一种发电机组设备健康度指标综合评价方法及系统

摘要

本发明公开了一种发电机组设备健康度指标综合评价方法及系统。本发明采用的技术方案为：以同一设备的所有状态变量的历史数据作为输入，采用聚类的方法，对数据进行划分类别，筛选出设备不同类的工作状态；对聚类获得的每一类工作状态分别建立规则库来对每个变量进行加分或减分；通过对判断某一时刻数据属于哪一类工作状态，并且是否超越各个规则的上下界限的方式来判定变量加减分数的多少；输出各个变量的重要度并结合预设健康度权重系数，确定各个变量在健康度融合时的权重；通过变量分数，并结合各个变量在健康度融合时的权重加权求和，得出设备健康度指标评分，并添加增减设备健康度指标评分的硬性规则。本发明可以准确地把握设备的实时运行状态。

说明书

技术领域

本发明属于发电领域，具体地说是一种发电机组设备健康度指标综合评价方法及系统。

背景技术

设备预知维修是在设备运行中或基本不解体的情况下，利用设备产生的不同信息，使用仪器采集、处理，分析信号，判断产生故障的部位和原因，并预测设备使用寿命而开展的设备维修方式。状态检测避免了机械设备的突发故障，从而避免了被迫停机而影响生产。状态检测分析为预知机械设备的维修期提供了可靠依据，即可做到有必要时才进行维修同时，便于及时安排维修计划，克服了定期维修带来的不必要的经济损失，同时大大缩短了维修工期。

因此，通过先进的技术手段，实施设备状态监测、可预见性维护、故障诊断，最大可能的发现设备早期故障隐患及原因，能够减少设备的停机时间、延长设备的使用寿命和降低设备的运维成本。

发明内容

本发明所要解决的技术问题是提供一种发电机组设备健康度指标综合评价方法及系统，其计算得到设备的实时健康度，可使监控人员准确地把握设备的实时运行状态，最大可能地发现设备早期故障隐患及原因，从而减少设备的停机时间、延长设备的使用寿命和降低设备的运维成本。

为此，本发明采用的一种技术方案为：一种发电机组设备健康度指标综合评价方法，其包括以下步骤：

步骤1，确定与待评发电机组设备健康度指标相关的所有状态变量；

步骤2，以同一设备的所有状态变量的历史数据作为输入，采用聚类的方法，对不同的数据进行划分类别，筛选出设备不同类的工作状态；

步骤3，对聚类获得的每一类工作状态分别建立规则库来对每个状态变量进行加分或减分，规则库采用四个规则分别对状态变量的数据变化速度、数据状态是否异常、数据状态异常的持续时间和数据波动的幅度四个角度进行分析，对每个状态变量的历史数据进行统计；

步骤4，通过对判断某一时刻数据属于哪一类工作状态，并且是否超越各个规则的上下界限的方式来判定状态变量加减分数的多少，得到状态变量分数；

步骤5，利用线性回归算法，输出各个状态变量的重要度并结合预设健康度权重系数，确定各个状态变量在健康度融合时的权重；

步骤6，通过步骤4得出的状态变量分数，并结合各个状态变量在健康度融合时的权重加权求和，得出设备健康度指标评分，并添加增减设备健康度指标评分的硬性规则。

进一步地，步骤1中，所述的状态变量选择能够反映设备实时运行状态的变量。

进一步地，步骤2中，对设备的所有历史数据，进行聚类，挑选出同一设备的状态变量，计算同一设备中某个状态变量与其他状态变量的相关性。

进一步地，步骤3中，对聚类获得的每一类工作状态分别从数据变化速度、相关状态变量是否异常、状态变量异常的持续时间、数据波动的幅度四个角度进行分析，规则库包括以下五类：

1)relevance规则

从同一设备内相关状态变量是否异常的角度出发；

2)recent规则

从数据当前时刻波动幅度的角度出发；

3)duration规则

从数据是否超限以及超限时间的角度出发；

4)vibrate规则

从数据变化速率的角度出发；

5)section规则

从最基础的数值是否超出界限的角度出发。

更进一步地，步骤4中，根据规则来对每个状态变量进行加分或减分的具体过程如下：

1)relevance规则

选取一段历史数据，计算历史数据中每个状态变量的均值与标准差，获得relevance规则的设定区间：[均值-6*标准差，均值+2*标准差]，当与该状态变量相关性最强的前两个状态变量同时超出区间时，则对这一状态变量进行减分，所减或加的分数按照该状态变量和其相关状态变量超出或未超出对应区间的部分来确定；

2)recent规则

通过对历史数据以及待判断数据进行偏度处理，并计算处理后的待判断数据与历史数据之间比值的均值与方差，获得recent规则的设定区间：[均值-6*标准差，均值+1.5*标准差]，判断当前时刻数据相较于前一段时间数据的波动数值是否在这一个区间内，若不在该区间内则通过加减分规则进行减分，若在该区间内则通过加减分规则进行加分；

3)duration规则

判定数据是否异常，通过历史数据确定高限G1、G2、G3、G4及低限L1、L2、L3、L4八条界限并划分四个区间，四个区间的上下限分别为L1—G1:[均值-4*标准差，均值+3标准差]，L2—G2:[均值-5*标准差，均值+4标准差]，L3—G3:[均值-7*标准差，均值+5标准差]，L4—G4:(最低限值，最高限值)；数据超过不同的区间有不同的减分系数；当某一时刻的数据超过界限时，需要对其超限时间进行记录，只有当超限时间大于这条界限的最小持续时间，才会进行减分；

4)vibrate规则

对历史数据的最大值与最小值进行统计，将最大值与最小值*0.2记为幅动范围，并且计算历史数据中每个状态变量的均值与标准差，获得vibrate规则的设定区间：[均值-5*标准差，均值+3*标准差]，当数据出现两次前后差值大于幅动范围后，对数据进行区间判断，根据数据偏离程度进行不同的减分；

5)section规则

通过历史数据确定一个最基础的区间，并且计算历史数据中每个状态变量的均值与标准差，获得section规则的设定区间：[均值-5*标准差，均值+3*标准差]，若数据超过区间界限则进行减分，无需判断其他条件。

进一步地，步骤5的具体内容如下：

1)利用线性回归算法，输出状态变量的重要度，整理成重要度矩阵；

2)将重要度矩阵的每一列分别求和，得出每个状态变量对该设备的重要度；

3)利用构造的《设备—状态变量》字典类型数据，筛选出设备中的各个相关性高的状态变量集合，并从各个状态变量集合中挑选出代表状态变量赋予预设的高权重系数，对其余状态变量赋予预设的低权重系数；

4)将每个状态变量对该设备的重要度，乘上对应的权重系数，最后得出设备健康度融合时的最终权重。

进一步地，步骤6中，

1)通过得出的状态变量分数，并结合健康度融合的权重加权求和，得出设备健康度指标评分；

2)当某个设备健康度指标评分报出异常时，则对该设备健康度指标评分进行减分；

3)当对某个设备健康度指标进行评价时，若该设备健康度指标为1级指标，且设备健康度指标评分低于60分时，则对该设备健康度指标所在的设备划为工作状态异常等级，并给出设备预警。

本发明采用的另一种技术方案为：一种发电机组设备健康度指标综合评价系统，其包括：

变量输入单元：与待评发电机组设备健康度指标相关的所有状态变量；

聚类划分单元：对设备的所有历史数据，进行聚类，对不同的数据进行划分类别，筛选出设备不同类的工作状态，挑选出同一设备的状态变量，计算每个状态变量与其他状态变量的相关性；

规则库单元：对聚类获得的每一类工作状态分别从数据变化速度、相关状态变量是否异常、状态变量异常的持续时间和数据波动的幅度四个角度进行分析；

限值判断单元：通过对判断某一时刻数据属于哪一类工作状态，并且是否超越各个规则的上下界限的方式来判定状态变量加减分数的多少，得到状态变量分数；

健康度融合单元：利用线性回归算法，输出各个状态变量的重要度并结合预设健康度权重，确定各个状态变量在健康度融合时的权重；

设备级评分单元：通过状态变量分数，并结合各个状态变量在健康度融合时的权重加权求和，得出设备健康度指标评分，并添加增减设备健康度指标评分的硬性规则。

本发明得到的健康度是一个反映设备实时状态的综合性指标，通过该指标可以准确地把握设备的实时运行状态，确定合理检修时机。

附图说明

图1是本发明实施例1的发电机组设备健康度指标综合评价方法的流程示意图；

图2是本发明实施例1的磨煤机出口风温历史数据经聚类后得到的聚类分析图；

图3是本发明实施例1的磨煤机与健康度相关的所有状态变量的相关性分析图；

图4是本发明实施例1的磨煤机电流经recent规则判断分析以后给出的状态变量评分图；

图5是本发明实施例1的某台磨煤机所有实时状态变量经规则库分析判断，并经多个状态变量权重融合后得到的设备健康度指标评分图。

具体实施方式

下面结合说明书附图和实施例，对本发明的具体实施方式作进一步描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

实施例1

如附图1所示，本发明提供一种发电机组设备健康度指标综合评价方法，包括以下步骤：

步骤1，确定与待评设备健康度指标相关的所有状态变量。实施例1以火力发电机组中的磨煤机设备为例，对应的状态变量有电流、油压、进出口差压、出口压力、入口风粉温度、出口风粉温度、电机轴承温度、线圈温度等。

步骤2，以同一设备的所有状态变量的历史数据作为输入，采用聚类的方法对不同的数据进行划分类别，筛选出设备不同类的工作状态。

选取设备状态变量的历史数据，对设备下所有数据，进行聚类。实施例1采用Kmeans 2*2，进行两层聚类，第一层聚类：2簇，二层聚类：对第一层聚类结果的每一簇再进行簇数为2的聚类。根据聚类结果挑选出同一设备的状态变量，并计算每个状态变量与其他状态变量的相关性，最后生成同一设备的相关性字典。

附图2给出了某台磨煤机出口风温历史数据经聚类后得到的聚类分析图，共获得了6类工作状态。

附图3给出了该磨煤机的电流状态变量与健康度相关的所有状态变量的相关性分析图，图3中从左到右的横坐标依次为：a为给煤机B给煤量反馈测点、b为给煤机B自动被调量(模拟)、c为磨煤机B磨碗上下部差压测点、d为给煤机B电流测点、e为F2油火检火焰强度测点、f为磨煤机B电机线圈温度1测点、g为磨煤机A磨碗上下部差压测点、h为磨煤机A电流测点、i为给煤机A给煤量反馈测点、j为磨煤机B出口管1风粉温度测点、k为磨煤机E进口一次风压1测点、l为磨煤机B出口管5风粉温度测点、m为给煤机A自动被调量(模拟)、n为磨煤机B出口管3风粉温度测点、o为磨煤机B出口管2风粉温度测点、p为磨煤机B出口管4风粉温度测点、q为磨煤机B出口压力测点、r为磨煤机B出口温度1测点、s为磨煤机A进口一次风压1测点、t为磨煤机F出口管5风粉温度测点、u为B磨煤机1粉管风速测点。

步骤3，对聚类获得的每一类工作状态分别建立规则库来对每个状态变量进行加分或减分，规则库采用四个规则分别对状态变量的数据变化速度、数据状态是否异常、数据状态异常的持续时间和数据波动的幅度四个角度进行分析，对每个状态变量的历史数据进行统计，规则主要包括以下五类：

1)relevance规则

从同一设备内相关状态变量是否异常的角度出发；

2)recent规则

从数据当前时刻波动幅度的角度出发；

3)duration规则

从数据是否超限以及超限时间的角度出发；

4)vibrate规则

从数据变化速率的角度出发；

5)section规则

从最基础的数值是否超出界限的角度出发。

步骤4，通过对判断某一时刻数据属于哪一类工作状态，并且是否超越各个规则的上下界限的方式来判定状态变量加减分数的多少，得到状态变量分数。根据规则来对每个状态变量进行加分或减分的具体过程如下：

1)relevance规则

选取一段历史数据，计算历史数据中每个状态变量的均值与标准差，可获得relevance规则的设定区间：[均值-6*标准差，均值+2*标准差]，当与该状态变量相关性最强的前两个状态变量同时超出区间时，则对这一状态变量进行减分，所减或加的分数按照该状态变量和其相关状态变量超出或未超出对应区间的部分来确定。

具体步骤为：

①计算历史数据(一个月)中，每个状态变量的均值与标准差，设定区间：[均值-6*标准差，均值+2*标准差]；

②当状态变量本身超限：

按照相关性字典，查找与该状态变量相关性最强的前两个状态变量。与该状态变量相关性最强的两个状态变量，也超出了设定区间时，减分；

③实时判断是否符合规则。

减分规则：

偏离比例：状态变量超出设定区间的值/设定区间的宽度；

若状态变量本身和相关性强的状态变量同时发生偏离时，分别计算状态变量本身和强相关状态变量的设定偏离比例记为：

状态变量本身偏离比例：P0，

强相关状态变量1：P1，

强相关状态变量2：P2，

减分＝100(分)*(P0+(P1+P2)/2)*W(系数暂时设为0.1)，最后得出需要减少的分数。

加分规则：

偏离比例：数值与规则库上下区间中线的差值M，再计算M占一半区间大小的百分比为A；

若相关性强的状态变量都没有发生异常，得出每个状态变量的偏离比例A0、A1、A2，A＝max(A0，A1，A2)，加分＝已损失分数*(1-A)*W(W为系数暂时设为0.1)。

2)recent规则

通过对历史数据以及待判断数据进行偏度处理，并计算处理后的待判断数据与历史数据之间比值的均值与方差，可获得recent规则的设定区间：[均值-6*标准差，均值+1.5*标准差]，判断当前时刻数据相较于前一段时间数据的波动数值是否在这一个区间内，若不在该区间内则通过加减分规则进行减分，若在该区间内则通过加减分规则进行加分。

具体步骤为：

①首先计算历史数据按照偏度分成三级，分布的偏度计算出来后，将数据正态化。不同的偏度意味着数据分布与正态分布的不同偏离程度，因此需要使用不同的变换。

定义式如下：

其中，X为每一个数据点，μ为这一组数据的平均值，σ为这一组数据的标准差，k

对称：-0.5到0.5，

中度正/负偏度：-0.5到-1.0以及0.5到1.0，

高度正/负偏度：<-1.0以及>1.0。

②对分级后的数据进行处理，针对不同的级别采用不同数据处理规则。

-0.5<偏度<0.5：不做处理，

-1<偏度<-0.5，0.5<偏度<1：数据开方，

偏度<-1，1<偏度：数据取对数。

③计算设定区间

滑动窗口(窗口长度为10分钟)，计算处理后的数据中每个状态变量窗口后一时刻的数据与窗口内数据均值的比值，并计算比值的均值与方差。

设定区间：[均值-6*标准差，均值+1.5*标准差]。

④实时判断是否符合规则

实时计算目前时刻的数值与前一段数据(该时刻10min的数据)均值的比值，判断该比值是否在设定区间内。

减分规则：

若数值不在设定区间内，计算数值偏离设定区间的比例，偏离百分比指超出设定区间的值/设定区间的宽度。减去的分数为100(满分)*偏离百分比*W(W为偏离系数，一般设为0.1)，最后得出需要减少的分数。

加分规则：

若数值在规则库区间内，计算数值与规则库上下区间中线的差值M，再计算M占一半区间大小的百分比为A，加上的分数为已损失分数*(1-A)*W，最后得出需要加上的分数。

3)duration规则

判定数据是否异常，通过历史数据确定高限G1、G2、G3、G4及低限L1、L2、L3、L4八条界限并划分四个区间，四个区间的上下限分别为L1—G1:[均值-4*标准差，均值+3标准差]，L2—G2:[均值-5*标准差，均值+4标准差]，L3—G3:[均值-7*标准差，均值+5标准差]，L4—G4:(最低限值，最高限值)；数据超过不同的区间有不同的减分系数；当某一时刻的数据超过界限时，需要对其超限时间进行记录，只有当超限时间大于这条界限的最小持续时间，才会进行减分。

具体步骤为：

①设定区间

按照设备开关量或电流小于1的条件，去掉停机时间，再计算均值和方差。

设定三条界限：

L1:[均值-4*标准差，均值+3标准差]，

L2:[均值-5*标准差，均值+4标准差]，

L3:[均值-7*标准差，均值+5标准差]，

L4:(-inf，均值-7*标准差)and(均值+5标准差，inf)。

超限持续时间统计：

对历史数据中每一个状态变量发生超限的点(对超过L1、L2、L3、L4分别进行统计)，持续时间进行记录和统计，计算出最小值、最大值、中位数、众数、均值。

②实时判断是否符合规则

实时判断数据是否超出界限。如果发生超限，确定超过了那条界限，并且持续时间达到了历史数据中这条界限的最小持续时间，那么就对该状态变量减分。

减分规则：

当数值超出L2或L3区间时，计算超出数值占该等级区间宽度(该等级区间-上一等级区间)的百分比，记为A，减分＝100(分)*A*W(系数暂时设为0.1)。

当数值超出L4区间时，计算超出数值占第三等级区间宽度(第三区间上限-第三区间下线)的百分比记为A，减分＝100(分)*A*W(系数暂时设为0.1)。

加分规则：

当数值在L1区间内，计算数值与规则库上下区间中线的差值M，再计算M占一半区间大小的百分比为A，加分＝以损失分数*(1-A)*W(W为系数暂时设为0.1)。

4)vibrate规则

对历史数据的最大值与最小值进行统计，将最大值与最小值*0.2记为幅动范围，并且计算历史数据中每个状态变量的均值与标准差，可获得vibrate规则的设定区间：[均值-5*标准差，均值+3*标准差]，当数据出现两次前后差值大于幅动范围后，对数据进行区间判断，根据数据偏离程度进行不同的减分。

具体步骤为：

①设定区间

对历史数据的最大值与最小值进行统计，将最大值与最小值*0.2记为b，作为幅动范围。

设定区间：[均值-5*标准差，均值+2.5*标准差]

②实时判断是否符合规则

固定窗口为20秒，计算该时刻与前1秒时刻的差值，判断差值是否大于b。若该窗口内，差值是否大于的点>1，则进行减分。

减分规则：

若数值不在设定区间内，计算数值偏离设定区间的比例。

偏离比例：状态变量超出设定区间的值/设定区间的宽度。

减分＝100(分)*偏离百分比*W(系数暂时设为0.1)，最后得出需要减少的分数。

加分规则：

若数值在规则库区间内，计算数值与规则库上下区间中线的差值M，再计算M占一半区间大小的百分比为A，加分＝以损失分数*(1-A)*W(W为系数暂时设为0.1)。

5)section规则

通过历史数据确定一个最基础的区间，并且计算历史数据中每个状态变量的均值与标准差，可获得section规则的设定区间：[均值-5*标准差，均值+3*标准差]，若数据超过区间界限则进行减分，无需判断其他条件。

①设定区间

对历史数据的均值与方差进行计算

设定区间：[均值-5*标准差，均值+3*标准差]

②实时判断是否符合规则

减分规则：

若数值不在设定区间内，计算数值偏离设定区间的比例。

偏离比例：状态变量超出设定区间的值/设定区间的宽度。

减分＝100(分)*偏离百分比*W(系数暂时设为0.01)，最后得出需要减少的分数。

加分规则：

若数值在规则库区间内，计算数值与规则库上下区间中线的差值M，再计算M占一半区间大小的百分比为A，加分＝以损失分数*(1-A)*W(W为系数暂时设为0.1)。

附图4给出了某台磨煤机出口风温经规则库判断分析以后给出的状态变量评分图，评分上限为100分，下限为0分。

步骤5，利用线性回归算法，输出各个状态变量的重要度并结合预设健康度权重系数，确定各个状态变量在健康度融合时的权重。

1)利用线性回归算法，输出状态变量的重要度，整理成重要度矩阵；

2)将重要度矩阵的每一列分别求和，得出每个状态变量对该设备的重要度；

3)利用构造的《设备—状态变量》字典类型数据，筛选出设备中的各个相关性高的状态变量集合，并从各个状态变量集合中挑选出代表状态变量赋予预设的高权重系数，对其余状态变量赋予预设的低权重系数；

4)将每个状态变量对该设备的重要度，乘上对应的权重系数，最后得出设备健康度融合时的最终权重。

步骤6，通过步骤4得出的状态变量分数，并结合各个状态变量在健康度融合时的权重加权求和，得出设备健康度指标评分，并添加增减设备健康度指标评分的硬性规则。

1)通过得出的状态变量分数，结合健康度融合时的权重加权求和，得出设备健康度指标评分。

2)当某个设备健康度指标评分报出异常时，则对该设备健康度指标评分进行减分。

3)当对某个设备健康度指标进行评价时，若该设备健康度指标为1级指标，且设备健康度指标评分评分低于60分，则对该设备健康度指标所在的设备评分划为工作状态异常等级，并给出设备预警。本步骤计算完成后，间隔一定的采样周期，再回到步骤4重复执行。

附图5给出某台磨煤机所有实时状态变量经规则库分析判断，并经多个状态变量权重融合后得到的设备健康度指标评分(简称设备分数)图，评分上限为100分，下限为0分。

实施例2

本实施例提供一种发电机组设备健康度指标综合评价系统，其包括：

变量输入单元：与待评发电机组设备健康度指标相关的所有状态变量；

聚类划分单元：对设备的所有历史数据，进行聚类，对不同的数据进行划分类别，筛选出设备不同类的工作状态，挑选出同一设备的状态变量，计算每个状态变量与其他状态变量的相关性；

规则库单元：对聚类获得的每一类工作状态分别从数据变化速度、相关状态变量是否异常、状态变量异常的持续时间和数据波动的幅度四个角度进行分析；

限值判断单元：通过对判断某一时刻数据属于哪一类工作状态，并且是否超越各个规则的上下界限的方式来判定状态变量加减分数的多少，得到状态变量分数；

健康度融合单元：利用线性回归算法，输出各个状态变量的重要度并结合预设健康度权重，确定各个状态变量在健康度融合时的权重；

设备级评分单元：通过状态变量分数，并结合各个状态变量在健康度融合时的权重加权求和，得出设备健康度指标评分，并添加增减设备健康度指标评分的硬性规则。

所述的变量输入单元中，所述的状态变量应选择能够反映设备实时运行状态的所有相关状态变量。

所述的聚类划分单元中，对设备的所有历史数据，进行聚类，挑选出同一设备的状态变量，计算每个状态变量与其他状态变量的相关性。

所述的规则库单元中，对聚类获得的每一类工作状态分别从数据变化速度、相关状态变量是否异常、状态变量异常的持续时间、数据波动的幅度四个角度进行分析，规则库包括以下五类：

1)relevance规则

从同一设备内相关状态变量是否异常的角度出发；

2)recent规则

从数据当前时刻波动幅度的角度出发；

3)duration规则

从数据是否超限以及超限时间的角度出发；

4)vibrate规则

从数据变化速率的角度出发；

5)section规则

从最基础的数值是否超出界限的角度出发。

所述的限值判断单元中，根据规则来对每个状态变量进行加分或减分：

1)relevance规则

选取一段历史数据，计算历史数据中每个状态变量的均值与标准差，获得relevance规则的设定区间：[均值-6*标准差，均值+2*标准差]，当与该状态变量相关性最强的前两个状态变量同时超出区间时，则对这一状态变量进行减分，所减或加的分数按照该状态变量和其相关状态变量超出或未超出对应区间的部分来确定；

2)recent规则

通过对历史数据以及待判断数据进行偏度处理，并计算处理后的待判断数据与历史数据之间比值的均值与方差，获得recent规则的设定区间：[均值-6*标准差，均值+1.5*标准差]，判断当前时刻数据相较于前一段时间数据的波动数值是否在这一个区间内，若不在该区间内则通过加减分规则进行减分，若在该区间内则通过加减分规则进行加分；

3)duration规则

判定数据是否异常，通过历史数据确定高限G1、G2、G3、G4及低限L1、L2、L3、L4八条界限并划分四个区间，四个区间的上下限分别为L1—G1:[均值-4*标准差，均值+3标准差]，L2—G2:[均值-5*标准差，均值+4标准差]，L3—G3:[均值-7*标准差，均值+5标准差]，L4—G4:(最低限值，最高限值)；数据超过不同的区间有不同的减分系数；当某一时刻的数据超过界限时，需要对其超限时间进行记录，只有当超限时间大于这条界限的最小持续时间，才会进行减分；

4)vibrate规则

对历史数据的最大值与最小值进行统计，将最大值与最小值*0.2记为幅动范围，并且计算历史数据中每个状态变量的均值与标准差，获得vibrate规则的设定区间：[均值-5*标准差，均值+3*标准差]，当数据出现两次前后差值大于幅动范围后，对数据进行区间判断，根据数据偏离程度进行不同的减分；

5)section规则

通过历史数据确定一个最基础的区间，并且计算历史数据中每个状态变量的均值与标准差，获得section规则的设定区间：[均值-5*标准差，均值+3*标准差]，若数据超过区间界限则进行减分，无需判断其他条件。

所述的健康度融合单元，其融合过程如下：

1)利用线性回归算法，输出状态变量的重要度，整理成重要度矩阵；

2)将重要度矩阵的每一列分别求和，得出每个状态变量对该设备的重要度；

3)利用构造的《设备—状态变量》字典类型数据，筛选出设备中的各个相关性高的状态变量集合，并从各个状态变量集合中挑选出代表状态变量赋予预设的高权重系数，对其余状态变量赋予预设的低权重系数；

4)将每个状态变量对该设备的重要度，乘上对应的权重系数，最后得出设备健康度融合时的最终权重。

所述的设备级评分单元中，结合健康度融合时的权重加权求和，得出设备健康度指标，并添加增减设备健康度指标的硬性规则：

1)通过得出的状态变量分数，并结合健康度融合的权重加权求和，得出设备健康度指标评分；

2)当某个设备健康度指标报出异常时，则对该设备健康度指标进行减分；

3)当对某个设备健康度指标进行评价时，若该设备健康度指标为1级指标，且设备健康度指标评分低于60分时，则对该设备健康度指标所在的设备划为工作状态异常等级，并给出设备预警。

尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。