通过模式序列使用内核回归建模的监控系统的制作方法

通过模式序列使用内核回归建模的监控系统的制作方法
【专利摘要】本发明提供一种用于确定对象状态的监控系统，所述监控系统包括经验模型，所述经验模型具有：参考数据，所述参考数据指示所述对象的常规运行状态；以及输入模式阵列。每个输入模式阵列具有多个按时间排序的输入向量，而每个输入向量具有输入值，所述输入值代表指示所述对象的当前状态的多个参数。所述经验模型基于使用输入模式阵列和所述参考数据进行的计算而产生估值，以确定所述输入值与所述参考数据之间的相似性度量。差分模块将所述估值与对应的输入值进行比较，以便可以使用比较所得的值确定所述对象的状态。
【专利说明】通过模式序列使用内核回归建模的监控系统
【技术领域】
[0001]本发明总体上涉及用于对诸如机器、系统或进程等对象进行预测性状态监控和预测的内核回归建模领域，确切地说，涉及使用多变量模型来分析参数度量以评估所监控的对象。
【背景技术】
[0002]内核回归是一种建模形式，用于确定数据集中的值之间的非线性函数或关系，并且用于监控机器或系统以确定所述机器或系统的状态。一种已知的内核回归建模形式是第5，764，509和6，181，975号美国专利中公开的基于相似性的建模(SBM)。对于SBM，多个传感器信号测量受监控的机器、系统或其他对象的物理关联参数，以提供传感器数据。所述参数数据可以包括信号的实际值或当前值或者其他计算数据，无论是否基于传感器信号。所述参数数据随后由经验模型进行处理，以提供这些值的估值。随后将估值与实际值或当前值进行比较，以确定受监控系统中是否存在故障。
[0003]具体来说，所述模型使用选定传感器值历史模式的参考库来产生估值，所述参考库代表已知运行状态。这些模式还参考向量、快照或观测数据，并且包括来自多个传感器的值或其他输入数据，所述数据指示受监控机器在特定时刻的状态。在参考向量来自参考库的的情况下，所述向量通常指示受监控机器的常规状态。所述模型将当前时间的向量与参考库中已知状态的多个选定习得向量进行比较，以估计系统的当前状态。一般来说，将当前向量与由参考库中的选定向量构成的矩阵进行比较，以形成权向量。在下一步骤中，用权向量乘以所述矩阵，以计算估值的向量。随后将所述估值向量与当前向量进行比较。如果向量中的估值与实际值的相似度不足，则可以指示受监控对象中存在故障。
[0004]但是，所述内核回归技术并不显式使用传感器信号中的时域信息，而是在计算估值时使用不同且分散的同时模式来处理数据。例如，由于每个当前向量单独地与参考库向量进行比较，因此无论当前向量以哪种顺序与参考库的向量进行比较，结果均无区别，也就是说，每个当前向量将接收到自己的相应估值向量。
[0005]一些已知模型的确在内核回归建模构造内捕获时域信息。例如，复杂的信号分解技术将时变信号转换成第6，957，172和7，409，320号美国专利中公开的频率分量，或者第7，085，675号美国专利中公开的频谱特征。这些分量或特征作为单独的输入值提供到经验建模引擎中，以便单个复杂信号表示为同时发生的频率值的模式或向量。所述经验建模引擎将提取的分量输入值(当前向量或实际向量)与预期值进行比较，以得出有关实际信号或者有关产生时变信号的系统的状态的更多信息。这些方法设计成与诸如声响信号或振动信号等单个周期信号一起使用。但是即使使用所述系统来处理复杂信号，在计算当前向量的估值时，时域信息并不重要，因为每个当前向量均与具有参考向量或预期向量的向量矩阵进行比较，无论输入向量代表哪个时间段。

【发明内容】
[0006]一方面，一种用于监测对象状态的方法包括获得指示对象正常运行状态的参考数据，并获得输入模式阵列。每个输入模式阵列具有多个按时间排序的输入向量，而每个输入向量具有代表多个参数的输入值，所述参数指示了对象的当前状态。然后，至少有一个处理器根据计算生成估计值，所述计算使用输入模式阵列和参考数据来确定输入值与参考数据之间的相似性度量。将所述估计值与对应的输入值比较，从比较中得到的数值可用于确定所述对象的状态。
[0007]另一方面，一种监测对象状态的方法包括获得指示对象正常运行状态并且以多个习得序列模式矩阵为形式的参考数据。在这种情况下，每个习得序列模式矩阵具有多个参考向量，而每个参考向量具有代表多个参数的参考值。所述方法还包括获得代表指示所述对象当前状态的多个参数的输入数据，然后，使用至少一个处理器根据计算生成估计值，所述计算使用所述输入数据和习得序列模式矩阵确定所述多个参考矩阵中参考值和输入数据之间的相似性度量。然后，将所述估计值与对应的输入数据比较，从比较中得到的数值可用于确定所述对象的状态。
[0008]又一方面，一种监测对象状态的方法包括获得指示对象正常运行状态的参考数据和获得代表指示所述对象当前状态的多个参数的输入数据。所述方法还包括由至少一个处理器根据计算生成估计值，所述计算使用所述输入数据和参考数据确定所述输入数据和参考数据之间的相似性度量。所述估计值以具有多个按时间排序的估计向量的估计矩阵的形式被生成，每个估计向量具有代表多参数的估计值。所述方法还包括将所述估计矩阵代表的各时段的至少一个估计向量与输入数据比较，从比较中得到的数值可用于确定所述对象的状态。
[0009]在另一种形式中，一种用于确定对象状态的监测系统具有一个经验模型和输入模式阵列，所述经验模型具有指示对象正常运行状况的参考数据，所述每个输入模式阵列都具有多个按时间排序的输入向量。每个输入向量具有代表多个参数的输入值，所述多个参数指示了对象的当前状态。经验模型可用于根据计算生成估计值，所述计算使用输入模式阵列和参考数据来确定输入值和参考数据之间的相似性度量。然后，差分模块将所述估计值与对应的输入值比较，从比较中得到的数值可用于确定所述对象的状态。
[0010]在另一种形式中，一种用于确定对象状态的监测系统具有由至少一个处理器运算的经验模型。所述模型包含指示对象正常运行状态的参考数据，所述参考数据是多个习得序列模式矩阵形式。每个习得序列模式矩阵具有多个参考向量，而每个参考向量具有代表多个参数的参考值。所述模型还具有代表多个参数的输入数据，所述多个参数指示了对象的当前状态。所述经验模型根据计算生成估计值，所述计算使用所述输入数据和习得序列模式矩阵确定所述多个参考矩阵中参考值和输入数据之间的相似性度量。所述系统还具有差分模块，所述差分模块将估计值与对应的输入值比较，从比较中得到的数值可用于确定所述对象的状态。
[0011]在另一种形式中，一种用于确定对象状态的监测系统具有经验模型，所述经验模型具有指示对象正常运行状态的参考数据。所述模型还具有代表多个参数的输入数据，所述多个参数指示了对象的当前状态。此外，所述经验模型根据计算生成估计值，所述计算使用输入数据和参考数据确定输入数据和参考数据之间的相似性度量。所述估计值以具有多个按时间排序的估计向量的估计矩阵形式生成。每个估计向量具有代表多个参数的估计值。所述系统还具有差分模块，所述差分模块将所述估计矩阵代表的各时段的至少一个估计向量与输入数据比较，从比较中得到的数值可用于确定所述对象的状态。
【专利附图】

【附图说明】
[0012]图1是监测系统的结构实例框图；
[0013]图2是监测系统的基本操作过程流程图；
[0014]图3是基于建模公式的自联想相似性(autoassociative similarity)的示意图；
[0015]图4是基于建模公式的推理相似性(inferential similarity)的一种形式的示意图；
[0016]图5是基于建模公式的推理相似性的另一种形式的示意图；
[0017]图6是基于建模公式的自联想序列相似性的示意图；
[0018]图7是基于建模公式的推理序列相似性的一种形式的示意图，所述建模公式在模型化传感器维度上进行推断；
[0019]图8是基于建模公式的推理序列相似性的另一种形式的示意图，所述建模公式在模型化传感器维度上进行推断；
[0020]图9是基于建模公式的推理序列相似性的示意图，所述建模公式在时间维度上进行推断；
[0021]图10是基于建模公式的推理序列相似性的示意图，所述建模公式在时间维度上进行推断；
[0022]图11是基于建模公式的推理序列相似性的示意图，所述建模公式在时间维度和传感器维度上进行推断。
【具体实施方式】
[0023]已确定核回归模型中特别是基于相似性模型中，估计的准确性可通过向模型引入时域信息得到大幅提升。因此，本监测系统和方法的技术效果在于通过从监测工业过程、系统、机器或其他对象的大量周期性和非周期性的传感器信号中捕捉时域信息生成估计数据。本系统的技术效果还在于运行经验模型，所述经验模型将核回归模型核心的基本非线性数学从向量对向量运算扩展到矩阵到矩阵(或阵列到阵列)运算，详细描述见下文。所述监测系统和方法的另一个技术效果是生成将来时间点的虚拟或推导的估计值，以此确定被监测对象的将来状态，不管用于生成估计值的参考数据是否是代表被监测对象正常运行的数据还是与来自对象的指示故障的数据更好匹配的故障模式数据。
[0024]参考图1，纳入时域信息的监测系统10可在计算机中以一个或多个模块的形式实现，并在一个或多个计算机100上由一个或多个处理器102执行。计算机100可具有一个或多个存储装置104，所述存储器内置与外置均可，用于永久或临时储存传感器数据或计算机程序。在一种形式中，由一台独立计算机运行用于接收传感器数据的程序，所述数据来自装有仪器的机器、工序或其他包括实时测量参数(温度、压力等)的对象上的传感器。被监测对象(不特别局限于)可以是工厂中的一台或多台机器、一个或多个车辆、或者是车辆上的特殊机器，例如一些实例中提及的喷气发动机。传感器数据可以通过计算机网络或互联网有线或无线传送到例如计算机或执行数据收集的数据库。具有一个或多个处理器的计算机可执行所有模块的所有监测任务，或者每个任务或模块可具有其自己运行模块的计算机或处理器。因此，应当理解的是，可在单个位置进行处理，或者在许多与网络有线或无线相连的不同位置进行处理。
[0025]参考图2，在监测系统10执行的程序(300)中，系统接收来自上述被监测对象16上传感器12的数据或信号。将所述数据整理形成输入向量32以供模块14使用。在本文中，术语“输入”、“实际(actual) ”和“当前(current) ”互换使用，并且术语“向量”、“快照”和“观察数据(observation)”可互换使用。所述输入向量(或例如实际快照)代表被监测机器某一时刻的运行状态。
[0026]此外，或者可选择地，输入向量32可以包括计算数据，所述数据可以基于或者可以不基于传感器数据(或原始数据)进行计算。这可包括，例如，平均压力或压力下降。输入向量32还可具有一些值，该些值代表未由对象16上传感器代表的其他变量。这可以是，例如，接收的传感器数据的当年当天的平均环境温度等等。
[0027]模型14获得(302)向量32形式的数据，并将输入向量整理(304)形成输入阵列或矩阵。但是应当理解地是，模型14本身可从输入数据形成向量32，或者从收集或输入计算机或处理器接收向量，所述收集或输入计算机或处理器将数据整理形成向量和阵列。因此，输入的数据可由计算机100、或计算机100附近的另一台计算机、或另一个位置例如靠近对象16，整理形成向量32。
[0028]模型14还从参考资料库18获得(306)参考向量或矩阵(有时称为矩阵H)形式的参考数据。资料库18可包括系统内所有历史参考向量。然后，模型14使用参考数据并输入阵列以生成所产生的估计矩阵或阵列形式的估计值(310)。将估计矩阵提供给差分模块20，所述差分模块确定(312)估计矩阵中估计值与输入阵列中对应输入值之间的差异(或残差)。然后，警示或分析管理模块(或者只有报警模块)22使用所述残差确定(314)是否存在故障。
[0029]如虚线部分所示,监测系统10还可具有局部化模块(Localization module) 28,其改变用于来自参考资料库的数据，该参考资料库的数据形成(308)子集或矩阵D(t)(以下称为习得序列模式矩阵的三维集合(图6))以与每个输入阵列中的向量进行比较。否则，参考数据的矩阵D(t)会对于所有输入矩阵保持不变，详细描述如下文。此外，监测系统还可具有一个适应模块30，不断地或当某一事件发生时，例如该模块收到指示机器未出现过的新的正常状态的数据，将输入向量放入参考资料库，对资料库的数据进行更新。这一点将在下文进行详细说明。
[0030]报警模块22可直接向界面或输出模块24提供警报和残差(residual)，以便用户进行他们自己的诊断分析，或者诊断模块26对故障原因的确切性质进行分析，将诊断结论和严重程度级别通过输出模块24报告给用户。
[0031]输出模块24可包括显示这些结果的装置(例如计算机屏幕、PDA屏幕、打印输出或网络服务器)、存储结果的装置(例如具有查询能力的数据库、平面文件、XML文件)和/或与远程地点或其他计算机程序通信结果的装置(例如，软件界面、XML数据报、电子邮件数据包、异步消息、同步消息、FTP文件、服务、管道命令等)。
[0032]对经验模型14更为详细的说明要求一定的核回归方面的知识。在模式识别技术中，如核回归技术中，由输入数据(如上所述)构成一个模式，所述输入数据归为一组成为向量。在一个共同时间点处从一台设备收集各向量的数据。但是，与现有核回归方法相关的同期传感器值的模式(向量)用时间相关信息(例如连续时刻的序列模式或应用于连续时刻模式的时变函数的输出(例如筛选、时间导数等))得到增大，下文将此做更为详细的说明。因此，由传统核回归方法处理的单独模式(向量)被形成阵列的模式的时间相关序列(或简单模式阵列或模式矩阵)替代。
[0033]所有基于核的建模技术可由以下公式描述，其中包括核回归、径向基函数和基于相似性的建模:
【权利要求】
1.一种用于确定对象状态的监控系统，所述系统包括: 经验模型，所述经验模型具有指示所述对象的常规运行状态的参考数据以及输入模式阵列，每个输入模式阵列具有多个按时间排序的输入向量，每个输入向量具有输入值，所述输入值代表指示所述对象的当前状态的多个参数， 所述经验模型配置成基于使用输入模式阵列和所述参考数据进行的计算而产生估值，以确定所述输入值与所述参考数据之间的相似性度量；以及 差分模块，所述差分模块将所述估值与对应的输入值进行比较，以便比较所得的值可用于确定所述对象的状态。
2.根据权利要求1所述的系统，其中至少一个所述输入向量处于多个输入模式阵列中。
3.根据权利要求1所述的系统，其中每个输入模式阵列代表时间段，所述时间段包括多个时间点，所述多个时间点沿着代表所述对象的运行状态的输入向量序列分布。
4.根据权利要求3所述的系统，其中每个输入模式阵列代表时间段，所述时间段与至少其他一个输入模式阵列的时间段不同但重叠。
5.根据权利要求3所述的系统，其中每个输入模式阵列具有当前主向量，所述当前主向量来自所述输入向量序列并且代表所述输入模式阵列内的最近时间点。
6.根据权利要求5所述的系统，其中为每个输入模式阵列选择所述输入向量的方法是沿着所述序列移动回溯窗口、选择所述当前主向量以及沿着所述序列选择位于所述主向量之后并且适合在所述窗口内的一个或多个较早向量。
7.根据权利要求6所述的系统，其中所述较早向量是沿着所述序列的连续向量。
8.根据权利要求6所述的系统，其中所述较早向量不是沿所述序列的连续向量。
9.根据权利要求1所述的系统，其中表示为输入模式阵列内的所述输入向量的时间点之间的时间间隔是均匀的。
10.根据权利要求1所述的系统，其中表不为输入模式阵列内的所述输入向量的时间点之间的时间间隔是不相等的。
11.根据权利要求1所述的系统，其中对于表不为输入模式阵列内的所述输入向量的时间点而言，较近期输入向量之间的时间间隔短于同一输入模式阵列内的较晚输入向量之间的时间间隔。
12.根据权利要求1所述的系统，其中表示为所述输入模式阵列的总持续时间不同。
13.根据权利要求1所述的系统，其中所述计算基于包括以下项的方程式:
14.根据权利要求1所述的系统，其中所述计算基于包括以下项的方程式:
15.根据权利要求1所述的系统，其中所述相似性度量是指示输入值的有界范围中的值，并且参考值在所述范围的一端上相同并且在所述范围的另一端上完全不同。
16.根据权利要求1所述的系统，其中所述参考数据包括至少一个习得序列化模式矩阵，每个习得序列化模式矩阵具有多个参考向量，每个参考向量具有代表多个参数的参考值。
17.根据权利要求16所述的系统，其中所述参考数据形成所述习得序列化模式矩阵的三维集合。
18.根据权利要求17所述的系统，其中所述三维集合定义为三个维度，所述维度表示沿第一维度的参数、沿第二维度的所述习得序列化模式矩阵，以及表示为第三维度中的所述参考向量的时间。
19.根据权利要求17所述的系统，其中将每个输入模式阵列与所述三维集合中的每个习得序列化模式矩阵进行比较，以确定每个习得序列化模式矩阵的相似性度量。
20.根据权利要求17所述的系统，其中每个习得序列化模式矩阵代表特定时间段，所述时间段包括表示为所述参考向量的时间点，其中所述时间点与所述三维集合中的至少一些其他习得序列化模式矩阵的时间点不同、但是重叠。
21.根据权利要求17所述的系统，其中所述习得序列化模式矩阵中的向量数量与所述输入模式阵列相同。
22.根据权利要求17所述的系统，其中所述习得序列化模式与所述输入模式阵列矩阵所代表的时间点相同。
23.根据权利要求17所述的系统，其中一个所述习得序列化模式矩阵与一个所述输入模式阵列之间的相似性基于相应参考值与输入值之间的相似性，其中所述参考值和输入值代表相对于其对应阵列中的其他向量位置的相同向量位置。
24.根据权利要求17所述的系统，其中一个所述习得序列化模式矩阵与一个所述输入模式阵列之间的相似性包括计算表示为所述阵列的每个参数的平均标量相似性值。
25.根据权利要求17所述的系统，其中至少一些所述输入模式阵列代表某时间段，所述时间段与表示为至少一个所述习得序列化模式矩阵的时间段不同。
26.根据权利要求17所述的系统，其中由所述习得序列模式矩阵代表的时段变化。
27.根据权利要求1所述的系统，其中所述经验模型配置成产生所述估值，所述估值采用具有多个估值向量的估值矩阵的形式。
28.根据权利要求27所述的系统，其中每个估值矩阵中的所述估值向量对应于表示为所述输入模式阵列中的所述输入向量的所述时间点。
29.根据权利要求27所述的系统，其中使用所述估值矩阵内的部分所述估值确定所述对象的状态。
30.根据权利要求27所述的系统，其中所述差分模块仅使用代表每个估值矩阵内的最近时间点的估值来确定所述对象的状态。
31.根据权利要求27所述的系统，包括为多个估值矩阵的每个时间点提供单个估值向量以确定所述对象的状态。
32.根据 权利要求31所述的系统，其中通过使用以下项中的至少一项来提供所述单个估值向量: 在多个估值矩阵的所述时间点上选择具有一个或多个估值的估值向量，所述估值具有相对于其他估值向量的最大值、最小值或中间值， 在多个估值矩阵的所述时间点上，计算所述估值的平均值、加权平均值或加权范数，以及 在多个估值矩阵的所述时间点上选择估值向量，所述估值向量相对于其他估值向量与对应的输入向量最相似。
33.根据权利要求27所述的系统，其中所述经验模型提供估值向量，以使用以下项中的至少一项确定所述对象的状态: 每个估值矩阵中的估值向量，所述估值向量具有最大、最小或中间估值， 所述估值矩阵中用于为每个矩阵形成单个估值的估值加权平均值或加权范数，以及 所述估值矩阵内与各自的对应输入向量最相似的估值向量。
34.根据权利要求1所述的系统，其中所述经验模型配置成使用所述相似性度量作为权重来计算习得序列化模式矩阵的三维集合，所述三维集合代表所述输入模式阵列中不涉及的参数。
35.根据权利要求34所述的系统，其中用于产生所述相似性度量的参考数据不代表表示为所述三维集合的所有参数。
36.根据权利要求34所述的系统，其中所述三维集合仅代表不表示为所述输入模式阵列的参数。
37.根据权利要求35所述的系统，其中所述三维集合代表所述输入模式阵列中未被代表的参数和所述输入模式阵列中被代表的参数。
38.根据权利要求1所述的系统，包括局部化模块，所述局部化模块用于重新确定使用哪些参考数据来产生每个输入模式阵列的估值。
39.根据权利要求1所述的系统，包括适配模块，所述适配模块配置成当所述估值指示代表常规运行状态的对应输入模式阵列时，将所述输入模式阵列添加到所述参考数据中。
40.一种用于确定对象状态的监控系统，包括: 经验模型，所述经验模型由至少一个处理器操作并且包括参考数据，所述参考数据指示所述对象的常规运行状态并且采用多个习得序列化模式矩阵的形式，每个习得序列化模式矩阵具有多个参考向量，每个参考向量具有代表多个参数的参考值，以及输入数据，所述输入数据代表指示所述对象的当前状态的多个参数， 其中所述经验模型配置成基于使用所述输入数据与所述习得序列化模式矩阵进行的计算而产生估值，以确定所述输入数据与所述多个参考矩阵中的参考值之间的相似性测量；以及 差分模块，所述差分模块将所述估值与对应的输入值进行比较，以便可以使用比较所得的值确定所述对象的状态。
41.一种用于确定对象状态的监控系统，包括: 经验模型，所述经验模型包括参考数据，所述参考数据指示所述对象的常规运行状态，以及 输入数据，所述输入数据代表指示所述对象的当前状态的多个参数， 其中所述经验模型配置成基于使用所述输入数据和所述参考数据进行的计算而产生估值，以确定所述输入数据与所述参考数据之间的相似性测量，其中所述估值以估值矩阵的形式产生，所述估值矩阵具有多个按时间排序的估值向量，每个估值向量具有代表多个参数的估值；以及 差分模块，所述差分 模块将表示为所述估值矩阵的每个时间段的至少一个估值向量与所述输入数据进行比较，以便可以使用比较所得的值确定所述对象的状态。
【文档编号】G05B23/02GK103842922SQ201280035581
【公开日】2014年6月4日 申请日期:2012年6月28日 优先权日:2011年7月19日
【发明者】J.P.赫措 申请人:智能信号公司