1.一种基于多参数特征融合的大型设备剩余使用寿命预测方法，其特征在于，包括以下步骤：第1步，通过大型在线监测系统获取实验室中大型设备的多种传感器时序参数；

1.1首先通过大型设备在线监测系统获取实验室大型仪器设备的多种传感器的时序参数，因为单个传感器参数不能完全代表设备的使用状态信息，只包含了设备的部分工作信息；

1.2通过对各类参数的特征权重融合来提高设备剩余使用寿命值的预测准确性；

第2步，利用ReliefF算法对多参数连续值回归分析，通过特征权重筛选，得到与设备状态相关性较大的参数类型，具体步骤如下：

2.1通过ReliefF算法对时序数据的传感器参数进行相关性筛选，其中参数的特征权重越大，表示该参数对设备使用的影响因子越大，权重越小，其相关性的影响因子小；

2.2用于求取近邻样本的特征差值的方法为，Di，Dj为第v个传感器时序数据的采集点，在时刻i，j的参数差值diff(Di，v，Dj，v)为：diff(Di，v，Dj，v)＝(Di，v，Dj，v)/Sv   (1)

2.3其中，Di，v表示第v个传感器数据集在时刻i的参数值，Sv为传感器数据特征v的标准化单位；

2.4此研究方法中ReliefF算法具体步骤如下：

2.4.1确定总数据样本集D和特征集M，并按照抽样次数m以及选取的k个近邻样本进行初始化；

2.4.2在训练样本集D中随机选择一个样本R，从R的同类样本集中找到R的k个最近邻样本Hj(j＝1，2，3，...，k)，再从每一个与R不同类的样本集中找到k个最近邻样本Mj(C)，并执行m次重复抽样；

2.4.3计算各参数的权重矩阵W(A)：

其中，p(C)表示的是类别C出现的概率；

2.4.4按照步骤(2.4.3)依次对全部传感器特征集M计算权重得到参数的权重矩阵W，并按照权重大小重新排序；

2.5其中用到的特征权重阈值δ＝avg(W)，代入算法可以筛选出n维传感器参数集，得到新的设备状态特征数据集F＝{f1，f2，…，fn}，新的特征数据集能更加简洁且准确的表征大型设备的健康状态；

第3步，基于主成分分析法(PCA)对已筛选参数进行数据降维与特征提取，并通过权重融合得到表征大型设备运行状态的健康指数，过程如下：

3.1利用第2步中得到的优化传感器参数集，通过主成分分析法对筛选后的传感器参数进行数据特征降维处理，并通过相应的权重赋值融合，得到表征设备健康状态的新的融合健康指数；

3.2假设经过ReliefF算法特征筛选后设备传感器数据集F包括n维传感器状态参数集，即F＝(f1，f2，...，fn)T∈Rt×n，fi＝{fi，1，fi，2，...，fi，t}表示第i个传感器参数所对应的时序数据；

3.3首先对数据矩阵F进行数据中心化处理(即均值归0，方差归1)，去中心化后矩阵为F*；计算F*对应协方差矩阵(n×n)的特征值λi(i＝1，2，3，...，n)和特征向量ξ；

3.4将特征值λi按照从大到小的顺序进行排序，即λ1≥λ2≥…≥λn，并计算不同数量的特征参数累计影响率 取超过影响阈值的前P个特征值对应的特征向量按顺序组成投影矩阵

3.5将处理后的样本矩阵与投影矩阵相乘： 乘积为降维后的主成分数据集X，其中X＝(x1，x2，...，xP)T，式中，X定义为原始数据F的主成分元素，x1，x2，…依次称为第一主成分、第二主成分…；由计算公式可知，算法最终所保留的前P个主成分是原始数据在 上的投影，用于表征设备健康程度的转换后传感器参数的线性组合结果；

3.6运用离差标准化对传感器特征参数进行归一化处理，并通过参数融合将多种性能参数融合为单一性能指标，即设备健康指数Oi，其计算公式：式中ρj为降维后的P个性能参数的权重值， 为进行离差标准化后的参数值，其具体计算方法为：其中xmax，xmin分别为对应传感器参数序列中的最大值，最小值；

第4步，构建基于期望最大化算法的HMM模型，健康指数作为训练集进行模型训练，找到用于评估当前健康指数对应设备健康状态的分级模型；

4.1首先对设备健康状态进行分级，先将设备健康状态划分为健康、良好、正常、非正常和故障共5个等级，对应于HMM模型的5种隐藏状态，用于之后的模型的训练与评估；

4.2将第3步中的设备健康指数Oi作为观测序列O＝{O1，O2，…，Ot}，来估算模型HMM：λ＝(A，B，π)的各参数值，使得在该模型下，观测序列概率P(O|λ)最大；

4.3基于前向-后向算法，首先定义前向概率变量αt(j)、后向概率变量βt(j)及概率变量γt(j)，如下：αt(j)＝p(O1，O2，…，Ot，it＝qj|λ)   (6)βt(j)＝p(Ot+1，Ot+2，…，OT|it＝qj，λ)   (7)γt(j)＝p(it＝qj|0，λ)   (8)

其中，t＝1，2，3，...，T；j＝1，2，3，...，N，αt(j)是给定模型λ在时刻t，输出观测序列为{O1，O2，...，Ot}且设备处于状态qj的概率；βt(j)是给定模型λ在时刻t，设备处于状态qj，输出观测值为Ot+1，Ot+2，...，Or的概率；γt(j)是给定模型λ在时刻t，设备处于状态qj下的概率；

4.4根据步骤3)中定义代入算法求解p(O|λ)的具体计算如下：

4.5在整个观测序列和给定模型下，定义设备在时刻t处于状态qj，t+1时刻处于状态qk的概率为ξ(j，k)，有：

4.6根据概率公式推导有：

p(it＝qj，it+1＝qj，O|λ)＝ajkbk(Ot+1)αt(j)βt+1(j)   (13)

4.7将上述公式(12)，(13)代入公式(11)，有：

4.8根据γt(j)和ξ(j，k)的定义有如下关系式：

4.9计算状态期望值：假定在时刻t观测值为vl，将γt(j)关于t(1≤t≤T)直接进行求和可得设备处于状态qj的次数的平均值，即变量γt(j)的条件期望 以及γt(j)的状态期望

4.10根据上述计算结果，HMM的参数重估公式为：

4.11根据重估公式计算可得新的更新模型 再由重估模型进行新的迭代，直到 得到最优模型 终止迭代；其中，δ为预先规定的收敛条件，否则重复前述训练步骤直至收敛；

第5步，通过Viterbi算法进行似然值的计算，获得与该似然值最近邻健康指数，然后利用加权平均法对健康状态曲线进行拟合预测，具体步骤如下：

5.1对设备健康状态进行预测，主要通过Viterbi算法进行似然值的计算，获得与该似然值最接近的多个健康指数差值，然后利用加权平均法对指数间差值进行预测，进而得到设备健康状态曲线的预测值：其中Oi(1≤i≤N)表示与时刻t的健康指数Ot第i相近的历史指数，Wi表示健康指数差Oi+1-Oi所占的比重，N表示加权的次数，时序长度T，LLt表示时刻t的指数似然值，LLi表示与LLt第i相近的历史健康指数似然值；

第6步，计算出大型设备的剩余使用寿命预测值，结合第5步中确定的预测的算法公式与第4步中的设备健康状态模型，代入时序健康指数，预测健康指数的变化趋势，最终拟合计算出设备剩余寿命。