偏差估计装置和方法以及故障诊断装置和方法与流程

本文描述的实施例一般而言涉及偏差估计装置和方法以及故障诊断装置和方法。

背景技术：

其中在传感器的测量值中出现的恒定误差(偏差)的故障被称为“偏差故障”。当估计在偏差故障中生成的偏差量时，在测量值被外部因素干扰的情况下，存在估计值的准确度由于受干扰影响而降低的问题。

附图说明

[图1]图1是根据第一实施例的偏差估计装置的功能配置的框图；

[图2]图2是示例性测量数据组的图；

[图3]图3是图1中的偏差估计装置的硬件配置的框图；

[图4]图4是图1中的偏差估计装置的操作的流程图；

[图5]图5是测量值的不稳定部分和稳定部分的图；

[图6]图6是示例性的偏差估计结果的图；

[图7]图7是根据第二实施例的神经网络的示意性配置的图；

[图8]图8是根据第四实施例的偏差估计装置的功能配置的框图；

[图9]图9是包括定性变量的示例性测量数据的图；

[图10]图10是数据转换方法的流程图；

[图11]图11是根据第五实施例的故障诊断装置的功能配置的框图；

[图12]图12是示例性阈值数据组的图；

[图13]图13是阈值数据组的另一例的图；

[图14]图14是故障诊断装置的操作的流程图；

[图15]图15是偏差故障的示例性诊断结果的图；以及

[图16]图16是根据第六实施例的故障诊断装置的功能配置的框图。

具体实施方式

现在将参考附图解释实施例。本发明不限于这些实施例。

在下面的描述中，“传感器”输出单一种类的测量值。因此，传感器不总是一对一地对应于用于测量的物理设备，因为设备可以在单个测量动作中输出若干种测量值。在下面的描述中，通过多个传感器描述输出若干种测量值的设备。

根据实施例的偏差估计装置估计传感器的测量值中所包括的偏差。偏差估计装置包括参考模型构建器、临时偏差生成器、校正测量值计算器、相似度计算器、相似度选择器、得分计算器以及估计偏差确定器。在下面的描述中，在单个测量动作中传感器的测量值被称为“测量值包”。参考模型构建器构建测量值包的参考模型。临时偏差生成器为每个传感器生成临时偏差并将它们作为临时偏差包输出。临时偏差是传感器的测量值中所包括的偏差的临时估计值，并且偏差包意味着每个传感器的偏差的组。校正测量值计算器通过使用临时偏差包来为每个测量值包计算校正测量值包。相似度计算器计算每个校正测量值包相对于参考模型的相似度。相似度选择器根据相似度的值从为每个校正测量值包计算的相似度之中来选择相似度的一部分。得分计算器基于所选择的相似度计算指示整个校正测量值包相对于参考模型的相似度的得分。估计偏差确定器为每个传感器确定估计偏差。估计偏差是传感器的测量值中所包括的偏差的估计值。

(第一实施例)

将参考图1至图6来描述根据第一实施例的偏差估计装置和方法。根据本实施例的偏差估计装置和方法估计传感器的测量值中所包括的偏差。偏差是包括在测量值中的恒定误差。要估计其偏差的传感器包括任何传感器，诸如温度传感器和湿度传感器。

首先，将参考图1至图3来描述根据第一实施例的偏差估计装置。图1是根据本实施例的偏差估计装置的功能配置的框图。如图1中所图示的，偏差估计装置包括测量数据储存器1、数据提取器2、参考数据储存器3、目标数据储存器4、参考模型构建器5、参考模型储存器6、临时偏差生成器7、校正测量值计算器8、相似度计算器9、相似度选择器10、得分计算器11、估计偏差确定器12以及估计偏差储存器13。

测量数据储存器1储存通过多次测量获得的测量值包。如前所述，测量值包是传感器在单次测量动作中的测量值。每个测量值包和对应的相关信息包被链接并储存在测量数据储存器1中，作为测量数据。与测量动作相关的单个或多个信息被称为“相关信息包”。测量数据储存器1储存多个测量数据，作为测量数据组。

图2是储存在测量数据储存器1中的示例性测量数据组的图。在图2中，测量数据组包括具有测量编号1至6的六个测量数据。每个测量数据包括具有传感器A至D的四个测得值的测量值包以及具有三个相关信息A至C的相关信息包。以这种方式，每个测量数据包括一个测量值包和一个相关信息包。相关信息是例如测量日期和测量状态。但是，相关信息不限于这些。

数据提取器2从储存在测量数据储存器1中的多个测量数据之中提取参考数据组和目标数据组。

参考数据组是测量数据组的一部分，所述测量数据组的测量值包被假设为几乎不包括偏差或不包括偏差，因为对应的传感器正常地操作。参考数据组被用作估计每个传感器的偏差的参考。数据提取器2例如在传感器的检查之后紧接着的预定时段中提取多个测量数据，作为参考数据组。这里，可以可选地设置提取测量数据作为参考数据组的一部分的时段。由数据提取器2提取的参考数据组储存在参考数据储存器3中。

目标数据组是将要描述的偏差估计目标或故障诊断目标的测量数据组的一部分。偏差估计装置估计包括在目标数据组中的测量值包中的偏差。数据提取器2提取例如最近预定时段中的多个测量数据，作为目标数据组。这里，可以可选地设置提取测量数据作为目标数据组的一部分的时段。由数据提取器2提取的目标数据组储存在目标数据储存器4中。

参考模型构建器5基于储存在参考数据储存器3中的参考数据组来构建参考模型。参考模型是可被用于在相似度计算器9中计算测量值包与参考数据组中的测量值包之间的相似度的数学模型。

当满足可以使用该方法来计算相似度的条件时，参考模型构建器5可以通过使用任何方法(诸如，主成分分析和神经网络)来构建参考模型。下面将描述由参考模型构建器5构建参考模型的方法。由参考模型构建器5构建的参考模型储存在参考模型储存器6中。

临时偏差生成器7为每个传感器生成临时偏差，并将它们作为临时偏差包输出。临时偏差是偏差的临时估计值。偏差估计装置根据将要描述的得分来评估多个临时偏差包，并从临时偏差包之中确定所估计的偏差包。估计偏差包由估计偏差组成，并且估计偏差是作为偏差估计装置的估计结果而获得的偏差的估计值。

临时偏差生成器7生成与目标数据的测量值包具有相同维度的临时偏差包。即，当目标数据的测量值包包括n个测量值并且由n维向量表示时，临时偏差包也是n维向量。此时，传感器i的测量值变成对应于测量值包的向量的第i个元素，并且传感器i的临时偏差变成对应于临时偏差包的向量的第i个元素。

例如，当目标数据是图2中所图示的测量数据时，目标数据中的测量值包包括四个测量值。因此，测量值包由四维向量表示。在这种情况中，临时偏差包也由四维向量表示。例如，传感器A(i＝1)的测量值变成对应于测量值包的向量的第一元素，并且传感器A的临时偏差变成对应于临时偏差包的向量的第一元素。

临时偏差生成器7可以通过使用任何方法(诸如，遗传算法和粒子群优化)来生成临时偏差包。下面将描述通过临时偏差生成器7生成临时偏差包的方法。

校正测量值计算器8通过根据由临时偏差生成器7生成的临时偏差包校正储存在目标数据储存器4中的目标数据组中的测量值包来计算校正测量值包。传感器的校正测量值是通过从传感器的测量值中减去传感器的临时偏差而获得的值。在下面的描述中，由校正测量值包和与链接到用于计算校正测量值包的测量值包的相关信息包组成的数据被称为校正数据。校正测量值计算器8生成多个校正数据，作为校正数据组。

校正数据的测量值包与目标数据的测量值包具有相同的维度。即，当目标数据的测量值包是n维时，校正数据的测量值包也是n维。而且，由于校正测量值计算器8生成相对于每个目标数据的校正数据，因此生成与包括在目标数据组中的目标数据一样多的多个校正数据。

相似度计算器9通过使用储存在参考模型储存器6中的参考模型来计算由校正测量值计算器8生成的校正数据组中的每个校正数据与参考数据组之间的相似度。计算出的相似度越高意味着校正数据中的测量值包与参考数据组中的那些包越相似。

这里考虑的是，作为将偏差添加到不包括偏差的测量值的结果来获得的目标数据中测量值包中的每个测量值。校正数据中的测量值包是从目标数据中的测量值包中减去临时偏差包的结果。因此，校正数据中测量值包的相似度越高意味着目标数据的测量值包中所包括的偏差包与临时偏差包之间的距离越近。

相似度计算器9为每个校正数据计算相似度。相似度计算器9生成包括相似度和与在计算该相似度中使用的校正数据相同的相关信息包的相似度数据。由于相似度计算器9为每个校正数据生成相似度数据，因此生成与包括在校正数据组中的校正数据一样多的多个相似度数据(相似度数据组)。可以由相似度计算器9通过使用任何方法来计算相似度。下面将描述由相似度计算器9计算相似度的方法。

相似度选择器10根据由相似度计算器9计算出的多个相似度数据的相似度选择多个相似度数据。由相似度选择器10选择的相似度数据组用于计算将要描述的得分。下面将描述相似度选择器10选择相似度数据的方法。

得分计算器11基于由相似度选择器10选择的相似度数据组来计算得分。得分是这样的值，其中基于参考模型储存器6中的参考模型来评估校正数据组的测量值包与参考数据组的测量值包之间的相似度。得分是例如包括在所选的相似度数据组中的相似度的平均值、中值和模式。但是，得分不限于这些。下面将描述通过得分计算器11计算得分的方法。

估计偏差确定器12基于由得分计算器7计算的得分从由临时偏差生成器7生成的多个临时偏差包之中确定估计偏差包。具体而言，估计偏差确定器12使临时偏差生成器7重复地生成临时偏差包，直到满足预定的终止条件，然后，将所生成的多个临时偏差包中具有最大得分的临时偏差包确定为估计偏差包。即，估计偏差确定器12通过搜索具有最大得分的临时偏差包来确定估计偏差包。由估计偏差确定器12确定的估计偏差包储存在估计偏差储存器13中，作为偏差估计装置的估计结果。

接下来，将参考图3描述根据本实施例的偏差估计装置的硬件配置。通过如图3中所图示的计算机设备100配置根据本实施例的偏差估计装置。计算机设备100包括CPU 101、输入接口102、显示设备103、通信设备104、主储存设备105和外部储存设备106，并且利用总线107将它们彼此连接。

中央处理单元(CPU)101执行主储存设备105中的偏差估计程序。偏差估计程序是用于实现上面提到的偏差估计装置的功能配置的程序。CPU 101执行偏差估计程序，并且相应地实现每个功能配置。

输入接口102将来自输入设备(诸如，键盘、鼠标和触摸面板)的操作信号输入到偏差估计装置。输入接口102例如是USB和以太网。但是，输入接口102不限于这些。关于参考数据和目标数据的周期等的信息可以经由输入接口102输入到偏差估计装置。

显示设备103显示从偏差估计装置输出的视频信号。显示设备103例如是液晶显示器(LCD)、阴极射线管(CRT)和等离子体显示器(PDP)。但是，显示设备103不限于这些。诸如储存在估计偏差储存器13中的估计偏差包的信息可以由显示设备103显示。

偏差估计装置通过通信设备104与外部设备无线地或有线地通信。通信设备104是例如调制解调器和路由器。但是，通信设备104不限于这些。诸如测量数据、参考数据和目标数据的信息可以经由通信设备104从外部设备输入。在这种情况下，偏差估计装置不必包括测量数据储存器1、数据提取器2、参考数据储存器3和目标数据储存器4。

主储存设备105储存偏差估计程序、执行偏差估计程序的必要数据、通过执行偏差估计程序所生成的数据等。偏差估计程序在主储存设备105中执行。主储存设备105例如是RAM、DRAM和SRAM。但是，主储存设备105不限于这些。测量数据储存器1、参考数据储存器3、目标数据储存器4、参考模型储存器6和估计偏差储存器13可以构建在主储存设备105中。

外部储存设备106储存偏差估计程序、执行偏差估计程序的必要数据、通过执行偏差估计程序所生成的数据等。当执行偏差估计程序时，这些程序和数据被读出并储存在主储存设备105中。外部储存设备106例如是硬盘、光盘、闪存和磁带。但是，外部储存设备106不限于这些。测量数据储存器1、参考数据储存器3、目标数据储存器4、参考模型储存器6和估计偏差储存器13可以构建在主储存设备105中。

偏差估计程序可以预先安装到计算机设备100，并且可以储存在诸如CD-ROM的储存介质中。而且，偏差估计程序可以被上传到互联网上。

接下来，将参考图4至图6描述根据本实施例的偏差估计方法。图4是根据本实施例的偏差估计装置的操作的流程图。偏差估计装置通过多次搜索来确定估计偏差包。下面将通过使用具体的例子来详细描述偏差估计装置的操作。

首先，当第一次搜索开始时，参考模型构建器5在步骤S1中构建参考模型。首先，数据提取器2从测量数据储存器1提取参考数据组和目标数据组，然后将它们分别储存在参考数据储存器3和目标数据储存器4中。分别储存在参考数据储存器3和目标数据储存器4中的参考数据组和目标数据组的测量值包如下表示。

公式1

参考数据组的测量值包：

目标数据组的测量值包：

在上面提到的公式中，K指示参考数据的数量，N指示目标数据的数量，以及n指示传感器的数量。而且，相应测量值包的相应元素(例如，x₁)是包括n个测量值的n维向量。

接下来，参考模型构建器5从参考数据储存器3获得参考数据组，并且根据主成分分析获得参考数据组的测量值包的主成分和对应于主成分的特征值。主成分和特征值由下面的公式表示。

公式2

主成分：

特征值：

在上面提到的公式中，主成分的第i个元素p_i对应于特征值的第i个元素λ_i。参考模型构建器5从最大值中提取前85％的特征值，并且从对应于所提取的特征值的主成分构建下面的参考模型P.

公式3

以这种方式构建的参考模型P储存在参考模型储存器6中。参考模型不限于上面提到的参考模型P，并且可以通过使用其它方法来构建。而且，提取出的特征值不限于前85％。

在步骤S2中，临时偏差生成器7如下初始化变量b、b_f、MS、TS和IC。

公式4

变量b是用于由临时偏差生成器7生成的最新临时偏差包的变量。变量b_f是用于具有最大得分的临时偏差包的变量。如上所述，由于临时偏差包与目标数据的测量值包具有相同的维度，因此变量b和b_f是n维向量。变量b和b_f的第i个元素是传感器i的临时偏差。

而且，变量MS是用于最大得分的变量。值-Inf表示值计算中的负无穷大。变量TS是用于由得分计算器11计算出的最新得分的变量。变量IC是用于增量的变量。变量IC用于确定处理的终止条件。

校正测量值计算器8在步骤S3中生成校正数据组。如上所述，通过从目标数据中的测量值包减去临时偏差包来生成校正数据中的测量值包。因此，校正数据组表示如下。

公式5

目标数据组的测量值包：

校正数据组的测量值包：

相似度计算器9在步骤S4中计算包括在校正数据组中的每个校正数据相对于参考模型的相似度。首先，相似度计算器9计算每个校正数据相对于参考模型的误差。误差表示如下。

公式6

第i个校正数据的误差：

校正数据组中的误差：

接下来，相似度计算器9基于上面提到的误差计算每个校正数据相对于参考模型的相似度。相似度表示如下。

公式7

第i个校正数据的相似度：

校正数据组中的相似度：

相应地，计算每个校正数据的相似度s_i，并生成相似度组S。相似度不限于上面提到的相似度s_i，并且可以通过使用其它方法来计算。

在步骤S5中，相似度选择器10从相似度组S之中的最大值中选择10％内的相似度。将所选择的多个相似度代入变量R。

得分计算器11在步骤S6中计算临时偏差包b的得分TS。在本实施例中，包括在变量R中的相似度的平均值被计算为得分TS。即，得分TS是相似度组S的前10％相似度的平均值。通过以这种方式计算得分TS，可以在传感器的测量值如下的条件下提高偏差的估计准确度。

如图5中所图示的，考虑其中目标数据组的测量值包被分成两个部分的条件，即，测量值包根据外部因素急剧变化的不稳定部分和由于几乎没有外部因素或没有外部因素而可以在储存在测量数据储存器1中的测量数据组的测量值包中频繁观察到的稳定部分。

在这种条件下，与稳定部分相比，更难以从不稳定部分正确地估计偏差包。这是因为，来自外部因素的噪声有可能作用在使偏差难以估计的方向上。因此，优选的是，通过使用稳定部分中的相似度来计算得分TS，以便提高偏差包的估计准确度。

这里，所认为的是，稳定部分中的相似度具有成为来自包括在相似度组S中的相似度之中具有较大值的相似度的强烈趋势。这是因为稳定部分指示频繁观察到的测量值包，并且参考数据组非常有可能包括与目标数据组的稳定部分中的测量值包相似的测量值包。

另一方面，认为不稳定部分中的相似度具有成为包括在相似度组S中的相似度中具有较小值的相似度的强烈趋势。这是因为不稳定部分指示很少观察到的测量值包，并且参考数据组非常不可能包括与目标数据组的不稳定部分中的测量值包相似的测量值包。

因此，如本实施例那样，通过使用具有较大值的相似度(即，相似度组S中所包括的相似度之中稳定部分的相似度)来计算得分TS，能够降低不稳定部分的影响，并且能够提高对偏差包的估计准确度。

在步骤S7中，估计偏差确定器12将由得分计算器11计算出的得分TS与最大得分MS进行比较。在第一次搜索中，由于如上所述最大得分MS被初始化为负无穷大，因此MS<TS(步骤S7：是)。过程前进到步骤S8。

在步骤S8中，估计偏差确定器12如下更新变量IC、MS和b_f。

公式8

MS←TS

b_f←b

即，估计偏差确定器12初始化变量IC、将最大得分MS设置为得分TS，并将对应于最大得分MS的临时偏差包b_f设置为对应于得分TS的临时偏差包b。相应地，第一次搜索结束。

之后，估计偏差确定器12在步骤S9中请求临时偏差生成器7生成新的临时偏差包b。临时偏差生成器7通过将预定噪声添加到当前b_f来生成新的临时偏差包b。偏差估计装置开始第二次搜索。

n维随机数向量可被用作噪声，以生成新的临时偏差包b。例如，从以下正态分布生成该随机数向量。

公式9

N(0,ε²)，平均数为0并且标准偏差为ε的正态分布

在第二次搜索中，当得分TS等于或小于最大得分MS时(步骤S7：否)，过程前进到步骤S10。

在步骤S10中，估计偏差确定器12如下更新变量IC。

公式10

IC←IC+1

即，估计偏差确定器12将1加到变量IC。在这个时候，不更新最大得分MS和对应于最大得分MS的临时偏差包b_f。

在步骤S11中，估计偏差确定器12确定变量IC是否超过100。在IC≤100的情况下(步骤S11：否)，过程前进到步骤S9。反之，在IC>100的情况下(步骤S11：是)，过程前进到步骤S12。

在步骤S12中，估计偏差确定器12将在那个时候已经被设置的临时偏差包b_f确定为偏差估计装置的估计结果，即，估计偏差包。

即，偏差估计装置重复临时偏差包的生成和根据得分的评估并且搜索具有最大得分的临时偏差包，直到满足终止条件。然后，偏差估计装置输出具有最大得分的临时偏差包，作为估计偏差包。

以这种方式确定的估计偏差包储存在估计偏差储存器13中。储存在估计偏差储存器13中的估计偏差包可以由显示设备103显示。

这里，图6是在显示设备103上显示的示例性估计结果的图。如上所述，估计的偏差包与测量值包具有相同的维度。因此，如图6中所图示，包括在估计偏差包中的值可以相对于每个传感器(传感器A至D)显示。

如上所述，根据本实施例的偏差估计装置和方法通过使用稳定部分中的相似度来计算得分，并且可以将具有最大得分的临时偏差包确定为估计偏差包。因此，可以防止由外部因素引起的估计准确度的降低，并且可以提高偏差包的估计准确度。

而且，由于作为估计结果获得的估计偏差包与测量值包具有相同的维度，因此用户可以容易地从估计结果识别出哪个测量值的传感器被估计以包括偏差。因此，用户可以容易地使用估计结果进行决策和故障诊断。

在步骤S5中，由相似度选择器10选择的相似度不限于前10％的相似度。相似度选择器10可以选择例如前20％的相似度和等于或大于预定阈值的相似度。

而且，在步骤S6中，由得分计算器11计算的得分不限于所选择的相似度的平均值。得分可以是所选择相似度的中值和模式。

此外，步骤S11中的终止条件不限于IC>100，并且可以是IC>10和IC>1000。而且，可以由搜索的次数的总数来确定终止条件。在这种情况下，在步骤S8中，优选的是，IC不复位并且

公式11

IC←IC+1

(第二实施例)

将参考图7来描述根据第二实施例的偏差估计装置和方法。在本实施例中，通过使用神经网络来构建参考模型。其它部件类似于第一实施例的部件。

图7是在本实施例中使用的神经网络的结构的图。神经网络的输入层和输出层与测量数据的测量值包具有相同的n维。可以根据用途可选地设置对神经网络的其它结构(即，中间层的结构)的限制。例如，在AIChE Journal 1999年第37卷第2期第233-243页由M.A.Kramer所公开的“Nonlinear principal component analysis using autoassociative neural networks”中公开的“Autoassociative Neural Network”可被用作神经网络。

在根据本实施例的偏差估计装置中，参考模型构建器5使得图7中的神经网络学习参考数据组的测量值包。具体而言，参考模型构建器5构建神经网络，使得当输入是参考数据组的多个测量值包中的一个测量值包时，到神经网络的输入和结果输出相同。参考模型构建器5的神经网络的学习可以具有使得输入和结果输出相同的目的之外的其它目的。例如，其中一个目的是防止神经网络的参数取极值。在本实施例中，参考模型是从参考模型构建器5的学习所得到的神经网络。

这里，将描述根据本实施例的偏差估计方法。首先，在步骤S1中参考模型构建器5构建参考模型f。参考模型f是已经执行学习的神经网络，表示为函数。到参考模型f的输入和结果输出两者具有相同的维度。

之后，在步骤S3之前的过程类似于第一实施例的过程。即，在步骤S3中校正测量值计算器8生成以下校正数据组。

公式12

目标数据组的测量值包：

校正数据组的测量值包：

在步骤S4中相似度计算器9计算包括在校正数据组中的每个校正数据相对于参考模型f的相似度。首先，相似度计算器9计算每个校正数据相对于参考模型的误差。在本实施例中误差表示如下。

公式13

第i个校正数据的误差：

校正数据组中的误差：

接下来，相似度计算器9基于上面提到的误差计算每个校正数据相对于参考模型f的相似度。相似度表示如下，其采用与第一实施例相同的形式。

公式14

第i个校正数据的相似度：

校正数据组中的相似度：

相应地，计算每个校正数据的相似度s_i，并且生成相似度组S。此后的每个步骤都类似于第一实施例的步骤。

如上所述，根据本实施例，可以通过使用神经网络来构建参考模型。而且，可以通过添加除了使得到神经网络的输入和结果输出相同的目的之外的其它目的来容易地构建根据用途的参考模型。

(第三实施例)

将描述根据第三实施例的偏差估计装置和方法。在本实施例中，通过使用相似度的最大值和中值来计算得分。其它部件类似于第一实施例的那些部件。

在根据本实施例的偏差估计装置中，相似度选择器10从由相似度计算器9计算的相似度之中选择最大相似度和中值相似度。得分计算器11基于由相似度选择器10选择的两个相似度来计算得分。

这里，将描述根据本实施例的偏差估计方法。步骤S1至S4中的根据本实施例的偏差估计装置的操作类似于第一实施例的那些操作。在步骤S4中，假设类似于第一实施例获得以下相似度组S。

公式15

校正数据组中的相似度：

在本实施例中，在步骤S5中相似度选择器10从相似度组S之中选择最大值s_a和中值s_b。

得分计算器11基于由相似度选择器10选择的两个相似度s_a和s_b如下计算得分，并将其代入变量TS中。

公式16

通过以这种方式计算得分，可以在下面指示的条件下提高偏差的估计准确度。

考虑其中外部因素对测量值包的影响减小相对于参考模型的相似度的条件。在这个条件下，当执行适当的偏差估计时，预期的是来自相似度组S中的中值s_b的离群值分布在小于中值s_b的一侧，并且在高于中值s_b一侧的离群值是不太可能的。因此，当相似度组S中的中值s_b和最大值s_a之间的差大时，偏差估计不合适的可能性被认为高。但是，即使当中值s_b接近最大值s_a时，在s_a和s_b本身小的情况下，该估计也不被认为是正确的估计。因此，采用s_a的平方根与s_b的平方根之差作为得分，以便减小s_a和s_b之差并增加s_a和s_b的值。

如上所述，根据本实施例，可以基于相似度组S的中值s_b和最大值s_a来计算得分。本实施例的得分可以单独使用，并且可以与如在第一实施例中所描述的得分一起使用。

(第四实施例)

将参考图8至图10来描述根据第四实施例的偏差估计装置和方法。在本实施例中，测量值包包括定性变量，并且通过将它们的偏差转换成对应的定量变量来估计它们的偏差。

这里，图8是根据本实施例的偏差估计装置的功能配置的框图。如图8中所图示的，偏差估计装置还包括数据转换器14。其它部件与第一实施例的那些部件类似。

数据转换器14将储存在测量数据储存器1中的测量数据组中所包括的定性变量转换为定量变量。定性变量是不能被表达为数量的变量，诸如对象名称(“人”、“汽车”等)和状态(“存在”、“不存在”等)。

图9是包括定性变量的示例性测量数据组的图。如图9中所图示的，测量数据组的每个测量数据包括测量日期、对象名称、X坐标和Y坐标。测量日期在相关信息包中，并且对象名称、X坐标和Y坐标在测量值包中。图9的测量数据组是从例如图像传感器获得的。

图9中的对象名称指示在图像传感器中拍摄的对象的名称，并且X坐标和Y坐标是其起点位于图像上的点并且指示在图像传感器中拍摄的对象的位置的笛卡尔坐标。由于诸如“人”和“汽车”的对象名称不能被表达为数量，因此对象名称是定性变量。另一方面，由于X坐标和Y坐标可以被指示为数量，因此它们是定量变量。即，图9中的测量数据组既包括定量变量又包括定性变量。

数据转换器14从测量数据储存器1获得如图9中的测量数据组，并将包括在测量数据组中的定性变量转换为定量变量。数据转换器14的从定性变量到定量变量的转换可以根据可选方法(诸如，独热码(one-hot)表示)来实现。由数据转换器14转换的测量数据作为新的测量数据储存在测量数据储存器1中。偏差估计装置可以通过使用由数据转换器14转换的测量数据组来估计包括在定性变量的测量值中的偏差。

例如，在图像传感器中，当“人”在参考状态下被频繁地测量并且“汽车”在由图像传感器进行的测量包括偏差的情况下被频繁地测量时，数据转换器14将定性测量值“人”和“汽车”分别转换成“人”和“汽车”的测量频率。测量频率是定量的，并且可被用来间接地估计图像传感器的偏差。

这里，将参考图10描述从定性变量到定量变量的转换方法。图10是数据转换器14的操作的流程图。

首先，在步骤S13中，数据转换器14从测量数据储存器1获得测量数据组，并将所获得的测量数据组的测量值包划分为定性变量部分和定量变量部分。这里，假设由数据转换器14从测量数据储存器1获得的测量数据组的测量值包由N行n列的表Xr表示，包括由n个传感器测量N次的测量值。

数据转换器14从表Xr提取N行m列的表Xc。Xc只包括定性变量，并且数字m指示定性变量的数量。而且，数据转换器14从表Xr提取N行(n-m)列的表Xv。Xv仅包括定量变量，并且数字(n-m)指示定量变量的数量。相应地，表Xr被划分为仅包括定性变量的表Xc和仅包括定量变量的表Xv。

在步骤S14中，数据转换器14将表Xc转换为独热码表示，并创建N行h列的表Xw。数字h依赖于包括在表Xc中的每个定性变量的可能值的数量。例如，当表Xc具有N行和一个定性变量“对象名称”并且它从两个可能的值(即，“人”和“汽车”)取值时，表Xw变成N行两列的表。

在步骤S15中，数据转换器14将表Xw与表Xv连接，并创建表Xz。表Xz具有N行和(n-m+h)列。

在步骤S16中，数据转换器14通过使用测量Xz的每行中的值的测量日期为每个可选的时段(例如，一小时或一天)将表Xz的相应行进行分组。用于分组行的测量日期是从由测量数据储存器1获得的测量数据组的相关信息包中提取的。当表Xz针对每一天分组时，例如，在假设第i个组是Xz[i]的情况下，01/01至01/02的组是Xz[0]并且01/02至01/03的组是Xz[1]。

接下来，数据转换器14为每个组创建1行(n-m+h)列的表。在本实施例中，为Xz[i]创建的表储存Xz[i]的每列的平均值。数据转换器14创建表Z，其中所创建的表被连接。当已经创建了M个组时，表Z具有M行和(n-m+h)列。

在步骤S17中，数据转换器14通过使用从测量数据储存器1获得的测量数据组的相关信息包来创建对应于表Z的相关信息包。例如，当表Z的第一行表示从01/01至01/02的平均测量值时，创建诸如“测量周期：01/01至01/02”的相关信息，并且将它关联为表Z的第一行的相关信息。相应地，创建具有表Z作为测量值包的新测量数据组和来自原始测量数据组的上面提到的相关信息作为相关信息包的新测量数据组。所创建的新测量数据组被储存在测量数据储存器1中。

利用上面的结构，根据本实施例，可以估计测量值是定性的传感器(诸如图像传感器)的偏差。而且，即使当测量数据的测量值包既包括定性变量又包括定量变量时，也可以通过将定性变量转换为定量变量来估计每个传感器的偏差。

(第五实施例)

将参考图11至图15来描述根据第五实施例的故障诊断装置和方法。在本实施例中，基于由根据上述实施例的偏差估计装置和方法估计的估计偏差来诊断传感器的故障。这里，图11是故障诊断装置的功能结构的框图。如图11中所图示的，故障诊断装置包括偏差估计装置、阈值储存器15、故障诊断器16和诊断结果储存器17。

偏差估计装置可以可选地从根据上述实施例的偏差估计装置之中选择。在图11中，关于偏差估计装置的结构，除估计偏差储存器13以外的其它部件在图中未示出。

阈值储存器15储存用于确定在传感器中是否发生偏差故障的阈值。阈值与由对应传感器的测量值具有相同的单位，并且由用户根据传感器的规范等来设置。阈值储存器15将阈值与对应的传感器名称和测量值单位储存为阈值数据。这里，图12和图13是储存在阈值储存器15中的多个示例性阈值数据的图。每个阈值数据包括传感器名称、阈值和图12中的单元。即，在图12的阈值数据中，为每个传感器设置单个阈值。例如，传感器A的阈值为1℃。

在图13的阈值数据中，每个阈值数据包括传感器名称、季节、阈值和单位。即，为每个传感器设置多个季节，并且为每个季节设置阈值。例如，传感器A在夏季的阈值为1℃，而在冬季的阈值为3℃。以这种方式，当对应于传感器的相关信息可用时，可以为相关信息的每个值设置传感器的阈值。相应地，可以提高故障诊断的准确度。

故障诊断器16基于储存在估计偏差储存器13中的每个传感器的估计偏差和储存在阈值储存器15中的每个传感器的阈值来诊断在每个传感器中是否发生偏差故障。当估计的偏差大于阈值时，故障诊断器16做出在传感器中发生偏差故障的诊断。故障诊断器16的诊断结果储存在诊断结果储存器17中。

通过使计算机设备100执行与偏差估计装置类似的故障诊断程序，可以实现故障诊断装置的每个功能配置。

接下来，将参考图14和15描述根据本实施例的故障诊断方法。图14是根据本实施例的故障诊断装置的操作的流程图。

在步骤S18中，故障诊断器16从阈值储存器15中提取要诊断的传感器的阈值。当要作为诊断目标的传感器的数量为n时，提取n个阈值。故障诊断器16将每个提取出的阈值代入称为H的变量。

在步骤S19中，故障诊断器16从估计偏差储存器13中提取要诊断的传感器的估计偏差。当要诊断的传感器的数量为n时，提取n个估计偏差。故障诊断器16将每个提取出的估计偏差的绝对值代入称为ba的变量。通过使用估计偏差的绝对值，可以在不考虑估计偏差是正还是负的情况下执行故障诊断。

在步骤S20中，故障诊断器16通过将传感器的变量H与传感器的变量ba进行比较来诊断传感器中是否发生偏差故障。故障诊断器16做出变量ba大于变量H的传感器具有偏差故障的诊断。另一方面，故障诊断器16做出变量ba等于或小于变量H的传感器处于正常状态的诊断。故障诊断器16的诊断结果储存在诊断结果储存器17中。储存在诊断结果储存器17中的诊断结果可以由显示设备103显示。

这里，图15是由显示设备103显示的多个示例性诊断结果的图。在图15中，每个传感器的诊断结果包括传感器名称、估计偏差、阈值和单位。例如，由于传感器A的估计偏差为2℃并且阈值为1℃(H<ba)，因此传感器A被诊断为有故障。

如上所述，根据本实施例，可以通过使用由上述偏差估计装置和方法作出的估计偏差来诊断传感器的偏差故障。

在步骤S19中，可以将估计偏差的原始值而不是估计偏差的绝对值代入变量ba。在这种情况下，可以在阈值储存器15中设置用于传感器的故障诊断的上阈值极限值或下阈值极限值。而且，可以设置两个阈值，即，上阈值极限值和下阈值极限值。在这些情况下，当估计偏差的值在由上阈值极限值和/或下阈值极限值所限定的范围之外时，故障诊断器16可以诊断发生偏差故障。

(第六实施例)

将参考图16来描述根据第六实施例的故障诊断装置和方法。在本实施例中，基于得分诊断由传感器测量的传感器或设备的故障。这里，图16是故障诊断装置的功能结构的框图。如图16中所图示的，故障诊断装置包括测量数据储存器1、数据提取器2、参考数据储存器3、目标数据储存器4、参考模型构建器5、参考模型储存器6、相似度计算器9、相似度选择器10、得分计算器11、阈值储存器15、故障诊断器16以及诊断结果储存器17。由于故障诊断装置不估计传感器的偏差，因此不同于根据第五实施例的故障诊断装置，故障诊断装置不必包括临时偏差生成器7、校正测量值计算器8、估计偏差确定器12和估计偏差储存器13。

在本实施例中，相似度计算器9基于储存在参考模型储存器6中的参考模型和储存在目标数据储存器4中的目标数据组来计算相似度。这里，计算出的相似度越低意味着一些故障发生的可能性越高。

相似度计算器9为每个目标数据计算相似度。相似度计算器9生成包括相似度和与计算相似度时所使用的目标数据相同的相关信息的相似度数据。由于相似度计算器9为每个目标数据生成相似度数据，因此生成与包括在目标数据组中的目标数据一样多的多个相似度数据(相似度数据组)。由相似度计算器9计算相似度的方法如上所述。

相似度选择器10根据由相似度计算器9计算出的多个相似度数据的相似度选择多个相似度数据。由相似度选择器10选择的相似度数据组被用来计算得分。用于通过相似度选择器10选择相似度数据的方法如上所述。

得分计算器11基于由相似度选择器10选择的相似度数据组来计算得分。得分是这样的值，其中目标数据组的测量值包与参考数据组的测量值包之间的相似度是基于参考模型储存器6中的参考模型来评估的。得分是例如包括在所选的相似度数据组中的相似度的平均值、中值和模式。但是，得分不限于这些。用于通过得分计算器11计算得分的方法如上所述。

阈值储存器15储存用于确定在传感器或由传感器测量的设备中是否发生了某些故障的阈值。阈值用于得分并且可选地由用户设置。阈值作为阈值数据储存在阈值储存器15中。阈值数据根据诸如要诊断的传感器的种类的相关信息进行调节。例如，当要诊断的传感器包括温度计和湿度计时，对应的阈值可以是1.0。当传感器仅包括温度计时，对应的阈值可以是2.0。当由目标数据组的相关信息包指示的条件仅与阈值储存器15中储存的一个匹配时，与条件相关的阈值用于目标数据组的故障诊断。另一方面，当目标数据组的条件与储存在阈值储存器15中的多个条件匹配时，根据预定方法生成用于目标数据组的故障诊断的阈值。要生成的阈值例如是对应于所匹配的条件的阈值的最大值、最小值和平均值。但是，生成阈值的方法不限于这些。而且，用于在任何条件下的故障诊断的阈值数据可以由用户准备并储存在阈值储存器15中。

故障诊断器16基于目标数据组的条件通过使用由得分计算器11计算的得分和从阈值储存器15中提取的得分的阈值来诊断传感器或由传感器测量的设备中是否发生了某些故障。当计算出的得分小于阈值时，故障诊断器16做出传感器或由传感器测量的设备中发生了某些故障的诊断。故障诊断器16的诊断结果储存在诊断结果储存器17中。

故障诊断装置可以通过执行上述步骤S1、S4至S6、S18和S20中的处理来做出传感器或由传感器测量的设备中发生了某些故障的诊断。

即，在步骤S1中参考模型构建器5构建参考模型。在步骤S4中，相似度计算器9基于参考模型计算包括在目标数据组中的每个目标数据的相似度。在步骤S5中，相似度选择器10选择相似度组S的前10％中的相似度。在步骤S6中，得分计算器11计算目标数据组的得分TS。在步骤S18中，故障诊断器16基于目标数据组的条件从阈值储存器15提取得分的阈值。在步骤S20中，故障诊断器16通过将得分与阈值进行比较来诊断传感器或由传感器测量的设备中是否发生了故障。

如上所述，根据本实施例，可以通过使用得分来诊断传感器或由传感器测量的设备的故障。

虽然已经描述了某些实施例，但是这些实施例仅仅是作为例子给出的，并且不意在限制本发明的范围。实际上，可以以各种其它形式实施本文描述的新颖方法和系统；此外，在不背离本发明的精神的情况下，可以对本文描述的方法和系统的形式进行各种省略、替换和改变。所附权利要求及其等同物意在覆盖落入本发明的范围和精神内的此类形式或修改。