專利名稱：確定現(xiàn)象中變量的影響的方法
技術(shù)領(lǐng)域：
本文描述的技術(shù)涉及確定現(xiàn)象中給定變量的影響的方法。
背景技術(shù)：
檢測(cè)與機(jī)器或觀測(cè)的事件中的具體失靈或故障模式有關(guān)的樣式可能非常具有挑戰(zhàn)性。一般確定征兆(或測(cè)量)何時(shí)異常更為容易。獲知情況異?？梢允欠浅Ｓ袃r(jià)值的。但是，如果可以利用嚴(yán)重性評(píng)級(jí)標(biāo)記異常和/或?qū)惓Ｅc特定狀況或故障模式關(guān)聯(lián)，則更有價(jià)值。輸入變量(例如，測(cè)量參數(shù))與異常之間關(guān)聯(lián)的樣式中包含診斷信息。但是，此樣式可能非常難以抽取。在加工行業(yè)內(nèi)，經(jīng)常使用主成分分析(PCA)來(lái)進(jìn)行異常檢測(cè)或故障診斷?？梢杂?jì) 算殘留成分(residual component)或主成分的變量貢獻(xiàn)。此方法提供哪些變量對(duì)異常測(cè)量的貢獻(xiàn)最大的指示。但是，PCA具有局限性。它是單模的，意味著當(dāng)數(shù)據(jù)由復(fù)雜密度生成時(shí)它的效用受限，并且它未提供處理丟失數(shù)據(jù)的直觀方法。檢測(cè)變量貢獻(xiàn)的另ー個(gè)途徑是計(jì)算殘差(residual)。對(duì)于特定變量，使用回歸技術(shù)來(lái)預(yù)測(cè)變量的值，然后用測(cè)量的值減去它以導(dǎo)出殘差。殘差的量值提供其對(duì)異常狀態(tài)的貢獻(xiàn)的測(cè)量。但是，直接比較不同的變量仍可能是困難的。并且，如果多個(gè)變量對(duì)異常有貢獻(xiàn)，則來(lái)自這些殘差的輸出可能造成誤導(dǎo)?；貧w技術(shù)往往是單模的并且將遇到與PCA類似的局限性。

發(fā)明內(nèi)容
在ー個(gè)方面中，ー種確定現(xiàn)象中變量的影響的方法，包括以圖形形式提供混合模型，混合模型包括模型成分、表示與該模型成分關(guān)聯(lián)的類的至少ー個(gè)類節(jié)點(diǎn)、以及表示與該類內(nèi)的變量關(guān)聯(lián)的值的多個(gè)變量節(jié)點(diǎn)，全部表示遇到現(xiàn)象的系統(tǒng)內(nèi)的物理數(shù)據(jù)；選擇變量節(jié)點(diǎn)的其中一個(gè)或子集；通過(guò)對(duì)選擇的ー個(gè)變量節(jié)點(diǎn)以外的變量節(jié)點(diǎn)設(shè)置證據(jù)來(lái)對(duì)圖形形式執(zhí)行操作；通過(guò)邊緣化(marginalize)來(lái)計(jì)算選擇的變量節(jié)點(diǎn)和一個(gè)或多個(gè)類節(jié)點(diǎn)的聯(lián)合分布，以生成新圖形；由新圖形計(jì)算選擇的變量節(jié)點(diǎn)的變量影響指標(biāo)；對(duì)其他選擇的變量節(jié)點(diǎn)重復(fù)選擇步驟、執(zhí)行步驟和計(jì)算步驟；以及彼此相對(duì)地評(píng)估變量節(jié)點(diǎn)的變量影響指標(biāo)的量值。在另ー個(gè)方面中，該新圖形是通過(guò)f =P(XpIlex-Xpes) —P(X/，I’ )描述的變換，其中I表示模型成分，X表示變量，S表示類上的狀態(tài)或分布，以及e指示證據(jù)。在進(jìn)ー步的方面中，該變量影響指標(biāo)表示變量節(jié)點(diǎn)的值中的方向變化。同樣，選擇可以是與應(yīng)用相關(guān)的。而且，執(zhí)行步驟可以包括按樣式和按次序設(shè)置證據(jù)以確定變量影響指標(biāo)的類型。在一個(gè)實(shí)施例中，現(xiàn)象發(fā)生在飛行器引擎的系統(tǒng)中，以及混合模型表示飛行器引擎的性能。


在附圖中圖IA示出給定現(xiàn)象中若干不同輸入變量的數(shù)據(jù)繪圖。圖IB是圖IA中的輸入變量的時(shí)間歷史的似然率計(jì)分。圖2是現(xiàn)象的混合模型，其示出了高斯分布和用作濾波器的離散節(jié)點(diǎn)兩者。圖3是基于鳶尾花數(shù)據(jù)的模型的示范對(duì)數(shù)似然率。圖4是描繪根據(jù)本發(fā)明一個(gè)實(shí)施例的、確定現(xiàn)象中變量的影響的方法的流程圖。圖5是根據(jù)圖4的方法對(duì)圖IA的數(shù)據(jù)計(jì)算的變量影響指標(biāo)的示例。
具體實(shí)施例方式在下文描述中，為了解釋的目的，闡述了多個(gè)特定細(xì)節(jié)，以便提供對(duì)本文描述的技術(shù)的透徹理解。但是對(duì)于本領(lǐng)域技術(shù)人員來(lái)說(shuō)，顯然在沒(méi)有這些特定細(xì)節(jié)的情況下仍可以實(shí)施這些示范實(shí)施例。在其他實(shí)例中，以示意圖形式示出結(jié)構(gòu)和裝置以便有助于描述這些示范實(shí)施例。下文參考這些附圖來(lái)描述這些示范實(shí)施例。這些附示特定實(shí)施例中實(shí)現(xiàn)本文描述的模塊、方法和計(jì)算機(jī)程序產(chǎn)品的某些細(xì)節(jié)。但是，這些附圖不應(yīng)解釋為施加附圖中可能存在的任何限制。該方法和計(jì)算機(jī)程序產(chǎn)品可以在任何機(jī)器可讀介質(zhì)上提供以便實(shí)現(xiàn)它們的操作。這些實(shí)施例可以使用現(xiàn)有計(jì)算機(jī)處理器、或通過(guò)為此目的或另ー個(gè)目的并入的專用計(jì)算機(jī)處理器、或硬線連接的系統(tǒng)來(lái)實(shí)現(xiàn)。正如上文提到的，本文描述的實(shí)施例包括具有用于承載或其上存儲(chǔ)有機(jī)器可執(zhí)行指令或數(shù)據(jù)結(jié)構(gòu)的非暫時(shí)機(jī)器可讀介質(zhì)的計(jì)算機(jī)程序產(chǎn)品。此類計(jì)算機(jī)可讀介質(zhì)可以是可由通用或?qū)Ｓ糜?jì)算機(jī)或具有處理器的其他機(jī)器訪問(wèn)的任何可用介質(zhì)。通過(guò)舉例，此類機(jī)器可讀介質(zhì)可以包括RAM、ROM、EPR0M、EEPR0M、CD-ROM或其他光盤(pán)存儲(chǔ)裝置、磁盤(pán)存儲(chǔ)裝置或其他磁存儲(chǔ)裝置或能夠用于以機(jī)器可執(zhí)行指令或數(shù)據(jù)結(jié)構(gòu)的形式承載或存儲(chǔ)期望的程序代碼并且能夠被通用或?qū)Ｓ糜?jì)算機(jī)或具有處理器的其他機(jī)器訪問(wèn)的任何其他介質(zhì)。當(dāng)通過(guò)網(wǎng)絡(luò)或另ー種通信連接(例如硬線連接、無(wú)線或硬線連接或無(wú)線的組合)向機(jī)器傳送或提供信息吋，該機(jī)器恰當(dāng)?shù)貙⒃撨B接視為機(jī)器可讀介質(zhì)。因此，任何此類連接均恰當(dāng)?shù)胤Q為機(jī)器可讀介質(zhì)。上文這些的組合也包含在機(jī)器可讀介質(zhì)的范圍內(nèi)。機(jī)器可執(zhí)行指令包括，例如使通用計(jì)算機(jī)、專用計(jì)算機(jī)或?qū)Ｓ锰幚頇C(jī)器執(zhí)行某個(gè)功能或一組功能的指令和數(shù)據(jù)。實(shí)施例將在方法步驟的通用上下文中進(jìn)行描述，這些方法步驟可以在ー個(gè)實(shí)施例中通過(guò)包括例如采用聯(lián)網(wǎng)環(huán)境中的機(jī)器執(zhí)行的程序模塊的形式的、如程序代碼的機(jī)器可執(zhí)行指令的程序產(chǎn)品來(lái)實(shí)現(xiàn)。一般地，程序模塊包括，具有執(zhí)行具體任務(wù)或?qū)崿F(xiàn)具體抽象數(shù)據(jù)類型的技術(shù)效果的例行程序、程序、對(duì)象、組件和數(shù)據(jù)結(jié)構(gòu)等。機(jī)器可執(zhí)行指令、關(guān)聯(lián)的數(shù)據(jù)結(jié)構(gòu)和程序模塊表示用于執(zhí)行本文公開(kāi)的方法步驟的程序代碼的示例。此類可執(zhí)行指令或關(guān)聯(lián)的數(shù)據(jù)結(jié)構(gòu)的具體序列表示用于實(shí)現(xiàn)此類步驟中描述的功能的對(duì)應(yīng)動(dòng)作的示例。實(shí)施例可以在聯(lián)網(wǎng)環(huán)境中使用至具有處理器的一個(gè)或多個(gè)遠(yuǎn)程計(jì)算機(jī)的邏輯連接來(lái)實(shí)施。邏輯連接可以包括本文作為舉例而非限制提出的局域網(wǎng)(LAN)和廣域網(wǎng)(WAN)。此類聯(lián)網(wǎng)環(huán)境在辦公方面或企業(yè)方面計(jì)算機(jī)網(wǎng)絡(luò)、內(nèi)聯(lián)網(wǎng)和因特網(wǎng)中是常見(jiàn)的，并且能夠使用范圍多祥的不同通信協(xié)議。本領(lǐng)域技術(shù)人員將意識(shí)到，此類網(wǎng)絡(luò)計(jì)算環(huán)境通常將涵蓋多種類型的計(jì)算機(jī)系統(tǒng)配置，包括個(gè)人計(jì)算機(jī)、手持裝置、多處理器系統(tǒng)、基于微處理器或可編程的消費(fèi)電子產(chǎn)品、網(wǎng)絡(luò)PC、微計(jì)算機(jī)、主機(jī)計(jì)算機(jī)等。實(shí)施例還能夠在分布式計(jì)算環(huán)境中實(shí)施，在這些分布式計(jì)算環(huán)境中，由通過(guò)(硬線連接的鏈路、無(wú)線鏈路或通過(guò)硬線連接的鏈路或無(wú)線鏈路的組合)經(jīng)通信網(wǎng)絡(luò)鏈接的本地和遠(yuǎn)程處理裝置來(lái)執(zhí)行任務(wù)。在分布式計(jì)算環(huán)境中，可以將程序模塊放置在本地存儲(chǔ)器存儲(chǔ)裝置和遠(yuǎn)程存儲(chǔ)器存儲(chǔ)裝置兩者中。用于實(shí)現(xiàn)這些示范實(shí)施例的整體或或多個(gè)部分的示范系統(tǒng)可以包括計(jì)算機(jī)形式的通用計(jì)算裝置，這些通用計(jì)算裝置包括處理單元、系統(tǒng)存儲(chǔ)器和將包括系統(tǒng)存儲(chǔ)器的多種系統(tǒng)組件耦合到處理單元的系統(tǒng)總線。該系統(tǒng)存儲(chǔ)器可以包括只讀存儲(chǔ)器(ROM)和隨機(jī)存取存儲(chǔ)器(RAM)。該計(jì)算機(jī)還可以包括用于從磁硬盤(pán)讀取以及向磁硬盤(pán)寫(xiě)入的磁硬盤(pán)驅(qū)動(dòng)器、用于從可移動(dòng)磁盤(pán)讀取以及向可移動(dòng)磁盤(pán)寫(xiě)入的磁盤(pán)驅(qū)動(dòng)器以及用于從如⑶-ROM的可移動(dòng)光盤(pán)或其他光介質(zhì)讀取或向其寫(xiě)入的光盤(pán)驅(qū)動(dòng)器。這些驅(qū)動(dòng)器及其關(guān)聯(lián)的機(jī)器可讀介質(zhì)提供用于該計(jì)算機(jī)的機(jī)器可執(zhí)行的指令、數(shù)據(jù)結(jié)構(gòu)、程序模塊和其他數(shù)據(jù)的非易失性存儲(chǔ)。 這些實(shí)施例中公開(kāi)的方法的技術(shù)效果包括更有效率地檢測(cè)與機(jī)器中的具體失靈或故障模式有關(guān)的樣式，減少診斷和故障處理時(shí)間并能夠?qū)崿F(xiàn)更好健康和維護(hù)規(guī)劃。使用變量影響指標(biāo)來(lái)提供變量的“興趣”行為的指示。變量影響指標(biāo)的一示例應(yīng)用是確定哪些變量可為異常行為負(fù)責(zé)。使用一種稱為混合模型的數(shù)據(jù)驅(qū)動(dòng)構(gòu)建的模型來(lái)計(jì)算變量影響指標(biāo)。假定已使用歷史數(shù)據(jù)以突出特定應(yīng)用感興趣的行為的方式訓(xùn)練此模型?；旌夏Ｐ吞峁┯糜趯?duì)范圍廣泛的物理現(xiàn)象建模的豐富資源，正如G. McLachlan和D. Peel在《Finite Mixture Models)), John ffiley&Sons, (2000)中所描述的?；旌夏Ｐ涂捎糜趯?duì)現(xiàn)象中的正常行為建模，并且因此也可用于檢測(cè)異常行為。來(lái)自混合模型的似然率計(jì)分能夠用于監(jiān)視異常行為?；旧?，變量影響指標(biāo)是似然率計(jì)分。此上下文中的感興趣行為意味著位于混合模型的密度邊緣上的空間區(qū)域中的變量。該模型對(duì)于位于這些區(qū)域中的數(shù)據(jù)更敏感。對(duì)于如健康監(jiān)視的許多應(yīng)用，低密度空間的區(qū)域往往表示最感興趣的區(qū)域，因?yàn)檫@些區(qū)域中操作的機(jī)器正在其設(shè)計(jì)極限外運(yùn)行。似然率計(jì)分可以在數(shù)據(jù)過(guò)渡通過(guò)低密度區(qū)域時(shí)提供有用的診斷信息。似然率將往往展示趨勢(shì)特征，這些趨勢(shì)特征提供有關(guān)行為的信息(例如，健康正在惡化或隨機(jī)和可能出現(xiàn)與差的儀器關(guān)聯(lián)的感測(cè))。圖IA和圖IB圖示了此情況。圖IA示出給定現(xiàn)象中八個(gè)不同變量的值的數(shù)據(jù)繪圖。圖IB是圖IA中的全部輸入變量的似然率計(jì)分的時(shí)間歷史計(jì)分。此處，看到完整數(shù)據(jù)的似然率反映若干輸入變量的形狀ー它提供ー種融合的形式并概述所有輸入變量上的行為(注意似然率總是在對(duì)數(shù)空間中示出)。如果所有輸入變量的完整歷史均位于高密度區(qū)域中，則在似然率計(jì)分中沒(méi)有形狀(向下趨勢(shì))。還有，似然率計(jì)分的量值取決于異常行為輸入變量的數(shù)量。似然率計(jì)分展示混合模型對(duì)于與數(shù)據(jù)時(shí)間歷史的最后部分關(guān)聯(lián)的層面上運(yùn)行的數(shù)據(jù)所具有的經(jīng)驗(yàn)不多。如果混合模型被訓(xùn)練成表示正常行為，則似然率計(jì)分將展示漸增異常的行為。但是，雖然似然率計(jì)分顯示異常行為，但是它未顯示哪個(gè)組合的輸入變量表現(xiàn)異常。而且，在直接利用這些輸入變量處理時(shí)不易導(dǎo)出此信息。這是因?yàn)檫@些輸入變量的標(biāo)度(scale)和統(tǒng)計(jì)特性可能顯著地不同。變量影響指標(biāo)能夠展示哪些變量顯著地對(duì)異常有貢獻(xiàn)。
雖然變量影響指標(biāo)是對(duì)數(shù)似然率計(jì)分，但是它們是以展示信息的特定方式來(lái)計(jì)算的。這意味著混合模型必須以展示感興趣行為的方式來(lái)生成。此情況通常在以“圖形形式”描述混合模型時(shí)便于解釋。標(biāo)準(zhǔn)混合模型具有連接到表示混合成分的離散父節(jié)點(diǎn)(有時(shí)也稱為“群集”)的高斯分布。圖2圖示此情況。在本發(fā)明的一個(gè)實(shí)施例中，用于計(jì)算變量影響指標(biāo)的模型包含用作濾波器的附加節(jié)點(diǎn)。這些節(jié)點(diǎn)常常是離散，但是可能是連續(xù)的。這些濾波器可以設(shè)為在執(zhí)行預(yù)測(cè)時(shí)改變模型成分的混合權(quán)重。例如，如果將不同的成分(或成分的組合)與個(gè)別的類關(guān)聯(lián)，并且案例的類是已知的，則移除當(dāng)前類的表示，并且獲得從所有其他類的角度而言的當(dāng)前案例的視圖是可能的。圖3中示出此 類濾波對(duì)似然率計(jì)分的效果的特定示例。這是從公知的鳶尾花數(shù)據(jù)集(包含來(lái)自三種品種的鳶尾花(每個(gè)品種50個(gè)案例)的萼片和花瓣測(cè)量的集合的簡(jiǎn)單數(shù)據(jù)集)上構(gòu)建的模型。示出對(duì)應(yīng)于每個(gè)品種的使用所有輸入變量的對(duì)數(shù)似然率。使用濾波器執(zhí)行預(yù)測(cè)，濾波器確保計(jì)算中未使用與當(dāng)前品種關(guān)聯(lián)的成分。此類型的預(yù)測(cè)可以指示這些品種中哪個(gè)(如果有的話)是最不同的。圖3示出是Setosa的品種，可以通過(guò)繪制散點(diǎn)圖來(lái)容易地確認(rèn)其如圖這些的簡(jiǎn)單數(shù)據(jù)(這些似然率計(jì)分按品種排序，其中Setosa被首先繪制,然后是Versicolor,再后來(lái)是Virginica)。在圖2中，I表示模型成分以及X是包括XpX2、X3. ..Xn的多變量高斯。節(jié)點(diǎn)C表示類變量。在一個(gè)實(shí)施例中，節(jié)點(diǎn)Slj表示類(即,個(gè)體類)內(nèi)的變量值。節(jié)點(diǎn)C具有多個(gè)狀態(tài)，等于類的數(shù)量(每個(gè)ん對(duì)應(yīng)于一個(gè)狀態(tài))。每個(gè)ん的分布通常是ニ進(jìn)制的，并且采用在當(dāng)前類(對(duì)應(yīng)ん)被去激活(即，從模型預(yù)測(cè)中移除)時(shí)所有其他類保持激活的方式將其進(jìn)行編碼。該分布還能夠編碼為執(zhí)行此濾波的逆過(guò)程。在另ー個(gè)實(shí)施例中，節(jié)點(diǎn)を可以是連續(xù)的節(jié)點(diǎn)，每個(gè)節(jié)點(diǎn)在節(jié)點(diǎn)C的值上編碼ー種“軟”證據(jù)。圖4中示出使用如圖2所示的混合模型評(píng)估變量影響指標(biāo)的方法的示范流程圖。在此方法中，可以使用圖形變換和推斷(inference)來(lái)計(jì)算變量影響指標(biāo)。變換是圖形結(jié)構(gòu)上的產(chǎn)生新圖形結(jié)構(gòu)的操作。推斷包括輸入證據(jù)(對(duì)ー個(gè)或多個(gè)節(jié)點(diǎn)賦值)并計(jì)算聯(lián)合概率或個(gè)體節(jié)點(diǎn)概率。不同的變換和相干步驟提供展示不同行為性質(zhì)的變量影響指標(biāo)的不同變體。例如，就飛行器引擎的行為的模型來(lái)考量。排放氣體溫度對(duì)于飛行中具體階段將具有正常操作區(qū)域，并且甚高或甚低值可能表征異常行為?？梢允褂茅`種類型的變量影響指標(biāo)來(lái)監(jiān)視此“范圍外”異常行為。當(dāng)測(cè)量參數(shù)(例如，燃料流量和低壓池速度)之間有相關(guān)性時(shí)，可以使用另ー種類型的變量影響指標(biāo)來(lái)監(jiān)視不同樣式的異常行為。盡管個(gè)體測(cè)量可能位于正常范圍，但跨參數(shù)的樣式可能是異常的(例如，當(dāng)存在相關(guān)性喪失時(shí))。在圖4中，在100處，將列表Y初始化為空。此列表將保持跟蹤已處理的測(cè)量節(jié)點(diǎn)。在102處，以圖形方式定義如圖2所述的混合模型。在104處選擇變量節(jié)點(diǎn)Xj之一，并在106處為X1以外的所有變量測(cè)量節(jié)點(diǎn)生成證據(jù)。證據(jù)僅在存在并被視為有效的(例如，可以將測(cè)量視為不可能的值)時(shí)才被輸入。如果必要的話，在108處，對(duì)屬于S的變量設(shè)置證據(jù)。然后，在110處計(jì)算&和I的聯(lián)合分布。然后，在112處生成新圖形，其包含編碼110處計(jì)算的聯(lián)合分布的新節(jié)點(diǎn)X/和I’?？梢詫⑿聢D形的示范變換指示如下f ^(X1, Ilex-Xj, es) — P(X/，I，)，其中I表示模型成分,X表示變量,S表示類上的狀態(tài)或分布，以及e指示證據(jù)。在114處，對(duì)X/設(shè)置證據(jù)(此證據(jù)指示為Xj)以及在116處計(jì)算P (Xj)。在118處，將Xj添加到完成的列表Y中，然后選擇新節(jié)點(diǎn)從104重復(fù)該過(guò)程。p(xp的對(duì)數(shù)是&的基本變量影響指標(biāo)。例如，就圖2中的圖形來(lái)考量。期望計(jì)算X2、X3和X4的場(chǎng)合下X1的變量影響指標(biāo)。還知道，此案例來(lái)自類S2(在本示例中，S中所有節(jié)點(diǎn)均是離散的，但是它們可以是連續(xù)的或離散的與連續(xù)的組合)。將該案例的值指示如下X1 = X1, X2 = x2, X3 = x3, X4 = X4,類=S2輸入證據(jù)，并在112處通過(guò)請(qǐng)求(X1, I)的聯(lián)合分布來(lái)生成新圖形f P (X1, 11 X2, x3, x4, S2 = true) — P (X1,，I，)函數(shù)f是指生成新圖形的邊緣化。上標(biāo)’指示具有新分布的新變量。邊緣化是應(yīng)用于圖形的標(biāo)準(zhǔn)方法，正如《Bayesian Networks and Decision Graphs)), Finn V. Jensen和Thomas D. Nielsen, Springer (2007)中教導(dǎo)的。實(shí)例化新圖形能夠?qū)崿F(xiàn)執(zhí)行進(jìn)ー步預(yù) 測(cè)。在本示例中對(duì)X1基本變量影響指標(biāo)是
P (X1)以及是在116處由新圖形計(jì)算的。設(shè)置證據(jù)的過(guò)程確定所產(chǎn)生的變量影響指標(biāo)的變體。例如，要計(jì)算對(duì)于單變量數(shù)據(jù)超出范圍敏感的變量影響指標(biāo)，不設(shè)置其他變量上的證據(jù)。但是，其他連續(xù)變量的證據(jù)仍可以用作確定載入新圖形模型中的節(jié)點(diǎn)I的后驗(yàn)加權(quán)的證據(jù)。而且，當(dāng)節(jié)點(diǎn)Xn被視為獨(dú)立的時(shí)，計(jì)算后驗(yàn)加權(quán)的此證據(jù)設(shè)置可以是迭代的。此迭代包括輸入證據(jù)節(jié)點(diǎn)的其中之一的證據(jù)，記錄I上的分布，對(duì)所有其他證據(jù)節(jié)點(diǎn)重復(fù)，并然后計(jì)算I中每個(gè)狀態(tài)的所記錄的分布的積。因此，在步驟120中，重復(fù)對(duì)其他變量節(jié)點(diǎn)選擇、生成、執(zhí)行和計(jì)算變量影響指標(biāo)的過(guò)程，以便在122處彼此相對(duì)地評(píng)估它們(如圖繪制的)的量值以確定選擇的變量節(jié)點(diǎn)的影響?？梢酝ㄟ^(guò)與預(yù)定的準(zhǔn)則進(jìn)行比較來(lái)自動(dòng)化122處的評(píng)估，或可以通過(guò)繪制的分布的可視化檢查來(lái)人工執(zhí)行。因此，可見(jiàn)到計(jì)算變量影響指標(biāo)的變體中存在靈活性并且最適合的變體是與應(yīng)用相關(guān)的。還可以對(duì)變量影響指標(biāo)標(biāo)符號(hào)，以使它們反映原始變量中的方向變化。例如,如果測(cè)量參數(shù)趨勢(shì)向下，在變量影響指標(biāo)中具有相同方向的趨勢(shì)則可能是有用的。對(duì)變量影響指標(biāo)標(biāo)符號(hào)的一個(gè)簡(jiǎn)單方式是遵循證據(jù)設(shè)置的相同路徑來(lái)生成新圖形。然后可以將實(shí)際值(例如，X1)與邊緣分布的平均值比較。如果該值低于平均值，則變量影響指標(biāo)具有負(fù)號(hào)，以及如果高于平均值，則具有正號(hào)。還可以相對(duì)于擬合度計(jì)分和模型閾值來(lái)?yè)Q算變量影響指標(biāo)。當(dāng)將變量Xn視為相關(guān)集合吋，異常變量可能對(duì)其他變量的變量影響指標(biāo)有巨大影響。在這些情況中，可以對(duì)圖4所示的數(shù)據(jù)流設(shè)置外環(huán)。然后，執(zhí)行圖4中的過(guò)程以檢測(cè)具有最大影響的變量。將該變量設(shè)為NULL以處理為丟失，并重復(fù)圖4中的過(guò)程。該過(guò)程在其余變量(即，未設(shè)為NULL的那些變量)具有視為正常的集合似然率計(jì)分時(shí)終止。在重復(fù)圖4中的過(guò)程的另ー個(gè)變體中，可以將Xn的變量的不同子集(組合)設(shè)為NULL。當(dāng)N小吋，對(duì)于Xn的所有組合窮舉地運(yùn)行圖4中的過(guò)程是可能的。小N的定義是與應(yīng)用相關(guān)的，并且通過(guò)考量可用計(jì)算資源、數(shù)據(jù)負(fù)載和應(yīng)用所需的系統(tǒng)響應(yīng)時(shí)間來(lái)定義。圖5中示出為圖IA所示的輸入數(shù)據(jù)計(jì)算的變量影響指標(biāo)的示例。將理解不同類型的變量影響指標(biāo)可以提供有關(guān)不同類型的異常(如單變量界外值和多變量界外值或去相關(guān))的信息?？梢酝ㄟ^(guò)輸入的證據(jù)的樣式和輸入的證據(jù)的次序來(lái)確定變量影響指標(biāo)的類型。本書(shū)面描述使用示例來(lái)公開(kāi)包括最佳模式的本發(fā)明，以及還使本領(lǐng)域技術(shù)人員能制作和使用本發(fā)明。本發(fā)明可取得專利的范圍由權(quán)利要求確定，且可包括本領(lǐng)域技術(shù)人員 想到的其它示例。如果此類其它示例具有與權(quán)利要求字面語(yǔ)言無(wú)不同的結(jié)構(gòu)要素，或者如果它們包括與權(quán)利要求字面語(yǔ)言無(wú)實(shí)質(zhì)不同的等效結(jié)構(gòu)要素，則它們規(guī)定為在權(quán)利要求的范圍之內(nèi)。
權(quán)利要求
1.ー種確定現(xiàn)象中變量的影響的方法，包括 在非暫時(shí)介質(zhì)中以圖形形式提供混合模型，所述混合模型包括模型成分、至少ー個(gè)類節(jié)點(diǎn)和多個(gè)變量節(jié)點(diǎn)，所述至少一個(gè)類節(jié)點(diǎn)表示與所述模型成分關(guān)聯(lián)的類，而所有所述多個(gè)變量節(jié)點(diǎn)表示遇到所述現(xiàn)象的系統(tǒng)內(nèi)的物理數(shù)據(jù)， 在處理器中，從所述非暫時(shí)介質(zhì)中選擇所述多個(gè)變量節(jié)點(diǎn)的至少ー個(gè)， 通過(guò)對(duì)所述多個(gè)變量節(jié)點(diǎn)中所選擇的至少ー個(gè)以外的多個(gè)變量節(jié)點(diǎn)設(shè)置證據(jù)來(lái)對(duì)所述圖形形式執(zhí)行操作， 通過(guò)邊緣化來(lái)計(jì)算所述多個(gè)變量節(jié)點(diǎn)中所選擇的一個(gè)和所述至少一個(gè)類節(jié)點(diǎn)的聯(lián)合分布，以生成新圖形， 由所述新圖形計(jì)算所述多個(gè)變量節(jié)點(diǎn)中所述選擇的一個(gè)的變量影響指標(biāo)， 對(duì)所述多個(gè)變量節(jié)點(diǎn)中其他選擇的變量節(jié)點(diǎn)重復(fù)所述選擇步驟、執(zhí)行步驟和計(jì)算步驟，以及 彼此相對(duì)地評(píng)估所述多個(gè)變量節(jié)點(diǎn)的變量影響指標(biāo)的量值。
2.如權(quán)利要求I所述的方法，其中，所述新圖形是通過(guò)LP(XpIle5H^es)-P(X1M)描述的變換，其中I表示所述模型成分，X表示所述變量，S表示類上的狀態(tài)或分布，以及e指示證據(jù)。
3.如權(quán)利要求I所述的方法，其中，所述變量影響指標(biāo)表示所述變量節(jié)點(diǎn)的值中的方向變化。
4.如權(quán)利要求I所述的方法，其中，所述選擇是與應(yīng)用相關(guān)的。
5.如權(quán)利要求I所述的方法，其中，所述選擇包括所述多個(gè)變量節(jié)點(diǎn)的子集。
6.如權(quán)利要求I所述的方法，其中，所述執(zhí)行步驟包括按樣式和按次序設(shè)置證據(jù)，以確定變量影響指標(biāo)的類型。
7.如權(quán)利要求I所述的方法，其中，所述系統(tǒng)是飛行器引擎，以及所述混合模型表示所述飛行器引擎的性能。
8.如權(quán)利要求I所述的方法，其中，所述變量節(jié)點(diǎn)包括表示連續(xù)參數(shù)的多個(gè)第一變量節(jié)點(diǎn)，以及表示與所述類內(nèi)的變量關(guān)聯(lián)的值或分布的多個(gè)第二變量節(jié)點(diǎn)，并且其中，所述選擇步驟包括選擇所述第一變量節(jié)點(diǎn)之一。
9.如權(quán)利要求I所述的方法，其中，對(duì)所述第一變量節(jié)點(diǎn)和第二變量節(jié)點(diǎn)計(jì)算所述聯(lián)合分布。
全文摘要
本發(fā)明的名稱為“確定現(xiàn)象中變量的影響的方法”。一種確定現(xiàn)象中變量的影響的方法，包括從非暫時(shí)介質(zhì)中提取選擇的變量以用于在處理器中分析和處理包括現(xiàn)象中的其他變量的圖形操作的序列。計(jì)算選擇的變量的變量影響指標(biāo)并對(duì)其他選擇的變量重復(fù)這些步驟，其能夠?qū)崿F(xiàn)選擇的變量之間的評(píng)估以確定它們?cè)诂F(xiàn)象中的影響。
文檔編號(hào)G06F17/30GK102693262SQ20121003465
公開(kāi)日2012年9月26日 申請(qǐng)日期2012年2月8日 優(yōu)先權(quán)日2011年2月8日
發(fā)明者R·E·凱蘭 申請(qǐng)人:通用電氣公司