监测数据，基于自组织映射网络(SOM)评估固有健康度。具体流程如下：

(1)自组织映射网络的初始化

设定自组织映射网络的一些基本参数，例如最大训练长度及自组织映射网络中总的神经元的个数。网络中总的神经元的个数n＝d*d可根据样本量k按经验公式设定：

$d=\left[\sqrt{5*\sqrt{k}}\right]$

随机对n个输入神经元到输出神经元的连接权值赋予较小的权值，其中，k为训练样本数量。

(2)确定最佳匹配单元

在设备正常状态下获取传感器数据，利用小波包分解提取能量特征，构成训练特征数据集，从训练数据集中选取一个样本x，计算样本与每个输出节点之间的欧氏距离，选出与样本x距离最近的输出节点，这个节点称为该输入样本的最佳匹配单元(BMU)，记为m_c，并给出其邻接神经元集合：

$\left|\right|{x-m}_c\left|\right|=\underset{i}{\min }\left\{\right|\left|{x-m}_i\right|\left|\right\}---\left(1\right)$

(3)权值的学习

根据事先定义的邻域函数确定处于最佳匹配单元邻域内的节点，调整BMU及邻域内节点的权值：

w_i(t+1)＝w_i(t)+α(t)h_ci(t)(x(t)-w_i(t))(2)

其中，w_i(t)代表第t步的i节点的权值；α(t)为第t步的学习率，为随时间逐渐下降的[01]区间上的函数；h_ci(t)为邻域函数；

(4)是否达到预先设定的要求

如果未达到最大训练长度，则返回步骤(2)继续训练，否则训练结束。

(5)应用SOM的健康表征

计算实时能量特征数据D与BMU之间的距离，即最小量化误差(MinimumQuantizationError,MQE)：

MQE＝||D-m_BMU||(3)

式中，D为输入的测试样本向量，该向量由传感器状态监测数据通过小波包分解得到，m_BMU为最佳匹配单元BMU的权重。

对MQE进行归一化：

$\mathrm{CV}=1-\arctan (\sqrt{\mathrm{MQE}}/a)/(\mathrm{\π}/2)---\left(4\right)$

式中，a是一个尺度参数，它是由正常基准状态下的MQE和设定基准CV确定的，它能够自适应地调节CV的变化。CV就是设备的固有健康度，对于实时监测评估的固有健康度可标示为hi(t)。

步骤四、考虑役龄、工况影响：构建比例退化模型(ProportionalDegradationModel,PDM)，基于固有健康度的评估结果，把役龄和工况的影响考虑进综合健康度评估中。

定义向量z是一个q×1的向量包含q个解释变量，这些解释变量代表设备的役龄和工作状况(q＝3)，也就是役龄以AG表示，环境状况以EC表示和运行状况以OC表示。每个协变量都可能是连续型或者离散型变量。从而，PDM模型可以表示为:

H_r(t)＝H_r(0)-ψ(z)(H_i(0)-H_i(t))t≥0(5)

式中，H_r(t)和H_i(t)分别代表时刻t的综合健康度和固有健康度。H_r(0)和H_i(0)分别是初始综合健康度和固有健康度，在设备的安装启用时刻，它们都等于“1”。ψ(z)是一个连接函数，它依赖于向量z中的解释变量，并且满足ψ(0)＝1。对于所有向量z，ψ(z)>0，z＝0表示没有考虑第二技术状态因素。连接函数常用的数学表达式为线性对数形式，ψ(z)可表示为:

$\mathrm{\ψ}\left(z\right)=e^{{\mathrm{\β}}^{T}z}---\left(6\right)$

式中，β是一个对应于解释变量的q×1回归系数向量，β^T是β的转置。三个回归系数可表示为β_AG，β_EC和β_OC，分别对应于役龄、环境状况和运行状况。从而上式可具体为：

$\mathrm{\ψ}\left(z\right)=e^{{\mathrm{\β}}_{\mathrm{AG}}\·\mathrm{AG}+{\mathrm{\β}}_{\mathrm{EC}}\·\mathrm{EC}+{\mathrm{\β}}_{\mathrm{OC}}\·\mathrm{OC}}---\left(7\right)$

步骤五、基于考虑维修活动影响：构建比例健康恢复模型(ProportionalHealthRecoveryModel,PHR)，进一步把维修活动的影响考虑进综合健康度评估中。

在PHR模型中，每次维修活动都以因子ε成比例地恢复设备的综合健康度，其中，ε取值[01]。如果ε＝0，PHR模型退化为最小维修即修如旧(asbadasold,BAO)，反之，如果ε＝1，它就变为完全维修即修如新(asgoodasnew,GAN)。这也就表明PHR模型是对GAN和BAO模型的概括。

设定t_i是设备执行第i维修活动的时间点，T_i是第i-1次和第i次维修活动之间的时间间隔。hr_i ⁺和hi_i ⁺分别代表设备第i维修后瞬间的综合健康度和固有健康度。hr_i(t)是设备第i-1次维修后在时刻t的综合健康度；hi_i(t)是设备第i-1次维修后在时刻t的固有健康度，它是通过传感器获取的实时状态监测数据评估计算得出的。ψ(z_i)是连接函数，且z_i是一个协变量向量，它代表设备在i-1个维修间隔内的役龄、运行状况和环境状况，ε_i代表第i次维修活动的有效性。

从而，在第一个维修间隔期，综合健康度的演化如下：

0≤t≤t₁,hr₁(t)＝1-ψ(z₁)(1-hi₁(t))(8)

hr₁ ^-＝hr₁(t₁),hr₁ ⁺＝1-(1-ε₁)·(1-hr₁ ^-)(9)

在第二个维修间隔期：

t₁≤t≤t₂,hr₂(t)＝hr₁ ⁺-ψ(z₂)(hi₁ ⁺-hi₂(t))(10)

hr₂ ^-＝hr₂(t₂),hr₂ ⁺＝1-(1-ε₂)·(1-hr₂ ^-)(11)

依此类推，在第m个维修间隔期：

t_m-1≤t≤t_m,hr_m(t)＝hr_m-1 ⁺-ψ(z_m)(hi_m-1 ⁺-hi_m(t))(12)

hr_m ^-＝hr_m(t_m),hr_m ⁺＝1-(1-ε_m)·(1-hr_m ^-)(13)

在以上各式中，役龄、工作状况和维修有效性在不同时间都是变化的。设定hT为综合健康阈值，也就是说只要综合健康度低于hT，就要触发并执行维修活动：

hr₁ ^-＝hr₂ ^-＝…＝hr_m ^-＝hT(14)

hr₁(t₁)＝hr₂(t₂)＝…＝hr_m(t_m)＝hT(15)

其中，t₁,t₂,…,t_m可由(8)-(13)式推导得出，从而维修间隔期T₁,T₂,…,T_m也可得出。

步骤六、综合健康度演化：给定时刻的综合健康度可表示为最近一次维修活动后瞬间恢复的综合健康度(PHR模型对维修活动影响的考虑)减去最近一次维修活动后随时间变化综合健康度的退化(PDM模型对役龄和工况影响的考虑)。

令hr_m(t,ε,Z)为在第m-1和第m次连续两次维修活动中随时间t的综合健康度演化。其中，参数ε是一个向量组{ε₁,ε₂,…,ε_m-1}，代表直到时刻t设备所经历的第1次到第m-1次各次维修活动的维修有效性；Z是一个向量组{z₁,z₂,…,z_m}且其中的元素z_i是一个协变量向量，Z的元素代表设备在第1个到第i-1个维修间隔内的役龄、运行状况和环境状况。如图3所示，第m-1次维修活动后，综合健康度的演化可概括为：

hr_m(t,ε,Z)＝hr_m-1 ⁺-ψ(z_m)(hi_m-1 ⁺-hi_m(t))(16)

hr_m ^-＝hr_m(t_m),hr_m ⁺＝1-(1-ε_m)·(1-hr_m ^-)(17)。

本发明的有益效果如下：

(1)本发明构建了一个综合考虑使用和维修影响的健康状态综合评估框架，首次解决了旋转机械综合健康管理的难点问题，实现了旋转机械设备的综合健康评估；

(2)分析梳理了旋转机械设备健康状态的各类影响因素，影响要素分析全面合理，为健康状态综合评估提供了必要支撑；

(3)引入了不完全维修的概念，弥补了当前所提最小维修和完全维修概念的不足，对维修活动影响的考虑更为充分全面，更符合实际情况；

(4)鉴于当前对于设备健康度缺乏确定统一的定义，本发明结合实际，创新性地提出了“固有健康度”和“综合健康度”的概念定义，为后续健康评估技术的研究应用提供借鉴指导；

(5)创造性地构建了比例退化模型(ProportionalDegradationModel,PDM)和比例健康恢复模型(ProportionalHealthRecoveryModel,PHR)，模型构思新颖，原理简单，可操作性强；

(6)与现有的设备健康评估方法相比，本发明方法更为严谨，符合实际，效果显著，具有一定的研究指导价值和工程应用价值。

附图说明

下面结合附图对本发明的具体实施方式作进一步详细的说明。

图1是本发明实施例1的旋转机械设备健康状态综合评估方法整体步骤流程图；

图2是本发明实施例1步骤一中旋转机械设备综合健康度影响因素分析图；

图3是本发明实施例1步骤六中综合健康度演化过程理论图；

图4是本发明实施例1中设备固有健康度退化趋势及其拟合结果图；

图5是本发明实施例1中固有健康度仿真结果以及综合健康度评估演化结果；

图6是本发明实施例1中不同维修有效性条件下固有健康度的演化结果图；

图7是本发明实施例1中不同维修有效性条件下综合健康度的演化结果图；

图8是本发明实施例1中不同役龄、工况条件下固有健康度的演化结果图；

图9是本发明实施例1中不同役龄、工况条件下综合健康度的演化结果图；

图10是本发明实施例1中不同综合健康度阈值下固有健康度的演化结果图；

图11是本发明实施例1中不同综合健康度阈值下综合健康度的演化结果图。

具体实施方式

为了更清楚地说明本发明，下面结合优选实施例和附图对本发明做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解，下面所具体描述的内容是说明性的而非限制性的，不应以此限制本发明的保护范围。

实施例1

局限于当前的实验条件和工程应用条件，缺少连续执行若干次维修活动的全寿命状态监测数据，本案例采用实物实验和数据仿真相结合的方法进行验证，并做以下合理的设定：

(1)采取基于综合健康状态的维修策略，也就是只有在综合健康度低于设定阈值hT时才触发和执行维修活动；

(2)将每次维修活动的维修有效性设定为一个常数(ε_k＝ε)，取值范围为0到1；

(3)执行维修活动造成的设备停机时间与设备运行时间相比可以忽略不计；

(4)假定工作状况处于连续恶化状态。

表1给出了参数hT，ε和ψ(z_i)的参考值，其中ψ(z_i)可以公式(7)计算得出。役龄因子(AG)，运行状况(OC)和环境状况因子(EC)由工程经验及相关信息得出，回归系数β_AG，β_EC和β_OC可通过参数估计方法进行估计。然而，由于缺乏估计回归系数的相关数据，根据假设(4)及工程经验给出一个连接函数的经验公式这表征着连续增长的役龄和不断恶化的工况。

表1PDM和PHR模型所需参数的参考值

参数	参考值
		ε	0.6
hT	0.7
		ψ(zi)	1.1+i/13

具体步骤如下：

步骤一、固有健康度评估与仿真

首先，使用振动加速度传感器和配套数据传输设备，从一个旋转设备上采集的振动信号，设定轴转速为2000rpm、采样频率为20000Hz。对振动信号，应用小波包分解的方法提取能量特征向量。

在经正常状态能量特征向量样本训练后的SOM网络中，将实时监测得到的特征向量样本转化为MQE，进一步归一化为固有健康度CV(取值0到1，分别代表不可接受的失效状态和正常状态)。固有健康度的评估结果如图4的蓝点所示。这些结果是离散的点，不便于后续的综合健康度评估演化分析。因此，本案例中，采用8元高斯函数对离散的固有健康度结果进行拟合：

$f\left(x\right)=\underset{i=1}{\overset{8}{\mathrm{\Σ}}}{a}_i{e}^{-{\left({x-b}_i\right)}^2/{c_i}^2}---\left(18\right)$

由图4可以看出，红色的曲线就是拟合结果，并且拟合结果非常吻合原始固有健康度的变化趋势，可以标记这一固有健康度的拟合结果为hi(t)。

步骤二、使用及系列维修活动后的固有健康度仿真

局限于当前的实验条件和工程应用条件，很难获得连续执行若干次维修活动后的真实固有健康度曲线。因此，根据第一次维修活动前评估得出的原始固有健康度曲线仿真一系列维修活动后的固有健康度的连续演化趋势。

仿真过程表述如下：

Step1:第一次维修活动后，标示出维修后瞬间的固有健康度hi₁ ⁺在原始固有健康度曲线hi(t)中的起始点p₁；

0≤t≤t₁,hi₁(t)＝hi(t),hi₁ ^-＝hi₁(t₁)

hi₁ ⁺＝1-(1-ε₁)(1-hi₁ ^-)-γ₁,hi₁ ⁺＝hi(p₁)→p₁

Step2:根据p₁和hi(t)，仿真第二个维修间隔期内的固有健康度曲线hi₂(t)，第二次维修活动后，标示出维修后瞬间的固有健康度hi₂ ⁺在原始固有健康度曲线hi(t)中的起始点p₂；

t₁≤t≤t₂,hi₂(t)＝hi(t-t₁+p₁),hi₂ ^-＝hi₂(t₂)

hi₂ ⁺＝1-(1-ε₂)(1-hi₂ ^-)-γ₂,hi₂ ⁺＝hi(p₂)→p₂

Step3:同上原理，仿真固有健康度曲线hi₃(t)，并标示出起始点p₃；

t₂≤t≤t₃,hi₃(t)＝hi(t-t₂+p₂),hi₃ ^-＝hi₃(t₃)

hi₃ ⁺＝1-(1-ε₃)(1-hi₃ ^-)-γ₃,hi₃ ⁺＝hi(p₃)→p₃

Stepm:仿真第m个维修间隔期内的固有健康度曲线hi_m(t)，并标示出起始点p_m；

t_m-1≤t≤t_m,hi_m(t)＝hi(t-t_m-1+p_m-1),hi_m ^-＝hi_m(t_m)

hi_m ⁺＝1-(1-ε_m)(1-hi_m ^-)-γ_m,hi_m ⁺＝hi(p_m)→p_m

式中，γ₁,γ₂,…,γ_m是考虑到故障诊断和维修的不彻底性，维修后设备的磨合状态及其它不确定性因素影响而设置的修正因子，并且假定它们服从0均值的高斯分布。通过以上迭代过程，可以仿真出每次维修活动后固有健康度的演化趋势。

步骤三、综合健康度评估

图5给出了固有健康度的仿真结果以及相应的综合健康度评估演化结果，参数hT，ε和ψ(z_i)的设置如表1所示。仿真结果与图3所示的理论分析结果相一致。表2列出了从综合健康度演化推导出的维修间隔期，可以看出，维修间隔期呈现递减趋势，这可以解释为：随着连续增长的役龄和逐渐恶化的工作状况，综合健康状态加速恶化并快速达到设定阈值，从而采取适当的维修活动。这一结果验证了之前假设(4)。

表2维修间隔变化趋势

T1	T2	T3	T4	T5	T6	T7	T8	T9	T10	T11	T12	T13
													686	307	111	105	103	99	95	93	90	87	84	81	78

步骤二、影响因素灵敏度分析

(1)维修有效性灵敏度分析

图6和图7展示了在不同维修有效性ε(0.5,0.55,0.6)下固有健康度和综合健康度的演化趋势。当维修有效性得到提高，维修后综合健康度的恢复程度也得到更大的提高，退化速度也得到改善。从而，设备综合健康度达到设定阈值的时间得以延迟，维修间隔期也相应的延长，如表3所示。

表3不同维修有效性条件下的维修间隔期

ε	T1	T2	T3	T4	T5	T6	T7	T8	T9	T10	T11	T12	T13
														0.5	686	95	91	89	86	82	81	78	74	71	67	63	57
0.55	686	102	100	97	93	91	88	85	81	80	77	73	70
														0.6	686	307	111	105	103	99	95	93	90	87	84	81	78

(2)役龄和工况灵敏度分析

图8和图9展示了在不同役龄和工况水平条件(可转化为不同的连接函数值ψ(z)(1.1,1.2,1.3))下固有健康度和综合健康度的演化趋势，并且在每个维修间隔期都假定ψ(z)为常数(1.1或者1.2或者1.3)。当连接函数值增加，这意味着役龄增长和工况包括运行状况和环境状况的恶化，综合健康状态恶化更为严重。从而，综合健康度以更高的退化速率快速达到设定阈值，维修间隔期也相应缩短，如表4所示。

表4不同役龄和工况条件下的维修间隔期

ψ(z)	T1	T2	T3	T4	T5	T6	T7	T8	T9	T10	T11	T12	T13
														1.1	686	358	320	163	108	104	100	97	94	91	88	85	82
1.2	681	355	317	159	105	101	97	94	91	89	86	83	80
														1.3	674	351	314	156	101	98	94	92	89	86	84	81	78

(3)综合健康度阈值灵敏度分析

图10和图11展示了在不同综合健康度阈值hT(0.7,0.65,0.6)条件下固有健康度和综合健康度的发展演化趋势。不论何时综合健康度达到设定阈值，就触发并执行维修活动。如果阈值设置的较高，综合健康度将更早达到阈值，从而维修间隔也相应缩短；相反，较低的阈值将会延长维修间隔期，如表5所示。一个较高的阈值表示一个更加保守严厉的维修策略，这将导致频繁的维修和高昂的维修费用。

表5不同综合健康度阈值下的维修间隔期

hT	T1	T2	T3	T4	T5	T6	T7	T8	T9	T10	T11	T12	T13
														0.6	702	368	330	172	117	112	108	105	102	99	95	92	89
0.65	695	363	325	167	112	107	103	100	97	94	91	88	84
														0.7	686	357	319	161	106	101	97	94	91	88	85	82	79

通过以上综合评估方法以及结果的详细描述，可见本发明的健康状态综合评估方法能够实现考虑使用和维修影响的旋转机械设备综合健康度评估，评估效果显著，具有明显的实际应用价值。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定，对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。

Claims (5)

1.一种基于使用与维修影响的旋转机械设备健康状态综合评估方法，其特征在于，包括以下步骤：

采集旋转机械设备在工作状态下的监测数据；

采集旋转机械设备的役龄、工况和维修活动数据；

利用所采集的监测数据，基于小波包分解与自组织映射网络评估旋转机械设备的固有健康度；

在所得到的固有健康度基础上，利用所采集的役龄和工况数据，构建比例退化模型；

在所构建的比例退化模型的基础上，基于所采集的维修活动数据构建比例健康恢复模型；

根据最近一次维修活动后瞬间恢复的综合健康度，减去最近一次维修活动后随时间变化综合健康度的退化，获得综合健康度。

2.根据权利要求1所述的基于使用与维修影响的旋转机械设备健康状态综合评估方法，其特征在于，所述评估旋转机械设备的固有健康度包括以下步骤：

(1)自组织映射网络的初始化

设定自组织映射网络最大训练长度及自组织映射网络中总的神经元的个数d，网络中总的神经元的个数d根据样本量k按公式设定：

$d=\left[\sqrt{5*\sqrt{k}}\right]$

随机对n个输入神经元到输出神经元的连接权值赋予权值；

(2)确定最佳匹配单元

获取传感器数据，利用小波包分解提取能量特征，构成训练特征数据集，从训练数据集中选取一个样本x，计算样本与每个输出节点之间的欧氏距离，计算与样本x距离最近的输出节点作为输入样本的最佳匹配单元m_c，最佳匹配单元的邻接神经元集合：

$\left|\right|x-m_c\left|\right|=\underset{i}{\min }\left\{\right||x-m_i|\left|\right\}---\left(1\right)$

(3)权值的学习

根据邻域函数确定处于最佳匹配单元邻域内的节点，确定最佳匹配单元及邻域内节点的权值：

w_i(t+1)＝w_i(t)+α(t)h_ci(t)(x(t)-w_i(t))(2)

其中，w_i(t)为第t步的i节点的权值；α(t)为第t步的学习率，为随时间逐渐下降的[01]区间上的函数；h_ci(t)为邻域函数；

(4)确定是否达到预先设定的要求

如果未达到最大训练长度，则返回步骤(2)继续训练，否则训练结束；

(5)应用SOM的健康表征

计算实时能量特征数据D与最佳匹配单元之间的距离得到最小量化误差：

MQE＝||D-m_BMU||(3)

式中，D为输入的测试样本向量，m_BMU为最佳匹配单元的权重，

对最小量化误差进行归一化：

$\mathrm{CV}=1-\arctan (\sqrt{\mathrm{MQE}}/a)/(\mathrm{\π}/2)---\left(4\right)$

式中，a为尺度参数，由正常基准状态下的最小量化误差和设定的基准值CV确定，a能够自适应地调节设备的固有健康度的变化，实时监测评估的固有健康度可标示为hi(t)。

3.根据权利要求1所述的基于使用与维修影响的旋转机械设备健康状态综合评估方法，其特征在于，所述构建比例退化模型包括以下步骤：

定义协变量向量z为q×1的向量，包含q个解释变量，其中，q＝3，包括役龄AG，环境状况EC和运行状况OC；每个协变量都是连续型或者离散型变量；

得到比例退化模型为:

H_r(t)＝H_r(0)-ψ(z)(H_i(0)-H_i(t))t≥0(5)

式中，H_r(t)和H_i(t)分别代表时刻t的综合健康度和固有健康度，H_r(0)和H_i(0)分别是初始综合健康度和固有健康度，ψ(z)是连接函数，依赖于向量z中的解释变量，并且满足ψ(0)＝1，对于所有向量z，ψ(z)>0，ψ(z)表示为:

$\mathrm{\ψ}\left(z\right)=e^{{\mathrm{\β}}^{T}z}---\left(6\right)$

式中，β为对应于解释变量的q×1回归系数向量，β^T为β的转置，三个回归系数表示为β_AG，β_EC和β_OC，分别对应于役龄、环境状况和运行状况，从而上式可具体为：

$\mathrm{\ψ}\left(z\right)=e^{{\mathrm{\β}}_{\mathrm{AG}\·}\mathrm{AG}+{\mathrm{\β}}_{\mathrm{EC}}\·\mathrm{EC}+{\mathrm{\β}}_{\mathrm{OC}}\·\mathrm{OC}}---\left(7\right).$

4.根据权利要求1所述的基于使用与维修影响的旋转机械设备健康状态综合评估方法，其特征在于，所述构建比例健康恢复模型包括以下步骤：

设定t_i是设备执行第i维修活动的时间点，T_i是第i-1次和第i次维修活动之间的时间间隔，和分别代表设备第i维修后瞬间的综合健康度和固有健康度，hr_i(t)是设备第i-1次维修后在时刻t的综合健康度；hi_i(t)是设备第i-1次维修后在时刻t的固有健康度，通过传感器获取的实时状态监测数据评估计算得出，ψ(z_i)是连接函数，且z_i是一个协变量向量，代表设备在i-1个维修间隔内的役龄、运行状况和环境状况，ε_i代表第i次维修活动的有效性，

得到在第一个维修间隔期，综合健康度的演化如下：

0≤t≤t₁,hr₁(t)＝1-ψ(z₁)(1-hi₁(t))(8)

hr₁ ^-＝hr₁(t₁),hr₁ ⁺＝1-(1-ε₁)·(1-hr₁ ^-)(9)

在第二个维修间隔期：

t₁≤t≤t₂,hr₂(t)＝hr₁ ⁺-ψ(z₂)(hi₁ ⁺-hi₂(t))(10)

hr₂ ^-＝hr₂(t₂),hr₂ ⁺＝1-(1-ε₂)·(1-hr₂ ^-)(11)

依此类推，在第m个维修间隔期：

t_m-1≤t≤t_m,hr_m(t)＝hr_m-1 ⁺-ψ(z_m)(hi_m-1 ⁺-hi_m(t))(12)

hr_m ^-＝hr_m(t_m),hr_m ⁺＝1-(1-ε_m)·(1-hr_m ^-)(13)

在以上各式中，役龄、工作状况和维修有效性在不同时间都是变化的，设定hT为综合健康阈值，只要综合健康度低于hT，就触发并执行维修活动：

hr₁ ^-＝hr₂ ^-＝…＝hr_m ^-＝hT(14)

hr₁(t₁)＝hr₂(t₂)＝…＝hr_m(t_m)＝hT(15)

其中，由(8)-(13)式推导得出t₁,t₂,…,t_m和维修间隔期T₁,T₂,…,T_m。

5.根据权利要求1所述的基于使用与维修影响的旋转机械设备健康状态综合评估方法，其特征在于，所述获得综合健康度包括以下步骤：

设hr_m(t,ε,Z)为在第m-1和第m次连续两次维修活动中随时间t的综合健康度演化，其中，参数ε为向量组{ε₁,ε₂,…,ε_m-1}，代表直到时刻t设备所经历的第1次到第m-1次各次维修活动的维修有效性；Z为向量组{z₁,z₂,…,z_m}且元素z_i是协变量向量，Z的元素代表设备在第1个到第i-1个维修间隔内的役龄、运行状况和环境状况，第m-1次维修活动后，综合健康度的演化为：

hr_m(t,ε,Z)＝hr_m-1 ⁺-ψ(z_m)(hi_m-1 ⁺-hi_m(t))(16)

hr_m ^-＝hr_m(t_m),hr_m ⁺＝1-(1-ε_m)·(1-hr_m ^-)(17)。