專利名稱：數(shù)據(jù)分析系統(tǒng)和方法
技術(shù)領(lǐng)域：
本發(fā)明涉及對來自用于監(jiān)測動態(tài)系統(tǒng)的監(jiān)測系統(tǒng)的數(shù)據(jù)進(jìn)行分析的系統(tǒng)和方法。
背景技術(shù)：
對系統(tǒng)(例如，技術(shù)系統(tǒng)、環(huán)境狀況、重要跡象等)的異常行為進(jìn)行診斷類似于醫(yī)生基于對病人的觀測癥狀而進(jìn)行的診斷。內(nèi)科醫(yī)生能夠基于對病人的觀測而獲得的數(shù)據(jù)來解釋癥狀并作出診斷。即使所觀測的癥狀不足以確定病因，通常內(nèi)科醫(yī)生也能夠確定癥狀或測量是不正常的，因為他們根據(jù)經(jīng)驗知道在病人體內(nèi)什么是正常什么是不正常的。
為了在自動狀況監(jiān)測系統(tǒng)(CMS)中重復(fù)這樣的智能診斷系統(tǒng)，該CMS就必須知道“什么是正常”和“什么是不正?！?。已知的CMS使用特征標(biāo)(signature)來實現(xiàn)該目的。特征標(biāo)是限量的數(shù)據(jù)，其表示通過傳感器監(jiān)測的某一環(huán)境特征。特征標(biāo)例如可以像溫度值一樣簡單，或者像在一定時間期間觀測的電流的傅立葉變換一樣復(fù)雜?？梢酝ㄟ^以下步驟實現(xiàn)基于特征標(biāo)分析的診斷1、獲取特征標(biāo)2、將輸入特征標(biāo)與基準(zhǔn)特征標(biāo)進(jìn)行比較3、判斷輸入特征標(biāo)是正?；虍惓?、解釋特征標(biāo)以作出正確的診斷CMS通常包括步驟1-3，而步驟4在CMS發(fā)出告警之后，通常要涉及該領(lǐng)域的專家的介入。
通常大多數(shù)輸入特征標(biāo)都被噪聲污染，這就使得難以識別它們。因此，除所有可用的已分類的特征標(biāo)(基準(zhǔn)特征標(biāo))之外，特征標(biāo)數(shù)據(jù)庫還必須包含各個特征標(biāo)的容許度(tolerance level)。要求容許度以避免錯誤告警。來自特征標(biāo)數(shù)據(jù)庫的信息被用于將傳感器數(shù)據(jù)分類為三種不同狀態(tài)。如果系統(tǒng)將輸入特征標(biāo)識別為它的數(shù)據(jù)庫的類成員，則可以將該輸入特征標(biāo)直接分類為正常或異常，如果認(rèn)為該特征標(biāo)是異常則產(chǎn)生告警。如果系統(tǒng)沒有將該輸入特征標(biāo)識別為處于任何基準(zhǔn)特征標(biāo)的容許度內(nèi)，則認(rèn)為該輸入特征標(biāo)為未知或可能是異常的。在該情況下，系統(tǒng)也會產(chǎn)生告警。基于引起告警產(chǎn)生的特征標(biāo)，如果需要領(lǐng)域?qū)＜医槿?，則領(lǐng)域?qū)＜夷軌蜃鞒鲈\斷并且確定該特征標(biāo)實際上是否表示異常狀態(tài)。
檢測傳感器數(shù)據(jù)中的異常狀況為了在任何環(huán)境中都能自動檢測異常狀態(tài)，就要求使用傳感器。存在很多不同類型的傳感器，這些傳感器可以具有不同的可靠度。例如，在提煉廠可以使用化學(xué)傳感器能夠檢測氣體泄漏，而在電廠，可以使用電傳感器來檢測危險的高壓。一些通用類型的傳感器包括機(jī)械傳感器、溫度傳感器、磁和電磁場傳感器、激光傳感器、紅外線傳感器、紫外線傳感器、輻射傳感器和聲傳感器。
通常在時域和頻域上觀測傳感器數(shù)據(jù)。對于傳感器數(shù)據(jù)的解析分析，通常所使用的函數(shù)是幅度、平均值、范圍、干擾噪聲和標(biāo)準(zhǔn)偏差?？梢詥蝹€地分析這些函數(shù)或以多維方式進(jìn)行組合地分析這些函數(shù)。
在設(shè)計傳感器系統(tǒng)時，若干因素(例如，線性、分辨率、譜通帶、精確度、響應(yīng)時間、信噪比等)會影響對傳感器的選擇。還要針對閾值和容許度考慮所有這些因素。圖1至圖4示出了狀況監(jiān)測處理的示例，其包括從傳感器獲得特征標(biāo)；預(yù)處理該特征標(biāo)；并且進(jìn)行變換以將該特征標(biāo)最終分類。
簡單的CMS通過對輸入傳感器數(shù)據(jù)與閾值進(jìn)行比較來檢測異常狀況，這些閾值通常是像平均值、標(biāo)準(zhǔn)偏差、最小值、最大值等這樣的統(tǒng)計特征值(參見圖5)。
更復(fù)雜的檢測機(jī)制將輸入特征標(biāo)與基準(zhǔn)特征標(biāo)進(jìn)行比較。根據(jù)問題的復(fù)雜性，能夠通過不同的技術(shù)來計算該比較。一個簡單的示例是從存儲在數(shù)據(jù)庫中的基準(zhǔn)特征標(biāo)中減去輸入特征標(biāo)。將這兩個信號之差稱為誤差，該誤差的幅值確定出這兩個信號是否接近。為了更好的估計該誤差，還可以計算均方誤差。圖6示出了該方法。
確定一個誤差信號是否表示異常狀況的一種簡單方法是使用閾值。與閾值相比，對誤差信號的更復(fù)雜的估算是基于對誤差信號的若干特征的計算。為了使檢測精度最佳，必須認(rèn)真選擇用于估算誤差信號的閾值。圖7示出了如何選擇上閾值和下閾值電平，以使得當(dāng)出現(xiàn)“正?！毙盘栔獾男盘枙r能夠觸發(fā)告警。該精度將取決于這些電平的選擇、所使用的傳感器的質(zhì)量和數(shù)據(jù)獲取系統(tǒng)的質(zhì)量。
已知的狀況監(jiān)測系統(tǒng)使用用以對傳感器數(shù)據(jù)進(jìn)行匹配的狀況庫。例如，文章“HISS-A new approach to intelligent supervision”(KaiMichels，Proceedings of the Joint 9thIFSA World Congress and 20thNAFIPS International Conference(Vancouver，25-28 July)，IEEEPiscataway，2001(ISBN0-78037079-1)，pp.1110-1115)提供了一種通過使用音頻傳感器來檢測氣體管道中的泄漏的解決方案。由該音頻傳感器記錄的聲音與表示泄漏的聲音和表示正常環(huán)境聲音的庫相匹配。如果傳感器記錄的聲音更接近于表示泄漏的聲音，而不是更接近于正常聲音，則監(jiān)測軟件發(fā)出告警。此外，可以使用人工智能技術(shù)來進(jìn)行模式識別，并判斷出什么狀況應(yīng)該產(chǎn)生告警，以監(jiān)測系統(tǒng)的狀態(tài)。在美國專利US 6,327,550(Vinberg等人)中公開了一個這樣的示例，該專利涉及這樣一種狀態(tài)監(jiān)測方法和裝置在初始“學(xué)習(xí)階段”，對系統(tǒng)進(jìn)行訓(xùn)練，以識別受監(jiān)測系統(tǒng)的可識別的“普通模式”，這些“普通模式”是該系統(tǒng)通常出現(xiàn)的多個狀態(tài)的組。在后來的“監(jiān)測階段”期間，狀況監(jiān)測系統(tǒng)通過將所述系統(tǒng)的狀態(tài)向量與在學(xué)習(xí)期間通過模式識別而在先識別出的所識別的普通模式進(jìn)行比較，來持續(xù)地監(jiān)測所述系統(tǒng)，并且只要出現(xiàn)未處于所識別的普通模式之一的狀態(tài)向量時就產(chǎn)生告警。而且，在監(jiān)測階段期間，系統(tǒng)能夠以以下方式來更新自己的學(xué)習(xí)等級。管理人員或自動管理工具可以研究告警消息，甚至檢查所管理的系統(tǒng)，并且如果確定告警消息是針對普通情形產(chǎn)生的，該情形應(yīng)該包括在用于未來監(jiān)測的普通模式中，則該系統(tǒng)能夠?qū)⒃撓嚓P(guān)的新狀態(tài)添加到現(xiàn)有的普通模式集合中。
現(xiàn)有技術(shù)的美國專利US 5,890,142涉及一種用于監(jiān)測系統(tǒng)狀況的裝置，該裝置包括預(yù)測部分，該預(yù)測部分被說明為用于生成其參數(shù)由系統(tǒng)的時間序列數(shù)據(jù)確定的數(shù)據(jù)向量，并用于基于通過該數(shù)據(jù)向量的嵌入運(yùn)算在重構(gòu)空間中生成的吸引子的行為，借助混沌推理來獲得預(yù)定的時間未來的時間序列數(shù)據(jù)的預(yù)測值。然后，該系統(tǒng)基于系統(tǒng)行為無序的假設(shè)開始作出短期預(yù)測，并判斷所觀測的系統(tǒng)是處于正常還是異常狀況。
顯然，通常在受監(jiān)測系統(tǒng)的正常和異常狀況是已知的并可被指定的情況下，才可以在已知系統(tǒng)中應(yīng)用狀況監(jiān)測。這意味著，CMS不適于在不清楚的領(lǐng)域和如下領(lǐng)域中使用異常狀況在以前沒有被觀測過、不可能被觀測、并且不能被容易地創(chuàng)建或預(yù)測。一個示例是一件貴重機(jī)械的故障。非常期望的是，提前準(zhǔn)確預(yù)測故障以及時安排維修。故障可能是破壞性的，以使得不可能驅(qū)動受監(jiān)測的機(jī)器進(jìn)入故障模式以記錄故障狀況?？赡軆H有關(guān)于所監(jiān)測的信號的閾值的模糊的或不確定的認(rèn)識，該認(rèn)識不足以充分說明故障。另一個示例是在病人的家中監(jiān)測需要照顧的病人。高精度地檢測是否需要護(hù)理人員介入是非常重要的，例如，如果該人沒有在白天的通常時間起床或者已倒下的情況。然而，避免錯誤告警也是很重要的，否則監(jiān)測系統(tǒng)將不再可信，甚至監(jiān)測系統(tǒng)可能被關(guān)斷。因此，使監(jiān)測系統(tǒng)適合于被監(jiān)測的病人，并了解對于該病人什么是正常的行為，這是重要的。對于這兩個示例，會容易地發(fā)現(xiàn)通常單個傳感器是不夠的。通常，但不排他地，要求多個傳感器，由此創(chuàng)建多維傳感器數(shù)據(jù)空間。可以將來自各個傳感器的信息適當(dāng)?shù)亟M合，以使得能夠?qū)Ξ惓Ｇ樾巫鞒雠袛?。這將被稱為“傳感器數(shù)據(jù)合成”。
對于上面討論的示例和類似復(fù)雜的情景，我們面臨的問題是正確建立CMS的問題，因為在高維傳感器數(shù)據(jù)空間中定義正常和異常狀況通常是困難的或是不可能的。如果可以使用窮舉數(shù)量的正常和異常情形的示例，則可以將有監(jiān)督的學(xué)習(xí)算法用于創(chuàng)建CMS能夠使用的分類器集合。然而，在諸如上面所考慮到的情景中，僅有正常情形的示例是可用的，因此，不能使用正常的學(xué)習(xí)程序。
在布置基于傳感器的CMS過程中的一個主要問題是為由CMS監(jiān)測的多個傳感器建立正常狀態(tài)和異常狀況。如果異常狀況或故障狀態(tài)是未知的或不清楚的，就不能使用要求這種信息的CMS。本發(fā)明的實施例解決在這種情況下布置CMS時所遇到的這些問題。

發(fā)明內(nèi)容
本發(fā)明的實施例旨在通過如下方式對可能的方面進(jìn)行改進(jìn)利用現(xiàn)有的CMS，通過使用高維數(shù)傳感器數(shù)據(jù)空間，使得能夠為不清楚的領(lǐng)域自動建立基于傳感器的CMS。本發(fā)明的具體實施例的目的特別在于(i)提供創(chuàng)建“常態(tài)模型”的裝置，這些“常態(tài)模型”使得系統(tǒng)能夠在不具備與異常狀況有關(guān)的任何信息的情況下，針對任何傳感器自動地學(xué)習(xí)正常狀況；(ii)通過對當(dāng)前傳感器特征標(biāo)與根據(jù)常態(tài)模型預(yù)測的特征標(biāo)進(jìn)行比較，來自動檢測異常狀況；(iii)允許將多個傳感器組織成傳感器網(wǎng)絡(luò)，由此，多個傳感器可以形成用作超傳感器(meta-sensor)的傳感器組，并可以執(zhí)行傳感器數(shù)據(jù)合成；(iv)提供智能數(shù)據(jù)分析模塊，該模塊對來自傳感器網(wǎng)絡(luò)的數(shù)據(jù)進(jìn)行分析、根據(jù)異常狀況的檢測產(chǎn)生告警、并根據(jù)用戶反饋調(diào)整常態(tài)模型。
根據(jù)本發(fā)明的第一方面，提供了一種分析系統(tǒng)，用于對來自用于監(jiān)測動態(tài)系統(tǒng)的至少一個特征的監(jiān)測系統(tǒng)的數(shù)據(jù)進(jìn)行分析，所述監(jiān)測系統(tǒng)提供關(guān)于動態(tài)系統(tǒng)的特征數(shù)據(jù)，所述動態(tài)系統(tǒng)具有至少一個已知的正常狀態(tài)，該分析系統(tǒng)包括第一輸入裝置，用于從監(jiān)測系統(tǒng)接收特征數(shù)據(jù)；第二輸入裝置，用于當(dāng)該動態(tài)系統(tǒng)處于已知的正常狀態(tài)時，從操作人員接收確認(rèn)信息；常態(tài)建模裝置，被設(shè)置為響應(yīng)于所接收的特征數(shù)據(jù)和確認(rèn)信息來推導(dǎo)出常態(tài)模型，該常態(tài)模型包括表示一個或更多個已知正常狀態(tài)的數(shù)據(jù)；預(yù)測生成裝置，被設(shè)置為根據(jù)常態(tài)模型中的數(shù)據(jù)來預(yù)測未來特征數(shù)據(jù)；差函數(shù)提供裝置，被設(shè)置為提供差函數(shù)，所述差函數(shù)表示在所預(yù)測的未來特征數(shù)據(jù)與所接收的特征數(shù)據(jù)之間的可接受的差；以及比較裝置，被設(shè)置為利用所述差函數(shù)對所預(yù)測的未來特征數(shù)據(jù)與所接收的特征數(shù)據(jù)進(jìn)行比較，并且如果所預(yù)測的未來特征數(shù)據(jù)與所所接收的特征數(shù)據(jù)之間的差超出該差函數(shù)，則產(chǎn)生異常信號。
根據(jù)本發(fā)明的第二方面，提供了一種對來自監(jiān)測系統(tǒng)的數(shù)據(jù)進(jìn)行分析的方法，所述監(jiān)測系統(tǒng)對監(jiān)測動態(tài)系統(tǒng)的至少一個特征進(jìn)行監(jiān)測并提供關(guān)于該動態(tài)系統(tǒng)的特征數(shù)據(jù)，所述動態(tài)系統(tǒng)具有至少一個已知的正常狀態(tài)，該方法包括如下步驟從監(jiān)測系統(tǒng)接收特征數(shù)據(jù)；當(dāng)該動態(tài)系統(tǒng)處于已知的正常狀態(tài)時，從操作人員接收確認(rèn)信息；響應(yīng)于所接收的特征數(shù)據(jù)和確認(rèn)信息推導(dǎo)出常態(tài)模型，該常態(tài)模型包括表明已知正常狀態(tài)的數(shù)據(jù)；響應(yīng)于常態(tài)模型中的數(shù)據(jù)來預(yù)測未來特征數(shù)據(jù)；提供差函數(shù)，所述差函數(shù)表示在所預(yù)測的未來特征與所接收的特征數(shù)據(jù)之間的可接受的差；利用所述差函數(shù)，對所預(yù)測的未來特征數(shù)據(jù)與所接收的特征數(shù)據(jù)進(jìn)行比較；并且如果所預(yù)測的未來特征數(shù)據(jù)與實際所接收的特征數(shù)據(jù)之間的差超出該差函數(shù)，則產(chǎn)生異常信號。
根據(jù)本發(fā)明的系統(tǒng)和方法可以適用于很多類型的動態(tài)系統(tǒng)。該動態(tài)系統(tǒng)可以是有生命的東西(人或其他)，在該情況下，監(jiān)測系統(tǒng)例如可以包括多種醫(yī)療傳感器中的任一種。另選地，該動態(tài)系統(tǒng)可以是機(jī)械系統(tǒng)，制造業(yè)、電力或其它工業(yè)的工廠，計算機(jī)系統(tǒng)，或(更一般地)環(huán)境(例如，由化學(xué)傳感器、溫度傳感器、天氣傳感器和其它傳感器來監(jiān)測)。
本發(fā)明的實施例使得能夠?qū)⒍鄠€傳感器組織成有效的傳感器網(wǎng)絡(luò)。多個傳感器可以形成傳感器組，這些傳感器組通過傳感器數(shù)據(jù)合成來組合來自多個傳感器的數(shù)據(jù)。對于每個傳感器或傳感器組，可以自動建立常態(tài)模型。對于任一傳感器或傳感器組，常態(tài)模型使得系統(tǒng)能夠在缺乏關(guān)于異常狀況的任何知識的情況下來學(xué)習(xí)什么是正常狀況。通過使用常態(tài)模型來預(yù)測待由傳感器或傳感器組觀測的數(shù)據(jù)，并通過對該預(yù)測與實際測量數(shù)據(jù)進(jìn)行比較，系統(tǒng)可以自動檢測異常狀況，而無需從諸如人類專家的操作人員或自動專家系統(tǒng)接收關(guān)于異常狀況的任何確認(rèn)知識。
本發(fā)明的實施例提供了一種“智能”數(shù)據(jù)分析單元，其對來自諸如傳感器網(wǎng)絡(luò)的監(jiān)測系統(tǒng)的數(shù)據(jù)進(jìn)行分析，基于對異常狀況的檢測來使告警產(chǎn)生，并基于與正常狀況有關(guān)的用戶反饋來改進(jìn)常態(tài)模型。如果也可以獲得與異常狀況有關(guān)的一些信息，那么還可以將其用于提高基于根據(jù)正常模型的預(yù)測的檢測精確度，但是，根據(jù)本發(fā)明實施例的系統(tǒng)能夠在沒有來自操作人員的與異常狀況有關(guān)的任何數(shù)據(jù)的情況下，獨(dú)立于該數(shù)據(jù)而進(jìn)行工作。
本發(fā)明的實施例涉及提供一種智能數(shù)據(jù)分析單元(IDA單元)，該單元管理傳感器網(wǎng)絡(luò)，并持續(xù)地分析傳感器數(shù)據(jù)，以自動檢測傳感器數(shù)據(jù)中的異常狀況。該單元包含有用于自動學(xué)習(xí)什么是正常傳感器狀況的機(jī)制。該單元保存有通過適當(dāng)?shù)耐ㄐ攀侄?例如，無線電、互聯(lián)(IP)網(wǎng)、或直接連接)向該單元提交數(shù)據(jù)的傳感器的列表。該單元可以將多個傳感器組織成邏輯傳感器組。傳感器組用作超傳感器，并且可以獨(dú)立于其它傳感器和傳感器組來監(jiān)測該傳感器組。傳感器組包含至少一個傳感器。傳感器網(wǎng)絡(luò)的任意傳感器可以是任意數(shù)量的傳感器組中的一個成員。傳感器網(wǎng)絡(luò)的傳感器向該單元發(fā)送數(shù)據(jù)，并傳感器還可以根據(jù)它們的復(fù)雜性從該網(wǎng)絡(luò)中的其它傳感器接收數(shù)據(jù)并向它們發(fā)送數(shù)據(jù)。
該單元可以與使用戶能夠人工配置傳感器網(wǎng)絡(luò)的傳感器和傳感器組的圖形用戶界面(GUI)相互作用。GUI還可以顯示對傳感器數(shù)據(jù)進(jìn)行的數(shù)據(jù)分析的結(jié)果。該單元從各個傳感器和傳感器組收集數(shù)據(jù)，并對這些數(shù)據(jù)運(yùn)行智能數(shù)據(jù)分析程序。如果數(shù)據(jù)分析程序需要，則該單元還可以使用數(shù)據(jù)合成算法來組合傳感器數(shù)據(jù)。
對于該傳感器網(wǎng)絡(luò)中的任何傳感器，該單元都可以自動學(xué)習(xí)哪些狀況描述正常數(shù)據(jù)。該單元是通過從多個傳感器收集特征標(biāo)來完成這一點的，并且使用該數(shù)據(jù)來建立可以用于預(yù)測未來特征標(biāo)的常態(tài)模型。例如可以使用神經(jīng)網(wǎng)絡(luò)或神經(jīng)模糊學(xué)習(xí)算法(neuro-fuzzy learningalgorithm)來建立該模型。例如可以通過在時刻t取傳感器的最后n個特征標(biāo)(St-n-1、St-n-2、…、St-1、S1)，使用這種學(xué)習(xí)算法來建立常態(tài)模型，然后預(yù)測下一個特征標(biāo)St+1。然后使用預(yù)測特征標(biāo)S’t+1與實際特征標(biāo)St+1之間的差，來改進(jìn)該常態(tài)模型。
如果已知存在一初始時間段，在該時間段中將動態(tài)系統(tǒng)限制為以正常狀況存在，則可以將這樣的時間段用作為“學(xué)習(xí)階段”。在該時間段中，為其創(chuàng)建模型的傳感器系統(tǒng)將僅測量正常數(shù)據(jù)，并且常態(tài)模型將準(zhǔn)確地反映系統(tǒng)工作的正常狀況。在該初始學(xué)習(xí)階段結(jié)束之后，該單元然后可以監(jiān)測傳感器數(shù)據(jù)，并將新特征標(biāo)與在實際監(jiān)測期間根據(jù)該模型獲得的預(yù)測進(jìn)行比較。
然而，根據(jù)本發(fā)明的實施例，嚴(yán)格分隔的“學(xué)習(xí)階段”并不是必需的。只要在對動態(tài)系統(tǒng)的實際監(jiān)測期間可以從操作人員接收與正常狀況有關(guān)的某些確認(rèn)信息，這樣的實施例就能夠根據(jù)在實際監(jiān)測動態(tài)系統(tǒng)期間從監(jiān)測系統(tǒng)接收的數(shù)據(jù)來適當(dāng)?shù)赝茖?dǎo)出并更新這些實施例的常態(tài)模型和/或差函數(shù)。
如果在輸入特征標(biāo)與預(yù)測特征標(biāo)之間的差超出了“可接受的”差電平，則認(rèn)為該輸入特征標(biāo)表示異常情形，并且該單元產(chǎn)生告警。根據(jù)差函數(shù)來確定該“可接受的”差電平，該差函數(shù)可以是簡單的誤差閾值或歐幾里德距離、或可以是更復(fù)雜的函數(shù)。該差函數(shù)可以是預(yù)定的，但是根據(jù)本發(fā)明的優(yōu)選實施例，可以根據(jù)從諸如專家的操作人員或自動專家系統(tǒng)接收的信息來更新差函數(shù)本身。對于常態(tài)模型的更新和改進(jìn)，可以在無需操作人員提供與異常狀況有關(guān)的任何信息的情況下來實現(xiàn)，但是如果這種信息是可用的，則還可以在差函數(shù)的更新過程中使用該信息，以降低例如“錯誤告警”的發(fā)生。
在邊界狀況是未知或不清楚的狀況監(jiān)測情況中，可以與傳感器網(wǎng)絡(luò)一起布設(shè)該單元。對于各個傳感器和傳感器組，該單元將自動學(xué)習(xí)什么是正常狀況，并且如果當(dāng)前輸入的特征標(biāo)與所期望的、預(yù)測的特征標(biāo)不充分相似，則該單元將推斷已經(jīng)達(dá)到了邊界狀況。
可以將根據(jù)本發(fā)明的某些實施例的系統(tǒng)用于分析連續(xù)變化的數(shù)據(jù)。這種數(shù)據(jù)可能是由諸如溫度、壓力、化學(xué)制品濃度等的物理特征的傳感器來提供的。另選地，可以將根據(jù)本發(fā)明其它實施例的系統(tǒng)用于分析例如與獨(dú)立事件的出現(xiàn)有關(guān)的離散數(shù)據(jù)。這種數(shù)據(jù)例如可以由家用告警系統(tǒng)或病人監(jiān)測系統(tǒng)的傳感器來提供。在這樣的實施例中，特征數(shù)據(jù)可能涉及諸如門和窗的開或關(guān)、房間里有人或沒人、燈以及其它設(shè)備的開和關(guān)的離散狀態(tài)或事件，以及其它這樣的事件。在這樣的系統(tǒng)中，可以推導(dǎo)出與操作人員確認(rèn)為是正常的序列有關(guān)的常態(tài)模型，并且可以將這些模型用于根據(jù)接收到的數(shù)據(jù)來預(yù)測事件的未來出現(xiàn)的狀態(tài)或序列。如果實際接收的數(shù)據(jù)表示與那些基于常態(tài)模型預(yù)測的狀態(tài)或序列明顯不同的狀態(tài)或序列，或者如果所預(yù)測的要在一特定時間發(fā)生的事件實際上是在可接受的時間差之外的時間發(fā)生的，則應(yīng)該以與系統(tǒng)分析連續(xù)變化數(shù)據(jù)的方式相對應(yīng)的方式產(chǎn)生告警。
因此，根據(jù)本發(fā)明的第三方面，提供了一種對來自用于監(jiān)測動態(tài)系統(tǒng)的至少一個特征的監(jiān)測系統(tǒng)的數(shù)據(jù)進(jìn)行分析的分析系統(tǒng)，所述監(jiān)測系統(tǒng)提供有關(guān)該動態(tài)系統(tǒng)的特征數(shù)據(jù)，所述動態(tài)系統(tǒng)具有至少一個已知的正常的狀態(tài)序列，所述分析系統(tǒng)包括第一輸入裝置，用于從監(jiān)測系統(tǒng)接收特征數(shù)據(jù)；第二輸入裝置，用于當(dāng)該動態(tài)系統(tǒng)根據(jù)已知的正常的狀態(tài)序列進(jìn)行操作時，從操作人員接收確認(rèn)信息；常態(tài)建模裝置，被設(shè)置成響應(yīng)于所接收的特征數(shù)據(jù)和確認(rèn)信息來推導(dǎo)出常態(tài)模型，該常態(tài)模型包括表明一個或多個已知的正常狀態(tài)序列的數(shù)據(jù)；預(yù)測生成裝置，被設(shè)置成根據(jù)常態(tài)模型中的數(shù)據(jù)來預(yù)測未來特征數(shù)據(jù)；差函數(shù)提供裝置，被設(shè)置成提供差函數(shù)，所述差函數(shù)表示所預(yù)測的未來特征與所接收的特征數(shù)據(jù)之間的可接受的差；以及比較裝置，被設(shè)置成利用所述差函數(shù)，對所預(yù)測的未來特征數(shù)據(jù)與所接收的特征數(shù)據(jù)進(jìn)行比較，如果所預(yù)測的未來特征數(shù)據(jù)與所接收的特征數(shù)據(jù)之間的差超出所述差函數(shù)，則產(chǎn)生異常信號。
另外，根據(jù)本發(fā)明的第四方面，提供了一種對來自監(jiān)測系統(tǒng)的數(shù)據(jù)進(jìn)行分析的方法，所述監(jiān)測系統(tǒng)用于監(jiān)測動態(tài)系統(tǒng)的至少一個特征并提供關(guān)于該動態(tài)系統(tǒng)的特征數(shù)據(jù)，所述動態(tài)系統(tǒng)具有至少一個已知的正常狀態(tài)序列，該方法包括如下步驟從監(jiān)測系統(tǒng)接收特征數(shù)據(jù)；當(dāng)該動態(tài)系統(tǒng)根據(jù)所述已知的正常狀態(tài)序列進(jìn)行操作時，從操作人員接收確認(rèn)信息；響應(yīng)于所接收的特征數(shù)據(jù)和確認(rèn)信息推導(dǎo)出常態(tài)模型，該常態(tài)模型包括表明已知的正常狀態(tài)序列的數(shù)據(jù)；響應(yīng)于常態(tài)模型中的數(shù)據(jù)，預(yù)測未來特征數(shù)據(jù)；提供差函數(shù)，所述差函數(shù)表示所預(yù)測的未來特征與所接收的特征數(shù)據(jù)之間的可接受的差；利用所述差函數(shù)，對所預(yù)測的未來特征數(shù)據(jù)與所實際接收的特征數(shù)據(jù)進(jìn)行比較；并且如果所預(yù)測的未來特征數(shù)據(jù)與所接收的特征數(shù)據(jù)之間的差超出所述差函數(shù)，則產(chǎn)生異常信號。
將注意到根據(jù)第一方面和第三方面的系統(tǒng)與根據(jù)第二方面和第四方面的方法可能重疊。此外，由此實施例還可以包括將各自的兩個方面組合的多個系統(tǒng)或多個方法。
因此，根據(jù)本發(fā)明實施例的IDA單元能夠使用僅與正常狀況有關(guān)的用戶反饋來限定常態(tài)模型。這在如下情況中是必要的，即，如果盡管用戶認(rèn)為情形是正常的，但是產(chǎn)生了告警。如果操作人員可以提供信息，那么該IDA單元還可以使用示例來學(xué)習(xí)特定的告警情形。該IDA單元還可以使用用戶的現(xiàn)有知識來支持并縮短學(xué)習(xí)階段。該用戶可以提供用于描述正常和/或異常情形的模糊規(guī)則，然后，該IDA單元可以針對各個傳感器，使用神經(jīng)模糊學(xué)習(xí)算法來學(xué)習(xí)額外的規(guī)則，和/或改進(jìn)現(xiàn)有規(guī)則。


現(xiàn)在將參照附圖描述本發(fā)明的實施例，在附圖中
圖1至圖4示出了可以根據(jù)狀況監(jiān)測處理使用傳感器特征標(biāo)的方式；圖5是可以在狀況監(jiān)視期間使用的閾值類型的圖示；圖6是從基準(zhǔn)特征標(biāo)中減去輸入特征標(biāo)的圖示；圖7是示出了用于誤差信號的閾值選擇的曲線圖；圖8是傳感器對象的框圖；圖9是傳感器組對象的框圖；圖10是根據(jù)本發(fā)明實施例的數(shù)據(jù)分析單元的圖；圖11是根據(jù)本發(fā)明實施例的數(shù)據(jù)分析單元的圖形用戶界面(GUI)的示例，該示例示出了傳感器的屬性；圖12是根據(jù)本發(fā)明實施例的數(shù)據(jù)分析單元的圖形用戶界面(GUI)的示例，該示例示出了傳感器網(wǎng)絡(luò)；圖13是表示建立根據(jù)本發(fā)明的數(shù)據(jù)分析的常態(tài)模型的流程圖；圖14是表示在根據(jù)本發(fā)明的數(shù)據(jù)分析期間通過使用常態(tài)模型來檢測異常狀況的流程圖；圖15示出了多個常態(tài)模型中的一個常態(tài)模型是如何形成的。
具體實施例方式
參照圖8到10，示出了用于傳感器網(wǎng)絡(luò)的智能數(shù)據(jù)分析(IDA)單元10。該單元負(fù)責(zé)收集、管理和分析來自分級構(gòu)成的傳感器網(wǎng)絡(luò)的數(shù)據(jù)。該IDA單元10允許用戶將傳感器添加到網(wǎng)絡(luò)或從網(wǎng)絡(luò)中去除傳感器、將這些傳感器組織成組、配置這些傳感器并分析這些傳感器產(chǎn)生的數(shù)據(jù)。IDA單元10允許通過學(xué)習(xí)傳感器數(shù)據(jù)中的正常/異常模式來進(jìn)行自動的數(shù)據(jù)分析。在檢測到異常模式時自動發(fā)出告警。用戶可以通過為各個傳感器指定規(guī)則，來配置該單元的學(xué)習(xí)和分析特征。根據(jù)需要，該單元還提供對歷史傳感器數(shù)據(jù)的分析并且生成報告。
IDA單元10的功能可以包括-向GUI提供輸出，該GUI使得用戶能夠配置并分析傳感器數(shù)據(jù)；-通過將多個傳感器組織成傳感器組，來管理傳感器網(wǎng)絡(luò)；-存取并智能地預(yù)處理傳感器數(shù)據(jù)；
-連續(xù)地自動分析傳感器數(shù)據(jù)；-根據(jù)有關(guān)的傳感器數(shù)據(jù)的分析結(jié)果和指定的狀況來產(chǎn)生告警；-學(xué)習(xí)傳感器數(shù)據(jù)中的正常/異常模式，并預(yù)測告警；以及-報告。
傳感器和傳感器組傳感器是持續(xù)地將數(shù)據(jù)提交給該系統(tǒng)或按照需求提供數(shù)據(jù)的實體。數(shù)據(jù)傳送不是IDA單元的部分功能。該IDA單元存取提供傳感器數(shù)據(jù)的流。邏輯傳感器存儲池層經(jīng)由適當(dāng)?shù)膮f(xié)議(HTTP、RMI等等)對那些流進(jìn)行存取。
參照圖8和9，多個傳感器可以單獨(dú)地起作用或者可被組成傳感器組起作用。每個傳感器都可能是任意多個傳感器組的其中一個成員。傳感器組可以包括傳感器和傳感器組兩者，由此形成定向的非循環(huán)圖。該分層結(jié)構(gòu)的傳感器樹類似于文件系統(tǒng)的目錄樹。可以將傳感器認(rèn)為是傳感器樹的葉節(jié)點，而傳感器組是內(nèi)部節(jié)點而不可能是葉節(jié)點。(即，從每個傳感器組都有一條到傳感器節(jié)點的路徑)。即使傳感器或傳感器組看似若干個其它傳感器組的一個成員，但它在該系統(tǒng)中僅可以存在一次。將節(jié)點簡單地稱為傳感器或傳感器組。如果對于傳感器或傳感器組不存在基準(zhǔn)，則可以從該系統(tǒng)去除對應(yīng)的對象。
圖8表示傳感器對象的主要特性。該傳感器提供了可以經(jīng)由傳感器接口82接通或斷開的數(shù)據(jù)流88。該傳感器對象提供了特征提取用裝置86和數(shù)據(jù)分析用裝置84。將這種內(nèi)部數(shù)據(jù)分析的主函數(shù)的復(fù)雜性降低，以減小對主數(shù)據(jù)分析模塊的影響。該主函數(shù)可用于計算數(shù)據(jù)的總和，或管理數(shù)據(jù)流并產(chǎn)生告警。根據(jù)對應(yīng)傳感器硬件的特征，可以在實際的傳感器中采用部分特征提取和分析。如果該傳感器硬件僅提供數(shù)據(jù)流，則IDA單元10(參見圖10)可以提供必要的特征提取和分析。
傳感器組(參見圖9)使得能夠形成具有多于一個數(shù)據(jù)信道的邏輯傳感器。用戶可以指定可適用于傳感器組的所有成員的規(guī)則。傳感器組可以合成并分析由其成員提供的數(shù)據(jù)(已經(jīng)過預(yù)處理)。根據(jù)分析結(jié)果，傳感器組可以重新配置其成員。傳感器組經(jīng)由分析界面提供對其配置和分析結(jié)果的訪問。
IDA和GUIIDA單元10提供管理和分析功能，并輸出給圖形用戶界面101。IDA單元10包含與監(jiān)測系統(tǒng)的傳感器和/或傳感器組的接口100；和用于傳感器管理的模塊102，其可以存取傳感器庫103。用戶可以經(jīng)由傳感器管理模塊102將傳感器增加并配置到傳感器樹。如果一個傳感器是傳感器庫103的一部分，則可以預(yù)先配置該傳感器，從而減少用戶建立該傳感器所必需的工作量。
該單元的IDA模塊105負(fù)責(zé)分析所有傳感器和傳感器組數(shù)據(jù)。根據(jù)由傳感器和傳感器組已執(zhí)行的數(shù)據(jù)分析的量，IDA模塊105處理從自低電平傳感器數(shù)據(jù)和特征標(biāo)直到所計算出的實際數(shù)據(jù)的統(tǒng)計和的所有事務(wù)。在下文中，將使用“傳感器信息”一詞來表示由傳感器和傳感器組提供的數(shù)據(jù)和分析結(jié)果。
該IDA模塊105提供可應(yīng)用于傳感器信息的多種分析方法。該IDA模塊105還對傳感器和傳感器組提供的分析方法提供訪問。該IDA模塊包括若干學(xué)習(xí)方法，以使得能夠自動識別正常和異常的傳感器信息，下面將詳細(xì)說明。該IDA模塊105可以訪問狀況庫104，可從該狀況庫104檢索到可應(yīng)用于某些類型的已知傳感器的規(guī)則。
該GUI 101提供對該系統(tǒng)的所有功能的訪問。該GUI 101允許用戶增加、去除和配置傳感器和傳感器組，并且顯示該傳感器樹(參見圖11和12)。通過操縱傳感器樹，該用戶能夠訪問各個對象，配置各個對象并檢索與各個對象有關(guān)的信息。
常態(tài)模型參照圖10和13，IDA單元10的IDA模塊105使用常態(tài)模型來檢測傳感器特征標(biāo)中的異常狀況。根據(jù)常態(tài)模型，基于特征標(biāo)St和來自最后n次步驟中的可能更早的特征標(biāo)，來生成對時刻t+1的特征標(biāo)的預(yù)測S’t+1。然后IDA模塊105將預(yù)測特征標(biāo)S’t+1與實際測量的St+1作比較。如果差(誤差)超過特定量，則該單元產(chǎn)生使產(chǎn)生告警的信號。
圖13示出了在能夠使用“學(xué)習(xí)階段“的情況下建立常態(tài)模型的處理。在這種情況下，一定已知將存在一初始時間段，在該時間段中，已知將動態(tài)系統(tǒng)限制為以正常狀況存在?？梢愿鶕?jù)任何機(jī)器學(xué)習(xí)方法(例如像神經(jīng)網(wǎng)絡(luò)，神經(jīng)-模糊系統(tǒng)，回歸樹(regression tree)等)來建立常態(tài)模型。該常態(tài)模型基于最后n個測得的特征標(biāo)來預(yù)測下一個特征標(biāo)。在圖13中，選擇n＝1。將一個特征標(biāo)表示為實數(shù)的向量。使用估計裝置來計算所預(yù)測的特征標(biāo)與實際的下一個特征標(biāo)之間的誤差。對于多維向量，可以根據(jù)歐幾里德距離來計算該誤差，或者可以使用更復(fù)雜的函數(shù)。然后，將該誤差反饋到常態(tài)模型，并且用于訓(xùn)練該模型，以使得下一個預(yù)測更加準(zhǔn)確。對于基于神經(jīng)網(wǎng)絡(luò)的常態(tài)模型，使用例如像反向傳播或彈性傳播的學(xué)習(xí)算法。如果該模型是基于神經(jīng)模糊系統(tǒng)，則可以使用基于神經(jīng)模糊功能近似(NEFPROX)的學(xué)習(xí)算法。這些學(xué)習(xí)算法可以在線操作，即這些學(xué)習(xí)算法可以在訓(xùn)練期間收集訓(xùn)練數(shù)據(jù)。如果這些學(xué)習(xí)算法不能在線操作，則IDA收集適當(dāng)數(shù)量的特征標(biāo)，以形成訓(xùn)練集，然后對常態(tài)模型進(jìn)行訓(xùn)練。能夠?qū)⑦@種方法用于例如回歸樹，這是因為用于回歸樹的歸納算法以脫機(jī)方式運(yùn)行，并且期望在學(xué)習(xí)開始之前獲得所有的訓(xùn)練數(shù)據(jù)。
在訓(xùn)練了常態(tài)模型并且能夠根據(jù)在前的n個特征標(biāo)成功地預(yù)測下一個傳感器特征標(biāo)之后，可使用該常態(tài)模型來檢測異常狀況。圖14的流程圖示出了根據(jù)本發(fā)明優(yōu)選實施例的利用常態(tài)模型的數(shù)據(jù)分析和異常狀態(tài)的檢測。首先，來參照該流程圖的主要步驟，在步驟141和141’處，從監(jiān)測系統(tǒng)接收表明特性數(shù)據(jù)的連續(xù)特征標(biāo)St。在步驟144，根據(jù)在收到最近特征標(biāo)之前的常態(tài)模型中的數(shù)據(jù)來預(yù)測S’t。應(yīng)當(dāng)注意，可以在最近的特征標(biāo)接收步驟141’之前或之后來執(zhí)行預(yù)測步驟144。在步驟145，將表示在最近實際接收到的特征標(biāo)與所預(yù)測的特征標(biāo)之間的距離的函數(shù)(s，s’)與差函數(shù)θ進(jìn)行比較。下面將更加詳細(xì)地討論差函數(shù)θ的形式。如果該距離d(s，s’)大于差函數(shù)θ，則認(rèn)為當(dāng)前狀況為異常，并且該系統(tǒng)會使告警產(chǎn)生(步驟146)。該告警的嚴(yán)重程度可以取決于為偏差的大小，也可以取決于在某一時間間隔上的偏差數(shù)目。一旦接收到該告警，將該告警識別為錯誤的操作人員(因為當(dāng)前條件為正常)向該系統(tǒng)提供表明實際上當(dāng)前狀況為正常的確認(rèn)信號(步驟147)，在該情況下，判定需要更新該常態(tài)模型(步驟148)。如果響應(yīng)于告警，沒有從操作人員接收到這樣的確認(rèn)信號，則判定該告警正確地表明了異常情形。
盡管上面一段描述了一個實施例，在該實施例中可以響應(yīng)于所接收的特征標(biāo)和確認(rèn)信息，即時地更新常態(tài)模型，但是應(yīng)當(dāng)注意，根據(jù)本發(fā)明的某些實施例，可以通過更新差函數(shù)θ的形式來替代地實現(xiàn)對該系統(tǒng)的即時調(diào)整。差函數(shù)θ的最簡單的形式可以是簡單的誤差閾值或者歐幾里德距離，但也可以是依從于諸如前面接收的數(shù)據(jù)、與時間有關(guān)的因素、前面產(chǎn)生的告警數(shù)量等因素的更復(fù)雜的函數(shù)?？梢愿鶕?jù)從諸如專家的操作人員或自動專家系統(tǒng)接收的信息來更新差函數(shù)，并且根據(jù)優(yōu)選實施例，該差函數(shù)可以是模糊邏輯規(guī)則基礎(chǔ)(fuzzy logic rule-base)的確定依據(jù)。
顯然，盡管更新常態(tài)模型和更新差函數(shù)的效果可以相互補(bǔ)充，并且在這兩者都最適合的情況下優(yōu)選的實施例是常態(tài)模型和差函數(shù)二者都可以被更新，但是對于某些應(yīng)用，更新二者中的一個而不更新另一個的實施方式，以及對二者都不更新的實施方式也是足夠的。
也可以根據(jù)可選擇的狀況庫來檢測異常狀況，在預(yù)測步驟和將特征標(biāo)與常態(tài)模型進(jìn)行比較步驟之前或之后查閱該可選擇的狀況庫。如果在前的異常狀態(tài)是已知的并且已被存儲，則可以將當(dāng)前的特征標(biāo)與那些狀況進(jìn)行比較，如果當(dāng)前特征標(biāo)與所存儲的狀況中的一個相匹配，則可以產(chǎn)生告警。如果操作人員接受了該告警，則可以更新該狀況庫。因此，可以隨時間來收集異常狀況，并將這些異常狀況用于補(bǔ)充常態(tài)模型。在圖14的流程圖中的步驟142、143和149示出了使用這種狀況庫來檢測已知的異常狀況。在特征標(biāo)預(yù)測步驟(144)和比較步驟(145)(將實際接收的特征標(biāo)與預(yù)測特征標(biāo)之間的距離d(s，s’)與差函數(shù)θ進(jìn)行比較)之前示出的步驟142中，將接收到的特征標(biāo)與存儲在狀況庫中的特征標(biāo)進(jìn)行比較，但是應(yīng)當(dāng)注意，步驟142和143可以在步驟144和步驟145之后執(zhí)行。如果最近檢測的特征標(biāo)與存儲在狀況庫中的作為已知異常特征標(biāo)的這些特征標(biāo)之一充分匹配，則在步驟143產(chǎn)生告警。在操作人員在步驟146中接受系統(tǒng)在步驟143產(chǎn)生的告警的情況下(這被看作為確認(rèn)，即，系統(tǒng)認(rèn)為是異常的狀況也被操作人員診斷為異常)，執(zhí)行狀況庫的更新(步驟149)。除了常態(tài)模型的更新和/或差函數(shù)的更新之外，還可以進(jìn)行這樣的更新。
對于單個傳感器或傳感器組、以及對一個完整的傳感器網(wǎng)絡(luò)來說，都可以使用常態(tài)模型。參照圖15，如果從這樣的系統(tǒng)接收數(shù)據(jù)，即獨(dú)立于其它系統(tǒng)來分析由某些傳感器或傳感器組所監(jiān)測的該系統(tǒng)的特征，則可能適合于形成分級的常態(tài)模型。與分離的傳感器或傳感器組相關(guān)聯(lián)地創(chuàng)建的第一級常態(tài)模型152中的每一個模型都提供等效于告警狀態(tài)或傳感器信號的輸出，并且分析系統(tǒng)可將這些輸出看作特征數(shù)據(jù)，并使用這些數(shù)據(jù)來推導(dǎo)出“多個常態(tài)模型中的一個常態(tài)模型”154，以根據(jù)本發(fā)明來分析數(shù)據(jù)。
除非上下文清楚地要求，否則，在整個說明書和權(quán)利要求書中，將詞語“包括(comprise)”、“包括(comprising)”等解釋為與排他或窮舉的意思相反的包含的意思，即，意思是“包括，而不是限于”。
權(quán)利要求
1.一種分析系統(tǒng)，用于對來自用于監(jiān)測動態(tài)系統(tǒng)的至少一個特征的監(jiān)測系統(tǒng)的數(shù)據(jù)進(jìn)行分析，所述監(jiān)測系統(tǒng)提供關(guān)于所述動態(tài)系統(tǒng)的特征數(shù)據(jù)，所述動態(tài)系統(tǒng)具有至少一個已知的正常狀態(tài)，所述分析系統(tǒng)包括第一輸入裝置，用于從所述監(jiān)測系統(tǒng)接收特征數(shù)據(jù)；第二輸入裝置，用于當(dāng)所述動態(tài)系統(tǒng)處于所述已知的正常狀態(tài)時，從操作人員接收確認(rèn)信息；常態(tài)建模裝置，被設(shè)置為響應(yīng)于所接收的特征數(shù)據(jù)和確認(rèn)信息來推導(dǎo)出常態(tài)模型，該常態(tài)模型包括表明一個或多個已知正常狀態(tài)的數(shù)據(jù)；預(yù)測生成裝置，被設(shè)置為根據(jù)所述常態(tài)模型中的數(shù)據(jù)來預(yù)測未來特征數(shù)據(jù)；差函數(shù)提供裝置，被設(shè)置為提供差函數(shù)，所述差函數(shù)表明所預(yù)測的未來特征數(shù)據(jù)與所接收的特征數(shù)據(jù)之間的可接受的差；以及比較裝置，被設(shè)置為利用所述差函數(shù)，對所預(yù)測的未來特征數(shù)據(jù)與所接收的特征數(shù)據(jù)進(jìn)行比較，如果所預(yù)測的未來特征數(shù)據(jù)與所接收的特征數(shù)據(jù)之間的差超出所述差函數(shù)，則產(chǎn)生異常信號。
2.一種分析系統(tǒng)，用于對來自用于監(jiān)測動態(tài)系統(tǒng)的至少一個特征的監(jiān)測系統(tǒng)的數(shù)據(jù)進(jìn)行分析，所述監(jiān)測系統(tǒng)提供關(guān)于所述動態(tài)系統(tǒng)的特征數(shù)據(jù)，所述動態(tài)系統(tǒng)具有至少一個已知的正常狀態(tài)序列，所述分析系統(tǒng)包括第一輸入裝置，用于從所述監(jiān)測系統(tǒng)接收特征數(shù)據(jù)；第二輸入裝置，用于當(dāng)該動態(tài)系統(tǒng)根據(jù)已知的正常狀態(tài)序列進(jìn)行操作時，從操作人員接收確認(rèn)信息；常態(tài)建模裝置，被設(shè)置為響應(yīng)于所接收的特征數(shù)據(jù)和確認(rèn)信息來推導(dǎo)出常態(tài)模型，該常態(tài)模型包括表明一個或多個已知的正常狀態(tài)序列的數(shù)據(jù)；預(yù)測生成裝置，被設(shè)置為根據(jù)常態(tài)模型中的數(shù)據(jù)來預(yù)測未來特征數(shù)據(jù)；差函數(shù)提供裝置，被設(shè)置為提供差函數(shù)，所述差函數(shù)表明所預(yù)測的未來特征與所接收的特征數(shù)據(jù)之間的可接受的差；以及比較裝置，被設(shè)置為利用所述差函數(shù)，對所預(yù)測的未來特征數(shù)據(jù)與所接收的特征數(shù)據(jù)進(jìn)行比較，并且如果所預(yù)測的未來特征數(shù)據(jù)與所接收的特征數(shù)據(jù)之間的差超出所述差函數(shù)，則產(chǎn)生異常信號。
3.根據(jù)權(quán)利要求1或2所述的分析系統(tǒng)，其中所述差函數(shù)提供裝置提供預(yù)定的差函數(shù)。
4.根據(jù)權(quán)利要求1、2或3所述的分析系統(tǒng)，其中所述差函數(shù)提供裝置包括差函數(shù)推導(dǎo)裝置，用于根據(jù)所接收的特征信息和確認(rèn)信息的有或無來推導(dǎo)差函數(shù)。
5.根據(jù)權(quán)利要求1、2、3或4所述的分析系統(tǒng)，其中所述差函數(shù)提供裝置包括差函數(shù)更新裝置，如果響應(yīng)于異常信號而從操作人員接收到所述動態(tài)系統(tǒng)處于正常狀態(tài)的確認(rèn)信息，則所述差函數(shù)更新裝置對所述差函數(shù)進(jìn)行更新。
6.根據(jù)前述任一項權(quán)利要求所述的分析系統(tǒng)，其中所述差函數(shù)提供裝置使用模糊邏輯。
7.根據(jù)前述任一項權(quán)利要求所述的分析系統(tǒng)，其中所述常態(tài)建模裝置包括常態(tài)模型更新裝置，用于響應(yīng)于所接收的特征數(shù)據(jù)和來自操作人員的確認(rèn)信息的有或無，來更新常態(tài)模型。
8.根據(jù)前述任一項權(quán)利要求所述的分析系統(tǒng)，其中所述常態(tài)模型是模糊系統(tǒng)。
9.根據(jù)前述任一項權(quán)利要求所述的分析系統(tǒng)，還包括異常狀態(tài)存儲裝置，用于存儲表明一個或多個已知異常狀態(tài)的數(shù)據(jù)；以及異常比較裝置，用于將所接收的特征數(shù)據(jù)與所述異常狀態(tài)存儲裝置中的數(shù)據(jù)進(jìn)行比較，如果所接收的特征數(shù)據(jù)與所述異常狀態(tài)存儲裝置中的所述數(shù)據(jù)匹配，則產(chǎn)生異常信號。
10.一種對來自監(jiān)測系統(tǒng)的數(shù)據(jù)進(jìn)行分析的方法，所述監(jiān)測系統(tǒng)對動態(tài)系統(tǒng)的至少一個特征進(jìn)行監(jiān)測并提供關(guān)于該動態(tài)系統(tǒng)的特征數(shù)據(jù)，所述動態(tài)系統(tǒng)具有至少一個已知的正常狀態(tài)，該方法包括如下步驟從所述監(jiān)測系統(tǒng)接收特征數(shù)據(jù)；當(dāng)所述動態(tài)系統(tǒng)處于已知的正常狀態(tài)時，從操作人員接收確認(rèn)信息；響應(yīng)于所接收的特征數(shù)據(jù)和確認(rèn)信息推導(dǎo)常態(tài)模型，所述常態(tài)模型包括表明已知正常狀態(tài)的數(shù)據(jù)；響應(yīng)于所述常態(tài)模型中的數(shù)據(jù)來預(yù)測未來特征數(shù)據(jù)；提供差函數(shù)，所述差函數(shù)表示所預(yù)測的未來特征與所接收的特征數(shù)據(jù)之間的可接受的差；結(jié)合所述差函數(shù)，將所預(yù)測的未來特征數(shù)據(jù)與所實際接收的特征數(shù)據(jù)進(jìn)行比較；以及如果所預(yù)測的未來特征數(shù)據(jù)與所實際接收的特征數(shù)據(jù)之間的所述差超出所述差函數(shù)，則產(chǎn)生異常信號。
11.一種對來自監(jiān)測系統(tǒng)的數(shù)據(jù)進(jìn)行分析的方法，所述監(jiān)測系統(tǒng)對動態(tài)系統(tǒng)的至少一個特征進(jìn)行監(jiān)測并提供關(guān)于該動態(tài)系統(tǒng)的特征數(shù)據(jù)，所述動態(tài)系統(tǒng)具有至少一個已知的正常狀態(tài)序列，該方法包括如下步驟從所述監(jiān)測系統(tǒng)接收特征數(shù)據(jù)；當(dāng)所述動態(tài)系統(tǒng)根據(jù)已知的正常狀態(tài)序列進(jìn)行操作時，從操作人員接收確認(rèn)信息；響應(yīng)于所接收的特征數(shù)據(jù)和確認(rèn)信息推導(dǎo)常態(tài)模型，該常態(tài)模型包括表明已知的正常狀態(tài)序列的數(shù)據(jù)；響應(yīng)于常態(tài)模型中的數(shù)據(jù)來預(yù)測未來特征數(shù)據(jù)；提供差函數(shù)，所述差函數(shù)表示所預(yù)測的未來特征與所接收的特征數(shù)據(jù)之間的可接受的差；結(jié)合所述差函數(shù)，對所預(yù)測的未來特征數(shù)據(jù)與所接收的特征數(shù)據(jù)進(jìn)行比較；以及如果所預(yù)測的未來特征數(shù)據(jù)與所接收的特征數(shù)據(jù)之間的差超出所述差函數(shù)，則產(chǎn)生異常信號。
全文摘要
對來自用于監(jiān)測動態(tài)系統(tǒng)的特征的監(jiān)測系統(tǒng)的數(shù)據(jù)進(jìn)行分析的方法和系統(tǒng)，所述監(jiān)測系統(tǒng)提供關(guān)于具有至少一個已知正常狀態(tài)的動態(tài)系統(tǒng)的特征數(shù)據(jù)，所述分析系統(tǒng)包括用于從所述監(jiān)測系統(tǒng)接收特征數(shù)據(jù)的裝置(100)；用于當(dāng)所述動態(tài)系統(tǒng)處于已知的正常狀態(tài)時，從操作人員接收確認(rèn)信息的裝置(101)；常態(tài)建模裝置(105)，用于響應(yīng)于所接收的特征數(shù)據(jù)和確認(rèn)信息來推導(dǎo)出常態(tài)模型，該常態(tài)模型包括表明已知的正常狀態(tài)的數(shù)據(jù)；預(yù)測生成裝置(105)，用于根據(jù)所述常態(tài)模型來預(yù)測未來特征數(shù)據(jù)；差函數(shù)提供裝置(105)，用于提供差函數(shù)，所述差函數(shù)表明所預(yù)測的特征數(shù)據(jù)與所接收的特征數(shù)據(jù)之間的可接受的差；以及比較裝置(105)，用于結(jié)合所述差函數(shù)，對所預(yù)測的特征數(shù)據(jù)與所接收的特征數(shù)據(jù)進(jìn)行比較，并且如果所述差超出差函數(shù)，則產(chǎn)生異常信號。
文檔編號G05B23/02GK1768311SQ200480008990
公開日2006年5月3日 申請日期2004年3月12日 優(yōu)先權(quán)日2003年3月31日
發(fā)明者德特勒夫·丹尼爾·瑙克, 貝南·阿斯文, 馬丁·斯波特 申請人:英國電訊有限公司