CN108549967B - 盾构机刀盘性能健康评估方法与系统 - Google Patents

Abstract

本发明提供了一种盾构机刀盘性能健康评估方法，包含以下步骤：数据采集处理步骤：获取并处理盾构机在运行过程中的原始状态变量，得到状态变量数据集；特征处理步骤：对状态变量数据集进行特征处理，获得特征评估向量；健康评估步骤：根据特征评估向量对刀盘的健康状况进行相应的状态评估与性能预测，给出刀盘的健康指数。相应地，本发明还提供了一种盾构机刀盘性能健康评估系统。传统方法中利用岩层特性和研究刀盘磨损特性都基于一定的假设，而本发明基于盾构机实际的传感器数据特征建模其结果更加接近实际，预测更加准确。

Description

盾构机刀盘性能健康评估方法与系统

技术领域

本发明涉及盾构机健康评估技术领域，具体地，涉及一种盾构机刀盘性能健康评估方法与系统。

背景技术

盾构机，全名叫盾构隧道掘进机，是一种隧道掘进的专用工程机械，现代盾构掘进机集光、机、电、液、传感、信息技术于一体，具有开挖切削土体、输送土碴、拼装隧道衬砌、测量导向纠偏等功能，涉及地质、土木、机械、力学、液压、电气、控制、测量等多门学科技术，而且要按照不同的地质进行“量体裁衣”式的设计制造，可靠性要求极高。

刀盘是盾构机在隧道掘进过程中的一个重要组成部分。盾构机是一种集机械、电子电气、液压为一体的大型施工设备，结构复杂，现场施工环境恶劣，且长期不间断作业运行，一旦刀盘发生故障，由于自身体积庞大且在隧道中运行，维修难度极大，往往会严重影响工程施工工期。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种盾构机刀盘性能健康评估方法与系统。

根据本发明提供的盾构机刀盘性能健康评估方法，包含以下步骤：

数据采集处理步骤：获取并处理盾构机在运行过程中的原始状态变量，得到状态变量数据集；

特征处理步骤：对状态变量数据集进行特征处理，获得特征评估向量；

健康评估步骤：根据特征评估向量对刀盘的健康状况进行相应的状态评估与性能预测，给出刀盘健康指数。

优选地，所述数据采集处理步骤包含以下步骤：

数据采集步骤：获取盾构机在运行过程中的原始状态变量；

数据存储步骤：将原始状态变量存储在盾构机状态检测数据库中；

数据预处理步骤：填补、检测或剔除相应的原始状态变量，获得经过预处理的状态变量数据集。

优选地，所述特征处理步骤包含以下步骤：

特征提取步骤：根据设定的相关系数阈值，在状态变量数据集中，提取出第一状态变量子集与第一特征子集；

特征降维步骤：对第一状态变量子集进行主成分分析，获得第二特征子集；

特征向量获取步骤：融合第一特征子集与第二特征子集，获得特征评估向量。

优选地，特征提取步骤中：

对采集的样本数据进行相关性分析获得各个原始状态变量之间的相关性矩阵，根据相关性矩阵设定相应的相关系数阈值；

状态变量数据集具有n个元素；在状态变量数据集中提取与盾构机刀盘性能相关系数高的前k个元素构成第一状态变量子集{状态变量1，状态变量2，…，状态变量k}，其中n与k均为正整数，k<n；

第一特征子集{SF，ST}中：

式中：SF表示比推力；F表示盾构机推力；P表示盾构机每转切深；ST表示比扭矩；T表示刀盘扭矩；r₀表示滚刀平均安装半径。

优选地，特征降维步骤包含以下步骤：

标准化步骤：对第一状态变量子集{状态变量1，状态变量2，…，状态变量k}中各个状态变量按以下公式进行标准化处理，获得第二状态变量子集{状态变量1′，状态变量2′，…，状态变量k′}：

式中：X′为与X对应的第二状态变量子集中的状态变量；X为第一状态变量子集中的状态变量；μ为第一状态变量子集中的状态变量的均值，σ为第一状态变量子集中的状态变量的标准差；

对每个状态变量X′计算均值、标准差、最大值以及峭度，获得高维特征向量X^F＝[特征1，特征2，…，特征4k]；

降维操作步骤，所述降维操作步骤包含以下步骤：

步骤S1：按以下公式求取关于X^F中特征数据的协方差矩阵C：

式中：x_i为X^F的第i个特征数据；

上标T表示求取转置矩阵；

步骤S2：按以下公式求取C中的第i个特征值λ_i与λ_i对应的正交特征向量u_i：

λ_iu_i＝Cu_i

步骤S3：按以下公式计算λ_i的方差贡献率α_i：

式中：m为正整数，C中的第m个特征值λ_m满足λ₁≥λ₂≥…≥λ_m＞0；

步骤S4：当前l个特征值λ₁～λ_l的累积贡献值大于设定值时，获得主成分特征向量U＝[u₁,u₂,…,u_l]^T；

步骤S5：根据以下公式计算获得第二特征子集F＝[f1,f2,f3,…,fl]：

F＝X^FU^T

特征向量获取步骤中，所述特征评估向量为[f1，f2，SF，ST]；

健康评估步骤中，根据以下公式计算刀盘健康指数HV：

HV＝e^{-(αSF+βST+γf1+δf2)}

式中，α、β、γ、δ均为经验系数，且大于零。

本发明还提供了一种盾构机刀盘性能健康评估系统，包含以下模块：

数据采集处理模块：获取并处理盾构机在运行过程中的原始状态变量，得到状态变量数据集；

特征处理模块：对状态变量数据集进行特征处理，获得特征评估向量；

健康评估模块：根据特征评估向量对刀盘的健康状况进行相应的状态评估与性能预测，给出刀盘健康指数。

优选地，所述数据采集处理模块包含以下模块：

数据采集模块：获取盾构机在运行过程中的原始状态变量；

数据存储模块：将原始状态变量存储在盾构机状态检测数据库中；

数据预处理模块：填补、检测或剔除相应的原始状态变量，获得经过预处理的状态变量数据集。

优选地，所述特征处理模块包含以下模块：

特征提取模块：根据设定的相关系数阈值，在状态变量数据集中，提取出第一状态变量子集与第一特征子集；

特征降维模块：对第一状态变量子集进行主成分分析，获得第二特征子集；

特征向量获取模块：融合第一特征子集与第二特征子集，获得特征评估向量。

优选地，特征提取模块中：

对采集的样本数据进行相关性分析获得各个原始状态变量之间的相关性矩阵，根据相关性矩阵设定相应的相关系数阈值；

状态变量数据集具有n个元素；在状态变量数据集中提取与盾构机刀盘性能相关系数高的前k个元素构成第一状态变量子集{状态变量1，状态变量2，…，状态变量k}，其中n与k均为正整数，k<n；

第一特征子集{SF，ST}中：

式中：SF表示比推力；F表示盾构机推力；P表示盾构机每转切深；ST表示比扭矩；T表示刀盘扭矩；r₀表示滚刀平均安装半径。

优选地，特征降维模块包含以下模块：

标准化模块：对第一状态变量子集{状态变量1，状态变量2，…，状态变量k}中各个状态变量按以下公式进行标准化处理，获得第二状态变量子集{状态变量1^′，状态变量2′，…，状态变量k′}：

式中：X′为与X对应的第二状态变量子集中的状态变量；X为第一状态变量子集中的状态变量；μ为第一状态变量子集中的状态变量的均值，σ为第一状态变量子集中的状态变量的标准差；

对每个状态变量X′计算均值、标准差、最大值以及峭度，获得高维特征向量X^F＝[特征1，特征2，…，特征4k]；

降维操作模块，所述降维操作模块包含以下模块：

模块M1：按以下公式求取关于X^F中特征数据的协方差矩阵C：

式中：x_i为X^F的第i个特征数据；

上标T表示求取转置矩阵；

模块M2：按以下公式求取C中的第i个特征值λ_i与λ_i对应的正交特征向量u_i：

λ_iu_i＝Cu_i

模块M3：按以下公式计算λ_i的方差贡献率α_i：

式中：m为正整数，C中的第m个特征值λ_m满足λ₁≥λ₂≥…≥λ_m＞0；

模块M4：当前l个特征值λ₁～λ_l的累积贡献值大于设定值时，获得主成分特征向量U＝[u₁,u₂,…,u_l]^T；

模块M5：根据以下公式计算获得第二特征子集F＝[f1,f2,f3,…,fl]：

F＝X^FU^T

特征向量获取模块中，所述特征评估向量为[f1，f2，SF，ST]；

健康评估模块中，根据以下公式计算刀盘健康指数HV：

HV＝e^{-(αSF+βST+γf1+δf2)}

式中，α、β、γ、δ均为经验系数，且大于零。

与现有技术相比，本发明具有如下的有益效果：

1、传统方法中利用岩层特性和研究刀盘磨损特性都基于一定的假设，而本发明基于盾构机实际的传感器数据特征建模其结果更加接近实际，预测更加准确。

2、与传统方法和人工检查相比，本发明能够实时监测盾构机刀盘运行的健康状态，预测刀盘的性能趋势，可有的放矢地维护保养。

3、本发明可实时不停机监测，节省了生产成本。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1为本发明提供的盾构机刀盘性能健康评估方法流程图；

图2为数据预处理步骤中针对不同脏数据的处理方法。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。

在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

如图1所示，本发明提供了一种盾构机刀盘性能健康评估系统，包含以下模块：数据采集处理模块：获取并处理盾构机在运行过程中的原始状态变量，得到状态变量数据集；特征处理模块：对状态变量数据集进行特征处理，获得特征评估向量；健康评估模块：根据特征评估向量对刀盘的健康状况进行相应的状态评估与性能预测，计算给出刀盘健康指数。

所述数据采集处理模块包含以下模块：数据采集模块：获取盾构机在运行过程中的原始状态变量；数据存储模块：将原始状态变量存储在盾构机状态检测数据库中；数据预处理模块：填补、检测或剔除相应的原始状态变量，获得经过预处理的状态变量数据集。实际应用中，数据采集模块实时地获取盾构机在运行过程中的各个原始状态变量，数据存储模块将所获取的原始状态信息存储在盾构机状态检测数据库中。图2显示了数据预处理模块，其主要判别状态监测数据中的错误数据，查找重复数据并且填补空值，能够尽最大可能地保证数据使用前的正确性，将错误的或有冲突的不想要的“脏数据”，按照一定的规则“洗掉”，或者将“脏数据”转换为满足数据质量和应用要求的数据，从而提高数据的质量。

所述特征处理模块包含以下模块：特征提取模块：根据设定的相关系数阈值，在状态变量数据集中，提取出第一状态变量子集与第一特征子集；特征降维模块：对第一状态变量子集进行主成分分析，获得第二特征子集；特征向量获取模块：融合第一特征子集与第二特征子集，获得特征评估向量。

特征提取模块中：对采集的样本数据进行相关性分析获得各个原始状态变量之间的相关性矩阵，根据相关性矩阵设定相应的相关系数阈值；状态变量数据集具有n个元素；在状态变量数据集中提取与盾构机刀盘性能相关系数高的前k个元素构成第一状态变量子集{状态变量1，状态变量2，…，状态变量k}，其中n与k均为正整数，k<n；第一特征子集{SF，ST}中：

式中：SF表示比推力；F表示盾构机推力；P表示盾构机每转切深；ST表示比扭矩；T表示刀盘扭矩；r₀表示滚刀平均安装半径。

特征降维模块包含以下模块：

标准化模块：对第一状态变量子集{状态变量1，状态变量2，…，状态变量k}中各个状态变量按以下公式进行标准化处理，获得第二状态变量子集{状态变量1′，状态变量2′，…，状态变量k′}：

式中：X′为与X对应的第二状态变量子集中的状态变量；X为第一状态变量子集中的状态变量；μ为第一状态变量子集中的状态变量的均值，σ为第一状态变量子集中的状态变量的标准差；

对每个状态变量X′计算均值、标准差、最大值以及峭度，获得高维特征向量X^F＝[特征1，特征2，…，特征4k]；

降维操作模块，所述降维操作模块包含以下模块：

模块M1：按以下公式求取关于X^F中特征数据的协方差矩阵C：

式中：x_i为X^F的第i个特征数据；上标T表示求取转置矩阵；

模块M2：按以下公式求取C中的第i个特征值λ_i与λ_i对应的正交特征向量u_i：

λ_iu_i＝Cu_i

模块M3：按以下公式计算λ_i的方差贡献率α_i：

式中：m为正整数，C中的第m个特征值λ_m满足λ₁≥λ₂≥…≥λ_m＞0；

模块M4：当前l个特征值λ₁～λ_l的累积贡献值大于设定值时，获得主成分特征向量U＝[u₁,u₂,…,u_l]^T；优选地，所述设定值为85％，2≤l≤m，为l正整数。

模块M5：根据以下公式计算获得第二特征子集F＝[f1,f2,f3,…,fl]：

F＝X^FU^T

特征向量获取模块中，所述特征评估向量为[f1，f2，SF，ST]；

健康评估模块中，根据以下公式计算刀盘健康指数HV：

HV＝e^{-(αSF+βST+γf1+δf2)}

式中，α、β、γ、δ均为经验系数，且大于零。

相应地，本发明还提供了一种盾构机刀盘性能健康评估方法，包含以下步骤：数据采集处理步骤：获取并处理盾构机在运行过程中的原始状态变量，得到状态变量数据集；特征处理步骤：对状态变量数据集进行特征处理，获得特征评估向量；健康评估步骤：根据特征评估向量对刀盘的健康状况进行相应的状态评估与性能预测，给出刀盘健康指数。

所述数据采集处理步骤包含以下步骤：数据采集步骤：获取盾构机在运行过程中的原始状态变量；数据存储步骤：将原始状态变量存储在盾构机状态检测数据库中；数据预处理步骤：填补、检测或剔除相应的原始状态变量，获得经过预处理的状态变量数据集。实际应用中，数据采集步骤中实时地获取盾构机在运行过程中的各个原始状态变量，数据存储步骤中将所获取的原始状态信息存储在盾构机状态检测数据库中。图2显示了数据预处理步骤中，判别状态监测数据中的错误数据，查找重复数据并且填补空值，能够尽最大可能地保证数据使用前的正确性，将错误的或有冲突的不想要的“脏数据”，按照一定的规则“洗掉”，或者将“脏数据”转换为满足数据质量和应用要求的数据，从而提高数据的质量。

所述特征处理步骤包含以下步骤：特征提取步骤：根据设定的相关系数阈值，在状态变量数据集中，提取出第一状态变量子集与第一特征子集；特征降维步骤：对第一状态变量子集进行主成分分析，获得第二特征子集；特征向量获取步骤：融合第一特征子集与第二特征子集，获得特征评估向量。

特征提取步骤中：对采集的样本数据进行相关性分析获得各个原始状态变量之间的相关性矩阵，根据相关性矩阵设定相应的相关系数阈值；状态变量数据集具有n个元素；在状态变量数据集中提取与盾构机刀盘性能相关系数高的前k个元素构成第一状态变量子集{状态变量1，状态变量2，…，状态变量k}，其中n与k均为正整数，k<n；第一特征子集{SF，ST}中：

式中：SF表示比推力；F表示盾构机推力；P表示盾构机每转切深；ST表示比扭矩；T表示刀盘扭矩；r₀表示滚刀平均安装半径。

特征降维步骤包含以下步骤：

标准化步骤：对第一状态变量子集{状态变量1，状态变量2，…，状态变量k}中各个状态变量按以下公式进行标准化处理，获得第二状态变量子集{状态变量1′，状态变量2′，…，状态变量k′}：

式中：X′为与X对应的第二状态变量子集中的状态变量；X为第一状态变量子集中的状态变量；μ为第一状态变量子集中的状态变量的均值，σ为第一状态变量子集中的状态变量的标准差；

对每个状态变量X′计算均值、标准差、最大值以及峭度，获得高维特征向量X^F＝[特征1，特征2，…，特征4k]；

降维操作步骤，所述降维操作步骤包含以下步骤：

步骤S1：按以下公式求取关于X^F中特征数据的协方差矩阵C：

式中：x_i为X^F的第i个特征数据；上标T表示求取转置矩阵；

步骤S2：按以下公式求取C中的第i个特征值λ_i与λ_i对应的正交特征向量u_i：

λ_iu_i＝Cu_i

步骤S3：按以下公式计算λ_i的方差贡献率α_i：

式中：m为正整数，C中的第m个特征值λ_m满足λ₁≥λ₂≥…≥λ_m＞0；

步骤S4：当前l个特征值λ₁～λ_l的累积贡献值大于设定值时，获得主成分特征向量U＝[u₁,u₂,…,u_l]^T；优选地，所述设定值为85％，2≤l≤m，为l正整数。

步骤S5：根据以下公式计算获得第二特征子集F＝[f1,f2,f3,…,fl]：

F＝X^FU^T

特征向量获取步骤中，所述特征评估向量为[f1，f2，SF，ST]；

健康评估步骤中，根据以下公式计算刀盘健康指数HV：

HV＝e^{-(αSF+βST+γf1+δf2)}

式中，α、β、γ、δ均为经验系数，且大于零。

本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (5)

1.一种盾构机刀盘性能健康评估方法，其特征在于，包含以下步骤：

数据采集处理步骤：获取并处理盾构机在运行过程中的原始状态变量，得到状态变量数据集；

特征处理步骤：对状态变量数据集进行特征处理，获得特征评估向量；

健康评估步骤：根据特征评估向量对刀盘的健康状况进行相应的状态评估与性能预测，给出刀盘健康指数；

所述特征处理步骤包含以下步骤：

特征提取步骤：根据设定的相关系数阈值，在状态变量数据集中，提取出第一状态变量子集与第一特征子集；

特征降维步骤：对第一状态变量子集进行主成分分析，获得第二特征子集；

特征向量获取步骤：融合第一特征子集与第二特征子集，获得特征评估向量；

所述特征提取步骤中：

对采集的样本数据进行相关性分析获得各个原始状态变量之间的相关性矩阵，根据相关性矩阵设定相应的相关系数阈值；

状态变量数据集具有n个元素；在状态变量数据集中提取与盾构机刀盘性能相关系数高的前k个元素构成第一状态变量子集{状态变量1，状态变量2，…，状态变量k}，其中n与k均为正整数，k＜n；

第一特征子集{SF，ST}中：

式中：SF表示比推力；F表示盾构机推力；P表示盾构机每转切深；ST表示比扭矩；T表示刀盘扭矩；r₀表示滚刀平均安装半径。

2.根据权利要求1所述的盾构机刀盘性能健康评估方法，其特征在于，所述数据采集处理步骤包含以下步骤：

数据采集步骤：获取盾构机在运行过程中的原始状态变量；

数据存储步骤：将原始状态变量存储在盾构机状态检测数据库中；

数据预处理步骤：填补、检测或剔除相应的原始状态变量，获得经过预处理的状态变量数据集。

3.根据权利要求1所述的盾构机刀盘性能健康评估方法，其特征在于，特征降维步骤包含以下步骤：

标准化步骤：对第一状态变量子集{状态变量1，状态变量2，…，状态变量k}中各个状态变量按以下公式进行标准化处理，获得第二状态变量子集{状态变量1′，状态变量2′，…，状态变量k′}：

式中：X′为与X对应的第二状态变量子集中的状态变量；X为第一状态变量子集中的状态变量；μ为第一状态变量子集中的状态变量的均值，σ为第一状态变量子集中的状态变量的标准差；

对每个状态变量X′计算均值、标准差、最大值以及峭度，获得高维特征向量X^F＝[特征1，特征2，…，特征4k]；

降维操作步骤，所述降维操作步骤包含以下步骤：

步骤S1：按以下公式求取关于X^F中特征数据的协方差矩阵C：

式中：x_i为X^F的第i个特征数据；

上标T表示求取转置矩阵；

步骤S2：按以下公式求取C中的第i个特征值λ_i与λ_i对应的正交特征向量u_i：

λ_iu_i＝Cu_i

步骤S3：按以下公式计算λ_i的方差贡献率α_i：

式中：m为正整数，C中的第m个特征值λ_m满足λ₁≥λ₂≥…≥λ_m＞0；

步骤S4：当前l个特征值λ₁～λ_l的累积贡献值大于设定值时，获得主成分特征向量U＝[u₁，u₂，...，u_l]^T；

步骤S5：根据以下公式计算获得第二特征子集F＝[f1，f2，f3，...，fl]：

F＝X^FU^T

特征向量获取步骤中，所述特征评估向量为[f1，f2，SF，ST]；

健康评估步骤中，根据以下公式计算刀盘健康指数HV：

HV＝e^{-(αSF+βST+γf1+δf2)}

式中，α、β、γ、δ均为经验系数，且大于零。

4.一种盾构机刀盘性能健康评估系统，其特征在于，包含以下模块：

数据采集处理模块：获取并处理盾构机在运行过程中的原始状态变量，得到状态变量数据集；

特征处理模块：对状态变量数据集进行特征处理，获得特征评估向量；

健康评估模块：根据特征评估向量对刀盘的健康状况进行相应的状态评估与性能预测，给出刀盘健康指数；

所述数据采集处理模块包含以下模块：

数据采集模块：获取盾构机在运行过程中的原始状态变量；

数据存储模块：将原始状态变量存储在盾构机状态检测数据库中；

数据预处理模块：填补、检测或剔除相应的原始状态变量，获得经过预处理的状态变量数据集；

所述特征处理模块包含以下模块：

特征提取模块：根据设定的相关系数阈值，在状态变量数据集中，提取出第一状态变量子集与第一特征子集；

特征降维模块：对第一状态变量子集进行主成分分析，获得第二特征子集；

特征向量获取模块：融合第一特征子集与第二特征子集，获得特征评估向量；

所述特征提取模块中：

对采集的样本数据进行相关性分析获得各个原始状态变量之间的相关性矩阵，根据相关性矩阵设定相应的相关系数阈值；

状态变量数据集具有n个元素；在状态变量数据集中提取与盾构机刀盘性能相关系数高的前k个元素构成第一状态变量子集{状态变量1，状态变量2，…，状态变量k}，其中n与k均为正整数，k＜n；

第一特征子集{SF，ST}中：

式中：SF表示比推力；F表示盾构机推力；P表示盾构机每转切深；ST表示比扭矩；T表示刀盘扭矩；r₀表示滚刀平均安装半径。

5.根据权利要求4所述的盾构机刀盘性能健康评估系统，其特征在于，特征降维模块包含以下模块：

标准化模块：对第一状态变量子集{状态变量1，状态变量2，…，状态变量k}中各个状态变量按以下公式进行标准化处理，获得第二状态变量子集{状态变量1′，状态变量2′，…，状态变量k′}：

式中：X′为与X对应的第二状态变量子集中的状态变量；X为第一状态变量子集中的状态变量；μ为第一状态变量子集中的状态变量的均值，σ为第一状态变量子集中的状态变量的标准差；

对每个状态变量X′计算均值、标准差、最大值以及峭度，获得高维特征向量X^F＝[特征1，特征2，…，特征4k]；

降维操作模块，所述降维操作模块包含以下模块：

模块M1：按以下公式求取关于X^F中特征数据的协方差矩阵C：

式中：x_i为X^F的第i个特征数据；

上标T表示求取转置矩阵；

模块M2：按以下公式求取C中的第i个特征值λ_i与λ_i对应的正交特征向量u_i：

λ_iu_i＝Cu_i

模块M3：按以下公式计算λ_i的方差贡献率α_i：

式中：m为正整数，C中的第m个特征值λ_m满足λ₁≥λ₂≥…≥λ_m＞0；

模块M4：当前l个特征值λ₁～λ_l的累积贡献值大于设定值时，获得主成分特征向量U＝[u₁，u₂，...，u_l]^T；

模块M5：根据以下公式计算获得第二特征子集F＝[f1，f2，f3，...，fl]：

F＝X^FU^T

特征向量获取模块中，所述特征评估向量为[f1，f2，5F，ST]；

健康评估模块中，根据以下公式计算刀盘健康指数HV：

HV＝e^{-(αSF+ββST+γf1+δf2)}

式中，α、β、γ、δ均为经验系数，且大于零。

Images