用于预报和预测的序列核回归建模方法
【专利摘要】一种用于确定对象的未来运行状态的方法，所述方法包括：获取参考数据，所述参考数据指示所述对象的常规运行状态；以及获取输入模式阵列。每个输入模式阵列具有多个输入向量，而每个输入向量表示时间点并且具有输入值，所述输入值表示指示所述对象的当前状态的多个参数。至少一个处理器基于使用输入模式阵列和所述参考数据进行的计算而产生估值，以确定所述输入值与参考数据之间的相似性测量。所述估值采用估计矩阵的形式，其包括至少一个推导估值的估计向量，并且表示非所述输入向量所表示的至少一个时间点。使用所述推导估值确定所述对象的未来状态。
【专利说明】用于预报和预测的序列核回归建模方法
【技术领域】
[0001]本发明总体上涉及用于对诸如机器、系统或方法等对象进行预测性状态监控和预测的核回归建模(kernel regression modeling)领域,确切地说,涉及使用多变量模型来分析参数测量以评估所监控的对象。
【背景技术】
[0002]核回归是一种建模形式，用于确定非线性函数或数据集中的值之间的关系，并且用于监控机器或系统以确定所述机器或系统的状态。一种已知的核回归建模形式是第5，764，509和6，181，975号美国专利中公开的基于相似性的建模(SBM，similarity-basedmodeling)。对于SBM，多个传感器信号测量受监控的机器、系统或其他对象的物理关联参数，以提供传感器数据。所述参数数据可以包括信号的实际值或当前值或者其他计算数据，无论是否基于传感器信号。所述参数数据随后由经验模型进行处理，以提供这些值的估值。随后将估值与实际值或当前值进行比较，以确定受监控系统中是否存在故障。
[0003]具体来说，所述模型使用选定传感器值历史模式(pattern)的参考库来产生估值，所述参考库表示已知运行状态。这些模式还称为向量、快照或观测数据，并且包括来自多个传感器或其他输入数据的值，所述数据指示受监控机器在特定时刻的状态。对于来自参考库的参考向量，所述向量通常指示受监控机器的常规状态。所述模型将当前时间的向量与参考库中已知状态的多个选定的、已学习到的向量进行比较，以估计系统的当前状态。一般来说，将当前向量与由参考库中的选定向量构成的矩阵进行比较，以形成权向量。在下一步骤中，用权向量乘以所述矩阵，以计算估值的向量。随后将所述估计向量与当前向量进行比较。如果向量中的估值与实际值的相似度不足，则可以指示受监控对象中存在故障。
[0004]但是，所述核回归技术并不明确使用传感器信号中的时域信息，而是在计算估值时使用不同且不连续的同时(time-contemporaneous)模式来处理数据。例如，由于每个当前向量单独地与参考库向量进行比较，因此无论当前向量以哪种顺序与参考库的向量进行比较，结果均无区别，也就是说，每个当前向量将接收到自己的相应估计向量。
[0005]—些已知模型的确在核回归建模构造内捕获时域信息。例如，复杂的信号分解技术将时变信号转换成频率分量，如第6，957，172和7，409, 320号美国专利所公开，或者如第7，085，675号美国专利中公开的频谱特征。这些分量或特征作为单独的输入值提供到经验建模引擎中，以便单个复杂信号由同时发生的频率值的模式或向量表示。所述经验建模引擎将提取的分量输入值(当前向量或实际向量)与预期值进行比较，以得出有关实际信号的更多信息或者有关产生时变信号的系统的状态的更多信息。这些方法设计成与诸如声信号或振动信号等单个周期信号一起使用。但是即使使用所述系统来处理复杂信号，在计算当前向量的估值时，时域信息并不重要，因为每个当前向量均与具有参考向量或预期向量的向量矩阵进行比较，而不考虑输入向量表示哪个时间段。
【发明内容】
[0006]一方面，本发明提供了一种用于确定对象的未来运行状态的方法，所述方法包括:获取参考数据，所述参考数据指示所述对象的常规运行状态；以及获取输入模式阵列。每个输入模式阵列具有多个输入向量，而每个输入向量表不时间点并且具有输入值，所述输入值表示指示所述对象的当前状态的多个参数。至少一个处理器基于使用输入模式阵列和参考数据进行的计算而产生估值，以确定输入值与参考数据之间的相似性测量。所述估值采用估计矩阵的形式，其包括至少一个虚拟或推导估值的估计向量，并且表示非所述输入向量所表示的至少一个时间点。使用所述推导估值确定所述对象的未来状态。
[0007]另一方面，本发明提供了一种用于确定对象的未来运行状态的监控系统，所述监控系统包括:经验模型，所述经验模型配置成接收参考数据，所述参考数据指示所述对象的常规运行状态；接收输入模式阵列，其中每个输入模式阵列具有多个输入向量。每个输入向量表示时间点并具有输入值，所述输入值表示指示对象的当前状态的多个参数。所述经验模型还配置成基于使用输入模式阵列和参考数据进行的计算而产生估值，以确定输入值与参考数据之间的相似性测量。所述估值采用估计矩阵的形式，所述估计矩阵包括推导估值的估计向量，并且每个估计矩阵表示非所述输入向量所表示的至少一个时间点。预测模块配置成使用推导的估值以确定所述对象的未来状态。
【专利附图】
【附图说明】
[0008]图1示出了监控系统的示例性布置的方框图；
[0009]图2是示出了监控系统的基本过程的流程图；
[0010]图3是基于自联想相似性(autoassociative similarity)的建模方程式的示意图；
[0011]图4是基于推导相似性(inferential similarity)的建模方程式的一种形式的示意图；
[0012]图5是基于推导相似性的建模方程式的另一种形式的示意图；
[0013]图6是基于自联想序列相似性的建模方程式的示意图；
[0014]图7是基于推导序列相似性的建模方程式的一种形式的示意图，所述建模方程式在模式化传感器维度中外推(extrapolate)；
[0015]图8是基于推导序列相似性的建模方程式的另一种形式的示意图，所述建模方程式在模式化传感器维度中外推；
[0016]图9是基于推导序列相似性的建模方程式的示意图，所述建模方程式在时间维度中外推；
[0017]图10是基于推导序列相似性的建模方程式的示意图，所述建模方程式在时间维度中外推；以及
[0018]图11是基于推导序列相似性的建模方程式的示意图，所述建模方程式在时间维度和传感器维度中外推。
【具体实施方式】
[0019]已确定可以通过将时域信息并入模型中来提高核回归模型(尤其是基于相似性的模型)中的估值的准确性。因此，现有监控系统和方法的一个技术效果是通过从监控工业工艺、系统、机器或其他对象的大量周期性和非周期性传感器信号捕获时域信息来产生估值数据。现有系统的技术效果还包括操作经验模型，所述经验模型将核回归建模核心的基本非线性数学运算从向量到向量运算扩展到矩阵到矩阵(或阵列到阵列)运算，如下文详述。监控系统和方法的另一替代性技术效果是产生未来时间点的虚拟或推导估值，以确定受监控对象的未来状态，无论用于产生估值的参考数据是表示受监控对象的常规运行状态的数据，还是与来自对象的、指示故障的数据更佳匹配的故障模式数据。
[0020]参见图1，包含时域信息的监控系统10可以通过一个或多个模块的形式包含在计算机程序中，并且可以通过一个或多个处理器102在一个或多个计算机100上执行。计算机100可以具有一个或多个内部或外部存储装置104，用于永久或暂时存储传感器数据和/或计算机程序。在一种形式中，独立的计算机运行特定程序，所述程序专用于从配备在仪表化机器、过程或者包括生物等其他对象上的传感器接收传感器数据，并测量参数(温度、压力等)。尽管未做特别限制，但是例如，受监控的对象可以是工业厂房中的一个或多个机器、一个或多个车辆或者车辆上的特定机器，例如喷气式发动机。所述传感器数据可以有线或无线方式通过计算机网络或互联网等传输到执行数据收集操作的计算机或数据库。具有一个或多个处理器的一个计算机可以执行所有模块的监控任务，或者每个任务或模块可以具有自己的计算机或处理器来执行所述模块。因此，应了解，处理可以在一个位置中执行，或者处理可以在通过有线或无线网络连接的许多不同位置中执行。
[0021]参见图2，在监控系统10执行的过程(300)中，系统从在上述受监控对象16上的传感器12接收数据或信号。此数据排列成由模型14使用的输入向量32。因此，术语“输入”、“实际”和“当前”可互换使用，并且术语“向量”、“快照(snapshot) ”和“观测数据”也可以互换使用。输入向量(或者例如，实际快照)表示受监控机器在单个时刻中的运行状态。
[0022]此外或者替代地，输入向量32可以包括计算所得数据，所述数据可以基于或者可以不基于传感器数据(或原始数据)进行计算。例如，这可以包括平均压力或压力降。输入向量32还可以具有值，所述值表示并非由对象16上的传感器所表示的其他变量。例如，这可以是接收到传感器数据中某年的某天的平均环境温度等。
[0023]模型14获取(302)向量32形式的数据，并且将输入向量排列(304)成输入阵列或矩阵。但是应了解，模型14本身可以从输入数据形成向量32，或者从将数据组织成向量和阵列的集合或输入计算机或者处理器接收向量。因此，输入数据可以通过计算机100、计算机100位置附近的另一计算机或者诸如对象16附近等其他位置处的另一计算机排列成向量32。
[0024]模型14还获取(306)参考数据，所述参考数据采用参考库18中的参考向量或矩阵的形式，有时称为矩阵H。库18可以包括系统中的所有历史参考向量。模型14随后使用参考数据和输入阵列以产生估值(310)，所述估值采用所得的估计矩阵或阵列的形式。将估计矩阵提供给差分化(differencing)模块20,所述模块确定(312)估计矩阵中的估计阵列与输入阵列中的对应输入值之间的差分(或者残差)。随后，警报或分析管理模块(或者仅警报模块)22使用所述残差确定(314)是否存在故障。
[0025]如图中的虚线所示，监控系统10还可以具有定位模块28，所述定位模块改变来自参考库的、用于形成(308)子集或矩阵D (t)(称为以下学习的序列模式矩阵(图6)的三维集合)的数据，以与每个输入阵列中的向量进行比较。另外，参考数据矩阵D(t)可以对所有输入矩阵保持相同，如下文详述。此外，监控系统具有具有适配模块30，所述适配模块不断将输入向量置于参考库中以更新库中的数据，或者在发生特定事件时(例如当模型接收到数据时，该数据指示不同于前述经历的、新的、机器常规状态)进行更新。这也将以下详细描述。
[0026]警报模块22可以将警报和残差直接提供到接口或输出模块24，以便用户执行自己的诊断分析，或者可以设置诊断模块26，以分析故障原因的确切性质，从而通过输出模块24将诊断结论和严重等级报告给用户。
[0027]输出模块24可以包括用于显示这些结果的机构(例如，计算机屏幕、PDA屏幕、打印输出设备或者Web服务器)；用于存储结果的机构(例如，具有查询功能的数据库、平面文件、XML文件)；以及/或者用于将结果传输到远程位置或其他计算机程序的机构(例如，软件接口、XML数据报、电子邮件数据包、异步消息、同步消息、FTP文件、服务、管道命令等。
[0028]更详细地介绍经验模型14之前，需要对核回归具有一定了解。在诸如核回归等模式识别技术中，模式由输入数据(如上所述)构成，所述输入数据一起分组成向量。每个向量的数据在一个公共时间点上从一台设备中收集。但是在此情况下，如下文更详细所述，与现有核回归方法相关的同时传感器值(contemporaneous sensor value)的模式(向量)中增加了时间相关(temporal ly-re lated)信息,例如连续时间点的序列模式,或者应用到连续时间点模式的时间依赖函数的输出(例如，过滤器、时间导数等)。因此，通过传统核回归方法处理的各个模式(向量)替换为形成阵列的时间相关模式序列(或者简单地称为模式阵列或模式矩阵)。
[0029]所有基于内核的建模技术,包括核回归、径向基函数(basis function),以及基于相似性的建模可以表示为以下方程式:
【权利要求】
1.一种用于确定对象的未来运行状态的方法，所述方法包括: 获取参考数据，所述参考数据指示所述对象的常规运行状态； 获取输入模式阵列，每个输入模式阵列具有多个输入向量，每个输入向量表不时间点并且具有输入值，所述输入值表示指示所述对象的当前状态的多个参数；以及 基于使用输入模式阵列和所述参考数据进行的计算，通过至少一个处理器产生估值，以确定所述输入值与参考数据之间的相似性测量，其中所述估值采用估计矩阵的形式，所述估计矩阵包括至少一个推导估值的估计向量，每个估计矩阵表示非所述输入向量所表示的至少一个时间点；以及 使用所述推导估值确定所述对象的未来状态。
2.根据权利要求1所述的方法，其中所述估计矩阵仅包括估计向量，所述估计向量表示非所述输入向量所表示的时间点。
3.根据权利要求1所述的方法，其中所述估计矩阵包括表示所述输入向量所表示的同一时间点的至少一个估计向量以及表示非所述输入向量所表示的时间点的至少一个估计向量。
4.根据权利要求1所述的方法，其中所述估计矩阵包括表示参数的估值，所述参数指示所述对象的状态并且所述参数并非由所述输入值所表示。
5.根据权利要求1 所述的方法，其中每个估计矩阵表示当前时间点、非所述输入向量所表示的时间点，所述非所述输入向量所表示的时间点是相对于所述当前时间点的后续时间点。
6.根据权利要求1所述的方法，其中产生估值包括使用所述相似性测量产生加权值，并使用所述加权值与参考数据一起进行计算，以产生所述估计矩阵。
7.根据权利要求6所述的方法，其中所述加权值采用加权向量的形式。
8.根据权利要求6所述的方法，其中用于与所述加权值一起进行计算的参考数据包括参考值，所述参考值表示非所述输入模式阵列所表示的时间点。
9.根据权利要求8所述的方法，其中用于与所述加权值一起进行计算的参考数据表示主当前时间点，并且其中非所述输入模式阵列所表示的时间点是相对于所述当前时间点的后续时间点。
10.根据权利要求6所述的方法，其中用于与所述加权值一起进行计算的参考数据采用学习序列模式矩阵的三维集合的形式，每个学习序列模式矩阵包括参考值的参考向量，其中每个参考向量表示所述学习序列模式矩阵内的不同时间点。
11.根据权利要求10所述的方法，其中每个学习序列模式矩阵包括主当前时间点以及表示相对于所述主当前时间点的后续时间点的时间点。
12.根据权利要求1所述的方法，其中同一时间点表示在多个估计矩阵中。
13.根据权利要求1所述的方法，其中使用所述推导估值包括使用最近估计矩阵更新所述推导估值，以用于确定所述对象的状态。
14.根据权利要求1所述的方法，其中使用所述推导估值包括为单个估计向量提供值，以表示多个估计矩阵中的单个时间点。
15.根据权利要求14所述的方法，其中所述单个估计向量的产生方法是确定单个时间点上所有所述估计向量的平均值、加权平均值或者加权范数。
16.根据权利要求1所述的方法，其中使用所述推导估值包括为单个估计向量提供值，以表示每个估计矩阵。
17.根据权利要求16所述的方法，其中所述单个估计向量的产生方法是计算所述估计矩阵内的所述估计向量的平均值、加权平均值或者加权范数。
18.根据权利要求1所述的方法，其中使用所述推导估值包括形成所述推导估值所表示的至少一个参数的趋势线，以指示所述对象的预期行为。
19.根据权利要求18所述的方法，包括使用每个新估计矩阵形成新趋势线。
20.根据权利要求18所述的方法，包括形成边界趋势线，以界定所述对象的预期行为范围。
21.根据权利要求20所述的方法，包括使用所述时间点上的最大推导估值形成上边界趋势线，以及使用所述时 间点上的最小推导估值形成下边界趋势线。
【文档编号】G05B23/02GK103842924SQ201280035662
【公开日】2014年6月4日 申请日期:2012年7月9日 优先权日:2011年7月19日
【发明者】J.P.赫措格 申请人:智能信号公司