CN109886430A - 一种基于工业大数据的设备健康状态评估与预测方法 - Google Patents

Abstract

本发明涉及一种基于工业大数据的设备健康状态评估与预测方法，其步骤包括：S1.从设备状态监测系统中提取能够表征设备退化全过程的样本数据；S2.针对样本数据进行有效的预处理；S3.基于Spark平台构造分布式支持向量数据描述模型，提取正常样本集；S4.通过欧氏距离衡量当前样本的偏离度，并进一步转化为健康度值，绘制健康度曲线；S5.基于Spark平台构造设备健康度单步预测模型；S6.将设备单步预测方法进一步扩展为多步预测。与现有技术相比，本发明涉及设备健康评估与预测方法，客观准确地评估被监测设备的健康状态，预测设备未来的劣化趋势，为后续设备的故障管理和维护工作提供理论依据。

Description

一种基于工业大数据的设备健康状态评估与预测方法

技术领域

本发明涉及设备健康管理技术领域，尤其是涉及一种基于工业大数据的设备健康状态评估与预测方法。

背景技术

设备的性能会随服役时间的增长而慢慢衰退，有效地评估与预测设备的健康状态对于故障的预防以及提高设备可靠性都具有重要意义。设备健康状态评估是指用健康度描述设备整体运行的良好程度，是对设备运行状态的综合评价。设备健康状态预测是指挖掘设备健康度的内在演化规律从而实现设备健康度的超前预测，便于设备的维护管理。

工业领域常用的设备健康评估方法为基于专家知识经验的健康评估，主要思想是：通过确定设备性能参数指标，对其评估打分，然后确定各性能指标影响设备健康状态的权重，综合计算得到健康度评价，如中国专利“一种工业设备健康状态评估方法”(授权号为：CN107368693A)。但是此方法依赖领域专家知识库，颇具主观性和局限性。文献报道了一些基于状态数据进行设备健康评估的方法。经常采用的做法是定性描述设备健康状态，将其分成几个等级，比如，健康、亚健康、故障等。常用方法为层次分析法、模糊综合评价BP神经网络、线性加权法、主成分分析法等。这些方法虽然可以实现设备健康等级的评价，但设备分级结果与设备本身密切相关，仍然带有主观的成分，如中国专利“一种基于告警数据分析的设备健康评估方法与装置”(授权号为：CN107451402A)。而且，当多台设备健康评价属于同一等级时，很难判断孰优孰劣。因此有必要对设备健康状态进一步进行量化，通过定量的值表征设备健康状态。对设备健康度进行定量描述通常采用的做法是，用0-1之间的连续值表征设备健康状态，0表征故障状态，1表征故障之前设备运行最佳的功能状态，0和1之间的值则表示设备性能处于提高或者劣化过程的状态。文献也报道了此部分的一些研究，常用方法有自组织神经网络、主成分分析法、受限玻尔兹曼机、隐马尔可夫链、支持向量数据描述等，如中国专利“一种滚动轴承性能退化评估装置及方法”(授权号为：CN104729853A)。目前大多健康度值并未进一步约束至0-1之间，因此难以判断其健康度值上限，不直观。且目前大多研究基于离线的方式训练设备健康度评估模型，时间效率在实际应用中劣势很明显，尤其当面对监测数据为大数据时。因此，在大数据背景下，如何高效准确的进行设备的评估，已成为设备健康监测领域亟待解决的问题。

在实际的生产过程中，只了解设备当前的状态并不足以掌握之后一段时间设备性能的变化趋势，这对于企业的生产和设备维护计划的制定仍十分不便。因此，在针对设备进行健康状态评估的基础之上，需要进一步的预测设备的健康劣化趋势。设备健康预测属于机器学习领域的时间序列预测问题，此领域所采用的机器学习方法有很多，比如，隐马尔科夫模型，神经网络，随机森林以及支持向量机(Support Vector Machine)等等。如何选用合适的算法进行模型的构建对于预测的准确度十分关键，特别当面临海量数据的预测时，预测耗时同时也是需要重点考虑的方向。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于工业大数据的设备健康状态评估与预测方法，能够客观准确地评估被监测设备的健康状态，预测设备未来的劣化趋势，为后续设备的故障管理和维护工作提供理论依据。

本发明的目的可以通过以下技术方案来实现：

一种基于工业大数据的设备健康状态评估与预测方法，包括以下分步骤：

S1：采集设备状态数据，从中提取设备相关退化变量，即：设备相关退化变量的选取：首先从设备状态数据集中选取几组较为完整的run-to-failure全生命周期数据，从中选择能够表征设备退化状态且能被连续监测和记录的特征参量，作为设备的退化变量；

S2：对设备相关退化变量进行数据预处理，即：样本数据的预处理：针对数据相关退化变量进行有效的数据预处理，剔除样本数据中的无效和冗余变量；

S3：构造分布式支持向量数据描述模型并提取预处理后数据中的正常样本集，即：并行化提取正常样本集：通过Spark集群对支持向量数据描述模型训练进行分布式计算，然后利用并行化后的SVDD方法提取正常样本集；

S4：计算当前样本的偏离度，进一步转化为健康度值并绘制健康度曲线，即：健康度计算及曲线绘制：根据正常样本集合，通过欧氏距离衡量当前样本的偏离度，并将其转化为更为直观的健康度值，绘制健康度曲线；

S5：构造设备健康度单步预测模型，即：基于历史健康度数据构造并行化单步预测模型：并行化Nu-支持向量回归(NuSVR)的参数寻优方法，并基于历史健康度数据构造单步预测模型；

S6：将单步预测模型扩展为多步预测模型并获取设备劣化趋势结果，即：将单步预测模型扩展为多步预测，获取设备劣化趋势：将前一步的单步预测模型通过递归的方式实现健康状态的多步预测，以获取设备未来一段时间的健康劣化趋势。

优选地，所述的步骤S1中的设备相关退化变量包括：速度、流速、压力、温度、功率和电流。

优选地，所述步骤S2中的数据预处理包括归一化和基于主成分析法的特征约减，所述归一化具体包括：采用最大最小值归一化方法将退化变量样本规约于[0,1]之间，所述基于主成分析法的特征约减具体包括：采用主成分分析法构造样本降维矩阵，通过设定累积贡献率θ确定降维后的特征阶数m，并根据各主成分的贡献率构造新的特征样本矩阵Y。

优选地，所述步骤S3包括以下分步骤：

在模型训练开始之前，需将数据集上传到HDFS分布式文件存储系统。首先HDFS文件系统中读取训练集并自动转换成RDD数据模型。将数据切分成若干子集，Spark集群的任务调度系统则会为分割后的每个数据子集在Executor里创建新任务，并利用资源管理器给相应的任务分配计算资源。

在Spark集群分别训练支持向量数据描述算法；在各计算节点剔除大量非支持向量样本，保留支持向量集合部分，直至各节点全部训练完成。

将各计算节点得到的局部支持向量合并，作为全局支持向量，返回主程序节点，重新训练支持向量数据描述，得到全局支持向量数据描述模型，输出至HDFS系统。

S31：将包含设备全过程的退化变量样本输入普通支持向量数据描述模型，确定模型参数，启动Spark集群，提交程序，在主程序中广播模型参数；

S32：将模型参数应用至各节点的支持向量数据描述模型中，输入大数据样本，通过map()与reduce()方法过滤各节点的非支持向量样本，得到全局支持向量，在主节点中重新训练支持向量数据描述，得到最终的全局支持向量数据描述模型；

S33：计算全局支持向量集中样本y_i到支持向量数据描述超球体球心a的距离d，并比较d与超球体半径R之间的关系，如果d≤R，视为正常样本，反之，则视为异常样本，据此识别出全局支持向量集中的正常样本集合，完成正常样本集的提取。

优选地，所述全局支持向量数据描述模型，其描述公式为：

式中，α_i为拉格朗日算子；

所述超球体半径R，其计算公式为：

式中，n_sv为支持向量的数目，

优选地，所述步骤S4包括以下分步骤：

S41：根据正常样本集合，通过计算当前样本与其的欧式距离可获取设备当前状态相对与正常功能状态的样本偏离程度值；

S42：利用偏离程度值进一步得出健康度值；

S43：绘制健康度值随时间变化的曲线，从而更为形象清晰地展示设备健康状态随时间变化的趋势。

优选地，所述偏离程度值，其计算公式为：

DD＝min||Y-N_k×m||

式中，DD为样本偏离程度值，Y为当前样本，N_k×m为正常样本集合；

所述健康度值，其计算公式为：

式中，HD_h为第h监测点健康度值，A和B为形状参数，DD_h为第h监测点的偏离度值。

优选地，所述步骤S5包括以下分步骤：

S51：通过合适的时间窗宽度选择历史健康度序列，从而构造预测模型的输入向量，将对应下一时刻的健康度值作为预测目标值，构造训练模型的输出向量；

S52：通过网格搜索法寻找合适的模型参数，参数寻优采用分布式计算的方式，首先，根据网格搜索法确定参数组合，将遍历的所有参数组合存入数组，再转换成RDD格式。然后通过map()方法对将网格搜索法中的交叉验证任务分配到各work节点并行运算，计算各参数对应的预测准确率，并将结果传送到主节点服务器上，由主节点汇总，得出最优参数；

S53：启动模型训练，得到设备健康状态单步预测模型。

优选地，所述步骤S6包括以下分步骤：

S61：构造多步预测模型输入输出向量；

S62：构造设备健康多步预测模型；

S63：循环更新健康度序列并得出最终设备劣化趋势结果，基于NuSVR的设备健康多步预测算法采用递归思想，不断将前一步的预测值补充至实时健康度序列，从而预测得到下一阶段的健康度序列。

与现有技术相比，本发明具有以下优点：

(1)本发明基于设备状态监测大数据进行分析，采用基于数据的设备评估方式，摆脱了专家确定权重的知识经验难以获取和主观性较强的劣势。通过对设备状态数据的潜在规律的分析挖掘，提取设备运行过程中功能状态最佳的部分样本作为正常样本集合，以欧式距离度量设备当前状态与其的偏离程度，从而转化为设备健康度值。本发明充分利用设备状态数据，所构建的健康评估方法可以相对客观、准确、科学地评价工业设备的健康状态；

(2)特别地，针对于大数据背景下，健康评估模型运算效率较低的问题，本发明提出基于分布式平台的设备健康评估方法。将支持向量数据描述训练进行分布式计算，从而大大节约训练时间，提高了设备健康评估算法的时效性。

附图说明

图1是本发明一个实例的设备健康状态评估运算流程图；

图2是本发明一个实例的支持向量数据描述分布式计算过程；

图3是本发明一个实例的基于Spark平台的设备健康评估运算框架图；

图4是本发明一个实例的健康度评估曲线图；

图5是本发明一个实例的网格搜索法分布式计算流程图；

图6是本发明一个实例的基于Spark的设备健康状态单步预测运算框架图；

图7是本发明一个实例的样本的健康状态多步预测流程图，其中图7(a)为样本偏离度曲线图，图7(b)为样本健康度曲线图；

图8是本发明一个实例的测试集的健康度曲线图，其中，图8(a)为测试集Bearing1_2健康度曲线图，图8(b)为Bearing1_4健康度曲线图，图8(c)为Bearing1_5健康度曲线图，图8(d)为Bearing1_6健康度曲线图；

图9是本发明一个实例的测试集的全过程健康度曲线图，其中，图9(a)为测试集Bearing1_2全过程健康度曲线图，图9(b)为Bearing1_4全过程健康度曲线图，图9(c)为Bearing1_5全过程健康度曲线图，图9(d)为Bearing1_6全过程健康度曲线图；

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。

实施例

本实例所述的一种基于工业大数据的设备健康状态评估与预测方法，其运算过程如图1和图3，主要包括以下几部分：

S1.首先从设备状态数据集中选取几组较为完整的run-to-failure全生命周期数据，从中选择能够表征设备退化状态且能被连续监测和记录的特征参量，作为设备的退化变量。不同类型的工业设备可选择各自的待监测参数，主要包括速度、流速、压力、温度、功率、电流等。

S2.针对数据相关退化变量进行有效的数据预处理，包括归一化和基于主成分分析法的特征约减，剔除样本数据中的冗余变量；

其中，归一化采用最大最小值归一化方法，将其规约于[0,1]之间，可以通过以下表达式实现：

其中，X表示退化变量样本集合，X_scale表示归一化后的样本集合，X_max为所有样本数据的最大值，X_min为所有样本数据的最小值。

进一步地，特征约减部分采用主成分分析方法。

首先计算样本的协方差矩阵C＝(cov_ij)_n×b，计算协方差矩阵的特征值和特征向量。假设λ_i(i＝1,2,···,b)是协方差矩阵C的特征值，将其按照降序排列，λ₁≥λ₂≥···≥λ_b，分别为λ₁,λ₂,···,λ_b对应的特征向量。

然后，计算累积贡献率。累积贡献率计算公式：通常要求累积贡献率大于85％，通过累积贡献率可以确定需要选择的特征阶数k及对应的特征向量

最后，构造新的样本矩阵。根据累积贡献率选取新的主成分特征则可以得到降维后的矩阵Y。

S3.并行化提取正常样本集。进一步地，主要通过以下几个步骤实现：

Step301：首先基于Spark平台构建并行化支持向量数据描述模型，如图2，在模型训练开始之前，需将数据集上传到HDFS分布式文件存储系统。首先利用Spark框架的SparkContext提供的textFile函数从HDFS文件系统中读取训练集并自动转换成RDD数据模型。同时根据指定的partition参数将大规模训练数据随机切分成大小适中的独立数据分区。

预设支持向量数据描述参数，通过调用RDD.map()方法将每个数据块里的训练数据转换成支持向量数据描述算法的输入格式，将训练任务分配到集群中各从节点(计算节点)，随后在各从节点读取主程序广播的模型参数，训练支持向量数据描述算法，分别把大量非支持向量样本点剔除掉后保留支持向量集合。

通过RDD.reduce()方法合并各从节点的支持向量集，作为全局支持向量，返回主程序节点，重新训练支持向量数据描述，得到全局支持向量数据描述模型，也即分布式计算的支持向量数据描述模型，存储在HDFS文件系统中。

Step302：正常样本集的提取，通过并行化后的支持向量数据描述方法，生成包含尽可能少正常特征样本的最小超球体，假设给定一个特征空间上的训练集：T＝{y_i}，其中，y_i∈R^d,i＝1,2···,N可通过下式构造支持向量数据描述模型：

其中，a_i为拉格朗日乘子。超球体球心可以通过计算所得，称α_i＝0的样本点为非支持向量，α_i≠0且α_i≠0的样本点为支持向量。

超球体半径R为：

Step303：进一步地，基于分布式支持向量数据描述模型识别样本中的异常点，进而提取正常样本集，其主要步骤包括：

将特征约减后的样本数据输入普通支持向量数据描述模型，确定模型参数。然后启动Spark集群，提交程序，在主程序中广播模型参数。

将模型参数应用至各节点的支持向量数据描述模型中，输入大数据样本，通过map()与reduce()方法合并，然后返回全局支持向量集合至集群的主节点中，在主节点中重新训练支持向量数据描述，得到最终的全局支持向量数据描述模型。

计算全局支持向量集中样本y_i到支持向量数据描述超球体球心a的距离并比较d与超球体半径R之间的关系，如果d≤R，视为正常样本，反之，则视为异常样本。从而可以识别出全局支持向量集中的正常样本集合，完成正常样本集的提取。

S4.设备健康度计算以及健康状态变化曲线绘制，具体实现步骤包括：

根据正常样本集合，通过计算当前样本与其的欧式距离可衡量设备当前状态相对与正常功能状态的偏离程度，N维空间两点欧氏距离计算公式：

欧氏距离还可以用||x₁-x₂||形式表示。

进一步地，假设N_k×m表示正常样本集合，Y表示当前样本，则当前样本偏离度可通过以下表达式计算得到：

DD＝min||Y-N_k×m||

其中，DD表示样本偏离度。

设备偏离度值不易明确上限，因此采用数学公式中的负向转换函数，即通过以下表达式，进一步将偏离度值转换为0-1之间的健康度值：

式中，HD_h为第h监测点健康度值，A和B为形状参数，且均大于0，DD_h为第h监测点的偏离度值。

通过前一步计算得到的各时间节点健康度值绘制设备健康-时间曲线，从而更为形象清晰地展示设备健康状态随时间变化的趋势。

以某轴承数据为例，经过上述四个步骤后，可计算得到健康度值，并绘制健康度曲线如图4.

S5.基于历史健康度数据构造并行化单步预测模型，如图5、6，具体实现步骤包括：

Step501：构造模型输入输出向量，假设设备历史健康度序列为{HD₁,HD₂,···,HD_i,···,HD_n}i＝1,2,···,n

则输入向量为HD_input：

其中，n为设备历史健康度序列长度，N₁为时间窗宽度。

模型输出向量HD_output即为对应下一时刻的设备健康度值。也即：

Step502：基于Spark进行设计网格搜索法的并行化算法。

首先，启动Spark集群，利用RDD编程模型提供的textFile函数从HDFS文件系统读取训练集并自动转换成RDD数据模型。根据网格搜索法定义模型参数组合，也即确定网格大小与步长，通过parallelize函数将参数转换为RDD模型。初始化NuSVR模型，通过主节点map()函数将模型优化的交叉验证任务分配到各个worker节点，分别计算参数组合预测的准确率。接着将参数组合与对应预测准确率返回主节点，通过reduce()函数得到最优参数组合。将输入与输出向量放入参数寻优后的NuSVR模型，启动模型的训练。

Step503：设备健康状态单步预测

假设实时健康度值为HD_r，则可以构造实时健康度序列HD_r为：

HD_r＝[HD_r-N+1,HD_r-N+2,···,HD_r]

则健康状态单步预测模型预测结果为设备t_r+1时刻的健康度值HD_r+1。

与此同时，新采集的实时健康度数据不断对历史健康度序列训练集进行更新，当一次健康度序列更新完成后，启动NuSVR的重训练，使得预测模型更加符合设备当前健康状态。

S6.将设备单步预测模型扩展为多步预测，获取设备劣化趋势，如图7，具体实现步骤包括：

Step601：构造多步预测模型输入输出向量，多步预测模型训练的输入输出与单步相同：

Step602：构造设备健康多步预测模型

明确预测输入、输出，假设输入为[HD_r-N+1,HD_r-N+2,···,HD_r]，要求预测输出：[t_r+1,···,t_r+H]时间区间内的设备健康预测值。

首先根据输入健康度序列得到t_r+1时刻的健康度值HD_r+1，然后更新实时健康度序列，将时间窗后移一个时间单位，得到新的健康度序列[HD_r-N+2,HD_r-N+3,···,HD_r+1]，继续单步预测得到HD_r+2，再次更新健康度序列。重复此步骤，直至得到HD_r+H，至此，多步预测完成。

以IEEE PHM 2012Data Challenge中的轴承数据采集平台(简称PRONOSTIA)采集的滚动轴承生命实验数据为例，采用负载1条件下的Bearing1_1、Bearing1_2、Bearing1_4、Bearing1_5、Bearing1_6五个数据集进行验证，数据集描述见表1。对Bearing1_1以0.1Hz进一步采样作为训练集，而将1Hz采样频率下的样本数据作为验证集，1Hz采样频率下的Bearing1_2、Bearing1_4、Bearing1_5、Bearing1_6作为测试集。

表1数据集具体描述

通过数据集约减以及提取正常样本集后，可计算得到验证集样本的偏离度和健康度曲线，如图7(a)～7(b)所示。进一步可得到测试集的健康度曲线如图8(a)～8(d)所示。

由图7(a)～7(b)和图8(a)～8(d)可以看出，在轴承性能劣化全过程的前期，其健康度值由于各部分组件间的磨合大幅提升至“1”。在轴承性能劣化全过程的中期，健康度值基本在“1”左右波动，但是慢慢表现出一定的劣化趋势；Bearing1_1样本随着后期设备性能不断的劣化，轴承的健康度值也不断降低，直至衰减到“0”，Bearing1_2样本展示了设备健康度随时间降低的特点，而其余四个样本数据是运行全过程的剪辑数据，所以设备健康度值从“1”下降到“0”的过程未完全显示。但从健康度曲线中已经可以明显看出设备健康状态后续的变化趋势。符合设备健康状态变化的特点，说明本实施例提出的健康评估算法具有一定的合理性。

在得到多个过程的设备健康度历史数据后，我们可以通过Spark平台构建设备健康度多步预测模型。首先采用Bearing1_1作为训练集进行参数寻优后找到最佳预测模型，使用Bearing1_2数据集进行测试验证，得到多步预测至健康度为0的预测曲线。然后将Bearing1-2数据集输入健康预测算法，更新Bearing样本构造的多步预测模型。使用测试集Bearing1_4、Bearing1_5、Bearing1_6输入训练好的预测模型，得到三个数据集运行至故障的全过程健康度曲线如图9(a)～9(d)所示。

由于此四个数据集是设备完整数据被剪辑而用于设备剩余使用寿命(RUL)预测目的的样本，并无健康度值的真实值比较，但是通过RUL值的对比也可侧面反映预测精度。因此本发明通过多步预测设备健康状态劣化趋势直至健康度值为0也即设备故障的方式，通过故障时间可算得设备剩余使用寿命，与真实剩余使用寿命对比记录在表2中。本发明设计的设备健康预测算法可以预测设备的劣化过程，与真实RUL的对比也侧面说明了多步预测算法的合理性。

表2多步预测所得RUL与真实RUL对比

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (9)

1.一种基于工业大数据的设备健康状态评估与预测方法，其特征在于，包括以下分步骤：

S1：采集设备状态数据，从中提取设备相关退化变量；

S2：对设备相关退化变量进行数据预处理；

S3：构造分布式支持向量数据描述模型并提取预处理后数据中的正常样本集；

S4：计算当前样本的偏离度，进一步转化为健康度值并绘制健康度曲线；

S5：构造设备健康度单步预测模型；

S6：将单步预测模型扩展为多步预测模型，获取设备劣化趋势结果。

2.根据权利要求1所述的一种基于工业大数据的设备健康状态评估与预测方法，其特征在于，所述的步骤S1中的设备相关退化变量包括：速度、流速、压力、温度、功率和电流。

3.根据权利要求1所述的一种基于工业大数据的设备健康状态评估与预测方法，其特征在于，所述步骤S2中的数据预处理包括归一化和基于主成分析法的特征约减，所述归一化具体包括：采用最大最小值归一化方法将退化变量样本规约于[0,1]之间，所述基于主成分析法的特征约减具体包括：采用主成分分析法构造样本降维矩阵，通过设定累积贡献率θ确定降维后的特征阶数m，并根据各主成分的贡献率构造新的特征样本矩阵，也即特征约减后的样本矩阵Y。

4.根据权利要求1所述的一种基于工业大数据的设备健康状态评估与预测方法，其特征在于，所述步骤S3包括以下分步骤：

S31：将包含设备全过程的退化变量样本输入普通支持向量数据描述模型，确定模型参数，启动Spark集群，提交程序，在主程序中广播模型参数；

S32：将模型参数应用至各节点的支持向量数据描述模型中，输入大数据样本，通过map()与reduce()方法过滤各节点的非支持向量样本，得到全局支持向量，在主节点中重新训练支持向量数据描述模型，得到最终的全局支持向量数据描述模型；

S33：计算全局支持向量集中样本y_i到支持向量数据描述超球体球心a的距离d，并比较d与超球体半径R之间的关系，如果d≤R，视为正常样本，反之，则视为异常样本，据此识别出全局支持向量集中的正常样本集合，完成正常样本集的提取。

5.根据权利要求4所述的一种基于工业大数据的设备健康状态评估与预测方法，其特征在于，所述全局支持向量数据描述模型，其描述公式为：

式中，α_i为拉格朗日算子；

所述超球体半径R，其计算公式为：

式中，n_sv为支持向量的数目，

6.根据权利要求1所述的一种基于工业大数据的设备健康状态评估与预测方法，其特征在于，所述步骤S4包括以下分步骤：

S41：根据正常样本集合，通过计算当前样本与其的欧式距离可获取设备当前状态相对与最佳运转状态的样本偏离程度值；

S42：利用偏离程度值进一步得出健康度值；

S43：绘制健康度值随时间变化的曲线。

7.根据权利要求6所述的一种基于工业大数据的设备健康状态评估与预测方法，其特征在于，所述偏离程度值，其计算公式为：

DD＝min||Y-N_k×m||

式中，DD为样本偏离程度值，Y为当前样本，N_k×m为正常样本集合；

所述健康度值，其计算公式为：

式中，HD_h为第h监测点健康度值，A和B为形状参数，DD_h为第h监测点的偏离度值。

8.根据权利要求1所述的一种基于工业大数据的设备健康状态评估与预测方法，其特征在于，所述步骤S5包括以下分步骤：

S51：通过合适的时间窗宽度选择历史健康度序列，从而构造预测模型的输入向量，将对应下一时刻的健康度值作为预测目标值，构造训练模型的输出向量；

S52：通过网格搜索法寻找合适的模型参数；

S53：启动模型训练，得到设备健康状态单步预测模型。

9.根据权利要求1所述的一种基于工业大数据的设备健康状态评估与预测方法，其特征在于，所述步骤S6包括以下分步骤：

S61：构造多步预测模型输入输出向量；

S62：构造设备健康多步预测模型；

S63：循环更新健康度序列并得出最终设备劣化趋势结果。