基于故障模式发生概率的动设备运行状态模糊评价及预测方法与流程

本发明涉及油气装备或井下工具技术领域，特别是涉及一种基于故障模式发生概率的动设备运行状态模糊评价及预测方法。

背景技术：

一台设备或系统由多个子系统组成，各子系统具有众多零部件，每一个零部件有一种或多种故障模式，故障模式可对应一个或多个特征量。在对设备或系统进行运行状态评价时，如果对所有故障模式进行特征量提取的话，将形成数量庞大的特征量空间，无法科学的选择特征量，且计算量较大，导致动设备运行状态评价难度极大。

在海洋平台动设备运行过程中，其状态是不断变化的，该变化主要受外在运行工况和内在性能逐渐劣化的影响。由于海洋平台动设备多是由于某些零部件的疲劳、腐蚀、磨损等使性能逐渐下降，最终超出保护阈值而发生故障，同时根据其常见故障模式来看，动设备故障发生多是渐发性的。为了实现对海洋平台动设备完整性评价和状态维修策略优化，当设备的运行状态处于较好状态和一般状态时，需预测其设备运行状态的发展趋势，从而根据当前状态评价结果和状态预测结果，提前做出相应的运行及维修建议。

技术实现要素：

本发明的目的在于克服现有技术的不足，提供一种基于故障模式发生概率的动设备运行状态模糊评价及预测方法，采用逐步逐层求解的方法来降低计算中特征量的数目，从而避免对原始特征量的错误取舍，减少了计算量，有效保证了动设备运行状态评价的可行性和准确性；同时提出了动设备的运行状态的预测方法。

本发明的目的是通过以下技术方案来实现的：基于故障模式发生概率的动设备运行状态模糊评价方法，包括：

S1.确定产品集合及其故障模式集合：动设备包含的l个零部件构成零部件集合Z，获取l个零部件的所有故障模式，构成各零部件的故障模式集合F；

S2.确定各故障模式对应的特征量集合：计算第k个零部件的m个故障模式各自所对应的状态特征量，构成第k个零部件的第j个故障模式所对应的n个状态特征量所构成的集合Y_j，得到m个故障模式的状态特征量空间Y^m；

S3.计算特征量劣化度：计算出状态特征量空间Y^m中第i个状态特征量在t时刻的相对劣化度b_i(t)，即该状态特征量的故障发生概率p(Y_j)，计算得到m个故障模式所对应的状态特征量全劣化概率空间p^m；

S4.计算故障模式发生概率：计算故障模式集合F中第j个故障模式的综合发生概率P(F_j)，得到第k个零部件的m个故障模式发生概率集合P_j；

S5.计算故障模式发生概率隶属度：将故障模式发生概率集合P_j中的m个故障模式发生概率分别带入零部件运行状态隶属度函数，计算出第k个零部件所包括的m个故障模式的隶属度矩阵R_k；

S6.零部件运行状态的模糊评价：构建第k个零部件所包含的m个故障模式的权重矩阵B_k，计算得到第i个产品的隶属于运行状态的隶属度向量D_k，根据最大隶属原则确定第k个零部件所处的状态，生成动设备包含的l个零部件的运行状态隶属度空间C_l；

S7.动设备运行状态的模糊评价：定义动设备所包含的l个零部件的权向量为W_l，结合动设备包含的l个零部件的运行状态隶属度空间C_l，得到动设备的状态评语为S，根据最大隶属原则得到该动设备所处的状态。

所述步骤S1包括：

S11.将动设备划分为l个零部件，所述l个零部件构成零部件集合Z＝{z₁,z₂,…,z_l}；

S12.对各零部件进行故障风险识别，获取各零部件的所有故障模式，构成各零部件的故障模式集合F＝{F₁,F₂,…,F_m}。

所述步骤S12中，采用FMECA方法对各零部件进行风险识别，计算出各零部件的所有故障模式的风险等效值及排序，选出各零部件的关键故障模式，构成各零部件的故障模式集合F＝{F₁,F₂,…,F_m}。

所述步骤S11中，将动设备划分为多个零部件，计算各零部件的重要度，选出重要度大于阈值的l个零部件，所述l个零部件构成零部件集合Z＝{z₁,z₂,…,z_l}。

计算零部件的重要度的方法为：

S111.建立设备的重要度的评价指标；

S112.建立各评价指标的评分标准；

S113.多个评价者分别采用层次分析法确定出各评价指标的初始权重值及优序关系，得到各评价指标的多种初始权重值及优序关系；

S114.采用模糊Borda序值法对各评价指标的多种初始权重值进行处理，得到各评价指标的Borda值；

S115.根据各评价指标的Borda值生成各评价指标的最终权重值及优序关系；

S116.根据各评价指标的最终权重值及优序关系计算设备的重要度。

所述步骤S3中，故障发生概率p(Y_j)的计算公式为：

p(Y_j)＝b_i(t)＝F[Y_i(t),Y_i0,Y_i*]

式中，j＝1,2,…,n；F[·]为第i个状态特征量的相对劣化度函数；Y_i(t)为第i个状态特征量在t时刻的状态值；Y_i0为第i个状态特征量的正常值；Y_i*为由于第i个状态特征量造成的故障或停机的阈值。

所述步骤S4中，故障模式集合F中第j个故障模式的综合发生概率P(F_j)的计算公式为：

式中：n为故障模式集合F中第j个故障模式对应的状态特征量个数，ω＝[ω₁,ω₂,…ω_n]^T为状态特征量集对应的权重向量，其中ω_i∈[0,1]，且满足

所述步骤S5中，将零部件的运行状态划分为良好状态、较好状态、一般状态、拟故障状态四种运行状态，运用模糊集理论将四种运行状态视为四个模糊子集S＝{s₁,s₂,s₃,s₄}；

对于模糊子集s₁＝良好状态，故障模式发生概率p_i的值在[0,0.2]时属于良好状态，在[0.2,0.4]时属于良好状态或较好状态，在[0.4,1]时不属于良好状态，则零部件运行状态隶属度函数的计算公式为

对于模糊子集s₂＝较好状态，故障模式发生概率p_i的值在[0,0.2]时不属于较好状态，在[0.2,0.4]时属于良好状态或较好状态，在[0.4,0.7]时属于较好状态或一般状态，在[0.7,1]时不属于较好状态，则零部件运行状态隶属度函数的计算公式为

对于模糊子集s₃＝一般状态，故障模式发生概率p_i的值在[0,0.4]时不属于一般状态，在[0.4,0.7]时属于一般状态或较好状态，在[0.7,0.9]时属于拟故障状态或一般状态，在[0.9,1]时不属于一般状态，则零部件运行状态隶属度函数的计算公式为

对于模糊子集s₄＝拟故障状态，故障模式发生概率p_i的值在[0,0.7]时不属于拟故障状态，在[0.7,0.9]时属于拟故障状态或一般状态，在[0.9,1]时属于拟故障状态，则零部件运行状态隶属度函数的计算公式为

基于故障模式发生概率的动设备运行状态模糊预测方法，其特征在于，包括：

SS1.确定设备的故障模式及其对应的状态特征量:获取动设备包含的设备的故障模式，计算各故障模式对应的状态特征量；

SS2.确定状态特征量的时间序列样本数据：定期采集每个状态特征量的多个时间序列值，并对各状态特征量的时间序列值进行处理，计算得到一定时间内状态特征量的相对劣化度；

SS3.确定训练样本集：根据各状态特征量的相对劣化度建立训练样本集；

SS4.学习训练LS-SVR预测模型：以LS-SVM作为预测器，利用LS-SVR方法建立状态特征量的预测模型；

SS5.LS-SVR预测模型有效性验证：验证LS-SVR预测模型是否满足要求，若LS-SVR预测模型满足要求，则执行SS6；

SS6.状态特征量预测：根据LS-SVR预测模型计算各状态特征量的预测值；

SS7.根据各状态特征量的预测值对动设备的运行状态进行评价。

所述预测方法还包括：

SS8.估计动设备的剩余寿命：基于第j'步的状态特征量的预测值，完成一部预测则判断其值是否达到其状态特征量阈值：若未达到其状态特征量阈值，则进行状态特征量的第j'+1步预测，并再次进行判断其值是否达到设定的状态特征量阈值，直到第j'+k'步预测达到其状态特征量阈值，则动设备的剩余寿命的估计值为(j'+k')τ，其中τ为采集每个状态特征量的相邻两个时间序列值的时间间隔。

本发明的有益效果是：

(1)本发明采用故障模式、零部件、子系统、设备或系统逐步逐层求解的方法来降低计算中特征量的数目，从而避免对原始特征量的错误取舍，有效保证了状态评价的可行性和准确性；

(2)基于设备状态特征量具有时间序列的特点，对动设备运行状态预测的可行性进行了分析，并提出了预测的思路；考虑到状态特征量类型多，变化形态复杂的特点，提出了一种基于LS-SVR的动设备状态时间序列预测方法；该方法根据故障模式与特征量的关联性，以故障模式将特征量分组，每组各自建立预测模型，从而有效避免了特征量冗余，计算量大的问题。

附图说明

图1为本发明中基于故障模式发生概率的动设备运行状态模糊评价方法的流程图；

图2为本发明中海洋平台动设备的重要度评价的流程图；

图3为本发明中采用层次分析法确定各评价指标的初始权重值的流程图；

图4为本发明中计算设备的重要度的一个实施例的流程图；

图5为本发明中计算设备的重要度的又一个实施例的流程图；

图6为故障模式发生概率综合评定的流程图；

图7为基于故障模式发生概率的动设备运行状态模糊预测方法的流程图。

具体实施方式

下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。

实施例一

如图1所示，基于故障模式发生概率的动设备运行状态模糊评价方法，包括以下步骤：

S1.确定产品集合及其故障模式集合将动设备划分为l个零部件，所述l个零部件构成零部件集合Z＝{z₁,z₂,…,z_l}；对各零部件进行故障风险识别，获取各零部件的所有故障模式，构成各零部件的故障模式集合F＝{F₁,F₂,…,F_m}。

优选的，采用FMECA方法对各零部件进行故障风险识别，计算出各零部件的所有故障模式的风险等效值及排序，选出各零部件的关键故障模式，构成各零部件的故障模式集合F＝{F₁,F₂,…,F_m}

优选的，将动设备划分为多个零部件，计算各零部件的重要度，选出重要度大于阈值的l个零部件，所述l个零部件构成零部件集合Z＝{z₁,z₂,…,z_l}。

如图2所示，计算零部件的重要度的方法为：

S111.建立设备的重要度的评价指标。

S112.建立各评价指标的评分标准。

S113.多个评价者分别采用层次分析法确定出各评价指标的初始权重值及优序关系，得到各评价指标的多种初始权重值及优序关系。

如图3所示，评价者采用层次分析法确定各评价指标的初始权重值及优序关系，包括：

S1131.建立层次结构模型：根据设备的重要度的评价指标建立设备的重要度的层次结构模型；

S1132.构造判断矩阵：评价者将各评价指标进行两两比较，构造出判断矩阵D：

其中，u_ij表示第i个评价指标对第j个评价指标的相对重要度，u_ji表示第j个评价指标对第i个评价指标的相对重要度，u_ji的取值为u_ij的倒数；

S1133.计算最大特征值及其特征向量：计算所述判断矩阵D的最大特征值λ_max，并根据下式计算所述最大特征值λ_max对应的特征向量W：

W＝(ω₁+ω₂+…+ω_n)

S1134.对所述特征向量W进行归一化得到各评价指标的初始权重值，并根据所述各评价指标的初始权重值生成各评价指标的优序关系；

S1135.一致性检验：根据下式对所述判断矩阵D进行一致性检验：若一致性检验成功，则输出各评价指标的初始权重值及优序关系；否则，执行步骤S1132：

CR＝CI/RI,CI＝(λ_max-n)/(n-1)

式中，CR—判断矩阵D的随机一致性比率，CI—判断矩阵D的一般一致性指标，RI—判断矩阵D的平均随机一致性指标。

S114.采用模糊Borda序值法对各评价指标的多种初始权重值进行处理，得到各评价指标的Borda值。

所述步骤S114包括：

S1141.确定隶属度μ_mn：在第m个评价者确定的设备的初始权重值及优序关系中，根据下式计算每一个评价指标的权重值D_n属于优的隶属度μ_mn：

式中，B_m(D_n)—评价指标的权重值D_n在第m个评价者确定的设备的初始权重值及优序关系中的效用值；

S1142.计算模糊频数f_kn以及模糊频率W_kn：

式中，

S1143.计算优序关系得分Q_k：计算每一个评价指标的权重值D_n在优序关系中排在第k位的得分：

S1144.计算Borda值：根据下式计算各评价指标的Borda值FB(D_n)：

S115.根据各评价指标的Borda值生成各评价指标的最终权重值及优序关系。

S116.根据各评价指标的最终权重值及优序关系计算设备的重要度。

如图4所示，所述步骤S116包括：

S1161.多个评价者根据评分标准对设备进行评分。

S1162.根据各评价指标的最终权重值以及多个评价者对设备的评分计算得到设备的多个重要度指数Index。

S1163.根据所述设备的多个重要度指数Index生成多种设备重要度及优序关系。

S1164.采用模糊Borda序值法计算各设备的Borda值。

S1165.根据各设备的Borda值生成各设备的重要度。

设备的重要度指数Index的计算公式为式中，n-评价指标的数量；v_i-评价者根据第i项评价指标对设备的评分；w_i-第项评价指标的最终权重值。

如图5所示，所述步骤S1161还包括更新评价指标的最终权重值：产生一组随机数，按预设规则为每项评价指标分配一个随机数，将各项评价指标的最终权重值更新为其对应的随机数。

更新评价指标的最终权重值包括：(0，1)分布的均匀随机发生器产生一组随机数，随机数的个数与评价指标的个数相同，将该组随机数中的各随机数按照由大到小的顺序依次分配给优先级从高至低的各评价指标，将各项评价指标的最终权重值更新为其对应的随机数。

所述步骤S1165之后还包括：

S1166.根据重要度统计各设备的排名，获取各设备所属排列序号；

S1167.判断仿真次数是否达到预设值：若仿真次数达到预设值，执行步骤S1168；否则，执行步骤S1161；

S1168.根据各设备所述序列号的累计频率绘制出其累计频率图；

S1169.根据各设备的累计频率图计算各设备的重要度。

所述步骤S1169中，重要度的计算方法为：根据累计频率图中各设备的累计曲线的累积速率计算各设备的重要度；或，根据累计频率图中各设备的累计曲线的右边所围面积计算各设备的重要度。

S2.确定各故障模式对应的特征量集合：根据对零部件进行故障风险识别得到的故障模式、故障原因及故障影响，计算零部件集合Z＝{z₁,z₂,…,z_l}中第k(k＝1,2,…,l)个零部件的m个故障模式各自所对应的状态特征量，构成第k个零部件的第j(j＝1,2,…,m)个故障模式所对应的n个状态特征量所构成的集合Y_j＝{Y_j1(t),Y_j2(t),…,Y_jn(t)}，得到m个故障模式的状态特征量空间Y^m。

S3.计算特征量劣化度：计算出状态特征量空间Y^m中第i(i＝1,2,…,n)个状态特征量在t时刻的相对劣化度b_i(t)，即该状态特征量的故障发生概率p(Y_j)，计算得到m个故障模式所对应的状态特征量全劣化概率空间p^m。

根据状态特征量的变化规律和特点，定义其相对劣化度达到“1”时的情形为全劣化状态，采用状态特征量在t时刻的相对劣化度b_i(t)作为其对全劣化发生的概率p(Y_j)，即状态特征量的相对劣化度函数即为状态特征量全劣化概率计算函数，同时计算得到的相对劣化度越大，特征量全劣化发生的概率就越大。因此，所述步骤S3中，故障发生概率p(Y_j)的计算公式为：

p(Y_j)＝b_i(t)＝F[Y_i(t),Y_i0,Y_i*]

式中，j＝1,2,…,n；F[·]为第i个状态特征量的相对劣化度函数；Y_i(t)为第i个状态特征量在t时刻的状态值；Y_i0为第i个状态特征量的正常值；Y_i*为由于第i个状态特征量造成的故障或停机的阈值。

S4.计算故障模式发生概率：计算故障模式集合F中第j个故障模式的综合发生概率P(F_j)，得到第k个零部件的m个故障模式发生概率集合P_j＝{P(F₁),P(F₂),…,P(F_m)}。

所述步骤S4中，故障模式集合F中第j个故障模式的综合发生概率P(F_j)的计算公式为：

式中：n为故障模式集合F中第j个故障模式对应的状态特征量个数，ω＝[ω₁,ω₂,…ω_n]^T为状态特征量集对应的权重向量，其中ω_i∈[0,1]，且满足

本实施例中采用基于变综合理论的故障模式发生概率综合评定方法来计算综合发生概率P(F_j)，具体步骤如图6所示：首先确定待评估故障模式所对应的状态特征量及其实测值；然后分析状态特征量的获取方法及其阈值特点，确定相对劣化度函数，对状态特征量影响故障模式发生概率程度评分，采用AHP法(层次分析法)构造判断矩阵；然后计算状态特征量隶属度以及常权值；再采用变权综合理论计算状态特征量的变权值；最后采用变权综合模式计算故障模式的发生概率。

S5.计算故障模式发生概率隶属度：将故障模式发生概率集合P_j中的m个故障模式发生概率分别带入零部件运行状态隶属度函数，计算出第k个零部件所包括的m个故障模式的隶属度矩阵R_k。

所述步骤S5中，将零部件的运行状态划分为良好状态、较好状态、一般状态、拟故障状态四种运行状态，运用模糊集理论将四种运行状态视为四个模糊子集S＝{s₁,s₂,s₃,s₄}，如表1所示；

表1海洋平台动设备状态划分

对于模糊子集s₁＝良好状态，故障模式发生概率p_i的值在[0,0.2]时属于良好状态，在[0.2,0.4]时属于良好状态或较好状态，在[0.4,1]时不属于良好状态。因而，根据设备隶属于良好状态时故障发生概率的取值特点和分布类型等，确定其隶属度函数为降半岭形分布，则零部件运行状态隶属度函数的计算公式为

对于模糊子集s₂＝较好状态，故障模式发生概率p_i的值在[0,0.2]时不属于较好状态，在[0.2,0.4]时属于良好状态或较好状态，在[0.4,0.7]时属于较好状态或一般状态，在[0.7,1]时不属于较好状态。因而，根据设备隶属于较好状态时故障发生概率的取值特点和分布类型等，确定其隶属度函数为中间对称半岭形型分布，则零部件运行状态隶属度函数的计算公式为

对于模糊子集s₃＝一般状态，故障模式发生概率p_i的值在[0,0.4]时不属于一般状态，在[0.4,0.7]时属于一般状态或较好状态，在[0.7,0.9]时属于拟故障状态或一般状态，在[0.9,1]时不属于一般状态。因而，根据设备隶属于较好状态时故障发生概率的取值特点和分布类型等，确定其隶属度函数为中间对称半岭形型分布，则零部件运行状态隶属度函数的计算公式为

对于模糊子集s₄＝拟故障状态，故障模式发生概率p_i的值在[0,0.7]时不属于拟故障状态，在[0.7,0.9]时属于拟故障状态或一般状态，在[0.9,1]时属于拟故障状态。因而，根据设备隶属于较好状态时故障发生概率的取值特点和分布类型等，确定其隶属度函数为升半岭形型分布，则零部件运行状态隶属度函数的计算公式为

S6.零部件运行状态的模糊评价：构建第k个零部件所包含的m个故障模式的权重矩阵B_k＝[β_k1，β_k2,…,β_kn]，在得到故障模式对设备运行状态影响的权重矩阵B_k和故障模式发生概率隶属度矩阵R_k，则可以计算得到第i个产品的隶属于运行状态的隶属度向量D_k

D_k＝B_k·R_k＝(d_k(s₁),d_k(s₂),d_k(s₃),d_k(s₄))

根据最大隶属原则确定第k个零部件运行状态评语，即所处的状态。重复上述步骤，计算得到动设备包含的l个零部件的运行状态隶属度空间C_l

所述步骤S6中，第k个零部件所包含的m个故障模式的权重的计算方法为：

将第k个零部件所包含的m个故障模式的灰色关联度作归一化处理后，即得到各故障模式的权重；

或，采用基于AHP的权重赋值法来计算获得各故障模式的权重。

S7.动设备运行状态的模糊评价：定义第k个重要功能产品的权重为ω_k，则动设备所包含的l个重要功能产品的权向量为W_l＝(ω₁,ω₂,…ω_l)，结合动设备包含的l个零部件的运行状态隶属度空间C_l，得到动设备的状态评语为S＝W_l·C_l＝(C(s₁),C(s₂),C(s₃),C(s₄))，根据最大隶属原则得到该动设备所处的状态。

所述步骤S7中，l个零部件的权重的计算方法为：

求取各零部件的重要度，然后进行归一化处理，即得到各零部件在动设备运行状态评价中的权重；

或，采用基于AHP的权重赋值法来计算获得各零部件在动设备运行状态评价中的权重。

实施例二

本实施例对泥浆泵动力段运行状态进行评价，以SZ36-1J修井机平台所用的F1300泥浆泵为例，该台泥浆泵的主要技术参数为：型号：F1300；缸径(mm)：180；额定压力(MPa)：18.7；额定功率(KW)960；冲数(spm)：120；冲程长度(mm)：305；排量(L/s)：46.54。为了对该泥浆泵的动力端运行状态进行分析，基于前文的重要度评价方法，确定出泥浆泵各零部件的重要度及排序，筛选出动力端的重要功能产品：曲轴、轴承、偏心轮轴承、连杆、大齿圈、小齿轮轴、传动轴承、十字头、上下导板、十字头轴承，并对重要功能产品进行FMECA分析，确定故障模式风险等级。从而根据产品自身的特性，平台维修现用的检查手段，产品的故障模式、原因及结果等信息，确定各重要功能产品所有故障模式对应的特征量。

根据动力端重要功能零部件故障模式及特征量的分析结果，本实施例选择振动检测、噪音测试、温度检测以及定性评价等多种手段对其动力端主轴承、偏心轮轴承、十字头总成等进行实时特征量监测。在布置测试点的过程中，结合了泥浆泵的整体结构特点，以及相邻零部件之间的振动、噪声和温度耦合关系，尽可能多的布点，采集到充足且准确的特征量实测数据。

经过一段时间对各故障模式特征量进行连续数据采集和评测后，选取一个时间结点的一组数据进行统计与处理，得到各特征量数据的实测数据。同时，通过现场调研、相关资料查询及专家评测等方式，确定了各特征量的额定值、无故障状态值、允许范围及对零部件或设备状态影响的权重，从而计算出特征量相对劣化度bi。

通过基于变权综合理论的故障模式发生概率评价方法，对各零部件的故障模式的发生概率进行评定，其计算结果如表2所示。

表2动力端各零部件故障模式发生概率

结合表2中各零部件的故障模式发生概率，采用基于故障模式发生概率的状态模糊综合评价模型，计算过程中考虑上述特征参数对运行状态反应的灵敏度等，取变权因子α＝0.3，从而计算出以下动力端零部件的状态评价结果，如表3所示。

表3动力端零部件或组件的状态评价结果

对上述零部件的重要度值进行归一化处理，作为基于各零部件运行状态对泥浆泵动力端整体运行状态评价时的权重值，再结合表3中动力端重要功能零部件或组件的状态评价结果，可对泥浆泵动力端的运行状态进行评价，评价结果为：

S＝W_l·C_l＝(C(s₁),C(s₂),C(s₃),C(s₄))＝(0.072，0.723，0.171，0.033)

根据最大隶属度原则，目前该泥浆泵动力端的运行状态为较好状态，在运行过程中应加强对动力端的监测，同时可对其进行短时间内的运行状态预测，再结合维修大纲和生产任务要求，制定一个合理的、经济的和科学的动力端故障检查及维修方案。

实施例三

如图7所示，基于故障模式发生概率的动设备运行状态模糊预测方法，包括：

SS1.确定设备的故障模式及其对应的状态特征量:获取动设备包含的设备的故障模式，计算各故障模式对应的状态特征量。

优选的，对动设备包含的零部件的重要度进行评价，选择重要度大于设定值的零部件作为重要零部件，对重要零部件进行FMECA分析得到各重要零部件的风险模式，然后计算出所有故障模式的风险等级，选择风险等级大于设定值的故障模式作为高风险故障模式，然后提取各高风险故障模式的状态特征量。设定高风险故障模式共有M个，其对应的状态特征量共有m'个，分别为d₁(t),d₁(t),…,d_m'(t),m'＝1,2,3,…。

SS2.确定状态特征量的时间序列样本数据：定期采集每个状态特征量的多个时间序列值，并对各状态特征量的时间序列值进行处理，计算得到一定时间内状态特征量的相对劣化度。

其中，设监测时间间隔为τ,τ＞0τ(τ＞0)，对于其中的任意第i个状态特征量采集了n个时间序列值：

d_i(0),d_i(τ),…,d_i(iτ),…,d_i((n-1)τ)。

对状态特征量的时间序列值进行处理，得到在一定时间内状态特征量表征设备运行状态的相对劣化度，即作为预测的样本数据，任意第i个状态特征量的n个样本数据为：

b_i(0),b_i(τ),…,b_i(iτ),…,b_i((n-1)τ)。

SS3.确定训练样本集：根据各状态特征量的相对劣化度建立训练样本集。

设定任意零部件的故障模式包含h(0＜h＜m')各状态特征量，由t_n时刻该故障模式所对应的h个状态特量的前k”次测量获得状态特征量值的相对劣化度作为样本数据，即得到h个状态特量的样本数据为：

对于该故障模式下nτ时刻的任意第i个状态特征量值的相对劣化度b_i(nτ)进行预测，即可表示为：

b_i(t_n)＝f[b₁(t_n-1),b₁(t_n-2),…,b₁(t_n-k”),…,b_i(t_n-1),b_i(t_n-2),…,b_i(t_n-k”),…,b_h(t_n-1),b_h(t_n-2),…,b_h(t_n-k”)]式中，t_i是iτ的缩写形式；f[·]是输入和输出的映射关系。即在训练回归模型时，组成如下的训练样本对：输入h个状态特征量在t₁,t₂,…,t_k”时刻的测量值则对应在t_k”+1时刻h个状态特征量的输出值；输入h个状态特征量在t₂,t₃,…,t_k”₊₁时刻的测量值则对应在t_k”+2时刻h个状态特征量的输出值，以此类推。

SS4.学习训练LS-SVR预测模型：以LS-SVM作为预测器，利用LS-SVR方法建立状态特征量的预测模型。

为了提高反应同一个故障模式下状态特征量之间的关联性，对于不同的故障模式的不同状态特征量采用不同的样本数据，即对于每个状态特征量都建立其相应的基于LS-SVR的预测模型。在预测模型训练过程中以径向基函数作为LS-SVR的核函数，由于该函数仅需确定一个核参数σ，且能直观反映两个数据的距离，径向基函数的计算公式为

K(x_i,x_j)＝exp{-|x-x_i|²/2σ²

采用10倍交叉验证和网格搜索法来确定核参数σ。

SS5.LS-SVR预测模型有效性验证：验证LS-SVR预测模型是否满足要求，若LS-SVR预测模型满足要求，则执行SS6。

本实施例采用平均绝对误差ρ和平均相对误差δ来评价预测结果；

式中：m'为用于建模的特征量个数；b_i(t)为建模特征量的实际值；b_i^*(t)为特征量的模型计算值。平均绝对预测误差ρ越大，表明预测值与实测值偏移量越大；平均相对误差δ越大，表明预测方法的精度较低。在实际预测过程中，可根据需要设定平均绝对预测误差和平均相对误差值，从而来判断训练完的预测模型是否满足要求。

SS6.状态特征量预测：根据LS-SVR预测模型计算各状态特征量的预测值。

训练完成后，得到m'个状态特征量的LS-SVR非线性预测模型，对任意第i个状态特征量值的第一步进行预测，其预测形式表示为

b_i^*(t_n+1)＝f[b₁(t_n-1),b₁(t_n-2),…,b₁(t_n-k”),…,b_i(t_n-1),b_i(t_n-2)，…,b_i(t_n-k”),…,b_h(t_n-1),b_h(t_n-2),…,b_h(t_n-k”)]第二步预测为

b_i^*(t_n+2)＝f[b₁(t_n-1),b₁(t_n-2)，…,b₁(t_n-k”+1),…,b_i(t_n-1),b_i(t_n-2),…,b_i(t_n-k''_＝1),…,b_h(t_n-1),b_h(t_n-2),…,b_h(t_n-k”＝1)]后续预测依次类推，即可形成该状态特征量的多步预测结果。

SS7.根据各状态特征量的预测值对动设备的运行状态进行评价。本实施例中对动设备的运行状态进行评价的方法与实施例一中的方法相同，即用本实施例中得到的第j步预测所得到m'个特征量的预测值代替实施例一中的状态特征量，然后对动设备的运行状态进行评价，得到的评价结果即为动设备运行状态的预测结果。

优选的，所述预测方法还包括：

SS8.估计动设备的剩余寿命：基于第j'步的状态特征量的预测值，完成一部预测则判断其值是否达到其状态特征量阈值：若未达到其状态特征量阈值，则进行状态特征量的第j'+1步预测，并再次进行判断其值是否达到设定的状态特征量阈值，直到第j'+k'步预测达到其状态特征量阈值，则动设备的剩余寿命的估计值为(j'+k')τ，其中τ为采集每个状态特征量的相邻两个时间序列值的时间间隔。

以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。