基于多元状态估计技术的设备多级异常状态识别方法及装置

技术领域

本发明涉及一种设备异常状态识别方法，具体地涉及基于多元状态估计技术的设备多级异常状态识别方法，以及执行该方法的装置。

背景技术

随着智能化水平的提高及机械制造工艺的进步，复杂机械设备不断向复杂化、高速化、自动化的方向发展，不同子系统之间的联系、相互影响也越来越紧密。旋转机械作为机械设备中的重要组成元件，其运行状态与设备性能直接相关。以滚动轴承为例，旋转机械故障的30-40％是由滚动轴承振动异常引起的。因此，保障机械设备关键部件稳定高效地运行，对保证整台设备的精度、可靠性及使用寿命等机械性能具有重要意义。

现阶段机械设备的状态检测及故障诊断对中期、晚期较为明显的故障已经有了较为成熟的检测手段，这种检测方法更侧重于在故障发生后对故障类型进行分类判断的一种事后检测。而在实际工程应用中，更期望在故障发生阶段，即对早期异常进行有效检验，侧重于对故障发生趋势的预测。对早期异常阶段，信号往往存在特征不明显、异常信号微弱、背景噪声大且信噪比低等特点，其检测方法更加困难。

目前，绝大多数的异常状态识别方法从频谱分析及机器学习的角度进行分析，然而前者受降噪效果的影响太大，后者依赖于大量的故障数据进行前期训练，训练样本越多，故障数据越完备，得到的诊断模型精度越高。对于在线运行设备，尤其是小批量设备而言，仅通过前期正常状态数据无法在设备异常状态早期进行有效识别。

而目前，仅依靠设备历史正常数据对设备异常状态进行识别的方式效果欠佳，并且大多数方法不考虑不确定因素造成的野值对模型可靠性的影响。基于此，本发明的实施方式提供了一种基于多元状态估计技术的设备多级异常状态识别方法及装置。

发明内容

机械设备作为工业生产领域的关键设备，其运作是否正常对整个工业加工系统能否安全稳定运行有着至关重要的影响。传统的异常状态识别技术依赖于降噪效果及大量的故障样本，不适用于小批量设备的运行过程。现有的决策方法仅依靠固定阈值对设备状态进行识别，容易造成误诊率升高。此外，设备在正常运行过程中由于随机干扰造成的野值，会对模型的可靠性产生影响，需要对随机干扰进行消除以进一步提升在线监测模型的可靠性。基于此，本发明的实施方式提供了一种基于多元状态估计技术的设备多级异常状态识别方法，通过多源传感器获取设备运转时的时变信号并进行自适应降噪，提取降噪信号中的敏感特征。结合核密度估计的多元状态估计技术及相似比例函数得到设备的状态评价指标，利用多级异常状态决策方法对设备当前状态进行准确识别，以达到提升设备在线运转能力的目的，为后续健康管理等提供相应的技术依据。

本发明的实施方式提供了一种基于多元状态估计技术的设备多级异常状态识别方法。

根据本发明的一个实施方式提供了一种基于多元状态估计技术的设备多级异常状态识别方法，包括以下步骤：设备信号采样，对设备进行信号采样以采集时序信号；自适应降噪，对所述时序信号进行自适应降噪；敏感特征提取，对所述设备的历史正常状态数据进行特征提取并通过筛选得到敏感特征；数据标准化，对该得到的敏感特征进行标准化处理；多元状态估计，包括对标准化处理后的敏感特征进行核密度估计并按照置信区间获得观测向量，进行等置信区间采样获得历史记忆矩阵，以及通过所述观测向量与所述历史记忆矩阵获得估计向量；构建相似比例函数，根据所述观测向量和所述估计向量计算残差偏离度，并且根据所述观测向量和所述历史记忆矩阵得到状态偏离度，由该残差偏离度和状态偏离度得到相似比例；获得自适应动态阈值，由所述相似比例使用自适应动态σ方法对所述设备的状态阈值进行实时更新；以及进行多级异常状态决策，使用所述自适应动态阈值对所述设备的状态异常趋势进行判断来进行多级异常状态决策。

根据一个可选的实施方式，自适应降噪步骤可包括:对所述时序信号进行集合经验模态分解而获得本征模态函数；通过评价指标对所述本征模态函数进行评价；以及自适应地选择评价指标较高时对应的本征模态函数进行重构得到降噪信号。

根据另一个可选的实施方式，对所述时序信号进行集合经验模态分解而获得本征模态函数的步骤可包括：在所述时序信号中加入高斯白噪声，得到混合噪声信号；对该混合噪声信号进行经验模态分解，得到各本征模态函数分量；将不同白噪声加入所述时序信号，并重复；以及将每次经验模态分解所对应的本征模态函数进行平均处理获得所述本征模态函数。

根据一个可选的实施方式，敏感特征提取步骤可包括：采用信号分析的方法提取所述时序信号的时域、频域及时频域特征。

根据一个可选的实施方式，数据标准化步骤可包括：将所述敏感特征的数据按照比例进行缩放，使其落入小的区间以使得不同变量可以进行平等分析和比较。

根据一个可选的实施方式，多元状态估计步骤中的核密度估计采用一维核密度估计的公式：

其中，h为带宽且h＞0，K为一个非负函数成为核函数。这里采用高斯函数为核函数，即

h

根据一个可选的实施方式，所述多元状态估计步骤中对标准化处理后的敏感特征进行核密度估计并按照置信区间获得观测向量包括：对各敏感特征的正常状态数据进行核密度估计，去除野值，并将满足每个特征置信区间的数据保留作为观测向量。

根据一个可选的实施方式，所述多元状态估计步骤中进行等置信区间采样获得历史记忆矩阵包括：将去野值后的样本作为样本总体，将满足置信区间的观测向量作为剩余样本，以及采用等置信区间采样对所述剩余样本进行抽样并构成历史记忆矩阵。

根据一个可选的实施方式，多元状态估计步骤中通过所述观测向量与所述历史记忆矩阵获得估计向量包括：对于某一时刻的观测向量X

X

其中，W为权值向量，每一个权值w

根据另一个可选的实施方式，构建相似比例函数步骤中所述的残差偏离度，指各个时刻的观测向量X

式中，X和Y分别为某状态下的观测向量与估计向量，x

所述状态偏离度，是指各个时刻的估计向量X

式中，D为历史记忆矩阵，D

所述相似比例是指各个时刻的估计向量X

式中，W

根据另一个实施方式，所述获得自适应动态阈值步骤包括：

取得到的一段时间段内的相似比例值η＝[η

根据切比雪夫不等式，可以得到动态阈值范围[μ

式中M为采样点数，η

随着监测变量的数据在实时增加，需要根据新增的数据对阈值进行更新，对均值及方差进行了进一步推导

根据一个可选的实施方式，进行多级异常状态决策步骤可包括：第一阈值决策标准：判断观测状态的相似比例函数值是否超过所述动态阈值，若该观测值未超过阈值，则认为设备处于正常状态，即设备异常级别为Ⅰ级，L＝0，若超过阈值则进行下一步决策；第二阈值决策标准：取窗口N

根据本发明的一个实施方式，提供了一种装置，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时执行所述的基于多元状态估计技术的设备多级异常状态识别方法。

根据本发明的另一个实施方式提供的基于多元状态估计技术的设备多级异常状态识别方法包括以下步骤：

步骤一：自适应降噪：对采集到的时序信号进行自适应降噪，首先通过EEMD分解(即，Ensemble Empirical Mode Decomposition，集合经验模态分解)得到信号的本征模态函数(IMF)，通过评价指标对各个IMF进行评价，自适应地选择3种评价指标均较高时对应的IMF进行重构，得到降噪信号；

步骤二：敏感特征提取及数据标准化：对降噪后设备历史正常状态数据进行特征提取并通过筛选得到敏感特征，对得到的敏感特征进行标准化处理；

步骤三：利用核密度估计对多元状态估计技术进行：对各个特征的正常状态数据进行核密度估计，去除野值，保留满足每个特征95％置信区间的观测向量X

步骤四：构建相似比例函数：根据各个时刻的观测向量X

步骤五：自适应动态阈值及异常状态决策：采用自适应动态σ方法对设备的状态阈值进行实时更新，并根据多级异常状态决策方法对设备状态机器异常趋势进行判断。一旦确定设备已经发生异常，则上步骤所提到动态阈值不再更新。

其中，在步骤一中所述的“EEMD”，主要是指利用集合经验模态分解的方法对原始信号进行分解，其具体做法如下：

a)在原始信号中加入高斯白噪声，得到混合噪声信号；

b)对新的信号进行经验模态分解，得到各本征模态函数(IMF)分量；

c)重复将不同白噪声加入原始信号，并重复步骤c)；

d)将每次经验模态分解所对应的IMF进行平均处理。

其中，在步骤一中所述的“评价指标”，主要是指对各个IMF所包含的信息量进行评价的指标，具体有包括相关系数ρ、峭度值K

其中，在步骤二中所述的“历史正常状态数据”，主要是指从在线使用设备所采集的已有的且处于正常状态的时序数据。

其中，在步骤二中所描述的“特征提取”，主要是采用信号分析的方法提取信号的时域、频域及时频域特征。

其中，在步骤二中所描述的“敏感特征”，主要是与设备异常信息关联紧密的特征。

其中，在步骤二中所述的“标准化”，主要是指将数据按照比例进行缩放，将数据落入小的区间以使得不同变量可以进行平等分析和比较。其具体作法如下：

式中，x

其中，在步骤三中所述的“核密度估计”，主要用来直观反应特征参数在不同状态下的分布状态，是一种非参数的概率密度估计方法。在实际生产过程中，所采集到的数据往往概率密度函数是未知的，不能确定其具体分布形式，因而用核密度估计法分析这一类缺乏先验知识的分布规律。在本次数据的处理中，待分析的数据为一维数据，采用一维核密度估计的公式：

其中，h为带宽且h＞0，K为一个非负函数成为核函数。这里采用高斯函数为核函数，即

h

其中，在步骤三中所述的“多元状态估计技术”，主要是指挖掘已有历史正常状态数据各参数之间的关系，从而对其物理过程建模，并利用在线监测正常数据与历史正常数据间的相似性，对在线设备当前状态进行判断的非线性状态估计技术。具体做法如下：

首先需要建立模型的历史记忆矩阵D。矩阵的每一列代表一个正常运行状态，即某一时刻采集到的状态数据；矩阵的每一行代表所观测的一个变量或特征。对设备时序信号X的m个状态进行观测，每个状态包含n个相同的特征。则某一时刻t

X(t

其中，x

D

对于某一时刻的观测向量X

X

其中，W为权值向量，每一个权值w

ε＝X

其中，ε表示观测向量Xo

式中，

式中，X和Y分别为两个时刻的状态向量，x

其中，在步骤三中所述的“基于等置信区间的抽样方法”，主要是指利用核密度估计及置信区间内的样本概率进行抽样，具体做法如下：

首先，对历史正常状态观测向量的每一个特征进行核密度估计，得到m个概率模型。仅保留满足每一个概率模型95％置信区间的观测向量，共有k个。

接着对剩余k个观测向量重新进行核密度估计，分别得到每个特征20％、40％、60％、80％、100％置信区间所对应的特征范围，并得到置信区间在[0,0.2]、[0.2,0.4]、[0.4,0.6]、 [0.6,0.8]、[0.8,1]内的样本数目[K

筛选出满足每个特征置信区间的历史正常状态向量X

其中，在步骤四中所述的“残差偏离度”，主要是指各个时刻的观测向量X

式中，X和Y分别为某状态下的观测向量与估计向量，x

其中，在步骤四中所述的“状态偏离度”，主要是指各个时刻的估计向量X

式中，D为历史记忆矩阵，D

其中，在步骤四中所述的“相似比例”，主要是指各个时刻的估计向量X

式中，W

其中，在步骤五中所述的“自适应动态σ方法”，是指利用统计学方法得到设备的状态阈值的方法。取得到的一段时间段内相似比例值η＝[η

式中M为采样点数，η

其中，在步骤五中所述的“多级异常状态决策方法”，主要是指引用决策树的部分概念对设备的状态及其异常趋势进行判断的方法。决策过程如图1所示，具体做法如下：

阈值决策标准①：判断观测状态的相似比例函数值是否超过阈值。若该观测值未超过阈值，则认为设备处于正常状态，即设备异常级别为Ⅰ级，L＝0；超过阈值则进行下一步决策。

阈值决策标准②：取窗口N

趋势性决策标准：判断窗口N

异常状态确定标准：在窗口N

通过以上步骤，能够在设备进入异常状态之前，对其异常趋势进行提前判断。根据得到的一组根据实时监测数据自适应调整的动态报警阈值线，既增加了实时阈值的精确性，也体现其动态性，对于有效、高效地进行机械设备在线健康状态识别及决策具有十分重要的意义。而基于相似比例的多级异常状态识别方法，监测设备的异常状态进行了更加详细的划分并能够大大降低模型的异常状态误报率。

本发明的实施方式的优点包括：本发明针的实施方式对机械设备在线运行时缺少故障数据，传统的异常状态决策方法难以对其异常状态进行提前判断且判断标准仅依靠单一阈值的问题，提出了基于多元状态估计技术的多级异常状态判别方法。通过对设备历史正常状态数据进行自适应降噪、敏感特征提取、核密度估计及多元状态估计技术，得到设备历史状态及当前状态的相似比例函数值，通过自适应阈值动态σ法对设备的阈值进行实时更新，并根据多级异常状态决策方法对设备的状态及其异常趋势进行判断。不仅可以得到一组根据实时监测数据自适应调整的能够反映在线设备的运行状态的动态报警阈值线，而且能够对设备当前状态进行更加细致的决策必能提前判断是否发生异常。另外本发明的实施方式提供了一种基于多元状态估计技术的设备多级异常状态识别方法，是一种指导性的设备多级异常状态识别技术，且方法在实际应用中具有一定的开放性，根据流程中得到的自适应的动态报警阈值线，更加符合现场设备的真实状况，而多级异常状态决策方法能够为现场工作人员提供更加可靠的设备状态评估及诊断的指导。本发明的实施方式所提供的方法适用于机械设备信号处理、状态检测、故障预警等多种技术领域。

附图说明

结合附图及下面的详细描述，可更容易理解本发明的前述特征，其中：

图1示出了根据本发明的实施方法所使用的多级异常状态决策树图；

图2示出了根据本发明的一个实施方式提供的基于多元状态估计技术的设备多级异常状态识别方法流程图；

图3示出了应用根据本发明的实施方式的一个示例中第40min历史信号的EEMD信号分解图；

图4示出了应用根据本发明的实施方式的一个示例中第40min历史信号各IMF评价指标；

图5示出了应用根据本发明的实施方式的一个示例中正常状态下观测向量去除野值后的概率密度分布图；

图6示出了应用根据本发明的实施方式的一个示例中在线设备的相似度变化曲线及动态自适应阈值曲线及决策图。

图中序号、符号、代号说明如下

L：设备的异常状态级别

IMF i：原始信号经EEMD分解后的第i个本征模态函数

t：信号的数据采集时间，单位为s

ρ：IMF的相关系数评价指标

K

S：IMF的小波包能量熵评价指标

SSP：采集信号的数据样本点

SPV：设备状态的相似比例值

Level：设备得异常状态级别

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方式。虽然附图中显示了本公开的示例性实施方式，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方式所限制。相反，提供这些实施方式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。

需要注意的是，除非另有说明，本发明使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。

本发明的一个实施方式提供了一种基于多元状态估计技术的设备多级异常状态识别方法。根据该实施方式的方法包括以下步骤：

步骤一：自适应降噪：对采集到的时序信号进行自适应降噪，首先通过EEMD分解得到信号的本征模态函数(IMF)，通过评价指标对各个IMF进行评价，自适应地选择 3种评价指标均较高时对应的IMF进行重构，得到降噪信号；

步骤二：敏感特征提取及数据标准化：对降噪后设备历史正常状态数据进行特征提取并通过筛选得到敏感特征，对得到的敏感特征进行标准化处理；

步骤三：利用核密度估计对多元状态估计技术进行改进：对各个特征的正常状态数据进行核密度估计，去除野值，保留满足每个特征95％置信区间的观测向量X

步骤四：构建相似比例函数：根据各个时刻的观测向量X

步骤五：自适应动态阈值及异常状态决策方法：采用自适应动态σ方法对设备的状态阈值进行实时更新，并根据多级异常状态决策方法对设备状态机器异常趋势进行判断。一旦确定设备已经发生异常，则上步骤所提到动态阈值不再更新。

其中，在步骤一中所述的“EEMD”，主要是指利用集合经验模态分解的方法对原始信号进行分解，其具体做法如下：

a)在原始信号中加入高斯白噪声，得到混合噪声信号；

b)对新的信号进行经验模态分解，得到各本征模态函数(IMF)分量；

c)重复将不同白噪声加入原始信号，并重复步骤c)；

d)将每次经验模态分解所对应的IMF进行平均处理。

其中，在步骤一中所述的“评价指标”，主要是指对各个IMF所包含的信息量进行评价的指标，具体有包括相关系数ρ、峭度值K

其中，在步骤二中所述的“历史正常状态数据”，主要是指从在线使用设备所采集的已有的且处于正常状态的时序数据。

其中，在步骤二中所描述的“特征提取”，主要是采用信号分析的方法提取信号的时域、频域及时频域特征。

其中，在步骤二中所描述的“敏感特征”，主要是与设备异常信息关联紧密的特征。

其中，在步骤二中所述的“标准化”，主要是指将数据按照比例进行缩放，将数据落入小的区间以使得不同变量可以进行平等分析和比较。其具体作法如下：

式中，x

其中，在步骤三中所述的“核密度估计”，主要用来直观反应特征参数在不同状态下的分布状态，是一种非参数的概率密度估计方法。在实际生产过程中，所采集到的数据往往概率密度函数是未知的，不能确定其具体分布形式，因而用核密度估计法分析这一类缺乏先验知识的分布规律。在本次数据的处理中，待分析的数据为一维数据，采用一维核密度估计的公式：

其中，h为带宽且h＞0，K为一个非负函数成为核函数。这里采用高斯函数为核函数，即

h

其中，在步骤三中所述的“多元状态估计技术”，主要是指挖掘已有历史正常状态数据各参数之间的关系，从而对其物理过程建模，并利用在线监测正常数据与历史正常数据间的相似性，对在线设备当前状态进行判断的非线性状态估计技术。具体做法如下：

首先需要建立模型的历史记忆矩阵D。矩阵的每一列代表一个正常运行状态，即某一时刻采集到的状态数据；矩阵的每一行代表所观测的一个变量或特征。对设备时序信号X的m个状态进行观测，每个状态包含n个相同的特征。则某一时刻t

X(t

其中，x

D

对于某一时刻的观测向量X

X

其中，W为权值向量，每一个权值w

ε＝X

其中，ε表示观测向量X

式中，

式中，X和Y分别为两个时刻的状态向量，x

其中，在步骤三中所述的“基于等置信区间的抽样方法”，主要是指利用核密度估计及置信区间内的样本概率进行抽样，具体做法如下：

首先，对历史正常状态观测向量的每一个特征进行核密度估计，得到m个概率模型。仅保留满足每一个概率模型95％置信区间的观测向量，共有k个。

接着对剩余k个观测向量重新进行核密度估计，分别得到每个特征20％、40％、60％、 80％、100％置信区间所对应的特征范围，并得到置信区间在[0,0.2]、[0.2,0.4]、[0.4,0.6]、 [0.6,0.8]、[0.8,1]内的样本数目[K

筛选出满足每个特征置信区间的历史正常状态向量X

其中，在步骤四中所述的“残差偏离度”，主要是指各个时刻的观测向量X

式中，X和Y分别为某状态下的观测向量与估计向量，x

其中，在步骤四中所述的“状态偏离度”，主要是指各个时刻的估计向量X

式中，D为历史记忆矩阵，D

其中，在步骤四中所述的“相似比例”，主要是指各个时刻的估计向量X

式中，W

其中，在步骤五中所述的“自适应动态σ方法”，是指利用统计学方法得到设备的状态阈值的方法。取得到的一段时间段内相似比例值η＝[η

式中M为采样点数，η

其中，在步骤五中所述的“多级异常状态决策方法”，主要是指引用决策树的部分概念对设备的状态及其异常趋势进行判断的方法。决策过程如图1所示，具体做法如下：

阈值决策标准①：判断观测状态的相似比例函数值是否超过阈值。若该观测值未超过阈值，则认为设备处于正常状态，即设备异常级别为Ⅰ级，L＝0；超过阈值则进行下一步决策。

阈值决策标准②：取窗口N

趋势性决策标准：判断窗口N

异常状态确定标准：在窗口N

通过以上步骤，能够在设备，进入异常状态之前，对其异常趋势进行提前判断。根据得到的一组根据实时监测数据自适应调整的动态报警阈值线，既增加了实时阈值的精确性，也体现其动态性，对于有效、高效地进行机械设备在线健康状态识别及决策具有十分重要的意义。而基于相似比例的多级异常状态识别方法，监测设备的异常状态进行了更加详细的划分并能够大大降低模型的异常状态误报率。

在应用根据本发明的实施方式的一个示例性实例中，采用XJTU-SY滚动轴承的全寿命周期数据作为试验依据进行分析。轴承相关参数信息见表1。平台通过液压加载系统改变径向力，并通过转速控制器调节转速。采用两个单项加速度振动传感器对测试轴承水平和竖直两个方向的信号，采样频率为25.6kHz，采样间隔时间为1min，每次采样时长 1.28s。选取转速2100r/min，径向力12kN的工况下的第一个轴承的振动数据进行分析。该样本集共包含123个样本集合，对应轴承实际寿命为123min。每个集合中有32768个样本点，取每个集合的前32000个点进行案例分析。

表1测试轴承参数

图2示出了根据本发明的一个实施方式提供的基于多元状态估计技术的设备多级异常状态识别方法流程图。以下参考图2，对本发明的一个实施方式提供的一种基于多元状态估计技术的设备多级异常状态识别方法进行说明。根据本发明的一个实施方式提供的基于多元状态估计技术的设备多级异常状态识别方法可包括以下步骤：

步骤一，自适应降噪。将选取数据进行EEMD分解，得到每个样本的本征模态函数(IMFs)，图3为第40min时采集信号的EEMD分解图。分别计算每个IMF与原始信号的互相关系数ρ、该IMF的峭度值K

步骤二：敏感特征提取及数据标准化：接着对降噪后的信号进行特征提取。经过相似性分析及敏感性分析，选取与设备异常信息关联性较强的10个特征作为敏感特征，分别为均值T

所选择的10个特征的量纲差异较大，为保证能够正确衡量不同观测向量间的欧氏距离，根据特征观测值各自的分布情况进行数据标准化处理。设备运行一个周期约750 个数据点，以800个数据点作为一个样本长度，共可以产生4920个样本。已知从第3121 个样本点开始，认为设备已经处于异常状态。取前3000个样本对MSET模型进行构建，对这3000个样本进行标准化处理。

步骤三：利用核密度估计对多元状态估计技术进行改进：对10个特征分别进行核密度估计。选取满足每个特征置信区间95％以内的样本，共2283个。对剩余样本的复合特征进行核密度估计计算，在置信区间[0,0.2]、[0.2,0.4]、[0.4,0.6]、[0.6,0.8]、[0.8,1]内选取符合条件的样本，结果整理至表2。复合特征的置信区间如图5所示。确定每个区间的抽样样本数，共457个。利用抽样出的观测向量构成历史观测矩阵D

表2复合特征抽样样本

步骤四：构建相似比例函数：将全部样本作为观测向量，利用MSET对观测向量集进行状态估计，然后计算样本的估计向量和相似比例函数。分别取残差偏离权重与状态偏离权重为0.5，即W

步骤五：自适应动态阈值及异常状态决策方法：采用自适应动态σ方法对设备的状态阈值进行实时更新，并根据多级异常状态决策方法对设备状态机器异常趋势进行判断。一旦确定设备已经发生异常，则动态阈值不再更新。在图6中示出了决策后的动态阈值线和决策结果。当决策结果L＝4时，认为设备已经处于异常状态或即将发生异常，此时的样本点为第2926个，即该模型提前约195个采样样本发出异常警报。由于每40个样本代表1min，因此模型能够提前约5min对设备异常进行报警。

从决策图中可以看出，由于外部干扰等不确定因素，设备的异常状态级别是在波动变化的。当大量出现异常级别L>0的情况出现时，则可以判断设备极有可能发生异常。此外在设备运行初期，一度出现L＝1的潜在异常，这是因为设备在刚开始使用时，需要一段磨合期，因此所处状态并不稳定。当出现L＝4的情况时，认为设备已经处于异常状态或即将发生异常，现场工作人员可根据其所处状态对设备进行进一步处理。

本领域技术人员应理解本发明的实施方式所提供的多级异常状态识别不限于对以上所列出的异常级别进行决策，而是可根据具体情况和需要，设定为对所需的更多或更少异常级别进行决策。

本发明的实施方式提出的一种基于多元状态估计技术的设备多级异常状态识别方法，能够根据设备的在线运行状况得到自适应动态阈值，具有较高的实时性和敏感性。并且该方法能够在异常状态出现之前进行提前报警，为现场人员进行设备检修排除赢得宝贵的时间。此外，多级异常状态决策方法相对于传统的阈值决策方法，能够大大降低系统的误报率。

该模型不仅适用于以上说明的示例性案例中轴承的异常状态识别，还可以应用到其他机械设备及其关键零部件中，为其健康评估提供合理的参考。

本发明的实施方式还提供了一种装置，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器运行所述计算机程序时执行根据本发明的实施方式的基于多元状态估计技术的设备多级异常状态识别方法。

需要说明的是，附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本发明所提供的几个实施例中，应该理解到，所披露的装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

此外，前述仅说明了一些实施方式，可进行改变、修改、增加和/或变化而不偏离所公开的实施方式的范围和实质，该实施方式是示意性的而不是限制性的。此外，所说明的实施方式涉及当前考虑为最实用和最优选的实施方式，其应理解为实施方式不应限于所公开的实施方式，相反地，旨在覆盖包括在该实施方式的实质和范围内的不同的修改和等同设置。此外，上述说明的多种实施方式可与其它实施方式共同应用，如，一个实施方式的方面可与另一个实施方式的方面结合而实现再另一个实施方式。另外，任何给定组件的各独立特征或构件可构成另外的实施方式。

以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。