特征量筛选方法以及健康状态评价方法与流程

1.本发明涉及一种从多个特征量中筛选出适合于评价被测对象的健康状态的特征量的特征量筛选方法以及对被测对象的健康状态进行评价的健康状态评价方法。


背景技术：

2.随着社会发展，越来越多的装备、工具走进人们的生活生产活动，并在其中扮演越来越重要的作用。为了保证生产、生活设施的稳健性，对设备、设备部件、工具等的健康状态评价成为了一个迫切解决的课题。面对不同的设备、部件、工具，人们提出了各种不同的用于评价健康状态的方法。由于大多对象的健康状态(如剩余寿命)不能或不便于直接测量表征，目前常用的方法是使用传感器获取被测对象工作过程中的状态的间接信号，然后根据信号数据分析出被测对象的健康状态。
3.例如，专利文献1公开了一种风机部件的寿命预测方法及系统，在做风机部件寿命预测时，首先采集了风机部件的特征参数信息，并指出特征参数主要包括电气特性参数(如电流、电压、频率等)、机械特征参数(如振动信号、磁场信号、温度信号等)、过程参数(如风速、功率、气温等)，同时指出在具体应用中选用其中的至少一种传感器，之后用支持向量法来预测部件的剩余寿命。
4.现有技术文献
5.专利文献
6.专利文献1：cn103019135a


技术实现要素：

7.发明要解决的技术问题
8.在上述那样的评价被测对象的健康状态的方案中，传感器的选择与安装方法通常由被测对象的种类及工作方式种类确定，但作为一种间接监测的方式，从传感器输出的信号中往往带有干扰信息，且数据量庞大，若直接将传感器信号输入给学习算法，其分析结果会受干扰信息影响因而精度不高，且计算效率不佳。
9.对此，专利文献1的方案未能指出支持向量法的输入信息的形式及具体内容。而实际上，选择传感器信号并从信号中提取出有效信息是保证预测精度的关键。专利文献1采集的信号中往往包括各种干扰噪音，例如振动信号必然包括外部振动干扰。如果直接将这些信号作为输入数据输入到支持向量一类的学习算法中，则学习预测结果会受噪音干扰而精度降低。
10.所以，在很多情况下，为保证学习精度和计算速度，在获取到传感器信号之后，需要由专家对信号数据进行分析，进一步从信号数据中提取、选择适合于准确评价被测对象的健康状态的特征量。选出特征量之后，将这些特征量对应的特征值输入给学习算法来评价被测对象的健康状态。
11.由此可见，特征量的选取是否合适，直接影响着最终的评价结果的准确性。
12.但是，上述分析过程需要专家既熟悉被测对象的健康状态变化过程，又具有信号分析的专业知识。并且，即使是同类被测对象，因工作条件的不同，应选用的特征量也可能不同。
13.于是，在这样的评价方法中，为保证特征量的选择的准确性，对专家的个人能力要求较高，且因被测对象、工作条件的不同，特征量的选择需要消耗大量工时。另外，各专家水平的不均会导致特征量的选择结果参差不齐，且选择结果必然会受到主观因素的影响。因此，现有的方案成本较高，且效率、可靠性以及普适性不佳。
14.用于解决技术问题的技术方法
15.本发明是为了解决上述技术问题而做出的，提供一种从多个特征量中筛选出适合于评价被测对象的健康状态的特征量的特征量筛选方法，其特征在于，包括：数据获取步骤，针对所述多个特征量中的每一个，获取所述被测对象的多个特征值，所述特征值用于表征特征量的数值；特征量评价步骤，针对所述多个特征量中每一个待评价的特征量，基于所述数据获取步骤中获取的多个特征值计算出该特征量的非单调性指标和偏差指标，其中，所述非单调性指标反映特征值的非单调性，所述偏差指标反映特征值相对于其整体变化趋势的偏离程度；以及特征量筛选步骤，针对所述待评价的特征量中的每一个，根据所述非单调性指标和所述偏差指标计算出综合指标，并根据预先设定的指标阈值筛选出适合于评价所述被测对象的健康状态的优选特征量。
16.由此，能够针对每个特征量，基于采集到的特征值和健康状态值，分析出该特征量与被测对象的健康状态的相关性，从而根据预先设定的阈值筛选出适合于评价该被测对象的健康状态的特征量。通过定义用于描述特征量与健康状态的相关性的指标，为各特征量的优劣性设计出定量化计算与评估方式，从而自动地选出优选特征量，既能减少人工分析特征量优劣的工时消耗，又能避免因专家水平不均、主观因素等导致的特征量选取质量参差不齐的问题，提高了特征量筛选方法的高效性、可靠性和普适性。
17.在上述特征量筛选方法中，优选的是，在所述数据获取步骤中，针对所述多个特征量中的每一个，按时间次序获取一个所述被测对象的多个特征值，在所述特征量评价步骤中，基于所述数据获取步骤中针对一个所述被测对象按时间次序获取的多个特征值，计算出非单调性指标和偏差指标分别作为第一类非单调性指标和第一类偏差指标，所述综合指标根据所述第一类非单调性指标和所述第一类偏差指标计算，所述指标阈值包括针对所述综合指标设定的阈值、针对所述第一类非单调性指标设定的阈值以及针对所述第一类偏差指标设定的阈值中的至少一种。
18.由此，能够在后述的第二类的评价难以执行的情况下，单独采用第一类的评价进行特征量筛选。也就是说，在被测对象的健康状态值难以获取的情况下，可以仅根据特征值来筛选合适的特征量，降低了数据获取难度。
19.在上述特征量筛选方法中，优选的是，在所述数据获取步骤中,针对所述多个特征量中的每一个，获取一个所述被测对象的多个特征值和对应的健康状态值，在所述特征量评价步骤中，基于所述数据获取步骤中针对一个所述被测对象获取的多个特征值和对应的健康状态值，计算出非单调性指标和偏差指标分别作为第一类非单调性指标和第一类偏差指标，所述综合指标根据所述第一类非单调性指标和所述第一类偏差指标计算，所述指标阈值包括针对所述综合指标设定的阈值、针对所述第一类非单调性指标设定的阈值以及针
对所述第一类偏差指标设定的阈值中的至少一种。
20.由此，能够应对被测对象数量较少的情况，针对每个特征量，从单个被测对象获取多个特征值和对应的健康状态值即可。
21.在上述特征量筛选方法中，优选的是，在所述数据获取步骤中，针对所述多个特征量中的每一个，对同种类的多个所述被测对象的每一个获取一个或多个特征值和对应的健康状态值，在所述特征量评价步骤中，基于所述数据获取步骤中对同种类的多个所述被测对象的每一个获取的一个或多个特征值和对应的健康状态值，计算出非单调性指标和偏差指标分别作为第二类非单调性指标和第二类偏差指标，所述综合指标根据所述第二类非单调性指标和所述第二类偏差指标计算，所述指标阈值包括针对所述综合指标设定的阈值、针对所述第二类非单调性指标设定的阈值以及针对所述第二类偏差指标设定的阈值中的至少一种。
22.由此，能够提高筛选方法的鲁棒性，降低了偶然性因素对筛选的不良影响，使得筛选结果更可靠。
23.在上述特征量筛选方法中，优选的是，在所述数据获取步骤中，针对所述多个特征量中的每一个，还对同种类的多个所述被测对象的每一个获取一个或多个特征值和对应的健康状态值，在所述特征量评价步骤中，还基于所述数据获取步骤中对同种类的多个所述被测对象的每一个获取的一个或多个特征值和对应的健康状态值，计算出非单调性指标和偏差指标分别作为第二类非单调性指标和第二类偏差指标，所述综合指标根据所述第一类非单调性指标、所述第一类偏差指标、所述第二类非单调性指标以及所述第二类偏差指标计算，所述指标阈值包括针对所述综合指标设定的阈值、针对所述第一类非单调性指标设定的阈值、针对所述第一类偏差指标设定的阈值、针对所述第二类非单调性指标设定的阈值以及针对所述第二类偏差指标设定的阈值中的至少一种。
24.由此，将第一类指标和第二类指标均纳入考虑，兼顾了被测对象的特征量与健康状态的相关性和鲁棒性，使得筛选结果可靠性更高。
25.在上述特征量筛选方法中，优选的是，在所述特征量评价步骤中，针对每一个所述待评价的特征量，按照以下步骤计算该特征量的非单调性指标和偏差指标：
26.步骤一，将所述数据获取步骤中获取的该特征量的特征值、或者该特征量的特征值以及对应的健康状态值绘制于以特征量为纵轴、以健康状态或序号为横轴的坐标系中作为原始数据，所述序号表征特征值获取的时间次序；
27.步骤二，绘制该原始数据的上包络线和下包络线；
28.步骤三，根据所述上包络线和所述下包络线计算出中心线；
29.步骤四，根据所述中心线，按照下述的式(2)计算出所述非单调性指标，按照下述的式(3)计算出所述偏差指标：
30.非单调性指标＝(∑
i＝2：n
|y
i-y
i-1
|)/|y
n-y1|-1
ꢀꢀꢀ
式(2)
31.偏差指标＝∑
i＝2：n-1di
/(n-2)/|y
n-y1|
ꢀꢀꢀ
式(3)
32.其中，n为数据点的数量，yi为所述中心线上第i个数据点的特征值，di为所述中心线上第i个数据点与所述上包络线或所述下包络线上相同横坐标的数据点的距离。
33.由此，通过定义非单调性指标和偏差指标的计算方法，能够以量化的形式表征特征量是否合适于评价被测对象的健康状态。
34.在上述特征量筛选方法中，优选的是，在所述步骤二中，按照以下五条规则绘制所述原始数据的所述上包络线和所述下包络线：
35.规则一：所述原始数据的第一点及最后一点同时属于所述上包络线和所述下包络线；
36.规则二：对于所述原始数据的除第一点及最后一点以外的其他数据点，若其相对于横坐标的二阶导数为零，则该数据点同时属于所述上包络线和所述下包络线；
37.规则三：对于倒数第二个数据点，如果其相对于横坐标的二阶导数大于零，则该数据点属于所述下包络线，如果相对于横坐标的二阶导数小于零，则该数据点属于所述上包络线；
38.规则四：对除第一点、倒数第二个点及最后一个点之外的其他数据点，如果其相对于横坐标的二阶导数不为零，则计算该数据点的二阶导数与下一个数据点的二阶导数的乘积，若乘积大于零，则该数据点同时属于所述上包络线和所述下包络线，若乘积小于零，且该数据点的二阶导数大于零，则该数据点属于所述下包络线，如果乘积小于零且该数据点的二阶导数小于零，则该数据点属于所述上包络线；
39.规则五：对于部分横坐标对应的所述原始数据的数据点仅被分配到所述上包络线或所述下包络线而使另一包络线的数据点缺失的情况，用该数据点的前后相邻点的数值进行线性插补来补全该包络线的数据点。
40.由此，通过采用上述的包络线绘制方法，能够降低数据线局部的细微变化对整体的影响，较可靠地反映整体的变化趋势。
41.在上述特征量筛选方法中，优选的是，还包括在所述数据获取步骤之后、在所述特征量评价步骤之前的特征量精简步骤，将所述多个特征量作为所述待评价的特征量，针对其中任意两个特征量，根据所述数据获取步骤中获取的多个特征值和对应的健康状态值，计算这两个特征量之间的线性相关系数，在计算出的线性相关系数超过预先设定的相关性阈值的情况下，判定这两个特征量实质相同，并从所述待评价的特征量中删除所述两个特征量中特征值运算时间较长的特征量。
42.由此，通过删除不必要的重复特征量，保证了特征量的唯一性，并减小了运算量。
43.在上述特征量筛选方法中，优选的是，在所述数据获取步骤中，从针对所述被测对象设置的用于检测所述特征量的各传感器中获取传感器信号值，并对获取的所述传感器信号值进行预处理，之后从预处理后的传感器信号值中提取出所述特征值。
44.由此，经由预处理，降低了噪声等干扰信息对特征量筛选的不良影响，避免了精度降低、计算效率降低的问题。
45.在上述特征量筛选方法中，优选的是，所述健康状态是已工作时间、剩余寿命、磨损量中的任一种。
46.本发明还提供一种对被测对象的健康状态进行评价的健康状态评价方法，其特征在于，包括：如上所述的特征量筛选方法的各步骤；模型构建步骤，从所述优选特征量中选择一部分或全部特征量作为模型构建用特征量，基于所述数据获取步骤中针对每个模型构建用特征量获取的特征值和对应的健康状态值，在所述模型构建用特征量与健康状态之间构建数学模型；以及健康状态评价步骤，对所述被测对象进行检测，根据检测到的所述模型构建用特征量的特征值和所述模型构建步骤中构建的所述数学模型，评价所述被测对象的
健康状态。
47.由此，能够自动地从输入的信号中提取出适合于评价被测对象的健康状态的特征量，并利用历史数据构建数学模型来评价被测对象的健康状态，以减少对专家分析的依赖，并提高评价的可靠性和普适性。因此，能够基于评价结果实现设备、部件等的健康状态的监测，进而进行精准维护。
48.在上述健康状态评价方法中，优选的是，在所述模型构建步骤中，按照所述综合指标的优劣对所述优选特征量进行排序，从而筛选出所述综合指标较佳的预定比例的特征量作为所述模型构建用特征量。
49.由此，提高了上述数学模型的构建的合理性和灵活性。
附图说明
50.图1是本发明的第一实施方式涉及的特征量筛选方法的流程图。
51.图2是示出上包络线和下包络线的绘制方法的图。
52.图3是示出根据上包络线和下包络线计算中心线的方法的图。
53.图4是示出绘制好的中心线的图。
54.图5是示出根据中心线计算非单调性指标和偏差指标的图。
55.图6是本发明的第一实施方式的变形例涉及的特征量筛选方法的流程图。
56.图7是本发明的第五实施方式涉及的健康状态评价方法的流程图。
具体实施方式
57.[第一实施方式]
[0058]
本实施方式涉及一种从多个特征量中筛选出适合于评价被测对象的健康状态的特征量的特征量筛选方法，以数控机床的刀具剩余寿命评价为例，可通过电流传感器、振动传感器、声发射传感器、力传感器等传感器监测刀具工作状态，从而评价刀具磨损情况，由此判断更换刀具的时机。
[0059]
此时，“被测对象”为刀具，刀具的磨损量或刀具的剩余寿命可以用来表征刀具的健康状态，本实施方式中以通过显微镜测得的刀具的磨损量作为“健康状态”，以从上述各传感器的检测值中提取出的特征量作为用于评价被测对象的健康状态的“特征量”。
[0060]
作为特征量，既可以是传感器原始信号的均值、最大值、均方根值、幅值、峰值、方差值、工作频率幅值、两倍工作频率幅值、峰态系数、峰值因子、标准差系数等特征量，也可以是原始信号的绝对值、包络信号等经过二次数据处理后的新信号的上述各种特征量。
[0061]
图1是本实施方式涉及的特征量筛选方法的流程图。
[0062]
首先，在步骤s101中，执行数据获取步骤，针对多个特征量中的每一个，获取刀具的多个特征值即用于表征特征量的数值。
[0063]
具体来说，针对上述多个特征量中的每一个，获取一把刀具的多个特征值和对应的磨损量。该特征值、磨损量可以包括该刀具的全生命周期(即从磨损量为零至完全磨损为止)的数据，也可以仅为其生命周期内的一部分数据。
[0064]
接着，进入步骤s102，执行特征量评价步骤，针对上述多个特征量中每一个待评价的特征量，基于步骤s101中针对一个刀具获取的多个特征值和对应的磨损量，计算出表征
该特征量与刀具的磨损量的相关性的指标，这样的指标包括非单调性指标和偏差指标，其中，非单调性指标反映特征值的非单调性，偏差指标反映特征值相对于其整体变化趋势的偏离程度。在本实施方式中，由于针对单个刀具研究各特征量与刀具的磨损量的相关性，因此将计算出的非单调性指标和偏差指标分别称为“第一类非单调性指标”和“第一类偏差指标”，此处的“第一类”表示基础评价。
[0065]
以下对非单调性指标和偏差指标进行定义，将非单调性指标和偏差指标的计算方法分为以下四个步骤。
[0066]
步骤一，针对每一个待评价的特征量，如图2所示，将步骤s101中获取的该特征量的特征值以及对应的磨损量绘制于以特征量为纵轴、以磨损量为横轴的坐标系中，得到数据点p1、p2、p3
……
p7(图中列出了7个数据点的情况，但数据点的数量不限于此)，并通过折线进行连接，作为原始数据。
[0067]
步骤二，绘制该原始数据的上包络线和下包络线，上包络线和下包络线的具体绘制方法在后面叙述。
[0068]
步骤三，如图3所示，根据上包络线和下包络线计算出中心线，中心线的各数据点的计算方法可以有多种，例如可采用下述的式(1)的计算方法：
[0069]
中心线上的数据点的纵坐标值＝(同横坐标的上包络线数据点的纵坐标值 同横坐标的下包络线数据点的纵坐标值)/2
ꢀꢀꢀ
(式1)
[0070]
由此，得到如图4所示的中心线作为该特征量与刀具的磨损量之间的相关线。
[0071]
步骤四，如图5所示，根据中心线，按照下述的式(2)计算出非单调性指标，并按照下述的式(3)计算出偏差指标：
[0072]
非单调性指标＝(∑
i＝2：n
|y
i-y
i-1
|)/|y
n-y1|-1
ꢀꢀꢀ
式(2)
[0073]
偏差指标＝∑
i＝2：n-1di
/(n-2)/|y
n-y1|
ꢀꢀꢀ
式(3)
[0074]
其中，n为数据点的数量，yi为中心线上第i个数据点的特征值，di为中心线上第i个数据点与上包络线或下包络线上相同横坐标的数据点的距离。
[0075]
关于非单调性指标，当中心线完全单调时，计算出的非单调性指标为零。若不完全单调，则计算出的非单调性指标大于零，其值越大，表示中心线单调性越差，于是该特征量与刀具的磨损量的单调相关性越差。如果计算出的非单调性指标为1，则意味着完全非单调。
[0076]
关于偏差指标，理想状态下，计算出的偏差指标为零，即该特征量可以精确描述刀具的磨损量且无偏差。偏差指标越大，则说明该特征量的特征值相对于整体变化趋势的波动越大，即特征值越不稳定，用该特征量描述刀具的磨损量的精度越差。如果偏差指标等于1，则意味着数据波动极大，中心线的拟合无意义。
[0077]
以上虽然对第一类非单调性指标和第一类偏差指标进行了定义，但其具体计算方法不限于上述的步骤一至步骤四，第一类非单调性指标只要能够反映特征值相对于横轴的非单调性，则计算方法不限于此，同样地，第一类偏差指标只要能够反映特征值相对于其整体变化趋势的偏离程度，则计算方法不限于此。
[0078]
另外，关于上包络线和下包络线，在上述步骤二中，如图2所示，可以按照以下五条规则绘制原始数据的上包络线和下包络线：
[0079]
规则一：原始数据的第一点(如p1)及最后一点(如p7)同时属于上包络线和下包络
线；
[0080]
规则二：对于原始数据的除第一点及最后一点以外的其他数据点，若其相对于横坐标的二阶导数为零，则该数据点(如p2)同时属于上包络线和下包络线；
[0081]
规则三：对于倒数第二个数据点，如果其相对于横坐标的二阶导数大于零，则该数据点属于下包络线，如果相对于横坐标的二阶导数小于零，则该数据点(如p6)属于上包络线；
[0082]
规则四：对除第一点、倒数第二个点及最后一个点之外的其他数据点，如果其相对于横坐标的二阶导数不为零，则计算该数据点的二阶导数与下一个数据点的二阶导数的乘积，若乘积大于零，则该数据点(如p3)同时属于上包络线和下包络线，若乘积小于零，且该数据点的二阶导数大于零，则该数据点属于下包络线(如p5)，如果乘积小于零且该数据点的二阶导数小于零，则该数据点(如p4)属于上包络线；
[0083]
规则五：对于部分横坐标对应的原始数据的数据点仅被分配到上包络线或下包络线而使另一包络线的数据点缺失的情况，用该数据点的前后临近点的数值进行线性插补来补全该包络线的数据点(如p4
bottom
，p5
upper
，p6
bottom
)。
[0084]
以上虽然对原始数据的上包络线和下包络线的绘制方法进行了定义，但具体绘制方法不限于以上五条规则，可以采用现有的各种绘制包络线的方法进行定义。
[0085]
最后，进入步骤s103，执行特征量筛选步骤，针对待评价的特征量中的每一个，根据上述的非单调性指标和偏差指标计算出综合指标，并根据预先设定的指标阈值筛选出适合于评价该刀具的磨损量的优选特征量。
[0086]
在本实施方式中，研究的是各特征量与刀具的磨损量的相关性，因此该综合指标根据第一类非单调性指标和第一类偏差指标计算，具体计算方式不限，例如在采用上述定义的情况下，指标值为零时最佳，数值越大表示相关性越差，因此可以令综合指标为第一类非单调性指标和第一类偏差指标的数值之和，也可为加权后的数值之和。
[0087]
以上设定的用于筛选特征量的指标阈值至少包括针对综合指标设定的阈值、针对第一类非单调性指标设定的阈值以及针对第一类偏差指标设定的阈值中的一种，而为了更高效、准确地筛选符合要求的特征量，宜为综合指标、第一类非单调性指标以及第一类偏差指标这三者分别设定阈值，并剔除指标值超出任一指标阈值的特征量，剩余的特征量即作为优选特征量。由此，可以剔除过差的特征量，提高计算效率。可选的推荐指标阈值为0.1，根据实际情况，也可以适当降低或提高该阈值。
[0088]
此外，在上述实施方式中，为了评估刀具的剩余寿命，以刀具的磨损量作为“健康状态”，但不限于此，例如也可以以刀具的已工作时间、剩余寿命等作为“健康状态”。
[0089]
由此，根据本实施方式，能够针对每个特征量，基于从一把刀具采集的特征值和磨损量，分析出该特征量与刀具的磨损量的相关性，从而根据预先设定的阈值筛选出适合于评价该刀具的磨损量的优选特征量。在实际加工中，通过监测这些优选特征量，能够获知对应的刀具磨损量，从而在恰当的时机更换刀具。
[0090]
具体来说，通过定义用于描述特征量与刀具的磨损量的相关性的指标，为各特征量的优劣性设计出定量化计算与评估方式，从而自动地选出优选特征量，既能减少人工分析特征量优劣的工时消耗，又能避免因专家水平不均、主观因素等导致的特征量选取质量参差不齐的问题，提高了特征量筛选方法的高效性、可靠性和普适性。
[0091]
[第一实施方式的变形例]
[0092]
本实施方式的具体构成不限于上述记载，也可以为其他形态。
[0093]
例如，考虑到从针对刀具等被测对象设置的用于检测特征量的各传感器中获取的传感器信号值中往往带有噪声等干扰信息，因此在上述的步骤s101中，可以对从各传感器获取的传感器信号值进行预处理，之后从预处理后的传感器信号值中提取出特征值。这样的预处理可以包括零点偏移的补偿、高频信号或低频信号的滤除等常见的处理方法。
[0094]
另一方面，如图6所示，还可以在步骤s101之后、步骤s102之前包括步骤s104即特征量精简步骤，首先将前述的多个特征量作为“待评价的特征量”，针对其中任意两个特征量，根据在步骤s101中获取的多个特征值和对应的磨损量，计算这两个特征量之间的线性相关系数，线性相关系数的计算方法采用现有的各种数学方法即可。在计算出的线性相关系数超过预先设定的相关性阈值的情况下，判定这两个特征量实质相同，并从待评价的特征量中删除这两个特征量中特征值运算时间较长的特征量。
[0095]
由此，保证了特征量的唯一性，并减小了运算量。其中，该相关性阈值可以根据实际需要设定，例如可设定为0.99。
[0096]
[第二实施方式]
[0097]
本实施方式涉及的特征量筛选方法在以下方面与第一实施方式不同。
[0098]
根据第一实施方式，在图2所示的步骤s101中，针对多个特征量中的每一个，获取一个刀具的多个特征值和对应的磨损量。
[0099]
但是，考虑到在实际操作中例如采集刀具的磨损量的情况，每采集一次磨损量的数值，正在运转的刀具就不得不停止运转，有时还伴有其他设备的拆卸、所切割的工件的移动等，因此刀具的磨损量即健康状态值的采集较为困难或繁琐。
[0100]
针对这样的技术问题，根据本实施方式的特征量筛选方法，在图2所示的数据获取步骤s101中，针对多个特征量中的每一个，仅按时间次序获取一个刀具(被测对象)的多个特征值即可，无需获取刀具的磨损量(健康状态值)。也就是说，仅需要将所获取的特征值按时序进行排列即可。
[0101]
在该情况下，在特征量评价步骤s102中，基于步骤s101中针对一个刀具按时间次序获取的多个特征值，按照与第一实施方式相同的计算方法计算出非单调性指标和偏差指标分别作为第一类非单调性指标和第一类偏差指标，此时，图2至图5中的横坐标采用表征该特征量的时间次序的序号来代替刀具的磨损量即可，各个特征值采集的时间间隔可以是均匀的，也可以不是均匀的。
[0102]
由此，根据本实施方式，能够在被测对象的健康状态值难以获取的情况下仅根据特征值来筛选合适的特征量，降低了数据获取难度。
[0103]
本实施方式的其他构成与第一实施方式相同，因此省略相关说明。
[0104]
[第三实施方式]
[0105]
本实施方式涉及的特征量筛选方法在以下方面与第一实施方式不同。
[0106]
根据第一实施方式和第二实施方式，在图2所示的步骤s101中，针对多个特征量中的每一个，获取一个刀具的数据，由此筛选出的特征量是适合于评价该刀具的健康状态的特征量，但该单个刀具可能因偶然因素等而不同于其他刀具，因此这样的筛选方法鲁棒性不佳。
[0107]
针对这样的技术问题，根据本实施方式的特征量筛选方法，通过共同的健康状态即磨损量来融合两个以上的刀具的特征值而计算指标。具体来说，在图2所示的数据获取步骤s101中，针对多个特征量中的每一个，对同种类的多个刀具(被测对象)的每一个获取多个特征值和对应的磨损量(健康状态值)。也就是说，与第二实施方式不同的是，本实施方式为了能够将不同刀具的特征值按磨损量的大小进行排序、融合从而进行数据处理，必须要检测对应的磨损量。另外，也可以针对每个刀具仅获取一个特征值和对应的磨损量。
[0108]
在该情况下，在特征量评价步骤s102中，基于步骤s101中对同种类的多个刀具的每一个获取的一个或多个特征值和对应的磨损量，计算出非单调性指标和偏差指标。
[0109]
在本实施方式中，由于计算出的上述指标能反映多个刀具的各特征量与磨损量的相关性以及鲁棒性，因此将计算出的非单调性指标和偏差指标分别称为“第二类非单调性指标”和“第二类偏差指标”，此处的“第二类”是在“第一类”的基础上考虑到了鲁棒性而进行的评价。
[0110]
在该情况下，前述的综合指标可以根据第二类非单调性指标和第二类偏差指标计算，且指标阈值也可以包括针对综合指标设定的阈值、针对第二类非单调性指标设定的阈值以及针对第二类偏差指标设定的阈值中的至少一种。
[0111]
由此，能够在兼顾被测对象的特征量与健康状态的相关性和鲁棒性的情况下合理地筛选出合适的特征量，使得筛选结果可靠性更高。
[0112]
本实施方式的其他构成与第一实施方式相同，因此省略相关说明。
[0113]
[第四实施方式]
[0114]
根据本实施方式，在第一实施方式和第二实施方式的基础上，还具有以下构成。
[0115]
即，在图2所示的步骤s101中，针对多个特征量中的每一个，还如第三实施方式那样，对同种类的多个刀具的每一个获取一个或多个特征值和对应的磨损量，并且，在步骤s102中，还基于步骤s101中对同种类的多个刀具的每一个获取的一个或多个特征值和对应的磨损量，计算出非单调性指标和偏差指标分别作为第二类非单调性指标和第二类偏差指标。
[0116]
对于某个刀具而言，如果针对某个特征量获取的各特征值并非全部同时获得了对应的磨损量，则只有获得了对应的磨损量的特征值可以与其他刀具的特征值融合在一起计算第二类非单调性指标和第二类偏差指标，该刀具剩余的特征值可以单独用来计算该刀具的该特征量的第一类非单调性指标和第一类偏差指标。
[0117]
由于分别计算出了第一类非单调性指标、第一类偏差指标、第二类非单调性指标以及第二类偏差指标，因此综合指标可以根据第一类非单调性指标、第一类偏差指标、第二类非单调性指标以及第二类偏差指标计算，具体计算方法不限，例如可以为它们的数值之和，也可为加权后的数值之和。
[0118]
以上设定的用于筛选特征量的指标阈值至少包括针对综合指标设定的阈值、针对第一类非单调性指标设定的阈值、针对第一类偏差指标设定的阈值、针对第二类非单调性指标设定的阈值以及针对第二类偏差指标设定的阈值中的一种，而为了更高效、准确地筛选符合要求的特征量，宜为这五者分别设定阈值，并剔除指标值超出任一指标阈值的特征量，剩余的特征量即作为优选特征量。可选的推荐指标阈值为0.1，根据实际情况，也可以适当降低或提高该阈值。
[0119]
由此，能够在兼顾被测对象的特征量与健康状态的相关性和鲁棒性的情况下合理地筛选出合适的特征量，使得筛选结果可靠性更高。
[0120]
[第五实施方式]
[0121]
本实施方式涉及一种对被测对象的健康状态进行评价的健康状态评价方法，其流程图示于图7。
[0122]
图7中的步骤s701至s704与第一实施方式、第二实施方式或第三实施方式的特征量筛选方法中的s101至s104相同，此处省略说明。
[0123]
在步骤s705中，执行模型构建步骤，从前述的特征量筛选步骤中筛选出的优选特征量中选择一部分或全部特征量作为模型构建用特征量，基于数据获取步骤中针对每个模型构建用特征量获取的特征值和对应的磨损量，在模型构建用特征量与磨损量之间构建数学模型。
[0124]
此处，作为数学模型的构建方法，可以采用最小二乘法、多项式拟合、支持向量机、马田法等常见的学习算法。
[0125]
接着，进入步骤s706，在已构建了数学模型的情况下，针对相同工作条件下的刀具，执行健康状态评价步骤。对待测的刀具进行检测，采用前述的模型构建用特征量作为待检测的特征量，根据检测到的模型构建用特征量的特征值和步骤s705中构建的数学模型，评价该刀具的健康状态，即计算出其当前磨损量。
[0126]
由此，根据本实施方式，能够基于筛选出的合适的特征量，建立健康状态的评价模型，从而基于评价结果实现设备、部件等的健康状态的监测，进而进行精准维护。
[0127]
[第五实施方式的变形例]
[0128]
本实施方式的具体构成不限于上述记载，也可以为其他形态。
[0129]
例如在上述健康状态评价方法中，步骤s702不是必须，也可以省略。
[0130]
另外，在步骤s705中，也可以不使用所有的优选特征量进行模型构建，而是按照前述的综合指标的优劣对优选特征量进行排序，从而筛选出综合指标较佳的预定比例(如前80％)的特征量作为模型构建用特征量。
[0131]
以上，虽然通过参照本发明的某些优选实施方式对本发明进行了图示和描述，但本领域的普通技术人员应该清楚，本发明未必限定于具备所说明的所有的构成的实施方式，在不违背本发明的技术思想的范围内，各实施方式可以相互组合或将某实施方式的构成的一部分替换为其他的实施方式的构成，也能够在某实施方式的构成中加上其他的实施方式的构成，另外，能够对各实施方式的构成的一部分进行其他构成的追加、删除、替换。
[0132]
例如，以上以刀具的磨损量为例进行了各个实施方式的说明，但不限于此，本发明的特征量筛选方法和健康状态评价方法不仅适用于刀具，还可以用于轴承、电机、风机、机床等设备、部件、工具(即被测对象)等。以轴承为例，可以通过振动传感器获取轴承工作过程中的检测信息，例如获取振动信号的包括幅值、频谱在内的特征量。而后，以轴承的剩余寿命为健康状态，对各特征量进行筛选，最终建立轴承健康状态评价模型用于评价任意特征值下的健康状态。