一种电厂设备健康评估模型的构建方法及装置与流程

本发明涉及设备健康评价领域，特别涉及一种电厂设备健康评估模型的构建方法及装置。

背景技术：

随着当代化工业技术的快速发展，电厂设备规模越来越庞大且精密，现有电厂设备在线实时监测系统已经不能再适应当下密集电厂设备在线监控任务的需要，电厂设备遇到的安全可靠性不断下降及使用性能不断衰退等问题严重影响了电力企业的生产效益。因此，电厂设备安全性、稳定性、可靠性及运行效率等关键能力所确保的核心竞争力显得尤为重要，电厂设备健康管理技术越来越受到重视。

针对电厂设备的健康评价问题，国内外在相关技术方面开展了研究工作，部分理论研究已经进入了实际的工程应用阶段。文献《基于健康指数的设备运行状态评价与预测》[j].合肥工业大学学报，2015年10月，第38卷第10期，张彦如等人通过以特征参数作为失效凭据，构建设备多参数运行状态评价模型，在模型运用过程中依据参数偏离理想值的程度进行参数变权，使得计算分数能反映设备真实状态。该方法依托于设备的参数权重和参数偏差来评价该设备的运行状态，因而设备的参数权重和参数偏差真实性和有效性会对设备综合运行状态的有效评价产生直接影响。文献《基于运行工况辨识的风电机组健康状态实时评价方法》[j].中国电机工程学报，2013年4月15日，第33卷第11期，董玉亮等人考虑设备工况的多样性，采用工况辨识法实时识别运行工况。在运行工况子空间，建立基于高斯混合模型(gmm)多状态特征融合的健康状态评价模型，计算健康衰退指数(hdi)进行设备健康状态评价。该方法没有考虑对于相同工况下存在优良中差的区别机制，同时kmeans聚类进行工况划分的缺乏合理性评价。

技术实现要素：

针对于已有设备健康评价技术对设备综合评价指标考虑不够充分及无法有效量化设备健康程度差异的突出问题,本发明提供了一种电厂设备健康评估模型的构建方法及装置。

根据本发明实施例提供的一种电厂设备健康评估模型的构建方法，包括：

根据用户配置的用于反映电厂目标设备运行状态的多个相关参数，获取每个相关参数的历史数据，并根据所述每个相关参数的历史数据，得到每个相关参数的训练数据；

分别计算所述每个相关参数训练数据的信息熵和条件熵，并利用所述信息熵和条件熵，得到所述每个相关参数训练数据的互信息特征；

利用所述每个相关参数训练数据的互信息特征，得到所述电厂目标设备每个相关参数的常权重；

利用预置的bp神经网络回归模型、所述每个相关参数的历史数据和训练数据，分别计算所述电厂目标设备每个相关参数的历史残差数据和训练残差数据；

利用所述电厂目标设备每个相关参数的历史残差数据和训练残差数据，分别计算所述电厂目标设备每个相关参数的不同参数评分分数对应的参数残差阈值，并构建所述每个参数残差阈值与对应的参数分数之间的非线性回归关系；

通过对所述每个相关参数的历史数据进行工况划分，得到多个工况分类，并根据用户配置的目标参数，计算每类工况下同类设备同类参数的参数均值和所述目标参数的最值；

利用所述电厂目标设备每个相关参数的常权重、所述每个参数残差阈值与对应的参数分数之间的非线性回归关系以及每类工况下同类设备同类参数的参数均值和所述目标参数的最值，构建电厂设备健康评估模型。

根据本发明实施例提供的一种电厂设备健康评估模型的构建装置，包括：

获取常权重模块，用于根据用户配置的用于反映电厂目标设备运行状态的多个相关参数，获取每个相关参数的历史数据，并根据所述每个相关参数的历史数据，得到每个相关参数的训练数据，分别计算所述每个相关参数训练数据的信息熵和条件熵，并利用所述信息熵和条件熵，得到所述每个相关参数训练数据的互信息特征，以及利用所述每个相关参数训练数据的互信息特征，得到所述电厂目标设备每个相关参数的常权重；

构建非线性回归关系模块，用于利用预置的bp神经网络回归模型、所述每个相关参数的历史数据和训练数据，分别计算所述电厂目标设备每个相关参数的历史残差数据和训练残差数据，利用所述电厂目标设备每个相关参数的历史残差数据和训练残差数据，分别计算所述电厂目标设备每个相关参数的不同参数评分分数对应的参数残差阈值，并构建所述每个参数残差阈值与对应的参数分数之间的非线性回归关系；

计算模块，用于通过对所述每个相关参数的历史数据进行工况划分，得到多个工况分类，并根据用户配置的目标参数，计算每类工况下同类设备同类参数的参数均值和所述目标参数的最值；

构建模块，用于利用所述电厂目标设备每个相关参数的常权重、所述每个参数残差阈值与对应的参数分数之间的非线性回归关系以及每类工况下同类设备同类参数的参数均值和所述目标参数的最值，构建电厂设备健康评估模型。

根据本发明实施例提供的方案，更好地解决电厂设备健康度评价准确性不高的问题，从而有利于设备良好运行状态的持续性维护。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于理解本发明，并不构成对本发明的不当限定。在附图中：

图1是本发明实施例提供的一种电厂设备健康评估模型的构建方法的流程图；

图2是本发明实施例提供的一种电厂设备健康评估模型的构建方法的流程图；

图3是本发明实施例提供的电厂设备的健康评价模型训练阶段流程图。

具体实施方式

以下结合附图对本发明的优选实施例进行详细说明，应当理解，以下所说明的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

图1是本发明实施例提供的一种电厂设备健康评估模型的构建方法的流程图，如图1所示，包括：

步骤s101：根据用户配置的用于反映电厂目标设备运行状态的多个相关参数，获取每个相关参数的历史数据，并根据所述每个相关参数的历史数据，得到每个相关参数的训练数据；

步骤s102：分别计算所述每个相关参数训练数据的信息熵和条件熵，并利用所述信息熵和条件熵，得到所述每个相关参数训练数据的互信息特征；

步骤s103：利用所述每个相关参数训练数据的互信息特征，得到所述电厂目标设备每个相关参数的常权重；

步骤s104：利用预置的bp神经网络回归模型、所述每个相关参数的历史数据和训练数据，分别计算所述电厂目标设备每个相关参数的历史残差数据和训练残差数据；

步骤s105：利用所述电厂目标设备每个相关参数的历史残差数据和训练残差数据，分别计算所述电厂目标设备每个相关参数的不同参数评分分数对应的参数残差阈值，并构建所述每个参数残差阈值与对应的参数分数之间的非线性回归关系；

步骤s106：通过对所述每个相关参数的历史数据进行工况划分，得到多个工况分类，并根据用户配置的目标参数，计算每类工况下同类设备同类参数的参数均值和所述目标参数的最值；

步骤s107：利用所述电厂目标设备每个相关参数的常权重、所述每个参数残差阈值与对应的参数分数之间的非线性回归关系以及每类工况下同类设备同类参数的参数均值和所述目标参数的最值，构建电厂设备健康评估模型。

其中，所述目标参数的最值包括最大值、最小值及最优值。

具体地说，所述根据用户配置的用于反映电厂目标设备运行状态的多个相关参数，获取每个相关参数的历史数据，并根据所述每个相关参数的历史数据，得到每个相关参数的训练数据包括：根据用户配置的用于反映电厂目标设备运行状态的多个相关参数，分别获取所述电厂目标设备和与所述电厂目标设备同组的其它多个电厂设备的每个相关参数的历史数据；根据所述电厂目标设备的每个相关参数的历史数据，得到所述电厂目标设备每个相关参数的训练数据。

具体地说，所述分别计算所述每个相关参数训练数据的信息熵和条件熵，并利用所述信息熵和条件熵，得到所述每个相关参数训练数据的互信息特征包括：计算所述每个相关参数训练数据的信息熵；在已知某一相关参数训练数据的条件下，计算每个相关参数训练数据的条件熵；利用所述每个相关参数训练数据的信息熵和所述每个相关参数训练数据的条件熵，得到所述每个相关参数训练数据的互信息特征。

具体地说，所述利用预置的bp神经网络回归模型、所述每个相关参数的历史数据和训练数据，分别计算所述电厂目标设备每个相关参数的历史残差数据和训练残差数据包括：利用预置的bp神经网络回归模型和所述每个相关参数的历史数据，计算所述每个相关参数历史数据的评估值，同时利用预置的bp神经网络回归模型和所述每个相关参数的训练数据，计算所述每个相关参数训练数据的评估值；根据所述每个相关参数的历史数据和所述每个相关参数历史数据的评估值，计算所述电厂目标设备每个相关参数的历史残差数据，同时根据所述每个相关参数的训练数据和所述每个相关参数训练数据的评估值，计算所述电厂目标设备每个相关参数的训练残差数据。

具体地说，所述利用所述电厂目标设备每个相关参数的历史残差数据和训练残差数据，分别计算所述电厂目标设备每个相关参数的不同参数评分分数对应的参数残差阈值包括：利用所述电厂目标设备每个相关参数的训练残差数据，计算所述电厂目标设备每个相关参数的第一参数评分分数对应的参数残差阈值；利用所述电厂目标设备每个相关参数的历史残差数据和预置的第一置信度和第二置信度，分别计算所述电厂目标设备每个相关参数的第二参数评分分数和第三参数评分分数对应的参数残差阈值；其中，所述第一参数评分分数＞所述第二参数评分分数＞所述第三参数评分分数，所述第一置信度＜所述第二置信度。

图2是本发明实施例提供的一种电厂设备健康评估模型的构建方法的流程图，如图2所示，包括：

获取常权重模块201，用于根据用户配置的用于反映电厂目标设备运行状态的多个相关参数，获取每个相关参数的历史数据，并根据所述每个相关参数的历史数据，得到每个相关参数的训练数据，分别计算所述每个相关参数训练数据的信息熵和条件熵，并利用所述信息熵和条件熵，得到所述每个相关参数训练数据的互信息特征，以及利用所述每个相关参数训练数据的互信息特征，得到所述电厂目标设备每个相关参数的常权重；

构建非线性回归关系模块202，用于利用预置的bp神经网络回归模型、所述每个相关参数的历史数据和训练数据，分别计算所述电厂目标设备每个相关参数的历史残差数据和训练残差数据，利用所述电厂目标设备每个相关参数的历史残差数据和训练残差数据，分别计算所述电厂目标设备每个相关参数的不同参数评分分数对应的参数残差阈值，并构建所述每个参数残差阈值与对应的参数分数之间的非线性回归关系；

计算模块203，用于通过对所述每个相关参数的历史数据进行工况划分，得到多个工况分类，并根据用户配置的目标参数，计算每类工况下同类设备同类参数的参数均值和所述目标参数的最值；

构建模块204，用于利用所述电厂目标设备每个相关参数的常权重、所述每个参数残差阈值与对应的参数分数之间的非线性回归关系以及每类工况下同类设备同类参数的参数均值和所述目标参数的最值，构建电厂设备健康评估模型。其中，所述目标参数的最值包括最大值、最小值及最优值。

其中，所述获取常权重模块201包括：获取训练数据单元，用于根据用户配置的用于反映电厂目标设备运行状态的多个相关参数，分别获取所述电厂目标设备和与所述电厂目标设备同组的其它多个电厂设备的每个相关参数的历史数据，并根据所述电厂目标设备的每个相关参数的历史数据，得到所述电厂目标设备每个相关参数的训练数据。

其中，所述获取常权重模块201包括：

获取互信息特征单元，用于计算所述每个相关参数训练数据的信息熵，并在已知某一相关参数训练数据的条件下，计算每个相关参数训练数据的条件熵，以及利用所述每个相关参数训练数据的信息熵和所述每个相关参数训练数据的条件熵，得到所述每个相关参数训练数据的互信息特征。

图3是本发明实施例提供的电厂设备的健康评价模型训练阶段流程图，如图3所示，包括:

步骤1：从pi数据库中获取目标设备相关参数指定时间段的全部数据，根据启停条件判断的参数数值来识别并剔除全部数据中的停机数据，处理后的数据作为历史数据；

步骤2：依据故障异常筛选规则从历史数据中剔除本设备工单中记录的故障事件对应时间段的数据，同时采用箱线图法识别剩余数据中的离群、异常数据，处理过后的最终数据作为训练数据；

步骤3：通过互信息算法计算训练数据各个参数的信息熵和条件熵，两者的差值即为互信息特征，归一化之后的互信息特征作为参数常权重；

步骤4：使用训练数据构建4层的bp神经网络回归模型，全部参数既作为回归模型的输入，也作为回归模型的输出，中间搭建2层隐含层。使用bp神经网络回归模型计算历史数据的评估值，历史数据减历史评估值得到历史残差数据。使用bp神经网络回归模型计算训练数据的评估值，训练数据减训练评估值得到训练残差数据，得到训练残差数据；

步骤5：使用历史残差数据及训练残差数据绝对值，通过概率密度分布的置信度挖掘参数评分分数分别为30、50、60对应的参数残差阈值；

步骤6:通过累积概率密度分布构建参数残差绝对值与参数分数的非线性回归关系，用于获取参数偏离程度分值；

步骤7：使用概率分布相似性聚类算法对历史数据进行工况划分，根据数据的相似性自适应得到多个工况分类，并计算不同工况下同类设备同类参数的参数均值；

工况，是指在一种条件下的设备工作状态。比如发动机在燃料消耗率最低时的运行状态称"经济工况"；在负荷超过额定值时的运行状态称"超载工况"。在本发明中，工况指的是使用发电负荷等外因参数进行数值范围划分的不同设备数据状态。

步骤8：设定目标参数的特性有越大越优、越小越优、越趋近于某个值越优3个。在同工况下，计算目标参数的最大值和最小值，用于运行阶段的目标参数数值的归一化处理。

如图3所示，左侧的模型是工况信息模型，主要包含工况边界、参数均值、目标最值3部分信息，可以用于运行阶段的运行工况等级计算以及同类横向对比指标计算。右侧的模型是全部参数残差与参数分数映射关系公式，可以用于运行阶段的参数分数计算。

整个建模过程主要包括以下步骤：

步骤1：从pi数据库中获取目标设备(磨煤机a设备)相关参数的指定时间段的全部数据，根据判断启停条件的参数，识别并剔除全部数据中的停机数据，处理后的数据作为磨煤机a设备的历史数据。

这里以南方某电厂1号机组磨煤机a设备为例，首先选取能直接反映磨煤机a运行状态的磨煤机电流、磨煤机电动机轴承温度、磨煤机出力等119个相关参数；依据上述信息从该电厂pi数据库中读取1号机组磨煤机a设备的2017年～2019年2年历史数据，同时也要获取1号机组的另外5台磨煤机(磨煤机b、磨煤机c、磨煤机d、磨煤机e、磨煤机f)的相同参数相同时间范围的历史数据集合。利用磨煤机电流大于10安培的磨煤机设备启动条件对6份历史数据集合进行停机数据过滤；

假设参数数分别为n的6台磨煤机全部数据的数据条数为m1，历史数据的数据条数为m2，在j时刻的全部参数数据可看作一个n维列向量，表示为：

u(tj)＝[uj1，uj2，uj3，...，ujn]

ujn为某台磨煤机第j时刻运行数据，磨煤机abcdef全部数据文件分别保存为m1×n的矩阵格式，具体形式如下：

fa1为磨煤机a的全部数据，ff1为磨煤机f的全部数据。磨煤机abcdef历史数据文件保存为m2×n的矩阵格式，具体形式如下：

fa2为磨煤机a的历史数据，ff2为磨煤机f的历史数据，按照上述方法，所有数据的存储形式：样本数据的行表示这个样本数据矩阵的样本时间，列表示这个样本数据的参数。由于历史数据是经过全部数据的数据清洗得到的，故m2小于m1。

步骤2：从历史数据中依据故障异常筛选规则剔除本设备工单中记录的故障事件对应时间段数据，同时采用箱线图法识别剩余数据中每个参数的离群数据、异常数据，处理过后的最终数据作为训练数据；

本发明主要使用3种方法进行故障异常筛选：

1、本设备工单中记录的故障事件时间进行筛选

2、使用设备关键参数保护定值进行筛选

3、使用箱线图法进行异常数据筛选

以1号机组磨煤机a设备举例，利用磨煤机出口风粉混合物温度大于100摄氏度、磨煤机动态分离器轴承温度大于107摄氏度等筛选规则从1号机组磨煤机a设备历史数据获取该设备全部的故障数据、异常数据的起止时间信息；依据这些时间信息从历史数据中剔除故障、异常起止时间得到训练数据ta。

计算每个参数的数据四分位距iqr、上四分位数prctile75及下四分位数prctile25，则该参数的上限阈值为：threupper＝prctile75+3*iqr，该参数的下限阈值为：

threlower＝prctile25-3*iqr

每个参数的数据按照上限阈值threupper下限阈值threlower判断并剔除该参数存在的异常数据。

磨煤机a训练数据文件ta保存为m3×n的矩阵格式，具体形式如下：

m2是历史数据的行数；m3是训练数据的行数；历史数据经过数据筛选得到训练数据，故m3应该是小于m2。

其中，uij表示磨煤机a训练数据文件ta第i时刻第j测点的数值。

步骤3：通过互信息算法计算训练数据各个参数的信息熵和条件熵，两者的差值即为互信息特征，归一化之后的互信息特征作为参数常权重；

以计算磨煤机a的参数常权重为例，输入矩阵为训练数据ta，首先计算参数两两之间的信息熵h，计算公式为：

其中，p(i)为参数i的概率，h(i)为信息熵。

在已知参数j的条件下，参数i的条件熵h(i|j)计算公式为：

互信息i(i，j)为参数i的信息熵h(i)跟参数i的条件熵h(i|j)的差值，具体公式如下：

i(i，j)＝h(i)-h(i|j)＝i(j，i)

使用互信息算法可对训练数据ta可以计算一个n×n的互信息矩阵fmi，如下所示：

其中，fmi为互信息矩阵，i(i，j)为参数i与参数j的互信息特征。

.对fmi矩阵计算每行数值的均值，

其中，rel(i)表示第i行全部互信息特征的均值。

最终得到一维向量rel，该向量的归一化数值可作为磨煤机a每个参数的常权重w原。

其中，rel(i)表示互信息矩阵中每行互信息特征的均值。

步骤4：使用训练数据构建4层的bp神经网络回归模型，全部参数既作为回归模型的输入，也作为回归模型的输出，中间搭建2层隐含层。使用bp神经网络回归模型计算历史数据的评估值，历史数据减历史评估值得到历史残差数据。使用bp神经网络回归模型计算训练数据的评估值，训练数据减训练评估值得到训练残差数据，得到训练残差数据。

以1号机组磨煤机a为例，首先对其建立由一个输入层、两个隐藏层、一个输出层组成的bp神经网络，其各层节点数为|n，20，20，n|。输入层与输出层的神经元数n为1号机组磨煤机a训练数据ta的参数个数。

首先，对训练数据ta进行数据归一化处理，得到归一化数据矩阵ta_norm。按照下面公式对训练数据ta进行数据映射到[0，1]区间

其中，ta_norm[i，j]为时间i参数j的归一化数值，ta[i，j]为时间i参数j的训练数值，ta_max_j为参数j上最大值，ta_min_j为参数j上的最小值。

然后，使用训练数据ta对bp神经网络进行网络参数的训练，训练数据的全部参数既作为bp神经网络的输入节点也作为网络的输出节点。bp神经网络各层激活函数均选择非线性函数sigmod函数各层神经元连接权值和阈值通过全部数据不断的迭代优化，获取使得网络损失函数数值最小的网络参数作为最终结果。

bp神经网络训练具体过程如下：

第1步，数据信号由输入层输入经过隐含层向输出层逐层传播，在这过程中要经过神经元之间的权值与神经元中激活函数的计算，最终才能从输出层输出神经网络的计算值。

以隐藏层或输出层的某个节点j为例，则节点j的输入sj为上一层i个神经元的加权累计输出值，即：sj＝∑iwijyi

其中wij为i到j的各个权值，yi为i的输出值。

假设节点j的阈值为θj，那么节点j的实际输入为：uj＝∑iwijyi-θj同时节点j的输出为yi＝f(uj)＝f(sj-θj)，其中f(uj)激活函数sigmod函数。

第2步，网络进行误差反向传播，首先计算输出层的输出与网络期望输出的误差，比较误差与网络设定的学习精度的大小，如果误差大于学习精度，则计算误差对神经网络中的权值与阈值求偏导数，根据梯度下降法调整神经元之间的权值与阈值。

这2个过程通过不断地循环运行，直到迭代次数大于设定的最大迭代次数或者误差小于设定的学习精度等终止条件，则bp神经网络训练成功。

将训练数据ta_norm代入bp神经网络模型中进行训练后得到训练评估数据tfore，训练数据ta与训练评估数据tfore的差值作为训练数据的残差数据rta。将历史数据fa2代入bp神经网络模型中进行训练后得到历史评估数据fa2_fore，历史数据fa2与历史评估数据fa2_fore的差值作为历史数据的残差数据rfa。

步骤5：对训练残差数据进行绝对值处理，通过概率密度分布的置信度挖掘参数评分分数分别为30、50、60对应的参数残差阈值。

参数评分分数60对应的参数残差阈值挖掘方法为：将训练残差数据矩阵rta首先进行绝对值处理，然后训练残差数据矩阵rta每个参数的残差数值最大值作为参数60分值对应的阈值，最终得到60分的阈值向量tr60。

参数评分分数50、30对应的参数残差阈值挖掘方法为：首先将历史残差数据矩阵rfa进行绝对值处理，然后从历史残差数据矩阵rfa中，每个参数剔除小于tr60对应参数60分阈值的数据得到剩余残差数据矩阵rra。将rra进行绝对值处理，然后将使用频次分布统计法计算rra的各个数值区间的区间中心数值n以及频数m，按照下述公式将频数m转化为累积概率密度曲线f(j)，这样就可以得到该参数残差各个数值区间中心数值n与累积概率密度f的对应关系数组nf，使用线性插值的方法，如图3所示，本发明可以计算出置信度60％对应的残差数值作为分数50对应的阈值，置信度90％对应的残差数值作为分数30对应的阈值。

其中，mi为第i个数值区间的频数，f(j)为前j个数值区间的累积概率密度。

步骤6：通过累积概率密度分布构建参数残差绝对值与参数分数的非线性回归关系，用于获取参数偏离程度分值。

本发明对[60，100]、[50，60]、[30，50]、[0，30]四个分数区间分别计算参数残差绝对值与参数分数的对应关系。

以参数i的分数区间[60，100]计算为例，从训练残差数据矩阵rta抽取参数i数值rtai，然后对rtai计算其累积概率密度函数f(i)。再通过公式：

scorei＝scorehigh-δscore*f(i)

其中，δscore为所在分数区间分差，scorehigh为所在分数区间的最高分数。即可得到数值分数与数值区间中心数值概率对应关系数组sfi。

本发明利用该参数的分数与残差累积概率密度对应关系数组sfi跟残差区间中心数值与残差累积概率密度的对应关系数组nfi的对应关系，获得参数残差区间中心数值与参数分数的非线性回归关系数组nsi。利用该非线性回归关系数组nsi，可用于将参数残差数值直接转化为参数分数。

步骤7：使用概率分布相似性聚类算法对历史数据进行工况划分，根据数据的相似性自适应得到多个工况分类，并计算不同工况下同类设备同类参数的参数均值。下面以1号机组磨煤机设备为例：

1)对1号机组的6台磨煤机abcdef设备历史数据矩阵fa2、fb2、fc2、fd2、fe2、ff2进行数据合并得历史数据合并矩阵ftotal；

2)提取历史数据合并矩阵ftotal当中的工况识别参数给煤机煤量进行合并数据wpi；

3)对工况识别参数给煤机煤量数据wpi进行箱线图算法判断，将数据分成3种：

a)位于箱线图以内的数据datain；

位于箱线图以内的数据datain利用概率分布相似性聚类算法进行聚类分析，概率分布相似性聚类算法实现步骤如下：首先计算datain的核密度曲线kf；用差值法找到曲线的波谷和波峰，核密度曲线kf全部数值进行两两作差，差值数值k由正变负作为曲线的波峰点，斜率数值k由负变正作为曲线的波谷点，作为数值分割点；间隔距离小于总体数值范围2％的相邻数值分割点需要进行合并，相邻数值分割点之间求均值作为新的分割点；最后数值分割点之间的数据占比大于10％需要进行以5％的2次分割，最后得到的分割点综合起来作为分割点集合。

b)位于箱线图上端以外的数dataupper；

箱线图上端以外dataupper利用等数值间隔的方式进行聚类分析；

c)位于箱线图下端以外的数据datalower；

箱线图下端以外datalower利用等数值间隔的方式进行聚类分析；

4)对工况识别参数数据wpi的所有数据进行工况类型标注。

5)根据每个工况识别参数的工况类型分类情况，对历史数据矩阵ftotal每条数据进行工况分类，确定每类工况的工况识别参数数据wp的上下限wpmax与wpmin，并计算每个工况下全部参数的均值向量mv＝[mv1，mv2，...，mvi，...，mvn]，其中mvi表示该工况下的第i个参数的均值：

步骤8：设定目标参数的特性有越大越优、越小越优、越趋近于某个值越优3种情况。在同工况下，计算目标参数的最大值和最小值，用于运行阶段的目标参数数值的归一化处理。

以1号机组磨煤机a为例，将磨煤机单耗指标设置为设备的目标参数，单耗越小则代表磨煤机性能越佳，在将磨煤机历史数据矩阵fa2通过步骤7得到x个工况矩阵后，每个工况下的目标参数数值为v，分别获取其单耗最小的数据，得到x个最小值vmin与x个最大值vmax，在工况i的情况下，该工况的每条数据按照下述公式做数据归一化处理，将磨煤机单耗指标最大值最小值分别缩放为0和1。

对于目标参数的特性为越大越优的情况下，数据归一化处理公式为：

对于目标参数的特性为越趋近于某个值越优的情况下，数据归一化处理公式为：

其中，v为该工况下的目标参数数值，vmax为该工况下的目标参数的最大值，vmi为该工况下的目标参数的最小值，kding为该工况下的目标参数最优值。

尽管上文对本发明进行了详细说明，但是本发明不限于此，本技术领域技术人员可以根据本发明的原理进行各种修改。因此，凡按照本发明原理所作的修改，都应当理解为落入本发明的保护范围。