CN108280543A - 基于分类回归模式的工况自适应的设备健康度评估方法 - Google Patents

Abstract

本发明公开了一种基于分类回归模式的工况自适应的设备健康度评估方法，包括：获取设备各关键部件的运行状态数据、工况信息数据及设计参数数据；处理运行状态数据，得到状态特征数据库，并匹配工况信息数据得到工况信息数据库；对状态特征数据和工况参数数据，建立工况识别模型和工况自适应补偿模型；基于模型依次进行工况的分类识别和回归自适应补偿处理，得到工况脱敏的特征数据；基于工况脱敏特征数据计算各部件健康度指数；基于各部件健康度指数计算和评估设备整机健康度；基于整机健康度、工况信息数据及设计参数数据预测设备剩余使用寿命。本发明能有效自适应设备的多工况模式、提高设备健康度评估及剩余使用寿命预测的准确性。

Description

基于分类回归模式的工况自适应的设备健康度评估方法

技术领域

本发明涉及设备的健康管理及寿命预测领域，尤其涉及了一种基于分类回归模式的工况自适应的设备健康度评估方法。

背景技术

近年来，随着制造业自动化程度的不断提高和对柔性化生产的迫切需求，设备如工业机器人的结构、功能、作业任务、运行环境等愈加多样复杂，因而对设备本身稳定性、可靠性等方面的性能要求也越来越高。传统的事后维护和定期维护模式未能有效监控和利用设备本身所反映出的状态信息，在客观性、及时性、针对性、解释性等方面有诸多欠缺。因而，在智能制造的大背景下，如何借助不断改进的先进智能感知手段，有效地在复杂的工况模式下准确监测、评估设备的健康状态并能及时做出精准、可行的预测性维护措施就显得至关重要。

预测性维护与健康管理(PHM)技术通过监测生产线上设备及其部件的运行状态，结合有效的健康度评估方法，一方面能准确感知设备自身的性能状态，为“视情维修”提供可靠的指标依据，有效解决传统模式中维修不足和维修过度的问题；另一方面，可基于健康度等指标预知状态超前管理、避免故障停机、保障生产系统的稳定运行，进而实现生产线上降本、增效、稳质的价值创造目标。在这一技术当中，设备健康度的评估起到了承上启下的关键作用，所以其评估方法的有效性、准确性和可靠性乃是重中之重。

然而，在复杂的工业背景下，设备的应用领域广泛，所涉及的作业任务也各不相同，导致其常工作在复杂多变的工况环境下。变化的工况如作业类型、运行速度、负载等信息会耦合在设备的运行状态参数中，掩盖其真实的性能状态和变化规律。传统的设备健康度评估方法没有考虑设备的运行工况数据，无法准确反映设备自身的真实健康状态，因此得到的评估结果与实际情况相差较大。或者部分设备虽然可以对多个工况进行一定程度的自适应处理，但是需要实时从设备运行过程中获取完整的工况信息数据，尚无法做到工况的自识别、自适应。

发明内容

本发明针对现有技术中设备在多工况情形下工况的自识别和健康度准确评估的问题，提供了一种基于分类回归模式的工况自适应的设备健康度评估方法。

一种基于分类回归模式的工况自适应的设备健康度评估方法，包括以下步骤：

获取设备各关键部件的运行状态数据、工况信息数据及设备相关设计参数数据，对所述运行状态数据进行处理，得到状态特征数据库，通过给状态特征数据库匹配相应的工况信息数据，得到工况信息数据库；

根据状态特征数据库中的特征数据和工况信息数据库中的工况参数数据，建立工况识别模型和工况自适应补偿模型；

基于工况识别模型和工况自适应补偿模型，通过分类回归模式依次进行工况的分类识别和工况的回归自适应补偿处理，得到工况脱敏的特征数据；

对所述工况脱敏的特征数据进行标准化处理，并结合距离法得到各关键部件健康度指数；

根据各关键部件健康度指数和预设的各关键部件健康度阈值计算设备整机健康度，并对设备健康状态进行整体评估，得到整机健康度；

根据所述整机健康度、工况信息数据及设计参数数据对设备的剩余使用寿命进行预测。

作为一种可实施方式，所述对所述运行状态数据进行处理是指对所述运行状态进行特征提取和特征选择；

所述特征提取包括信号时域和频域的基本特征提取以及经信号经变换、分解处理后的二次特征提取；

所述特征选择是指，将有明确表征意义或倾向的特征，结合其物理意义或者需求进行选择，得到需要的状态特征数据；若需选择无明确表征意义或倾向的特征，则结合主成分分析方法降维进行筛选，得到需要的状态特征数据。

作为一种可实施方式，所述根据状态特征数据库中的特征数据和工况信息数据库中的工况参数数据，建立工况识别模型和工况自适应补偿模型的具体步骤包括：

对工况信息数据库中的工况参数数据，再在不同的工况参数维度组合建立工况字典；

将工况字典中的工况参数组合分解到独立的工况参数维度下，基于关键特征构建工况权重字典；

通过回归算法建立工况字典中各工况参数维度下的工况参数相对于特征数据的回归模型，将此模型作为工况参数预测模型；

对于状态特征数据库中的状态特征数据，通过回归算法建立各个状态特征相对于工况参数融合特征的回归模型，将此模型作为工况参数补偿模型。

所述工况参数融合特征，是通过各工况参数维度下的基本工况参数进行多项式特征组合得到工况参数融合特征。

作为一种可实施方式，所述基于工况识别模型和工况自适应补偿模型，通过分类回归模式依次进行工况的分类识别和工况的回归自适应补偿处理，得到工况脱敏的特征数据具体步骤包括：

将设备的特征数据作为所述工况参数预测模型的输入，通过计算得到设备的工况参数预测值；

将工况参数预测值与所述的工况权重字典中对应维度的权重相乘得到加权的工况参数预测值；

将加权的工况参数预测值，经归一化后基于欧氏距离与所述的工况字典中的工况模式进行最近邻分类匹配，得到对应于工况字典的工况参数分类预测值；

将工况参数分类预测值作为所述工况参数补偿模型的输入，通过工况参数补偿模型预测得到目标样本的工况补偿值，并补偿消除工况的影响，到工况脱敏的特征数据。

作为一种可实施方式，所述对所述工况脱敏的特征数据进行标准化处理，并结合距离法得到各关键部件健康度指数的具体步骤包括：

对得到工况脱敏的特征数据进行标准化处理，得到标准化的特征数据；

通过标准化的特征数据计算选定的特征的向量到健康基准向量的欧氏距离，在此，所述健康基准向量是由设备出厂时处于初始稳定状态的出厂时选定的特征向量对应的标准化特征值数据取均值得到；

通过Sigmoid函数变换得到归一化函数，通过归一化函数对所述欧式距离进行归一化处理，得到各关键部件的健康度指数。

作为一种可实施方式，所述通过Sigmoid函数变换得到归一化函数，所述归一化函数表示为：

其中，w为尺度参数，t为平滑参数，HI表示各关键部件的健康度指数。

作为一种可实施方式，所述根据各关键部件健康度指数和预设的各关键部件健康度阈值计算设备整机健康度，并对设备健康状态进行整体评估，得到整机健康度的具体操作为：

通过所述各关键部件健康度指数构建健康雷达图，并根据健康雷达图的面积结合预设的健康度阈值计算整机健康度，整机健康度表示如下：

其中，HT为预设的健康度阈值，A为当前状态健康度雷达图面积，A₁为所有关键部件健康度均为1时的健康度雷达图的面积， j＝1,2,…，表示设备的关节编号。

作为一种可实施方式，所述根据所述整机健康度、工况信息数据及设计参数数据对设备的剩余使用寿命进行预测的具体步骤包括：

根据整机健康度以及所述设计参数数据建立剩余使用寿命与整机健康度之间关联模型，记作第一关联模型；

结合各类工况对使用寿命的影响程度以及结合设计参数数据，建立寿命影响度与工况参数间的关联模型，记作第二关联模型；

根据整机健康度数据并结合两个关联模型建立工况参数修正后的剩余使用寿命预测模型，对实际工况下的剩余使用寿命进行预测。

作为一种可实施方式，还包括以下步骤：

更新步骤：状态特征数据库及与其匹配的工况信息数据库能根据设备的运行状态数据和工况信息数据的增加而不断更新；

自学习步骤：能自学习并动态更新工况字典、工况权重字典、工况参数预测模型、工况参数补偿模型、剩余使用寿命与健康度之间的基本关联模型以及寿命影响度与相应工况参数的间的关联模型。

本发明由于采用了以上技术方案，具有显著的技术效果：

通过本发明，针对设备在不同应用场景下工况复杂多变的情形，对设备可以进行工况的分类识别和回归自适应补偿处理实现工况脱敏，并完成基于欧氏距离法的健康度计算、评估及结合工况的剩余寿命预测，从而有效自适应设备的多工况模式、提高设备健康度评估及剩余使用寿命预测的准确性，并可通过在线自学习不断提高模型及系统的精度和适应度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明的整体流程示意图；

图2是图1的具体流程示意图；

图3为本发明具体实施例中设计的多工况样本时间序列对应的工况参数变化图；

图4a-图4b为本发明具体实施例中样本时间序列对应的工况参数预测值与真实值对比图；

图5a-图5b为本发明具体实施例中样本时间序列对应的工况参数分类识别值与真实值对比图；

图6是本发明具体实施例中工业机器人第三关节的RMS值工况自适应处理前后的对比图；

图7a-图7f是具体实施例中对使用时长不同的两台工业机器人在多工况下的健康度评估效果对比；

图8为本发明具体实施例中一工业机器人在某工况下模拟故障前后的健康度雷达图对比；

图9为本发明具体实施例中一工业机器人在多工况下的剩余使用寿命预测结果。

具体实施方式

下面结合实施例对本发明做进一步的详细说明，以下实施例是对本发明的解释而本发明并不局限于以下实施例。

实施例1：

一种基于分类回归模式的工况自适应的设备健康度评估方法，如图1所示，包括以下步骤：

S1、获取设备各关键部件的运行状态数据、工况信息数据及设备相关设计参数数据，对所述运行状态数据进行处理，得到状态特征数据库，通过给状态特征数据库匹配相应的工况信息数据，得到工况信息数据库；

S2、根据状态特征数据库中的特征数据和工况信息数据库中的工况参数数据，建立工况识别模型和工况自适应补偿模型；

S3、基于工况识别模型和工况自适应补偿模型，通过分类回归模式依次进行工况的分类识别和工况的回归自适应补偿处理，得到工况脱敏的特征数据；

S4、对所述工况脱敏的特征数据进行标准化处理，并结合距离法得到各关键部件健康度指数；

S5、根据各关键部件健康度指数和预设的各关键部件健康度阈值计算设备整机健康度，并通过设备整机健康度对设备健康状态进行整体评估；

S6、根据所述整机健康度、工况信息数据及设计参数数据对设备的剩余使用寿命进行预测。

在步骤S1中，所述对所述运行状态数据进行处理是指对所述运行状态进行特征提取和特征选择；

所述特征提取包括信号时域和频域的基本特征提取以及经信号经变换、分解处理后的二次特征提取；

所述特征选择是指，将有明确表征意义或倾向的特征，结合其物理意义或者需求进行选择，得到需要的状态特征数据；若需选择无明确表征意义或倾向的特征，则结合主成分分析方法降维进行筛选，得到需要的状态特征数据。

更进一步地，在步骤S2中，所述根据状态特征数据库中的特征数据和工况信息数据库中的工况参数数据，建立工况识别模型和工况自适应补偿模型的具体步骤包括：

S21、对工况信息数据库中的工况参数数据，再在不同的工况参数维度组合建立工况字典D；

S22、将工况字典中的工况参数组合分解到独立的工况参数维度下，将关键特征的极差进行归一化，归一化后得到工况权重，根据工况权重构建工况权重字典D_w，其中包含K个工况参数维度下对应的权重W_i；

S23、通过偏最小二乘回归算法建立工况字典中各工况参数维度下的工况参数相对于特征数据的PLS回归模型，将此模型作为工况参数预测模型，记作M1；

S24、对于状态特征数据库中的状态特征数据，通过偏最小二乘回归算法建立各个状态特征相对于工况参数融合特征的PLS回归模型，将此模型作为工况参数补偿模型，记作M2，在此，所述回归算法是指偏最小二乘等多元回归算法，所述工况参数融合特征，是通过各工况参数维度下的基本工况参数进行多项式特征组合得到的工况参数融合特征。

在步骤S3中，所述基于工况识别模型和工况自适应补偿模型，通过分类回归模式依次进行工况的分类识别和工况的回归自适应补偿处理，得到工况脱敏的特征数据具体步骤包括：

S31、将设备的特征数据作为所述工况参数预测模型M1的输入，通过计算得到设备的工况参数预测值S_p；

S32、将工况参数预测值S_p与所述的工况权重字典D_w中对应维度的权重相乘得到加权的工况参数预测值S_pw；

S33、将加权的工况参数预测值S_pw，经归一化后基于欧氏距离与所述的工况字典D中的工况模式进行最近邻分类匹配，得到对应于工况字典的工况参数分类预测值S_m；

S34、将工况参数分类预测值S_m作为所述工况参数补偿模型M2 的输入，通过工况参数补偿模型M2预测得到目标样本的工况补偿值，并补偿消除工况的影响，到工况脱敏的特征数据，通过模型回归预测得到目标样本的工况补偿值，并补偿消除工况的影响，公式如下：

其中，i＝1,2,……,P，i表示的是选定的特征维度，F_i为第i个选定特征值，为第i个选定特征在去除工况影响后的值。

在本实施例中，步骤S4中的所述对所述工况脱敏的特征数据进行标准化处理，并结合距离法得到各关键部件健康度指数的具体步骤包括：

S41、对得到工况脱敏的特征数据进行标准化处理，在此，进行标准化处理的目的是消除量纲和量级影响，得到去工况影响后的标准化特征值S_i，其中，(i＝1,2,……，P)，得到标准化的特征数据，更进一步地，标准化处理方法选择了离差标准化，使标准化特征值落在[0,1] 区间：

其中，max和min分别为样本数的最大值和最小值；S_i表示标准化特征值，为第i个选定特征在去除所有工况影响后的值；

S42、通过标准化的特征数据计算样本向量到健康基准向量的欧氏距离D1，在此，所述健康基准向量是由设备出厂时处于初始稳定状态的样本集合对应的标准化特征值数据取均值得到，健康基准向量 y_B表示为：

其中，初始稳定状态的样本集合为n×P维，n代表样本数，P为特征维数；

欧式距离D1表示为：

其中，y表示样本向量，y_B表示健康基准向量；样本向量表示的是选定的特征的向量，样本集合为出厂时选定的一组特征向量；

S43、通过Sigmoid函数变换得到归一化函数，通过归一化函数对所述欧式距离D1进行归一化处理，得到各关键部件的健康度指数，在此，所述通过Sigmoid函数变换得到归一化函数，所述归一化函数表示为：

其中，w为尺度参数，t为平滑参数，HI表示各关键部件的健康度指数。

在步骤S5中，所述根据各关键部件健康度指数和预设的各关键部件健康度阈值计算设备整机健康度，并通过设备整机健康度对设备健康状态进行整体评估的具体操作为：

通过所述各关键部件健康度指数构建健康雷达图，并根据健康雷达图的面积结合预设的健康度阈值计算整机健康度，整机健康度表示如下：

其中，HT为预设的健康度阈值，A为当前状态健康度雷达图面积，A₁为所有关键部件健康度均为1时的健康度雷达图的面积， j＝1,2,…，表示设备的关节编号。

更进一步地，在步骤S6中，所述根据所述整机健康度、工况信息数据及设计参数数据对设备的剩余使用寿命进行预测的具体步骤包括：

S61、根据整机健康度以及所述设计参数数据建立剩余使用寿命与整机健康度之间关联模型，记作第一关联模型，用M_RUL表示；

S62、结合各类工况对使用寿命的影响程度以及结合设计参数数据，建立寿命影响度与工况参数间的关联模型，记作第二关联模型，用IM_j表示，j＝1,2,……,K，为K个工况参数维度；

S63、根据整机健康度数据并结合两个关联模型建立工况参数修正后的剩余使用寿命预测模型，对实际工况下的剩余使用寿命进行预测，更具体地，进而可以在进行剩余寿命预测时依工况修正，使关联预测值更为准确。所述的剩余使用寿命关联预测及依工况修正方法如下：

其中，RUL为工况参数修正后的预测剩余使用寿命，RUL₀为不考虑工况影响的基本预测剩余使用寿命，IF_j为第j维工况参数维度对使用寿命的影响度，H为步骤S5所得整机健康度，为设备相关设计参数，V_j为第j维对应的工况参数，其中，j＝1,2,...,K，为K个工况参数维度，i＝1,2,...,，为第i个所选的特征。

在基于分类回归模式的工况自适应的设备健康度评估方法中，还包括以下步骤：

更新步骤：状态特征数据库及与其匹配的工况信息数据库能根据设备的运行状态数据和工况信息数据的增加而不断更新；

自学习步骤：能自学习并动态更新工况字典D、工况权重字典 D_w、工况参数预测模型M1、工况参数补偿模型M2、剩余使用寿命与健康度之间的基本关联模型M_RUL以及寿命影响度与相应工况参数的间的关联模型IM_j。

具体实施例

利用本发明的方法，结合具体设备来讲本发明的技术效果。

参照图1和图2，采集的设备的相关设计参数数据包括其设计使用寿命、额定速度、额定负载、使用年限、理论衰退规律参数等。

为了验证本发明所提出的基于分类回归模式的工况自适应的设备健康度评估方法，在此，具体的设备为六轴关节机型工业机器人，采集的数据为：工况信息数据，主要包括工业机器人的实时的整体运行速度和负载，工业机器人的各关节运行状态数据主要包括各关节的转矩和电流数据；状态特征数据库由各关节的转矩或电流数据经信号时域特征提取和频域特征提取以及特征选择得到。特征选择主要是根据信号变化特点来选择，主要选择的特征为均方根值(RMS)、整流平均值(ARV)、峰峰值(P-P)和标准差(STD)，这些都是前期的数据处理过程，为后续建模和预测做准备。

针对六轴关节机型工业机器人设计了速度和负载变化导致的多种工况，将其作为样本，该样本的时间序列对应的工况参数变化如图 3所示。

图4a-4b为本实施例中该样本时间序列对应的特征数据经工况参数预测模型所得的工况参数预测值与真实值对比结果，可见工况参数预测值与真实值基本都比较接近。

图5a-5b为该样本时间序列对应的工况参数预测值经分类识别匹配后所得的工况参数分类预测值与真实值对比结果，可见工况参数的分类预测值与真实值完全一致，实现了精确的工况自识别。

本实施例更进一步对同型号、同工况、但使用年限不同的两台六轴关节机型工业机器人进行了健康度评估对比，两个样本时间序列对应的工况参数变化如图6所示，图6给出了该样本的时间序列中第关节的RMS进行多工况自适应处理前后的对比，可见，在工况自适应处理前，时域特征RMS值受运行速度及所加负载的影响比较大，整体来看，是随速度和负载都呈增长趋势，而且在速度较高时波动增大。在采用本发明所提方法进行自适应工况处理之后，RMS值基本实现了工况的脱敏，但同时保留了高速度时的波动信息，图6中，上方的图示表示没有经过工况自适应处理时的图示，显示的是时域特征 RMS值受运行速度及所加负载的影响，下方的图示表示是经过工况自适应处理时的图示，RMS值基本实现了工况的脱敏，但同时保留了高速度时的波动信息。

图7a-图7f为经步骤S1-S4之后所得的标号为J1-J6的关节的健康度指数对比，其中，新购仅使用6个月的工业机器人的各关节健康度指数基本接近初始健康基准值，且在工况发生变化时健康度值基本稳定，健康状况良好；另一个是使用30个月的工业机器人除标号为 J4的关节以外其他关节的健康度都有不同程度下降，经过这图7a-图 7f可以直观体现出其随使用年限增加时的健康度损耗。

进一步地，为评估本发明的效果，本实施例中通过对所述使用年限6个月的工业机器人在标号为J3的关节进行强力捆绑，模拟简易的故障状态。图8为经步骤S1-S4之后模拟故障前后的健康度对比效果，可见，相比于正常状态，标号为J1、J4、J5、J6关节健康度基本无明显变化，受模拟故障直接影响的标号为J3关节健康度值明显下降，受模拟故障间接影响的标号为J2关节健康度值有小幅度下降，本发明所提方法能有效跟踪并识别工业机器人整体和局部的健康状态。

为验证本发明所提出的基于分类回归模式的工况自适应的设备健康度评估方法对工业机器人整机剩余使用寿命的预测效果，本实施例中针对六轴关节机型工业机器人在图5所示的多种工况参数下运行，并经步骤S1-S6之后预测其在不同工况下的剩余使用寿命，图9为对应的预测结果，可见，对于设计使用寿命约为15年的六轴关节型工业机器人，在低速、低负载运行状态下的预测剩余使用寿命同设计使用寿命与实际使用时长间的差值基本一致，表明其寿命预测的有效性，同时，在依图3所示序列变化工况时，对应工况下的剩余使用寿命也会在基本工况的基础上依工况有不同程度衰减，反映出在实际应用环境中工况等参数对工业机器人剩余使用寿命的影响，从而能根据实际应用工况和环境等更为精确地预测工业机器人剩余使用寿命，并进行更为有效的维护排程和预测性维护。

当然，具体的实施例中也可以采用其他设备代替，本发明只是用两台六轴关节机型工业机器人做实际效果说明，不代表本发明只能应用在六轴关节机型工业机器人上。

此外，需要说明的是，本说明书中所描述的具体实施例，其零、部件的形状、所取名称等可以不同。凡依本发明专利构思所述的构造、特征及原理所做的等效或简单变化，均包括于本发明专利的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离本发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (10)

1.一种基于分类回归模式的工况自适应的设备健康度评估方法，其特征在于包括以下步骤：

获取设备各关键部件的运行状态数据、工况信息数据及设备相关设计参数数据，对所述运行状态数据进行处理，得到状态特征数据库，通过给状态特征数据库匹配相应的工况信息数据，得到工况信息数据库；

根据状态特征数据库中的特征数据和工况信息数据库中的工况参数数据，建立工况识别模型和工况自适应补偿模型；

基于工况识别模型和工况自适应补偿模型，通过分类回归模式依次进行工况的分类识别和工况的回归自适应补偿处理，得到工况脱敏的特征数据；

对所述工况脱敏的特征数据进行标准化处理，并结合距离法得到各关键部件健康度指数；

根据各关键部件健康度指数和预设的各关键部件健康度阈值计算设备整机健康度，并对设备健康状态进行整体评估，得到整机健康度；

根据所述整机健康度、工况信息数据及设计参数数据对设备的剩余使用寿命进行预测。

2.根据权利要求1所述的基于分类回归模式的工况自适应的设备健康度评估方法，其特征在于，所述对所述运行状态数据进行处理是指对所述运行状态进行特征提取和特征选择；

所述特征提取包括信号时域和频域的基本特征提取以及经信号经变换、分解处理后的二次特征提取；

所述特征选择是指，将有明确表征意义或倾向的特征，结合其物理意义或者需求进行选择，得到需要的状态特征数据；若需选择无明确表征意义或倾向的特征，则结合主成分分析方法降维进行筛选，得到需要的状态特征数据。

3.根据权利要求2所述的基于分类回归模式的工况自适应的设备健康度评估方法，其特征在于，所述根据状态特征数据库中的特征数据和工况信息数据库中的工况参数数据，建立工况识别模型和工况自适应补偿模型的具体步骤包括：

对工况信息数据库中的工况参数数据，在不同的工况参数维度组合建立工况字典；

将工况字典中的工况参数组合分解到独立的工况参数维度下，基于关键特征构建工况权重字典；

通过回归算法建立工况字典中各工况参数维度下的工况参数相对于特征数据的回归模型，将此模型作为工况参数预测模型；

对于状态特征数据库中的状态特征数据，通过回归算法建立各个状态特征相对于工况参数融合特征的回归模型，将此模型作为工况参数补偿模型。

4.根据权利要求3所述的基于分类回归模式的工况自适应的设备健康度评估方法，其特征在于，所述工况参数融合特征，是通过各工况参数维度下的基本工况参数进行多项式特征组合得到工况参数融合特征。

5.根据权利要求4所述的基于分类回归模式的工况自适应的设备健康度评估方法，其特征在于，所述基于工况识别模型和工况自适应补偿模型，通过分类回归模式依次进行工况的分类识别和工况的回归自适应补偿处理，得到工况脱敏的特征数据具体步骤包括：

将设备的特征数据作为所述工况参数预测模型的输入，通过计算得到设备的工况参数预测值；

将工况参数预测值与所述的工况权重字典中对应维度的权重相乘得到加权的工况参数预测值；

将加权的工况参数预测值，经归一化后基于欧氏距离与所述的工况字典中的工况模式进行最近邻分类匹配，得到对应于工况字典的工况参数分类预测值；

将工况参数分类预测值作为所述工况参数补偿模型的输入，通过工况参数补偿模型预测得到目标样本的工况补偿值，并补偿消除工况的影响，到工况脱敏的特征数据。

6.根据权利要求5所述的基于分类回归模式的工况自适应的设备健康度评估方法，其特征在于，所述对所述工况脱敏的特征数据进行标准化处理，并结合距离法得到各关键部件健康度指数的具体步骤包括：

对得到工况脱敏的特征数据进行标准化处理，得到标准化的特征数据；

通过标准化的特征数据计算选定的特征的向量到健康基准向量的欧氏距离，在此，所述健康基准向量是由设备出厂时处于初始稳定状态的出厂时选定的特征向量对应的标准化特征值数据取均值得到；

通过Sigmoid函数变换得到归一化函数，通过归一化函数对所述欧氏距离进行归一化处理，得到各关键部件的健康度指数。

7.根据权利要求6所述的基于分类回归模式的工况自适应的设备健康度评估方法，其特征在于，所述通过Sigmoid函数变换得到归一化函数，所述归一化函数表示为：

其中，w为尺度参数，t为平滑参数，HI表示各关键部件的健康度指数。

8.根据权利要求7所述的基于分类回归模式的工况自适应的设备健康度评估方法，其特征在于，所述根据各关键部件健康度指数和预设的各关键部件健康度阈值计算设备整机健康度，并对设备健康状态进行整体评估，得到整机健康度的具体操作为：

通过所述各关键部件健康度指数构建健康雷达图，并根据健康雷达图的面积结合预设的健康度阈值计算整机健康度，整机健康度表示如下：

其中，HT为预设的健康度阈值，A为当前状态健康度雷达图面积，A₁为所有关键部件健康度均为1时的健康度雷达图的面积，j＝1，2，...，表示设备的关节编号。

9.根据权利要求8所述的基于分类回归模式的工况自适应的设备健康度评估方法，其特征在于，所述根据所述整机健康度、工况信息数据及设计参数数据对设备的剩余使用寿命进行预测的具体步骤包括：

根据整机健康度以及所述设计参数数据建立剩余使用寿命与整机健康度之间关联模型，记作第一关联模型；

结合各类工况对使用寿命的影响程度以及结合设计参数数据，建立寿命影响度与工况参数间的关联模型，记作第二关联模型；

根据整机健康度数据并结合两个关联模型建立工况参数修正后的剩余使用寿命预测模型，对实际工况下的剩余使用寿命进行预测。

10.根据权利要求1或9所述的基于分类回归模式的工况自适应的设备健康度评估方法，其特征在于，还包括以下步骤：

更新步骤：状态特征数据库及与其匹配的工况信息数据库能根据设备的运行状态数据和工况信息数据的增加而不断更新；

自学习步骤：能自学习并动态更新工况字典、工况权重字典、工况参数预测模型、工况参数补偿模型、剩余使用寿命与健康度之间的基本关联模型以及寿命影响度与相应工况参数的间的关联模型。