專利名稱：用于在機器狀況監(jiān)視中創(chuàng)建狀態(tài)估計模型的方法和設(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化目的的機器狀況監(jiān)視。更具體地，本發(fā)明涉及用于構(gòu)建描述一組機器傳感器之間的關(guān)系的狀態(tài)估計模型的技術(shù)。
背景技術(shù)：
機器狀況監(jiān)視的任務(wù)是盡可能早地檢測故障以避免對機器的進一步損壞。這通常通過分析來自安裝在機器的不同部分上的用于測量溫度、壓力、振動等的一組傳感器的數(shù)據(jù)來完成。當機器正常地操作時，所有傳感器服從某個關(guān)系。該關(guān)系能夠用一個傳感器針對其它相關(guān)傳感器的依賴性(dependency)來描述。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，在燃氣渦輪機中，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)測值。如果實際觀察的值偏離該預(yù)測值，則觀察可以指示系統(tǒng)故障。機器狀況監(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(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。在測試期間，對于所觀察的傳感器值，使用經(jīng)訓(xùn)練的SE模型來估計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)視機器的完全獨立的部分，使得某些傳感器不與其它傳感器相關(guān)。如果一個人簡單地使用所有傳感器來構(gòu)建單個SE模型，并使用包括無關(guān)傳感器的其余傳感器來估計一個傳感器，則SE模型的性能將受到不利影響。在一個方法中，分兩個步驟來構(gòu)造SE模型。首先，計算傳感器的逐對相關(guān)分數(shù)?？梢杂舍槍€性情況的標準相關(guān)系數(shù)或針對非線性情況的更復(fù)雜的相互信息來計算所述分數(shù)。在第二步驟中，基于相關(guān)分數(shù)，應(yīng)用諸如分級集群化之類的集群化方法來將傳感器集群化成各組。該方法受到限制，因為僅使用兩個傳感器之間的逐對相關(guān)，并且該方法因此不能捕捉涉及不止兩個傳感器(這在復(fù)雜機器中廣泛地存在)的相關(guān)。對于多個傳感器而言能夠擴展相互信息，但是是以計算時間的指數(shù)增加為代價的。另外，相互信息通常要求連續(xù)傳感器信號的離散化，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監(jiān)視機器的改進的技術(shù)。該技術(shù)應(yīng)創(chuàng)建各組，其中，在每個組內(nèi)，傳感器是相關(guān)的，但是在組之間，傳感器不是相關(guān)的。 通過使用此類組，能夠為每個組訓(xùn)練一個SE模型。

發(fā)明內(nèi)容
在本公開中，提出了用于通過分析一個傳感器針對所有其余傳感器的依賴性來將傳感器分組的方法。特別地，采用高斯過程回歸(Gaussian process regression)方法來根據(jù)其余傳感器(作為輸入)預(yù)測目標傳感器(作為輸出)。使用具有自動相關(guān)性確定的核函數(shù)(kernel function)，使得每個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，兩個指示揭示關(guān)于傳感器依賴性的信息。首先，此高斯過程模型的噪聲方差表示輸出針對輸入的總體依賴性。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每個輸入傳感器的相對依賴性(relative cbpendency)。這是因為與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，則確定輸出或目標傳感器不依賴于其它傳感器。如果輸入傳感器的相對依賴性小于閾值，則確定此輸出或目標傳感器不依賴于此輸入傳感器。 針對所有其它傳感器，對每個傳感器執(zhí)行該依賴性分析。如果一個依賴于另一個，則兩個傳感器是相關(guān)的。因此提出新的分組算法。本發(fā)明的一個實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)估計模型中使用的方法。在計算機中，針對該組傳感器中的每個傳感器訓(xùn)練的單獨的高斯過程回歸，其中，在用于傳感器y的高斯過程回歸中，傳感器y是目標傳感器且該組的d個其余傳感器是輸入傳感器。該訓(xùn)練使用來自傳感器的信號值的訓(xùn)練集來確定用于目標傳感器y的噪聲方差ν和d個核寬度％。每個核寬度^表示d個輸入傳感器中的相應(yīng)傳感器k在預(yù)測傳感器y的值方面的相關(guān)性。然后通過使用傳感器的噪聲方差ν和核寬度％對傳感器組中的每個傳感器執(zhí)行依賴性分析以確定該傳感器是否與d個其它傳感器中的每一個相關(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)來執(zhí)行高斯過程回歸
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)估計模型中使用的方法，該方法包括(A)在計算機中，針對該組傳感器中的每個傳感器訓(xùn)練單獨的高斯過程回歸，其中，在用于傳感器y的高斯過程回歸中，傳感器y是目標傳感器且該組的d個其余傳感器是輸入傳感器，該訓(xùn)練使用來自傳感器的信號值的訓(xùn)練集來確定用于目標傳感器y的噪聲方差ν 和d個核寬度^，每個核寬度％表示d個輸入傳感器中的相應(yīng)傳感器k在預(yù)測傳感器y的值方面的相關(guān)性；(B)通過使用傳感器的噪聲方差ν和核寬度％對傳感器組中的每個傳感器執(zhí)行依賴性分析以確定該傳感器是否與d個其它傳感器中的每一個相關(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)來執(zhí)行高斯過程回歸
3.權(quán)利要求1的方法，其中，訓(xùn)練高斯過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對其余傳感器中的每一個傳感器k的相對依賴性權(quán)值wk，所述相對依賴性權(quán)值Wk是相應(yīng)核寬度％的函數(shù)，以及(3)通過將傳感器對中的傳感器之間的相對依賴性權(quán)值Wk與第二閾值T2相比較來確定該組傳感器中的各對傳感器是否是相關(guān)的。
5.權(quán)利要求4的方法，其中，由下式來定義相對依賴性權(quán)值Wk
6.權(quán)利要求4的方法，其中，只有當傳感器y被確定為依賴于其它傳感器時，才確定傳感器y的相對依賴性。
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，將兩個新索引集Z = {i}和G= U}初始化，每個索引集包含單個索引i，并執(zhí)行以下各項 -從Z刪除第一元素j ； -識別與j相關(guān)的所有傳感器；-如果所識別的相關(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)由安裝在機器上的一組傳感器來監(jiān)視一個或多個機器的狀況的方法，該系統(tǒng)包括(A)獲取包括傳感器的一系列同時讀數(shù)的傳感器信號的訓(xùn)練集；(B)在計算機中，針對該組傳感器中的每個傳感器訓(xùn)練單獨的高斯過程回歸，其中，在用于傳感器y的高斯過程回歸中，傳感器y是目標傳感器且該組的d個其余傳感器是輸入傳感器值，該訓(xùn)練使用來自傳感器的信號的訓(xùn)練集來確定用于目標傳感器y的噪聲方差ν 和d個核寬度^，每個核寬度％表示d個輸入傳感器中的相應(yīng)傳感器k在預(yù)測傳感器y的值方面的相關(guān)性；(C)通過使用傳感器的噪聲方差ν和核寬度％對傳感器組中的每個傳感器執(zhí)行依賴性分析以確定該傳感器是否與d個其它傳感器中的每一個相關(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)估計模型，該模型具有同一集群中的目標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)估計模型基于輸入傳感器信號來預(yù)測目標傳感器信號；以及(H)如果預(yù)測目標傳感器信號充分地不同于實際傳感器信號，則生成警報。
9.權(quán)利要求8的方法，其中，由與針對該組傳感器中的每個傳感器訓(xùn)練單獨的高斯過程回歸的步驟相同的計算機來執(zhí)行訓(xùn)練集群狀態(tài)估計模型、預(yù)測和生成的步驟。
10.權(quán)利要求8的方法，其中，所述集群狀態(tài)估計模型是高斯過程回歸。
11.權(quán)利要求8的方法，其中，所預(yù)測的目標傳感器信號充分地不同于實際傳感器信號，條件是那些值之間的差超過閾值。
12.權(quán)利要求8的方法，還包括以下步驟使用來自目標傳感器的歷史數(shù)據(jù)來預(yù)測不包含其它傳感器的集群中的目標傳感器的信號。
13.權(quán)利要求8的方法，其中，使用如下定義的核函數(shù)來執(zhí)行高斯過程回歸
14.權(quán)利要求8的方法，其中，訓(xùn)練高斯過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對其余傳感器中的每一個傳感器k的相對依賴性權(quán)值wk，所述相對依賴性權(quán)值Wk是相應(yīng)核寬度％的函數(shù)，以及(3)通過將傳感器對中的傳感器之間的相對依賴性權(quán)值Wk與第二閾值T2相比較來確定該組傳感器中的各對傳感器是否是相關(guān)的。
16.權(quán)利要求15的方法，其中，由下式來定義相對依賴性權(quán)值Wk
17.權(quán)利要求15的方法，其中，只有當傳感器y被確定為依賴于其它傳感器時，才確定傳感器y的相對依賴性。
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，將兩個新索引集Z = {i}和G= U}初始化，每個索引集包含單個索引i，并執(zhí)行以下各項 -從Z刪除第一元素j ； -識別與j相關(guān)聯(lián)的所有傳感器；-如果所識別的相關(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。
19.一種計算機可用介質(zhì)，具有存儲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)估計模型中使用的方法的計算機可讀指令，所述方法包括(A)針對該組傳感器中的每個傳感器訓(xùn)練單獨的高斯過程回歸，其中，在用于傳感器y 的高斯過程回歸中，傳感器y是目標傳感器且該組的d個其余傳感器是輸入傳感器，該訓(xùn)練使用來自傳感器的信號值的訓(xùn)練集來確定用于目標傳感器y的噪聲方差ν和d個核寬度^， 每個核寬度％表示d個輸入傳感器中的相應(yīng)傳感器k在預(yù)測傳感器y的值方面的相關(guān)性；(B)通過使用傳感器的噪聲方差ν和核寬度％對傳感器組中的每個傳感器執(zhí)行依賴性分析以確定該傳感器是否與d個其它傳感器中的每一個相關(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的計算機可用介質(zhì)，其中，使用如下定義的核函數(shù)來執(zhí)行高斯過程回歸
21.權(quán)利要求19的計算機可用介質(zhì)，其中，訓(xùn)練高斯過程回歸的步驟利用共軛梯度法。
22.權(quán)利要求19的計算機可用介質(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對其余傳感器中的每一個傳感器k的相對依賴性權(quán)值wk，所述相對依賴性權(quán)值Wk是相應(yīng)核寬度％的函數(shù)，以及(3)通過將傳感器對中的傳感器之間的相對依賴性權(quán)值Wk與第二閾值T2相比較來確定該組傳感器中的各對傳感器是否是相關(guān)的。
23.權(quán)利要求22的計算機可用介質(zhì)，其中，由下式來定義相對依賴性權(quán)值wk:
24.權(quán)利要求22的計算機可用介質(zhì)，其中，只有當傳感器y被確定為依賴于其它傳感器時，才確定傳感器y的相對依賴性。
25.權(quán)利要求19的計算機可用介質(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并將兩個新索引集Z = {i}和G= U}初始化，每個索引集包含單個索引i，并執(zhí)行以下各項 -從Z刪除第一元素j ； -識別與j相關(guān)的所有傳感器；-如果所識別的相關(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)估計模型的性能。為了形成集群，首先使用高斯過程回歸(GPR)來分析整個傳感器組以根據(jù)該組中的其它傳感器進行每個傳感器的預(yù)測。然后，GPR的依賴性分析使用閾值來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)估計模型。
文檔編號G05B17/02GK102265227SQ200980150814
公開日2011年11月30日 申請日期2009年9月25日 優(yōu)先權(quán)日2008年10月20日
發(fā)明者源 C. 申請人:西門子公司