專利名稱：用于在機(jī)器狀況監(jiān)視中創(chuàng)建狀態(tài)估計(jì)模型的方法和設(shè)備的制作方法
技術(shù)領(lǐng)域：
本發(fā)明一般地涉及出于工廠自動(dòng)化目的的機(jī)器狀況監(jiān)視。更具體地，本發(fā)明涉及用于構(gòu)建描述一組機(jī)器傳感器之間的關(guān)系的狀態(tài)估計(jì)模型的技術(shù)。
背景技術(shù)：
機(jī)器狀況監(jiān)視的任務(wù)是盡可能早地檢測(cè)故障以避免對(duì)機(jī)器的進(jìn)一步損壞。這通常通過(guò)分析來(lái)自安裝在機(jī)器的不同部分上的用于測(cè)量溫度、壓力、振動(dòng)等的一組傳感器的數(shù)據(jù)來(lái)完成。當(dāng)機(jī)器正常地操作時(shí)，所有傳感器服從某個(gè)關(guān)系。該關(guān)系能夠用一個(gè)傳感器針對(duì)其它相關(guān)傳感器的依賴性(dependency)來(lái)描述。在監(jiān)視期間，該關(guān)系或依賴性的違背可以指示故障。例如，在燃?xì)鉁u輪機(jī)中，給定諸如氣流、入口溫度和空氣濕度之類的某些系統(tǒng)輸入，功率輸出應(yīng)接近于預(yù)測(cè)值。如果實(shí)際觀察的值偏離該預(yù)測(cè)值，則觀察可以指示系統(tǒng)故障。機(jī)器狀況監(jiān)視中的基本步驟是構(gòu)建描述一組傳感器之間的關(guān)系的狀態(tài)估計(jì)(SE) 模型。在訓(xùn)練(training)期間，訓(xùn)練SE模型從歷史訓(xùn)練數(shù)據(jù)習(xí)知傳感器關(guān)系。在測(cè)試期間，對(duì)于所觀察的傳感器值，使用經(jīng)訓(xùn)練的SE模型來(lái)估計(jì)傳感器在其正常地操作的情況下應(yīng)具有的值。創(chuàng)建SE模型中的一個(gè)挑戰(zhàn)是通常存在許多傳感器。在許多情況下，傳感器之間的關(guān)系是未知的。傳感器可以監(jiān)視機(jī)器的完全獨(dú)立的部分，使得某些傳感器不與其它傳感器相關(guān)。如果一個(gè)人簡(jiǎn)單地使用所有傳感器來(lái)構(gòu)建單個(gè)SE模型，并使用包括無(wú)關(guān)傳感器的其余傳感器來(lái)估計(jì)一個(gè)傳感器，則SE模型的性能將受到不利影響。在一個(gè)方法中，分兩個(gè)步驟來(lái)構(gòu)造SE模型。首先，計(jì)算傳感器的逐對(duì)相關(guān)分?jǐn)?shù)。可以由針對(duì)線性情況的標(biāo)準(zhǔn)相關(guān)系數(shù)或針對(duì)非線性情況的更復(fù)雜的相互信息來(lái)計(jì)算所述分?jǐn)?shù)。在第二步驟中，基于相關(guān)分?jǐn)?shù)，應(yīng)用諸如分級(jí)集群化之類的集群化方法來(lái)將傳感器集群化成各組。該方法受到限制，因?yàn)閮H使用兩個(gè)傳感器之間的逐對(duì)相關(guān)，并且該方法因此不能捕捉涉及不止兩個(gè)傳感器(這在復(fù)雜機(jī)器中廣泛地存在)的相關(guān)。對(duì)于多個(gè)傳感器而言能夠擴(kuò)展相互信息，但是是以計(jì)算時(shí)間的指數(shù)增加為代價(jià)的。另外，相互信息通常要求連續(xù)傳感器信號(hào)的離散化，導(dǎo)致精度損失。因此目前需要一種將傳感器劃分成組并使用此類組來(lái)監(jiān)視機(jī)器的改進(jìn)的技術(shù)。該技術(shù)應(yīng)創(chuàng)建各組，其中，在每個(gè)組內(nèi)，傳感器是相關(guān)的，但是在組之間，傳感器不是相關(guān)的。 通過(guò)使用此類組，能夠?yàn)槊總€(gè)組訓(xùn)練一個(gè)SE模型。

發(fā)明內(nèi)容
在本公開(kāi)中，提出了用于通過(guò)分析一個(gè)傳感器針對(duì)所有其余傳感器的依賴性來(lái)將傳感器分組的方法。特別地，采用高斯過(guò)程回歸(Gaussian process regression)方法來(lái)根據(jù)其余傳感器(作為輸入)預(yù)測(cè)目標(biāo)傳感器(作為輸出)。使用具有自動(dòng)相關(guān)性確定的核函數(shù)(kernel function)，使得每個(gè)輸入傳感器具有其自己的核寬度(kernel width)。那些核寬度是參數(shù)，并且是從訓(xùn)練數(shù)據(jù)習(xí)知的。在訓(xùn)練SE模型之后，兩個(gè)指示揭示關(guān)于傳感器依賴性的信息。首先，此高斯過(guò)程模型的噪聲方差表示輸出針對(duì)輸入的總體依賴性。誤差越小，輸出越具有依賴性。其次，與不同的輸入傳感器相關(guān)聯(lián)的核寬度指示輸出傳感器針對(duì)每個(gè)輸入傳感器的相對(duì)依賴性(relative cbpendency)。這是因?yàn)榕c輸出傳感器更加相關(guān)或有關(guān)的輸入傳感器趨向于具有比不那么相關(guān)的輸入傳感器小的核寬度(和因此的在核函數(shù)中的較大影響)。如果總體依賴性小于閾值，則確定輸出或目標(biāo)傳感器不依賴于其它傳感器。如果輸入傳感器的相對(duì)依賴性小于閾值，則確定此輸出或目標(biāo)傳感器不依賴于此輸入傳感器。 針對(duì)所有其它傳感器，對(duì)每個(gè)傳感器執(zhí)行該依賴性分析。如果一個(gè)依賴于另一個(gè)，則兩個(gè)傳感器是相關(guān)的。因此提出新的分組算法。本發(fā)明的一個(gè)實(shí)施例是一種用于將一組傳感器中的相關(guān)傳感器分組成集群以便在狀態(tài)估計(jì)模型中使用的方法。在計(jì)算機(jī)中，針對(duì)該組傳感器中的每個(gè)傳感器訓(xùn)練的單獨(dú)的高斯過(guò)程回歸，其中，在用于傳感器y的高斯過(guò)程回歸中，傳感器y是目標(biāo)傳感器且該組的d個(gè)其余傳感器是輸入傳感器。該訓(xùn)練使用來(lái)自傳感器的信號(hào)值的訓(xùn)練集來(lái)確定用于目標(biāo)傳感器y的噪聲方差ν和d個(gè)核寬度％。每個(gè)核寬度^表示d個(gè)輸入傳感器中的相應(yīng)傳感器k在預(yù)測(cè)傳感器y的值方面的相關(guān)性。然后通過(guò)使用傳感器的噪聲方差ν和核寬度％對(duì)傳感器組中的每個(gè)傳感器執(zhí)行依賴性分析以確定該傳感器是否與d個(gè)其它傳感器中的每一個(gè)相關(guān)。然后基于依賴性分析將傳感器組中的傳感器分組成集群。在該方法中，可以使用如下定義的核函數(shù)來(lái)執(zhí)行高斯過(guò)程回歸
權(quán)利要求
1.一種用于將將一組傳感器中的相關(guān)傳感器分組成集群以便在狀態(tài)估計(jì)模型中使用的方法，該方法包括(A)在計(jì)算機(jī)中，針對(duì)該組傳感器中的每個(gè)傳感器訓(xùn)練單獨(dú)的高斯過(guò)程回歸，其中，在用于傳感器y的高斯過(guò)程回歸中，傳感器y是目標(biāo)傳感器且該組的d個(gè)其余傳感器是輸入傳感器，該訓(xùn)練使用來(lái)自傳感器的信號(hào)值的訓(xùn)練集來(lái)確定用于目標(biāo)傳感器y的噪聲方差ν 和d個(gè)核寬度^，每個(gè)核寬度％表示d個(gè)輸入傳感器中的相應(yīng)傳感器k在預(yù)測(cè)傳感器y的值方面的相關(guān)性；(B)通過(guò)使用傳感器的噪聲方差ν和核寬度％對(duì)傳感器組中的每個(gè)傳感器執(zhí)行依賴性分析以確定該傳感器是否與d個(gè)其它傳感器中的每一個(gè)相關(guān)；以及(C)基于所述依賴性分析將該組傳感器中的傳感器分組成集群。
2.權(quán)利要求1的方法，其中，使用如下定義的核函數(shù)來(lái)執(zhí)行高斯過(guò)程回歸
3.權(quán)利要求1的方法，其中，訓(xùn)練高斯過(guò)程回歸的步驟利用共軛梯度法。
4.權(quán)利要求1的方法，其中，所述依賴性分析還包括(1)將傳感器y的噪聲方差ν與第一閾值T1相比較，并且如果ν超過(guò)閾值T1,則推斷該傳感器不依賴于其它傳感器，并且如果V小于閾值T1,則推斷該傳感器依賴于其它傳感器；(2)確定傳感器y對(duì)其余傳感器中的每一個(gè)傳感器k的相對(duì)依賴性權(quán)值wk，所述相對(duì)依賴性權(quán)值Wk是相應(yīng)核寬度％的函數(shù)，以及(3)通過(guò)將傳感器對(duì)中的傳感器之間的相對(duì)依賴性權(quán)值Wk與第二閾值T2相比較來(lái)確定該組傳感器中的各對(duì)傳感器是否是相關(guān)的。
5.權(quán)利要求4的方法，其中，由下式來(lái)定義相對(duì)依賴性權(quán)值Wk
6.權(quán)利要求4的方法，其中，只有當(dāng)傳感器y被確定為依賴于其它傳感器時(shí)，才確定傳感器y的相對(duì)依賴性。
7.權(quán)利要求1的方法，其中，將傳感器分組成集群的步驟包括將傳感器索引集Q= {1，2，...，d)初始化，在Q為空之前，從Q去除第一元素i，將兩個(gè)新索引集Z = {i}和G= U}初始化，每個(gè)索引集包含單個(gè)索引i，并執(zhí)行以下各項(xiàng) -從Z刪除第一元素j ； -識(shí)別與j相關(guān)的所有傳感器；-如果所識(shí)別的相關(guān)傳感器不在G中，則將其索引添加到Z和G并從Q去除其索引；-重復(fù)刪除、識(shí)別和添加步驟直至Z為空為止；以及然后輸出G作為傳感器集群的內(nèi)容；以及重復(fù)去除第一元素i、將兩個(gè)新索引集初始化和執(zhí)行的步驟，直至Q為空為止。
8.一種用于經(jīng)由安裝在機(jī)器上的一組傳感器來(lái)監(jiān)視一個(gè)或多個(gè)機(jī)器的狀況的方法，該系統(tǒng)包括(A)獲取包括傳感器的一系列同時(shí)讀數(shù)的傳感器信號(hào)的訓(xùn)練集；(B)在計(jì)算機(jī)中，針對(duì)該組傳感器中的每個(gè)傳感器訓(xùn)練單獨(dú)的高斯過(guò)程回歸，其中，在用于傳感器y的高斯過(guò)程回歸中，傳感器y是目標(biāo)傳感器且該組的d個(gè)其余傳感器是輸入傳感器值，該訓(xùn)練使用來(lái)自傳感器的信號(hào)的訓(xùn)練集來(lái)確定用于目標(biāo)傳感器y的噪聲方差ν 和d個(gè)核寬度^，每個(gè)核寬度％表示d個(gè)輸入傳感器中的相應(yīng)傳感器k在預(yù)測(cè)傳感器y的值方面的相關(guān)性；(C)通過(guò)使用傳感器的噪聲方差ν和核寬度％對(duì)傳感器組中的每個(gè)傳感器執(zhí)行依賴性分析以確定該傳感器是否與d個(gè)其它傳感器中的每一個(gè)相關(guān)；(D)基于所述依賴性分析將該組傳感器中的傳感器分組成集群；(E)訓(xùn)練集群狀態(tài)估計(jì)模型，該模型具有同一集群中的目標(biāo)傳感器和所有輸入傳感器；(F)使用經(jīng)訓(xùn)練的集群狀態(tài)估計(jì)模型基于輸入傳感器信號(hào)來(lái)預(yù)測(cè)目標(biāo)傳感器信號(hào)；以及(H)如果預(yù)測(cè)目標(biāo)傳感器信號(hào)充分地不同于實(shí)際傳感器信號(hào)，則生成警報(bào)。
9.權(quán)利要求8的方法，其中，由與針對(duì)該組傳感器中的每個(gè)傳感器訓(xùn)練單獨(dú)的高斯過(guò)程回歸的步驟相同的計(jì)算機(jī)來(lái)執(zhí)行訓(xùn)練集群狀態(tài)估計(jì)模型、預(yù)測(cè)和生成的步驟。
10.權(quán)利要求8的方法，其中，所述集群狀態(tài)估計(jì)模型是高斯過(guò)程回歸。
11.權(quán)利要求8的方法，其中，所預(yù)測(cè)的目標(biāo)傳感器信號(hào)充分地不同于實(shí)際傳感器信號(hào)，條件是那些值之間的差超過(guò)閾值。
12.權(quán)利要求8的方法，還包括以下步驟使用來(lái)自目標(biāo)傳感器的歷史數(shù)據(jù)來(lái)預(yù)測(cè)不包含其它傳感器的集群中的目標(biāo)傳感器的信號(hào)。
13.權(quán)利要求8的方法，其中，使用如下定義的核函數(shù)來(lái)執(zhí)行高斯過(guò)程回歸
14.權(quán)利要求8的方法，其中，訓(xùn)練高斯過(guò)程回歸的步驟利用共軛梯度法。
15.權(quán)利要求8的方法，其中，所述依賴性分析還包括(I)將傳感器y的噪聲方差ν與第一閾值T1相比較，并且如果ν超過(guò)閾值T1,則推斷該傳感器不依賴于其它傳感器，并且如果V小于閾值T1,則推斷該傳感器依賴于其它傳感器；(2)確定傳感器y對(duì)其余傳感器中的每一個(gè)傳感器k的相對(duì)依賴性權(quán)值wk，所述相對(duì)依賴性權(quán)值Wk是相應(yīng)核寬度％的函數(shù)，以及(3)通過(guò)將傳感器對(duì)中的傳感器之間的相對(duì)依賴性權(quán)值Wk與第二閾值T2相比較來(lái)確定該組傳感器中的各對(duì)傳感器是否是相關(guān)的。
16.權(quán)利要求15的方法，其中，由下式來(lái)定義相對(duì)依賴性權(quán)值Wk
17.權(quán)利要求15的方法，其中，只有當(dāng)傳感器y被確定為依賴于其它傳感器時(shí)，才確定傳感器y的相對(duì)依賴性。
18.權(quán)利要求8的方法，其中，將傳感器分組成集群的步驟包括 將傳感器索引集Q= {1，2，...，d}初始化，在Q為空之前，從Q去除第一元素i，將兩個(gè)新索引集Z = {i}和G= U}初始化，每個(gè)索引集包含單個(gè)索引i，并執(zhí)行以下各項(xiàng) -從Z刪除第一元素j ； -識(shí)別與j相關(guān)聯(lián)的所有傳感器；-如果所識(shí)別的相關(guān)傳感器不在G中，則將其索引添加到Z和G并從Q去除其索引；-重復(fù)刪除、識(shí)別和添加步驟直至Z為空；以及然后輸出G作為傳感器集群的內(nèi)容；以及重復(fù)去除第一元素i、將兩個(gè)新索引集初始化和執(zhí)行的步驟，直至Q為空為止。
19.一種計(jì)算機(jī)可用介質(zhì)，具有存儲(chǔ)在其上以便由處理器執(zhí)行以執(zhí)行用于將一組傳感器的相關(guān)傳感器分組成集群以供在狀態(tài)估計(jì)模型中使用的方法的計(jì)算機(jī)可讀指令，所述方法包括(A)針對(duì)該組傳感器中的每個(gè)傳感器訓(xùn)練單獨(dú)的高斯過(guò)程回歸，其中，在用于傳感器y 的高斯過(guò)程回歸中，傳感器y是目標(biāo)傳感器且該組的d個(gè)其余傳感器是輸入傳感器，該訓(xùn)練使用來(lái)自傳感器的信號(hào)值的訓(xùn)練集來(lái)確定用于目標(biāo)傳感器y的噪聲方差ν和d個(gè)核寬度^， 每個(gè)核寬度％表示d個(gè)輸入傳感器中的相應(yīng)傳感器k在預(yù)測(cè)傳感器y的值方面的相關(guān)性；(B)通過(guò)使用傳感器的噪聲方差ν和核寬度％對(duì)傳感器組中的每個(gè)傳感器執(zhí)行依賴性分析以確定該傳感器是否與d個(gè)其它傳感器中的每一個(gè)相關(guān)；以及(C)基于所述依賴性分析將該組傳感器中的傳感器分組成集群。
20.權(quán)利要求19的計(jì)算機(jī)可用介質(zhì)，其中，使用如下定義的核函數(shù)來(lái)執(zhí)行高斯過(guò)程回歸
21.權(quán)利要求19的計(jì)算機(jī)可用介質(zhì)，其中，訓(xùn)練高斯過(guò)程回歸的步驟利用共軛梯度法。
22.權(quán)利要求19的計(jì)算機(jī)可用介質(zhì)，其中，所述依賴性分析還包括(1)將傳感器y的噪聲方差ν與第一閾值T1相比較，并且如果ν超過(guò)閾值T1,則推斷該傳感器不依賴于其它傳感器，并且如果V小于閾值T1,則推斷該傳感器依賴于其它傳感器；(2)確定傳感器y對(duì)其余傳感器中的每一個(gè)傳感器k的相對(duì)依賴性權(quán)值wk，所述相對(duì)依賴性權(quán)值Wk是相應(yīng)核寬度％的函數(shù)，以及(3)通過(guò)將傳感器對(duì)中的傳感器之間的相對(duì)依賴性權(quán)值Wk與第二閾值T2相比較來(lái)確定該組傳感器中的各對(duì)傳感器是否是相關(guān)的。
23.權(quán)利要求22的計(jì)算機(jī)可用介質(zhì)，其中，由下式來(lái)定義相對(duì)依賴性權(quán)值wk:
24.權(quán)利要求22的計(jì)算機(jī)可用介質(zhì)，其中，只有當(dāng)傳感器y被確定為依賴于其它傳感器時(shí)，才確定傳感器y的相對(duì)依賴性。
25.權(quán)利要求19的計(jì)算機(jī)可用介質(zhì)，其中將傳感器分組成集群的步驟包括 將傳感器索引集Q= {1，2，...，d}初始化，在Q為空之前，從Q去除第一元素i并將兩個(gè)新索引集Z = {i}和G= U}初始化，每個(gè)索引集包含單個(gè)索引i，并執(zhí)行以下各項(xiàng) -從Z刪除第一元素j ； -識(shí)別與j相關(guān)的所有傳感器；-如果所識(shí)別的相關(guān)傳感器不在G中，則將其索引添加到Z和G并從Q去除其索引；-重復(fù)刪除、識(shí)別和添加步驟直至Z為空；以及然后輸出G作為傳感器集群的內(nèi)容；以及重復(fù)去除第一元素i、將兩個(gè)新索引集初始化和執(zhí)行的步驟，直至Q為空為止。
全文摘要
在機(jī)器狀況監(jiān)視技術(shù)中，以集群將相關(guān)傳感器分組在一起以改善狀態(tài)估計(jì)模型的性能。為了形成集群，首先使用高斯過(guò)程回歸(GPR)來(lái)分析整個(gè)傳感器組以根據(jù)該組中的其它傳感器進(jìn)行每個(gè)傳感器的預(yù)測(cè)。然后，GPR的依賴性分析使用閾值來(lái)確定哪些傳感器是相關(guān)的。然后以集群將相關(guān)傳感器置在一起。然后可以訓(xùn)練利用傳感器集群的狀態(tài)估計(jì)模型。
文檔編號(hào)G05B17/02GK102265227SQ200980150814
公開(kāi)日2011年11月30日 申請(qǐng)日期2009年9月25日 優(yōu)先權(quán)日2008年10月20日
發(fā)明者源 C. 申請(qǐng)人:西門子公司