專利名稱：：用于對資產(chǎn)系統(tǒng)進行高級狀況監(jiān)視的系統(tǒng)和方法
技術(shù)領(lǐng)域：
：本發(fā)明一般涉及基于狀況的維護(CBM)，具體來說涉及使用智能傳感器對資產(chǎn)進行高級狀況監(jiān)視以改善資產(chǎn)維護的靈活性和響應(yīng)度，增加資產(chǎn)的運作可用性以及減少資產(chǎn)的生命周期總擁有成本。
背景技術(shù)：
：有數(shù)十億(billion)美元投入到固定廠房設(shè)備中，這對支持工業(yè)和基礎(chǔ)設(shè)施活動起著至關(guān)重要且時間迫切的作用。必不可少地，應(yīng)迅速地識別這些設(shè)備的退化，以便在退化的設(shè)備失效且嚴重地影響它們所屬的系統(tǒng)的效率，甚至更嚴重地導(dǎo)致物理損傷大大延伸到失效設(shè)備之外前隔離或維修它們。多年以來，維護不斷發(fā)展，從單純對設(shè)備故障進行反應(yīng)(更正性維護)，到執(zhí)行基于時間的預(yù)防性維護，再到目前基于系統(tǒng)/資產(chǎn)的狀況關(guān)注執(zhí)行維護的需求(基于狀況的維護)。異常檢測是設(shè)備監(jiān)視、故障診斷和系統(tǒng)預(yù)測中的關(guān)鍵任務(wù)。它包括監(jiān)視系統(tǒng)狀態(tài)的變動以檢測故障行為。對異常的早期檢測將能夠在潛在故障進一步發(fā)展，導(dǎo)致繼發(fā)損壞以及設(shè)備停機之前采取及時維護措施。現(xiàn)有的異常檢測方法通常利用單變量技術(shù)來檢測單個傳感器測量中的變動。但是，通常，系統(tǒng)的狀態(tài)由一起考慮的多種傳感器測量值之間的相互作用和相互關(guān)系來表征。越來越需要基于狀況的維護(CBM)以改進維護的靈活性和響應(yīng)度，增加運作可用性，和減少壽命周期總擁有成本。
發(fā)明內(nèi)容簡言之，一種用于對資產(chǎn)系統(tǒng)進行高級狀況監(jiān)視的方法包括如下步驟將資產(chǎn)系統(tǒng)的工作空間分成多個工作狀態(tài)(operatingregime);使用多個自聯(lián)想神經(jīng)網(wǎng)絡(luò)(AANN)來確定多個工作狀態(tài)的至少一個工作狀態(tài)中至少一個傳感器感測的實際值的估算；從多個自聯(lián)想神經(jīng)網(wǎng)絡(luò)的每一個自聯(lián)想神經(jīng)網(wǎng)絡(luò)確定估算的感測值與至少一個傳感器感測的實際值之間的殘差(residual);以及使用模糊監(jiān)控模型混合器組合這些殘差；對組合的殘差執(zhí)行故障診斷；通過分析組合的殘差確定資產(chǎn)系統(tǒng)的工作的變動；以及如果已確定資產(chǎn)系統(tǒng)的工作的變動，則提供告警。在本發(fā)明的另一個方面中，一種智能傳感器系統(tǒng)包括用于監(jiān)視資產(chǎn)系統(tǒng)的工作狀況的智能傳感器，該智能傳感器經(jīng)電纜連接到輸入端口；以及用于使用上一個段落引述的方法對資產(chǎn)系統(tǒng)進行高級狀況監(jiān)視的板載(on-board)處理單元。當參考附圖閱讀下文的詳細描述時，將更好地理解本發(fā)明的這些和其他特征、方面和優(yōu)點，在所有這些附圖中相似符號表示相似的部件，其中圖1圖示根據(jù)本發(fā)明的一個實施例的高級狀況監(jiān)視設(shè)備的示意圖。圖2是操作員控制設(shè)定序列的流程圖。圖3A是來自渦輪風(fēng)扇發(fā)動機的歸一化時間序列傳感器數(shù)據(jù)，其中在序列結(jié)束時大修。圖3B表示用于對圖3A的歸一化時間序列應(yīng)用的變動檢測的HotellingT2統(tǒng)計的計算的輸出。圖4圖示使用峰度識別偏離正常。圖5圖示6個系統(tǒng)監(jiān)視器的仿真數(shù)據(jù)。圖6使用彩色編碼圖顯示各個變量對HotellingT2的貢獻。圖7示出使用熵和少數(shù)決定測量的異常值識別。圖8是傳感器故障的數(shù)據(jù)生成的圖表，其中左邊圖表中顯示正常傳感器測量，而右邊圖表中插進各個傳感器故障(讀數(shù)偏移)，其中以紅色箭頭指示。圖9(A)是變量貢獻矩陣的顯示，其中突出顯示的點指示對高f計分有責任的傳感器。圖9(B)是HotellingT2統(tǒng)計的圖表，其中尖峰T2值指示傳感器讀數(shù)中的異常。圖10示出系統(tǒng)故障的數(shù)據(jù)生成，其中在系統(tǒng)故障的情況下生成虛線后的數(shù)據(jù)點。圖11是變量貢獻矩陣的顯示，其中突出顯示的點指示對高T2計分有責任的傳感器。圖12是HotellingT2統(tǒng)計的圖表，其中高的T2值指示傳感器測量中的異常。圖13是7-5-3-5-7自聯(lián)想神經(jīng)網(wǎng)絡(luò)(AANN)的體系結(jié)構(gòu)的示意圖。圖14是使用AANN的異常檢測范例的示意圖。圖15(A)是典型原始傳感器測量XI(t).....X9(t)的樣本的顯示。圖15(B)是與圖15(A)的原始傳感器測量Xl(t).....X9(t)對應(yīng)的殘差值Rl(t).....R9(t)的圖表。圖16示出在測量第5個變量的傳感器數(shù)據(jù)中插入大階梯函數(shù)之后的殘差值。圖17是使用飛行包絡(luò)的不同工作狀態(tài)的圖示。圖18(a)-(c)示出來自不同工作狀態(tài)的測試集上的不同AANN模型的殘差。圖19(a)-(c)示出來自不同工作狀態(tài)的測試集上的全局AANN模型的殘差。圖20(a)和20(b)是系統(tǒng)工作狀態(tài)的轉(zhuǎn)變的圖示。圖21(a)和21(b)分別是定義飛行工作狀態(tài)的變量的飛行狀態(tài)轉(zhuǎn)變和模糊隸屬函數(shù)的圖示。圖22是通過模糊監(jiān)控模型的AANN內(nèi)插的方案的示意圖。圖23(A)和23(B)是飛行狀態(tài)沿著圖20(A)和圖20(B)中定義的軌跡轉(zhuǎn)變時來自AANN_1和AANN_2的殘差的圖表，以及圖23(C)是來自模糊監(jiān)控模型的殘差的圖表。圖24是在上方坐標軸系上將"當前"點與"過去"比較的時間序列故障檢測的通用方法的圖表，以及在下方坐標軸上未使用小的緩沖區(qū)(buffer)使差異更明顯。圖25(A)-(C)是初始數(shù)據(jù)的置換(permutation)檢驗的圖示；隨機再貼標簽(relabeling)的一種實現(xiàn)，分別用于100000個置換(實線)和原始排序(虛線)的檢驗統(tǒng)計量的分布。圖26是圖示帶有在紅線處發(fā)生偏移變動的時間序列的單變量變動檢測的示例的圖表，并且如果虛線是每種技術(shù)的告警閾值，則圓圈點是檢測到變動的位置。部件列表10智能傳感器系統(tǒng)ll板載處理單元12智能傳感器14電纜16輸入端口18顯示和告警單元20輸出端口22局部控制24無線通信單元26外圍處理設(shè)備28電源30輸入端口具體實施例方式參考附圖，在所有不同視圖中完全相同的引用數(shù)字表示相同的組件，圖1圖示根據(jù)本發(fā)明實施例的智能傳感器系統(tǒng)10，該智能傳感器系統(tǒng)10具有對一件或多件設(shè)備(未示出)(例如渦輪、電動機等)進行高級狀況監(jiān)視的一個或多個智能傳感器12。正如本文定義的，一件或多件設(shè)備包括資產(chǎn)系統(tǒng)(未示出)。在圖示的實施例中，四個傳感器12監(jiān)視要由智能傳感器系統(tǒng)IO監(jiān)視的資產(chǎn)系統(tǒng)的一件或多件設(shè)備的關(guān)注物理參數(shù)的工作狀況。智能傳感器系統(tǒng)10監(jiān)視的工作狀況包括但不限于壓力、溫度、振動等。將認識到，本發(fā)明不局限于傳感器12的此數(shù)量，而是可以通過用于監(jiān)視資產(chǎn)系統(tǒng)的任何期望數(shù)量的傳感器來實施本發(fā)明。而且，還將認識到本發(fā)明不局限于監(jiān)視關(guān)注物理參數(shù)的工作狀況的傳感器，而是可以通過監(jiān)視具有可由傳感器12測量的任何狀況的任何裝置、器件或系統(tǒng)的傳感器來實施本發(fā)明。資產(chǎn)系統(tǒng)可以包括具有設(shè)備標簽(未示出)的設(shè)備，設(shè)備標簽識別正在被系統(tǒng)10監(jiān)視的設(shè)備。產(chǎn)生來自傳感器12的信號并由電纜14將其傳輸?shù)街悄軅鞲衅飨到y(tǒng)10的輸入端口16。對于多個傳感器12可以有單個輸入端口16，或?qū)τ诿總€傳感器12可以有單個輸入端口16。智能傳感器系統(tǒng)10可以具有顯示和告警單元18，除了分析器設(shè)置外，顯示和告警單元18上還可以顯示計算結(jié)果或啟動告警。計算結(jié)果也可通過輸出端口20提供。智能傳感器系統(tǒng)10還由一個或多個局部控制22來控制，一個或多個局部控制22可以由操作員手工設(shè)置。還可以通過經(jīng)過輸入端口30輸入的指令來控制系統(tǒng)10，并且還可以對系統(tǒng)IO進行編程。系統(tǒng)10包括具有內(nèi)置天線(未示出)的無線通信單元24，用于以無線方式將來自智能傳感器10的信號傳送到外圍處理設(shè)備26(例如個人計算機等)。此特征使得能夠通過因特網(wǎng)或其他有線或無線網(wǎng)絡(luò)進行遠程操作。系統(tǒng)10還包括電源28，例如電池、能量收集器(energyharvester)等。多個這種智能傳感器系統(tǒng)10以遠程方式與外圍處理設(shè)備26通信，可以采用分布式方式來部署以便在廣泛分布式系統(tǒng)(例如，發(fā)電廠、基礎(chǔ)設(shè)施資產(chǎn))上實現(xiàn)高級狀況監(jiān)視?？梢酝ㄟ^兩個不同的群體(party)來對智能傳感器系統(tǒng)10編程以對資產(chǎn)系統(tǒng)進行高級狀況監(jiān)視。第一群體是設(shè)備技術(shù)人員。設(shè)備技術(shù)人員設(shè)置控制諸如但不以限制形式，采樣率、樣本的數(shù)量、分析窗口大小、后置濾波操作的選擇和調(diào)節(jié)、數(shù)據(jù)輸出格式化和傳輸類型以及結(jié)果的顯示格式化。第二群體是設(shè)備操作員。操作員也設(shè)置控制諸如且不以限制方式，要使用的傳感器的數(shù)量和類型、感測的數(shù)據(jù)的數(shù)據(jù)延遲以及要執(zhí)行的數(shù)據(jù)采集和處理的類型。圖2中圖示操作員控制設(shè)置序列(controlsettingsequence)的典型流程圖。在步驟S2.1中，將設(shè)備標識符輸入到高級狀況監(jiān)視系統(tǒng)10中。設(shè)備標識符駐留在設(shè)備標識標簽上。設(shè)備標識符可以包括數(shù)字、字母和承載符號的其他信息，例如條形碼(舉例而非限制)。設(shè)備標識符還可以采用電子而不可視形式存在，例如RFID設(shè)備(舉例而非限制)。將設(shè)備標識符輸入到高級狀況監(jiān)視系統(tǒng)10可以通過多個途徑的其中之一，例如(舉例而非限制)操作員讀取并輸入可視標識標簽、條形碼讀取器和RFID讀取器。操作員控制設(shè)置序列然后進行到步驟S2.2，其中操作員設(shè)置后續(xù)監(jiān)視活動中要使用的傳感器的數(shù)量。操作員控制設(shè)置序列然后進行到步驟S2.3，其中操作員設(shè)置有關(guān)傳感器輸入的數(shù)據(jù)延遲。使用至少一個非零數(shù)據(jù)延遲的一個實施例包括存在單個傳感器情況中的監(jiān)視活動。如果在步驟S2.2中輸入的傳感器的數(shù)量是1且在步驟S2.3中輸入非零數(shù)據(jù)延遲，則高級狀況監(jiān)視系統(tǒng)IO將配置其處理，從而將利用單個傳感器數(shù)據(jù)的延遲版本來處理該數(shù)據(jù)。操作員控制設(shè)置序列然后進行到步驟S2.4，其中操作員被詢問后續(xù)監(jiān)視活動是否是比較運行。如果操作員輸入"否"，則高級狀況監(jiān)視系統(tǒng)10將自行配置成執(zhí)行HotellingT2統(tǒng)計而不包含或涉及相同設(shè)備標識符的先前監(jiān)視活動的數(shù)據(jù)或結(jié)果，并且操作員控制設(shè)置序列進行到步驟S2.8，高級狀況監(jiān)視系統(tǒng)10準備提取監(jiān)視數(shù)據(jù)。如果操作員輸入"是"，則操作員控制設(shè)置序列進行到步驟S2.5，其中操作員被詢問操作員是否要使用來自上次監(jiān)視活動的已存儲均值向量。如果操作員輸入"是"，則操作員控制設(shè)置序列進行到步驟S2.7，高級狀況監(jiān)視系統(tǒng)10加載或以其他方式訪問相同設(shè)備標識符的上次監(jiān)視活動的均值向量。操作員控制設(shè)置序列然后進行到步驟S2.8，其中高級狀況監(jiān)視系統(tǒng)10準備提取監(jiān)視數(shù)據(jù)。如果操作員輸入"否"，則操作員控制設(shè)置序列進行到步驟S2.6，其中認為操作員期望加載來自相同設(shè)備標識符的上次監(jiān)視活動的實際工作數(shù)據(jù)?？刂迫缓筮M行到S2.8，高級狀況監(jiān)視系統(tǒng)10準備提取監(jiān)視數(shù)據(jù)。HotellingT2技術(shù)過去是使用來自GE90航空發(fā)動機的真實監(jiān)視數(shù)據(jù)檢驗的。圖3A呈示在一段時間(包括由于磨損而在周期2N處進行大修時的時間)上從渦輪風(fēng)扇發(fā)動機收集的一些示范傳感器數(shù)據(jù)。示出的有三個軌跡對標記為周期(#)的橫坐標。上方軌跡是廢氣溫度(EGT)的軌跡。中間軌跡是燃油流速(WFM)的軌跡。下方軌跡是核速度(corespeed)(N2)。將認識到，隨著發(fā)動機磨損不斷進行，傳感器測量中沒有明顯的移位趨勢。圖3B呈示包含圖3A的數(shù)據(jù)計算Hotellingf檢驗的輸出。將注意到，該HotellingT2統(tǒng)計從相對較低值的范圍上升到遠高得多的水平，遠高得多的水平指示在本例中指示磨損的數(shù)據(jù)趨勢(datatrend)。漸增的T2統(tǒng)計反映系統(tǒng)狀態(tài)偏離正常?！〩otel1ingT2統(tǒng)計識別出復(fù)雜系統(tǒng)的工作中的變動，則方法開始將驅(qū)使偏離正常工作的系統(tǒng)相關(guān)變量隔離?？偟膩碚f，Hotellingf統(tǒng)計是簡單但非常有效的技術(shù)，而且計算需求小。這些特征使得它適合于在在線監(jiān)視和手持設(shè)備中部署。如果復(fù)雜系統(tǒng)中的變動是由傳感器導(dǎo)致的，則可以校正傳感器故障。另一方面，如果復(fù)雜系統(tǒng)中的變動是系統(tǒng)相關(guān)的，則可以報告系統(tǒng)故障。對已發(fā)展的HotellingT2統(tǒng)計執(zhí)行選擇性的后處理是可能的，并且可以是非常實用的。這種后處理可以設(shè)計成反映例如統(tǒng)計量上升的速率、閾值交叉的時間以及數(shù)據(jù)趨勢的持續(xù)時間等數(shù)據(jù)。后處理方法和技術(shù)包括(例如而非限制)基于L1、L2的曲線擬合或其他范數(shù)極小化技術(shù)、小波、模型擬合、中值濾波和其他降噪技術(shù)。多變量變動檢測在復(fù)雜系統(tǒng)中，完全地裝備并校準所有來自一組傳感器的許多變量是不可能的。之所以這樣是因為復(fù)雜系統(tǒng)將經(jīng)歷非常大數(shù)量的狀態(tài)，而且將以非常大數(shù)量的模式工作，每種模式在狀態(tài)空間中展現(xiàn)唯一的正常工作包絡(luò)。因此，設(shè)想將反映復(fù)雜系統(tǒng)在運作上偏離正常的通用檢驗是極其困難并且或許是不可能的，但是由于與實現(xiàn)和部署大的復(fù)雜系統(tǒng)關(guān)聯(lián)的成本的原因，將創(chuàng)新的工作擴展到更好地逼近用于正常偏離、這種偏離在時間上的位置以及驅(qū)使偏離正常工作的系統(tǒng)相關(guān)變量的識別的有效通用檢驗是必不可少的。還期望開發(fā)一種途徑，將反映復(fù)雜系統(tǒng)的工作偏離正常中的顯著且易于識別的變動，無需對多于額定數(shù)量的檢驗結(jié)果的最初分析，即，如果在單個檢驗結(jié)果中清晰地反映系統(tǒng)的工作狀態(tài)中的任何顯著變動，則這是理想的。本發(fā)明的方法的一個方面在于，使用復(fù)雜系統(tǒng)的監(jiān)視數(shù)據(jù)的信號處理來確定復(fù)雜系統(tǒng)何時偏離正常工作。該方法還識別其數(shù)據(jù)指示偏離正常工作的系統(tǒng)相關(guān)監(jiān)視變量。Hotellingf統(tǒng)計或f是信號處理領(lǐng)域中公知的。HaroldHotelling首先提出的，它是馬哈拉諾比斯距離(另一個統(tǒng)計領(lǐng)域中公知的技術(shù))的平方，是多變量假設(shè)檢驗中使用的學(xué)生t統(tǒng)計的推廣。它參照具有均值P=(yi，P2，...yp)的一組p個變量x二(Xl，x2，...，xp)和p鄧的協(xié)方差矩陣W，其中W是由取自系統(tǒng)相關(guān)變量的n個快照(sn即shot)形成的『=t-〃,—〃')'z("—0，'=1。HotellingT2統(tǒng)計或t2定義為t2=(x-iO'W—1(x_ii)。HotellingT2統(tǒng)計、t2的期望行為是基于如下假設(shè)，x=(Xl，x2，...，xp)構(gòu)成聯(lián)合p-變量高斯分布。在實踐中，從未見過這種分布。但是，HotellingT2統(tǒng)計和基于相同假設(shè)預(yù)測的許多其他統(tǒng)計可以對系統(tǒng)分析貢獻了巨大價值。當使用HotellingT2統(tǒng)計時，利用從合理地確信系統(tǒng)處于穩(wěn)定工作時期時觀測系統(tǒng)相關(guān)變量的傳感器獲取的數(shù)據(jù)來提供訓(xùn)練周期一般是可取的。在此類時期期間，假設(shè)存在均值ii=(iipii2，...，iip)并可以通過求平均來得到。使得一維Hotel1ingT2統(tǒng)計展示可檢測的變動的是P維協(xié)方差矩陣W中的變動或均值P中的變動。要利用多個測量的系統(tǒng)相關(guān)變量的維數(shù)減少到單個Hotellingf統(tǒng)計，以及要有效地產(chǎn)生兩組快照上的Hotellingf統(tǒng)計中的變動At、可以通過以下計算來完成此計算A/、(/一//)，2————/0'^—'(Y—〃)其中Wi和W2、x和Z以及ii禾口ii*分別是在第一組和第二組快照上進行計算的?？煺諅鞲衅鲾?shù)據(jù)是在一段時間(包括由于磨損而進行大修時的時間)上從渦輪風(fēng)扇發(fā)動機收集的。圖3A示出十一個變量中三個變量的歸一化傳感器測量值廢氣溫度-EGT、燃油流速-WFM和核速度-N2。從圖3A，可以看出隨著發(fā)動機磨損，傳感器測量值中沒有明顯趨勢或移位。首先，使用來自前1000個飛行周期的數(shù)據(jù)(點)來估算樣本均值和樣本協(xié)方差。接下來，直接對所有數(shù)據(jù)(包括EGT、WFM、N2以及一些其他關(guān)鍵參數(shù))計算T2統(tǒng)計。在圖3B中，可以見到T2計分的上升趨勢，隨著逼近導(dǎo)致其大修的發(fā)動機磨損水平顯示更高的值。計算HotellingT2統(tǒng)計中所涉及的主要任務(wù)是計算協(xié)方差矩陣?？梢圆捎枚喾N方式來估算此矩陣。這些方式包括(無隱含的限制)如下的直接方法首先獲取順序的多組個體變量值，在獲取的值上計算變量的均值，從各組變量減去均值，然后執(zhí)行適合的成對相乘和樣本量相除。還可以通過在不同變量對上形成最小體積(volume)橢圓體來形成該協(xié)方差矩陣的估算。此方法公認為在存在破壞的數(shù)據(jù)(corrupteddata)的情況下為高度魯棒性且適合于處理異常值和其他疑似破壞的數(shù)據(jù)，該方法將獲得變量的均值和協(xié)方差矩陣的項的良好估算。估算協(xié)方差矩陣的又一種方式是通過在n個快照上構(gòu)造連續(xù)的差值估算器。此估算器由x二(Xl，x2，，xn)構(gòu)造為Vi=xi+1-Xi，i=1，2，...，n-l，并用于形在系統(tǒng)退化的一些重要情況中，監(jiān)視的系統(tǒng)相關(guān)變量的均值可以具有慢速線性漂移(lineardrift)。如果用于構(gòu)造協(xié)方差矩陣的估算的連續(xù)差值相隔距離大于1，則Hotellingf統(tǒng)計將更可能揭示這些漂移。因此，包括樣本數(shù)差值S上形成連續(xù)差值\=Xi+s-Xi其中S>1的處理方式選擇是值得的。有許多種可能的技術(shù)用于確定一系列快照上的HotellingT2統(tǒng)計中的顯著變動或一系列快照上Hotellingf統(tǒng)計的成對變動的位置。這些技術(shù)包括(舉例且非限制)能量檢驗和較高階彎矩檢驗，具體來說，通過將四階累積量(fourthcumulant)除以方差的平方，然后減去三(3)計算的過多峰度的使用。圖4示出樣本f數(shù)據(jù)上寬20個樣本的滑動窗口上計算的峰度的圖表。注意，當?shù)谝粋€反常點在樣本編號55處進入窗口時峰度突發(fā)。其他技術(shù)包括設(shè)置閾值?？梢圆捎枚喾N方式來設(shè)想適合的閾值。舉例而非限制，可以通過分析在正常系統(tǒng)工作期間取得的歷史數(shù)據(jù)并使用該歷史數(shù)據(jù)的第一部分估算系統(tǒng)相關(guān)監(jiān)視變量的均值和系統(tǒng)相關(guān)監(jiān)視變量的協(xié)方差矩陣來選擇閾值。可以使用歷史數(shù)據(jù)的第二部分(與第一部分不重疊)來識辨描述T2統(tǒng)計的行為的概率密度函數(shù)。然后可以采用多種方式來設(shè)置閾值。一種此類方式(舉例而非限制)是，計算正常工作下誤報告警的概率和誤報告警的預(yù)期成本，并將閾值設(shè)置為使得正常工作下每個樣本的成本將少于或等于強加的成本(imposedcost)。系統(tǒng)變動和變量含義—旦Hotel1ingT2統(tǒng)計識別出復(fù)雜系統(tǒng)的工作中的變動，則方法開始將驅(qū)使偏離正常工作的系統(tǒng)相關(guān)變量隔離。執(zhí)行此步驟的一種方式是，首先依據(jù)其主成份(principalcomponents,PCA)表達Hotellingf統(tǒng)計。為此，首先將f表示為72=力^"=1^其中入a，a=1，2，...，n是協(xié)方差矩陣W的本征值，ta是根據(jù)主成份變換的計分。sa2是ta的方差(主成份的方差是W的本征值)。每個計分、可以表示為A"。("-〃)=1廣〃》其中Pa是W對應(yīng)于、的本征值，而Pa,j，Xj，Pj是與第j個變量關(guān)聯(lián)的對應(yīng)向量的元素。通過這種表示，發(fā)現(xiàn)每個變量Xj對主成份a的計分的貢獻是pa,j(Xj-Pj)?？梢允褂么诵畔碜R別對HotellingT2度量所測量的異常具有最強影響的變量。下一步是，計算歸一化計分(ta/sa)2中出現(xiàn)的變量的貢獻Contaj。有w"。,y=py)。然后通過如下求和來計算變量Xj的總貢獻<=1現(xiàn)在可以按如下公式將HotellingT2統(tǒng)計寫為所有計分上所有變〗的貢獻之和一=1^1廠〃/)=力1^[&々廠〃>)〗}作為用于確定復(fù)雜系統(tǒng)何時偏離正常工作以及評估多個變量的貢獻的技術(shù)示例而非限制，可考慮有六個變量Xpx2，...，Xe，它們展示圖5圖表所示的順序值。用于這六個變量Xl，x2，...，x6的數(shù)據(jù)是從高斯隨機變量生成器的獨立采樣得到的，然后根據(jù)如下進行修改:xj55)=+4x2(60)=-4x3(65)=+3x4(65)=_3x5(81:85)—x5(81:85)+3x6(81:85)—x6(81:85)+3對圖5的數(shù)據(jù)計算HotellingT2統(tǒng)計、T2，其中使用六個變量的每個變量的前50個樣本來估算協(xié)方差矩陣。下一步是說明在統(tǒng)計高于閾值的點處六個變量對HotellingT2統(tǒng)計的不同貢獻?？梢圆捎枚喾N方式來執(zhí)行此操作。舉例而非限制，在數(shù)據(jù)點i處第j個變量對主成份的計分的貢獻的量值Mi,j是Mw=IPi,j(Xj-yj)I，在該量值的所有變量貢獻《上歸一化的相對量值表示為M'i,j并計算為可以使用彩色編碼來顯示貢乂='。獻量值和相對量值，以幫助操作員解釋結(jié)果。圖6使用彩色編碼圖示在所有100個點處六個變量對Hotellingf統(tǒng)計的不同貢獻。彩色編碼塊網(wǎng)格示出橫坐標上列出的六個變量Xl，x2，...，x6在縱坐標上的相對貢獻。在另一個實施例中，還可以通過熵測量Ei和少數(shù)決定測量mi分辨異常值(例如圖7中識別的那些)，其中^=-(l/ln("));M,:'ln(M,:,》以及叫=卜腿x』(M'^》。圖？描繪超出閾值的那些T2點的Ei和mi。出于說明的目的，考慮了兩個不同的閾值。第一個閾值(圖7左邊)是導(dǎo)致5個T2計算超過閾值的閾值。第二個閾值(圖7右邊)是導(dǎo)致10個T2計算超過閾值的較低閾值。作為用于確定復(fù)雜系統(tǒng)何時偏離正常工作以及評估多個變量的貢獻的技術(shù)示例而非限制，可考慮GE90cycledeck模型中有九個關(guān)鍵傳感器^，X2，...，X9，它們展示圖8圖表所示的順序值。用于9個變量Xp^，...，X9的數(shù)據(jù)是在不丟失效率和流的正常飛行狀況下仿真cycledeck時生成。我們可以將那些數(shù)據(jù)視為"無故障"數(shù)據(jù)。為了仿真?zhèn)鞲衅鞴收?，我們有意地在不同時間修改一些傳感器讀數(shù)ZPCN25(130)=100PS3(150)=170T3(170)=1310ZT49(181:185)=1770下一步是圖示九個變量對HotellingT2統(tǒng)計的不同貢獻。可以采用多種方式來執(zhí)行此操作?？梢燥@示貢獻量值和相對量值，以幫助操作員解釋結(jié)果。可以對該顯示進行彩色編碼。圖9A示出按所指示的相對貢獻量圖。網(wǎng)格示出橫坐標上列出的九個變量A，x2，...，x9在縱坐標上的相對貢獻。基于來自9個傳感器的時間序列數(shù)據(jù)來計算T2統(tǒng)計，如圖9B所示。f統(tǒng)計值中的峰值的位置對應(yīng)于插入傳感器故障所在的位置。具有高貢獻的傳感器變量意味著T2計分中的變動。有價值地，通過變量貢獻分析識別的傳感器恰恰是插入故障的傳感器。為了仿真系統(tǒng)故障，重新配置cycledeck模型參數(shù)流和效率，從正常狀況("無故障")工作到系統(tǒng)故障。如圖IO所示，虛線之后的點對應(yīng)于系統(tǒng)故障。在圖12中，f統(tǒng)計從系統(tǒng)故障開始處200快速爬升。而且，貢獻分析精確地識別出偏離正常的傳感器，如圖11所示。就某種程度而言，這是一種區(qū)分傳感器故障和系統(tǒng)故障的方法，因為多個傳感器同時有故障的可能性是非常低的?！z測到異常行為，可以通過多種方式將報告該分析結(jié)果的告警傳送到系統(tǒng)監(jiān)視負責人，包括但不一定限于電纜連接、經(jīng)電力線傳導(dǎo)(powerlineconduction)的信息傳輸、內(nèi)聯(lián)網(wǎng)、因特網(wǎng)或無線方式。傳感器驗證對于可靠的狀況監(jiān)視，具有精確的傳感器信息是必不可少的。但是，傳感器有時可能發(fā)生故障或甚至可能因故障或維護活動而變?yōu)椴豢捎谩Ｒ虼藗鞲衅黩炞C是狀況監(jiān)視的至關(guān)重要的部分。傳感器驗證的傳統(tǒng)方法包括周期性儀器校準。這種校準在人力停歇和過程停機時間上來說均是成本高昂的。為了解決與傳感器驗證關(guān)聯(lián)的問題，本發(fā)明使用基于自聯(lián)想神經(jīng)網(wǎng)絡(luò)(AANN)的傳感器驗證模型，該模型可以執(zhí)行平臺部署的(platform-d印loyed)傳感器的在線校準監(jiān)視。該模型的特征允許通過將原始傳感器測量(它是模型的輸入)與傳感器值的基于模型的對應(yīng)估算比較來檢測傳感器漂移或失效。此外，對原始傳感器測量或?qū)嶋H傳感器測量與傳感器估算之間的殘差進行監(jiān)控分析還可以幫助區(qū)分傳感器故障和系統(tǒng)故障。按照定義，殘差是實際測量的或感測的值與對應(yīng)估算的值之間的差。殘差向量是一組實際值與對應(yīng)的一組估算值之間的差。小子集的傳感器測量的殘差中的顯著偏差將指示傳感器故障，而大子集傳感器測量的殘差中的顯著偏差將指示系統(tǒng)故障。來自單個傳感器的殘差中的偏差通常是傳感器故障的指示，而來自多個傳感器的殘差中的多個偏差通常是系統(tǒng)故障的指示。至AANN的輸入經(jīng)過維數(shù)縮減，因為在中間層中將它們的信息組合并壓縮。例如，在圖13中，在第二層(編碼)中，將輸入層中的七個節(jié)點減少到5個，然后在第三層(瓶頸)中減少到3個。然后，使用第三層中的節(jié)點、采用經(jīng)過維數(shù)擴增的方式來重建原始輸入(第四層，解碼和第五層，輸出)。在理想的情況中，AANN輸出應(yīng)當與輸入完全相同。在故障診斷判定執(zhí)行260中使用它們的差值(圖14，殘差)。實質(zhì)上，此網(wǎng)絡(luò)計算最大非線性主成份(NLPCA)-中間層中的節(jié)點-以便識別并去除變量之間的相關(guān)性。除了如本申請中所述的生成殘差外，這種類型的網(wǎng)絡(luò)還可以用維數(shù)縮減、可視化和探索性數(shù)據(jù)分析。要注意，PCA僅識別變量之間的線性相關(guān)性，而NLPCA揭示線性相關(guān)性和非線性相關(guān)性兩者，而對數(shù)據(jù)中存在的非線性特征沒有限制。NLPCA通過訓(xùn)練前饋神經(jīng)網(wǎng)絡(luò)以執(zhí)行恒等映射來工作，其中在輸出層再現(xiàn)網(wǎng)絡(luò)輸入。該網(wǎng)絡(luò)包含內(nèi)部"瓶頸"層(包含比輸入或輸出層少的節(jié)點)(這強制網(wǎng)絡(luò)開發(fā)輸入數(shù)據(jù)的緊湊表示)和兩個附加的隱藏層。嵌入在隱藏節(jié)點中的非線性函數(shù)通常是tansig(正切s狀彎曲)類型的，而中央瓶頸層嵌入有線性變換函數(shù)。可以利用物理模型來生成不同工作狀況下的傳感器讀數(shù)的標稱值，由此可以將原始傳感器測量與標稱讀數(shù)之間的殘差(圖16)用于時間上的趨勢變動。但是，當物理模型不可用時，需要從原始測量直接推斷標稱傳感器讀數(shù)。先前，當測量中的信息在分析上來說是冗余的(就此意義而言如果一個測量丟失，可以采用來自其余有效傳感器的估算替代它)時，使用自聯(lián)想神經(jīng)網(wǎng)絡(luò)(AANN)來進行傳感器驗證。另一方面，本發(fā)明使用AANN來估算正常狀況下的傳感器測量，然后可以使用原始測量與正常測量之間的殘差來推斷傳感器/系統(tǒng)中的異常狀況。我們使用九個值的狀態(tài)向量表示從GE90cycledeck模型生成的航空發(fā)動機數(shù)據(jù)。使用此數(shù)據(jù)集，我們構(gòu)建9-5-3-5-9AANN，遵循圖13所示的體系結(jié)構(gòu)。圖14中圖示了用于估算傳感器值的神經(jīng)網(wǎng)絡(luò)，其中本實施例的神經(jīng)網(wǎng)絡(luò)具有(僅舉例的目的而非限制)7個輸入、5個編碼層節(jié)點、3個瓶頸層節(jié)點、5個解碼層節(jié)點和7個輸出。我們將這種神經(jīng)網(wǎng)絡(luò)體系結(jié)構(gòu)稱為7X5X3X5X7。結(jié)構(gòu)200顯示實際傳感器值(在框210中為圖示方便而分在一組)以及至5級神經(jīng)網(wǎng)絡(luò)270的輸入層215的輸入。還將實際傳感器值發(fā)送到組合器250。正如神經(jīng)網(wǎng)絡(luò)領(lǐng)域中公知的，輸入層215的輸出是編碼層220的輸入。編碼層220的輸出是瓶頸層225的輸入。瓶頸層225的輸出是到解碼層230的輸入。解碼層230的輸出是到輸出層235的輸入。解碼層235的輸出構(gòu)成傳感器值的估算(在框240中為圖形化方便而分在一組)。將傳感器值估算發(fā)送到組合器250，其中通過從估算的傳感器值減去實際傳感器值來形成殘差255。將殘差輸入到模塊260，模塊260對殘差執(zhí)行判斷，以便區(qū)分并報告任何推斷的故障診斷。有兩個可選輸入至判定執(zhí)行模塊260。這些輸入的第一個輸入212來自內(nèi)部信息模塊211，并且包含已處理的內(nèi)部信息。已處理的內(nèi)部信息包括(舉例而非限制)已知存在于實際傳感器值210中間和之間的基于物理的模型和關(guān)系。將這些值從實際傳感器值210輸入到內(nèi)部信息模塊。這些輸入的第二個輸入214來自外部信息模塊213，并且包含收集并處理的外部信息，該外部信息包括(舉例而非限制)自動或手工輸入的廠房信息，涉及操作員注釋、廠房供電參數(shù)(例如電源質(zhì)量)、設(shè)備工作點的臨時變動、以及環(huán)境因素。故障診斷可以包括(舉例而非限制)例如序貫概率比檢驗(SPRT)等公知的統(tǒng)計技術(shù)。圖15(A)和15(B)圖示當系統(tǒng)或傳感器中不存在故障時圖15(A)中的典型原始傳感器測量及圖15(B)中的它們的對應(yīng)殘差值。在這些情況下，殘差通常比原始數(shù)據(jù)小兩個數(shù)量級。然后我們在測量第5個變量(ZT49)的傳感器中插入大階梯函數(shù)，并注意到對應(yīng)的殘差展示最大影響，而其他殘差顯示小得多的變動。圖16中說明了此情況。為了將檢測過程自動化，我們建議使用原始數(shù)據(jù)廠一"K殘差Ri歸一化。然后我們可以計算例如<formula>formulaseeoriginaldocumentpage11</formula>:的平均值，即A=f，來將<formula>formulaseeoriginaldocumentpage11</formula>一一的品質(zhì)因數(shù)來對殘差的總值評估。如果FOM小于指定的閾值，則我們可以斷言不存在異常。否則，檢測到異常。當存在一個大(按百分比來說)殘差值時，我們將異常識別為傳感器故障。當所有殘差大于基線但是對FOM的貢獻大致相等時，則存在兩種可能性(l)這是系統(tǒng)故障；或(2)該AANN不適于生成殘差(即，該AANN是在與提取當前原始數(shù)據(jù)所在的狀態(tài)空間區(qū)域不同的狀態(tài)空間區(qū)域中訓(xùn)練的)。用于不同工作狀況的傳感器驗證當系統(tǒng)工作所在的工作狀況或模式變動時，系統(tǒng)的特征可能相應(yīng)地變動。例如，空氣渦輪具有例如基本負載、部分負載和滿負載等工作模式。在每種模式下，系統(tǒng)表現(xiàn)有所不同，且被系統(tǒng)輸出(功率等)及其傳感器測量(溫度、壓力、振動等)捕獲到。在前一段中，我們調(diào)整(leverage)AANN模型以執(zhí)行已知工作狀態(tài)內(nèi)的傳感器驗證。實質(zhì)上，使用AANN模型來學(xué)習(xí)系統(tǒng)特征。當工作狀態(tài)變動時，底層AANN模型也需要變動(或重新訓(xùn)練)。舉例而非限制的方式，考慮監(jiān)視的機械是正在根據(jù)高度(ALT)、環(huán)境溫度(Tamb)和馬赫數(shù)(Mach)來監(jiān)視的噴氣發(fā)動機，例如GE90航空發(fā)動機?？紤]該發(fā)動機在三個不同工作狀態(tài)中工作，并且已知何時工作狀況之間轉(zhuǎn)變是已知的。圖17圖示如下示例，其中三個工作狀況表示為具有高度軸、馬赫數(shù)軸和環(huán)境溫度軸的三維空間中的體積的二維投影。圖17中圖示將體積投影到二維高度-環(huán)境溫度空間上。所示關(guān)聯(lián)的圖表表示將體積投影到三個高度軸、馬赫數(shù)軸和環(huán)境溫度軸上。工作軌跡中、穿過工作軌跡以及在工作軌跡之間的噴氣發(fā)動機工作的軌跡公知是飛行包絡(luò)或FE。從每個工作狀態(tài)隨機地生成IOOO個正常工作點。對于生成的每個工作點，有九個值的狀態(tài)向量與之對應(yīng)。使用此數(shù)據(jù)集，我們分別為三個工作狀態(tài)構(gòu)建9-5-3-5-9AANN，遵循圖13所示的體系結(jié)構(gòu)。在每個AANN模型的訓(xùn)練階段期間，使用900個數(shù)據(jù)點。其余IOO個數(shù)據(jù)點預(yù)留用于檢驗。圖18(A)-(C)示出來自不同工作狀態(tài)的測試集(testset)上的AANN模型的殘差。因為AANN1是在工作狀態(tài)1內(nèi)訓(xùn)練的，其中提取測試集l，所以圖18(A)中的殘差小。對于圖18(B)中的測試集3上的AANN3，情況相同。但是，當圖18(C)中在測試集2(來自不同的工作狀態(tài))上檢驗AANN1時，殘差通常比先前情況高一個或兩個數(shù)量級。應(yīng)對不同工作狀態(tài)的另一個方式是在所有工作狀態(tài)上構(gòu)建全局模型。這樣，當工作狀態(tài)變動時，可以使用全局模型來捕獲系統(tǒng)的行為。但是，因為該模型是在全部工作狀態(tài)上構(gòu)建的，所以在捕獲局部狀態(tài)中系統(tǒng)的特征時精確度較低。圖19(A)-(C)示出來自不同工作狀態(tài)的測試集上的全局AANN模型的殘差。因為全局AANN模型是在所有三(3)個局部工作狀態(tài)上訓(xùn)練的，所以測試集2上的殘差(圖19(C))遠小于圖18(C)中的殘差。但是，圖19(A)和(B)中的殘差大于圖18(A)和(B)中的殘差。如果能夠識別局部工作狀態(tài)的話，就更好地捕獲局部系統(tǒng)特征而言，構(gòu)建局部模型優(yōu)于構(gòu)建全局模型。工作狀況轉(zhuǎn)變的模糊監(jiān)控模型通常，工業(yè)資產(chǎn)或系統(tǒng)是在不同狀況/模式下工作的。對應(yīng)于不同的工作狀況，系統(tǒng)表現(xiàn)有所不同。為了更好地表示不同工作狀況下的傳感器特征，需要多個傳感器驗證模型來捕獲這些傳感器之間的關(guān)系。如何自動地檢測工作狀況的變動，并確定適合的局部傳感器驗證模型成為問題所在。局部模型可以捕獲其指定的工作狀態(tài)內(nèi)的系統(tǒng)動態(tài)特性。但是，在轉(zhuǎn)變狀態(tài)中，定制的局部模型都無法精確地捕獲系統(tǒng)的動態(tài)特性。所以在轉(zhuǎn)變階段期間生成的殘差將超過告警閾值，并導(dǎo)致誤報的肯定告警(positivealarms)。目前針對此問題部署的一種常見解決方案是，如果我們知道系統(tǒng)經(jīng)歷工作狀態(tài)的轉(zhuǎn)變，則忽略生成的告警。此方法的缺點在于，使用局部模型的系統(tǒng)監(jiān)視被中斷，且存在遺漏轉(zhuǎn)變階段期間生成的一些真正的故障告警的風(fēng)險。—般來說，本發(fā)明使用模糊監(jiān)控模型混合器來基于工作狀況變動來管理傳感器驗證模型之間的轉(zhuǎn)變以解決這些問題。確切地來說，我們使用模糊邏輯(FL)來編寫監(jiān)控模型的規(guī)則以控制工作狀態(tài)變動時局部模型的轉(zhuǎn)變。有大量文獻專門論述模糊邏輯及其在基于規(guī)則的近似推理中的應(yīng)用。將具有適合數(shù)學(xué)結(jié)構(gòu)的語言IF-THEN規(guī)則構(gòu)建到監(jiān)控模型中，以判定局部模型與當前工作狀況的適合度。當對于來自局部模型的殘差對合并的輸出的貢獻進行加權(quán)時，將不同局部模型的擬合度考慮進來。為了演示，使用GE90cycledeck仿真器生成數(shù)據(jù)。實驗結(jié)果顯示，利用控制局部傳感器驗證模型的轉(zhuǎn)變的監(jiān)控模型，傳感器估算對于工作狀況變動更精確和更具魯棒性。模糊邏輯提供一種語言，我們可以利用其語法和局部語義(localsemantics)解釋有關(guān)要解決的問題的定性知識。具體來說，F(xiàn)L允許使用語言變量(linguisticvariable)來對動態(tài)系統(tǒng)建模。這些變量取模糊值，這些模糊值由標記(label)(由語法生成的句子)和含義(meaning)(局部語義過程確定的隸屬函數(shù))來表征。語言變量的含義可以解釋為其值的彈性約束?；趶V義取式推理，模糊推理運算傳播這些約束。此推理機制具有其內(nèi)插特性，它賦予FL針對系統(tǒng)參數(shù)中的變動、干擾等的魯棒性，這是FL的主要特征之一。模糊規(guī)則庫R的最常見定義是析取解釋，并且在大多數(shù)模糊控制器應(yīng)用中模糊規(guī)則庫R的最常見定義為如下形式A=CM=0(",^K)R由m個規(guī)則的析取/=1f=，(disjunction)組成。每個規(guī)則定義模糊狀態(tài)向量與對應(yīng)的模糊動作之間的映射。笛卡爾積運算符表示每個規(guī)則?？梢詫C的推理機定義為模糊產(chǎn)生性規(guī)則(fuzzyproductionrules)上工作的并行前鏈規(guī)則(parallelforwarchchainer)。輸入向量了與每個n維狀態(tài)向量&匹配，即規(guī)則(l—Y》的左手邊(LHS)。匹配^的程度指示可以將規(guī)則輸出應(yīng)用于整個FC輸出的程度。FC的主要推理問題是模糊預(yù)測求值的定義(這常常是概率測量)；LHS求值(這通常是三角模)；結(jié)論分拆(conclusiondetachment)(這常常是三角?；?qū)嵸|(zhì)蘊涵運算符)；以及規(guī)則輸出匯總(這常常是規(guī)則庫的析取解釋的余三角模(triangularconorm)或邏輯乘(conjunctive)情況的三角模)。在常用假設(shè)下，我們可以將模糊系統(tǒng)的輸出描述為〃,(^)=^。;<:1{^4^,^0;)]}其中入i是規(guī)則Yi的適用度^^M";,n(《j，/,)以及n(Ij，Ij)是表示參考狀態(tài)變量之間的匹配的概率測量值。這三個公式描述廣義取式推理，是解釋模糊規(guī)則集的基礎(chǔ)。我們使用在前文描述的三個局部工作狀態(tài)上構(gòu)建的三個相同的局部AANN模型。仿真的系統(tǒng)的工作狀態(tài)沿著圖20(A)所示的軌跡逐漸從飛行包絡(luò)FEl移位到FE3。圖20(A)和20(B)是工作狀態(tài)的轉(zhuǎn)變的不同表示。設(shè)計模糊隸屬函數(shù)，它使用定義工作狀況的體積的軸。圖21(A)和(B)中圖示了這一點，其中示出隨著仿真的系統(tǒng)在不同的工作狀態(tài)中轉(zhuǎn)變的飛行包絡(luò)變量的值。附圖的左邊上，我們見到飛行包絡(luò)變量的"低"、"中"和"高"的隸屬函數(shù)的定義。然后，我們可以指定三個模糊規(guī)則的模糊規(guī)則集，例如表1中描述的規(guī)則，其中描述在模糊項中定義的不同工作狀態(tài)下的局部模型的適用度。<table>tableseeoriginaldocumentpage14</column></row><table>表l.模糊規(guī)則集，描述不同工作狀態(tài)下的模型適用度。在圖22中，示出以下方案，S卩，使用模糊監(jiān)控模型來控制局部模型的開關(guān)并確保飛行狀態(tài)轉(zhuǎn)變時內(nèi)插所導(dǎo)致的殘差的平滑性。在附圖的左邊上，我們見到將原始傳感器測量分別呈交到三個局部AANN模型以生成殘差。通過模糊規(guī)則集來饋送定義工作狀態(tài)的狀態(tài)變量以確定每個局部AANN模型的適用度。然后使用每個模型的歸一化適用度來對來自每個個體局部模型的殘差執(zhí)行加權(quán)求均值以生成綜合總殘差。在圖23(A)和23(B)中，示出飛行狀態(tài)沿著圖20(B)中定義的軌跡轉(zhuǎn)變時實際傳感器測量與分別來自局部模型AANNj和AANN_2的估算之間的殘差的示例。顯然，局部模型只能將構(gòu)建和訓(xùn)練該模型所對應(yīng)的飛行狀態(tài)內(nèi)的殘差最小化。但是，模糊監(jiān)控模型可以調(diào)整在構(gòu)建各個局部模型所對應(yīng)的飛行狀態(tài)中對局部模型的監(jiān)控，并將這些局部模型合并以確保工作狀態(tài)的轉(zhuǎn)變期間殘差的平滑性，如圖23(C)所示。單變量變動檢測至此，上文描述的所有技術(shù)基于如下假設(shè)每個資產(chǎn)有多于一個感測的變量。但是，有范圍廣泛的現(xiàn)場部署的資產(chǎn)，例如廠房資產(chǎn)的平衡，通常每個資產(chǎn)只有一個感測的變量來監(jiān)視它們的行為。對于這些資產(chǎn)，多變量變動檢測和狀況監(jiān)視方法將不適用。為了專門解決這種每個資產(chǎn)單個傳感器的情況，我們調(diào)整包括HotellingT2統(tǒng)計、似然比檢驗、過多峰度的計算和等級(rank)置換變換方法的一系列技術(shù)來用于單變量變動檢測。但是，可以將這些資產(chǎn)的成對系列作為一組來使用多變量技術(shù)監(jiān)視。[OO96]等級置換變換(RPT)等級置換變換(RPT)是針對時間序列設(shè)計的。這里用于時間序列中的故障檢測的通用方法是，將"當前"數(shù)據(jù)(一些最近的數(shù)據(jù)點)的檢驗統(tǒng)計與"過去"數(shù)據(jù)("當前"之前的一些通常較大數(shù)量的點)比較，可能是與中間未使用點的緩沖區(qū)比較產(chǎn)生更顯著的差異，如圖24所示。使用等級而非絕對值解決了多個問題。首先，大大地消除了異常值的未決的影響(problematiceffect)。采用等級變換在非參數(shù)統(tǒng)計中有巨大優(yōu)勢?？梢灶A(yù)先計算給定數(shù)量的數(shù)據(jù)的等級分布，使得運行時的實現(xiàn)非?？焖?這對于很少有計算能力空閑的實時嵌入式應(yīng)用來說是一個重要的考慮)。圖25(A)-(C)中圖示要設(shè)計確切或近似確切發(fā)生概率的數(shù)據(jù)的隨機置換的原理。圖25(A)示出初始數(shù)據(jù)。零假設(shè)是，從與先前句點(dotpoints)相同分布中提取最后5個星號點(asteriskpoints)。如果零假設(shè)為真，則為這些星號點計算的統(tǒng)計(比方說均值)應(yīng)該與從所有數(shù)據(jù)中隨機選擇的任何5個點的相同統(tǒng)計大約相同。如果我們保持數(shù)據(jù)相同，且對這些標記(星號或句點)隨機地置換，并計算"5個星號點的均值"統(tǒng)計多次，則得到圖25(C)中所示的分布。此過程暗示，從所有點隨機地選擇的任何5個點將具有與原5個點一樣大的均值，時間的僅7.2%。相似地，可以將數(shù)據(jù)的任何樣本與另一個樣本比較(例如使用上文概述的現(xiàn)在對最近過去方法(nowvs.recentpasta卯roach))，并且可以計算任何檢驗統(tǒng)計上樣本不同的確切(到任意數(shù)量的有效數(shù)字)概率。同時考慮兩個設(shè)想(使用等級而非原始數(shù)據(jù)以及置換分布)，可以使用"等級置換變換"(RPT)來將原始(表現(xiàn)差)的時間序列變換成告知數(shù)據(jù)中的模式變動的特征(判定)。為了計算RPT，必須首先定義小數(shù)量的點為"當前"集合以及定義(通常較大)數(shù)量的點為"過去"集合。首先將這兩個集合的數(shù)據(jù)連在一起，并計算組合的數(shù)據(jù)的等級。計算"當前"數(shù)據(jù)的初始排序的等級之和(檢驗統(tǒng)計量)。確切地來說，將數(shù)據(jù)標記(當前/過去)隨機地置換，計算檢驗統(tǒng)計量；將此步驟重復(fù)多次(例如，5000次)。將該數(shù)據(jù)的初始排序的檢驗統(tǒng)計量值與通過置換生成的值比較，并計算偶然地發(fā)生初始排序的概率。將logw概率(RPT的輸出)的值取為側(cè)重于稀少的事件。例如，10(logJ(T)的值意味著事件的稀少性為100億中1次。計算RPT的算法在本領(lǐng)域中是公知的。對該情況的數(shù)據(jù)采用等級置換變換以生成檢驗統(tǒng)計量。當檢驗統(tǒng)計量超過預(yù)定閾值時，報告變動。似然比檢驗(LRT)似然比檢驗研究順序數(shù)據(jù)中的分布的變動。為此，它非常適于時間序列中的變動檢測，并已經(jīng)得到很好的實踐。如下闡述LRT的問題的一般形成?？紤]標量時間序列x(t)，其中t是當前時間索引。當前時間索引t將時間序列分成兩個子集、(0=^(%=卜|...卜1(最近的過去)和i2(/)二W0L」+n一(最近的將來)。每個子集分別遵循某個概率密度函數(shù)(pdf)，pje》和&(92)。令t為某個時間瞬間，LRT是用于在如下兩個假設(shè)之間判定的內(nèi)曼-皮爾遜(Neyman-Pearson)檢驗f/f0:A=A,(未發(fā)生改變):p2*a，(發(fā)生改變)變動之前或變動之后的pdf的參數(shù)是未知的。變動點、時間T也是未知的。然而，可以在在時間T處發(fā)生變動的假定的假設(shè)&與n個樣本內(nèi)未發(fā)生變動的零假設(shè)H。之間形間的差意味著在不同時間上估算它們。因為真正的參數(shù)集^、9'i和92是未知的，所以可以使用最大似然(ML)方法來提出直接從它們各自區(qū)域獲取的它們的估算《、《、《:{t-ni，，t+n2-l}、{t-ni，，t-1}和{t，，t+n2-l}。當所得到的似然性"k々A超過某個預(yù)定義的閾值，則宣告變動。HotellingT2統(tǒng)計HotellingT2統(tǒng)計是多變量假設(shè)檢驗中使用的學(xué)生t統(tǒng)計的推廣。將其調(diào)整為用于單變量變動檢測問題的一種方式是對單變量傳感器測量引入時間延遲。即，原始單變量信號x(t)獲得延遲的m個樣本點以生成x(t-m)。相似地，x(t-m)可以獲得延遲的另外m個樣本點以生成x(t-2m)。以此方式，可以生成偽多變量時間序列，例如，[x(t)，x(t-m)，x(t-2m)]'以按前文執(zhí)行HotellingT2計算。在圖26中，我們示出單變量時間序列數(shù)據(jù)，其中在紅線處發(fā)生偏移變動。個別地成對數(shù)似然比<formula>formulaseeoriginaldocumentpage15</formula>)其中n=r^+rv注意e和9i之使用RPT、LRT和幾個HotellingT2技術(shù)的變體以檢測在哪里發(fā)生了變動。所有那些技術(shù)可以利用合理的延遲檢測變動，當然觸發(fā)每種技術(shù)的告警閾值是不同的。與RPT和LRT比較，HotellingT2統(tǒng)計可能無法像它們一樣快地檢測到變動，但是它的行為在檢驗不同類型的變動時非常一致。HotellingT2統(tǒng)計的這種特征使得它成為在真實監(jiān)視系統(tǒng)中部署的潛在的優(yōu)良候選。如上所述，本發(fā)明調(diào)整HotellingT2統(tǒng)計技術(shù)來估算多變量數(shù)據(jù)的正常狀態(tài)。HotellingT2統(tǒng)計使用結(jié)合多變量方差-協(xié)方差矩陣的統(tǒng)計距離。因此，它檢測所感測的變量中間的平均移位和反關(guān)系(counter-relationship)。本文編寫的描述使用示例來公開本發(fā)明，包括最佳方式，并且還使得本領(lǐng)域技術(shù)人員能夠?qū)嵤┖褪褂帽景l(fā)明。本發(fā)明的可專利范圍由權(quán)利要求定義，并且可以包括本領(lǐng)域技術(shù)人員可想到的其他示例。如果此類其他示例具有并未與權(quán)利要求的字面語言不同的結(jié)構(gòu)元素或如果它們包括與權(quán)利要求的字面語言無實質(zhì)性不同的等效結(jié)構(gòu)元素，它們理應(yīng)在權(quán)利要求書的范圍內(nèi)。權(quán)利要求一種用于對資產(chǎn)系統(tǒng)進行高級狀況監(jiān)視的方法，所述方法包括如下步驟將資產(chǎn)系統(tǒng)的工作空間分成多個工作狀態(tài)；使用多個自聯(lián)想神經(jīng)網(wǎng)絡(luò)(AANN)來確定所述多個工作狀態(tài)的至少一個工作狀態(tài)中至少一個傳感器感測的實際值的估算；從所述多個自聯(lián)想神經(jīng)網(wǎng)絡(luò)的每一個自聯(lián)想神經(jīng)網(wǎng)絡(luò)確定估算的感測值與所述至少一個傳感器感測的實際值之間的殘差；通過使用模糊監(jiān)控模型混合器組合所述殘差；對所述組合的殘差執(zhí)行故障診斷；通過分析所述組合的殘差來確定所述資產(chǎn)系統(tǒng)的工作的變動；以及如果已確定所述資產(chǎn)系統(tǒng)的工作變動，則提供告警。2.如權(quán)利要求1所述的方法，其中所述AANN包括正切s狀彎曲tan-sigmoid(tansig)類型的隱藏節(jié)點。3.如權(quán)利要求l所述的方法，其中所述AANN包括具有嵌入的線性變換函數(shù)的中央瓶頸層。4.如權(quán)利要求1所述的方法，其中所述告警步驟包括通過從電纜、電力線傳導(dǎo)、內(nèi)聯(lián)網(wǎng)、因特網(wǎng)和無線傳輸組成的組中選擇的信息傳輸媒體來分發(fā)消息。5.如權(quán)利要求1所述的方法，其中當所述資產(chǎn)系統(tǒng)在所述多個工作狀態(tài)的兩個工作狀態(tài)之間轉(zhuǎn)變時執(zhí)行所述確定步驟。6.如權(quán)利要求1所述的方法，其中當所述資產(chǎn)系統(tǒng)在所述多個工作狀態(tài)的兩個工作狀態(tài)之間轉(zhuǎn)變時執(zhí)行所述告警步驟。7.如權(quán)利要求1所述的方法，其中當所述資產(chǎn)系統(tǒng)在所述多個工作狀態(tài)的其中之一中工作時執(zhí)行所述確定步驟。8.如權(quán)利要求1所述的方法，其中當所述資產(chǎn)系統(tǒng)在所述多個工作狀態(tài)的其中之一中工作時執(zhí)行所述告警步驟。9.如權(quán)利要求1所述的方法，其中所述模糊監(jiān)控模型混合器在所述資產(chǎn)系統(tǒng)的所述多個工作狀態(tài)上實現(xiàn)全局模型。10.如權(quán)利要求1所述的方法，其中所述至少一個傳感器包括智能傳感器。11.如權(quán)利要求10所述的方法，其中所述智能傳感器連接到智能傳感器系統(tǒng)。12.如權(quán)利要求11所述的方法，其中所述智能傳感器系統(tǒng)包括板載處理單元，所述板載處理單元用于對所述資產(chǎn)系統(tǒng)進行高級狀況監(jiān)視。13.—種智能傳感器系統(tǒng)(IO)，包括智能傳感器(12)，用于監(jiān)視資產(chǎn)系統(tǒng)的工作狀況，所述智能傳感器經(jīng)電纜(14)連接到輸入端口(16);以及板載處理單元(11)，用于使用如權(quán)利要求1所述的方法對所述資產(chǎn)系統(tǒng)進行高級狀況監(jiān)視。14.如權(quán)利要求13所述的系統(tǒng)，還包括無線通信單元(24)，所述無線通信單元用于以無線方式將信號從所述智能傳感器系統(tǒng)(10)傳送到外圍處理設(shè)備(26)。15.如權(quán)利要求13所述的系統(tǒng)，還包括顯示和告警單元(18)，所述顯示和告警單元(18)用于顯示來自所述處理單元(11)的計算結(jié)果。全文摘要本發(fā)明的名稱為用于對資產(chǎn)系統(tǒng)進行高級狀況監(jiān)視的系統(tǒng)和方法，提供一種用于對資產(chǎn)系統(tǒng)進行高級狀況監(jiān)視的方法，包括使用多個自聯(lián)想神經(jīng)網(wǎng)絡(luò)來確定多個工作狀態(tài)的至少一個工作狀態(tài)中的至少一個傳感器感測的實際值的估算；從多個自聯(lián)想神經(jīng)網(wǎng)絡(luò)的每一個自聯(lián)想神經(jīng)網(wǎng)絡(luò)確定估算的感測值與至少一個傳感器感測的實際值之間的殘差；并使用模糊監(jiān)控模型混合器組合殘差；對所組合的殘差執(zhí)行故障診斷；以及通過分析組合的殘差來確定資產(chǎn)系統(tǒng)的工作的變動。如果必要的話，提供告警。智能傳感器系統(tǒng)(10)包括板載處理單元(11)，板載處理單元(11)用于執(zhí)行本發(fā)明的方法。文檔編號G05B13/02GK101776862SQ20091014894公開日2010年7月14日申請日期2009年5月31日優(yōu)先權(quán)日2008年5月29日發(fā)明者A·V·塔瓦爾,J·E·赫爾希,P·P·博尼索恩,R·J·小米切爾,R·V·蘇布,胡曉申請人:通用電氣公司