设备状态信号的稳定性的判定方法及其判定装置与流程

1.本技术属于测量技术领域，具体涉及一种设备状态信号的稳定性的判定方法及其判定装置。


背景技术：

2.在诸如汽轮机、发电机、泵或风机等设备故障诊断时，进场需要对设备诸如振动(可以以速度、位移或加速度等的变化表示)、温度、压力或流量等状态信号趋势进行分析。目前大多数都是采用计算机绘制状态信号趋势曲线，人工根据曲线判断状态信号的趋势。当状态信号较多时，人工较难一一进行判断，需要投入大量人力开展趋势分析判断。尤其是在状态信号趋势不稳定时，不同人员的判定准则较难保持一致。


技术实现要素：

3.有鉴于此，本技术提供了一种设备状态信号的稳定性的判定方法及其判定装置，通过利用模糊评价模型对待测设备的稳定性自动进行分析，从而节省了人力，且保持稳定性分析的判定准则一致。
4.本技术第一方面提供了一种设备状态信号的稳定性的判定方法，该判定方法包括：获取待测设备在预设时长内的状态信号曲线；利用模糊评价模型且结合状态信号曲线，对待测设备进行稳定性分析，以确定待测设备在预设时长内的目标稳定状态等级。状态信号曲线配置为反映待测设备的特征参量随运行时间变动的趋势。模糊评价模型的子因素包括特征参量对应的偏差参数。模糊评价模型的评价集包括不同的多个预设稳定状态等级，多个预设稳定状态等级根据模糊评价模型的多个预设隶属函数值划分。
5.在上述方案中，通过利用模糊评价模型且结合状态信号曲线，对待测设备进行稳定性分析，从而可以自动地确定待测设备在预设时长内的目标稳定状态等级，避免了状态信号太多时人工判断工作量太大或需投入大量人员开展分析判断的情况，进而节省了人力，且为信号深度学习奠定基础。
6.在本技术一个具体实施方式中，上述利用模糊评价模型且结合状态信号曲线，对待测设备进行稳定性分析，以确定待测设备在预设时长内的目标稳定状态等级，包括：利用模糊评价模型计算状态信号曲线对应的目标隶属函数值；根据目标隶属函数值确定待测设备在预设时长内的目标稳定状态等级。
7.在本技术一个具体实施方式中，在上述利用模糊评价模型计算状态信号曲线对应的目标隶属函数值之前，该判定方法还包括：判断待测设备在预设时长内的转速是否稳定。上述利用模糊评价模型计算状态信号曲线对应的目标隶属函数值，包括：若待测设备在预设时长内的转速稳定，则利用模糊评价模型计算状态信号曲线对应的目标隶属函数值。
8.在本技术一个具体实施方式中，上述若待测设备在预设时长内的转速稳定，则利用模糊评价模型计算状态信号曲线对应的目标隶属函数值包括：若待测设备在预设时长内的转速稳定，则将状态信号曲线划分成多个数据分析包；计算多个数据分析包中特征参量
对应的偏差参数；基于多个数据分析包中特征参量对应的偏差参数，利用模糊评价模型确定状态信号曲线对应的目标隶属函数值。
9.在本技术一个具体实施方式中，上述基于多个数据分析包中特征参量对应的偏差参数，利用模糊评价模型确定状态信号曲线对应的目标隶属函数值包括：从多个数据分析包中特征参量对应的偏差参数选取最大偏差参数作为模糊评价模型的子因素；利用模糊评价模型基于最大偏差参数计算得到状态信号曲线对应的目标隶属函数值。
10.在本技术一个具体实施方式中，上述基于多个数据分析包中特征参量对应的偏差参数，利用模糊评价模型确定状态信号曲线对应的目标隶属函数值包括：利用模糊评价模型基于多个数据分析包中特征参量对应的偏差参数计算得到多个隶属函数值；将多个隶属函数值中的最大隶属函数值确定为状态信号曲线对应的目标隶属函数值。
11.在本技术一个具体实施方式中，模糊评价模型中的隶属函数为高斯型隶属函数s。高斯型隶属函数s为c和k为常数，x为模糊评价模型的子因素，y为子因素对应的隶属函数值。
12.本技术第二方面提供了一种设备状态信号的稳定性的判定装置，该判定装置包括获取模块和分析模块。获取模块用于获取待测设备在预设时长内的状态信号曲线。状态信号曲线配置为反映待测设备的特征参量随运行时间变动的趋势。分析模块用于利用模糊评价模型且结合状态信号曲线，对待测设备进行稳定性分析，以确定待测设备在预设时长内的目标稳定状态等级。模糊评价模型的子因素包括特征参量对应的偏差参数，模糊评价模型的评价集包括不同的多个预设稳定状态等级，多个预设稳定状态等级根据模糊评价模型的多个预设隶属函数值划分。
13.本技术第三方面提供了一种计算机可读存储介质，其上存储有计算机的可执行指令。该可执行指令被处理器执行时实现本技术第一方面的设备状态信号的稳定性的判定方法。
14.本技术第四方面提供了一种电子设备，该电子设备包括处理器和存储器。处理器用于执行本技术第一方面的设备状态信号的稳定性的判定方法。存储器用于存储处理器的可执行指令。
附图说明
15.图1所示为本技术一实施例提供的一种设备状态信号的稳定性的判定方法的流程示意图。
16.图2所示为本技术一实施例提供的一种高斯型隶属函数的曲线示意图。
17.图3所示为本技术另一实施例提供的一种设备状态信号的稳定性的判定方法的流程示意图。
18.图4所示为本技术又一实施例提供的一种设备状态信号的稳定性的判定方法的流程示意图。
19.图5所示为本技术再一实施例提供的一种设备状态信号的稳定性的判定方法的流程示意图。
20.图6所示为本技术另又一实施例提供的一种设备状态信号的稳定性的判定方法的流程示意图。
21.图7所示为本技术再又一实施例提供的一种设备状态信号的稳定性的判定方法的流程示意图。
22.图8所示为本技术一实施例提供的一种状态信号曲线的示意图。
23.图9所示为本技术另一实施例提供的一种状态信号曲线的示意图。
24.图10所示为本技术一实施例提供的一种设备状态信号的稳定性的判定装置的框图。
25.图11所示为本技术一实施例提供的一种电子设备的框图。
具体实施方式
26.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
27.图1所示为本技术一实施例提供的一种设备状态信号的稳定性的判定方法的流程示意图。该设备状态信号的稳定性的判定方法的执行主体可以为本地的或远程的控制器、处理器或者服务器等，本技术对此不做具体限定。以下以处理器为执行主体举例说明。如图1所示，该设备状态信号的稳定性的判定方法包括以下步骤。
28.s110：获取待测设备在预设时长内的状态信号曲线。状态信号曲线配置为反映待测设备的特征参量随运行时间变动的趋势。
29.在一些实施例中，处理器可以实时获取待测设备在当前时刻的特征参量，从当前时刻向前推一段时间以获取到预设时长内的状态信号曲线。在另一些实施例中，处理器也可以间隔预设时长获取待测设备在预设时长内的状态信号曲线。
30.需要说明的是，待测设备可以为任何需要进行信号稳定性分析的设备。例如，待测设备可以为汽轮机、发电机、泵或风机等。
31.特征参量可以为任何能够随着运行时间变动且能够反映状态信号稳定性的参量。例如，特征参量可以为速度、位移、加速度、轴振、瓦振、温度、压力或流量等。
32.预设时长可以根据实际需求设定，在一些实施例中，预设时长也可以称为缺省值。例如，预设时长可以为30min、1h或4h等。
33.s120：利用模糊评价模型且结合状态信号曲线，对待测设备进行稳定性分析，以确定待测设备在预设时长内的目标稳定状态等级。模糊评价模型的子因素包括预设时长内特征参量对应的偏差参数。模糊评价模型的评价集包括不同的多个预设稳定状态等级，多个预设稳定状态等级根据模糊评价模型的多个预设隶属函数值划分。
34.具体而言，处理器可以从状态信号曲线中获取到模糊评价模型所需的子因素，并将该子因素代入模糊评价模型中，从而确定待测设备在预设时长内的目标稳定状态等级。
35.需要说明的是，模糊评价模型的子因素可以为一个或多个。模糊评价模型的评价集中的多个预设稳定状态等级可以根据实际需求设定，例如，多个预设稳定状态等级可以分别为很稳定、稳定、比较稳定和不稳定，又例如，多个预设稳定状态等级可以分别为稳定
程度1、稳定程度2、不稳定程度1、不稳定程度2和不稳定程度3。相应地，针对不同的特征参量，多个预设隶属函数值也可以根据实际需求设定。以特征参量为轴振为例，假设多个预设隶属函数值分别为-1、0.5和0.8，预设隶属函数值为-1时对应的预设稳定状态等级可以为优秀值h1，预设隶属函数值为0.5时对应的预设稳定状态等级可以为振动高报警值h2，预设隶属函数值为0.8时对应的预设稳定状态等级可以为振动高高报警值h3，也即，多个预设稳定状态等级可以分别为优秀值h1、振动高报警值h2和振动高高报警值h3。
36.根据本技术实施例提供的技术方案，通过利用模糊评价模型且结合状态信号曲线，对待测设备进行稳定性分析，从而可以自动地确定待测设备在预设时长内的目标稳定状态等级，避免了状态信号太多时人工判断工作量太大或需投入大量人员开展分析判断的情况，进而节省了人力，且为信号深度学习奠定基础。另外，由于多个预设稳定状态等级根据模糊评价模型的多个预设隶属函数值划分，从而使得模糊评价模型的判定准则保持一致，因而避免了人工判断因不同人员的判断准则较难保持一致而造成的较大分析误差。
37.模糊评价模型中的隶属函数可以采用模糊统计法、专家经验法或指派方法等方法确定。隶属函数只要能够反映子因素对评价集中预设稳定状态等级的隶属程度即可，例如，模糊评价模型中的隶属函数可以为次抛物线型分布函数、正态分布函数或柯西分布函数等，在此基础上，本技术实施例对隶属函数不做具体限定。
38.模糊评价模型中的隶属函数的类型划分为偏小型、中间型和偏大型。经仔细研究发现，在对待测设备进行稳定性分析时，偏大型的隶属函数更能反映子因素对评价集中预设稳定状态等级的隶属程度，从而可以减少最终的评价结果的误差。偏大型的隶属函数可以划分有诸如升半矩形分布、升半正态分布、升半柯西分布、升半梯形分布或升岭形分布等。
39.在一些实施例中，模糊评价模型中的隶属函数为高斯型隶属函数s。如此，使用高斯型隶属函数s作为隶属函数可以使得最终的评价结果的误差非常小。
40.需要说明的是，该高斯型隶属函数s可以为升半正态分布或升半柯西分布等。
41.在本技术至少一实施例中，高斯型隶属函数s为如下公式(1)。c和k为常数，x为模糊评价模型的子因素，y为子因素对应的隶属函数值。如此，因本技术实施例的子因素对应评价集中的各预设稳定状态等级的隶属程度与该高斯型隶属函数s的匹配度较高，因而该高斯型隶属函数s的应用会使得最终的评价结果的误差非常小。
[0042][0043]
图2所示为本技术一实施例提供的一种高斯型隶属函数的曲线示意图。如图2所示，该曲线为自变量的单调递增函数，也即偏大型的隶属函数。图2中的横坐标为偏差参数，该偏差参数为预设时长内最大特征参量x
max
与最小特征参量x
min
之差，纵坐标为偏差参数所对应的隶属函数值。c值相当于偏差参数存在和不存在之间的分界值，k值反映了曲线的陡峭程度，k值越大，隶属函数曲线越陡。图2中的c值可以为70，k值可以为0.128。
[0044]
需要说明的是，c和k的数值可以结合专家经验、国家和企业相关标准设定。针对不同的特征参量时，可针对性地设置c和k的数值。
[0045]
图3所示为本技术另一实施例提供的一种设备状态信号的稳定性的判定方法的流
程示意图。图3所示实施例为图1所示实施例的一具体实施例。如图3所示，与图1所示实施例的不同之处在于，s121和s122为图1所示实施例中s120的一具体实现方式。
[0046]
s110：获取待测设备在预设时长内的状态信号曲线。状态信号曲线配置为反映待测设备的特征参量随运行时间变动的趋势。
[0047]
s121：利用模糊评价模型计算状态信号曲线对应的目标隶属函数值。
[0048]
在一些实施例中，处理器可以从状态信号曲线获取到预设时长内的各特征参量，通过计算预设时长内的最大特征参量与最小特征参量之间的差值获得预设时长内特征参量对应的偏差参数，将该偏差参数代入模糊评价模型的隶属函数中计算得到目标隶属函数值。
[0049]
需要说明的是，偏差参数也可以为最大特征参量与最小特征参量之间的差值与最小特征参量的比值。
[0050]
s122：根据目标隶属函数值确定待测设备在预设时长内的目标稳定状态等级。
[0051]
具体而言，处理器可以将目标隶属函数值与预设隶属函数值进行对比，从而确定目标隶属函数值对应的预设稳定状态等级(也即目标稳定状态等级)。
[0052]
根据本技术实施例提供的技术方案，通过利用模糊评价模型计算状态信号曲线对应的目标隶属函数值，根据目标隶属函数值确定待测设备在预设时长内的目标稳定状态等级，从而可以结合状态信号曲线并按照模糊评价模型中的准则自动计算分析待测设备的稳定性，无需人为操作直接确定待测设备在预设时长内的目标稳定状态等级，进一步节省人力。
[0053]
在一些实施例中，在步骤s121之后，处理器可以直接输出状态信号曲线对应的目标隶属函数值，人为根据目标隶属函数值确定待测设备在预设时长内的目标稳定状态等级，由于多个预设稳定状态等级根据模糊评价模型的多个预设隶属函数值划分，因而在目标隶属函数值确定的情况下，待测设备在预设时长内的目标稳定状态等级也是唯一确定的，从而可以避免因不同人员的判定准则难保持一致而造成较大的分析误差。
[0054]
经仔细研究发现，以特征参量为振动数据为例计算分析待测设备的稳定性特征，正常状态下，振动应该较为稳定，如果不稳定现象，振动存在波动，则说明设备可能发生了故障。该特征可以用于早期故障预警、故障分析和诊断，例如，该特征可以用于诊断摩擦和热变形，是故障诊断的重要依据。振动的稳定性分析需要看一段时间内的数据，用户可根据需要选择预设时长。转速变化，振动就会变化。因此，在对待测设备进行稳定性分析时，预设时长内转速通常需要保持稳定。
[0055]
图4所示为本技术又一实施例提供的一种设备状态信号的稳定性的判定方法的流程示意图。图4所示实施例为图3所示实施例的一具体实施例。如图4所示，与图3所示实施例的不同之处在于，在s121之前，该判定方法还包括步骤s115。s1211为图3所示实施例中s121的一具体实现方式。
[0056]
s110：获取待测设备在预设时长内的状态信号曲线。状态信号曲线配置为反映待测设备的特征参量随运行时间变动的趋势。
[0057]
s115：判断待测设备在预设时长内的转速是否稳定。
[0058]
在一些实施例中，处理器可以实时获取待测设备在当前时刻的转速数据，从当前时刻向前推一段时间以获取到待测设备在预设时长内的转速数据，再根据转速数据确定预
设时长内的转速是否稳定。在另一些实施例中，处理器可以间隔预设时长获取待测设备在预设时长内的转速数据，再根据转速数据确定预设时长内的转速是否稳定。
[0059]
举例来说，判断待测设备的转速是否稳定的判断标准可以为转速波动幅度是否在预设振幅范围内，例如预设振幅范围为
±
50r/min。若转速波动幅度在预设时长内在预设振幅范围内，则可以确定待测设备在预设时长内的转速稳定。
[0060]
若预设时长为30min，如果转速的稳定区间的时间长度《30min，则认为转速稳定区间时间长度太短，不好分析，无法提取该转速稳定区间对应的特征值，则可以结束对待测设备进行稳定性分析。
[0061]
s1211：若待测设备在预设时长内的转速稳定，则利用模糊评价模型计算状态信号曲线对应的目标隶属函数值。
[0062]
在一些实施例中，若待测设备在预设时长内的转速不稳定，则结束对待测设备进行稳定性分析。
[0063]
s122：根据目标隶属函数值确定待测设备在预设时长内的目标稳定状态等级。
[0064]
根据本技术实施例提供的技术方案，通过在对待测设备进行稳定性分析时综合考虑了转速稳定性和状态信号稳定性，从而使得判定结果更加精准有效。
[0065]
图5所示为本技术再一实施例提供的一种设备状态信号的稳定性的判定方法的流程示意图。图5所示实施例为图4所示实施例的一具体实施例。如图5所示，与图4所示实施例的不同之处在于，步骤s1211a至s1211c为图4所示实施例中步骤s1211的一具体实现方式。
[0066]
s110：获取待测设备在预设时长内的状态信号曲线。状态信号曲线配置为反映待测设备的特征参量随运行时间变动的趋势。
[0067]
s115：判断待测设备在预设时长内的转速是否稳定。
[0068]
s1211a：若待测设备在预设时长内的转速稳定，则将状态信号曲线划分成多个数据分析包。
[0069]
需要说明的是，多个数据分析包可以是将预设时长等分成多个时间段获得的，可以根据状态信号曲线的实际情况进行划分。
[0070]
s1211b：计算多个数据分析包中特征参量对应的偏差参数。
[0071]
具体而言，处理器可以分别计算多个数据分析包中每个数据分析包中特征参量对应的偏差参数。
[0072]
举例来说，特征参量对应的偏差参数x可以为该数据分析包对应的时间段内的最大特征参量x
max
与最小特征参量x
min
之差，即x＝x
max-x
min
。
[0073]
s1211c：基于多个数据分析包中特征参量对应的偏差参数，利用模糊评价模型确定状态信号曲线对应的目标隶属函数值。
[0074]
根据本技术实施例提供的技术方案，通过将预设时长内的状态信号曲线划分成多个数据分析包，分别获取多个数据分析包对应的偏差参数，再基于多个数据分析包对应的偏差参数确定目标隶属函数值，从而相对于直接将预设时长内状态信号曲线设成一个数据分析包而言，避免了预设时长太长时特征参量变化量较大而对稳定性分析结果造成较大误差，有利于提高目标隶属函数值确定的准确率，进而提高稳定性分析结果的准确率。
[0075]
图6所示为本技术另又一实施例提供的一种设备状态信号的稳定性的判定方法的流程示意图。图6所示实施例为图5所示实施例的一具体实施例。如图6所示，与图5所示实施
例的不同之处在于，步骤s1211c-1和s1211c-2为图5所示实施例中步骤s1211c的一具体实现方式。
[0076]
s1211c-1：从多个数据分析包中特征参量对应的偏差参数选取最大偏差参数作为模糊评价模型的子因素。
[0077]
s1211c-2：利用模糊评价模型基于最大偏差参数计算得到状态信号曲线对应的目标隶属函数值。
[0078]
具体而言，处理器可以将多个数据分析包中特征参量对应的偏差参数中的最大偏差参数代入模糊评价模型中计算目标隶属函数值(以特征参量为轴振为例，相当于取所有数据分析包中波动幅度变化最大值作为评估依据)，以实现对待测设备进行稳定性分析。
[0079]
图7所示为本技术再又一实施例提供的一种设备状态信号的稳定性的判定方法的流程示意图。图7所示实施例为图5所示实施例的一具体实施例。如图7所示，与图5所示实施例的不同之处在于，步骤s1211c-3和s1211c-4为图5所示实施例中步骤s1211c的一具体实现方式。
[0080]
s1211c-3：利用模糊评价模型基于多个数据分析包中特征参量对应的偏差参数计算得到多个隶属函数值。
[0081]
s1211c-4：将多个隶属函数值中的最大隶属函数值确定为状态信号曲线对应的目标隶属函数值。
[0082]
具体而言，处理器可以将多个数据分析包中特征参量对应的偏差参数分别代入模糊评价模型中计算得到多个隶属函数值，将多个隶属函数值中最大的隶属函数值确定为目标隶属函数值，以实现对待测设备进行稳定性分析。
[0083]
图8所示为本技术一实施例提供的一种状态信号曲线的示意图。举例来说，如图8所示，待测设备为汽轮机，x轴为运行时间，y轴为轴振。假设c＝0，k＝0.033，则高斯型隶属函数s适应性地为如下公式(2)。该状态信号曲线能够反映待测设备的振动特性，可以根据待测设备的振动特性设定信号波动报警值。
[0084][0085]
参考图8，假设预设时长为30000s，0s至30000s之间的转速稳定，则可以将状态信号曲线划分成0s-10000s时间段内的数据分析包1、10000s-20000s时间段内的数据分析包2和20000s-30000s时间段内的数据分析包3(对应于图5所示实施例中的步骤s1211a)。振动信号趋势在0s-10000s内轴振持续爬升，随后振动回落，该数据分析包1对应的波动幅度x＝112μm-22μm＝90μm(对应于图5所示实施例中的步骤s1211b)，将x代入上述公式(2)可得，数据分析包1对应的隶属函数值(也可以称为不稳定特征值)为0.90。10000s-20000s内，该数据分析包2对应的波动幅度x＝66μm-46μm＝20μm(对应于图5所示实施例中的步骤s1211b)，将x代入上述公式(2)可得，数据分析包2对应的隶属函数值为-0.03。20000s-30000s内，该数据分析包3对应的波动幅度x＝82μm-65μm＝17μm，将x代入上述公式(2)可得，数据分析包3对应的隶属函数值为-0.14。若要获取0s至30000s内的目标隶属函数值，则可以从波动幅度x为90μm、20μm和17μm中选择最大的波动幅度90μm作为x值，并确认最大的波动幅度90μm
对应的隶属函数值0.90作为目标隶属函数值(对应于图6所示实施例中的步骤s1211c-1和s1211c-2)，也可以从隶属函数值为0.90、-0.03和-0.14中选择最大的隶属函数值0.90作为目标隶属函数值(对应于图7所示实施例中的步骤s1211c-3和s1211c-4)。
[0086]
图9所示为本技术另一实施例提供的一种状态信号曲线的示意图。又举例来说，如图9所示，待测设备为核电机组中的主泵，x轴为运行时间，y轴为轴振。假设c＝10，k＝0.045，则高斯型隶属函数s适应性地为如下公式(3)。
[0087][0088]
参考图9，0min至1500min内振动有波动，但幅值较小，该时间段内波动幅度x约为12μm，隶属函数值为-0.83。在1500min后振动出现大幅度波动，该1500min至3000min的时间段内波动幅度x约为100μm，隶属函数值为0.96。
[0089]
图10所示为本技术一实施例提供的一种设备状态信号的稳定性的判定装置的框图。该判定装置10包括获取模块11和分析模块12。获取模块11用于获取待测设备在预设时长内的状态信号曲线。状态信号曲线配置为反映待测设备的特征参量随运行时间变动的趋势。分析模块12用于利用模糊评价模型且结合状态信号曲线，对待测设备进行稳定性分析，以确定待测设备在预设时长内的目标稳定状态等级。模糊评价模型的子因素包括特征参量对应的偏差参数，模糊评价模型的评价集包括不同的多个预设稳定状态等级，多个预设稳定状态等级根据模糊评价模型的多个预设隶属函数值划分。
[0090]
在本技术至少一实施例中，分析模块12还用于利用模糊评价模型计算状态信号曲线对应的目标隶属函数值；根据目标隶属函数值确定待测设备在预设时长内的目标稳定状态等级。
[0091]
在本技术至少一实施例中，分析模块12还用于判断待测设备在预设时长内的转速是否稳定；若待测设备在预设时长内的转速稳定，则利用模糊评价模型计算状态信号曲线对应的目标隶属函数值。
[0092]
在本技术至少一实施例中，分析模块12还用于若待测设备在预设时长内的转速稳定，则将状态信号曲线划分成多个数据分析包；计算多个数据分析包中特征参量对应的偏差参数；基于多个数据分析包中特征参量对应的偏差参数，利用模糊评价模型确定状态信号曲线对应的目标隶属函数值。
[0093]
在本技术至少一实施例中，分析模块12还用于从多个数据分析包中特征参量对应的偏差参数选取最大偏差参数作为模糊评价模型的子因素；利用模糊评价模型基于最大偏差参数计算得到状态信号曲线对应的目标隶属函数值。
[0094]
在本技术至少一实施例中，分析模块12还用于利用模糊评价模型基于多个数据分析包中特征参量对应的偏差参数计算得到多个隶属函数值；将多个隶属函数值中的最大隶属函数值确定为状态信号曲线对应的目标隶属函数值。
[0095]
在本技术至少一实施例中，模糊评价模型中的隶属函数为高斯型隶属函数s。高斯型隶属函数s为c和k为常数，x为模糊评价模型的子因素，y
为子因素对应的隶属函数值。
[0096]
需要说明的是，由于该判定装置10包括了本技术实施例所提供的判定方法的所有技术特征，因而，该判定装置10中技术特征的技术效果可参考本技术实施例中的判定方法的描述，此处不再赘述。
[0097]
图11所示为本技术一实施例提供的一种电子设备的框图。
[0098]
参照图11，电子设备20包括处理器21和存储器22。存储器22用于存储可由处理器21执行的指令，例如应用程序。处理器21的数量可以为一个或多个。存储器22中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理器21被配置为执行指令，以执行上述设备状态信号的稳定性的判定方法。
[0099]
电子设备20还可以包括一个电源组件被配置为电子设备20的电源管理，一个有线或无线网络接口被配置为将电子设备20连接到网络，和一个输入输出(i/o)接口。电子设备20可以操作基于存储在存储器22的操作系统，例如windows server
tm
，mac osx
tm
，unix
tm
，linux
tm
，freebsd
tm
或类似。
[0100]
一种非临时性计算机可读存储介质，当存储介质中的指令由上述电子设备20的处理器执行时，使得上述电子设备20能够执行一种设备状态信号的稳定性的判定方法。该判定方法由代理程序执行，该判定方法包括：获取待测设备在预设时长内的状态信号曲线；利用模糊评价模型且结合状态信号曲线，对待测设备进行稳定性分析，以确定待测设备在预设时长内的目标稳定状态等级。状态信号曲线配置为反映待测设备的特征参量随运行时间变动的趋势。模糊评价模型的子因素包括特征参量对应的偏差参数。模糊评价模型的评价集包括不同的多个预设稳定状态等级，多个预设稳定状态等级根据模糊评价模型的多个预设隶属函数值划分。
[0101]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
[0102]
在本技术所提供的几个实施例中，应该理解到，所揭露的判定方法、判定装置，可以通过其它的方式实现。例如，以上所描述的判定装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
[0103]
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序校验码的介质。
[0104]
本领域的技术人员可以清楚的了解到，为了描述的方便和简洁，上述描述的判定装置和电子设备的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0105]
需要说明的是，本技术实施例中各技术特征的组合方式并不限本技术实施例中所记载的组合方式或是具体实施例所记载的组合方式，本技术所记载的所有技术特征可以以任何方式进行自由组合或结合，除非相互之间产生矛盾。
[0106]
以上所述仅为本技术的较佳实施例而已，并不用以限制本技术，凡在本技术的精神和原则之内，所作的任何修改、等同替换等，均应包含在本技术的保护范围之内。

技术特征：
1.一种设备状态信号的稳定性的判定方法，其特征在于，获取待测设备在预设时长内的状态信号曲线，其中，所述状态信号曲线配置为反映所述待测设备的特征参量随运行时间变动的趋势；利用模糊评价模型且结合所述状态信号曲线，对所述待测设备进行稳定性分析，以确定所述待测设备在所述预设时长内的目标稳定状态等级，其中，所述模糊评价模型的子因素包括所述特征参量对应的偏差参数，所述模糊评价模型的评价集包括不同的多个预设稳定状态等级，多个所述预设稳定状态等级根据所述模糊评价模型的多个预设隶属函数值划分。2.根据权利要求1所述的判定方法，其特征在于，所述利用模糊评价模型且结合所述状态信号曲线，对所述待测设备进行稳定性分析，以确定所述待测设备在所述预设时长内的目标稳定状态等级，包括：利用模糊评价模型计算所述状态信号曲线对应的目标隶属函数值；根据所述目标隶属函数值确定所述待测设备在所述预设时长内的目标稳定状态等级。3.根据权利要求2所述的判定方法，其特征在于，在所述利用模糊评价模型计算所述状态信号曲线对应的目标隶属函数值之前，所述判定方法还包括：判断所述待测设备在所述预设时长内的转速是否稳定；其中，所述利用模糊评价模型计算所述状态信号曲线对应的目标隶属函数值，包括：若所述待测设备在所述预设时长内的转速稳定，则利用模糊评价模型计算所述状态信号曲线对应的目标隶属函数值。4.根据权利要求3所述的判定方法，其特征在于，所述若所述待测设备在所述预设时长内的转速稳定，则利用模糊评价模型计算所述状态信号曲线对应的目标隶属函数值包括：若所述待测设备在所述预设时长内的转速稳定，则将所述状态信号曲线划分成多个数据分析包；计算多个所述数据分析包中所述特征参量对应的偏差参数；基于多个所述数据分析包中所述特征参量对应的偏差参数，利用模糊评价模型确定所述状态信号曲线对应的目标隶属函数值。5.根据权利要求4所述的判定方法，其特征在于，所述基于多个所述数据分析包中所述特征参量对应的偏差参数，利用模糊评价模型确定所述状态信号曲线对应的目标隶属函数值包括：从多个所述数据分析包中所述特征参量对应的偏差参数选取最大偏差参数作为模糊评价模型的子因素；利用模糊评价模型基于所述最大偏差参数计算得到所述状态信号曲线对应的目标隶属函数值。6.根据权利要求4所述的判定方法，其特征在于，所述基于多个所述数据分析包中所述特征参量对应的偏差参数，利用模糊评价模型确定所述状态信号曲线对应的目标隶属函数值包括：利用模糊评价模型基于多个所述数据分析包中所述特征参量对应的偏差参数计算得到多个隶属函数值；将多个所述隶属函数值中的最大隶属函数值确定为所述状态信号曲线对应的目标隶
属函数值。7.根据权利要求1至6中任一项所述的判定方法，其特征在于，所述模糊评价模型中的隶属函数为高斯型隶属函数s，所述高斯型隶属函数s为其中，c和k为常数，x为所述模糊评价模型的子因素，y为所述子因素对应的隶属函数值。8.一种设备状态信号的稳定性的判定装置，其特征在于，包括：获取模块，用于获取待测设备在预设时长内的状态信号曲线，其中，所述状态信号曲线配置为反映所述待测设备的特征参量随运行时间变动的趋势；分析模块，用于利用模糊评价模型且结合所述状态信号曲线，对所述待测设备进行稳定性分析，以确定所述待测设备在所述预设时长内的目标稳定状态等级，其中，所述模糊评价模型的子因素包括所述特征参量对应的偏差参数，所述模糊评价模型的评价集包括不同的多个预设稳定状态等级，多个所述预设稳定状态等级根据所述模糊评价模型的多个预设隶属函数值划分。9.一种计算机可读存储介质，其上存储有计算机的可执行指令，其特征在于，所述可执行指令被处理器执行时实现如权利要求1至7中任一项所述的设备状态信号的稳定性的判定方法。10.一种电子设备，其特征在于，包括：处理器，用于执行如权利要求1至7中任一项所述的设备状态信号的稳定性的判定方法；以及存储器，用于存储所述处理器的可执行指令。

技术总结
本申请提供了一种设备状态信号的稳定性的判定方法及其判定装置，该判定方法包括获取待测设备在预设时长内的状态信号曲线；利用模糊评价模型且结合状态信号曲线，对待测设备进行稳定性分析，以确定待测设备在预设时长内的目标稳定状态等级。状态信号曲线配置为反映待测设备的特征参量随运行时间变动的趋势。模糊评价模型的因素集包括特征参量对应的偏差参数，模糊评价模型的评价集包括不同的多个预设稳定状态等级，多个预设稳定状态等级根据模糊评价模型的多个预设隶属函数值划分。本申请通过利用模糊评价模型对待测设备自动进行稳定性分析，从而节省了人力，且保持稳定性分析的判定准则一致。判定准则一致。判定准则一致。


技术研发人员：李振 陈慧慧 王洪凯 张伟 杨建刚 高原 陈星玥 林御臣 何明圆 王志永 戴贤源 张融 李伟哲 郭裕丰 陈荣添
受保护的技术使用者：福建福清核电有限公司
技术研发日：2023.06.02
技术公布日：2023/10/15