CN107701468A - 一种混流泵在线综合监测方法及装置 - Google Patents

Abstract

本发明涉及一种混流泵在线综合监测方法及装置，该方法包括：采集混流泵机组实时运行状态数据以及历史运行状态数据，制定不同类型的评价指标；根据历史运行状态数据，构建反映不同类评价指标对应的故障状态的状态识别模型；将实时运行状态数据组中代表各评价指标的实时运行状态数据输入到对应的状态识别模型，计算出相应的差别系数或残差；判断差别系数或残差是否高于设定的安全预警线，若高于安全预警线，则判定混流泵机组相应的评价指标处于故障状态，进行状态预警。本发明根据混流泵历史运行状态数据构建状态识别模型，将混流泵实时运行状态数据输入到该状态识别模型，以判断混流泵的安全状态，预测混流泵设备的潜在故障。

Description

一种混流泵在线综合监测方法及装置

技术领域

本发明涉及一种混流泵在线综合监测方法及装置，属于设备状态检测评价技术领域。

背景技术

大型混流泵广泛应用于各种工业装置，已成为一类最基本的生产设备。作为很多成套装备或机组的重要部件之一，大型混流泵通常工作于强振、高压、高速的物理环境中，具有较高的故障率，因此对其故障检测和故障诊断技术开展研究十分必要。

目前，国内在大型混流泵设备健康状态的评价方法主要还停留在基于设备故障自身机理的分析上，其中大部分分析都属于事后分析。同时，这些评价方法都不能从整体的角度对混流泵的安全状态进行定量的评估，也无法在大型混流泵设备出现潜在故障的初期及时提供预警信息。

发明内容

本发明的目的是提一种混流泵在线综合监测方法及装置，用于解决现有的大型混流泵设备健康状态的评价方法不能实时对混流泵的运行状态进行评估的问题。

为解决上述技术问题，本发明提供了一种混流泵在线综合监测方法，包括以下方案：

方法方案一：步骤如下：

采集混流泵机组实时运行状态数据以及历史运行状态数据，获取在不同时间点所对应的实时运行状态数据组以及历史运行状态数据组；

根据实时运行状态数据组和历史运行状态数据组，结合混流泵机组不同部件及其各自对应的运行状态，制定不同类型的评价指标；

根据历史运行状态数据组中的历史故障数据组，生成混流泵机组的故障状态数据集合，构建反映不同类型评价指标对应的故障状态的状态识别模型；

将实时运行状态数据组中代表各评价指标的实时运行状态数据输入到对应的状态识别模型，计算出相应的差别系数或残差；

判断差别系数或残差是否高于安全预警线，若高于安全预警线，则判定混流泵机组相应的评价指标处于故障状态，进行状态预警。

方法方案二：在方法方案一的基础上，历史运行状态数据组包括截至当前时刻该混流泵机组的振动状态、累计运行时间、功率、进/出水流量、进/出水压力、转速、温度、动态电流、润滑状态和电机运行效率数据。

方法方案三：在方法方案二的基础上，获取振动状态数据的步骤包括：对混流泵机组中的旋转部件在同一截面上相互垂直的两个方向的振动信号进行采集，利用全矢谱技术实现振动信号的同源信息融合，将融合后的振动数据作为振动状态数据。

方法方案四、五、六：分别在方法方案一、二、三的基础上，制定的不同类型的评价指标包括振动评价指标、温度评价指标、电气评价指标、点检评价指标、润滑评价指标、累计运行时间评价指标和电机运行效率评价指标。

方法方案七、八、九：分别在方法方案四、五、六的基础上，状态识别模型包括用于识别混流泵机组的振动状态、累计运行时间和电机运行效率的超维曲面状态识别模型以及用于识别混流泵机组的温度、电气、点检、润滑状态的非线性状态估计模型。

方法方案十、十一、十二：分别在方法方案七、八、九的基础上，所述超维曲面状态识别模型用于识别振动状态的构建步骤如下：

对混流泵机组的振动状态数据进行多元经验模态分解，得到相应的本征模函数分量；

计算每个本征模函数分量的峭度值，选择峭度值大于设置数值的所有本征模函数分量；

将原获取的所有本征模函数分量与原振动状态数据进行归一化处理，计算每个本征模函数分量与原振动状态数据之间的归一化相关系数，计算归一化相关系数的标准差，并根据该归一化相关系数的标准差选取相应的本征模函数分量；

将峭度值大于设置数值的所有本征模函数分量与根据归一化相关系数的标准差选取的本征模函数分量作为有效本征模函数分量；

利用有效本征模函数分量组成特征矩阵，并对该特征矩阵进行奇异值分解得到相应的奇异值，根据得到的奇异值构造特征向量；

将构造的特征向量作为输入样本，构造各振动状态下的超维曲面。

方法方案十三、十四、十五：分别在方法方案十、十一、十二的基础上，所述超维曲面状态识别模型用于识别振动状态的构建步骤还包括：根据超维曲面的最值确定多类分类器核函数的选取范围以缩小选取区间，对构造的各振动状态下的超维曲面进行完善。

方法方案十六、十七、十八：分别在方法方案七、八、九的基础上，非线性状态估计模型的构建步骤如下：

在不同运行工况下的混流泵机组正常运行时段内，选择与待评价数据相关的机组参数，组成非线性状态估计模型中的观测向量；

根据获取的观测向量，构造相应的过程记忆矩阵，过程记忆矩阵中的各历史观测向量所组成的子空间代表混流泵机组正常运行的整个动态过程。

方法方案十九、二十、二十一：分别在方法方案一、二、三的基础上，设定安全预警线的步骤如下：

将在一段时间内的历史运行状态数据进行归一化处理，计算历史运行状态数据的概率密度分布；

采用最小二乘法拟合历史运行状态数据的概率密度分布得到标准贝塔分布的形状参数；

计算该形状参数下贝塔分布的双侧分位数，根据双侧分位数获取安全预警线区间。

方法方案二十二、二十三、二十四：分别在方法方案四、五、六的基础上，温度评价指标所对应的运行状态数据包括齿轮箱润滑油温、电机驱动端轴承温度、电机自由端轴承温度、电机绕组温度、泵驱动端轴承温度、泵非驱动端轴承温度、泵叶片温度以及工况划分参数；电气评价指标包括输电线路中的电纳、电抗、等效电阻、三相不平衡度、负序不平衡度以及零序不平衡度。

方法方案二十五、二十六、二十七：分别在方法方案二十二、二十三、二十四的基础上，工况划分参数包括机组转速和环境温度。

方法方案二十八、二十九、三十：分别在方法方案一、二、三的基础上，计算差别系数或残差时，是将实时运行状态数据组中的典型特征数据组代表各评价指标的实时运行状态数据输入到对应的状态识别模型；获取典型特征数据组时，对于每个混流泵机组，在该混流泵机组的故障状态数据集合中数据组分布密度大的地方抽取的典型特征数据组的数量小于在该混流泵机组的故障状态数据集合中数据组分布密度小的地方抽取的典型特征数据组的数量。

方法方案三十一、三十二、三十三：分别在方法方案一、二、三的基础上，还包括根据差别系数或残差高于安全预警线的值的大小，对故障程度进行分级；当混流泵机组处于故障状态时，对故障进行分级显示。

方法方案三十四、三十五、三十六：分别在方法方案三十一、三十二、三十三的基础上，还包括当混流泵机组处于故障状态时，进行声光报警或者采用移动网页、短信或微信形式传递到混流泵机组管理人员和手机等终端上。

本发明提供了一种混流泵在线综合监测装置，包括处理器和存储器，所述处理器用于处理存储在存储器中的指令以实现如下方法：

采集混流泵机组实时运行状态数据以及历史运行状态数据，获取在不同时间点所对应的实时运行状态数据组以及历史运行状态数据组；

根据实时运行状态数据组和历史运行状态数据组，结合混流泵机组不同部件及其各自对应的运行状态，制定不同类型的评价指标；

根据历史运行状态数据组中的历史故障数据组，生成混流泵机组的故障状态数据集合，构建反映不同类型评价指标对应的故障状态的状态识别模型；

将实时运行状态数据组中代表各评价指标的实时运行状态数据输入到对应的状态识别模型，计算出相应的差别系数或残差；

判断差别系数或残差是否高于安全预警线，若高于安全预警线，则判定混流泵机组相应的评价指标处于故障状态，进行状态预警。

本发明的有益效果是：本发明根据混流泵的历史运行状态数据组中的历史故障数据组构建反映不同类评价指标对应的故障状态的状态识别模型，通过将实时运行状态数据组中代表各评价指标的实时运行状态数据带入到对应的状态识别模型，得到差别系数或残差，通过判断差别系数或残差是否高于设定的安全预警线可以准确地评估判断混流泵的运行健康状况，预测混流泵设备的潜在故障，提高了混流泵的可靠性。

附图说明

图1为本发明混流泵在线综合监测方法的流程图；

图2为本发明中基于通频值和子频带指标的振动指标制定过程示意图；

图3为本发明中设置有滚动轴承的卧式双支撑转子示意图；

图4为本发明中超维曲面状态识别模型建立步骤流程图；

图5为本发明中非线性状态估计模型建立步骤流程图；

图6为本发明中预警线自学习步骤的具体实施方法流程图；

图7为本发明差别系数或残差曲线的变化图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例对本发明进行进一步详细说明。

本发明所提供的混流泵在线综合监测方法的流程图如图1所示，包括以下步骤：

(1)数据采集

采集若干个大型混流泵机组的实时运行状态数据以及在一段时间内的历史运行状态数据，得到各大型混流泵机组在若干时间点分别对应的实时运行状态数据组以及历史运行状态数据组，将实时运行状态数据组以及历史运行状态数据组进行储存并通过网络上传到服务器。

其中，运行状态数据包括大型混流泵机组开机停机时的瞬态过程数据及大型混流泵机组平稳运行时的稳态过程数据。对每个大型混流泵机组在每个时间点采集一个历史运行状态数据组，历史运行状态数据组的类型主要包括：截至当前时刻该混流泵机组的振动状态、累计运行时间、功率、进/出水流量、进/出水压力、转速、温度、动态电流、润滑状态和电机运行效率数据。

在大型混流泵机组的振动状态数据中，对于大型混流泵机组中的转子等旋转部件，对其同一截面相互垂直的两个方向的振动信号进行采集，利用全矢谱技术实现振动信号的同源信息融合，保证所获取的振动信息能准确地反映机械的特征信息。将融合后的振动数据信息输出，用于故障状态识别模型的建立。

在各谐波频率组合作用下，转子会出现涡动，其轨迹是一系列椭圆。全矢谱技术定义上述椭圆的长轴和短轴分别为主振矢和副振矢，以其作为评价转子振动强度的指标和判断故障的基本依据。具体的，利用全矢谱技术实现振动信号的同源信息融合的步骤如下：

设x，y方向上的离散信号分别为{x_n}和{y_n}，将其融合为复序列，即有：

{z_n}＝{x_n}+j{y_n}

其中，j²＝-1。

对{z_n}做傅里叶变换得到{Z_n}，由傅里叶变换的共轭性可得到：

再根据傅里叶变换性质可得下式：

其中，R_Lk为主振矢，R_Sk为副振矢，k＝0,1,2,…,N-1。

(2)评价指标制定

根据不同的大型混流泵机组部件及其各自对应的运行状态，制定出不同类型的评价指标，以得到有针对性的评价方案。也就是在制定评价指标时，从一些动态数据中计算出特征值，比如根据传感器的类型，加速度取单峰值，速度取有效值，位移取峰峰值，进一步计算频率点或者频段的特征值(单峰值，有效值，峰峰值)；静态数据直接取原值或者10个点的平均值。运行状态数据包括动态数据和静态数据，而这些数据进一步的提取特征值就构成了评价指标。其中，评价指标主要涉及振动评价指标、温度评价指标、电气评价指标、点检评价指标、润滑评价指标、累计运行时间评价指标和电机运行效率评价指标。这里的电机运行效率评价指标指的是混流泵机组工作过程中输出功率(用于排水)与电机的输入功率之比。对于上述混流泵在线综合监测方法包含的评价指标，其数据来源于步骤(1)中的离线数据及实时在线数据信息。

其中，在制定振动评价指标时，除考虑通频值外，还需要考虑与转子、轴承等部件相关的振动子频带指标，以准确表征出目标大型混流泵机组各部件的运行状态。如图2所示，目标大型混流泵机组某部件采用的是其通频值和其相应的4个子频带指标，分别为1倍频、2倍频、3倍频以及0.2-0.5倍频，每个指标在时间尺度上可变，即根据对应时间点该部件的运行状态实时设定，形成相应的振动评价指标曲线，其中每个指标涵盖一部分运行状态信息，因此采用多个指标即可综合反映出目标大型混流泵机组对应部件的运行状态。且由于大型混流泵机组包括很多部件，因此根据不同部件类型制定相应的振动评价指标，即振动评价指标按照部件类型进行分类，主要包括三大类：转子(含轴承)、齿轮箱、特殊大型混流泵机组部件(例如：立磨等)。上述指标方法中需要提取出相同预设时间点的各指标值，以准确地表达出该时间点大型混流泵机组对应部件的各振动指标值，如图2的竖虚线与指标值曲线的交点即为相同时间点的各指标值。

具体的，如图3所示的滚动轴承中的卧式双支撑转子，根据步骤(1)中的采样数据，其对应的振动评价指标包括：1、径向通频值(最大)；2、径向均方根值(最大)；3、径向通频值最大通道1倍频，2倍频，3倍频，0.2-0.5倍频；4、径向通频值最大通道1倍频矢量，2倍频矢量，3倍频矢量；5、轴向位移(轴向通道存在情况下)；6、驱动端/末端主振矢；7、驱动端/末端方位角；8、驱动端/末端偏心率；9、驱动端/末端进动方向；10、叶片通过频率值n倍频(需要叶片参数n)；11、通频值最大通道幅值频段(0-1倍频)；12、通频值最大通道幅值频段(0.9-3.5倍频)；13、通频值最大通道幅值频段(3.5-12.5倍频)。

所制定的温度评价指标主要包括齿轮箱润滑油温、电机驱动端轴承温度、电机自由端轴承温度、电机绕组温度、泵驱动端轴承温度、泵非驱动端轴承温度、泵叶片温度以及工况划分参数。所制定的电气评价指标包括输电线路中的电纳、电抗、等效电阻、三相不平衡度、负序不平衡度以及零序不平衡度。

其中，工况划分参数包括机组转速和环境温度。经分析：机组的基础温度会因环境温度的变化而变化，机组的转速也会影响设备的工作温度，即温度评价指标与机组转速和环境温度密切相关，因此选定机组转速和环境温度作为工况划分参数。

(3)建立模型

基于所获取的大型混流泵机组在若干时间点分别对应的历史运行状态数据组中的历史故障数据组，生成各大型混流泵机组的故障状态数据集合，并根据各大型混流泵机组故障状态数据集合内所有数据的参数分布特征，即1倍频，2倍频，3倍频等振动信号的幅值情况，抽取其典型特征数据组，以此构建出反映各类评价指标对应的故障状态及其内在变化规律的状态识别模型。其中，典型特征数据组为下述两种状态识别模型(超维曲面模型、非线性状态估计模型)构建步骤中经过相应特征提取步骤后得到的数据。例如，故障状态典型特征是指“出现某一类型的故障，应当有哪些典型的特征”，比如出现转子不对中故障，那么，表现出来的特征就是2倍频的幅值相比其他倍频的幅值明显要高。类似一个特征样板，比对上了就可以进行该类故障的识别及定性。

其中，根据各大型混流泵机组故障状态数据集合内所有数据组的分布特征，抽取典型特征数据组，抽取典型特征数据组时，对于每个大型混流泵机组，在该大型混流泵机组故障状态数据集合中数据组分布密度大的地方抽取的典型特征数据组的数量小于在该大型混流泵机组的故障状态数据集合中数据组分布密度小的地方抽取的典型特征数据组的数量。

构建的状态识别模型包括超维曲面状态识别模型和非线性状态估计模型，根据各数据类型的特点，选用超维曲面状态识别模型以识别大型混流泵机组的振动运行状态、累计运行时间和电机运行效率，选用非线性状态估计模型以识别大型混流泵机组的温度、电气、润滑、点检等状态。

具体的，如图4所示，对于每台大型混流泵机组，超维曲面状态识别模型用于识别振动状态的的构建步骤如下：

311)对大型混流泵机组的振动状态数据进行多元经验模态分解(MEMD)，得到相应的本征模函数(IMF)分量。

312)计算每个本征模函数(IMF)分量的峭度值，选择峭度值大于设定数值的所有IMF分量。

在本实施例中，设定数值等于3。

313)将所有IMF分量与原振动状态数据进行归一化处理，计算IMF分量与原振动信号之间的归一化相关系数，并根据该归一化相关系数的标准差选取相应的本征模函数分量。

314)最终将峭度值大于设置数值的所有本征模函数分量与根据归一化相关系数的标准差选取的本征模函数分量作为有效本征模函数分量。

315)有效本征模函数分量组成特征矩阵，并对其进行奇异值分解(SVD)，以得到相应的奇异值，根据得到的奇异值构造特征向量[λ₁ λ₂ … λ_n]。

其中，所构造的特征矩阵如下所示：

316)将构造的特征向量作为输入样本，构造各振动状态下的超维曲面，并根据其最值以确定多类分类器核函数的选取范围，以缩小选取区间，最终完善超维曲面模型。

如图5所示，对于每台大型混流泵机组，非线性状态估计模型的构建步骤如下：

321)在不同运行工况下(如低负荷、高负荷)的机组正常运行时段内，选择与待评价数据密切相关的n个机组参数，组成非线性状态估计模型中的观测向量。

322)根据获取的观测向量，构造相应的过程记忆矩阵，过程记忆矩阵中的各历史观测向量所组成的子空间可代表大型混流泵机组正常运行的整个动态过程。

其中，建立的超维曲面状态识别模型和非线性状态估计模型可根据识别准确率自适应地调整模型中参数以对原模型实现优化，能够进一步提高模型的识别精度。

(4)预警线自学习

根据实时运行状态数据组，获取对应的典型特征数据组，并将实时运行状态数据组所对应的典型特征数据组输入到状态识别模型，得到差别系数或残差。

也就是，对于各大型混流泵机组，通过该大型混流泵机组状态识别模型对大型混流泵机组实时状态数据的典型特征数据组进行计算。得到实时运行状态数据组所对应的典型特征数据组输入状态识别模型后得到的差别系数或残差，并采用动态的智能自学习算法计算所得差别系数或残差的阈值，将所得到的动态自学习阈值制定判断机组是否发生故障的预警线，并定义大型混流泵机组故障预警标准。

其中，如图6所示，对于每台大型混流泵机组，设定安全预警线的步骤如下：

411)将数据采集步骤得到的在一段时间内的监测参数趋势数据(历史运行状态数据)归一化处理。

412)根据上述步骤得到的监测参数趋势数据，计算得到监测参数趋势数据的概率密度分布。

413)采用最小二乘法拟合监测参数趋势数据的概率密度分布得到标准贝塔分布的形状参数。

414)根据上述步骤得到的形状参数，计算该参数下贝塔分布的双侧分位数。

415)根据相关公式计算得到检测参数趋势数据的自学习预警线区间。

(5)预警步骤

结合从预警线自学习步骤得到的预警线和预警标准，判断所采集到的实时状态数据输入到目标大型混流泵机组状态识别模型后得到的差别系数或残差是否高于对应的安全预警线，若其高于预警线，则在评价步骤中的评价结果中提示该目标大型混流泵机组处于故障状态，并根据高于预警线的值的大小对故障程度进行分级。

另外，预警步骤还包括采集目标大型混流泵机组在线累计运行一段时间内各运行时刻的实时状态数据，将这段运行时间内各运行时刻的实时状态数据组成实时状态值集合；计算将实时状态值集合中目标大型混流泵机组的每组实时状态数据输入目标大型混流泵机组的状态识别模型后得到的在线差别系数/残差值；将该目标大型混流泵机组在这段运行时间内每个运行时刻的在线差别系数形成为该目标大型混流泵机组的差别系数/残差曲线，根据此曲线建立大型混流泵机组运行状态动态评价标准，以实现对目标大型混流泵机组运行状态的即时性评价。

在本实施例中，将实时状态数据输入到状态识别模型后，所获取的差别系数或残差曲线的变化图如图7所示，差别系数或残差曲线在T₁时刻与预警线相交，并呈上升趋势，存在故障征兆。

(6)评价步骤

对于预警步骤的得到的量化分级评价结果，可在监控系统中通过不同颜色的图标显示。例如，可以用绿色代表良好等级，橙色代表可用等级，黄色代表需维修等级，红色代表需停机等级。也可以与声光报警器连接，还可以通过移动网页、短信、微信等形式传递到大型混流泵机组管理人员和手机等终端设备上。

需要说明的是，开机和停机时的瞬态过程中可能会存在失效部件的共振现象，在其他常规处理方法中通常将其回避；在本文所述混流泵在线综合监测方法中，根据步骤(1)所采集到的开、停机过程中的数据信息，如步骤(3)所述建立相应的故障状态识别模型，并如步骤(4)所述设定相应故障预警线，对其各个评价指标的状态进行综合评价。

另外，大型混流泵机组在线运行时会不断产生实时数据，即生成步骤(3)所建立的故障识别模型的输入，通过该模型输出一系列差别系数/残差值，形成大型混流泵机组实时差别系数/残差曲线，此曲线为大型混流泵机组运行状态在时间域上的动态表现，当大型混流泵机组出现故障征兆时，差别系数曲线会呈现相应的上升趋势，当差别系数/残差曲线的数值低于预警线时，即大型混流泵机组当前状态已不属于正常范围时，则在步骤(6)中的监控系统的报警界面上显示。

本发明还提供了一种混流泵在线综合监测装置，包括处理器和存储器，所述处理器用于处理存储在存储器中的指令以实现如下方法：

采集混流泵机组实时运行状态数据以及历史运行状态数据，获取在不同时间点所对应的实时运行状态数据组以及历史运行状态数据组；

根据实时运行状态数据组和历史运行状态数据组，结合混流泵机组不同部件及其各自对应的运行状态，制定不同类型的评价指标；

根据历史运行状态数据组中的历史故障数据组，生成混流泵机组的故障状态数据集合，构建反映不同类型评价指标对应的故障状态的状态识别模型；

将实时运行状态数据组中代表各评价指标的实时运行状态数据输入到对应的状态识别模型，计算出相应的差别系数或残差；

判断差别系数或残差是否高于安全预警线，若高于安全预警线，则判定混流泵机组相应的评价指标处于故障状态，进行状态预警。

该混流泵在线综合监测装置的核心是实现上述的混流泵在线综合监测方法，由于已经对混流泵在线综合监测方法进行了详细介绍，此处对大型混流泵在线综合监测装置不再赘述。

Claims (10)

1.一种混流泵在线综合监测方法，其特征在于，步骤如下：

采集混流泵机组实时运行状态数据以及历史运行状态数据，获取在不同时间点所对应的实时运行状态数据组以及历史运行状态数据组；

根据实时运行状态数据组和历史运行状态数据组，结合混流泵机组不同部件及其各自对应的运行状态，制定不同类型的评价指标；

根据历史运行状态数据组中的历史故障数据组，生成混流泵机组的故障状态数据集合，构建反映不同类型评价指标对应的故障状态的状态识别模型；

将实时运行状态数据组中代表各评价指标的实时运行状态数据输入到对应的状态识别模型，计算出相应的差别系数或残差；

判断差别系数或残差是否高于安全预警线，若高于安全预警线，则判定混流泵机组相应的评价指标处于故障状态，进行状态预警。

2.根据权利要求1所述的混流泵在线综合监测方法，其特征在于，历史运行状态数据组包括截至当前时刻该混流泵机组的振动状态、累计运行时间、功率、进/出水流量、进/出水压力、转速、温度、动态电流、润滑状态和电机运行效率数据。

3.根据权利要求2所述的混流泵在线综合监测方法，其特征在于，获取振动状态数据的步骤包括：对混流泵机组中的旋转部件在同一截面上相互垂直的两个方向的振动信号进行采集，利用全矢谱技术实现振动信号的同源信息融合，将融合后的振动数据作为振动状态数据。

4.根据权利要求1-3中任一项所述的混流泵在线综合监测方法，其特征在于，制定的不同类型的评价指标包括振动评价指标、温度评价指标、电气评价指标、点检评价指标、润滑评价指标、累计运行时间评价指标和电机运行效率评价指标。

5.根据权利要求4所述的混流泵在线综合监测方法，其特征在于，状态识别模型包括用于识别混流泵机组的振动状态、累计运行时间和电机运行效率的超维曲面状态识别模型以及用于识别混流泵机组的温度、电气、点检、润滑状态的非线性状态估计模型。

6.根据权利要求5所述的混流泵在线综合监测方法，其特征在于，所述超维曲面状态识别模型用于识别振动状态的构建步骤如下：

对混流泵机组的振动状态数据进行多元经验模态分解，得到相应的本征模函数分量；

计算每个本征模函数分量的峭度值，选择峭度值大于设置数值的所有本征模函数分量；

将原获取的所有本征模函数分量与原振动状态数据进行归一化处理，计算每个本征模函数分量与原振动状态数据之间的归一化相关系数，计算归一化相关系数的标准差，并根据该归一化相关系数的标准差选取相应的本征模函数分量；

将峭度值大于设置数值的所有本征模函数分量与根据归一化相关系数的标准差选取的本征模函数分量作为有效本征模函数分量；

利用有效本征模函数分量组成特征矩阵，并对该特征矩阵进行奇异值分解得到相应的奇异值，根据得到的奇异值构造特征向量；

将构造的特征向量作为输入样本，构造各振动状态下的超维曲面。

7.根据权利要求5所述的混流泵在线综合监测方法，其特征在于，非线性状态估计模型的构建步骤如下：

在不同运行工况下的混流泵机组正常运行时段内，选择与待评价数据相关的机组参数，组成非线性状态估计模型中的观测向量；

根据获取的观测向量，构造相应的过程记忆矩阵，过程记忆矩阵中的各历史观测向量所组成的子空间代表混流泵机组正常运行的整个动态过程。

8.根据权利要求1-3中任一项所述的混流泵在线综合监测方法，其特征在于，设定安全预警线的步骤如下：

将在一段时间内的历史运行状态数据进行归一化处理，计算历史运行状态数据的概率密度分布；

采用最小二乘法拟合历史运行状态数据的概率密度分布得到标准贝塔分布的形状参数；

计算该形状参数下贝塔分布的双侧分位数，根据双侧分位数获取安全预警线区间。

9.根据权利要求1-3中任一项所述的混流泵在线综合监测方法，其特征在于，还包括根据差别系数或残差高于安全预警线的值的大小，对故障程度进行分级；当混流泵机组处于故障状态时，对故障进行分级显示，当混流泵机组处于故障状态时，进行声光报警或者采用移动网页、短信或微信形式传递到混流泵机组管理人员和手机等终端上。

10.一种混流泵在线综合监测装置，其特征在于，包括处理器和存储器，所述处理器用于处理存储在存储器中的指令以实现如下方法：

采集混流泵机组实时运行状态数据以及历史运行状态数据，获取在不同时间点所对应的实时运行状态数据组以及历史运行状态数据组；

根据实时运行状态数据组和历史运行状态数据组，结合混流泵机组不同部件及其各自对应的运行状态，制定不同类型的评价指标；

根据历史运行状态数据组中的历史故障数据组，生成混流泵机组的故障状态数据集合，构建反映不同类型评价指标对应的故障状态的状态识别模型；

将实时运行状态数据组中代表各评价指标的实时运行状态数据输入到对应的状态识别模型，计算出相应的差别系数或残差；

判断差别系数或残差是否高于安全预警线，若高于安全预警线，则判定混流泵机组相应的评价指标处于故障状态，进行状态预警。