一种基于关联性健康基线的健康状态监测算法设计开发与应用方法

技术领域

本申请涉及一种卫星健康监控技术，尤其涉及一种基于关联性健康基线的健康状态监测算法设计开发与应用方法。

背景技术

随着工业化水平的提高、科学技术的发展，当今复杂装备系统结构交联密切，运行功能复杂，且需长期稳定运行；一旦出现异常或故障，往往会带来较为严重的经济损失乃至危及人员生命。通常，由于运行环境、工况变动等外界因素的干扰和不确定性，使得系统运行可靠性面临较大考验。因此，需要采取精准、高效的方法，对系统开展健康状态表征、运行状态监测和异常状态检测。传统方法中，依靠专家知识对系统运行状态参数进行分析判读，需要积累大量历史经验、执行效率低、可扩展性差，难以对复杂系统展开有效监测；依靠单参数阈值判定的方法，仅利用系统单一参数与固定阈值，只能完成卫星健康状态的二值化表征(健康/异常)，且极容易受到卫星运行工况和随机环境波动的干扰，导致较大概率的虚警和漏报。

复杂系统中，由于组成结构、功能结构等方面，系统中各分系统、单机、模块之间存在大量的交联关系，这些关系进一步反映在系统具体的运行参数上。通常，在稳定工况下，存在关联性的参数间表现出稳定的关联关系，因此可以基于这种关系构建系统关联性健康基线，对系统健康状态进行表征。利用实时运行参数，结合关联性健康基线，进一步开展系统的运行监测与异常检测。

发明内容

鉴于上述问题，本申请旨在提出一种系统化、自主化、高效化的基于关联性健康基线的健康状态监测算法设计开发与应用方法。

本申请的基于关联性健康基线的健康状态监测算法设计开发与应用方法，其包括：

第一步，关联性健康基线配置；

第二步，关联性健康基线构建；使用历史遥测参数，从参数关联性的角度出发，构建遥测参数之间的关联性健康基线族解析模型和关联性阈值，对系统健康状态进行表征；

第三步，关联性状态监测；利用构建的关联性健康基线，计算遥测参数的关联性阈值，判断遥测参数实际值与其之间关系，完成正常或异常的逻辑判断。

优选地，在第一步中，对构建关联性健康基线和实施关联性状态监测所需的必要信息进行配置，配置项包括：关联遥测参数组合、工况敏感参数、工况判别逻辑表达式、用于关联性健康基线构建的历史遥测数据时间范围、用于关联性状态监测的遥测数据时间范围、关联性健康基线解析函数类型、关联性状态监测异常判定准则。

优选地，在第二步中包括：

遥测参数正常数据与工况敏感参数获取；

工况切割；

关联性健康基线族构建；

关联性健康基线阈值构建。

优选地，在遥测参数正常数据与工况敏感参数获取中，根据配置中指定的关联计算遥测参数名称，在遥测参数数据库中进行检索和查询；并根据配置中指定的用于关联性健康基线构建的历史遥测数据时间范围，在数据库中抽取出参与关联性计算的遥测参数满足关联性健康基线构建时间范围的遥测参数值，得到关联计算遥测参数序列，分别记作自变量遥测参数序列和因变量遥测参数序列；

根据配置中指定的工况敏感参数名称，在遥测参数数据库中进行检索和查询；并根据配置中指定的用于关联性健康基线构建的历史遥测数据时间范围，在数据库中抽取出用于工况判断与识别的遥测参数满足关联性健康基线构建时间范围的遥测参数值，记作多个工况敏感遥测参数序列。

优选地，在工况切割中，将工况敏感遥测参数序列的时间轴中每一个时间点对应的工况敏感遥测参数值输入工况判别逻辑表达式中，获得布尔量序列；

在布尔量序列中，识别连续两个及两个以上值为真的子序列；每个子序列对应一个目标工况时刻区间；

在每个目标工况时刻区间对关联计算遥测参数序列进行切割，若关联计算遥测参数序列该目标工况时刻区间内有值，则关联计算遥测参数序列在该目标工况时刻区间内存在目标工况子序列；

将所有目标工况子序列按顺序排列，组成满足目标工况时刻的关联计算遥测参数序列。

优选地，在关联性健康基线族构建中，包括线性型关联性健康基线族构建和积分型关联性健康基线族构建；

在线性型关联性健康基线族构建中，将所述满足目标工况时刻的关联计算遥测参数序列中包含的所有遥测参数点按采样时刻从小到大的顺序依次排列，重组为目标工况下的关联遥测参数完整序列；根据配置的关联性健康基线解析函数类型，通过统计学方法中的参数估计方法，以目标工况下的关联遥测参数完整序列为样本，估计模型参数，并获得置信区间，得到参数的区间估计结果；落在区间内的所有由所述参数唯一确定的直线，均可表征遥测参数的健康状态，由此得到关联性健康基线族；

在积分型关联性健康基线族构建中，将自变量遥测参数进行离散积分变换，构成参数估计需要的样本；获得目标工况下的关联遥测参数序列组，对所有自变量目标工况子序列执行变换，得到变换后的自变量目标序列组；将因变量目标序列组合变换后的自变量目标序列组，按照采样时刻从小到大的顺序依次排列重组，得到目标工况下的关联遥测参数完整序列；通过统计学方法中的参数估计方法，以目标工况下的关联遥测参数完整序列为样本，估计模型参数，并获得置信区间，由此得到关联性健康基线族。

优选地，在关联性健康基线阈值构建中，获得目标工况下的关联遥测参数序列组，对所有自变量目标工况子序列执行变换，

将上述构建的健康基线族中，由参数估计点估计结果确定的函数记为健康基线中值函数，将变换后的自变量目标工况完整序列代入健康基线中值函数中，计算得到因变量目标工况中值估计值；

将因变量目标序列真值与因变量中值估计值作差，获得残差序列；使用残差序列最大值和最小值，修正健康基线族上界函数和下界函数，获得关联性健康基线上下阈值。

优选地，在第三步中包括：

遥测参数实时数据与工况敏感参数获取；

工况切割；

关联性计算；

结果判定。

优选地，在遥测参数实时数据与工况敏感参数获取中，根据配置中指定的关联计算遥测参数名称，在遥测参数数据库中进行检索和查询；并根据配置中指定的关联性计算时间范围，在数据库中抽取出参与关联性计算的遥测参数满足关联性计算时间范围的遥测参数值，得到关联计算遥测参数序列，分别记作自变量遥测参数序列和因变量遥测参数序列；

根据配置中指定的工况敏感参数名称，在遥测参数数据库中进行检索和查询；并根据配置中指定的关联性计算时间范围，在数据库中抽取出用于工况判断与识别的遥测参数满足关联性计算时间范围的遥测参数值，记作多个工况敏感遥测参数序列；

在工况切割中，将工况敏感遥测参数序列的时间轴中每一个时间点对应的工况敏感遥测参数值输入工况判别逻辑表达式中，获得布尔量序列；

在布尔量序列中，识别连续两个及两个以上值为真的子序列；每个子序列对应一个目标工况时刻区间；

在每个目标工况时刻区间对关联计算遥测参数序列进行切割，若关联计算遥测参数序列该目标工况时刻区间内有值，则关联计算遥测参数序列在该目标工况时刻区间内存在目标工况子序列；

将所有目标工况子序列按顺序排列，组成满足目标工况时刻的关联计算遥测参数序列；

在关联计算中，根据构建得到的关联性健康基线解析方程、关联性健康基线阈值下限和关联性健康基线阈值上限，分别计算每个目标工况子序列中，对应于自变量遥测参数值的因变量遥测参数关联值、关联阈值下限和关联阈值上限；

将全部目标工况子序列计算得到的关联值、关联阈值下限、关联阈值上限序列，按照子序列下标从小到大的顺序依次排列并首尾相接；并将各序列中的所有数值点按当前顺序进行重新标号，组成最终得到的完整关联值、关联阈值下限、关联阈值上限序列；将因变量遥测参数的全部目标工况子序列的遥测值进行拼接、重新标号，组成最终得到的完整工况因变量遥测值序列；

在结果判定中，分别计算完整工况因变量遥测值序列中每个值与关联阈值下限和关联阈值上限之间的关系；对于每个遥测点，计算产生一个超限标志位；所有超限标志位构成整个遥测参数序列的超限标志位序列；计算整个序列超限点总数占序列总长度的比例；将整个序列超限点总数占序列总长度的比例与配置中确定的超限比例判异阈值进行比较：若该比例大于该阈值，则判定结果为异常；若该比例小于等于该阈值，则判定结果为正常。

本发明的优点与积极效果在于：

本申请的方法，从系统参数关联性的角度出发，在完成相关信息配置的基础上，开展关联性健康基线构建；进而利用构建的关联性健康基线，结合实时运行监测数据，开展关联性状态监测，实时掌握系统运行状态，当异常发生时提供及时、准确预警。能够减少卫星健康状态监测算法设计开发中对于专家知识的依赖性，提高开发的自动化程度，同时有效降低漏报、虚警率。

附图说明

图1为实施例1的原始关联性遥测参数；

图2为实施例1的获取的目标工况时刻区间图；

图3为实施例1的满足目标工况时刻的关联遥测参数序列组；

图4为实施例1的参与关联性计算的遥测参数“A组蓄电池1-9电压”和“A组蓄电池电压”原始遥参图；

图5为实施例1的用于工况判断与识别的遥测参数“充电电流”和“放电电流”原始遥参图；

图6为实施例1的布尔量序列图；

图7为实施例1的满足工况判定逻辑表达式的充电工况内“A组蓄电池1-9 电压”、“A组蓄电池电压”图；

图8为实施例1的最终得到的完整关联值、关联阈值下限、关联阈值上限序列；

图9为实施例2的获取的原始关联性遥测参数(“充电电流”、“蓄电池容量”)正常数据与工况敏感参数(“充电电流”、“放电电流”)数据；

图10为实施例2的获取的目标工况时刻区间；

图11为实施例2的满足目标工况时刻的关联遥测参数序列组；

图12为实施例2的参与关联性计算的遥测参数“充电电流”和“蓄电池容量”原始遥参图；

图13为实施例2的用于工况判断与识别的遥测参数“充电电流”和“放电电流”原始遥参图；

图14为实施例2的布尔量序列图；

图15为实施例2的经过工况切割后，满足工况判定逻辑表达式的充电工况内“蓄电池容量”、“充电电流”图；

图16为实施例2的组成最终得到的完整关联值、关联阈值下限、关联阈值上限序列图。

具体实施方式

本申请的基于关联性健康基线的健康状态监测算法设计开发与应用方法，具体步骤如下：

步骤一：关联性健康基线配置

首先对构建关联性健康基线和实施关联性状态监测所需的必要信息进行配置。配置项包括：

(1)关联遥测参数组合：参与关联性状态监测计算和关联性状态监测的遥测参数组合，表现为一对在数值上具有关联性的遥测参数。

(2)工况敏感参数：用于判断和识别目标工况的遥测参数。

(3)工况判别逻辑表达式：用加、减、乘、除、与、或、非等基础数学或逻辑运算组成的，对工况敏感参数值进行运算的布尔表达式，当工况判别表达式为真时，对应遥测参数值属于目标工况段，否则不属于。

(4)用于关联性健康基线构建的历史遥测数据时间范围：根据专家知识、历史经验确定的用于构建关联性健康基线的历史遥测数据时间范围，一般体现为遥测数据在该时段内始终处于正常状态。

(5)用于关联性状态监测的遥测数据时间范围：实施关联性状态监测所需遥测数据所述的历史时间范围。

(6)关联性健康基线解析函数类型：表征自变量遥测参数与因变量遥测参数之间映射关系的解析函数，可以统一表征为y＝F(x)，其中x表示自变量遥测参数，y表示因变量遥测参数。通常来讲，关联性健康基线解析模型一般包括线性型、积分型，分别可以表示为：

y＝F(x)＝a+bx，其中a和b分别为线性函数常数项和一次项系数

(7)关联性状态监测异常判定准则：超限比例判异阈值t，代表当参与关联性状态监测的遥测数据点中处于超限状态的点数比例超过该阈值，则判定关联性状态监测范围内，该组关联遥测参数处于异常状态。

步骤二：关联性健康基线构建

本部分内容的目的在于解决当前卫星健康表征手段鲁棒性差、自适应性低以及模型复杂度过高的问题，提出了一种基于二元健康基线的卫星健康状态表征与阈值构建方法。

2.1遥测参数正常数据与工况敏感参数获取

根据配置中指定的关联遥测参数组合名称，在遥测参数数据库中进行检索和查询；并根据配置中指定的用于关联性健康基线构建的历史遥测数据时间范围，在数据库中抽取出参与关联性健康基线构建的遥测参数满足该时间范围的遥测参数值。分别记自变量遥测参数和因变量遥测参数序列为X和Y

X＝(x

Y＝(y

其中n代表参数X和Y的遥测参数数据点个数。

根据配置中指定的工况敏感参数名称，在遥测参数数据库中进行检索和查询；并根据配置中指定的用于关联性健康基线构建的历史遥测数据时间范围，在数据库中抽取出用于工况判断与识别的遥测参数满足该范围的遥测参数值。记c个工况敏感遥测参数序列分别为：

……

其中m表示工况敏感参数序列中包含的数据点个数。

2.2工况切割

工况切割以工况敏感遥测参数序列、关联遥测参数序列，以及配置的工况判别逻辑表达式为输入。记工况判别逻辑表达式为Cond(W

将工况敏感参数时间轴中每一个时间点对应的工况敏感遥测参数值输入工况判别逻辑表达式中，获得长度为m的布尔量序列；该序列中值为真的点，代表其对应的时刻满足目标工况，反之则不满足。记该布尔量序列为 B＝(f

在布尔量序列B中，识别连续两个及两个以上值为真的子序列。设第j个子序列的首尾值对应的时刻区间为

使用所有目标工况区间对关联遥测参数进行切割。若关联遥测参数在第j 个目标工况区间

将关联遥测参数的所有目标工况子序列按顺序排列，组成满足目标工况时刻的关联遥测参数序列组，简称为目标序列组。目标序列组记为：

2.3关联性健康基线族构建

本发明中，关联性健康基线是为了刻画一组遥测参数在健康状态下，彼此之间解析关系的函数模型，该模型以自变量遥测参数为输入，以因变量遥测参数为输出。实际情况中，受卫星空间环境扰动、自身状态波动等因素影响，一般而言，在一定范围内满足要求的解析函数模型均能够有效刻画自变量遥测参数与因变量遥测参数之间的关系，满足这样条件的所有关联关系解析函数模型，共同组成关联性健康基线族。

本部分分别说明线性型关联性健康基线模型和积分性关联性健康基线模型的健康基线族构建方法。

(1)线性型关联性健康基线族构建方法

通过步骤2.2，获得目标工况下的关联遥测参数序列组X

根据配置的关联性健康基线解析函数类型y＝F(x)＝a+bx，通过统计学方法中的参数估计方法，以X

(2)积分型关联性健康基线族构建方法

积分型关联性健康基线配置时以

通过步骤2.2，获得目标工况下的关联遥测参数序列组X

其中

对所有自变量目标工况子序列完成上述变换后，自变量目标序列组可表示为

将目标序列组中包含的所有遥测参数点按采样时刻从小到大的顺序依次排列，重组为目标工况下的关联遥测参数完整序列，简称目标序列X

由于已对自变量遥测数据完成离散积分变换，此时X

2.4关联性健康基线阈值构建

记通过步骤2.3构建的关联性健康基线族(包括线性型和积分型)为 {Y＝f(X)}，其中上界函数为

步骤三：关联性状态监测

步骤三利用步骤二构建的关联性健康基线，在目标工况条件下完成关联性计算、结果判定。

3.1遥测参数实时数据与工况敏感参数获取

根据配置中指定的关联计算遥测参数名称，在遥测参数数据库中进行检索和查询；并根据配置中指定的关联性计算时间范围，在数据库中抽取出参与关联性计算的遥测参数满足关联性计算时间范围的遥测参数值。分别记自变量遥测参数和因变量遥测参数序列为X和Y

X＝(x

Y＝(y

其中n代表关联计算遥测参数X和Y的遥测参数数据点个数。

根据配置中指定的工况敏感参数名称，在遥测参数数据库中进行检索和查询；并根据配置中指定的关联性计算时间范围，在数据库中抽取出用于工况判断与识别的遥测参数满足关联性计算时间范围的遥测参数值。记c个工况敏感遥测参数序列分别为：

……

其中m表示工况敏感参数序列中包含的数据点个数。

3.2工况切割

工况切割以工况敏感遥测参数序列、关联性计算遥测参数序列，以及配置的工况判别逻辑表达式为输入。记工况判别逻辑表达式为Cond(W

将工况敏感参数时间轴中每一个时间点对应的工况敏感遥测参数值输入工况判别逻辑表达式中，获得长度为m的布尔量序列；该序列中值为真的点，代表其对应的时刻满足目标工况，反之则不满足。记该布尔量序列为 B＝(f

在布尔量序列B中，识别连续两个及两个以上值为真的子序列。设第j个子序列的首尾值对应的时刻区间为

使用所有目标工况区间对时间标定后的关联计算遥测参数进行切割。若关联计算遥测参数在第j个目标工况区间

将关联计算遥测参数的所有目标工况子序列按顺序排列，组成满足目标工况时刻的关联计算遥测参数序列，简称为目标序列。目标序列记为：

3.3关联性计算

记参与关联性监测计算的两个遥测参数序列，分别为目标序列X

其中

特别地，若解析方程为非线性积分关系，而实际数据表现为离散值，则需要使用矩形法对离散值进行累加积分运算。以解析方程

根据上述方法，在第j个目标工况子序列中，针对所有遥测点计算得到因变量遥测参数的关联值序列、关联阈值下限序列和关联阈值上限序列如下

将k个目标工况子序列计算得到的关联值、关联阈值下限、关联阈值上限序列，按照子序列下标从小到大的顺序依次排列并首尾相接；并将各序列中的所有数值点按当前顺序进行重新标号，组成最终得到的完整关联值、关联阈值下限、关联阈值上限序列：

其中，N表示所有目标工况子序列中包含的数据点个数之和，即

将因变量遥测参数k个目标工况子序列的遥测值按上述方法进行拼接、重新标号，组成最终得到的完整工况因变量遥测值序列：

Y′＝(y

由于Y'是Y经过工况切割之后的输出，自然地，N

3.4结果判定

分别计算完整工况因变量遥测值序列Y'中每个值与关联阈值下限

计算每个遥测点的标志位，得到整个遥测参数序列的超限标志位序列

E＝(ε

计算整个序列中超限点总数

计算整个序列超限点总数占序列总长度的比例

其中N是参与计算的遥测点总个数。

将整个序列超限点总数占序列总长度的比例与配置中确定的超限比例判异阈值t进行比较：若c＞t，则判定结果为异常；若c≤t，则判定结果为正常。

实施例1：线性型关系

以“蓄电池1-9电压”、“蓄电池电压”为例，对基于关联性健康基线的健康状态监测算法设计开发与应用方法开展描述。

步骤一：关联性健康基线配置

首先对构建关联性健康基线和实施关联性状态监测所需的必要信息进行配置。

(1)关联遥测参数组合：“A组蓄电池1-9电压”、“A组蓄电池电压”

(2)工况敏感参数：“充电电流”、“放电电流”。

(3)工况判别逻辑表达式：“充电电流”>1and“放电电流”<4。

(4)用于关联性健康基线构建的历史遥测数据时间范围：20xx年x月x日 -20xx年x月x日。

(5)用于关联性状态监测的遥测数据时间范围：20xx年x月x日。

(6)关联性健康基线解析函数类型：y＝F(x)＝a+bx，其中a和b分别为线性函数常数项和一次项系数

(7)关联性状态监测异常判定准则：超限比例判异阈值t＝0.05。

步骤二：关联性健康基线构建

2.1遥测参数正常数据与工况敏感参数获取

根据配置中指定的关联遥测参数组合名称，在遥测参数数据库中进行检索和查询；并根据配置中指定的用于关联性健康基线构建的历史遥测数据时间范围，在数据库中抽取出参与关联性健康基线构建的遥测参数满足该时间范围的遥测参数值。

根据配置中指定的工况敏感参数名称，在遥测参数数据库中进行检索和查询；并根据配置中指定的用于关联性健康基线构建的历史遥测数据时间范围，在数据库中抽取出用于工况判断与识别的遥测参数满足该范围的遥测参数值。

获取的原始关联性遥测参数(“A组蓄电池1-9电压”、“A组蓄电池电压”)正常数据与工况敏感参数(“充电电流”、“放电电流”)数据如图1 所示。

2.2工况切割

工况切割以工况敏感遥测参数序列、关联遥测参数序列，以及配置的工况判别逻辑表达式为输入。工况判别逻辑表达式为：“充电电流”>1and“放电电流”<4，表示以c个工况敏感参数为输入，输出值为布尔量真或假。

将工况敏感参数时间轴中每一个时间点对应的工况敏感遥测参数值输入工况判别逻辑表达式中，获得布尔量序列，并识别连续两个及两个以上值为真的子序列。获取的目标工况时刻区间如图2所示。

使用所有目标工况区间对关联遥测参数进行切割，获取所有目标工况子序列，组成满足目标工况时刻的关联遥测参数序列组。目标序列组如图3所示。

2.3线性关联性健康基线族构建

根据配置的关联性健康基线解析函数类型y＝F(x)＝a+bx，通过统计学方法中的参数估计方法，以X

参数a和b的点估计结果分别为

则关联性健康基线族可表示为

2.4线性关联性健康基线阈值构建

记通过步骤2.3构建的关联性健康基线族为{Y＝f(X)}，其中上界函数为

使用残差序列最大值和最小值，修正健康基线族上界函数和下界函数，获得关联性健康基线上下阈值

步骤三：关联性状态监测

利用步骤二构建的关联性健康基线，在目标工况条件下完成关联性计算、结果判定。

3.1遥测参数实时数据与工况敏感参数获取

根据配置中指定的关联计算遥测参数名称，在遥测参数数据库中进行检索和查询；并根据配置中指定的关联性计算时间范围，在数据库中抽取出参与关联性计算的遥测参数满足关联性计算时间范围的遥测参数值。

参与关联性计算的遥测参数“A组蓄电池1-9电压”和“A组蓄电池电压”原始遥参如图4所示。

根据配置中指定的工况敏感参数名称，在遥测参数数据库中进行检索和查询；并根据配置中指定的关联性计算时间范围，在数据库中抽取出用于工况判断与识别的遥测参数满足关联性计算时间范围的遥测参数值。

用于工况判断与识别的遥测参数“充电电流”和“放电电流”原始遥参如图5所示。

3.2工况切割

工况切割以工况敏感遥测参数序列、关联性计算遥测参数序列，以及配置的工况判别逻辑表达式为输入。

根据配置的工况判别逻辑表达式：“充电电流”>1and“放电电流”<4，对每一个时间点对应的工况敏感遥测参数值进行判别，获得布尔量序列如下图所示：

工况切割以工况敏感遥测参数序列、关联性计算遥测参数序列，以及配置的工况判别逻辑表达式为输入。

根据配置的工况判别逻辑表达式：“充电电流”>1and“放电电流”<4，对每一个时间点对应的工况敏感遥测参数值进行判别，获得布尔量序列如图6 所示。

可以看出，当处于充电工况时，布尔量序列值为1；当处于非充电工况时，布尔量序列值为0。

在布尔量序列B中，识别连续两个及两个以上值为真的子序列，并获得目标工况时刻区间。使用所有目标工况区间对时间标定后的关联计算遥测参数进行切割，获得目标工况子序列。经过工况切割后，满足工况判定逻辑表达式的充电工况内“A组蓄电池1-9电压”、“A组蓄电池电压”如图7所示。

3.3关联性计算

根据配置的关联性健康基线解析方程y＝F(x)＝3.86+3.72x、关联性健康基线阈值下限

将所有目标工况子序列计算得到的关联值、关联阈值下限、关联阈值上限序列，按照子序列下标从小到大的顺序依次排列并首尾相接；并将各序列中的所有数值点按当前顺序进行重新标号，组成最终得到的完整关联值、关联阈值下限、关联阈值上限序列，结果如图8所示。

3.4结果判定

计算整个序列中超限点总数

计算整个序列超限点总数占序列总长度的比例

其中N是参与计算的遥测点总个数

c≤t，判定结果为正常。

实施例2：积分型关系

以自变量遥测参数“充电电流”、因变量遥测参数“蓄电池容量”为例，对基于关联性健康基线的健康状态监测算法设计开发与应用方法开展描述。

步骤一：关联性健康基线配置

首先对构建关联性健康基线和实施关联性状态监测所需的必要信息进行配置。

(1)关联遥测参数组合：“充电电流”、“蓄电池容量”

(2)工况敏感参数：“充电电流”、“放电电流”。

(3)工况判别逻辑表达式：“充电电流”>1and“放电电流”<4。

(4)用于关联性健康基线构建的历史遥测数据时间范围：20xx年x月x日 -20xx年x月x日。

(5)用于关联性状态监测的遥测数据时间范围：20xx年x月x日。

(6)关联性健康基线解析函数类型：

(7)关联性状态监测异常判定准则：超限比例判异阈值t＝0.05。

步骤二：关联性健康基线构建

2.1遥测参数正常数据与工况敏感参数获取

根据配置中指定的关联遥测参数组合名称，在遥测参数数据库中进行检索和查询；并根据配置中指定的用于关联性健康基线构建的历史遥测数据时间范围，在数据库中抽取出参与关联性健康基线构建的遥测参数满足该时间范围的遥测参数值。

根据配置中指定的工况敏感参数名称，在遥测参数数据库中进行检索和查询；并根据配置中指定的用于关联性健康基线构建的历史遥测数据时间范围，在数据库中抽取出用于工况判断与识别的遥测参数满足该范围的遥测参数值。

获取的原始关联性遥测参数(“充电电流”、“蓄电池容量”)正常数据与工况敏感参数(“充电电流”、“放电电流”)数据如图9所示。

2.2工况切割

工况切割以工况敏感遥测参数序列、关联遥测参数序列，以及配置的工况判别逻辑表达式为输入。工况判别逻辑表达式为：“充电电流”>1and“放电电流”<4，表示以c个工况敏感参数为输入，输出值为布尔量真或假。

将工况敏感参数时间轴中每一个时间点对应的工况敏感遥测参数值输入工况判别逻辑表达式中，获得布尔量序列，并识别连续两个及两个以上值为真的子序列。获取的目标工况时刻区间如图10所示。

使用所有目标工况区间对关联遥测参数进行切割，获取所有目标工况子序列，组成满足目标工况时刻的关联遥测参数序列组。目标序列组如图11所示。

2.3积分关联性健康基线族构建

根据具体实施方式中步骤2.3-(2)所述的积分型关联性健康基线族构建方法，对自变量遥测参数完成变换后，通过统计学方法中的参数估计方法，估计模型参数C和k，并获得置信区间。参数C和k的点估计结果分别为

2.4积分关联性健康基线阈值构建

记通过步骤2.3构建的关联性健康基线族为{Y＝f(X)}，其中上界函数为

使用残差序列最大值和最小值，修正健康基线族上界函数和下界函数，获得关联性健康基线上下阈值

步骤三：关联性状态监测

利用步骤二构建的关联性健康基线，在目标工况条件下完成关联性计算、结果判定。

3.1遥测参数实时数据与工况敏感参数获取

根据配置中指定的关联计算遥测参数名称，在遥测参数数据库中进行检索和查询；并根据配置中指定的关联性计算时间范围，在数据库中抽取出参与关联性计算的遥测参数满足关联性计算时间范围的遥测参数值。

参与关联性计算的遥测参数“充电电流”和“蓄电池容量”原始遥参如图 12所示。

根据配置中指定的工况敏感参数名称，在遥测参数数据库中进行检索和查询；并根据配置中指定的关联性计算时间范围，在数据库中抽取出用于工况判断与识别的遥测参数满足关联性计算时间范围的遥测参数值。

用于工况判断与识别的遥测参数“充电电流”和“放电电流”原始遥参如图13所示。

3.2工况切割

工况切割以工况敏感遥测参数序列、关联性计算遥测参数序列，以及配置的工况判别逻辑表达式为输入。

根据配置的工况判别逻辑表达式：“充电电流”>1and“放电电流”<4，对每一个时间点对应的工况敏感遥测参数值进行判别，获得布尔量序列如图14 所示。

可以看出，当处于充电工况时，布尔量序列值为1；当处于非充电工况时，布尔量序列值为0。

在布尔量序列B中，识别连续两个及两个以上值为真的子序列，并获得目标工况时刻区间。使用所有目标工况区间对时间标定后的关联计算遥测参数进行切割，获得目标工况子序列。经过工况切割后，满足工况判定逻辑表达式的充电工况内“蓄电池容量”、“充电电流”如图15所示。

3.3关联性计算

根据配置的关联性健康基线解析方程

将所有目标工况子序列计算得到的关联值、关联阈值下限、关联阈值上限序列，按照子序列下标从小到大的顺序依次排列并首尾相接；并将各序列中的所有数值点按当前顺序进行重新标号，组成最终得到的完整关联值、关联阈值下限、关联阈值上限序列，结果如图16所示。

3.4结果判定

计算整个序列中超限点总数

计算整个序列超限点总数占序列总长度的比例

其中N是参与计算的遥测点总个数

c≤t，判定结果为正常。

本方法的优点如下：

1、解决了传统健康表征、运行监测、异常检测方法所具有的依赖大量专家知识、鲁棒性差、难以扩展等问题，从参数关联性的角度，分别完成关联性健康基线构建与关联性状态监测，自主化程度高、虚报漏报问题少、可扩展性强。

2、针对系统运行存在多种工况的问题，纳入了工况识别手段，从而能够在特定工况下开展健康表征与检测，克服了运行工况波动、切换对监测带来的不利影响。

3、提供了一套完整的、可执行度高的设计开发与应用方法，可直接从原始系统监测参数出发，端到端地完成健康状态表征与异常检测，对复杂系统运行监测、使用与维修保障等提供有效支撑。

除非另有定义，本申请中使用的所有技术和/或科学术语具有与由本发明所涉及的领域的普通技术人员通常理解的相同含义。本申请中提到的材料、方法和实施例仅为说明性的，而非限制性的。

虽然已结合具体实施方式对本发明进行了描述，在本申请的发明主旨下，本领域的技术人员可以进行适当的替换、修改和变化，这种替换、修改和变化仍属于本申请的保护范围。