CN112197890B - 一种热量表性能退化评估方法、存储介质及设备 - Google Patents

Abstract

本发明公开了一种热量表性能退化评估方法、存储介质及设备，先对热量表的监测数据进行异常点剔除和去趋势项预处理，构建热量表性能退化特征集并使用多评价指标对最优特征进行选择；然后利用改进DBSCAN算法获得正常状态基准，构建了马氏距离与余弦相似度融合的性能退化指标；接着提出了基于拉依达准则的自适应退化阶段划分方法，并结合热量表性能退化曲线完成了四个退化阶段的阈值确定，通过计算待测热量表退化特征状态点与各基准的性能退化指标值判断所属阶段，并提出了基于判定准确率的评估标准，实现了热量表性能退化的准确评估。本发明在一定程度上能够提高热量表退化评估算法的运行效率和结果准确性，实现热量表的性能退化阶段模式识别。

Description

一种热量表性能退化评估方法、存储介质及设备

技术领域

本发明属于热量表安全技术领域，具体涉及一种基于退化阶段模式识别的热量表性能退化评估方法、存储介质及设备。

背景技术

目前，在热量表性能退化研究方面，仅通过热量表的耐久性试验结果无法判断其性能退化情况，热量表是否退化、退化程度都处于未知状态，这是耐久性试验对热量表性能分析的盲点。热量表从正常状态到失效状态会经历不同的退化阶段，通过热量表监测数据对其运行状态进行分析评估，对保证热量表的安全有效运行具有重要意义，同时也有利于保证热量表稳定、准确地记录用户的热量使用情况，减少计量纠纷的发生。

仪表设备性能退化状态评估研究的关键在于如何准确构建反映其工作运行状态的性能退化指标。然而当前方法无论是基于单特征变量、特征的线性融合，还是基于状态偏移的性能退化指标构建，都只是考虑了单一量值的变化，对于热量表这样的仪表设备，依靠单一量值构建的性能退化指标无法准确描述出其性能退化状态，并且现有方法将热量表的退化及失效阈值设置为固定值，对热量表的个体性差异考虑不足，导致方法的泛化能力较差。另外，现有方法对于性能退化评估的评估标准是以传统方法计算结果作为参考标准，利用所提方法进行对比，得到结果的有效性，然而在没有实际退化曲线作为基准的情况下，使用传统方法结果作为基准，缺乏实际退化曲线基准的证明，导致结果严谨性不足。

因此，如何在准确构建热量表性能退化曲线的基础上，找到一种既考虑热量表个体差异性，又能更加客观地衡量热量表退化状态的方法，成为亟需解决的问题。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于退化阶段模式识别的热量表性能退化评估方法、存储介质及设备，通过热量表退化阶段模式识别的方式，综合全部的热量表监测数据，进行去差异化的性能退化评估技术研究。

本发明采用以下技术方案：

一种热量表性能退化评估方法，包括以下步骤：

Q1、对基于代表热量表性能退化的流量误差监测数据进行异常点剔除和去趋势项预处理；

Q2、对步骤Q1预处理后的热量表数据进行特征提取与特征筛选，构建热量表性能退化候选特征集Ts，使用多维评价指标对候选特征集进行筛选得到表征热量表状态的最优特征集Tb；

Q3、基于步骤Q2的最优特征集Tb，利用改进的DBSCAN算法对热量表正常状态数据进行聚类处理，获得正常状态的聚类中心，作为热量表正常状态评估基准；

Q4、基于步骤Q3正常状态基准和待测热量表当前状态样本，构建综合马氏距离和余弦相似度的性能退化指标DI，以此评估当前状态的性能退化程度，并绘制热量表的性能退化曲线；

Q5、基于拉依达准则自适应地计算热量表各退化阶段的边界点，并结合步骤Q4的性能退化曲线确定热量表各退化阶段的具***置；

Q6、将所有热量表数据重复步骤Q1～Q5，然后将各阶段数据分别组合，使用改进的DBSCAN算法分别聚类得到各个退化阶段基准，通过计算待测热量表特征数据与各阶段基准的性能退化指标值判断其所属阶段，实现热量表基于退化阶段模式识别的性能退化评估。

具体的，步骤Q1具体为：

Q101、获取热量表耐久性试验过程中的监测数据，观察数据并对数据前3/4表现为波动的部分进行剔除；

Q102、利用Cox-Stuart检验分析对热量表数据的变化趋势进行检验，以确定热量表数据是否存在上升或者下降的变化趋势；

Q103、利用多项式最小二乘法对热量表数据进行去趋势项处理，通过K阶多项式X_n拟合数据的趋势项；确定拟合数据和原始数据之间的误差平方和E(T_s)；通过计算E(T_s)对b_k的偏导数并使其等于0，获得b_k的值从而获得数据的趋势项，使用原始数据减去求出的趋势项，得到数据去除趋势项以后的结果，计算趋势项系数的方程如下：

其中，b_k为多项式系数，k＝0,1,2,..,K，x_n为热量表流量误差离散序列，n＝1,2,3,...,N，T_s为采样间隔，j＝0,1,2,...,K。

具体的，步骤Q2具体为：

Q201、对经过预处理后的数据进行时域特征提取以及基于小波包分解和经验模态分解的时频域特征提取，以3层小波包分解节点能量比和经验模态分解的本征模函数能量比作为时频域特征，构建热量表性能退化的特征集Ts；

Q202、利用单调性、相关性和鲁棒性评价指标进行热量表特征的筛选，得到表征热量表状态的最优特征集Tb，单调性反映特征单调趋势强度，相关性反映特征在同类个体中的普适性，鲁棒性反映数据特征抗噪声的稳定程度，根据Ts中特征的各个指标值进行特征选择，得到热量表的最优性能退化特征集Tb。

具体的，步骤Q3中，改进的DNSCAN聚类算法的步骤如下：

Q301、在数据集X中，随机选取一个未被标记的数据对象x_i作为初始点，开始进行邻域Eps内的对象数目查询，如果数据对象x_i是核心对象，则将x_i邻域Eps内的所有数据对象标记为簇C；如果数据对象x_i不是核心对象，则继续进行遍历；

Q302、选择簇C中距离核心对象x_i距离较远的点x_j进行邻域Eps数目查询，如果x_j是核心对象，则将x_j数据对象邻域Eps内不在簇C里的点加入到簇C里；如果x_j不是核心对象，则从距离x_j最近的数据对象继续进行遍历迭代，直至找到x_i邻域Eps内的数据对象为下一个核心对象，或者遍历完x_i邻域Eps内的数据对象为止；

Q303、重复步骤Q302，直至没有新的数据对象加入当前簇C；

Q304、重复步骤Q301～Q303，直至所有的数据对象被标记。

具体的，步骤Q4具体为：

Q401、构建马氏距离指标DI_Md，取值范围为(0,1]，指标值越大表示两种特征数据状态差异越小；

Q402、构建余弦相似度指标Cd，取值范围为[-1,1]，当空间中两个向量夹角越小，则两个向量在用余弦相似度度量时的差异性越小；

Q403、基于D-S证据理论制定决策中融合指标收敛性较高的乘性规则，构建基于马氏距离与余弦相似度相融合的性能退化指标DI，性能退化指标取值范围为[0,1]，退化指标DI越小，表示热量表性能退化偏离正常状态越多，即性能退化越严重。

进一步的，步骤Q403中，性能退化指标DI具体为：

其中，Cd为余弦相似度；DI_Md为距离指标；Md为马氏距离。

具体的，步骤Q5具体为：

Q501、根据热量表监测数据设定所需的滑动窗口长度L、允许连续均值超限个数N以及滑动窗口步长K的大小；

Q502、计算相应滑动窗口数据序列的均值M及标准差S，得到此时窗口内第一个连续N个热量表数据的均值M1；

Q503、当连续N个热量表数据的均值M1与相应滑动窗口的数据系列均值M做差的绝对值小于3倍的标准差S时，以N为步长计算滑动窗口内下一个连续N个热量表数据的均值并更新M1，再与窗口数据均值M做差，求其绝对值与3S比较大小；如果对比结果大于3S，进入步骤Q505；反之，进入步骤Q504；

Q504、如果Q503的结果小于3S，则继续以N为步长计算滑动窗口内下一个连续N个热量表数据的均值并更新M1，计算与数据均值M做差的绝对值大小，并与3S进行对比，直至将此滑动窗口内数据计算完毕，然后移动滑动窗口步长K的长度，更新滑动窗口数据序列，重复步骤Q502～Q504；如果对比结果大于3S，进入步骤Q505；

Q505、若连续N个热量表数据的均值与窗口数据做差的绝对值大于3S，则判定热量表已经偏离原本阶段进入下一阶段，以此次N个热量表数据的第一个点为更新窗口数据序列的初始点，记录该点，并重复步骤Q502～Q504继续计算，直至热量表数据计算完毕。

具体的，步骤Q6具体为：

Q601、按照步骤Q5的方法对每块热量表进行四个退化阶段的划分，然后划分待测热量表退化特征样本数据源，并将其余各块热量表的特征数据分别按照正常运行阶段I、早期退化阶段Ⅱ、严重退化阶段Ⅲ和失效阶段Ⅳ进行分类整合；

Q602、按照改进DBSCAN算法分别对步骤Q601的分类结果进行聚类分析，得到四个阶段的聚类结果，根据聚类结果分别计算均值求出热量表各性能退化阶段的基准S1、S2、S3、S4，以此作为衡量待测热量表性能退化阶段的参考基准；

Q603、从待测热量表样本特征数据源中选取部分特征数据，计算待测热量表样本特征数据与四个基准之间的退化指标值DI1、DI2、DI3、DI4，退化指标值越大表示待测热量表所处退化阶段越接近相应基准，识别为相应阶段，最后计算判定准确率，实现热量表的性能退化评估。

本发明的另一个技术方案是，一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行所述的方法中的任一方法。

本发明的另一个技术方案是，一种计算设备，包括：

一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行所述的方法中的任一方法的指令。

与现有技术相比，本发明至少具有以下有益效果：

本发明提出了一种基于退化阶段模式识别的热量表性能退化评估方法，首先对热量表状态监测数据进行了异常点剔除与去趋势项处理，可以实现数据的“净化”，提供更加优质、准确的数据；从不同角度对性能退化特征进行提取并通过多评价指标对特征进行筛选以获取更加全面准确的特征集；利用改进的DBSCAN算法可以确定更加准确的正常状态基准并提升算法运行效率；利用马氏距离和余弦相似度相融合的性能退化指标以更准确地评判热量表的性能退化程度；利用拉依达准则结合热量表性能退化曲线可以自适应地对热量表退化阶段进行划分；利用改进DBSCAN算法提取了总体热量表数据的各运行阶段基准，去除了个体差异性；通过计算待测热量表退化特征状态点与各基准的性能退化指标值判断其所属阶段，实现了基于模式识别的热量表性能退化评估。

进一步的，通过对热量表数据的异常点剔除和去趋势项处理，有效地解决了原始数据中“脏数据”的影响和基线偏移的问题，为后续数据分析提供了良好的数据基础；

进一步的，通过基于时域与时频域的多角度特征提取，实现数据内部的变化规律的提取，解决了特征集构建片面、不完善的问题，并通过单调性、相关性、鲁棒性3个特征评价指标，完成了特征筛选，解决了传统方法评价指标角度单一的问题，同时保留了数据的可解释性；

进一步的，通过改进的DBSCAN算法构建个体热量表正常状态基准，对热量表退化特征数据进行更贴合实际的聚类分析，并且提高了算法运行效率；

进一步的，通过马氏距离来衡量热量表当前状态与正常状态基准之间的偏离程度，考虑到了不同特征数据之间的差异与联系，通过余弦相似度从角度方面衡量偏离程度，解决了单一属性构建性能退化指标不完善的问题，同时将两种指标融合形成性能退化指标，可以更有效地评估热量表性能退化的程度；

进一步的，通过D-S证据理论制定决策中的乘性规则将马氏距离和余弦相似度指标进行融合，可以使融合形成的性能退化指标收敛性较高；

进一步的，通过拉依达准则和性能退化曲线的综合分析，自适应地划分了热量表四个性能退化阶段，解决了热量表退化阶段经验划分的问题；

进一步的，充分融合了各热量表的差异性，通过改进的DBSCAN算法计算总体热量表数据各阶段参考基准，提出新的热量表退化评估评价标准为判定准确率，实现了去差异性的热量表性能退化评估分析。

综上所述，本发明基于退化阶段模式识别的热量表性能退化状态评估技术，能够在一定程度上实现更精确地热量表性能退化状态评估。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

图1为基于退化阶段模式识别的热量表性能退化状态评估的方法流程图；

图2为热量表A瞬时流量相对误差原始数据图；

图3为热量表A瞬时流量相对误差预处理后数据图；

图4为热量表A正常运行状态两种DBSCAN算法的运算结果以及效率对比图；

图5为热量表A性能退化指标曲线图；

图6为热量表A性能退化指标曲线阶段划分图；

图7为不同退化指标构建方法的判定准确率结果对比图。

具体实施方式

本发明提供了一种基于退化阶段模式识别的热量表性能退化评估方法、存储介质及设备，首先，通过对热量表的状态监测的原始数据进行异常点剔除和去趋势项的预处理；对所获得的数据进行特征提取构建热量表性能退化特征集Ts，使用多指标筛选的方法得到表征热量表状态的最优特征集Tb；

其次，通过改进的DBSCAN算法将热量表的正常状态特征数据进行聚类处理，获得热量表正常状态评估基准；以热量表正常状态评估基准为基础，融合马氏距离和余弦相似度构建性能退化指标来表征热量表的当前状态与评估基准的偏离程度，并绘制热量表的性能退化曲线；利用拉依达准则自适应地计算热量表各退化阶段的边界点，并结合其性能退化曲线确定热量表四个退化阶段的具***置；

然后，将所有热量表监测数据分别进行上述步骤的处理，处理完毕后将热量表各阶段数据分别组合，共形成4部分，分别为正常运行阶段、早期退化阶段、严重退化阶段和失效阶段，使用改进的DBSCAN算法分别对其提取聚类特征，得到去除个体差异性的热量表各阶段评估基准；

最后，分别计算待测热量表的特征数据与四个退化阶段评估基准的性能退化指标值，将待测热量表的运行阶段划分到性能退化指标取值最大的基准所对应的阶段，实现热量表基于退化阶段模式识别的性能退化评估。

请参阅图1，本发明一种基于退化阶段模式识别的热量表性能退化评估方法，包括以下步骤：

Q1、对热量表原始状态监测数据进行异常点剔除和去趋势项处理；

Q101、获取热量表耐久性试验过程中的监测数据，使用基于数据筛选的异常点剔除方法对热量表数据波动不明显的地方进行噪声点剔除，以实现数据的“净化”处理；

Q102、使用Cox-Stuart检验分析方法对去除异常点后的热量表监测数据进行趋势检验，判断其中是否存在趋势项，该方法的基本步骤如下：

Step1：做出假设：

原假设H₀：无上升趋势；备择假设H₁：有上升趋势；

原假设H₀：无下降趋势；备择假设H₁：有下降趋势；

原假设H₀：无趋势；备择假设H₁：有上升或下降的趋势。

Step2：假设共有n个样本点，取x_i和x_i+c组成数对(x_i,x_i+c)，则当n为偶数时，共有c对；当n为奇数时，共有c-1对；其中，

Step3：计算符号，计算D_i＝x_i+c-x_i，统计D_i取正值和负值的个数，当无趋势项时，D_i取正值或负值均服从p＝0.5的二项分布；如果D_i取正值的数量多，则存在上升趋势；如果D_i取负值数量多，则存在下降趋势；

Step4：记S+＝#{D_i为正数，i＝1,2,...,n}，等价于

其中，

n′为D_i不等于0的数对个数。

Step5：记S-＝#{D_i为负数，i＝1,2,...,n}，等价于

其中，

n′为D_i不等于0的数对个数。

Step6：对于三种假设检验，各备择假设对应的p值计算如表1所示：

表1各备择假设的p值对应表格

Q103、采用多项式最小二乘法拟合的趋势项去除方法进行热量表数据的趋势项去除，具体原理如下：

假设x_n为一离散序列(n＝1,2,3,...,N)，其采样间隔为T_s，因此可以通过一个K阶多项式X_n来拟合数据的趋势项，趋势项表示如下：

其中，b_k为多项式系数，n＝1,2,3,...,N。

多项式X_n是对离散序列x_n的估计序列，由最小二乘法的性质可知，拟合数据和原始数据之间的误差关系表示如下：

E(T_s)代表误差函数，为了取得误差函数的极小值，需要对式(2)中的b_k求偏导，表示如下：

其中，j＝0,1,2,...,K。

令

化简式(3)，若K＝2，趋势项的系数方程可以化简如下：

当

时，可以得到趋势项系数的一般方程式，表示如下：

将式(5)求解出的系数代入式(1)，便可以得到监测数据的趋势项，继而对其进行去除处理。根据热量表监测数据的实际变化情况，通过统计分析的方法设定拟合多项式次数，将样本点进行最小二乘法拟合，求出趋势项多项式的待定系数，然后使用初始数据减去求出的趋势项，得到数据去除趋势项以后的结果。

Q2、对处理后的数据进行特征提取与特征筛选，构建热量表性能退化候选特征集，使用多指标筛选的方法得到表征热量表状态的优质特征，具体如下：

Q201、根据时域、小波包分解和经验模态分解理论，构建表征热量表性能退化的特征集Ts。所选择的时域特征包括有量纲时域特征10个，无量纲时域特征6个，如表2、表3所示。

表2有量纲时域指标的计算公式

表3无量纲时域指标的计算公式

根据热量表监测数据变化微小、连续的特点，采用3层小波包分解进行时频域特征提取，分解到第三层得到8个节点，当热量表运行状态发生变化时，热量表监测数据的小波包节点能量也会发生相应变化，第i个小波包节点能量可表示如下：

其中，N为节点i的样本总数；l为分解节点i的第l个样本；r_i(l)为第i个节点的第l个小波包系数。

使用3层小波包分解节点能量比作为时频域特征；第i个小波包分解节点能量比为：

其中，E_il为第i个分解节点的第l个样本能量；n为小波包分解层数；i＝1,...,2ⁿ，此处n＝3。

利用经验模态分解提取对热量表监测数据进行时频域特征提取，信号x(t)的经验模态分解表示为下式：

其中，imf_i(t)为第i个本征模函数，r_n(t)为残差函数。

本征模函数能量反映了数据在不同频带上的变化信息，第i个经验模态分解能量可表达如下：

其中，N为第i个本征模函数中的样本数量，t为第i个本征模函数中第t个样本。

本发明使用本征模函数能量比作为时频域特征，第i个本征模函数能量比为：

其中，M_it为第i个本征模函数的第t个样本能量；n为本征模函数个数，i＝1,2,...,n。

Q202、利用单调性、相关性和鲁棒性3个指标对候选特征进行评价筛选，得到表征热量表状态的最优特征；3个指标的定义如下：

Q2021、单调性评价指标；

单调性评价指标刻画了特征单调趋势的强度，具体定义如下：

其中，F＝{f₁,f₂,...,f_n}为热量表的某个退化特征序列；单位阶跃函数

表达式为

特征选择的单调性评价指标是基于特征序列变化一致性定义的，其大小取决于特征单调的程度，取值范围为[0,1]，某一特征单调性评价指标取值越靠近1，表明该特征的单调性趋势很好，可以更好地应用于设备的服役状态评估研究。

Q2022、相关性评价指标；

相关性评价指标反映了特征在同类个体中的普适性，具体公式如下：

其中，F＝{f₁,f₂,...,f_n}为热量表的某个退化特征序列；t＝{t₁,t₂,...,t_i,...,t_n}为热量表数据样本的时间序列；n为热量表的样本数。

特征选择的相关性评价指标是基于斯皮尔曼(Spearman)相关系数定义的，反映了特征序列与时间(寿命)序列间的相关程度，较高的相关性指标值表示较好的相关性，其取值范围为[0,1]。某一特征的相关性指标越大，其与时间(寿命)的相关性也就越大，从而该特征也能更好地应用于设备的服役状态评估研究。

Q2023、鲁棒性评价指标；

鲁棒性评价指标反映了数据特征抗噪声的稳定程度，具体公式定义如下：

其中，F＝{f₁,f₂,...,f_n}为热量表的某个退化特征序列；

为由相应特征序列平滑处理得到的趋势序列。

特征选择的鲁棒性评价指标是基于特征序列波动程度定义的，从鲁棒性指标定义可以看出该评价指标刻画了特征对外界干扰的鲁棒性，其取值范围为[0,1]。某一特征随时间(寿命)变化表现出越平滑的规律，则其鲁棒性指标越接近于1，从而该特征也能更好地应用于设备的服役状态评估研究。

Q3、通过改进的DBSCAN算法将热量表的正常状态特征数据进行聚类处理，获得热量表正常状态评估基准；详细流程如下：

Q301、在数据集X中，随机选取一个未被标记的数据对象x_i作为初始点，开始进行邻域Eps内的对象数目查询，如果数据对象x_i是核心对象，则将x_i邻域Eps内的所有数据对象标记为簇C；如果数据对象x_i不是核心对象，则继续进行遍历；

Q302、选择簇C中距离核心对象x_i距离较远的点x_j进行邻域Eps数目查询，如果x_j是核心对象，则将x_j数据对象邻域Eps内不在簇C里的点加入到簇C里；如果x_j不是核心对象，则从距离x_j最近的数据对象继续进行遍历迭代，直至找到x_i邻域Eps内的数据对象为下一个核心对象，或者遍历完x_i邻域Eps内的数据对象为止；

Q303、重复步骤Q302，直至没有新的数据对象加入当前簇C；

Q304、重复步骤Q301-Q303，直至所有的数据对象被标记。

根据热量表退化特征提取与选择的结果，选择热量表正常运行状态的数据，即特征数据稳定波动状况下的部分，将其分离出来作为热量表的正常运行状态监测数据。将此部分特征数据作为改进DBSCAN算法的输入，依据K-平均最近邻法和数学期望法确定其邻域参数值Eps与MinPts的最优选择。对最终的聚类结果进行聚类特征提取，即计算均值求出其聚类中心，以此作为热量表正常运行状态的基准，为后续退化指标值的计算做铺垫。

Q4、融合马氏距离和余弦相似度构建性能退化指标来表征热量表的当前状态与评估基准的偏离程度，并绘制热量表的性能退化曲线，具体步骤如下：

Q401、构建马氏距离指标DI_Md，其取值范围为(0,1]，指标值越大表示两种特征数据状态差异越小：

其中，

和

为不同状态对应的特征向量；∑为协方差矩阵。

Q402、构建余弦相似度指标Cd，其取值范围为[-1,1]，当空间中两个向量夹角越小，则这两个向量在用余弦相似度度量时越相似，其差异性越小。

其中，b和c为向量

和

的模；

为向量

和

的内积；a为夹角A对应的三角形边长。

Q403、借鉴D-S证据理论制定决策中融合指标收敛性较高的乘性规则，构建基于马氏距离与余弦相似度相融合的性能退化指标DI，性能退化指标取值范围为[0,1]，且退化指标DI越小，表示热量表性能退化偏离正常状态越多，即性能退化越严重。

其中，Cd为余弦相似度；DI_Md为距离指标；Md为马氏距离。

Q5、基于拉依达准则自适应地计算热量表各退化阶段的边界点，并结合其性能退化曲线确定热量表四个退化阶段的具***置。

拉依达准则是一种异常值检测方法，可以对热量表退化阶段进行自适应划分，该方法详细步骤如下：

Q501、根据热量表监测数据的多少，设定算法所需的滑动窗口长度L、允许连续均值超限个数N以及滑动窗口步长K的大小；

Q502、计算相应滑动窗口数据序列的均值M及标准差S，得到此时窗口内第一个连续N个热量表数据的均值M1；

Q503、当连续N个热量表数据的均值M1与相应滑动窗口的数据系列均值M做差的绝对值小于3倍的标准差S时，以N为步长计算滑动窗口内下一个连续N个热量表数据的均值并更新M1，再与窗口数据均值M做差，求其绝对值与3S比较大小；如果对比结果大于3S，进入步骤Q505；反之，进入步骤Q504；

Q504、如果Q503的结果小于3S，则继续以N为步长计算滑动窗口内下一个连续N个热量表数据的均值并更新M1，计算与数据均值M做差的绝对值大小，并与3S进行对比，直至将此滑动窗口内数据计算完毕，然后移动滑动窗口步长K的长度，更新滑动窗口数据序列，重复Q502-Q504步的计算；如果对比结果大于3S，进入步骤Q505；

Q505、若连续N个热量表数据的均值与窗口数据做差的绝对值大于3S，则判定热量表已经偏离原本阶段进入下一阶段，以此次N个热量表数据的第一个点为更新窗口数据序列的初始点，记录该点，并重复步骤Q502～Q504继续计算，直至热量表数据计算完毕。

根据上述拉依达准则将各块热量表数据中状态“突变”位置找到，结合性能退化指标绘制相应热量表性能退化曲线，将找到的突变位置与性能退化曲线一起作为参考确定热量表正常运行阶段，早期退化阶段、严重退化阶段以及失效阶段四个阶段的分界点。

Q6、将所有热量表监测数据分别进行上述步骤的处理，处理完毕后将热量表各阶段数据分别组合，共形成4部分，分别为正常运行阶段、早期退化阶段、严重退化阶段和失效阶段，使用改进的DBSCAN算法分别对其提取聚类特征，得到去除个体差异性的热量表各阶段评估基准。从待测热量表样本特征数据源中选取部分特征数据，计算待测热量表样本特征数据与四个基准之间的退化指标值，退化指标值越大表示待测热量表所处退化阶段越接近相应基准，将其识别为相应阶段，最后计算其判定准确率，进而实现热量表的性能退化评估；步骤Q6具体为：

Q601、首先按照Q5具体方法，对每块热量表进行四个退化阶段的划分，然后划分待测热量表退化特征样本数据源，并将其余各块热量表的特征数据分别按照正常运行阶段I、早期退化阶段Ⅱ、严重退化阶段Ⅲ和失效阶段Ⅳ进行分类整合，共分成四大类；

Q602、整合完毕后按照改进DBSCAN算法分别对其进行聚类分析，得到四个阶段的聚类结果，根据聚类结果分别计算均值求出热量表各性能退化阶段的基准S1、S2、S3、S4，以此作为衡量待测热量表性能退化阶段的参考基准；

Q603、从待测热量表样本特征数据源中选取部分特征数据，计算待测热量表样本特征数据与四个基准之间的退化指标值DI1、DI2、DI3、DI4，退化指标值越大表示待测热量表所处退化阶段越接近相应基准，将其识别为相应阶段，最后计算其判定准确率，进而实现热量表的性能退化评估。

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。

所用热量表数据来自4000次冷热冲击试验，数据采集周期设置为15s，每个冷热冲击周期为5min，每次试验持续约333.3个小时，共收集48块热量表的监测数据，以失效热量表A为例进行验证。热量表A瞬时流量相对误差原始数据如图2所示，可以看出有明显的异常点数据，由于尾部数据异常点无法判断时实验噪声导致还是热量表退化甚至失效导致，只对数据约前3/4波动不明显的部分进行异常点剔除。在此基础上，对热量表A监测数据进行基于Cox-Stuart的趋势检验，求得S+＝7，S-＝272993，易知S-远远大于S+，因此判断数据有下降的趋势，接下来对该结论进行假设检验，取k＝min(S+,S-)＝7，令原假设H₀：无下降趋势；备择假设H₁：有下降趋势，计算备择假设的p值如下：

取置信水平α＝0.05，可得p＜＜α，故可以拒绝原假设，结果证明数据有下降趋势，因此需要对热量表A的监测数据进行去趋势项分析。在热量表监测数据异常点剔除和趋势分析的基础上，根据热量表监测数据的实际变化情况，设定拟合多项式次数n＝2，计算得到数据去除趋势项以后的结果。异常数据剔除与趋势项处理之后的热量表数据如图3所示。对比图2的原始数据，可以明显看出热量表失效之前数据的“毛刺”已被清除，并且数据整体回归y＝0所表示的轴线，尤其在样本点4.5×10⁵之前运行平稳的状态偏离y＝0轴线的程度明显减小。

进行特征提取与选择时，以每2000个样本点组成一个样本(100个周期，约8.333个小时)，并设100个周期时间长度为滑动窗口步长，对热量表A监测数据进行特征提取。共提取时域特征16个，时频域特征11个，合计27个特征，组成热量表的特征候选集。

计算各个特征的单调性评价指标值、相关性评价指标值和鲁棒性评价指标值，根据热量表A退化特征评价指标的具体取值情况，按照单调性、相关性和鲁棒性评价指标值均大于0.8的标准进行特征选择，最后得到T₃(均方根值)，T₅(绝对平均值)，T₁₉(节点3能量比)，T₂₅(IMF1能量比)，以此作为描述热量表A性能退化的特征。与未经过趋势项去除的传统特征选择方法进行对比，选出的4个特征指标具体结果如表4所示，可以看出，本文方法在特征评价指标取值上均优于传统方法。

表4不同方法下优质特征的评价指标值对比

通过观察特征均方根值、绝对平均值、节点3能量比和IMF1能量比数据的变化，将其中第1-140个样本作为热量表A正常运行状态的样本。为验证本文提出的基于改进DBSCAN算法的有效性，以去除离群点后的正常状态数据作为改进DBSCAN算法的输入，参数均设置为eps＝0.005，MinPts＝10，具体结果以及效率对比如图4(a)、(b)所示。由图可知，改进DBSCAN聚类算法在聚类结果基本不变的情况下，算法时间由传统方法0.1516s降低到0.0279s，整体效率提高了5.5倍，当数据量很大时，效果提升更加明显。故本文提出改进的DBSCAN算法既保证了聚类结果(基准确定)的准确性，又提高了算法效率，减少了热量表性能退化评估的运行时间，相比传统的DBSCAN算法更具优势。使用本文提出的改进DBSCAN算法得到热量表A正常状态基准结果如表5所示。

表5热量表A正常运行状态基准

根据热量表性能退化指标理论，计算热量表监测数据样本与正常运行状态基准的性能退化指标值，并绘制其性能退化曲线，热量表A的性能退化曲线如图5所示，可以看出其性能退化指标随着时间的增加整体逐渐减小，即热量表A运行状态随着时间增加性能退化逐渐加重，符合仪表设备的普遍规律，证明提出的退化指标能够反应其性能退化状况。

基于拉依达准则的性能退化阶段划分理论，将热量表监测数据作为算法输入，得到所有符合条件的“异常点”，即性能退化阶段变化的临界点，根据热量表监测数据的具体情况，设置滑动窗口数据序列长度L为2000，滑动窗口步长K长度为2000，允许连续均值超限个数N为200，详细结果如表6所示。将表6的结果与性能退化曲线的变化情况进行综合判断，得出热量表运行状态的阶跃点，即四个退化阶段的分界点，得出各运行阶段划分位置分别在第140、188和245个样本处，详细划分如图6所示，将热量表分为四个运行阶段，图中I阶段代表正常运行阶段，II阶段代表早期退化阶段，III阶段代表严重退化阶段，IV阶段代表失效阶段。

同理，使用以上方法对所有热量表监测数据进行退化阶段划分。然后将48块热量表分为两部分，首先随机抽取3块热量表作为测试集数据源，从中分别对四个阶段各找出10个样本作为有标签的测试集，共40个待测样本，其次将剩余的45块热量表各阶段数据分别融合共组成四个部分，依次是正常运行阶段、早期退化阶段、严重退化阶段和失效阶段，然后分别将这四部分数据作为改进DBSCAN算法的输入，以参数eps＝0.005，MinPts＝10计算其聚类特征，得到去除热量表个体差异性的运算结果，作为整体热量表数据四个运行阶段的基准，详细结果如表7所示。

表6热量表A试验数据部分临界点查询结果

表7整体热量表数据四个阶段的基准

将测试集中待测样本特征数据分别与四个退化阶段基准进行退化指标值计算，求出退化指标值越大则表示测试集中样本越接近相应阶段，例如某样本与正常阶段基准退化指标值最大，则判定该样本属于正常运行阶段，所有待测样本运算完毕后，将样本计算出的标签与各自实际标签进行对比，得到基于模式识别的退化评估标准为判定准确率。将本发明方法与传统的基于欧式距离和余弦相似度相融合的退化指标构建方法进行对比，具体判定准确率如图7所示，由图可知，使用本方法得到的判定结果准确率在热量表四个运行阶段均高于使用传统方法得到的热量表运行阶段模式识别准确率，由此可知，使用本发明在基于热量表退化阶段模式识别的性能退化评估应用中更有优势，验证了发明的有效性。

本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

Claims (8)

1.一种热量表性能退化评估方法，其特征在于，包括以下步骤：

Q1、对基于代表热量表性能退化的流量误差监测数据进行异常点剔除和去趋势项预处理；

Q2、对步骤Q1预处理后的热量表数据进行特征提取与特征筛选，构建热量表性能退化候选特征集Ts，使用多维评价指标对候选特征集进行筛选得到表征热量表状态的最优特征集Tb；

Q3、基于步骤Q2的最优特征集Tb，利用改进的DBSCAN算法对热量表正常状态数据进行聚类处理，获得正常状态的聚类中心，作为热量表正常状态评估基准；

Q4、基于步骤Q3正常状态基准和待测热量表当前状态样本，构建综合马氏距离和余弦相似度的性能退化指标DI，以此评估当前状态的性能退化程度，并绘制热量表的性能退化曲线，具体为：

Q401、构建马氏距离指标DI_Md，取值范围为(0,1]，指标值越大表示两种特征数据状态差异越小；

Q402、构建余弦相似度指标Cd，取值范围为[-1,1]，当空间中两个向量夹角越小，则两个向量在用余弦相似度度量时的差异性越小；

Q403、基于D-S证据理论制定决策中融合指标收敛性较高的乘性规则，构建基于马氏距离与余弦相似度相融合的性能退化指标DI，性能退化指标取值范围为[0,1]，退化指标DI越小，表示热量表性能退化偏离正常状态越多，即性能退化越严重；

Q5、基于拉依达准则自适应地计算热量表各退化阶段的边界点，并结合步骤Q4的性能退化曲线确定热量表各退化阶段的具***置，具体为：

Q501、根据热量表监测数据设定所需的滑动窗口长度L、允许连续均值超限个数N以及滑动窗口步长K的大小；

Q502、计算相应滑动窗口数据序列的均值M及标准差S，得到此时窗口内第一个连续N个热量表数据的均值M1；

Q503、当连续N个热量表数据的均值M1与相应滑动窗口的数据系列均值M做差的绝对值小于3倍的标准差S时，以N为步长计算滑动窗口内下一个连续N个热量表数据的均值并更新M1，再与窗口数据均值M做差，求其绝对值与3S比较大小；如果对比结果大于3S，进入步骤Q505；反之，进入步骤Q504；

Q504、如果Q503的结果小于3S，则继续以N为步长计算滑动窗口内下一个连续N个热量表数据的均值并更新M1，计算与数据均值M做差的绝对值大小，并与3S进行对比，直至将此滑动窗口内数据计算完毕，然后移动滑动窗口步长K的长度，更新滑动窗口数据序列，重复步骤Q502～Q504；如果对比结果大于3S，进入步骤Q505；

Q505、若连续N个热量表数据的均值与窗口数据做差的绝对值大于3S，则判定热量表已经偏离原本阶段进入下一阶段，以此次N个热量表数据的第一个点为更新窗口数据序列的初始点，记录该点，并重复步骤Q502～Q504继续计算，直至热量表数据计算完毕；

Q6、将所有热量表数据重复步骤Q1～Q5，然后将各阶段数据分别组合，使用改进的DBSCAN算法分别聚类得到各个退化阶段基准，通过计算待测热量表特征数据与各阶段基准的性能退化指标值判断其所属阶段，实现热量表基于退化阶段模式识别的性能退化评估。

2.根据权利要求1所述的热量表性能退化评估方法，其特征在于，步骤Q1具体为：

Q101、获取热量表耐久性试验过程中的监测数据，观察数据并对数据前3/4表现为波动的部分进行剔除；

Q102、利用Cox-Stuart检验分析对热量表数据的变化趋势进行检验，以确定热量表数据是否存在上升或者下降的变化趋势；

Q103、利用多项式最小二乘法对热量表数据进行去趋势项处理，通过K阶多项式X_n拟合数据的趋势项；确定拟合数据和原始数据之间的误差平方和E(T_s)；通过计算E(T_s)对b_k的偏导数并使其等于0，获得b_k的值从而获得数据的趋势项，使用原始数据减去求出的趋势项，得到数据去除趋势项以后的结果，计算趋势项系数的方程如下：

其中，b_k为多项式系数，k＝0,1,2,...,K，x_n为热量表流量误差离散序列，n＝1,2,3,...,N，T_s为采样间隔，j＝0,1,2,...,K。

3.根据权利要求1所述的热量表性能退化评估方法，其特征在于，步骤Q2具体为：

Q201、对经过预处理后的数据进行时域特征提取以及基于小波包分解和经验模态分解的时频域特征提取，以3层小波包分解节点能量比和经验模态分解的本征模函数能量比作为时频域特征，构建热量表性能退化的特征集Ts；

Q202、利用单调性、相关性和鲁棒性评价指标进行热量表特征的筛选，得到表征热量表状态的最优特征集Tb，单调性反映特征单调趋势强度，相关性反映特征在同类个体中的普适性，鲁棒性反映数据特征抗噪声的稳定程度，根据Ts中特征的各个指标值进行特征选择，得到热量表的最优性能退化特征集Tb。

4.根据权利要求1所述的热量表性能退化评估方法，其特征在于，步骤Q3中，改进的DNSCAN聚类算法的步骤如下：

Q301、在数据集X中，随机选取一个未被标记的数据对象x_i作为初始点，开始进行邻域Eps内的对象数目查询，如果数据对象x_i是核心对象，则将x_i邻域Eps内的所有数据对象标记为簇C；如果数据对象x_i不是核心对象，则继续进行遍历；

Q302、选择簇C中距离核心对象x_i距离较远的点x_j进行邻域Eps数目查询，如果x_j是核心对象，则将x_j数据对象邻域Eps内不在簇C里的点加入到簇C里；如果x_j不是核心对象，则从距离x_j最近的数据对象继续进行遍历迭代，直至找到x_i邻域Eps内的数据对象为下一个核心对象，或者遍历完x_i邻域Eps内的数据对象为止；

Q303、重复步骤Q302，直至没有新的数据对象加入当前簇C；

Q304、重复步骤Q301～Q303，直至所有的数据对象被标记。

5.根据权利要求1所述的热量表性能退化评估方法，其特征在于，步骤Q403中，性能退化指标DI具体为：

其中，Cd为余弦相似度；DI_Md为距离指标；Md为马氏距离。

6.根据权利要求1所述的热量表性能退化评估方法，其特征在于，步骤Q6具体为：

Q601、按照步骤Q5的方法对每块热量表进行四个退化阶段的划分，然后划分待测热量表退化特征样本数据源，并将其余各块热量表的特征数据分别按照正常运行阶段I、早期退化阶段Ⅱ、严重退化阶段Ⅲ和失效阶段Ⅳ进行分类整合；

Q602、按照改进DBSCAN算法分别对步骤Q601的分类结果进行聚类分析，得到四个阶段的聚类结果，根据聚类结果分别计算均值求出热量表各性能退化阶段的基准S1、S2、S3、S4，以此作为衡量待测热量表性能退化阶段的参考基准；

Q603、从待测热量表样本特征数据源中选取部分特征数据，计算待测热量表样本特征数据与四个基准之间的退化指标值DI1、DI2、DI3、DI4，退化指标值越大表示待测热量表所处退化阶段越接近相应基准，识别为相应阶段，最后计算判定准确率，实现热量表的性能退化评估。

7.一种存储一个或多个程序的计算机可读存储介质，其特征在于，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行根据权利要求1至6所述的方法中的任一方法。

8.一种计算设备，其特征在于，包括：

一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行根据权利要求1至6所述的方法中的任一方法的指令。

Images