技术领域本发明涉及设备在线监测领域，尤其涉及一种设备异常检测方法和装置。
背景技术：
近些年来，像电力、石油化工、冶金等行业的大型、高速旋转机械设备种类日趋繁多，结构也愈加复杂，其故障的频发不仅给企业的生产带来巨大损失，而且还可能造成重大事故。这些设备的维修难度较大，也会占用大量人力和物力。随着计算机技术及数字信号处理技术的迅速发展，机械设备状态监测技术正在被企业所应用。状态监测技术通过不断获取设备在运行中或相对于静态条件下的运行状态信息，采用各种检测、监视、分析和判别方法，对设备当前的运行状态做出评估(属于正常、还是异常)，对异常状态及时做出报警，并为进一步进行的故障分析、性能评估等提供信息和数据。特征指标趋势在状态监测和故障诊断中常作为分析判断设备状态的一种依据，通过趋势可以看到异常的起始时间、持续时间、变化速度。特征指标趋势往往对于信号波动非常敏感，但有些情况下的信号波动是由工况变化或偶然因素引起,并不是故障造成(比如刚启机时的电流脉冲、泵的流量突然发生变化、偶发性的润滑不良导致的轴承卡涩、钢铁行业中轧机冲钢产生的高幅值冲击和转速的变化等等)，因此特征指标趋势有时并不稳定，出现上下的宽幅震荡。而现有的异常检测方法通常为设置一个固定的报警门限值，特征指标趋势上下震荡会频繁地触发门限报警，难以用来判断设备劣化的趋势，并容易产生误报和漏报设备故障的现象。因此需要一种可以减少异常报警的误报和漏报、提高设备异常识别准确度的设备异常检测方案。
技术实现要素：
鉴于此，本发明提供了一种新的设备异常检测方案，以力图解决或至少缓解上面存在的问题。根据本发明的一个方面，提供了一种设备异常检测方法，该方法包括：采集一组设备数据，一组设备数据包括至少一类数据项；计算该组设备数据中每类数据项的至少一种特征指标；根据计算的特征指标分别绘制各类数据项下的各种特征指标的特征指标趋势；每间隔预定时间间隔重复上述采集、计算和绘制的步骤；根据任意一类数据项下的任意一种特征指标的特征指标趋势获取该数据项下的该种特征指标的特征指标密度；以及将该特征指标密度与该类数据项下的该种特征指标的特征指标密度的异常报警门限比较，当所述特征指标密度超过所述特征指标密度的异常报警门限时，确定设备异常，并发出警报。可选地，在根据本发明的方法中，其中根据任意一类数据项下的任意一种特征指标的特征指标趋势获取该数据项下的该种特征指标的特征指标密度的步骤包括：在该特征指标趋势起点处设置具有窗宽的窗口，该窗宽指示该窗口内所含特征指标的个数；根据该窗口内所含的特征指标计算该窗口的特征指标密度；将该窗口沿特征指标趋势横轴正方向移动预定步长，该预定步长指示移动该窗口时经过的所述特征指标趋势中特征指标的个数；计算移动后的窗口的特征指标密度；重复上述移动窗口、计算特征指标密度的步骤，直至窗口到达该特征指标趋势终点。可选地，在根据本发明的方法中，其中根据特征指标趋势获取至少一个特征指标密度的步骤包括：在特征指标趋势起点处设置具有窗宽的窗口，该窗宽为该窗口内所含特征指标的个数；根据窗口内所含的特征指标计算该窗口的特征指标密度；将窗口沿特征指标趋势横轴正方向移动预定步长，该预定步长为窗宽减去两相邻窗口重叠区域内所含特征指标的个数；计算移动后的窗口的特征指标密度；重复上述移动窗口、计算特征指标密度的步骤，直至窗口到达特征指标趋势终点。可选地，在根据本发明的方法中，其中在特征指标趋势起点处设置具有窗宽的窗口的步骤还包括：根据特征指标趋势的波动设置窗宽和预定步长。可选地，在根据本发明的方法中，其中窗口内所含的特征指标计算该窗口的特征指标密度的步骤包括：根据特征指标趋势的平均值确定特征指标门限；获取窗口内所含的特征指标中超过特征指标门限的特征指标个数；以及将超过特征指标门限的特征指标个数除以窗宽后得出窗口的特征指标密度。可选地，在根据本发明的方法中，该方法还包括：设置一组设备数据中每类数据项下的每种特征指标的特征指标密度的异常报警门限。可选地，在根据本发明的方法中，其中设置一组设备数据中每类数据项下的每种特征指标的特征指标密度的异常报警门限的步骤包括：获取设备无异常的预定时间段内的每类数据项下的每种特征指标的特征指标密度的平均值；以及根据该类数据项下的该种特征指标的特征指标密度的平均值确定该类数据项下的该种特征指标的特征指标密度的异常报警门限。可选地，在根据本发明的方法中，其中数据项的类型包括加速度、速度和位移。可选地，在根据本发明的方法中，其中特征指标的种类包括峭度、歪度、有效值、峰峰值、频段能量值、波形指数和零件故障特征指标。根据本发明的另一个方面，提供了一种设备异常检测装置，包括：采集模块，适于采集一组设备数据，一组设备数据包括至少一类数据项；还适于每间隔预定时间间隔重复采集一组设备数据；特征指标运算模块，适于计算该组设备数据中每类数据项的至少一种特征指标，根据计算的特征指标分别绘制各类数据项下的各种特征指标的特征指标趋势；还适于每间隔预定时间间隔重复计算采集的一组设备数据中每类数据项的至少一种特征指标，重复根据计算的特征指标分别绘制各类数据项下的各种特征指标的特征指标趋势；指标密度运算模块，适于根据任意一类数据项下的任意一种特征指标的特征指标趋势获取该数据项下的该种特征指标的特征指标密度；以及异常报警模块，适于将该特征指标密度与该类数据项下的该种特征指标的特征指标密度的异常报警门限比较，当该特征指标密度超过该特征指标密度的异常报警门限时，确定设备异常，并发出警报。可选地，在根据本发明的装置中，其中指标密度运算模块适于在该特征指标趋势起点处设置具有窗宽的窗口，窗宽指示该窗口内所含特征指标的个数，根据该窗口内所含的特征指标计算该窗口的特征指标密度；还适于将该窗口沿特征指标趋势横轴正方向移动预定步长，预定步长指示移动该窗口时经过的该特征指标趋势中特征指标的个数，计算移动后的窗口的特征指标密度；还适于重复移动窗口和计算特征指标密度，直至窗口到达该特征指标趋势终点。可选地，在根据本发明的装置中，其中指标密度运算模块还适于根据该特征指标趋势的波动设置窗宽和预定步长。可选地，在根据本发明的装置中，其中指标密度运算模块还适于根据特征指标趋势的平均值确定特征指标门限；获取窗口内所含的特征指标中超过特征指标门限的特征指标个数；还适于将超过特征指标门限的特征指标个数除以窗宽后得出窗口的特征指标密度。可选地，在根据本发明的装置中，其中异常报警模块还适于设置一组设备数据中每类数据项的每种特征指标的特征指标密度的异常报警门限。可选地，在根据本发明的装置中，其中异常报警模块还适于获取设备无异常的预定时间段内的每类数据项下的每种特征指标的特征指标密度的平均值，根据该类数据项下的该种特征指标的特征指标密度的平均值确定该类数据项下的该种特征指标的特征指标密度的异常报警门限。可选地，在根据本发明的装置中，其中数据项的类型包括加速度、速度和位移。可选地，在根据本发明的装置中，其中特征指标的种类包括峭度、歪度、有效值、峰峰值、频段能量值、波形指数和零件故障特征指标。根据本发明的设备异常检测方案，根据采集的设备数据计算特征指标，并进一步获取特征指标密度，通过特征指标密度可以更直观更容易的判断设备是否发生异常，同时也削弱了工况波动等和设备故障不相关因素对特征指标趋势的影响，提高了特征指标对设备异常识别的敏感度和准确度，更减少了异常报警的误报和漏报现象。附图说明为了实现上述以及相关目的，本文结合下面的描述和附图来描述某些说明性方面，这些方面指示了可以实践本文所公开的原理的各种方式，并且所有方面及其等效方面旨在落入所要求保护的主题的范围内。通过结合附图阅读下面的详细描述，本公开的上述以及其它目的、特征和优势将变得更加明显。遍及本公开，相同的附图标记通常指代相同的部件或元素。图1示出了根据本发明一个示例性实施例的设备异常检测方法100的流程图；图2示出了现有技术中一个实施例的加速度有效值指标趋势的示意图；图3示出了根据本发明一个实施例的轧机设备的加速度峭度指标趋势的示意图；图4示出了根据本发明一个实施例的轧机设备的加速度峭度指标密度趋势的示意图；图5A示出了根据本发明一个实施例的轧机设备的又一加速度峭度指标趋势的示意图；图5B示出了根据本发明一个实施例的轧机设备的又一加速度峭度指标密度趋势的示意图；以及图6示出了根据本发明一个示例性实施例的设备异常检测装置200的结构框图。具体实施方式下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。图1示出了根据本发明一个示例性实施例的设备异常检测方法100的流程图。方法100始于步骤S110，在步骤S110中，采集一组设备数据，该设备数据可以是以电压信号或电流信号的形式被采集。其中一组设备数据可以包括至少一类数据项，例如可以包括加速度波形数据、速度波形数据和位移波形数据。对不同的行业中不同的设备类型，通常按照设备对应的测量定义中规定的采样时间、采样长度和预定时间间隔采集设备数据。典型的测量定义可以如下：每隔30秒采集一组320ms时长的振动加速度、速度和位移波形，其中根据设备的工作转速不同,可以选择51.2Hz～51200Hz的采样频率。设备数据还可以包括例如工作介质的进出口压力、温度、流量、油温、油压、瓦温、轴位移、转速等过程参数。对于像温度和转速这样的单值点数据，由于数据量不大，可以连续采集或者每隔1-60秒采集一组。采集一组设备数据后，在步骤S120中，计算该组设备数据中每类数据项的至少一种特征指标。具体地，每类数据项的至少一种特征指标可以包括有效值、峰峰值、峭度、歪度、波形指数、频段能量值和零件故障特征指标。其中，峭度的计算原理如下式：歪度的计算原理如下式：γ1=E[(X-μσ)3]=μ3σ3]]>其中X代表采集的某一类数据项的原始信号，μ为信号平均值，σ为标准差。零件故障特征指标的计算以轴承内圈故障特征指标为例来说明。首先根据轴承的机械结构计算内圈故障频率，原理如下式：BPFI=12n(1+dDcosα)]]>其中BPFI为内圈故障频率，d为滚珠直径，D为节圆直径，n为滚珠个数，α为接触角。而后对采集的每组时域波形进行包络解调，在包络谱中提取内圈特征频率处的幅值，作为内圈故障特征指标。零件故障特征指标还可以包括轴承保持架故障特征指标、轴承外圈故障特征指标、轴承滚动体故障特征指标、转轴不平衡故障特征指标、转轴不对中故障特征指标、转轴松动故障特征指标、转轴严重松动故障特征指标、齿轮啮合故障特征指标、叶片故障特征指标以及塔筒故障特征指标等等，本发明对此不做限制。此外，对应于上述例如温度和转速等过程参数的设备数据，其特征指标还可以包括工艺量和温度等过程参数，此类特征指标可直接等于采集的数据项数值，例如采集的温度数值可作为一个温度指标。而后进入步骤S130，在步骤S130中，根据计算的特征指标分别绘制各类数据项下的各种特征指标的特征指标趋势。并在步骤S140中，每间隔预定时间间隔重复上述步骤S110、S120和S130。绘制的特征指标趋势反应了该类数据项下的该种特征指标随时间变化的函数关系，其横轴为时间，时间递增的方向为横轴正方向，其纵轴为特征指标值。一般地，特征指标趋势可以用来判断设备的异常，当特征指标趋势升高，超过预先设置的异常报警门限时，通常我们认为设备存在一定异常。图2示出了现有技术中一个实施例的加速度有效值指标趋势的示意图。如图2所示，在2013年10月3日前后，信号有效值从之前的平稳趋势变为加速上升趋势，并在10月5日超出报警线a，因此确定设备在10月5日超出报警线时异常，触发警报。然而，某些工况波动或偶然的非故障因素会引起特征指标趋势出现上下宽幅震荡，导致异常误报或漏报问题。为了解决该问题，在本发明的步骤S150中，可以根据任意一类数据项下的任意一种特征指标的特征指标趋势获取该数据项下的该种特征指标的特征指标密度。具体地，以某一类数据项下的某一种特征指标为例，首先在该特征指标趋势起点处设置具有窗宽的窗口，其中窗宽指示该窗口内所含特征指标的个数。根据本发明的一个实施方式，设置窗口时，可以根据该特征指标趋势的波动来设置窗口的窗宽。当特征指标趋势波动剧烈时，可以设置较大窗宽(例如50-200)；当特征指标趋势波动平缓时，可以设置较小窗宽(例如20-50)。例如风电行业的设备，其工况较常波动，偶发性冲击较多，特征指标趋势振荡显著，因此可以设置大窗宽，例如100。而对于石油和化工设备，其转速稳定，冲击较少，特征指标趋势平缓，因此可以设置小窗宽，例如25。窗口设置完毕后，可以根据窗口内所含的特征指标计算该窗口的特征指标密度。具体地，根据本发明的一个实施方式，首先获取该特征指标趋势中特征指标的平均值，并根据该平均值确定特征指标门限，该特征指标门限可以略大于窗口内所含特征指标的平均值，例如某石化设备的峭度指标长期在4附近波动，即峭度平均值为4，则峭度指标门限可以略大于该峭度平均值，取值为4.5。又例如温度指标可能在50摄氏度上下波动，则该温度指标门限可以设置为55摄氏度左右。确定特征指标门限后，可以将窗口所含的特征指标与该特征指标门限比较，获取窗口内所含的特征指标中超过该特征指标门限的特征指标个数。最后将超过特征指标门限的特征指标个数除以窗口的窗宽后即得出该窗口的特征指标密度。假设窗宽为N，则窗口内所含的特征指标个数为N，在这N个特征指标中超过特征指标门限的特征指标数量为n，因此可以计算超限概率P＝(n/N)*100％，P即为特征指标密度，可以用来衡量特征指标趋势中高值点出现的概率大小。得到一个窗口的特征指标密度后，可以继续获取下一个窗口的特征指标密度。可以将该窗口沿特征指标趋势横轴正方向移动预定步长，其中预定步长指示着窗口移动时经过的该特征指标趋势中特征指标的个数，也等同于窗宽减去两相邻窗口重叠区域内所含特征指标的个数，预定步长的取值范围为0至窗口内所含特征指标个数减1。根据本发明的一个实施方式，设置窗口时，还可以根据特征指标趋势的波动来设置窗口移动的预定步长。可以理解地，移动的步长越大，即两相邻窗口的重叠区域内所含的特征指标个数越少，则移动后的窗口的特征指标密度受历史特征指标的影响越小，对新采集的特征指标的变化越敏感，获取的特征指标密度的变化率越大；反之，移动的步长越小，则两相邻窗口的重叠区域内所含的特征指标个数越多，则移动后的特征指标密度受历史特征指标值的影响越大，对新采集的特征指标的变化越迟钝，获取的特征指标密度变化率越小，变化越慢。因此，对于波动较大的特征指标趋势，可以设置较小的预定步长，例如1％-30％窗宽，使特征指标密度趋势较平缓。对于波动较小的特征指标趋势，可以设置较大的预定步长，例如30％-90％窗宽，使设备的异常波动能迅速反应在特征指标密度上。这样根据特征指标趋势波动设置窗口，使得获取的特征指标密度能够更准确的反映设备异常，减小误报或漏报。将窗口移动上述预定步长后，同样地，计算移动后的窗口的特征指标密度。而后继续重复上述移动窗口、计算特征指标密度的步骤，直至窗口到达特征指标趋势终点。最后在步骤S160中，可以将上述获取的特征指标密度与该类数据项下的该种特征指标的特征指标密度的异常报警门限比较，当该特征指标密度超过该特征指标密度的异常报警门限时，确定设备异常，并发出警报。这样，便于通过发出警报的该类数据项下的该种特征指标的各种数据和趋势深入诊断设备具体的故障部位和严重程度。根据本发明的一个实施方式，方法100还可以包括步骤：设置一组设备数据中每类数据项下的每种特征指标的特征指标密度的异常报警门限。具体地，以某一类数据项下的某一种特征指标为例，获取设备无异常的预定时间段内的该类数据项下的该种特征指标的特征指标密度的平均值，并根据该类数据项下的该种特征指标的特征指标密度的平均值确定该类数据项下的该种特征指标的特征指标密度的异常报警门限。进一步地，异常报警门限可以通过上述特征指标密度的平均值乘以系数a取得，a的取值范围一般为1.5～2。综上所述，本发明通过获取特征指标密度来抑制非故障相关波动(如工况变化、背景噪声等)等对特征指标的影响，提高了设备异常识别的敏感度和准确度，减少了误报和漏报，充分满足了在工况复杂、冲击频繁、趋势震荡的场景下对于设备异常检测的需求。下面以钢厂的轧机设备为例来具体说明设备异常检测方法100的原理。轧机是冶金行业中的关键设备，在运转过程中因其结构强度、振动、噪声、可靠性以及材料与工艺等问题导致设备损坏事件时有发生。尤其地，轧机通常机械结构非常复杂，工况繁多，运转速度高、负载大且负载冲击频繁。一般在轧机关键部件位置(如轴承座处)安装振动传感器，用以监测异常振动和设备故障。由于轧钢时会产生冲击信号，同时频繁的工况切换也会产生冲击脉冲，再加上背景噪声影响，导致振动传感器采集的信号中夹杂大量的冲击信号，反映在峭度指标趋势图上，则是长期的峭度指标幅值的宽幅震荡。图3示出了根据本发明一个实施例的轧机设备的加速度峭度指标趋势的示意图。图中圆圈为根据横坐标上对应时间采集的设备振动加速度波形计算的峭度指标。假设2014年1月到2014年4月间轧机无异常运转，通过该段时间内获取的加速度峭度指标密度来确定加速度峭度指标的异常报警门限。由2014年1月到2014年4月的峭度指标可知，峭度指标一直处于宽幅振荡趋势，波动较大，因此设置窗宽较大，为100，还设置两相邻窗口重叠区域内所含的特征指标个数较多，为50，则移动的预定步长为100-50＝50。如图3所示，除去峭度指标的高值点，大多数峭度指标落在3.5附近，即峭度指标平均值为3.5，因此设置峭度指标门限c为4。同时，窗口a内有6个峭度指标幅值超过峭度指标门限，因此可得到峭度指标密度为6/100＝0.06。而后将窗口a平移预定步长，即移动50个峭度指标，得到窗口b。窗口b内也有6个峭度指标超过4，计算此时峭度指标密度为0.06。重复上述过程，计算2014年1月到2014年4月间的峭度指标密度，并可以绘制出加速度峭度指标密度趋势，如图4所示。根据图4所示的上述2014年1月到2014年4月间获取的峭度指标密度，计算得到该时间段内峭度指标密度的平均值为0.057，此时可以设置加速度峭度指标的异常报警门限d为0.057*2＝0.114。对轧机设备后继采集的加速度波形数据继续计算峭度指标并获取峭度指标密度，计算原理同上，此处不再赘述。此时获取的峭度指标趋势和相应的峭度指标密度趋势分别如图5A和图5B所示。如图5B所示，将后继获取的峭度指标密度与上述确定的异常报警门限d比较，显然地，2015年1月底的峭度指标密度超过异常报警门限d，因此确定该时间轧机设备异常，发出警报。若按照现有技术的方法，通过检测图5A所示的峭度指标趋势中的峭度指标是否超出报警线来识别异常。如图5A所示，窗口e中轧机正常运转，窗口g中轧机出现异常。明显地，在设备出现异常时，除了正常的一些冲击信号导致的峭度指标的高值点以外，在窗口g内的峭度指标的高值点要多于窗口e中设备正常运转的情况。但这种差别非常细微，难以识别。而根据本发明的方法100，通过图5B所示的峭度指标密度趋势则可清晰直观地观察到异常，相对于传统的异常检测方法更为准确，且易于识别，更为直观。图6示出了根据本发明一个实施例的设备异常检测装置200的结构框图。如图6所示，该装置200可以包括采集模块210、特征指标运算模块220、指标密度运算模块230和异常报警模块240。采集模块220适于采集一组设备数据，一组设备数据包括至少一类数据项，其中一组设备数据中的数据项类型可以包括加速度、速度和位移。特征指标运算模块220与采集模块210连接，适于计算该组设备数据中每类数据项的至少一种特征指标，其中每类数据项下的特征指标种类包括有效值、峰峰值、峭度、歪度、有效值、波形指数、频段能量值和零件故障特征指标。而后特征指标运算模块220根据计算的特征指标分别绘制各类数据项下的各种特征指标的特征指标趋势。采集模块220还适于每间隔预定时间间隔重复采集一组设备数据，特征指标运算模块220还适于每间隔预定时间间隔重复计算采集的一组设备数据中每类数据项的至少一种特征指标，重复根据计算的特征指标分别绘制各类数据项下的各种特征指标的特征指标趋势。指标密度运算模块230与特征指标运算模块220连接，适于根据任意一类数据项下的任意一种特征指标的特征指标趋势获取该数据项下的该种特征指标的特征指标密度。根据本发明的一个实施方式，指标密度运算模块230适于在上述特征指标趋势起点处设置具有窗宽的窗口，窗宽指示该窗口内所含特征指标的个数。指标密度运算模块230还适于根据该窗口内所含的特征指标计算该窗口的特征指标密度，具体地，指标密度运算模块230适于根据该特征指标趋势的平均值确定特征指标门限，获取窗口内所含的特征指标中超过该特征指标门限的特征指标个数，而后将该超过特征指标门限的特征指标个数除以窗宽后得出窗口的特征指标密度。指标密度运算模块230还适于将该窗口沿特征指标趋势横轴正方向移动预定步长，预定步长指示窗口移动时经过的该特征指标趋势中特征指标的个数。指标密度运算模块230还适于计算移动后的窗口的特征指标密度。指标密度运算模块230还适于重复移动窗口和计算特征指标密度，直至窗口到达特征指标趋势终点。根据本发明的另一个实施方式，其中指标密度运算模块230还适于根据该特征指标趋势的波动设置窗宽和预定步长。异常报警模块240与指标密度运算模块230连接，适于将获取的特征指标密度与该数据项下的该种特征指标的特征指标密度的异常报警门限比较，当该特征指标密度超过该特征指标密度的异常报警门限时，确定设备异常，并发出警报。根据本发明的另一个实施方式，异常报警模块240还适于设置一组设备数据中每类数据项的每种特征指标的特征指标密度的异常报警门限。具体地，异常报警模块240可以获取设备无异常的预定时间段内的每类数据项下的每种特征指标的特征指标密度的平均值，根据该类数据项下的该种特征指标的特征指标密度的平均值确定该类数据项下的该种特征指标的特征指标密度的异常报警门限。以上在结合图1～图5A、图5B描述设备异常检测方法100的具体描述中已经对装置各模块中的相应处理进行了详细说明，这里不再对重复内容进行赘述。在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下被实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。本领域那些技术人员应当理解在本文所公开的示例中的设备的模块或单元或组件可以布置在如该实施例中所描述的设备中，或者可替换地可以定位在与该示例中的设备不同的一个或多个设备中。前述示例中的模块可以组合为一个模块或者此外可以分成多个子模块。本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。本发明还包括：A6、如A5所述的方法，其中所述设置一组设备数据中每类数据项下的每种特征指标的特征指标密度的异常报警门限的步骤包括：获取设备无异常的预定时间段内的每类数据项下的每种特征指标的特征指标密度的平均值；以及根据该类数据项下的该种特征指标的特征指标密度的平均值确定该类数据项下的该种特征指标的特征指标密度的异常报警门限。A7、如A1-6中任一项所述的方法，其中所述数据项的类型包括加速度、速度和位移。A8、如A1-7中任一项所述的方法，其中所述特征指标的种类包括峭度、歪度、有效值、峰峰值、波形指数、频段能量值和零件故障特征指标。B14、如B13所述的装置，其中所述异常报警模块还适于获取设备无异常的预定时间段内的每类数据项下的每种特征指标的特征指标密度的平均值，根据该类数据项下的该种特征指标的特征指标密度的平均值确定该类数据项下的该种特征指标的特征指标密度的异常报警门限。B15、如B9-14中任一项所述的装置，其中所述数据项的类型包括加速度、速度和位移。B16、如B9-15中任一项所述的装置，其中所述特征指标的种类包括峭度、歪度、有效值、峰峰值、波形指数、频段能量值和零件故障特征指标。此外，所述实施例中的一些在此被描述成可以由计算机系统的处理器或者由执行所述功能的其它装置实施的方法或方法元素的组合。因此，具有用于实施所述方法或方法元素的必要指令的处理器形成用于实施该方法或方法元素的装置。此外，装置实施例的在此所述的元素是如下装置的例子：该装置用于实施由为了实施该发明的目的的元素所执行的功能。如在此所使用的那样，除非另行规定，使用序数词“第一”、“第二”、“第三”等等来描述普通对象仅仅表示涉及类似对象的不同实例，并且并不意图暗示这样被描述的对象必须具有时间上、空间上、排序方面或者以任意其它方式的给定顺序。尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。此外，应当注意，本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本发明的主题而选择的。因此，在不偏离所附权利要求书的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围，对本发明所做的公开是说明性的，而非限制性的，本发明的范围由所附权利要求书限定。