CN113468473B - 户外固定大型机械设备的运行状态实时评估方法及系统 - Google Patents

Abstract

本发明提出了一种户外固定大型机械设备的运行状态实时评估方法及系统。本发明通过按照时间窗口或事件窗口对收集到的设备监控数据进行分割；通过采用矩阵转置乘以矩阵本身的方式对设备监控数据进行压缩获得特征数据，大大降低了需要的存储空间；对历史数据矩阵建立了评估模型的高效求解方法，对当前数据矩阵建立了可实时更新的模型求解方法；通过变量选入和剔除规则确定评估模型，并借助构建的数据库存储最终评估模型矩阵。由最相关的若干个历史数据矩阵、当前数据矩阵对应的最终评估模型矩阵，可以方便得到设备待评估变量的综合评估正常运行状态区间，从而完成设备运行状态的评估，本发明所需运算量小、计算精度高。

Description

户外固定大型机械设备的运行状态实时评估方法及系统

技术领域

本发明属于机械设备状态监测领域，具体涉及一种安装在户外固定位置、服役环境呈周期性变化的机械设备的运行状态实时评估方法及系统。

背景技术

户外固定大型机械设备广泛应用于采矿、页岩气开采、化工、电力等领域，大多数工作环境恶劣，承受周期性变化的环境温度、湿度，盐雾腐蚀和风沙吹蚀、以及风、波浪和冰载荷等交变载荷作用，这些机械设备的材料损伤和老化无时无刻不在发生，如何更加准确地了解设备运行状态是否正常，以便更好地制定运维策略一直以来都是工程界亟待解决的问题。考虑到这些大型机械设备大多分布在远离城市中心、人口密度较低的偏远地区，人工检测费时费力，不仅成本高，而且往往不能及时发现设备运行过程中出现的早期问题。随着传感器技术的发展和网络基础设施的不断完善，人们转而研究如何充分利用这类机械设备上收集到的大量监控数据来评估设备运行状态，及时报告设备的潜在故障，发展了基于统计理论、模糊数学、神经网络等理论的评估方法。在众多评估方法中，基于多元线性回归理论得到的评估模型由于其评估模型求解容易、解析解明确、可解释性强、求解过程计算量小、确定模型所需数据量少等优点被广泛关注。

对于户外固定的大型机械设备，由于其传感器数量多、采样频率高，常常面临GB/TB级的大量设备监控数据，传统的基于多元线性回归理论的评估方法中在处理这类机械设备时，不得不在判断准确性和运行效率间作出取舍，要么取所有设备监控数据的一部分监控指标计算回归方程，无法充分利用数据资源，判断结果准确性和稳定性较差；要么占用极大的硬盘存储资源和CPU计算资源，且需要进行很长的线下处理时间才能获得评估模型。此外，考虑到户外作业的大型机械设备，其承受的环境条件往往呈周期性变化，一段时间的评估模型并不适用于其他时间，对其运行状态长时间准确的评估需要以一定频率定期更新模型，因此传统方法无法承受过长的线下模型求解时间，必须考虑发展新的方法降低模型反复更新的分摊计算量。

发明内容

本发明的目的是为了克服现有技术的不足之处，提出一种户外固定大型机械设备的运行状态实时评估方法及系统，本公开实施例为安装在户外固定位置、服役环境呈周期性变化的机械设备提供了一种高精度、运算量小的运行状态实时评估方法及系统。

为实现上述目的，本发明采用的技术方案为：

本公开第一方面实施例提出的一种户外固定大型机械设备的运行状态实时评估方法，包括以下步骤：

1)获取户外固定大型机械设备的历史监控数据；对历史监控数据剔除其中的无效数据，得到有效历史监控数据，有效历史监控数据的维度为s；

2)按照时间窗口或者事件窗口对有效历史监控数据进行分割；若有效历史监控数据能被完整分割，则得到与时间窗口或者事件窗口对应的W个分割后的历史监控数据矩阵，记第i个历史监控数据矩阵为Dataⁱ，i＝1，2，…，W；对各历史监控数据矩阵分别进行标准化处理，得到对应的标准化历史监控数据矩阵Dⁱ，执行步骤3)；若有效历史监控数据不能被完整分割，则将不能被完整分割的有效历史监控数据组成临时监控数据矩阵Data^temp，执行步骤4)；

3)对各标准化历史监控数据矩阵Dⁱ进行压缩处理，得到对应的历史特征监控数据矩阵，记为Cⁱ，Cⁱ对应的数据覆盖的时间范围为(t_i-1，t_i)，执行步骤6)；

4)判断临时监控数据矩阵Data^temp中的数据量是否满足参与参评数据量阈值要求，若数据量满足参评数据量阈值要求，则判断临时监控数据矩阵Data^temp参与评估过程，执行步骤5)；若数据量不满足参评数据量阈值要求，则临时监控数据矩阵Data^temp中的数据暂不参与评估过程，执行步骤7)；

5)将临时监控数据矩阵Data^temp中的各元素分别进行标准化处理，得到标准化临时监控数据矩阵D^temp；对标准化临时监控数据矩阵D^temp进行压缩处理，得到临时特征监控数据矩阵C^temp，C^temp对应的数据覆盖的时间范围为(t_W，t_W+)，数据采样点数和维度分别为n_temp、(s+1)，t_W+∈(t_W，t_W+1)，执行步骤6)；

6)由用户在s个监控变量中指定一个待评估监控变量，逐一考察其余监控变量作为待选入监控变量时选入操作的F统计量，设定选入操作阈值

和剔除操作阈值

构建一个用于求解待评估变量和其他监控变量的线性相关的预测模型，该预测模型的表达式为

其中，x是预测模型中的已入选监控变量向量，由已选入监控变量的指标向量确定，β是由与预测模型选入变量对应的系数构成的系数矩阵；对每个历史特征监控数据矩阵或临时特征监控数据矩阵分别构建评估模型矩阵，对评估模型矩阵进行消去变换，计算得到将某一监控变量作为待评估变量并将其选入预测模型时，对应的选入操作的F统计量大小，或计算得到将某一监控变量作为待剔除变量并将其从预测模型中剔除时，对应的剔除操作的F统计量大小；通过若干次选入和剔除操作，当没有任何监控变量可以从预测模型中剔除且预测模型中再没有任何监控变量可以选入预测模型时，得到针对各历史特征监控数据矩阵或临时特征监控数据矩阵待评估变量的最终评估模型矩阵，并由最终评估模型矩阵确定预测模型，执行步骤7)；

7)等待并接收实时有效设备监控数据data_0·＝[A₀₁ A₀₂ … A_0s]^T，其中待评估监控变量对应的数据为

k^*＝1，2，…，s；对实时有效设备监控数据data_0·进行标准化处理，得到标准化实时监控数据d_0·＝[D₀₁ D₀₂ … D_0s]^T，其中有效实时监控数据中待评估变量对应的数据为

若临时监控数据矩阵Data^temp不参与评估过程，则由至少一个与当前时刻设备承受的工况最为接近的历史特征监控数据矩阵对应的最终评估模型经过拟合得到设备运行状态评估区间；若临时监控数据矩阵Data^temp参与评估过程，则由与当前时刻设备承受的工况最为接近的0个或至少1个历史特征监控数据矩阵以及临时特征监控数据矩阵拟合得到设备运行状态评估区间[a，b]；若有效实时监控数据中待评估监控变量对应的数据

落入设备运行状态评估区间[a，b]，则待评估监控变量的评估结果为正常，若有效实时监控数据中待评估监控变量对应的数据

未落入设备运行状态评估区间[a，b]，则为故障状态并进行预警；然后进入步骤8)；

8)更新采样点数n_temp＝n_temp+1；利用新收到的经过标准化后的实时监控数据向量

更新临时特征监控数据矩阵C^temp，并判断更新后的临时特征监控数据矩阵C^temp是否能被步骤2)中的时间窗口或者事件窗口完整分割，若能被完整分割，则更新W＝W+1，并记更新后的临时特征监控数据矩阵C^temp为C^W，更新t_W＝t_W+，进入步骤2)；若不能被完整分割，则执行步骤5)。

本公开的一个实施例中，步骤3)中对各标准化历史监控数据矩阵Dⁱ进行压缩处理是采用

的转置

乘以

的方式构造相应的一个历史特征监控数据矩阵Cⁱ，历史特征监控数据矩阵Cⁱ的结构如下：

其中，

为由常数1列向量和标准化历史监控数据矩阵Dⁱ组成的第i个历史构造矩阵，维度为n_i×(s+1)；常数1向量为1＝[1 1 … 1]^T，共n_i维；

为历史构造矩阵

中第l行、第

列的元素，

为历史构造矩阵

中第l行、第

列的元素；

为历史特征监控数据矩阵Cⁱ中第

行、第

列的元素，反映了标准化历史监控数据矩阵Dⁱ或历史监控数据矩阵Dataⁱ中第j个和第k个监控变量的交叉统计特征，

本公开的一个实施例中，步骤5)中，对标准化临时监控数据矩阵D^temp进行压缩处理是采用的

转置

乘以

的方式构造相应的一个临时特征监控数据矩阵C^temp，临时特征监控数据矩阵C^temp的结构如下：

其中，

为由常数1列向量和标准化临时监控数据矩阵D^temp组成的临时构造矩阵，维度为n_temp×(s+1)，n_temp≥s+1；常数1列向量为1＝[1 1 … 1]^T，共n_temp维；

为临时构造矩阵

中第

行、第

列的元素，

为构造矩阵

中第

行、第

列的元素；

为历史特征监控数据矩阵C^temp中第

行、第

列的元素，反映了标准化临时监控数据矩阵D^temp或临时监控数据矩阵Data^temp中第j个和第k个监控变量的交叉统计特征，

本公开的一个实施例中，步骤6)包括以下步骤：

61)由用户选定待评估监控变量指标id_y＝k^*，k^*代表s个监控变量中任意一个监控变量的指标；

62)针对特征监控数据矩阵C^p，对应的已选入监控变量指标向量id_x^p，初始化id_x^p＝(0)，即当前没有任何监控变量对应的指标选入时，此时已选入监控变量指标向量id_x^p中只有0元素；设当前已选入监控变量指标向量id_x^p中已选入监控变量指标的个数为r^p，r^p等于已选入监控变量指标向量id_x^p中元素个数-1；角标p代表特征监控数据矩阵的序号，p取i时，是针对能够被步骤2)中的时间窗口或者事件窗口完整分割的第i个历史特征监控数据矩阵Cⁱ，p取temp时，是针对不能够被步骤2)中的时间窗口或者事件窗口完整分割的临时特征监控数据矩阵C^temp；

63)判断在剩余的未入选监控变量中，是否存在监控变量可以选入预测模型：在所有未入选的监控变量中，逐一将各监控变量作为待入选变量，计算将其选入预测模型时，对应的选入操作的F统计量，若最大F统计量大于或等于选入操作的F统计量阈值

则将最大F统计量对应的监控变量作为已选入监控变量，并将该已选入监控变量在特征监控数据矩阵C^p中的指标存入已选入监控变量指标向量id_x^p，执行步骤64)；若最大F统计量小于选入操作F统计量阈值

则进入步骤65)；

64)判断已选入监控变量指标向量id_x^p对应的已选入变量中是否存在可剔除的监控变量：对已选入监控变量指标向量id_x^p中的各已选入监控变量，分别将各已选入监控变量作为待剔除变量，计算待剔除变量的剔除操作的F统计量，若剔除操作的最小F统计量小于剔除操作阈值

则将该剔除操作的最小F统计量对应的监控变量指标从已选入变量指标向量id_x^p中剔除，其中，α_out为由用户设定的剔除操作的显著性水平；对剩余的已选入监控变量指标向量id_x^p中对应的监控变量，继续重复上述操作，判断是否仍存在可剔除的监控变量，直至id_x^p中没有可剔除的监控变量对应的指标，则进入步骤65)；

65)返回步骤63)，继续判断未选入的所有监控变量中是否存在可选入变量，直至预测模型中既没有可选入的监控变量、也没有可剔除的监控变量，进入步骤66)；

66)结束变量的选入和剔除，记此时的最终评估模型矩阵为

此时，

评估模型为

其中x为所有已选入监控变量组成的向量，

为待评估监控变量y的预测模型评估值；判断是否有还未求解最终评估模型矩阵的历史特征监控数据矩阵或临时特征监控数据矩阵，若还有未求解得到最终评估模型矩阵的历史特征监控数据矩阵，则更新p＝i+1，若还有未求解得到最终评估模型矩阵的临时特征监控数据矩阵，则更新p取temp，再次执行步骤62)；否则此时所有特征监控数据矩阵均已求解得到其最终评估模型矩阵，则执行步骤7)。

本公开的一个实施例中，步骤63)具体包括以下步骤：

631)对s-r^p-1个未入选选入操作初始评估模型矩阵的监控变量，遍历计算将各监控变量作为待选入监控变量时的选入操作的F统计量，并确定选入操作的最大F统计量，记为maxF_in，其对应的监控变量的指标记为id_maxF_in；

632)继续步骤631)，遍历计算所有未入选变量的选入操作的F统计量，更新maxF_in为所有未入选变量中选入操作的F统计量的最大值，并将该最大值对应的监控变量指标替换当前id_maxF_in中的数值，直至所有未选入变量均已求解其选入操作的F统计量；

633)判断maxF_in和选入操作阈值

的大小关系，若

则当前待入选监控变量的选入操作满足判断准则，将id_maxF_in对应的监控变量指标选入预测模型中，执行步骤64)；若

则此时没有任何变量可以选入，进入步骤66)。

本公开的一个实施例中，步骤631)中，计算某一未入选监控变量的选入操作的F分布统计量的具体步骤如下：

6311)当前时刻，已选入监控变量指标向量id_x^p中已选入监控变量指标数为r^p，此时已选入监控变量指标向量id_x^p中含有(r^p+1)个元素，在s-r^p个未入选监控变量中确定某一维监控变量作为当前待入选监控变量，用id_u记录该当前待入选监控变量对应的指标，将该当前待入选监控变量对应的数据列向量记为待入选数据列向量u^p；将由已选入监控变量指标向量id_x^p构成的已选入监控变量对应的数据矩阵记为已选入监控变量数据矩阵X^p，将由待评估监控变量指标id_y构成的待评估变量对应的数据列向量记为待评估数据列向量y^p；将选入操作初始评估模型矩阵记为

该初始评估模型矩阵的大小为(r^p+3)行、(r^p+3)列，分别由已选入变量数据矩阵X^p、待入选数据列向量u^p和待评估数据列向量y^p两两相乘得到的9个子矩阵组成，选入操作初始评估模型矩阵

的结构为：

其中，

分别为选入操作初始评估模型矩阵

中的9个子矩阵；

选入操作初始评估模型矩阵

中各元素的位置与特征监控数据矩阵C^p中各元素的位置具有一一对应的关系：

其中，

为选入操作初始评估模型矩阵

中第f行、第g列的元素，f，g＝1，2，...，r^p+3；

为特征监控数据矩阵C^p中第id_x^p[f-1]行、第id_x^p[g-1]列的元素，对应于选入操作初始评估模型矩阵

的子矩阵

的元素；

为特征监控数据矩阵C^p中第id_x^p[f-1]行、第id_u列的元素，对应于选入操作初始评估模型矩阵

的子矩阵

的元素；

为特征监控数据矩阵C^p中第id_x^p[f-1]行、第id_y列的元素，对应于选入操作初始评估模型矩阵

的子矩阵

的元素；

为特征监控数据矩阵C^p中第id_u行、第id_x^p[g-1]列的元素，对应于选入操作初始评估模型矩阵

的子矩阵

的元素；

为特征监控数据矩阵C^p中第id_u行、第id_u列的元素，对应于选入操作初始评估模型矩阵

的子矩阵

的元素；

为特征监控数据矩阵C^p中第id_u行、第id_y列的元素，对应于选入操作初始评估模型矩阵

的子矩阵

的元素；

为特征监控数据矩阵C^p中第id_y行、第id_x^p[g-1]列的元素，对应于选入操作初始评估模型矩阵

的子矩阵

的元素；

为特征监控数据矩阵C^p中第id_y行、第id_u列的元素，对应于选入操作初始评估模型矩阵

的子矩阵

的元素；

为特征监控数据矩阵C^p中第id_y行、第id_y列的元素，对应于选入操作初始评估模型矩阵

的子矩阵

的元素；

6312)依次完成以下消去变换操作：对

做消去变换得到

对

位置做消去变换得到

...，对

做消去变换得到

结构如下：

其中，P_H0＝X^p[(X^p)^TX^p]^-1(X^p)^T；

简记作：

6313)由统计学理论，计算得到当前选入变量操作对应的F统计量即F_{id_u}值：

其中，n_p为特征监控数据矩阵C^p的采样点数。

本公开的一个实施例中，步骤64)具体包括以下步骤：

641)初始化剔除操作的最小F统计量为minF_out＝0，设剔除操作的最小F统计量对应的监控变量的指标为id_maxF_out，初始化id_maxF_out不指向任何监控变量；初始化一个长度为2的数组id_e用于记录待剔除监控变量的信息，其中id_e^p[0]为待剔除监控变量的指标

id_e^p[1]为待剔除监控变量的入选顺序号，即待剔除监控变量为

642)针对当前时刻已选入变量个数为

的情况，即id_x^p中有

个元素，

依次将每一个已选入监控变量作为待剔除监控变量计算剔除操作的F统计量；

643)将得到的所有已入选变量中剔除操作F统计量的最小值

更新为minF_out，其对应的变量指标为id_maxF_out，判断minF_out和剔除操作F统计量阈值

的大小关系，若

则将minF_out对应的元素从id_x^p中剔除；若

则没有可以剔除的监控变量，还原当前未剔除监控变量至已选入监控变量指标向量，在id_x^p[id_e^p[1]]处插入元素id_e^p[0]，并继续执行步骤63)考察是否有其他监控变量可以选入预测模型。

本公开的一个实施例中，步骤642)中，计算某一已入选监控变量作为待剔除监控变量计算剔除操作的F统计量的具体步骤如下：

6421)将该待剔除变量的指标和选入序号分别记录为id_e^p[0]和id-e^p[1]，并在id_x^p中将该变量删除，此时id_x^p中的元素个数从

个元素减少为

个；

6422)将此时由id_x^p、id_e^p[0]、id_y为指标确定的监控变量，将剔除操作初始评估模型矩阵记为

该初始评估模型矩阵的大小为

行、

列，分别由已选入变量数据矩阵X^p、待剔除元素数据向量e^p和待评估元素数据向量y^p两两相乘得到的9个分块矩阵组成，剔除操作初始评估模型矩阵记为

的结构如下：

其中，

分别为除操作初始评估模型矩阵

中的9个子矩阵；

剔除操作初始评估模型矩阵

中各元素的位置与特征监控数据矩阵C^p中各元素的位置具有一一对应关系：

其中，

为剔除操作初始评估模型矩阵

中第

行、第

列的元素，

为特征监控数据矩阵C^p中第

行、第

列的元素，对应于剔除操作初始评估模型矩阵

中的子矩阵

的元素；

为特征监控数据矩阵C^p中第

行、第id_e^p[0]列的元素，对应于剔除操作初始评估模型矩阵

中的子矩阵

的元素；

为特征监控数据矩阵C^p中第

行、第id_y列的元素，对应于剔除操作初始评估模型矩阵

中的子矩阵

的元素；

为特征监控数据矩阵C^p中第id_ep[0]行、第

列的元素，对应于剔除操作初始评估模型矩阵

中的子矩阵

的元素；

为特征监控数据矩阵C^p中第id_u行、第id_u列的元素，对应于剔除操作初始评估模型矩阵

中的子矩阵

的元素；

为特征监控数据矩阵C^p中第id_u行、第id_y列的元素，对应于剔除操作初始评估模型矩阵

中的子矩阵

的元素；

为特征监控数据矩阵C^p中第id_y行、第id_x^p[g-1]列的元素，对应于剔除操作初始评估模型矩阵

中的子矩阵

的元素；

为征监控数据矩阵C^p中第id_y行、第id_u列的元素，对应于剔除操作初始评估模型矩阵

中的子矩阵

的元素；

为征监控数据矩阵C^p中第id_y行、第id_y列的元素，对应于剔除操作初始评估模型矩阵

中的子矩阵

的元素；

6423)依次完成以下消去变换操作：对

做消去变换得到

对

做消去变换得到

...，对

做消去变换得到

结构如下：

简记作：

再对

做消去变换，得到

结构如下：

将

写作：

6424)由统计学理论知，计算得到当前剔除变量操作对应的F统计量即

值：

其中，n_p为特征监控数据矩阵C^p的采样点数。

本公开的一个实施例中，步骤7)中，根据以下步骤得到设备运行状态评估区间[a，b]：

对于实时有效设备监控数据data_0·，若临时监控数据矩阵Data^temp不参与评估过程，则通过方案1由至少一个与当前时刻设备承受的工况最为接近的历史特征监控数据矩阵对应的最终评估模型拟合得到设备运行状态评估区间[a，b]；若临时监控数据矩阵Data^temp参与评估过程，则通过方案2由与当前时刻设备承受的工况最为接近的历史特征监控数据矩阵以及临时特征监控数据矩阵拟合得到设备运行状态评估区间[a，b]；

方案1：

a＝(1-υ)a_W+υa_W-1

b＝(1-υ)b_W+vb_W-1

方案2：

a＝(1-υ)a_W+υa^temp

b＝(1-υ)b_W+vb^temp

其中，a_W和b_W是由最后一个历史特征监控数据矩阵计算得到的设备运行状态评估区间的上、下限，a_W-1和b_W-1是由倒数第二个历史特征监控数据矩阵计算得到的设备运行状态评估区间的上、下限，a^temp和b^temp是由临时特征监控数据矩阵计算得到的设备运行状态评估区间的上、下限；(1-υ)和υ均为权重系数，0≤υ≤1，若当前时刻设备受到的载荷工况或运行工况与历史监控数据矩阵或临时监控数据矩阵越接近，其对应的权重系数占比就越大；当υ＝0时，数据特征仅与历史监控数据矩阵对应的数据有关；当υ＝1时，数据特征仅与临时监控数据矩阵对应的数据有关；

a_W和b_W通过下式计算得到：

其中，

和y0分别为由已选入监控变量指标向量id_x^W从实时有效设备监控数据data_0·中确定的当前已选入监控变量数据向量和待评估监控变量对应的实时数据；

和

分别为最后一个历史特征监控数据矩阵的最终评估模型矩阵

中第一个子矩阵和最后一个子矩阵；n_W-r_W-1为t统计量的自由度；t_α是置信度取1-α时查t分布表得到的临界值。

本公开第二方面实施例提出的一种户外固定大型机械设备的运行状态实时评估系统，执行根据本公开第一方面实施例提出的运行状态实时评估方法。

基于上述特点，本公开实施例具有如下有益效果：

1)对设备监控数据按照时间窗口(如月份)或事件窗口(如台风)进行分割，将分割完整的数据作为历史数据矩阵。户外固定大型机械设备的运行地点固定，承受的环境呈周期性分布，根据数据的标签，用更相关的数据窗口得到的评估模型来评估设备运行状态是否正常，可以大大提高评估的准确性；

2)对于分割后不完整的临时数据矩阵，提供了评估模型的实时更新方法，使得评估结果反映了最新数据特征，更加充分利用设备监控数据，评估方法的稳定性和精确度更高；

3)提供了设备监控数据压缩方法，将数据的统计特征存储于规模远小于原始设备监控数据的特征数据矩阵，该特征数据矩阵可以避免存储大量真实的设备监控数据，极大提高了评估模型的求解效率；

4)通过建立已选入监控变量指标、待入选监控变量指标、待剔除监控变量指标、待评估监控变量指标，建立了评估模型矩阵和特征数据矩阵之间的映射关系，使得全部元素的选入、剔除过程，以及评估模型的确定，都只需反复对评估模型矩阵进行操作就能够实现，数据格式化属性更强，存库逻辑更加清晰；

5)采用了监控变量有选入有剔除的评估模型确定过程，确定了明确的监控变量选入和剔除准则和注意事项，方便最简洁的评估模型的确定；

6)给出了两种综合评估方案作为参考，使得评估方法尽可能地反映历史和当前数据的特征。随着大量设备监控数据的积累，本公开实施例可以快速对多年有代表性的数据进行综合考虑并确定更有代表性的评估模型，从而大大提升评估方法的准确性；

7)评估模型求解计算量小，在实时评价中可大幅提升模型更新的频率，实现了评估模型的实时更新，并可以实时得到最新评估模型确定的评估结果；

8)本公开实施例由于选入和剔除变量的计算量都很小，与传统评估方法用逐步回归法仅限定在监控变量较少时不同，本公开实施例可以用于监控变量很多的情况，同时，本公开实施例兼容多元线性回归理论中的前向添加法和后向剔除法。

附图说明

图1是本公开实施例提出的户外固定大型机械设备的运行状态实时评估方法的流程框图。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步的详细说明。

为了更好地理解本公开实施例，以下详细阐述本公开实施例提出的一种户外固定大型机械设备的运行状态实时评估方法及系统的应用实例。

本公开实施例提供了一种针对安装在户外、服役环境如气温呈周期性变化的机械设备的运行状态实时评估方法及系统。这类机械设备具有监控数据指标多、采样频率高、运行环境发生变化的周期较长等特点。

参见图1，本公开第一方面实施例提出的运行状态实时评估方法，包括以下步骤：

1)获取户外固定大型机械设备的历史监控数据；对历史监控数据剔除其中的无效数据，如启动次数、故障次数、状态字等离散数字状态量、字符串状态量或bool型变量等离散状态变量，得到有效历史监控数据，有效历史监控数据的维度为s。

2)按照时间窗口(如月份)或者事件窗口(如台风)对有效历史监控数据进行分割；若有效历史监控数据能被完整分割，则得到与时间窗口或者事件窗口对应的W个(W为大于或者等于1的整数)分割后的历史监控数据矩阵，记第i个历史监控数据矩阵为Dataⁱ，i＝1，2，…，W；对各历史监控数据矩阵分别进行标准化处理，得到对应的标准化历史监控数据矩阵Dⁱ，执行步骤3)；若有效历史监控数据不能被完整分割，则将不能被完整分割的有效历史监控数据组成临时监控数据矩阵Data^temp，执行步骤4)。

本公开的一个实施例中，步骤2)的具体实现过程如下：

21)对清洗后的有效历史监控数据进行分割。

对维度为s的有效历史监控数据，如温度、位移、加速度、倾角等监控变量，以气候变化分界线如一个季度或其他时间单位(按照工况变化进行划分)为时间窗口，或者某一气象事件如台风作为事件窗口，将有效历史监控数据进行分割处理。记第i次分割得到的与时间窗口或者事件窗口对应的历史监控数据矩阵为Dataⁱ(i＝1，2，…，W)，历史监控数据矩阵Dataⁱ所覆盖的时间范围为(t_i-1，t_i)，t_i-1，t_i分别为有效历史监控数据在第i-1次和第i次被完整分割时的时间；其中，历史监控数据矩阵Dataⁱ的每一行对应一个数据采样点(即数据的采集时间点)，记历史监控数据矩阵Dataⁱ包含的数据采样点数为n_i，历史监控数据矩阵Dataⁱ的每一列对应一个种类的设备监控变量，记历史监控数据矩阵Dataⁱ包含的设备监控变量的个数为s，则历史监控数据矩阵Dataⁱ的规模为n_i行、s列，由于数据采样点很多，即n_i＞＞s。若当前存在有效历史监控数据未能被完整分割，则将其存储至临时监控数据矩阵Data^temp；其中，Data^temp同样具有s列，包含的数据采集点数记为n_temp，n_temp随着设备监控数据的实时到来不断增加。对临时监控数据矩阵Data^temp进行步骤4)的操作。第i次分割得到的历史监控数据矩阵Dataⁱ的表达式如下(Data^temp的表达式与Dataⁱ类似)：

其中，

k＝1，2，…，s，代表第k个监控变量的数据在时间窗口(t_i-1，t_i)范围内采样形成的列表，对应历史监控数据矩阵Dataⁱ的第k列元素，即第k类设备监控变量的数据；

代表第n_i条有效历史设备监控数据。

22)对各历史监控数据矩阵Dataⁱ，采用z-score标准化方法对各个维度的设备监控数据进行标准化处理，对Dataⁱ中的各元素逐个进行标准化操作。记

为对Dataⁱ的元素

进行标准化后的值，

和

分别为Dataⁱ中第k维设备监控数据的平均值和标准差。记第k维标准化历史监控数据向量为

并将

字入数据库中，然后执行步骤3)。其中，标准化历史监控数据矩阵记为Dⁱ，表达式如下：

3)对各标准化历史监控数据矩阵Dⁱ进行压缩处理，得到对应的历史特征监控数据矩阵，记为Cⁱ，Cⁱ对应的数据覆盖的时间范围为(t_i-1，t_i)，将各Cⁱ、t_i-1、t_i、矩阵编号i、Dⁱ或Dataⁱ对应的采样点数n_i均进行存储，然后执行步骤6)。

本公开的一个实施例中，步骤3)的具体实现过程如下：

考虑到步骤22)得到的标准化历史监控数据矩阵Dⁱ中的数据量十分巨大，对Dⁱ进行压缩存储处理，具体地，采用

的转置

乘以

的方式构造相应的一个数据规模远小于标准化历史监控数据矩阵Dⁱ的历史特征监控数据矩阵Cⁱ，历史特征监控数据矩阵Cⁱ的行、列数均为s+1，从而大大减少了所需存储的数据量，节省存储空间，提高重复计算效率，同时保留了数据的总体均值和波动特征。下式给出了历史特征监控数据矩阵Cⁱ的构造方式和内部结构：

其中，

为由常数1列向量和标准化历史监控数据矩阵Dⁱ组成的第i个历史构造矩阵，维度为n_i×(s+1)；常数1向量为1＝[1 1 … 1]^T，共n_i维。

为历史构造矩阵

中第l行、第

列的元素，

为历史构造矩阵

中第l行、第

列的元素。

为历史特征监控数据矩阵Cⁱ中第

行、第

列的元素

反映了标准化历史监控数据矩阵Dⁱ或历史监控数据矩阵Dataⁱ中第j个和第k个监控变量的交叉统计特征。

将历史特征监控数据矩阵Cⁱ、t_i-1、t_i、矩阵编号i、Dⁱ或Dataⁱ对应的采样点数n_i进行存储备用。

4)判断临时监控数据矩阵Data^temp中的数据量是否满足参与参评数据量阈值要求(如24小时，此阈值由用户指定)，若数据量满足参评数据量阈值要求，即临时监控数据矩阵Data^temp中的数据量大于或者等于参评数据量阈值，则判断临时监控数据矩阵Data^temp参与评估过程，执行步骤5)；若数据量不满足参评数据量阈值要求，即临时监控数据矩阵Data^temp中的数据量小于参评数据量阈值，则临时监控数据矩阵Data^temp中的数据暂不参与评估过程，执行步骤7)。

5)将临时监控数据矩阵Data^temp中的各元素采用z-score标准化方法分别进行标准化处理，得到标准化临时监控数据矩阵D^temp，然后对标准化临时监控数据矩阵D^temp进行压缩处理，得到临时特征监控数据矩阵C^temp，C^temp对应的数据覆盖的时间范围为(t_W，t_W+)，数据采样点数和维度分别为n_temp、(s+1)，t_W+∈(t_W，t_W+1)；将临时特征监控数据矩阵C^temp、t_W、t_W+、n_temp和(s+1)均进行存储或更新，执行步骤6)。

本公开的一个实施例中，步骤5)的具体实现过程如下：

51)采用z-score标准化方法对临时监控数据矩阵Data^temp中的数据进行标准化处理后得到标准化临时监控数据矩阵D^temp，然后执行步骤52)；

52)对标准化临时监控数据矩阵D^temp进行压缩处理，得到相应的临时特征监控数据矩阵C^temp，将临时特征监控数据矩阵C^temp、与其对应的完整数据矩阵覆盖的时间范围及其数据采样点数n_temp均进行存储，然后执行步骤6)；下式给出了临时特征监控数据矩阵C^temp的构造方式和内部结构：

其中，

为由常数1列向量和标准化临时监控数据矩阵D^temp组成的临时构造矩阵，维度为n_temp×(s+1)，n_temp≥s+1；常数1列向量为1＝[1 1 … 1]^T，共n_temp维。

为临时构造矩阵

中第

行、第

列的元素，

为构造矩阵

中第

行、第

列的元素。

为历史特征监控数据矩阵C^temp中第

行、第

列的元素

反映了标准化临时监控数据矩阵

或临时监控数据矩阵Data^temp中第j个和第k个监控变量的交叉统计特征。将临时特征监控数据矩阵C^temp、t_W、t_W+、矩阵编号temp、D^temp或Data^temp对应的采样点数n_temp进行更新备用。

6)由用户在s个监控变量中指定一个待评估监控变量，逐一考察其余监控变量作为待选入监控变量时选入操作的F统计量，设定选入操作阈值

和剔除操作阈值

构建一个用于求解待评估变量和其他监控变量的线性相关的预测模型，该预测模型的表达式为

其中，x是预测模型中的已入选监控变量向量，由已选入监控变量的指标向量确定，β是由与预测模型选入变量对应的系数构成的系数矩阵。对每个历史特征监控数据矩阵或临时特征监控数据矩阵分别构建评估模型矩阵，对各评估模型矩阵进行消去变换，可以计算得到将某一监控变量作为待评估变量并将其选入预测模型时，对应的选入操作的F统计量大小，或计算得到将某一监控变量作为待剔除变量并将其从预测模型中剔除时，对应的剔除操作的F统计量大小；通过若干次选入和剔除操作，当没有任何监控变量可以从预测模型中剔除且预测模型中再没有任何监控变量可以选入预测模型时，得到针对各特征监控数据矩阵待评估变量的最终评估模型矩阵，并由最终评估模型矩阵确定预测模型，执行步骤7)。

本公开的一个实施例中，步骤6)的具体实现过程如下：

61)由用户选定待评估监控变量指标id_y＝k^*，k^*代表s个监控变量中任意一个监控变量的指标；

62)针对特征监控数据矩阵C^p，对应的已选入监控变量指标向量id_x^p，初始化id_x^p＝(0)，即当前没有任何监控变量对应的指标选入时，此时已选入监控变量指标向量id_x^p中只有0元素。设当前已选入监控变量指标向量id_x^p中已选入监控变量指标的个数为r^p，r^p等于已选入监控变量指标向量id_x^p中元素个数-1；角标p代表特征监控数据矩阵的序号，p取i时，是针对能够被步骤2)中的时间窗口或者事件窗口完整分割的第i个历史特征监控数据矩阵Cⁱ，p取temp时，是针对不能够被步骤2)中的时间窗口或者事件窗口完整分割的临时特征监控数据矩阵C^temp，余同。

63)判断在剩余的未入选监控变量中，是否存在监控变量可以选入预测模型：在所有未入选的监控变量中，逐一将各监控变量作为待入选变量，计算将其选入预测模型时，对应的选入操作的F统计量，若最大F统计量大于或等于选入操作的F统计量阈值

则将最大F统计量对应的监控变量作为已选入监控变量，并将该已选入监控变量在特征监控数据矩阵C^p中的指标存入已选入监控变量指标向量id_x^p，执行步骤64)；若最大F统计量小于选入操作F统计量阈值

则进入步骤65)；

本公开的一个实施例中，步骤63)的具体实现过程如下：

631)对s-r^p-1个未入选选入操作初始评估模型矩阵的监控变量，遍历计算将各监控变量作为待选入监控变量时的选入操作的F统计量，并确定选入操作的最大F统计量，记为maxF_in，其对应的监控变量的指标记为id-maxF_in；执行步骤632)；

其中，计算某一未入选监控变量的选入操作的F分布统计量的具体步骤如下：

6311)当前时刻，已选入监控变量指标向量id_x^p中已选入监控变量指标数为r^p，此时已选入监控变量指标向量id_x^p中含有(r^p+1)个元素(除r^p个已选入监控变量指标外，还有一个0元素)，记len(id_x^p)＝r^p+1，len(·)为用于返回向量元素个数的函数；在s-r^p维(“维”可以理解为“个”)未入选监控变量中确定某一维监控变量作为当前待入选监控变量，用id_u记录该当前待入选监控变量对应的指标，将该当前待入选监控变量对应的数据列向量记为待入选数据列向量u^p。将由已选入监控变量指标向量id_x^p构成的已选入监控变量对应的数据矩阵记为已选入监控变量数据矩阵X^p，将由待评估监控变量指标id_y构成的待评估变量对应的数据列向量记为待评估数据列向量y^p；将选入操作初始评估模型矩阵记为

该初始评估模型矩阵的大小为(r^p+3)行、(r^p+3)列，分别由已选入变量数据矩阵X^p、待入选数据列向量u^p和待评估数据列向量y^p两两相乘得到的9个子矩阵组成，选入操作初始评估模型矩阵

有如下结构：

其中，

分别为选入操作初始评估模型矩阵

中的9个子矩阵。

选入操作初始评估模型矩阵

中各元素的位置与特征监控数据矩阵C^p中各元素的位置具有一一对应的关系(f，g＝1，2，...，r^p+3，f，g分别为选入操作初始评估模型矩阵

中各元素的行指标和列指标)。选入监控变量时，选入操作初始评估模型矩阵

中9个子矩阵中各元素与特征监控数据矩阵C^p中各元素之间的映射关系如下：

其中，

为选入操作初始评估模型矩阵

中第f行、第g列的元素；

为特征监控数据矩阵C^p中第id_x^p[f-1]行、第id_x^p[g-1]列(id_x^p[g-1]是一个数字，代表向量id_x^p中第g个元素(第0个元素为0)，也就是第g-1个已选入变量的指标，对应于该已选入变量在Data^p中的列数)的元素，对应于选入操作初始评估模型矩阵

的子矩阵

的元素；

为特征监控数据矩阵C^p中第id_x^p[f-1]行、第id_u列的元素，对应于选入操作初始评估模型矩阵

的子矩阵

的元素：

为特征监控数据矩阵C^p中第id_x^p[f-1]行、第id_y列的元素，对应于选入操作初始评估模型矩阵

的子矩阵

的元素；

为特征监控数据矩阵C^p中第id_u行、第id_x^p[g-1]列的元素，对应于选入操作初始评估模型矩阵

的子矩阵

的元素；

为特征监控数据矩阵C^p中第id_u行、第id_u列的元素，对应于选入操作初始评估模型矩阵

的子矩阵

的元素；

为特征监控数据矩阵C^p中第id_u行、第id_y列的元素，对应于选入操作初始评估模型矩阵

的子矩阵

的元素；

为特征监控数据矩阵C^p中第id_y行、第id_x^p[g-1]列的元素，对应于选入操作初始评估模型矩阵

的子矩阵

的元素；

为特征监控数据矩阵C^p中第id_y行、第id_u列的元素，对应于选入操作初始评估模型矩阵

的子矩阵

的元素；

为特征监控数据矩阵C^p中第id_y行、第id_y列的元素，对应于选入操作初始评估模型矩阵

的子矩阵

的元素。

6312)依次完成以下消去变换操作：对

位置做消去变换得到

对

位置做消去变换得到

...，对

做消去变换得到

结构如下：

其中，为了简化表达式引入符号P_H0，其表达式为P_H0＝X^p[(X^p)^TX^p]^-1(x^p)^T。

简记作：

6313)由统计学理论，计算得到当前选入变量操作对应的F统计量即F_{id_u}值(F_{id_u}的推导过程见附录)：

其中，n_p为特征监控数据矩阵C^p的采样点数。

632)继续重复上述步骤6311)～步骤6313)，遍历计算所有未入选变量的选入操作的F统计量，更新maxF_in为所有未入选变量中选入操作的F统计量的最大值，并将该最大值对应的监控变量指标替换当前id-maxF_in中的数值，直至所有未选入变量均已求解其选入操作的F统计量，进入步骤633)；

633)判断maxF_in和

的大小关系，其中

为选入操作阈值，α_in为由用户设定的选入操作的F统计量大小，若

则当前待入选监控变量的选入操作满足判断准则，将id-maxF_in对应的监控变量指标选入预测模型中，执行步骤64)；若

则此时没有任何变量可以选入，进入步骤66)；

64)判断已选入监控变量指标向量id_x^p对应的已选入变量中是否存在可剔除的监控变量：对已选入监控变量指标向量id_x^p中的各已选入监控变量，分别将各已选入监控变量作为待剔除变量，计算待剔除变量的剔除操作的F统计量，若剔除操作的最小F统计量小于剔除操作阈值

则将该剔除操作的最小F统计量对应的监控变量指标从已选入变量指标向量id_x^p中剔除，其中，α_out为由用户设定的剔除操作的显著性水平；对剩余的已选入监控变量指标向量id_x^p中对应的监控变量，继续重复上述操作，判断是否仍存在可剔除的监控变量，直至id_x^p中没有可剔除的监控变量对应的指标，则进入步骤65)；

本公开的一个实施例中，步骤64)的具体实现过程如下：

641)初始化剔除操作的最小F统计量为minF_out＝0，设剔除操作的最小F统计量对应的监控变量的指标为id-maxF_out，初始化id-maxF_out不指向任何监控变量；初始化一个长度为2的数组id_e用于记录待剔除监控变量的信息，其中id-ep[0]为待剔除监控变量的指标

id-e^p[1]为待剔除监控变量的入选顺序号(如作为第2个入选变量x₂，其序号id_e^p[1]为2)，即待剔除监控变量为

例如，对已选入监控变量依次为x₁＝d₃、x₂＝d₅、x₃＝d₂的情况，若正在考察是否剔除已选入变量x₂，也就是d₅是否应从预测模型中剔除时，id_e^p[0]＝5，id_e^p[1]＝2，再将已选入变量x₂删去，id_x^p＝[0，3，2]，r^p＝2；

642)针对当前时刻已选入变量个数为

的情况，即id_x^p中有

个元素，依次将每一个已选入监控变量作为待剔除监控变量计算剔除操作的F统计量；

其中，计算某一已入选监控变量作为待剔除监控变量计算剔除操作的F统计量的具体步骤如下：

6421)将该待剔除变量的指标(在设备监控数据压缩矩阵Cⁱ或C^temp中的行号或列号)和选入序号(在id_x^p中的位置)分别记录为id_e^p[0]和id_e^p[1]，并在id_x^p中将该变量删除，注意此时id_x^p中的元素个数从

个元素减少为

个；

6422)将此时由id_x^p、id_e^p[0]、id_y为指标确定的监控变量，将剔除操作初始评估模型矩阵记为

该初始评估模型矩阵的大小为

行、

列，分别由已选入变量数据矩阵X^p(不包含待剔除元素)、待剔除元素数据向量e^p和待评估元素数据向量y^p两两相乘得到的9个分块矩阵组成，剔除操作初始评估模型矩阵记为

的结构如下：

其中，

分别为除操作初始评估模型矩阵

中的9个子矩阵。

剔除操作初始评估模型矩阵

中各元素的位置与特征监控数据矩阵C^p中各元素的位置具有一一对应关系

分别为剔除操作初始评估模型矩阵

中各元素的行指标和列指标)，剔除监控变量时，剔除操作初始评估模型矩阵

中9个子矩阵中各元素与特征监控数据矩阵C^p中各元素之间的映射关系如下：

其中，

为剔除操作初始评估模型矩阵

中第

行、第

列的元素，

为特征监控数据矩阵C^p中第

行、第

列的元素，对应于剔除操作初始评估模型矩阵

中的子矩阵

的元素；

为特征监控数据矩阵C^p中第

行、第id_ep[0]列的元素，对应于剔除操作初始评估模型矩阵

中的子矩阵

的元素；

为特征监控数据矩阵C^p中第

行、第id_y列的元素，对应于剔除操作初始评估模型矩阵

中的子矩阵

的元素；

为特征监控数据矩阵C^p中第id_ep[0]行、第

列的元素，对应于剔除操作初始评估模型矩阵

和的子矩阵

的元素；

为特征监控数据矩阵C^p中第id_u行、第id_u列的元素，对应于剔除操作初始评估模型矩阵

中的子矩阵

的元素；

为特征监控数据矩阵C^p中第id_u行、第id_y列的元素，对应于剔除操作初始评估模型矩阵

中的子矩阵

的元素；

为特征监控数据矩阵C^p中第id_y行、第id_x^p[g-1]列的元素，对应于剔除操作初始评估模型矩阵

中的子矩阵

的元素；

为征监控数据矩阵C^p中第id_y行、第id_u列的元素，对应于剔除操作初始评估模型矩阵

中的子矩阵

的元素；

为征监控数据矩阵C^p中第id_y行、第id_y列的元素，对应于剔除操作初始评估模型矩阵

中的子矩阵

的元素。

6423)依次完成以下消去变换操作：对

位置做消去变换得到

对

位置做消去变换得到

...，对

做消去变换得到

结构如下：

方便起见，将

写作：

再对

做消去变换，得到

矩阵，结构如下：

方便起见，将

写作：

6424)由统计学理论知，可构造得到当前剔除变量操作对应的F统计量即

值(推导见附录)

643)将得到的所有已入选变量中剔除操作F统计量的最小值

更新为minF_out，其对应的变量指标为id_maxF_out，判断minF_out和剔除操作F统计量阈值

的大小关系，若

则将minF_out对应的元素从id_x^p中剔除；若

则没有可以剔除的监控变量，还原当前未剔除监控变量至已选入监控变量指标向量，在id_x^p[id_e^p[1]]处插入元素id_e^p[0]，并继续执行步骤63)考察是否有其他监控变量可以选入预测模型。注意：

可避免选入和剔除变量过程形成死循环；注意，α_in＜α_out可避免进入死循环。

65)返回步骤63)，继续判断未选入的所有监控变量中是否存在可选入变量，直至预测模型中既没有可选入的监控变量、也没有可剔除的监控变量，进入步骤66)。

66)结束变量的选入和剔除，记此时的最终评估模型矩阵为

将最终评估模型矩阵

已选入监控变量指标向量id_x^p、待评估监控变量指标id_y存入数据库，此时，

评估模型为

其中x为所有已选入监控变量(监控变量的指标均存储在id_x^p中)组成的向量，

为待评估监控变量y的预测模型评估值。此时判断是否有还未求解最终评估模型矩阵的历史特征监控数据矩阵或临时特征监控数据矩阵，若还有未求解得到最终评估模型矩阵的历史特征监控数据矩阵，则更新p＝i+1，若还有未求解得到最终评估模型矩阵临时特征监控数据矩阵，则更新p取temp，再次执行步骤62)；否则此时所有特征监控数据矩阵均已求解得到其最终评估模型矩阵，执行步骤7)进行实时数据的评估。

7)求得所有数据矩阵的最终评估模型矩阵后，进入实时数据评估阶段。等待并接收实时有效设备监控数据data_0·＝[A₀₁ A₀₂ … A_0s]^T，其中待评估监控变量对应的数据为

对实时有效设备监控数据data_0·进行标准化处理，得到标准化实时监控数据d_0·＝[D₀₁ D₀₂ … D_0s]^T，其中有效实时监控数据中待评估变量对应的数据为

若临时监控数据矩阵Data^temp不参与评估过程，则由至少一个与当前时刻设备承受的工况最为接近的历史特征监控数据矩阵对应的最终评估模型经过拟合得到设备运行状态评估区间；若临时监控数据矩阵Data^temp参与评估过程，则由与当前时刻设备承受的工况最为接近的历史特征监控数据矩阵(可以没有，也可以有若干个)以及临时特征监控数据矩阵拟合得到设备运行状态评估区间。若有效实时监控数据中待评估监控变量对应的数据

落入设备运行状态评估区间，则待评估监控变量的评估结果为正常，若有效实时监控数据中待评估监控变量对应的数据

未落入设备运行状态评估区间，则为故障状态并进行预警。然后进入步骤8)；

本公开的一个实施例中，步骤7)的具体实现过程如下：

71)等待并接收实时监控数据，若实时监控数据无缺失，则去除监控数据中的无效变量，得到有效实时监控数据data_0·＝[A₀₁ A₀₂ … A_0s]^T；若实时监控数据中某一维度的设备监控数据发生缺失，则发出对应维度传感器故障报警信号，等待并接收下一次的实时监控数据，直至接收的实时监控数据无数据缺失，去除监控数据中的无效变量，得到有效实时监控数据data_0·＝[A₀₁ A₀₂ … A_0s]^T。

72)对于有效实时监控数据data_0·，根据临时监控数据矩阵Data^temp是否参与评估，计算待评估变量的评估区间[a，b]：若临时监控数据矩阵Data^temp不参与评估过程，则由至少一个与当前时刻设备承受的工况最为接近的历史特征监控数据矩阵对应的最终评估模型拟合得到设备运行状态评估区间，本公开实施例给出一种方案作为参考，如方案1所示，a_W和b_W是由最后一个历史特征监控数据矩阵计算得到的设备运行状态评估区间的上、下限，a_W-1和b_W-1是由倒数第二个历史特征监控数据矩阵计算得到的设备运行状态评估区间的上、下限；若临时监控数据矩阵Data^temp参与评估过程，则由与当前时刻设备承受的工况最为接近的历史特征监控数据矩阵以及临时特征监控数据矩阵拟合得到设备运行状态评估区间(若没有于当前时刻设备承受的工况接近的历史特征监控数据矩阵，则设备运行状态评估区间可以仅由临时特征监控数据矩阵得到)，本公开实施例同样给出一种方案作为参考，如方案2所示，a_W和b_W是由最后一个历史特征监控数据矩阵计算得到的设备运行状态评估区间的上、下限，a^temp和b^temp是由临时特征监控数据矩阵计算得到的设备运行状态评估区间的上、下限。

方案1：

a＝(1-υ)a_W+υa_W-1

b＝(1-υ)b_W+vb_W-1

方案2：

a＝(1-υ)a_W+υa^temp

b＝(1-υ)b_W+vb^temp

其中，(1-υ)和υ均为权重系数，0≤υ≤1，各权重系数和为1，若当前时刻设备受到的载荷工况或运行工况与历史数据矩阵或当前数据矩阵越接近，其对应的权重系数占比就越大。当υ＝0时，数据特征仅与历史数据矩阵对应的数据有关；当υ＝1时，数据特征仅与当前数据矩阵对应的数据有关；该相关关系具有以下特点：①与当前时刻相关性越大的历史特征监控数据矩阵Cⁱ或临时特征监控数据矩阵C^temp对应的设备运行状态评估区间上下限的权重越大，与当前时刻相关性越小的历史特征监控数据矩阵Cⁱ或临时特征监控数据矩阵C^temp对应的设备运行状态评估区间上下限的权重越小；②各权重之和为1。

本公开的一个实施例中，a_W和b_W的具体计算过程如下(a_W-1和b_W-1、a^temp和b^temp的求解方式相同，此处不再赘述)：

721)对有效实时监控数据data0.进行标准化处理，具体为：利用第W个历史监控数据矩阵(即最后一个历史监控数据矩阵)的均值

和标准差

通过z-score标准化方法对有效实时监控数据data_0·＝[A₀₁ A₀₂ … A_0s]^T中的所有数据进行标准化，得到标准化实时监控数据d_0·＝[D₀₁ D₀₂ … D_0s]^T，其中，有效实时监控数据中待评估变量对应的数据为

722)由已选入监控变量指标向量id_x^W从实时有效监控数据中确定当前已选入监控变量数据向量

待评估监控变量对应的实时数据

并由最终评估模型矩阵

求解第W个历史特征监控数据矩阵对应的设备运行状态评估区间的上、下限，由统计理论知，表达式如下：

其中，

和

分别为最后一个历史特征监控数据矩阵的最终评估模型矩阵

中第一个子矩阵和最后一个子矩阵；n_W-r_W-1为t统计量的自由度；t_α是置信度取1-α时查t分布表得到的临界值。

73)若待评估监控变量对应的实时数据y0落在设备运行状态评估区间[a，b]内，则机械设备运行状态正常，执行步骤8)；若待评估监控变量对应的实时数据y0落在设备运行状态评估区间外，则表明设备的运行状态出现异常，发出报警信号，然后执行步骤8)；

8)更新采样点数n_temp＝n_temp+1；利用新收到的经过标准化后的实时监控数据向量

更新临时特征监控数据矩阵C^temp，并判断更新后的临时特征监控数据矩阵C^temp是否能被步骤2)中的时间窗口或者事件窗口完整分割，若能被完整分割，则更新W＝W+1，并记更新后的临时特征监控数据矩阵C^temp为C^W，更新t_W＝t_W+，进入步骤2)；若不能被完整分割，则执行步骤5)。

本公开的一个实施例中，临时特征监控数据矩阵C^temp的更新步骤仅需要在原临时特征监控数据矩阵C^temp中的每一项叠加

即可，具体公式如下：

本公开第二方面实施例提出了一种户外固定大型机械设备运行状态实时评估系统，该系统利用本公开第一方面实施例提出的实时评估方法实现设备运行状态的实时评估。

具体地，本公开实施例的系统包括：

数据采集及处理模块，用于采集并存储设备运行过程中的监控数据(包括历史监控数据和实时监控数据)，如温度、湿度、风速、风向等设备传感器传送的数据；对采集和存储的监控数据去除其中的无效数据，如启动次数、故障次数、状态字等离散数字状态量、字符串状态量或bool型变量等离散状态变量，得到有效历史监控数据和有效实时监控数据；然后按照步骤2)所述方法对有效历史监控数据进行分割和标准化处理，得到能够被完整分割的若干历史监控数据矩阵和不能被完整分割的临时监控数据矩阵；

历史数据评估模型求解模块，用于由用户指定待评估监控变量，通过步骤3)所述方法对历史数据矩阵进行压缩处理，然后通过步骤6)所述方法构建由已选入监控变量、待选入/待剔除监控变量和待评估监控变量构成的历史评估模型矩阵Lⁱ，通过考察其余变量与待评估变量的选入操作和剔除操作的F统计量，进一步确定待评估监控变量的最终评估模型矩阵

临时数据评估模型求解模块，通过步骤5)所述方法对满足参与参评数据量阈值要求的临时数据矩阵进行压缩处理得到临时数据特征矩阵，或按照步骤8)所述方法对临时数据矩阵压缩后的临时特征数据矩阵进行实时更新处理得到更新后的临时数据特征矩阵，再判断临时数据特征矩阵对应的数据量是否达到参与评估的数据量阈值，若数据量太少，则不进行任何处理，临时数据矩阵不参与评估，继续等待新的数据到来重新进行判断，若数据量达到历史数据矩阵分割时对应的数据量阈值，则利用历史数据评估模型求解模块进行求解，否则按照步骤6)所述发发构建由临时数据矩阵的已选入变量、待选入/待剔除监控变量和待评估监控变量构成的临时评估模型矩阵L^temp，进一步确定待评估监控变量的最终评估模型矩阵

评估模块，用于根据步骤7)所述方法确定设备运行状态评估区间，判断有效实时监控数据中待评估监控变量对应的数据

是否落入该区间，若落入，则设备运行状态正常，否则对该设备运行状态进行预警；

尽管上面已经示出和描述了本发明的示例，可以理解的是，上述示例是示范性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述示例进行变化、修改、替换和变型。

Claims (10)

1.一种户外固定大型机械设备的运行状态实时评估方法，其特征在于，包括以下步骤：

1)获取户外固定大型机械设备的历史监控数据；对历史监控数据剔除其中的无效数据，得到有效历史监控数据，有效历史监控数据的维度为s；

2)按照时间窗口或者事件窗口对有效历史监控数据进行分割；若有效历史监控数据能被完整分割，则得到与时间窗口或者事件窗口对应的W个分割后的历史监控数据矩阵，记第i个历史监控数据矩阵为Dataⁱ，i＝1，2，…，W；对各历史监控数据矩阵分别进行标准化处理，得到对应的标准化历史监控数据矩阵Dⁱ，执行步骤3)；若有效历史监控数据不能被完整分割，则将不能被完整分割的有效历史监控数据组成临时监控数据矩阵Data^temp，执行步骤4)；

3)对各标准化历史监控数据矩阵Dⁱ进行压缩处理，得到对应的历史特征监控数据矩阵，记为Cⁱ，Cⁱ对应的数据覆盖的时间范围为(t_i-1，t_i)，执行步骤6)；

4)判断临时监控数据矩阵Data^temp中的数据量是否满足参与参评数据量阈值要求，若数据量满足参评数据量阈值要求，则判断临时监控数据矩阵Data^temp参与评估过程，执行步骤5)；若数据量不满足参评数据量阈值要求，则临时监控数据矩阵Data^temp中的数据暂不参与评估过程，执行步骤7)；

5)将临时监控数据矩阵Data^temp中的各元素分别进行标准化处理，得到标准化临时监控数据矩阵D^temp；对标准化临时监控数据矩阵D^temp进行压缩处理，得到临时特征监控数据矩阵C^temp，C^temp对应的数据覆盖的时间范围为(t_W，t_W+)，数据采样点数和维度分别为n_temp、(s+1)，t_W+∈(t_W，t_W+1)，执行步骤6)；

6)由用户在s个监控变量中指定一个待评估监控变量，逐一考察其余监控变量作为待选入监控变量时选入操作的F统计量，设定选入操作阈值

和剔除操作阈值

构建一个用于求解待评估变量和其他监控变量的线性相关的预测模型，该预测模型的表达式为

其中，x是预测模型中的已入选监控变量向量，由已选入监控变量的指标向量确定，β是由与预测模型选入变量对应的系数构成的系数矩阵；对每个历史特征监控数据矩阵或临时特征监控数据矩阵分别构建评估模型矩阵，对评估模型矩阵进行消去变换，计算得到将某一监控变量作为待评估变量并将其选入预测模型时，对应的选入操作的F统计量大小，或计算得到将某一监控变量作为待剔除变量并将其从预测模型中剔除时，对应的剔除操作的F统计量大小；通过若干次选入和剔除操作，当没有任何监控变量可以从预测模型中剔除且预测模型中再没有任何监控变量可以选入预测模型时，得到针对各历史特征监控数据矩阵或临时特征监控数据矩阵待评估变量的最终评估模型矩阵，并由最终评估模型矩阵确定预测模型，执行步骤7)；

7)等待并接收实时有效设备监控数据data_0·＝[A₀₁ A₀₂ … A_0s]^T，其中待评估监控变量对应的数据为

对实时有效设备监控数据data_0·进行标准化处理，得到标准化实时监控数据d_0·＝[D₀₁ D₀₂ … D_0s]^T，其中有效实时监控数据中待评估变量对应的数据为

若临时监控数据矩阵Data^temp不参与评估过程，则由至少一个与当前时刻设备承受的工况最为接近的历史特征监控数据矩阵对应的最终评估模型经过拟合得到设备运行状态评估区间；若临时监控数据矩阵Data^temp参与评估过程，则由与当前时刻设备承受的工况最为接近的0个或至少1个历史特征监控数据矩阵以及临时特征监控数据矩阵拟合得到设备运行状态评估区间[a，b]；若有效实时监控数据中待评估监控变量对应的数据

落入设备运行状态评估区间[a，b]，则待评估监控变量的评估结果为正常，若有效实时监控数据中待评估监控变量对应的数据

未落入设备运行状态评估区间[a，b]，则为故障状态并进行预警；然后进入步骤8)；

8)更新采样点数n_temp＝n_temp+1；利用新收到的经过标准化后的实时监控数据向量

更新临时特征监控数据矩阵C^temp，并判断更新后的临时特征监控数据矩阵C^temp是否能被步骤2)中的时间窗口或者事件窗口完整分割，若能被完整分割，则更新W＝W+1，并记更新后的临时特征监控数据矩阵C^temp为C^W，更新t_W＝t_W+，进入步骤2)；若不能被完整分割，则执行步骤5)。

2.根据权利要求1所述的运行状态实时评估方法，其特征在于，步骤3)中对各标准化历史监控数据矩阵Dⁱ进行压缩处理是采用

的转置

乘以

的方式构造相应的一个历史特征监控数据矩阵Cⁱ，历史特征监控数据矩阵Cⁱ的结构如下：

其中，

为由常数1列向量和标准化历史监控数据矩阵Dⁱ组成的第i个历史构造矩阵，维度为n_i×(s+1)；常数1向量为1＝[1 1 … 1]^T，共n_i维；

为历史构造矩阵

中第l行、第

列的元素，

为历史构造矩阵

中第l行、第

列的元素；

为历史特征监控数据矩阵Cⁱ中第

行、第

列的元素，反映了标准化历史监控数据矩阵Dⁱ或历史监控数据矩阵Dataⁱ中第j个和第k个监控变量的交叉统计特征，

3.根据权利要求2所述的运行状态实时评估方法，其特征在于，步骤5)中，对标准化临时监控数据矩阵D^temp进行压缩处理是采用的

转置

乘以

的方式构造相应的一个临时特征监控数据矩阵C^temp，临时特征监控数据矩阵C^temp的结构如下：

其中，

为由常数1列向量和标准化临时监控数据矩阵D^temp组成的临时构造矩阵，维度为n_temp×(s+1)，n_temp≥s+1；常数1列向量为1＝[1 1 … 1]^T，共n_temp维；

为临时构造矩阵

中第

行、第

列的元素，

为构造矩阵

中第

行、第

列的元素；

为历史特征监控数据矩阵C^temp中第

行、第

列的元素，反映了标准化临时监控数据矩阵D^temp或临时监控数据矩阵Data^temp中第j个和第k个监控变量的交叉统计特征，

4.根据权利要求3所述的运行状态实时评估方法，其特征在于，步骤6)包括以下步骤：

61)由用户选定待评估监控变量指标id_y＝k^*，k^*代表s个监控变量中任意一个监控变量的指标；

62)针对特征监控数据矩阵C^p，对应的已选入监控变量指标向量id_x^p，初始化id_x^p＝(0)，即当前没有任何监控变量对应的指标选入时，此时已选入监控变量指标向量id_x^p中只有0元素；设当前已选入监控变量指标向量id_x^p中已选入监控变量指标的个数为r^p，r^p等于已选入监控变量指标向量id_x^p中元素个数-1；角标p代表特征监控数据矩阵的序号，p取i时，是针对能够被步骤2)中的时间窗口或者事件窗口完整分割的第i个历史特征监控数据矩阵Cⁱ，p取temp时，是针对不能够被步骤2)中的时间窗口或者事件窗口完整分割的临时特征监控数据矩阵C^temp；

63)判断在剩余的未入选监控变量中，是否存在监控变量可以选入预测模型：在所有未入选的监控变量中，逐一将各监控变量作为待入选变量，计算将其选入预测模型时，对应的选入操作的F统计量，若最大F统计量大于或等于选入操作的F统计量阈值

则将最大F统计量对应的监控变量作为已选入监控变量，并将该已选入监控变量在特征监控数据矩阵C^p中的指标存入已选入监控变量指标向量id_x^p，执行步骤64)；若最大F统计量小于选入操作F统计量阈值

则进入步骤65)；

64)判断已选入监控变量指标向量id_x^p对应的已选入变量中是否存在可剔除的监控变量：对已选入监控变量指标向量id_x^p中的各已选入监控变量，分别将各已选入监控变量作为待剔除变量，计算待剔除变量的剔除操作的F统计量，若剔除操作的最小F统计量小于剔除操作阈值

则将该剔除操作的最小F统计量对应的监控变量指标从已选入变量指标向量id_x^p中剔除，其中，α_out为由用户设定的剔除操作的显著性水平；对剩余的已选入监控变量指标向量id_x^p中对应的监控变量，继续重复上述操作，判断是否仍存在可剔除的监控变量，直至id_x^p中没有可剔除的监控变量对应的指标，则进入步骤65)；

65)返回步骤63)，继续判断未选入的所有监控变量中是否存在可选入变量，直至预测模型中既没有可选入的监控变量、也没有可剔除的监控变量，进入步骤66)；

66)结束变量的选入和剔除，记此时的最终评估模型矩阵为

此时，

评估模型为

其中x为所有已选入监控变量组成的向量，

为待评估监控变量y的预测模型评估值；判断是否有还未求解最终评估模型矩阵的历史特征监控数据矩阵或临时特征监控数据矩阵，若还有未求解得到最终评估模型矩阵的历史特征监控数据矩阵，则更新p＝i+1，若还有未求解得到最终评估模型矩阵的临时特征监控数据矩阵，则更新p取temp，再次执行步骤62)；否则此时所有特征监控数据矩阵均已求解得到其最终评估模型矩阵，则执行步骤7)。

5.根据权利要求4所述的运行状态实时评估方法，其特征在于，步骤63)具体包括以下步骤：

631)对s-r^p-1个未入选选入操作初始评估模型矩阵的监控变量，遍历计算将各监控变量作为待选入监控变量时的选入操作的F统计量，并确定选入操作的最大F统计量，记为maxF_in，其对应的监控变量的指标记为id_maxF_in；

632)继续步骤631)，遍历计算所有未入选变量的选入操作的F统计量，更新maxF_in为所有未入选变量中选入操作的F统计量的最大值，并将该最大值对应的监控变量指标替换当前id_maxF_in中的数值，直至所有未选入变量均已求解其选入操作的F统计量；

633)判断maxF_in和选入操作阈值

的大小关系，若

则当前待入选监控变量的选入操作满足判断准则，将id_maxF_in对应的监控变量指标选入预测模型中，执行步骤64)；若

则此时没有任何变量可以选入，进入步骤66)。

6.根据权利要求5所述的运行状态实时评估方法，其特征在于，步骤631)中，计算某一未入选监控变量的选入操作的F分布统计量的具体步骤如下：

6311)当前时刻，已选入监控变量指标向量id_x^p中已选入监控变量指标数为r^p，此时已选入监控变量指标向量id_x^p中含有(r^p+1)个元素，在s-r^p个未入选监控变量中确定某一维监控变量作为当前待入选监控变量，用id_u记录该当前待入选监控变量对应的指标，将该当前待入选监控变量对应的数据列向量记为待入选数据列向量u^p；将由已选入监控变量指标向量id_x^p构成的已选入监控变量对应的数据矩阵记为已选入监控变量数据矩阵X^p，将由待评估监控变量指标id_y构成的待评估变量对应的数据列向量记为待评估数据列向量y^p；将选入操作初始评估模型矩阵记为

该初始评估模型矩阵的大小为(r^p+3)行、(r^p+3)列，分别由已选入变量数据矩阵X^p、待入选数据列向量u^p和待评估数据列向量y^p两两相乘得到的9个子矩阵组成，选入操作初始评估模型矩阵

的结构为：

其中，

分别为选入操作初始评估模型矩阵

中的9个子矩阵；

选入操作初始评估模型矩阵

中各元素的位置与特征监控数据矩阵C^p中各元素的位置具有一一对应的关系：

其中，

为选入操作初始评估模型矩阵

中第f行、第g列的元素，f，g＝1，2，...，r^p+3；

为特征监控数据矩阵C^p中第id_x^p[f-1]行、第id_x^p[g-1]列的元素，对应于选入操作初始评估模型矩阵

的子矩阵

的元素；

为特征监控数据矩阵C^p中第id_x^p[f-1]行、第id_u列的元素，对应于选入操作初始评估模型矩阵

的子矩阵

的元素；

为特征监控数据矩阵C^p中第id_x^p[f-1]行、第id_y列的元素，对应于选入操作初始评估模型矩阵

的子矩阵

的元素；

为特征监控数据矩阵C^p中第id_u行、第id_x^p[g-1]列的元素，对应于选入操作初始评估模型矩阵

的子矩阵

的元素；

为特征监控数据矩阵C^p中第id_u行、第id_u列的元素，对应于选入操作初始评估模型矩阵

的子矩阵

的元素；

为特征监控数据矩阵C^p中第id_u行、第id_y列的元素，对应于选入操作初始评估模型矩阵

的子矩阵

的元素；

为特征监控数据矩阵C^p中第id_y行、第id_x^p[g-1]列的元素，对应于选入操作初始评估模型矩阵

的子矩阵

的元素；

为特征监控数据矩阵C^p中第id_y行、第id_u列的元素，对应于选入操作初始评估模型矩阵

的子矩阵

的元素；

为特征监控数据矩阵C^p中第id_y行、第id_y列的元素，对应于选入操作初始评估模型矩阵

的子矩阵

的元素；

6312)依次完成以下消去变换操作：对

做消去变换得到

对

位置做消去变换得到

...，对

做消去变换得到

结构如下：

其中，P_H0＝X^p[(X^p)^TX^p]^-1(X^p)^T；

简记作：

6313)由统计学理论，计算得到当前选入变量操作对应的F统计量即F_{id_u}值：

其中，n_p为特征监控数据矩阵C^p的采样点数。

7.根据权利要求6所述的运行状态实时评估方法，其特征在于，步骤64)具体包括以下步骤：

641)初始化剔除操作的最小F统计量为minF_out＝0，设剔除操作的最小F统计量对应的监控变量的指标为id_maxF_out，初始化id_maxF_out不指向任何监控变量；初始化一个长度为2的数组id_e用于记录待剔除监控变量的信息，其中id_e^p[0]为待剔除监控变量的指标

id_e^p[1]为待剔除监控变量的入选顺序号，即待剔除监控变量为

642)针对当前时刻已选入变量个数为

的情况，即id_x^p中有

个元素，

依次将每一个已选入监控变量作为待剔除监控变量计算剔除操作的F统计量；

643)将得到的所有已入选变量中剔除操作F统计量的最小值

更新为minF_out，其对应的变量指标为id_maxF_out，判断minF_out和剔除操作F统计量阈值

的大小关系，若

则将minF_out对应的元素从id_x^p中剔除；若

则没有可以剔除的监控变量，还原当前未剔除监控变量至已选入监控变量指标向量，在id_x^p[id_e^p[1]]处插入元素id_e^p[0]，并继续执行步骤63)考察是否有其他监控变量可以选入预测模型。

8.根据权利要求7所述的运行状态实时评估方法，其特征在于，步骤642)中，计算某一已入选监控变量作为待剔除监控变量计算剔除操作的F统计量的具体步骤如下：

6421)将该待剔除变量的指标和选入序号分别记录为id_e^p[0]和id_e^p[1]，并在id_x^p中将该变量删除，此时id_x^p中的元素个数从

个元素减少为

个；

6422)将此时由id_x^p、id_e^p[0]、id_y为指标确定的监控变量，将剔除操作初始评估模型矩阵记为

该初始评估模型矩阵的大小为

行、

列，分别由已选入变量数据矩阵X^p、待剔除元素数据向量e^p和待评估元素数据向量y^p两两相乘得到的9个分块矩阵组成，剔除操作初始评估模型矩阵记为

的结构如下：

其中，

分别为除操作初始评估模型矩阵

中的9个子矩阵；

剔除操作初始评估模型矩阵

中各元素的位置与特征监控数据矩阵C^p中各元素的位置具有一一对应关系：

其中，

为剔除操作初始评估模型矩阵

中第

行、第

列的元素，

为特征监控数据矩阵C^p中第

行、第

列的元素，对应于剔除操作初始评估模型矩阵

中的子矩阵

的元素；

为特征监控数据矩阵C^p中第

行、第id_ep[0]列的元素，对应于剔除操作初始评估模型矩阵

中的子矩阵

的元素；

为特征监控数据矩阵C^p中第

行、第id_y列的元素，对应于剔除操作初始评估模型矩阵

中的子矩阵

的元素；

为特征监控数据矩阵C^p中第id_e^p[0]行、第

列的元素，对应于剔除操作初始评估模型矩阵

中的子矩阵

的元素；

为特征监控数据矩阵C^p中第id_u行、第id_u列的元素，对应于剔除操作初始评估模型矩阵

中的子矩阵

的元素；

为特征监控数据矩阵C^p中第id_u行、第id_y列的元素，对应于剔除操作初始评估模型矩阵

中的子矩阵

的元素；

为特征监控数据矩阵C^p中第id_y行、第id_x^p[g-1]列的元素，对应于剔除操作初始评估模型矩阵

中的子矩阵

的元素；

为征监控数据矩阵C^p中第id_y行、第id_u列的元素，对应于剔除操作初始评估模型矩阵

中的子矩阵

的元素；

为征监控数据矩阵C^p中第id_y行、第id_y列的元素，对应于剔除操作初始评估模型矩阵

中的子矩阵

的元素；

6423)依次完成以下消去变换操作：对

做消去变换得到

对

做消去变换得到

...，对

做消去变换得到

结构如下：

简记作：

再对

做消去变换，得到

结构如下：

将

写作：

6424)由统计学理论知，计算得到当前剔除变量操作对应的F统计量即

值：

其中，n_p为特征监控数据矩阵C^p的采样点数。

9.根据权利要求8所述的运行状态实时评估方法，其特征在于，步骤7)中，根据以下步骤得到设备运行状态评估区间[a，b]：

对于实时有效设备监控数据data_0·，若临时监控数据矩阵Data^temp不参与评估过程，则通过方案1由至少一个与当前时刻设备承受的工况最为接近的历史特征监控数据矩阵对应的最终评估模型拟合得到设备运行状态评估区间[a，b]；若临时监控数据矩阵Data^temp参与评估过程，则通过方案2由与当前时刻设备承受的工况最为接近的历史特征监控数据矩阵以及临时特征监控数据矩阵拟合得到设备运行状态评估区间[a，b]；

方案1：

a＝(1-υ)a_W+υa_W-1

b＝(1-u)b_W+vb_W-1

方案2：

a＝(1-u)a_W+υa^temp

b＝(1-υ)b_W+υb^temp

其中，a_W和b_W是由最后一个历史特征监控数据矩阵计算得到的设备运行状态评估区间的上、下限，a_W-1和b_W-1是由倒数第二个历史特征监控数据矩阵计算得到的设备运行状态评估区间的上、下限，a^temp和b^temp是由临时特征监控数据矩阵计算得到的设备运行状态评估区间的上、下限；(1-υ)和υ均为权重系数，0≤υ≤1，若当前时刻设备受到的载荷工况或运行工况与历史监控数据矩阵或临时监控数据矩阵越接近，其对应的权重系数占比就越大；当υ＝0时，数据特征仅与历史监控数据矩阵对应的数据有关；当υ＝1时，数据特征仅与临时监控数据矩阵对应的数据有关；

a_W和b_W通过下式计算得到：

其中，

和y₀分别为由已选入监控变量指标向量id_x^W从实时有效设备监控数据data_0·中确定的当前已选入监控变量数据向量和待评估监控变量对应的实时数据；

和

分别为最后一个历史特征监控数据矩阵的最终评估模型矩阵

中第一个子矩阵和最后一个子矩阵；n_W-r_W-1为t统计量的自由度；t_α是置信度取1-α时查t分布表得到的临界值。

10.一种户外固定大型机械设备的运行状态实时评估系统，其特征在于，所述运行状态实时评估系统执行根据权利要求1～9中任一项所述的运行状态实时评估方法。

Images