CN114139622A - 状态监测方法、装置、电子设备及可读存储介质 - Google Patents

Abstract

本申请公开了一种状态监测方法、装置、电子设备及可读存储介质。其中，方法包括获取多个同质传感器通过同步采集技术所采集的目标物理量的测量数据信息。通过对各测量数据信息进行信息关联，得到传感器关联数据；通过对各测量数据进行偏差计算，得到偏差数据；根据传感器关联数据和偏差数据确定每两个同质传感器之间的一致性关系。根据各同质传感器之间的一致性关系，对各测量数据信息进行融合；将融合数据作为目标物理量的测量数据，基于该目标物理量进行状态监测。本申请有效地提高了机械设备状态监控的精准度，可保障机械设备安全、稳定地运行。

Description

状态监测方法、装置、电子设备及可读存储介质

技术领域

本申请涉及机械技术领域，特别是涉及一种状态监测方法、装置、电子设备及可读存储介质。

背景技术

机械设备一般由驱动装置、变速装置、传动装置、工作装置、制动装置、防护装置、润滑系统、冷却系统等多个部分组成，每个部分又包括多个元器件。可以理解的是，随着机械设备的使用时长增加，设备各元器件不可避免会老化，以及在受到外力撞击或不当使用下，这些器件还会损坏。举例来说，传动系统作为机械的重要组成，由电机、联轴器、齿轮箱、传动轴、轴箱等关键部件组成，其负责将牵引电动机的扭矩有效地转化为转矩。由于受到外部力的激扰，传动系统的各总成之间会产生一定的相对运动，导致牵引电机输出轴轴承、齿轮箱输入轴也即小齿轮轴的轴承以及联结两个轴的联轴器等部件在未满其服役期时经常发生疲劳损坏，影响机械运行安全。

为了保证机械设备稳定、安全地运行，就需要实时监控机械设备的运行状态。相关技术会在机械设备的关键元器件处安装传感器，通过这些传感器监测机械设备的各关键部件的状态信息，但是监测的对象主要是各个分散的零部件，对整个系统的监测力度还远远不够。此外，由于单传感器的探测目标的信息数据单一，在复杂噪声和目标不集中的情况下，使得监测的性能达不到实际的要求，监测精度较低，获得的目标信息与实际的信息相差较大，并无法准确反映机械设备的真实运行状态。以传动系统为例，在传动系统的关键部件安装传感器，由于传感器的安装数量和种类有限，单依靠这些传感器所采集多源信息并无法准确地进行故障诊断，传动系统可靠性不高。

鉴于此，如何提高机械设备的状态监控的精准度，保障机械设备安全、稳定地运行，是所属领域技术人员需要解决的技术问题。

发明内容

本申请提供了一种状态监测方法、装置、电子设备及可读存储介质，有效地提高了机械设备状态监控的精准度，可保障机械设备安全、稳定地运行。

为解决上述技术问题，本发明实施例提供以下技术方案：

本发明实施例一方面提供了一种状态监测方法，包括：

获取多个同质传感器通过同步采集技术所采集的目标物理量的测量数据信息；

通过对各测量数据信息进行信息关联，得到传感器关联数据；通过对各测量数据进行偏差计算，得到偏差数据；根据所述传感器关联数据和所述偏差数据确定每两个同质传感器之间的一致性关系；

根据各同质传感器之间的一致性关系，对各测量数据信息进行融合；

将融合数据作为所述目标物理量的测量数据，以基于所述目标物理量进行状态监测。

可选的，所述获取多个同质传感器通过同步采集技术所采集的目标物理量的测量数据信息之后，还包括：

对每个同质传感器的测量数据信息进行小波变换，得到多层分解子信号；

对每个分解子信号的小波分解系数进行阈值处理，得到估计小波系数；

利用各估计小波系数进行小波重构，得到去噪的测量数据信息。

可选的，所述对每个分解子信号的小波分解系数进行阈值处理，得到估计小波系数，包括：

预先根据预设临界阈值的产生方式确定所述预设临界阈值的取值；所述产生方式包括信号产生方式和噪声产生方式；

调用估计值计算关系式，计算每层分解子信号的估计小波系数，所述估计值计算关系式为：

式中，

为第k层分解子信号的估计小波系数，j为分解子信号总层数，ω_j,k为第k层分解子信号的小波分解系数，λ为所述预设临界阈值，sgn(·)为符号函数。

可选的，所述通过对各测量数据信息进行信息关联，得到传感器关联数据，包括：

调用信息关联关系式计算每两个测量数据信息之间的关联值，所述信息关联关系式为：

根据每两个测量数据信息的关联值确定多维关联矩阵，以作为所述传感器关联数据；所述多维关联矩阵P为：

式中，p_ij为第i个同质传感器的测量数据x_i和第j个同质传感器的测量数据x_j之间的关联值，

为测量数据x_i的均值，

为测量数据x_j的均值，x_i(h)为测量数据x_i中的第h个数据，x_j(h)为测量数据x_j中的第h个数据，N为测量数据所包含数据的总数量；p_nn为第n个同质传感器的测量数据和第n个同质传感器的测量数据之间的关联值，n为同质传感器总个数。

可选的，所述通过对各测量数据进行偏差计算，得到偏差数据，包括：

调用偏差计算关系式计算第一测量数据对第二测量数据的置信距离，所述偏差计算关系式为：

根据每两个测量数据的置信距离确定多维置信距离矩阵，以作为所述偏差数据；所述多维置信距离矩阵D为：

式中，d_ij为第i个同质传感器的测量数据x_i对第j个同质传感器的测量数据x_j的置信距离，P_i(x/x_i)为第i个同质传感器的一维置信距离表达式，x为积分变量参数，d_nn为第n个同质传感器的测量数据对第n个同质传感器的测量数据的置信距离，n为同质传感器总个数。

可选的，所述根据所述传感器关联数据和所述偏差数据确定每两个同质传感器之间的一致性关系，包括：

调用支持程度计算关系式计算第一同质传感器对第二同质传感器的支持程度；所述支持程度计算关系式为：

根据每两个同质传感器的支持程度确定多维支持度矩阵；所述多维支持度矩阵R为：

式中，r_ij为第i个同质传感器对第j个同质传感器的支持程度，r_nn为第n个同质传感器对第n个同质传感器的支持程度。

可选的，所述根据各同质传感器之间的一致性关系，对各测量数据信息进行融合，包括：

根据各同质传感器之间的一致性关系构成的一致性关系矩阵与其特征值向量确定非负实数向量；所述非负实数向量的元素总数与同质传感器总数相同，每个元素对应一个同质传感器的综合支持程度，所述综合支持程度为所有同质传感器对当前同质传感器的支持程度；

根据所述非负实数向量确定每个同质传感器的综合支持程度；

根据各同质传感器的综合支持程度和相应的测量数据信息得到融合数据。

本发明实施例另一方面提供了一种状态监测装置，包括：

数据采集模块，用于获取多个同质传感器通过同步采集技术所采集的目标物理量的测量数据信息；

数据计算模块，用于通过对各测量数据信息进行信息关联，得到传感器关联数据；通过对各测量数据进行偏差计算，得到偏差数据；根据所述传感器关联数据和所述偏差数据确定每两个同质传感器之间的一致性关系；

数据融合模块，用于根据各同质传感器之间的一致性关系，对各测量数据信息进行融合；

状态监测模块，用于将融合数据作为所述目标物理量的测量数据，以基于所述目标物理量进行状态监测。

本发明实施例还提供了一种电子设备，包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如前任一项所述状态监测方法的步骤。

本发明实施例最后还提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如前任一项所述状态监测方法的步骤。

本申请提供的技术方案的优点在于，利用不同传感器测量同一物理量，将这些传感器测量得到的数据通过数据关联和测量偏差确定各同质传感器之间的一致性关系，最后基于一致性关系将各同质传感器所采集的数据进行自动化融合，从而可以获得更精确、更可靠和更高广度的被测信号。且基于时间同步实现多个传感器相互配合，在融合的过程中不需要知道测量数据的先验知识，根据数据自适应进行融合，使得数据融合结果更准确，有效地提高了机械设备状态监控的精准度，提高了状态监测的容错能力和可信度，降低了系统的不确定性。进一步的，扩展了系统覆盖范围，能够更准确地获得被测对象或环境的信息。当某些传感器发生故障不能正常运行时，其它传感器仍然可以继续监测目标状态，极大扩展了监测时间的覆盖能力，可最大程度地保障机械设备安全、稳定地运行。

此外，本发明实施例还针对状态监测方法提供了相应的实现装置、电子设备及可读存储介质，进一步使得所述方法更具有实用性，所述装置、电子设备及可读存储介质具有相应的优点。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。

附图说明

为了更清楚的说明本发明实施例或相关技术的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单的介绍，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的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种状态监测方法的流程示意图；

图2为本发明实施例提供的另一种状态监测方法的流程示意图；

图3为本发明实施例提供的再一种状态监测方法的流程示意图；

图4为本发明实施例提供的状态监测装置的一种具体实施方式结构图；

图5为本发明实施例提供的电子设备的一种具体实施方式结构图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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前提下所获得的所有其他实施例，都属于本发明保护的范围。

本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等是用于区别不同的对象，而不是用于描述特定的顺序。此外术语“包括”和“具有”以及他们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可包括没有列出的步骤或单元。

在机械设备状态监测领域，由于目前单个传感器获取的数据不确定、不完整、不一致导致状态监控不精准，本发明实施例将多传感器的测量数据进行有效融合，得到更加精确的被测信号，通过融合后的数据进行状态监控，从而提高机械设备状态监控的精准度。下面详细的说明本申请的各种非限制性实施方式。

首先参见图1，图1为本发明实施例提供的一种状态监测方法的流程示意图，本发明实施例可包括以下内容：

S101：获取多个同质传感器通过同步采集技术所采集的目标物理量的测量数据信息。

在本实施例中，同质传感器是指测量同一物理量的不同传感器，也即在待检测的机械设备中安装多组同质传感器，一组同质传感器用于采集一个物理量的测量数据。考虑到同步采集技术可将时间基准传递到其它传感器，使所有的传感器建立起统一的高精度时间，在统一的时间基准上工作，数据采集服务器进行数据处理时，以高精度时间作为纽带，实现多传感器数据按时间配准。为了后续测量数据信息更好的融合，本实施例通过同步采集技术从同质传感器获得同一物理量。同步采集技术采用授时同步，以高精度的时间作为驱动源，完成传感器的时间授时，传感器接收授时的脉冲和时间信号，自身完成采集的数据和时间的高精度融合，采集的数据中带有精确的时间信息，实现同步采集。从而可以解决常规采集方法无法实现多数据时间配准，而后续采用时间配准算法，例如最小二乘法、曲线拟合法等时间配准精确度低的问题。本步骤中的测量数据信息有多个，也即每一个同质传感器对应一个测量数据信息。

S102：通过对各测量数据信息进行信息关联，得到传感器关联数据；通过对各测量数据进行偏差计算，得到偏差数据；根据传感器关联数据和偏差数据确定每两个同质传感器之间的一致性关系。

在本步骤中，由于S101的测量数据信息为同一个物理量对应的数据，而最终要得到融合数据也同样是一个数据，为了更好的进行数据融合，可先将各同质传感器所采集的数据进行信息关联，所谓信息关联也即计算每个同质传感器所采集的测量数据信息之间的关联性，两个同质传感器所采集的测量数据的关联性越大，则表明两个同质传感器所采集的测量数据的相关性越大。既然是不同的传感器进行数据采集，那么各测量数据自然存在偏差，为了更好的进行数据融合，本实施例在数据融合之前，还需要计算各测量数据之间的偏差信息。一致性关系是指不同的同质传感器之间的一致性支持程度。一致性信息反映了各同质传感器测量数据信息之间的相关性和偏差，从而更好地反映各同质传感器的性能。

S103：根据各同质传感器之间的一致性关系，对各测量数据信息进行融合。

本申请在进行数据融合时，基于可反映各同质传感器的性能信息也即一致性关系作为权重参数，将S101所采集的各测量数据信息进行处理，得到最终融合数据，融合后所得的数据即为目标物理量的被测信号。

S104：将融合数据作为目标物理量的测量数据，以基于目标物理量进行状态监测。

在本发明实施例提供的技术方案中，利用不同传感器测量同一物理量，将这些传感器测量得到的数据通过数据关联和测量偏差确定各同质传感器之间的一致性关系，最后基于一致性关系将各同质传感器所采集的数据进行自动化融合，从而可以获得更精确、更可靠和更高广度的被测信号。且基于时间同步实现多个传感器相互配合，在融合的过程中不需要知道测量数据的先验知识，根据数据自适应进行融合，使得数据融合结果更准确，有效地提高了机械设备状态监控的精准度，提高了状态监测的容错能力和可信度，降低了系统的不确定性。进一步的，扩展了系统覆盖范围，能够更准确地获得被测对象或环境的信息。当某些传感器发生故障不能正常运行时，其它传感器仍然可以继续监测目标状态，极大扩展了监测时间的覆盖能力，可最大程度地保障机械设备安全、稳定地运行。

为了进一步提高后续数据融合的精准度，提高机械设备的状态监控的精准度，在S101获取多个同质传感器通过同步采集技术所采集的目标物理量的测量数据信息之后，还可对获取的测量数据信息进行信号去噪处理，如图2所示，可包括：

对每个同质传感器的测量数据信息进行小波变换，得到多层分解子信号；对每个分解子信号的小波分解系数进行阈值处理，得到估计小波系数；利用各估计小波系数进行小波重构，得到去噪的测量数据信息。

其中，各同质传感器的测量数据信息均为带噪信号，对带噪信号f(t)进行小波变换，t表示时间，可将该带噪信号分解为多层，每层对应系数为ω_j,k。其中，j表示分解的总层数，k表示对应层数，k＝1,2,...,j。阈值处理也即进行阈值去噪，其根据真实数据自身的能量相对应的小波系数幅度偏大，而干扰噪声的小波系数幅度偏小进行去噪，可采用任何一种阈值函数执行阈值处理。作为一种可选的实施方式，估计小波系数的计算过程可包括如下步骤：

预先根据预设临界阈值的产生方式确定预设临界阈值的取值；产生方式包括信号产生方式和噪声产生方式；调用估计值计算关系式，计算每层分解子信号的估计小波系数，估计值计算关系式为：

式中，

为第k层分解子信号的估计小波系数，j为分解子信号总层数，ω_j,k为第k层分解子信号的小波分解系数，λ为预设临界阈值，sgn(·)为符号函数。

在本实施例中，阈值函数采用软阈值函数，通过对小波分解系数ω_j,k进行阈值处理，得到估计小波系数

使

尽可能的小。预设临界阈值的选取根据实际情况确定，当|ω_j,k|＞λ时，预设临界阈值主要是由信号产生；反之，预设临界阈值主要是由噪声产生。

由上可知，采用小波阈值去噪，得到的信号保留效果好，数据有较好的稳健性，并减小周边环境的突然变化对系统监测性能的影响，对环境的变化有很强的适应性，具有良好的鲁棒性。

在上述实施例中，对于如何执行步骤S102并不做限定，本实施例中给出信息关联、偏差运算和一致性关系确定的一种可选的实施方式，如图3所示，可包括：

针对同质传感器，即为不同传感器测量同一物理量，将这些传感器测量得到的物理量进行信息关联。采用皮尔逊相关系数衡量第i个同质传感器的测量数据x_i和第j个同质传感器的测量数据x_j之间的关联性，也即可调用信息关联关系式计算每两个测量数据信息之间的关联值，信息关联关系式可表示为：

根据每两个测量数据信息的关联值确定多维关联矩阵，也即对于多个同质传感器测量同一物理的同一特征，各同质传感器之间的关联性可构成一个n×n的关联性矩阵P作为传感器关联数据；多维关联矩阵P可表示为：

式中，p_ij为第i个同质传感器的测量数据x_i和第j个同质传感器的测量数据x_j之间的关联值，p_ij的取值介于-1与1之间，p_ij的绝对值越大，表明变量x_i(h)和x_j(h)的相关性越高；p_ij的绝对值越小，表明变量x_i(h)和x_j(h)的相关性越低。

为测量数据x_i的均值，

为测量数据x_j的均值，

x_i(h)为测量数据x_i中的第h个数据，x_j(h)为测量数据x_j中的第h个数据，N为测量数据所包含数据的总数量；p_nn为第n个同质传感器的测量数据和第n个同质传感器的测量数据之间的关联值，n为同质传感器总个数。

本实施例采用置信距离区分出真实测量数据和离异数据，置信距离测量方法是用两个概率分布曲线之间的“置信距离”作为衡量传感器信息之间的偏差程度，并确定传感器获取数据的正确性。一维情况下，同质传感器i和同质传感器j的测量数据为x_i和x_j，可调用偏差计算关系式计算第一测量数据对第二测量数据的置信距离，第一测量数据也即同质传感器i所采集的测量数据信息，第二测量数据也即同质传感器j所采集的测量数据信息，偏差计算关系式可表示为：

调用偏差计算关系式计算第二测量数据对第一测量数据的置信距离则为：

根据每两个测量数据的置信距离确定多维置信距离矩阵，也即对于n个同质传感器测量同一物理的同一特征，各个置信距离构成一个n×n的置信距离矩阵D作为偏差数据；多维置信距离矩阵D可表示为：

式中，d_ij为第i个同质传感器的测量数据x_i对第j个同质传感器的测量数据x_j的置信距离，d_ji为x_j对x_i的置信距离；P_i(x/x_i)为第i个同质传感器的一维置信距离表达式或者是称为概率密度函数，P_j(x/x_j)为同质传感器j的概率密度函数，x为积分变量参数，d_nn为第n个同质传感器的测量数据对第n个同质传感器的测量数据的置信距离，n为同质传感器总个数。置信距离的数值反映了两个同质传感器之间的相互支持的距离。当d_ij＝0.8时，表面假设以同质传感器i的测量数据x_i作为估计值，则同质传感器j的测量值x_j在概率分布下的置信距离为80％。置信距离越大说明数据的偏离程度越大，置信距离越小则说明两数据反映同一事物的一致性越好。

在上述确定了各测量数据之间的关联性和偏离程度之后，置信距离矩阵是对不同的同质传感器之间的一致性支持程度进行的数学描述。可采用反三角函数表示支持度函数，也即可调用支持程度计算关系式计算第一同质传感器对第二同质传感器的支持程度；支持程度计算关系式可表示为：

在确定多维置信距离矩阵之后，也即可得到某一个同质传感器对另一同质传感器的支持程度，可根据每两个同质传感器的支持程度确定多维支持度矩阵；多维支持度矩阵R可表示为：

式中，r_ij为第i个同质传感器对第j个同质传感器的支持程度，两同质传感器之间的置信距离d_ij越大，则它们之间的支持程度就越小；反之，当置信距离d_ij越小，则支持程度就越大。r_nn为第n个同质传感器对第n个同质传感器的支持程度。

由上可知，本实施例通过对测量数据进行一系列处理，多个同质传感器相互配合，有利于获得具有更高的精度、可靠性与广度的特征信息。

在上述实施例中，对于如何执行步骤S103并不做限定，本实施例中给出数据融合的一种可选的实施方式，可包括：

根据各同质传感器之间的一致性关系构成的一致性关系矩阵与其特征值向量确定非负实数向量；非负实数向量的元素总数与同质传感器总数相同，每个元素对应一个同质传感器的综合支持程度，综合支持程度为所有同质传感器对当前同质传感器的支持程度；

根据非负实数向量确定每个同质传感器的综合支持程度；

根据各同质传感器的综合支持程度和相应的测量数据信息得到融合数据。

在本实施例中，一致性关系矩阵以多维支持度矩阵为例，a_i为所有传感器对第i个传感器测量数据信息的综合支持程度，该值越大，则第i个传感器测量数据信息被整个同质传感器网络认同的程度越高，该值越小，则第i个传感器测量数据信息可信度不高。同质传感器在某次测量中所有的a_i之和为1，可构成矩阵A＝(a₁,a₂,…,a_n)^T。根据矩阵定义，存在一个非负实数向量Y＝(y₁,y₂,…,y_n)^T，使得A＝RY。由于多维支持度矩阵R为非负对称矩阵，根据其性质，其存在一个最大的特征值向量λ，使得RY＝λY，即可求得向量Y，也即确定非负实数向量。在确定非负实数向量之后，通过关系式

可得到矩阵A中每个元素。本实施例可采用X＝a₁x₁+a₂x₂+…+a_nx_n计算得到融合数据。x₁,x₂,…,x_n为同一时间不同同质传感器采集的测量数据信息，X为融合数据。

由上可知，通过上述方式可实现各同质传感器所采集的测量数据信息的自适应融合，提高被测信号精准度。当然，所属领域技术人员也可采用加权平均融合方法进行数据融合，但该无法自适应进行融合，当传感器异常时会导致融合错误。

需要说明的是，本申请中各步骤之间没有严格的先后执行顺序，只要符合逻辑上的顺序，则这些步骤可以同时执行，也可按照某种预设顺序执行，图1-图3只是一种示意方式，并不代表只能是这样的执行顺序。

本发明实施例还针对状态监测方法提供了相应的装置，进一步使得方法更具有实用性。其中，装置可从功能模块的角度和硬件的角度分别说明。下面对本发明实施例提供的状态监测装置进行介绍，下文描述的状态监测装置与上文描述的状态监测方法可相互对应参照。

基于功能模块的角度，参见图4，图4为本发明实施例提供的状态监测装置在一种具体实施方式下的结构图，该装置可包括：

数据采集模块401，用于获取多个同质传感器通过同步采集技术所采集的目标物理量的测量数据信息。

数据计算模块402，用于通过对各测量数据信息进行信息关联，得到传感器关联数据；通过对各测量数据进行偏差计算，得到偏差数据；根据传感器关联数据和偏差数据确定每两个同质传感器之间的一致性关系。

数据融合模块403，用于根据各同质传感器之间的一致性关系，对各测量数据信息进行融合。

状态监测模块404，用于将融合数据作为目标物理量的测量数据，以基于目标物理量进行状态监测。

可选的，在本实施例的一些实施方式中，上述装置例如还可以包括滤波模块，用于在获取多个同质传感器通过同步采集技术所采集的目标物理量的测量数据信息之后，对每个同质传感器的测量数据信息进行小波变换，得到多层分解子信号；对每个分解子信号的小波分解系数进行阈值处理，得到估计小波系数；利用各估计小波系数进行小波重构，得到去噪的测量数据信息。

作为上述实施例的一种可选的实施方式，上述滤波模块还可进一步用于：预先根据预设临界阈值的产生方式确定预设临界阈值的取值；产生方式包括信号产生方式和噪声产生方式；调用估计值计算关系式，计算每层分解子信号的估计小波系数，估计值计算关系式为：

式中，

为第k层分解子信号的估计小波系数，j为分解子信号总层数，ω_j,k为第k层分解子信号的小波分解系数，λ为预设临界阈值，sgn(·)为符号函数。

可选的，在本实施例的另一些实施方式中，上述数据计算模块402可用于：调用信息关联关系式计算每两个测量数据信息之间的关联值，信息关联关系式为：

根据每两个测量数据信息的关联值确定多维关联矩阵，以作为传感器关联数据；多维关联矩阵P为：

式中，p_ij为第i个同质传感器的测量数据x_i和第j个同质传感器的测量数据x_j之间的关联值，

为测量数据x_i的均值，

为测量数据x_j的均值，x_i(h)为测量数据x_i中的第h个数据，x_j(h)为测量数据x_j中的第h个数据，N为测量数据所包含数据的总数量；p_nn为第n个同质传感器的测量数据和第n个同质传感器的测量数据之间的关联值，n为同质传感器总个数。

作为本实施例的一种可选的实施方式，上述数据计算模块402可进一步用于：调用偏差计算关系式计算第一测量数据对第二测量数据的置信距离，偏差计算关系式为：

根据每两个测量数据的置信距离确定多维置信距离矩阵，以作为偏差数据；多维置信距离矩阵D为：

式中，d_ij为第i个同质传感器的测量数据x_i对第j个同质传感器的测量数据x_j的置信距离，P_i(x/x_i)为第i个同质传感器的一维置信距离表达式，x为积分变量参数，d_nn为第n个同质传感器的测量数据对第n个同质传感器的测量数据的置信距离，n为同质传感器总个数。

作为本实施例的另一种可选的实施方式，上述数据计算模块402还可进一步用于：调用支持程度计算关系式计算第一同质传感器对第二同质传感器的支持程度；支持程度计算关系式为：

根据每两个同质传感器的支持程度确定多维支持度矩阵；多维支持度矩阵R为：

式中，r_ij为第i个同质传感器对第j个同质传感器的支持程度，r_nn为第n个同质传感器对第n个同质传感器的支持程度。

可选的，在本实施例的其他一些实施方式中，上述数据融合模块403可进一步用于：根据各同质传感器之间的一致性关系构成的一致性关系矩阵与其特征值向量确定非负实数向量；非负实数向量的元素总数与同质传感器总数相同，每个元素对应一个同质传感器的综合支持程度，综合支持程度为所有同质传感器对当前同质传感器的支持程度；根据非负实数向量确定每个同质传感器的综合支持程度；根据各同质传感器的综合支持程度和相应的测量数据信息得到融合数据。

本发明实施例所述状态监测装置的各功能模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。

由上可知，本发明实施例有效地提高了机械设备状态监控的精准度，可保障机械设备安全、稳定地运行。

上文中提到的状态监测装置是从功能模块的角度描述，进一步的，本申请还提供一种电子设备，是从硬件角度描述。图5为本申请实施例提供的电子设备在一种实施方式下的结构示意图。如图5所示，该电子设备包括存储器50，用于存储计算机程序；处理器51，用于执行计算机程序时实现如上述任一实施例提到的状态监测方法的步骤。

其中，处理器51可以包括一个或多个处理核心，比如4核心处理器、8核心处理器，处理器51还可为控制器、微控制器、微处理器或其他数据处理芯片等。处理器51可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable GateArray，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器51也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central Processing Unit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器51可以集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器51还可以包括AI(ArtificialIntelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。

存储器50可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器50还可包括高速随机存取存储器以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。存储器50在一些实施例中可以是电子设备的内部存储单元，例如服务器的硬盘。存储器50在另一些实施例中也可以是电子设备的外部存储设备，例如服务器上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(SecureDigital，SD)卡，闪存卡(Flash Card)等。进一步地，存储器50还可以既包括电子设备的内部存储单元也包括外部存储设备。存储器50不仅可以用于存储安装于电子设备的应用软件及各类数据，例如：执行漏洞处理方法的程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。本实施例中，存储器50至少用于存储以下计算机程序501，其中，该计算机程序被处理器51加载并执行之后，能够实现前述任一实施例公开的状态监测方法的相关步骤。另外，存储器50所存储的资源还可以包括操作系统502和数据503等，存储方式可以是短暂存储或者永久存储。其中，操作系统502可以包括Windows、Unix、Linux等。数据503可以包括但不限于状态监测结果对应的数据等。

在一些实施例中，上述电子设备还可包括有显示屏52、输入输出接口53、通信接口54或者称为网络接口、电源55以及通信总线56。其中，显示屏52、输入输出接口53比如键盘(Keyboard)属于用户接口，可选的用户接口还可以包括标准的有线接口、无线接口等。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。通信接口54可选的可以包括有线接口和/或无线接口，如WI-FI接口、蓝牙接口等，通常用于在电子设备与其他电子设备之间建立通信连接。通信总线56可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extendedindustry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

本领域技术人员可以理解，图5中示出的结构并不构成对该电子设备的限定，可以包括比图示更多或更少的组件，例如还可包括实现各类功能的传感器57。

本发明实施例所述电子设备的各功能模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。

由上可知，本发明实施例有效地提高了机械设备状态监控的精准度，可保障机械设备安全、稳定地运行。

可以理解的是，如果上述实施例中的状态监测方法以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电可擦除可编程ROM、寄存器、硬盘、多媒体卡、卡型存储器(例如SD或DX存储器等)、磁性存储器、可移动磁盘、CD-ROM、磁碟或者光盘等各种可以存储程序代码的介质。

基于此，本发明实施例还提供了一种可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时如上任意一实施例所述状态监测方法的步骤。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的硬件包括装置及电子设备而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

以上对本申请所提供的一种状态监测方法、装置、电子设备及可读存储介质进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。

Claims (10)

1.一种状态监测方法，其特征在于，包括：

获取多个同质传感器通过同步采集技术所采集的目标物理量的测量数据信息；

通过对各测量数据信息进行信息关联，得到传感器关联数据；通过对各测量数据进行偏差计算，得到偏差数据；根据所述传感器关联数据和所述偏差数据确定每两个同质传感器之间的一致性关系；

根据各同质传感器之间的一致性关系，对各测量数据信息进行融合；

将融合数据作为所述目标物理量的测量数据，以基于所述目标物理量进行状态监测。

2.根据权利要求1所述的状态监测方法，其特征在于，所述获取多个同质传感器通过同步采集技术所采集的目标物理量的测量数据信息之后，还包括：

对每个同质传感器的测量数据信息进行小波变换，得到多层分解子信号；

对每个分解子信号的小波分解系数进行阈值处理，得到估计小波系数；

利用各估计小波系数进行小波重构，得到去噪的测量数据信息。

3.根据权利要求2所述的状态监测方法，其特征在于，所述对每个分解子信号的小波分解系数进行阈值处理，得到估计小波系数，包括：

预先根据预设临界阈值的产生方式确定所述预设临界阈值的取值；所述产生方式包括信号产生方式和噪声产生方式；

调用估计值计算关系式，计算每层分解子信号的估计小波系数，所述估计值计算关系式为：

式中，

为第k层分解子信号的估计小波系数，j为分解子信号总层数，ω_j,k为第k层分解子信号的小波分解系数，λ为所述预设临界阈值，sgn(·)为符号函数。

4.根据权利要求1所述的状态监测方法，其特征在于，所述通过对各测量数据信息进行信息关联，得到传感器关联数据，包括：

调用信息关联关系式计算每两个测量数据信息之间的关联值，所述信息关联关系式为：

根据每两个测量数据信息的关联值确定多维关联矩阵，以作为所述传感器关联数据；所述多维关联矩阵P为：

式中，p_ij为第i个同质传感器的测量数据x_i和第j个同质传感器的测量数据x_j之间的关联值，

为测量数据x_i的均值，

为测量数据x_j的均值，x_i(h)为测量数据x_i中的第h个数据，x_j(h)为测量数据x_j中的第h个数据，N为测量数据所包含数据的总数量；p_nn为第n个同质传感器的测量数据和第n个同质传感器的测量数据之间的关联值，n为同质传感器总个数。

5.根据权利要求4所述的状态监测方法，其特征在于，所述通过对各测量数据进行偏差计算，得到偏差数据，包括：

调用偏差计算关系式计算第一测量数据对第二测量数据的置信距离，所述偏差计算关系式为：

根据每两个测量数据的置信距离确定多维置信距离矩阵，以作为所述偏差数据；所述多维置信距离矩阵D为：

式中，d_ij为第i个同质传感器的测量数据x_i对第j个同质传感器的测量数据x_j的置信距离，P_i(x/x_i)为第i个同质传感器的一维置信距离表达式，x为积分变量参数，d_nn为第n个同质传感器的测量数据对第n个同质传感器的测量数据的置信距离，n为同质传感器总个数。

6.根据权利要求5所述的状态监测方法，其特征在于，所述根据所述传感器关联数据和所述偏差数据确定每两个同质传感器之间的一致性关系，包括：

调用支持程度计算关系式计算第一同质传感器对第二同质传感器的支持程度；所述支持程度计算关系式为：

根据每两个同质传感器的支持程度确定多维支持度矩阵；所述多维支持度矩阵R为：

式中，r_ij为第i个同质传感器对第j个同质传感器的支持程度，r_nn为第n个同质传感器对第n个同质传感器的支持程度。

7.根据权利要求1至6任意一项所述的状态监测方法，其特征在于，所述根据各同质传感器之间的一致性关系，对各测量数据信息进行融合，包括：

根据各同质传感器之间的一致性关系构成的一致性关系矩阵与其特征值向量确定非负实数向量；所述非负实数向量的元素总数与同质传感器总数相同，每个元素对应一个同质传感器的综合支持程度，所述综合支持程度为所有同质传感器对当前同质传感器的支持程度；

根据所述非负实数向量确定每个同质传感器的综合支持程度；

根据各同质传感器的综合支持程度和相应的测量数据信息得到融合数据。

8.一种状态监测装置，其特征在于，包括：

数据采集模块，用于获取多个同质传感器通过同步采集技术所采集的目标物理量的测量数据信息；

数据计算模块，用于通过对各测量数据信息进行信息关联，得到传感器关联数据；通过对各测量数据进行偏差计算，得到偏差数据；根据所述传感器关联数据和所述偏差数据确定每两个同质传感器之间的一致性关系；

数据融合模块，用于根据各同质传感器之间的一致性关系，对各测量数据信息进行融合；

状态监测模块，用于将融合数据作为所述目标物理量的测量数据，以基于所述目标物理量进行状态监测。

9.一种电子设备，其特征在于，包括处理器和存储器，所述处理器用于执行所述存储器中存储的计算机程序时实现如权利要求1至7任一项所述状态监测方法的步骤。

10.一种可读存储介质，其特征在于，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述状态监测方法的步骤。

Images