CN106682835B - 一种数据驱动的复杂机电系统服役质量状态评估方法 - Google Patents

Abstract

本发明公开了一种数据驱动的复杂机电系统服役质量状态评估方法，以反映系统服役质量状态的DCS状态监测数据和系统业务管理数据为基础，以信息融合理论为依据，对企业的复杂机电系统服役质量状态进行实时评估和预警，对可能发生的安全事故提前进行预警预防，辅助科学维修维护，从而提高企业安全生产水平。

Description

一种数据驱动的复杂机电系统服役质量状态评估方法

技术领域

本发明属于复杂机电系统服役质量状态监控与分析领域，涉及一种系统服役质量状态评估方法，具体涉及一种数据驱动的复杂机电系统服役质量状态评估方法。

背景技术

频繁发生的安全事故已成为我国当前建设和谐社会的一个非常不和谐的因素，但是，由于流程工业过程与系统的复杂性，人们对事故发生的根本原因与机理无法准确把握，无法对生产系统的服役质量状态进行准确分析、预警，无法对潜在危险通过科学维护维修予以排除和预防，造成企业安全生产形势得不到有效遏制和改善，使得开展复杂机电系统服役质量状态评估研究十分必要和迫切。为此，需要对复杂机电系统服役质量状态进行准确、科学、全面的评估与预警，对可能发生的安全事故进行提前预防。

传统的复杂机电系统服役质量状态评估方法可以分为三类：基于解析模型的、基于知识的、基于数据驱动的方法。基于解析模型的分析方法以系统的数学模型为基础，利用状态观测器、卡尔曼滤波器、参数估计辨识和等价空间方程等方法产生残差，然后基于某种准则或阈值对残差进行分析与评价，以实现状态判断，如状态观测法、参数估计法和等价关系法等；基于知识的方法以领域专家或操作者的启发式经验或模型知识为核心，如专家系统、模糊推理、故障树等；数据驱动的方法不依赖于准确的动态模型，而是针对动态过程的输入输出数据进行信息处理和特征提取，避免了过程建模困难的问题；同时这类方法对于系统先验知识没有严格的要求，避免了过于依赖先验知识的问题，又可以细分为基于多元统计的方法，如PCA、KPCA等；基于混沌理论和非线性分析的方法；基于去趋势波动分析的方法；基于复杂网络理论和图论的方法；基于数据可视化与听觉化的方法和基于多源信息融合方法。

从系统的角度看，复杂机电系统是一个有诸多大型动力机械装置通过能量、流体、电力、控制信号等多介质网络耦合而成的分布式复杂机电系统，这样的系统在服役质量状态评估方面存在3个问题：(1)系统点多线长、影响因素众多，系统服役质量状态监测变量之间耦合关系复杂，难以对系统服役质量状态进行准确评估；(2)系统服役质量状态监测数据具有非线性、非平稳性等多特征并存的特点，缺乏有效的手段对其不同的服役质量状态进行有效区分；(3)目前还缺少成熟有效的系统服役质量状态评估装置与方法对系统服役质量状态进行综合分析与评估。

发明内容

为了解决现有技术中的问题，本发明提出一种数据驱动的复杂机电系统服役质量状态评估方法，以反映系统服役质量状态的DCS状态监测数据和系统业务管理数据为基础，以信息融合理论为依据，对企业的复杂机电系统服役质量状态进行实时评估和预警，对可能发生的安全事故提前进行预警预防，辅助科学维修维护，从而提高企业安全生产水平。

为了以上目的，本发明所采用的技术方案为：包括以下步骤：

1)历史数据处理：以复杂机电系统服役质量状态监测历史数据和复杂机电系统业务管理数据为基础，训练系统服役质量本征模式数据集，提取各模式的服役质量状态特征，并估计不同服役质量模式下不同特征的概率密度分布函数，概率密度分布函数作为支持度函数；

2)实时数据处理：以复杂机电系统的实时监测数据为基础，提取实时监测数据特征；

3)服役质量状态评估：将步骤2)得到的实时监测数据特征与步骤1)得到的特征支持度函数进行对比，采用多特征融合决策方法将实时监测数据特征进行融合，得到复杂机电系统服役质量状态评估结果。

所述步骤1)具体包括以下步骤：

1.1)从复杂机电系统服役质量状态监测历史数据和复杂机电系统业务管理数据中抽取复杂机电系统服役质量状态监测数据、复杂机电系统产品档案和维修维护记录数据，得到历史数据并进行预处理；

1.2)采用无监督时间序列聚类的方法对历史数据进行无监督聚类分析，划分为若干个系统服役质量本征模式数据集，每个系统服役质量本征模式数据集代表复杂机电系统服役质量的一个特定状态；

1.3)采用滑动窗口的方法将每个系统服役质量本征模式数据集划分为若干个数据片段，从系统性和网络性的角度分别提取每一个数据片段的复杂网络特征和多重分形特征，形成不同服役质量模式下的不同特征值序列；

1.4)对不同服役质量模式下的不同特征值序列进行核密度估计，得到不同服役质量模式下不同特征的概率密度分布函数，作为特征对服役质量模式的支持度函数。

所述步骤1.1)中预处理包括小波降噪、归一化和时间序列化。

所述步骤1.2)中无监督聚类分析具体为：给定一个长度为n的时间序列D＝{X₁,X₂,…,X_n}，时间序列聚类基于一个确定的相似度测度将D划分为C＝{c₁,c₂,…,c_k}个数据组，使得具有相同性质的数据被组合在一起，c_i为类或者簇，则历史数据的原始时间序列描述为：

所述步骤1.3)中提取各模式的服役质量状态特征具体为：基于步骤1.2)的无监督聚类分析得到k个数据类，从每个数据类中提取m个特征，则每个数据类的特征向量为：F_i＝[F_i,1,F_i,2,…F_i,m]，F_i为数据类c_i的特征向量；F_i,j，1≤j≤m为数据类c_i的第j个特征。

所述步骤1.4)中进行核密度估计采用如下公式：

式中，D_i为数据集中第i个数据点；H为带宽矩阵；K(x)为核函数。

所述核函数采用高斯核函数，定义：

则核密度估计公式为：

所述步骤2)具体包括以下步骤：

2.1)采用离散控制系统实时采集复杂机电系统的实时监测数据；

2.2)对实时监测数据进行小波降噪和归一化处理；

2.3)将实时监测数据划分为若干个数据片段，从系统性和网络性的角度分别提取每一个数据片段的复杂网络特征和多重分形特征，得到实时监测数据特征。

所述步骤3)中首先将步骤1)的服役质量状态特征和系统服役质量本征模式数据集映射为证据理论中的证据和辨识框架，然后将步骤2)的实时监测数据特征对步骤1)得到的特征支持度函数映射为证据理论中证据的基本概率分配函数，最后采用基于证据理论的多特征融合决策方法对实时监测数据特征进行融合，得到复杂机电系统服役质量状态评估结果。

所述步骤3)服役质量状态评估的具体步骤为：

3.1)定义证据理论的辨识框架，辨识框架定义为：Θ＝{H₁,H₂,…,H_N}，包含N个互斥的假设，用P(Θ)表示辨识框架Θ的幂集，幂集含有2^N个元素，幂集表示为：

式中：

表示空集，幂集中的N个仅含有一个元素的子集被称为焦元；

3.2)定义从P(Θ)到[0,1]的映射函数，映射函数为基本概率分配函数，映射函数需满足如下约束关系式：

式中，m(A)代表了所有相关的可用证据对P(Θ)的子集A的支持程度；

3.3)证据融合：设m₁和m₂是同一辨识框架下从两个不同信源所得到的基本概率分配函数m，根据Dempster合成规则，则

在证据理论的辨识框架下从两个不同的基本概率分配中获得新的基本概率分配：

式中，k为冲突系数，代表了证据源间不同基本概率分配之间的冲突程度，它是所有交集为空的子集基本概率分配的累积和，k值越大，代表证据间的冲突程度就越大，也就意味着合成结果中更少的确定信息；

为归一化因子，避免在合成时将非0的概率赋给

3.4)采用博弈概率实现基本概率分配和概率的转换，转换过程采用如下公式：

在D-S证据理论中，

则上式简化为：

式中，|X|为集合X中单元素子集的个数。

与现有技术相比，本发明采用无监督时间序列聚类的方法自动发现系统服役质量状态本征模式，无监督时间序列聚类是在不需要先验知识的前提下，按照指定的聚类规则，对混乱无序的时间序列进行无监督划分的方法；采用核密度估计的方法对不同服役质量状态下的特征值序列进行概率密度分布函数估计，用以构建评估特征对服役质量状态的支持度函数，核密度估计作为估计未知分布的随机变量概率密度分布的非参数化统计方法，在应用之前不需要对数据的基本分布做任何的假设，对于先验知识不足的复杂机电系统服役质量状态评估尤其适用；以证据理论为方法核心，证据理论作为概率理论的扩展，具有比概率论更宽松的应用条件，已经成为处理不准确、不精确甚至冲突信息的有力工具，被广泛应用于决策制定、风险评估和分类等问题，将复杂机电系统服役质量状态特征和服役质量状态本征模式集映射为证据理论中的证据和辨识框架，采用多源证据融合的方法从不准确、不精确甚至冲突的状态特征中获取准确、科学的评估结果。本发明能够对系统的服役质量状态进行准确的评估，能够对可能发生的复杂机电系统服役质量问题进行提前预警，指导对系统的科学维修维护，提高企业复杂机电系统服役质量状态评估的能力和自动化水平，辅助科学维修维护，提高企业安全生产水平。

附图说明

图1为本发明的方法流程图；

图2a为两个特征序列的概率密度分布函数没有交点的情况，图2b为两个特征序列的概率密度分布函数有一个交点的情况，图2c为两个特征序列的概率密度分布函数有两个交点的情况。

具体实施方式

下面结合具体的实施例和说明书附图对本发明作进一步的解释说明。

参见图1，本发明包括以下步骤：

1)历史数据处理：

历史数据处理步骤，以复杂机电系统服役质量状态监测历史数据和复杂机电系统业务管理数据为基础，训练复杂机电系统服役质量状态本征模式集，提取各模式的特征，并在此基础上估计不同模式下不同特征的概率密度函数，为后续的评估过程奠定评估标准。历史数据处理步骤通过以下处理环节实现：

1.1)数据抽取与预处理：从复杂机电系统服役质量状态监测历史数据和复杂机电系统业务管理数据中抽取复杂机电系统服役质量状态监测数据、复杂机电系统产品档案和维修维护记录数据；对系统服役质量状态监测历史数据进行小波降噪、归一化、时间序列化的预处理；

1.2)复杂机电系统服役质量状态本征模式自动发现：以1.1)获取的时间序列数据为基础，采用无监督时间序列聚类的方法，对其进行无监督聚类分析，将历史监测数据划分为不同的类簇(数据集)，每一类簇(数据集)代表了复杂机电系统服役质量的一个特定状态，通过无监督时间序列聚类的方法，实现复杂机电系统服役质量状态本征模式自动发现；

无监督时间序列聚类是本过程的理论基础，聚类的基础理论介绍如下：

聚类是一种在没有关于类别的先验定义的情况下，将相似数据元素划分为相关或相同数据组的一种数据挖掘技术，是一种不依赖于先验知识的划分大规模数据的有效解决方案。聚类技术已经被应用于如异常点检测、动态变化识别和模式发现等多个领域；

时间序列聚类是一种针对时间序列的无监督划分过程，给定一个长度为n的时间序列D＝{X₁,X₂,…,X_n}，时间序列聚类基于一个确定的相似度测度将D划分为C＝{c₁,c₂,…,c_k}个数据组，使得具有相同性质的数据被组合在一起，c_i被称为类或者簇，原始时间序列可以描述为：

稳定的系统服役质量状态取决于系统的稳定运行，对于一个系统服役质量状态而言，它总是会在一定时间内保持稳定的动力学特性，因此，系统的每一个服役质量状态都是一个稳定的统计模式；相反的，两个稳定模式的过渡状态，往往呈现非平稳和非高斯特性；

1.3)服役质量状态特征提取：采用滑动窗口的方法将1.2)中获得的每一个系统服役质量本征模式数据集划分为不同的数据片段，从系统性和网络性的角度，分别提取每一数据片段的复杂网络特征和多重分形特征，形成不同服役质量状态模式下的不同特征值序列；

特征提取用映射或变换的方法将原始数据转化为一组可识别信息，提取的特征可以反映原始数据的统计或非统计特性，经常被用来区分不同的数据元素；

假设基于时间序列聚类的方法，获得了k个数据类，从每个类中提取m个特征，则每个数据类的特征向量为：

F_i＝[F_i,1,F_i,2,…F_i,m] (2)

式中：F_i为数据类c_i的特征向量；F_i,j，1≤j≤m为数据类c_i的第j个特征；

1.4)基于概率密度估计的评估特征支持度函数构建：根据1.3)中输出的不同服役质量模式下不同特征的特征值序列，采用核密度估计的方法，进行核密度估计，估计不同服役质量模式下不同特征的概率密度分布函数，作为该特征对该服役质量模式的支持度函数；

核密度估计作为估计未知分布的随机变量概率密度分布的非参数化统计方法，在应用之前不需要对数据的基本分布做任何的假设，对于先验知识不足的复杂机电系统服役质量状态评估尤其适用；

从数学上理解，一个真实分布f(x)的核密度估计

可以看成是每一个数据点周围核中心的累积和，则：

式中：D_i为数据集中第i个数据点；H为带宽矩阵；K(x)为核函数，由于高斯核函数不需要数据的预先知识，在实际中应用较多，其定义为：

引入了高斯核函数之后，核密度估计就演变为：

带宽矩阵H是一个影响核密度估计光滑度的重要参数，对于高斯核来说，H通常是一个协方差矩阵，而且较大的H值往往会产生一个平核(产生平滑的密度估计)，而较小的H值往往会产生一个尖核(产生锯齿状的密度估计)；

基于概率密度估计的评估特征支持度函数构建的核心思想是：

(1)对每一个特征值序列进行核密度估计，得到每一个本征模式下该特征的概率密度分布函数；

(2)分别将上述概率密度函数作为辨识框架中单一特征对单一状态模式的支持度函数，使用多个概率密度分布函数的分段函数表征该特征对复合模式的支持度函数；

本实施例以两个特征序列的分布函数为例来说明多特征支持度函数的构造过程，这两个概率密度分布函数有如图2a～2c所示的3种重叠情况：

(1)对于图2a，虽然两个概率密度分布函数之间没有交点，但是其中一个函数全部位于另一个函数内部，这时位于内部的分布函数，作为该特征对单一服役质量状态的支持度函数；

(2)对于图2b和2c，两个概率分布函数至少有一个交点，这时该特征对复合模式的支持度函数是一个分段函数，该分段函数由两个概率密度分布函数横坐标的最大值、交点、最小值以及待分析数据间的关系具体确定；

(3)对于多于两个状态的复合模式的支持度函数构建过程可以由两个模式的情况类推得到；

2)实时数据处理：

实时数据处理步骤，以复杂机电系统的实时监测数据为基础，参照1.3)历史数据的特征提取方法，提取实时监测数据特征，为后续的评估过程准备数据，实时数据处理步骤通过以下处理环节实现：

2.1)数据采集：基于工业现场的离散控制系统和其他现场数据采集设备，实时采集复杂机电系统服役质量状态监测数据；

2.2)数据预处理：对2.1)获取的复杂机电系统服役质量状态实时监测数据进行小波降噪、归一化处理；

2.3)服役质量状态特征提取：参照1.3)历史数据的特征提取方法，提取实时监测数据的相应特征；

3)服役质量状态评估：

服役质量状态评估步骤连接历史数据处理结果和实时数据处理结果，以证据理论为核心，将2.3)输出的代表系统服役质量实时状态的不准确的、不精确的甚至冲突的特征，对比1.4)输出的复杂机电系统服役质量状态本征模式特征支持度函数，采用多特征融合的决策方法，将其融合为较为准确的、精确的复杂机电系统服役质量状态评估结果，完成数据驱动的复杂机电系统服役质量状态评估方法的实施过程；

证据理论是本步骤的理论基础，本发明将服役质量状态特征和其本征模式集合映射为证据理论中的证据和辨识框架，将评估特征对服役质量状态的支持度函数映射为证据理论中证据的BPA(Basic Probability Assignment，基本概率分配)函数，采用基于证据理论的多特征融合过程对上述信息进行处理；

证据理论主要包括辨识框架、基本概率分配、融合规则等概念：

3.1)辨识框架：

证据理论首先定义了一个辨识框架，该框架是一个假设的命题集合，通常用Θ＝{H₁,H₂,…,H_N}表示，它包含了N个互斥的假设，用P(Θ)表示辨识框架Θ的幂集，该幂集含有2^N个元素：

式中：

为空集，幂集中的N个仅含有一个元素的子集被称为焦元；

3.2)基本概率分配：

一旦确定了辨识框架，就可以定义从P(Θ)到[0,1]的映射函数，该映射函数被称为m函数或者基本概率分配(BPA)，该映射函数需满足约束关系式：

m(A)代表了所有相关的可用证据对P(Θ)的子集A的支持程度；

3.3)证据融合规则：

证据理论中的融合规则，也叫证据合成规则，假定m₁和m₂是同一辨识框架下从两个不同信源所得到的m函数，Dempster的合成规则，

是证据理论框架下从两个不同的BPA中获得新BPA的规则：

式中：k为冲突系数，代表了证据源间不同BPA之间的冲突程度，它是所有交集为空的子集BPA的累积和，k值越大，代表证据间的冲突程度就越大，也就意味着合成结果中更少的确定信息；

为归一化因子，作用是避免在合成时将非0的概率赋给

3.4)Pignistic概率转换：

证据理论源于概率论，BPA也和概率论有着千丝万缕的联系，但是由于BPA并不满足可列可加性，所以BPA绝不等价于概率。因此，证据融合后，需要对融合后的BPA进行概率转换后才能在概率意义下进行决策制定。本文使用博弈概率实现BPA和概率的转换，转换过程如式(6)所示：

又因为在D-S证据理论中，

故式(6)可以简化为式(7)：

式中：|X|为集合X中单元素子集的个数；

4)人机交互：

人机交互以数据驱动的复杂机电系统服役质量状态评估请求管理、结果展示和过程交互为主要目的，以软件界面为载体，在用户和数据驱动的复杂机电系统服役质量状态评估方法之间进行信息传递。

复杂机电系统服役质量状态本征模式自动发现：针对复杂机电系统服役质量状态先验知识不足的问题，基于复杂机电系统服役质量状态监测历史数据，采用无监督时间序列聚类的方法，对复杂机电系统服役质量状态本征模式进行自动发现，自动构建复杂机电系统服役质量状态本征模式集合；

基于概率密度估计的评估特征支持度函数构建：针对复杂机电系统服役质量状态特征区分不同状态时的阈值选择难问题，以复杂机电系统服役质量状态特征提取技术为基础，采用核密度估计方法获取不同服役质量状态模式下不同特征的概率密度分布曲线，以该概率密度函数作为单一评估特征对单一服役质量状态的支持度函数，以多个概率密度函数形成的分段函数作为单一特征对复合服役质量状态的支持度函数。

基于多特征融合的复杂机电系统服役质量状态评估：针对单一评估特征对复杂机电系统服役质量状态评估结果的不确定、不精确甚至冲突等问题，采用决策级信息融合方法，结合复杂机电系统服役质量状态本征模式自动发现和基于概率密度估计的评估特征支持度函数构建结果，通过对不准确、不精确的多特征进行融合，获得复杂机电系统相对准确、精确的服役质量状态评估结果。

人机交互：用于响应用户提交的复杂机电系统服役质量状态评估请求、展示系统服役质量状态评估结果、管理复杂机电系统服役质量状态评估请求以及发布复杂机电系统服役质量状态在线预警信息。

分布式、订单化的复杂机电系统服役质量状态评估请求管理：针对复杂机电系统服役质量状态评估数据量大，评估结果再现难的问题，基于负载均衡和内容分发机制，对复杂机电系统服役质量状态评估请求进行订单化和分布式的分析处理，通过人机接口对系统服役质量状态评估请求进行响应和管理。

人机交互与分布式、订单化的复杂机电系统服役质量状态评估请求管理相连，作为信息传递的载体；复杂机电系统服役质量状态本征模式自动发现、基于概率密度估计的评估特征支持度函数构建同基于多特征融合的复杂机电系统服役质量状态评估相连，构成以数据分析为核心的复杂机电系统服役质量状态评估方法体系。

本发明采用计算机存储器对系统服役质量状态监测数据进行存储，并通过输入输出接口连接键盘、显示器和外部存储设备，本发明对系统服役质量状态的最终评估结果等可以采用人机交互的形式在显示器中进行表达。

本发明能够对系统的服役质量状态进行准确的评估，能够对可能发生的复杂机电系统服役质量问题进行提前预警，指导对系统的科学维修维护，提高企业复杂机电系统服役质量状态评估的能力和自动化水平，辅助科学维修维护，提高企业安全生产水平。

Claims (4)

1.一种数据驱动的复杂机电系统服役质量状态评估方法，其特征在于，包括以下步骤：

1)历史数据处理：

1.1)从复杂机电系统服役质量状态监测历史数据和复杂机电系统业务管理数据中抽取复杂机电系统服役质量状态监测数据、复杂机电系统产品档案和维修维护记录数据，得到系统服役质量状态监测历史数据并进行预处理；

1.2)采用无监督时间序列聚类的方法对历史数据进行无监督聚类分析，划分为若干个系统服役质量本征模式数据集，每个系统服役质量本征模式数据集代表复杂机电系统服役质量的一个特定状态；采用无监督时间序列聚类的方法对历史数据进行无监督聚类分析为：给定一个长度为n的时间序列D＝{X₁,X₂,…,X_n}，时间序列聚类基于一个确定的相似度测度将D划分为C＝{c₁,c₂,…,c_k}个数据组，使得具有相同性质的数据被组合在一起，c_i为类或者簇，则历史数据的原始时间序列描述为：

1.3)采用滑动窗口的方法将每个系统服役质量本征模式数据集划分为若干个数据片段，从系统性和网络性的角度分别提取每一个数据片段的复杂网络特征和多重分形特征，形成不同服役质量模式下的不同特征值序列；提取各模式的服役质量状态特征具体为：基于步骤1.2)的无监督聚类分析得到k个数据类，从每个数据类中提取m个特征，则每个数据类的特征向量为：F_i＝[F_i,1,F_i,2,…F_i,m]，F_i为数据类c_i的特征向量；F_i,j，1≤j≤m为数据类c_i的第j个特征；

1.4)对不同服役质量模式下的不同特征值序列进行核密度估计，得到不同服役质量模式下不同特征的概率密度分布函数，概率密度分布函数作为特征对服役质量模式的支持度函数；进行核密度估计采用如下公式：

式中，D_i为数据集中第i个数据点；H为带宽矩阵；K(x)为核函数；

2)实时数据处理：以复杂机电系统的实时监测数据为基础，提取实时监测数据特征；

3)服役质量状态评估：将步骤2)得到的实时监测数据特征与步骤1)得到的支持度函数进行对比，采用多特征融合决策方法将实时监测数据特征进行融合，得到复杂机电系统服役质量状态评估结果；首先将步骤1)的服役质量状态特征和系统服役质量本征模式数据集映射为证据理论中的证据和辨识框架，然后将步骤2)的实时监测数据特征对步骤1)得到的支持度函数映射为证据理论中证据的基本概率分配函数，最后采用基于证据理论的多特征融合决策方法对实时监测数据特征进行融合，得到复杂机电系统服役质量状态评估结果；服役质量状态评估的具体步骤为：

3.1)定义证据理论的辨识框架，辨识框架定义为：Θ＝{H₁,H₂,…,H_N}，包含N个互斥的假设，用P(Θ)表示辨识框架Θ的幂集，幂集含有2^N个元素，幂集表示为：

式中：

表示空集，幂集中的N个仅含有一个元素的子集被称为焦元；

3.2)定义从P(Θ)到[0,1]的映射函数，映射函数为基本概率分配函数，映射函数需满足如下约束关系式：

式中，m(A)代表了所有相关的可用证据对P(Θ)的子集A的支持程度；

3.3)证据融合：设m₁和m₂是同一辨识框架下从两个不同信源所得到的基本概率分配函数m，根据Dempster合成规则，则

在证据理论的辨识框架下从两个不同的基本概率分配中获得新的基本概率分配：

式中，k为冲突系数，代表了证据源间不同基本概率分配之间的冲突程度，它是所有交集为空的子集基本概率分配的累积和，k值越大，代表证据间的冲突程度就越大，也就意味着合成结果中更少的确定信息；

为归一化因子，避免在合成时将非0的概率赋给

3.4)采用博弈概率实现基本概率分配和概率的转换，转换过程采用如下公式：

在D-S证据理论中，

则上式简化为：

式中，|X|为集合X中单元素子集的个数。

2.根据权利要求1所述的一种数据驱动的复杂机电系统服役质量状态评估方法，其特征在于，所述步骤1.1)中预处理包括小波降噪、归一化和时间序列化。

3.根据权利要求1所述的一种数据驱动的复杂机电系统服役质量状态评估方法，其特征在于，所述核函数采用高斯核函数，定义：

则核密度估计公式为：

4.根据权利要求1所述的一种数据驱动的复杂机电系统服役质量状态评估方法，其特征在于，所述步骤2)具体包括以下步骤：

2.1)采用离散控制系统实时采集复杂机电系统的实时监测数据；

2.2)对实时监测数据进行小波降噪和归一化处理；

2.3)将实时监测数据划分为若干个数据片段，从系统性和网络性的角度分别提取每一个数据片段的复杂网络特征和多重分形特征，得到实时监测数据特征。

Images