技術(shù)特征：

1.基于故障模式發(fā)生概率的動(dòng)設(shè)備運(yùn)行狀態(tài)模糊評(píng)價(jià)方法，其特征在于,包括：

S1.確定產(chǎn)品集合及其故障模式集合：動(dòng)設(shè)備包含的l個(gè)零部件構(gòu)成零部件集合Z，獲取l個(gè)零部件的所有故障模式，構(gòu)成各零部件的故障模式集合F；

S2.確定各故障模式對(duì)應(yīng)的特征量集合：計(jì)算第k個(gè)零部件的m個(gè)故障模式各自所對(duì)應(yīng)的狀態(tài)特征量，構(gòu)成第k個(gè)零部件的第j個(gè)故障模式所對(duì)應(yīng)的n個(gè)狀態(tài)特征量所構(gòu)成的集合Y_j，得到m個(gè)故障模式的狀態(tài)特征量空間Y^m；

S3.計(jì)算特征量劣化度：計(jì)算出狀態(tài)特征量空間Y^m中第i個(gè)狀態(tài)特征量在t時(shí)刻的相對(duì)劣化度b_i(t)，即該狀態(tài)特征量的故障發(fā)生概率p(Y_j)，計(jì)算得到m個(gè)故障模式所對(duì)應(yīng)的狀態(tài)特征量全劣化概率空間p^m；

S4.計(jì)算故障模式發(fā)生概率：計(jì)算故障模式集合F中第j個(gè)故障模式的綜合發(fā)生概率P(F_j)，得到第k個(gè)零部件的m個(gè)故障模式發(fā)生概率集合P_j；

S5.計(jì)算故障模式發(fā)生概率隸屬度：將故障模式發(fā)生概率集合P_j中的m個(gè)故障模式發(fā)生概率分別帶入零部件運(yùn)行狀態(tài)隸屬度函數(shù)，計(jì)算出第k個(gè)零部件所包括的m個(gè)故障模式的隸屬度矩陣R_k；

S6.零部件運(yùn)行狀態(tài)的模糊評(píng)價(jià)：構(gòu)建第k個(gè)零部件所包含的m個(gè)故障模式的權(quán)重矩陣B_k，計(jì)算得到第i個(gè)產(chǎn)品的隸屬于運(yùn)行狀態(tài)的隸屬度向量D_k，根據(jù)最大隸屬原則確定第k個(gè)零部件所處的狀態(tài)，生成動(dòng)設(shè)備包含的l個(gè)零部件的運(yùn)行狀態(tài)隸屬度空間C_l；

S7.動(dòng)設(shè)備運(yùn)行狀態(tài)的模糊評(píng)價(jià)：定義動(dòng)設(shè)備所包含的l個(gè)零部件的權(quán)向量為W_l，結(jié)合動(dòng)設(shè)備包含的l個(gè)零部件的運(yùn)行狀態(tài)隸屬度空間C_l，得到動(dòng)設(shè)備的狀態(tài)評(píng)語為S，根據(jù)最大隸屬原則得到該動(dòng)設(shè)備所處的狀態(tài)。

2.根據(jù)權(quán)利要求1所述的基于故障模式發(fā)生概率的動(dòng)設(shè)備運(yùn)行狀態(tài)模糊評(píng)價(jià)方法，其特征在于,所述步驟S1包括：

S11.將動(dòng)設(shè)備劃分為l個(gè)零部件，所述l個(gè)零部件構(gòu)成零部件集合Z＝{z₁,z₂,…,z_l}；

S12.對(duì)各零部件進(jìn)行故障風(fēng)險(xiǎn)識(shí)別，獲取各零部件的所有故障模式，構(gòu)成各零部件的故障模式集合F＝{F₁,F₂,…,F_m}。

3.根據(jù)權(quán)利要求2所述的基于故障模式發(fā)生概率的動(dòng)設(shè)備運(yùn)行狀態(tài)模糊評(píng)價(jià)方法，其特征在于,所述步驟S12中，采用FMECA方法對(duì)各零部件進(jìn)行風(fēng)險(xiǎn)識(shí)別，計(jì)算出各零部件的所有故障模式的風(fēng)險(xiǎn)等效值及排序，選出各零部件的關(guān)鍵故障模式，構(gòu)成各零部件的故障模式集合F＝{F₁,F₂,…,F_m}。

4.根據(jù)權(quán)利要求2所述的基于故障模式發(fā)生概率的動(dòng)設(shè)備運(yùn)行狀態(tài)模糊評(píng)價(jià)方法，其特征在于,所述步驟S11中，將動(dòng)設(shè)備劃分為多個(gè)零部件，計(jì)算各零部件的重要度，選出重要度大于閾值的l個(gè)零部件，所述l個(gè)零部件構(gòu)成零部件集合Z＝{z₁,z₂,…,z_l}。

5.根據(jù)權(quán)利要求4所述的基于故障模式發(fā)生概率的動(dòng)設(shè)備運(yùn)行狀態(tài)模糊評(píng)價(jià)方法，其特征在于,計(jì)算零部件的重要度的方法為：

S111.建立設(shè)備的重要度的評(píng)價(jià)指標(biāo)；

S112.建立各評(píng)價(jià)指標(biāo)的評(píng)分標(biāo)準(zhǔn)；

S113.多個(gè)評(píng)價(jià)者分別采用層次分析法確定出各評(píng)價(jià)指標(biāo)的初始權(quán)重值及優(yōu)序關(guān)系，得到各評(píng)價(jià)指標(biāo)的多種初始權(quán)重值及優(yōu)序關(guān)系；

S114.采用模糊Borda序值法對(duì)各評(píng)價(jià)指標(biāo)的多種初始權(quán)重值進(jìn)行處理，得到各評(píng)價(jià)指標(biāo)的Borda值；

S115.根據(jù)各評(píng)價(jià)指標(biāo)的Borda值生成各評(píng)價(jià)指標(biāo)的最終權(quán)重值及優(yōu)序關(guān)系；

S116.根據(jù)各評(píng)價(jià)指標(biāo)的最終權(quán)重值及優(yōu)序關(guān)系計(jì)算設(shè)備的重要度。

6.根據(jù)權(quán)利要求1所述的基于故障模式發(fā)生概率的動(dòng)設(shè)備運(yùn)行狀態(tài)模糊評(píng)價(jià)方法，其特征在于,所述步驟S3中，故障發(fā)生概率p(Y_j)的計(jì)算公式為：

p(Y_j)＝b_i(t)＝F[Y_i(t),Y_i0,Y_i*]

式中，j＝1,2,…,n；F[·]為第i個(gè)狀態(tài)特征量的相對(duì)劣化度函數(shù)；Y_i(t)為第i個(gè)狀態(tài)特征量在t時(shí)刻的狀態(tài)值；Y_i0為第i個(gè)狀態(tài)特征量的正常值；Y_i*為由于第i個(gè)狀態(tài)特征量造成的故障或停機(jī)的閾值。

7.根據(jù)權(quán)利要求1所述的基于故障模式發(fā)生概率的動(dòng)設(shè)備運(yùn)行狀態(tài)模糊評(píng)價(jià)方法，其特征在于,所述步驟S4中，故障模式集合F中第j個(gè)故障模式的綜合發(fā)生概率P(F_j)的計(jì)算公式為：

$P\left(F_j\right)=\[\begin{array}{cccc}p\left(Y_1\right),& p\left(Y_2\right),& \mathrm{...},& p\left(Y_n\right)\end{array}\]\left[\begin{array}{c}{\mathrm{\ω}}_1\\ {\mathrm{\ω}}_2\\ \mathrm{...}\\ {\mathrm{\ω}}_n\end{array}\right];$

式中：n為故障模式集合F中第j個(gè)故障模式對(duì)應(yīng)的狀態(tài)特征量個(gè)數(shù)，ω＝[ω₁,ω₂,…ω_n]^T為狀態(tài)特征量集對(duì)應(yīng)的權(quán)重向量，其中ω_i∈[0,1]，且滿足

8.根據(jù)權(quán)利要求1所述的基于故障模式發(fā)生概率的動(dòng)設(shè)備運(yùn)行狀態(tài)模糊評(píng)價(jià)方法，其特征在于,所述步驟S5中，將零部件的運(yùn)行狀態(tài)劃分為良好狀態(tài)、較好狀態(tài)、一般狀態(tài)、擬故障狀態(tài)四種運(yùn)行狀態(tài)，運(yùn)用模糊集理論將四種運(yùn)行狀態(tài)視為四個(gè)模糊子集S＝{s₁,s₂,s₃,s₄}；

對(duì)于模糊子集s₁＝良好狀態(tài)，故障模式發(fā)生概率p_i的值在[0,0.2]時(shí)屬于良好狀態(tài)，在[0.2,0.4]時(shí)屬于良好狀態(tài)或較好狀態(tài)，在[0.4,1]時(shí)不屬于良好狀態(tài)，則零部件運(yùn)行狀態(tài)隸屬度函數(shù)的計(jì)算公式為

$r_{s_1}\left(P_i\right)=\left\{\begin{array}{c}1,P_i\<0.2\\ \frac{1}{2}-\frac{1}{2}sin\[\frac{\mathrm{\π}}{0.2}(P_i-0.3)\],0.2\<P_i\≤0.4\\ 0,P_i\>0.4\end{array}\right.$

對(duì)于模糊子集s₂＝較好狀態(tài)，故障模式發(fā)生概率p_i的值在[0,0.2]時(shí)不屬于較好狀態(tài)，在[0.2,0.4]時(shí)屬于良好狀態(tài)或較好狀態(tài)，在[0.4,0.7]時(shí)屬于較好狀態(tài)或一般狀態(tài)，在[0.7,1]時(shí)不屬于較好狀態(tài)，則零部件運(yùn)行狀態(tài)隸屬度函數(shù)的計(jì)算公式為

$r_{s_1}\left(P_i\right)=\left\{\begin{array}{c}0,P_i\<0.2\\ \frac{1}{2}+\frac{1}{2}sin\[\frac{\mathrm{\π}}{0.2}(P_i-0.3)\],0.2\<P_i\≤0.4\\ \frac{1}{2}-\frac{1}{2}\sin \[\frac{\mathrm{\π}}{0.3}(P_i-0.55)\],0.4\<P_i\≤0.7\\ 0,P_i\>0.7\end{array}\right.$

對(duì)于模糊子集s₃＝一般狀態(tài)，故障模式發(fā)生概率p_i的值在[0,0.4]時(shí)不屬于一般狀態(tài)，在[0.4,0.7]時(shí)屬于一般狀態(tài)或較好狀態(tài)，在[0.7,0.9]時(shí)屬于擬故障狀態(tài)或一般狀態(tài)，在[0.9,1]時(shí)不屬于一般狀態(tài)，則零部件運(yùn)行狀態(tài)隸屬度函數(shù)的計(jì)算公式為

$r_{s_1}\left(P_i\right)=\left\{\begin{array}{c}0,P_i\<0.4\\ \frac{1}{2}+\frac{1}{2}sin\[\frac{\mathrm{\π}}{0.3}(P_i-0.55)\],0.4\<P_i\≤0.7\\ \frac{1}{2}-\frac{1}{2}sin\[\frac{\mathrm{\π}}{0.2}(P_i-0.8)\],0.7\<P_i\≤0.9\\ 0,P_i\>0.9\end{array}\right.$

對(duì)于模糊子集s₄＝擬故障狀態(tài)，故障模式發(fā)生概率p_i的值在[0,0.7]時(shí)不屬于擬故障狀態(tài)，在[0.7,0.9]時(shí)屬于擬故障狀態(tài)或一般狀態(tài)，在[0.9,1]時(shí)屬于擬故障狀態(tài)，則零部件運(yùn)行狀態(tài)隸屬度函數(shù)的計(jì)算公式為

$r_{s_1}\left(P_i\right)=\left\{\begin{array}{c}0,P_i\<0.7\\ \frac{1}{2}+\frac{1}{2}sin\[\frac{\mathrm{\π}}{0.2}(P_i-0.8)\],0.7\<P_i\≤0.9\\ 1,P_i\>0.9\end{array}\right..$

9.基于故障模式發(fā)生概率的動(dòng)設(shè)備運(yùn)行狀態(tài)模糊預(yù)測(cè)方法，其特征在于，包括：

SS1.確定設(shè)備的故障模式及其對(duì)應(yīng)的狀態(tài)特征量:獲取動(dòng)設(shè)備包含的設(shè)備的故障模式，計(jì)算各故障模式對(duì)應(yīng)的狀態(tài)特征量；

SS2.確定狀態(tài)特征量的時(shí)間序列樣本數(shù)據(jù)：定期采集每個(gè)狀態(tài)特征量的多個(gè)時(shí)間序列值，并對(duì)各狀態(tài)特征量的時(shí)間序列值進(jìn)行處理，計(jì)算得到一定時(shí)間內(nèi)狀態(tài)特征量的相對(duì)劣化度；

SS3.確定訓(xùn)練樣本集：根據(jù)各狀態(tài)特征量的相對(duì)劣化度建立訓(xùn)練樣本集；

SS4.學(xué)習(xí)訓(xùn)練LS-SVR預(yù)測(cè)模型：以LS-SVM作為預(yù)測(cè)器，利用LS-SVR方法建立狀態(tài)特征量的預(yù)測(cè)模型；

SS5.LS-SVR預(yù)測(cè)模型有效性驗(yàn)證：驗(yàn)證LS-SVR預(yù)測(cè)模型是否滿足要求，若LS-SVR預(yù)測(cè)模型滿足要求，則執(zhí)行SS6；

SS6.狀態(tài)特征量預(yù)測(cè)：根據(jù)LS-SVR預(yù)測(cè)模型計(jì)算各狀態(tài)特征量的預(yù)測(cè)值；

SS7.根據(jù)各狀態(tài)特征量的預(yù)測(cè)值對(duì)動(dòng)設(shè)備的運(yùn)行狀態(tài)進(jìn)行評(píng)價(jià)。

10.根據(jù)權(quán)利要求9所述的基于故障模式發(fā)生概率的動(dòng)設(shè)備運(yùn)行狀態(tài)模糊預(yù)測(cè)方法，其特征在于,所述預(yù)測(cè)方法還包括：

SS8.估計(jì)動(dòng)設(shè)備的剩余壽命：基于第j'步的狀態(tài)特征量的預(yù)測(cè)值，完成一部預(yù)測(cè)則判斷其值是否達(dá)到其狀態(tài)特征量閾值：若未達(dá)到其狀態(tài)特征量閾值，則進(jìn)行狀態(tài)特征量的第j'+1步預(yù)測(cè)，并再次進(jìn)行判斷其值是否達(dá)到設(shè)定的狀態(tài)特征量閾值，直到第j'+k'步預(yù)測(cè)達(dá)到其狀態(tài)特征量閾值，則動(dòng)設(shè)備的剩余壽命的估計(jì)值為(j'+k')τ，其中τ為采集每個(gè)狀態(tài)特征量的相鄰兩個(gè)時(shí)間序列值的時(shí)間間隔。